教育科技研究速報

提出一種利用大型語言模型（LLM）作為行為合成引擎，從稀疏且異質的使用者互動訊號中即時生成自適應介面的技術架構。

本研究探討 AI 評量量表（AIAS）在不同高等教育環境下的實施經驗，揭示了從政策轉化為教學實踐的關鍵影響因素。

本研究探討使用者如何利用生成式 AI 引導溝通策略，發現其能促進自我反思與情緒調節，但也引發自我懷疑。

研究發現同理心雖難被使用者察覺，卻能透過邊緣路徑有效提升運動步數與遵循建議的意願。

研究探討多模態提示（如草圖）如何影響設計學生的創意表現，並發現草圖能提升流暢度但使用者仍偏好文字提示。

提出 HiLSVA 系統，透過人機協作架構提升科學視覺化過程中的透明度、控制力與分析推理能力。

本研究透過與非正式教育體系中的非裔美國人社區共同設計 AI 教育課程，探討成人 AI 素養的實務現況。

開發名為 DanceDuo 的平台，利用擴散模型生成同步音樂的舞蹈，並透過動作估計技術提供個人舞蹈表現的對比分析。

研究發現模型在後訓練階段的配方，比單純的模型家族標籤更能影響多代理人系統中的對話多樣性。

本文透過數學建模揭示 AI 如何引發工作流程的相變，導致具備強驗證能力的勞工與弱驗證能力者之間品質差距擴大。

研究發現現有大型語言模型難以模擬跨文化憂鬱症狀的差異，顯示其缺乏對文化背景的敏感度。

研究發現學習到的 AI 依賴會削弱信任校準，使使用者更容易盲目信任錯誤的生成式 AI 健康資訊。