教育科技研究速報

本研究揭示了 AI 安全與倫理領域中，人類研究因有效性認知、資源限制及學科偏見而面臨的採用障礙。

本研究分析了學術期刊中 AI 使用聲明，發現 AI 主要用於提升可讀性與語法檢查等低階認知任務。

本研究量化了群眾外包平台中 LLM 使用的盛行率，並探討了檢測與緩解其對數據有效性影響的方法。

本文提出 AICID 系統，旨在為 AI 科學家建立類似 ORCID 的唯一識別碼，以確保學術研究來源的透明度。

本文提出 APP 協定，旨在透過封裝程式碼、數據與 AI 代理指令，將科學出版從靜態論文轉向可互動的知識與操作經驗。

提出 Adaptive Matrix Validation (AMV) 方法，透過少量結構化問題校準 AI 將自然語言訪談轉化為結構化數據的誤差。

本文透過系統性文獻回顧，探討大型語言模型在問卷調查研究各階段的應用現況、潛在案例與風險。

研究發現 AI 代理在數據分析的方法設計上具備高度多樣性，但在最終結論的解釋階段極易受提示詞引導而產生偏見。

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。

研究發現結合理論與實務的平衡型提案，在提升研究產出與引用表現上最具優勢。

研究發現研究人員對 LLM 排行榜抱持「務實的懷疑」，雖不信任其可靠性，卻仍將其作為決策參考。

本文探討將「未竟科學」概念引入電腦科學領域，藉此識別被忽視、缺乏資金或被忽略的關鍵研究問題。