教育科技研究速報

本文提出 BiasIG 基準測試，透過多維度分類與自動化評估流程，量化並診斷文本生成圖像模型中的社會偏見。

提出一種將學生程式開發過程轉化為對話格式的新方法，訓練出能精準模擬學生除錯行為的開源 AI 模型。

開發出一種基於代理人架構的審查系統，透過可追溯的證據與行動清單，提升自動化科學論文審查的品質與透明度。

本文探討 AI 工具在資訊教育中的應用，並提出一套平衡教學效益與維護學術誠信的評量指南與數學模型。

本研究透過機器學習模型預測學生媒體素養，並識別影響其應對虛假訊息能力的關鍵因素。

本文介紹了一套透過五大機制設計，讓非技術背景學生也能從概念理解進階到 AI 系統開發的課程架構。

本文提出一套結合自我合理化與驗證機制的框架，旨在提升 AI 生成評量題目的透明度、認證能力與教學對齊度。

研究發現現有 LLM 在低資源環境中雖具高可靠性，但在教學清晰度、文化脈絡及適應低年級認知需求方面仍有顯著缺陷。

本研究證明能透過 fNIRS 腦訊號與機器學習模型，精準估算個人在數位任務中的認知努力程度。

本研究以PACMAD+3模型為框架，通過838名使用者問卷調查，量化評估七項可用性因素對手機應用感知可用性的影響，發現效率最重要，其餘因素中等重要。

研究提出 MANYFAKE 基準測試，揭示現有 AI 檢測器在面對人機協作、真假參雜的精細假新聞時表現脆弱。

建立人格驅動的情緒回應資料集，證實人格特質能顯著提升情緒評估準確度，並揭示LLM在社群媒體情境下的局限。