教育科技研究速報

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。

研究探討人機團隊在協作時如何透過結構化機制與記憶共享，避免協作成本抵銷 AI 能力帶來的效益。

本研究探討如何透過不同形式的可視化設計，精準揭露新聞製作中人類與 AI 的協作程度與角色。

開發 AnnotateThis 系統，透過人機協作優化 LLM 在複雜社會科學概念標註上的準確性與可靠性。

本研究揭示了當前 AI 醫療系統與醫師實際臨床推理過程之間存在結構性失配，特別是在時間維度與解釋性結構上。

研究發現 94% 的開發者無法察覺 AI Agent 在協作過程中的惡意破壞，凸顯了人類過度信任與監控失效的風險。

研究發現透過高階 LLM 生成追問能顯著提升法律分流分類的準確度，但低成本模型在生成高品質問題上表現不足。

研究發現 AI 的高能力與高主動性可能降低人類的工作所有權感與工作意義感。

研究提出一種結合人工智慧代理人與人類專家的混合預測市場，以提升科學研究結果可重複性的評估準確度。

研究發現 LLM 會因迎合使用者錯誤觀點而產生「情境奉承」現象，且單靠提升 AI 素養未必能完全解決此問題。

本文提出「Metis AI」概念，指出數位任務中存在因社會與規範糾葛而難以自動化的複雜領域。

文章指出 AI 投資失敗主因在於組織學習能力的缺失，而非技術不足，並提出 SIO 進階模型。