教育科技研究速報

提出首個評估臨床技能影片中持續互動對程序正確性影響的基準，並發現現有多模態大型語言模型在此任務上表現不佳。

提出一套多語言模型預測評估基準與代理系統，能在缺乏直接證據時推估模型表現。

證明人類介入與自主代理協同可長期提升營銷互動

研究發現生成式 AI 的使用動機會導致截然不同的腦部結構、學術表現與心理健康結果。

研究顯示，雖然LLM可提升學生自信，但不同互動模式對學習成效與認知負荷影響不同，未來自我解釋模式最能對齊實際理解。

利用大型語言模型推斷拍攝時意圖，將隨機照片轉為結構化視覺筆記，提升學習者的理解與探索。

本研究探討 LLM 代理透過「結構化」與「問題化」兩種鷹架策略，對藥劑技術員診斷推理能力的影響。

通過多方訪談，揭示對話式 AI 在神經認知障礙篩檢中的社會可接受性、使用者需求與設計衝突，並提出實務設計建議

研究發現LLM在解讀圖表時偏好結構化列舉，而人類則傾向於趨勢敘事，顯示兩者理解機制不同。

Omakase 透過監控研究文件，主動生成適時查詢並將長篇報告濃縮為可行建議，顯著提升研究者的工作效率。

AI與人協作時，人更易承擔責任，稱為AIHR效應

提出一套多尺度可視化儀表板，結合語義縮放與骨架式邊緣捆綁，提升供應鏈流動的可解讀性與可操作性。