教育科技研究速報

研究發現網路使用頻率與收入及就業穩定性高度相關，顯示數位參與度是勞動力市場分層的重要指標。

本文探討 AI 訓練數據因包含過多生成內容而導致的「模型崩塌」現象，並從媒體考古學角度重新審視其美學意義。

本研究比較了四種 AI 代理架構在新聞任務中的表現，發現架構設計對準確度、速度與把關透明度有顯著影響。

本文提出「對抗性社會認識論」框架，用以分析並應對人類與 AI 互動中，利用信任機制進行資訊操弄的複雜現象。

本文透過代理人模擬研究，將信任視為集體資源，揭示錯誤資訊如何透過消耗社會信任與注意力資源導致系統崩潰。

本文透過分析近四千篇文獻，提出開源軟體（OSS）的十四種子類型分類，強調研究結果不應盲目推廣至所有開源模式。

研究分析了人類回饋如何優化 AI 生成的社群筆記，發現事實修正能提升筆記品質，但人類參與度仍是瓶頸。

本文將 LLM 審查視為社會技術現象，探討其從數據策劃到監管規制的生成機制與治理挑戰。

研究證實透過 30 分鐘的結構化訓練，能顯著提升專業人員辨識真實與 AI 生成圖像的準確度。

本文批判性地分析了美歐政策對生成式 AI 內容透明度的要求，並指出政策目標與技術現狀間的脫節。

提出 ToE 框架，透過動態擴展的論證樹與強化學習，提升 AI 在面對惡意誤導資訊時的事實查核能力。

開發一種結合知識圖譜、LLM 與網路搜尋代理的混合式架構，提升事實查核的可解釋性與準確度。