教育科技研究速報

研究證實透過知識圖譜儲存過往協作模式，能顯著提升機器人在新任務中的救援成功率與效率。

本研究旨在識別並評估商業環境中人機 AI 代理互動的設計原則、使用者體驗標準及其衡量方法。

開發 HANSEL 系統將 AI 代理的驗證過程從被動閱讀轉向互動式導航，提升驗證效率與準確性。

研究發現 LLM 語音日誌能顯著提升睡眠日誌的完成度與內容豐富度，但也面臨結構化數據精準度的挑戰。

本文提出「合成共鳴」概念，用以定義人類與 AI 之間無需擬人化即可產生的結構化互動關係。

研究發現 LLM 在模擬人類行為時存在「人格流形崩塌」現象，即過於豐富的人格描述反而會降低行為多樣性。

本文提出一個新框架，將 AI 的情感訊號視為人機協作中協調能力、不確定性與責任的關鍵控制層。

本研究透過多維度分析揭示了 LLM 擬人化行為的普遍性、適當性差異及其受系統提示控制的特性。

本研究透過布魯姆分類法評估六種 LLM 生成問題的認知層次，並提出提升高階思考問題產出率的策略。

研究提出一種讓 LLM 生成與使用者具有相似核心關切但背景不同的「內群體人格」，以提升人機互動的親密度與參與度。

研究發現讀者對 AI 生成與人類撰寫的新聞品質感知無異，且揭露 AI 使用能暫時提升閱讀興趣。

研究發現社交機器人透過「自我修正」錯誤，比依賴外部來源更能維持其專業度與信任感。