教育科技研究速報

研究發現使用者持續使用 AI 的核心動機在於提升個人自主權的感知，而非僅基於對系統準確性的信任。

開發了一款利用 LLM 自我修復技術的瀏覽器擴充功能，讓研究者能直接在社群平台進行低門檻的數據收集與標註。

本文提出一個評估 AI 代理人使用科學模擬工具能力的基準測試，揭示工具使用雖能提升準確度，卻也可能導致性能退化。

研究證實使用 AI 驅動的擬真化具身代理進行對話式調查，能顯著提升受訪者回應的資訊量與參與效率。

本研究利用腦電圖（EEG）與機器學習技術，成功透過神經活動特徵來識別與分類程式設計師的專業技能水平。

提出一種以失敗驅動的自我改進機制，透過診斷失敗原因並生成代碼補丁，提升電腦操作代理人的成功率。

本文提出「粒度校準法」以解決 LLM 在文本編碼時可能因錯誤邏輯卻得到正確結果的效度問題。

文章主張 AI 安全不應僅關注當下的行為表現，而應視為一種確保系統在演化過程中仍具備「可教導性」的認識論能力。

研究發現現有程式碼模型雖擅長寫程式，但在理解軟體執行資源（如記憶體與時間）的「世界模型」方面表現脆弱。

開發 DysLexLens 框架，透過分析 Reddit 論壇數據，以低資源且具證據追蹤性的方式研究閱讀障礙者使用 AI 的經驗。

本研究評估 LLM 作為人類「數位分身」在心理特質與決策任務中的一致性，發現其在總體層次表現良好，但在細節與偏差模擬上存在侷限。

提出 Epi2Diff 框架，將大型推理模型的思考軌跡轉化為認知片段，以精準且可解釋地預測人類解題難度。