教育科技研究速報

研究發現溫暖感、能力與共情能力是影響人類對 LLM 擬人化感知與信任度的關鍵維度。

本研究開發了一套 AI 系統，能透過音樂教育互動區分 ASD 與典型發展兒童，並能模擬兩者的行為模式。

研究指出使用 LLM 生成「矽樣本」時，不同的參數配置會大幅改變模擬數據與真實人類數據的一致性。

本研究揭示了 LLM 在內容推薦時會放大極化現象，且在不同提示策略與模型供應商之間存在顯著的偏誤差異。

研究發現模擬實驗與真人實驗在人機互動影響因素上存在顯著差異，真人實驗中 AI 的透明度更具影響力。

本研究探討如何利用 WCAG 無障礙指南與相關法律，作為打擊操縱使用者的欺騙性 UI 設計模式的工具。

研究發現展示創作過程的努力線索能顯著提升作品的真實感與價值，且能部分彌補 AI 作品的真實性缺口。

本文介紹 LLMbench，一個專為數位人文研究設計，透過視覺化機率數據進行 LLM 輸出深度分析的瀏覽器工具。

文章指出 AI 文識課程過度依賴工具與提示，忽略角色判斷與清晰度，導致使用不一致、風險升高與實務能力受限。

L&D 團隊投資自動化，但缺乏操作素養，無法有效評估、配置與排除工作流程問題。

本文闡述任務分析的概念、主要類型與實務範例，並提供教學設計師如何策略性運用此工具提升學習成效的步驟。

文章指出參與度是提升培訓完成率的關鍵因素，並提供實務策略。