這項研究開發了一個聊天機器人，目的是早期識別青少年的抑鬱症狀，並解決精神科服務接觸率低的問題。研究分為兩個步驟： 1. **數據收集與分析**：對53名青少年進行標準化訪談，產生4,077對問答，訓練出一個準確率高達97%的模型，能有效區分有無抑鬱症的青少年。 2. **使用Chat GPT生成數據**：為增強數據集，研究利用Chat GPT生成額外語句，發現有效的提示工程具有挑戰性，但成功策略是平衡提示長度與示例數量。 總體來看，這項研究顯示分析青少年語言模式能有效識別抑鬱症狀，而Chat GPT則是創建合成數據的好工具。 PubMed DOI

這篇論文探討了一種新方法，透過檢索增強生成（RAG）框架來評估教師與學生的模擬教學。傳統方法需教師直接參與，增加工作負擔，限制學生獨立練習。研究使用開源工具，如FastChat和Whisper，搭配本地大型語言模型（LLM）分析教學音頻。評估了三個7B參數的開源中文LLM，結果顯示internlm2模型在分析教學音頻及提供反饋方面表現優異。研究還對10名參賽者的模擬教學進行系統分析，並由專家手動評分，驗證系統有效性，顯示先進語言技術在教育評估中的潛力。 PubMed DOI

這項研究探討如何利用大型語言模型（LLMs）為高中生提供個性化建議，以提升他們的福祉和學業表現。研究分析了12名學生的數據，包括Fitbit指標和學校表現，並針對每位學生生成建議。結果顯示，雖然建議通常清晰可行，但與學生個別數據的對應程度有所不同，顯示出改進空間。研究強調了LLMs在個性化支持的潛力，但也需進一步驗證和完善，未來應聚焦於介入研究及解決倫理和數據隱私問題。 PubMed DOI

這項研究探討大學生的微博發文與父母教養風格的關聯，指出負面教養可能引發焦慮和憂鬱等心理健康問題。研究分析了575名學生的超過111,000篇發文，透過頻率分析找出語言和情感表達的差異。他們開發的新方法在評估教養風格上表現優於現有的自然語言處理模型，顯著降低均方誤差（MSE）。這些發現有助於理解教養與學生表達的關係，並為醫療提供者提供工具，以識別有風險的學生並進行及時干預，改善心理健康並預防自殺。 PubMed DOI

這項研究分析了四種人工智慧大型語言模型（LLMs）對有學習障礙和沒有學習障礙學生的反饋、挫折感、同情心及未來失敗期望的評估。結果顯示，LLMs對有學習障礙的學生表現出較低的挫折感和較高的同情心，且對未來失敗的期望也低於實習教師。特別是ChatGPT4對兩組學生提供了更多正面反饋。整體而言，LLMs可能促進對有學習障礙學生的包容態度，但仍需調整以增強文化和情感的敏感性。 PubMed DOI

這個名為「困難感知程式知識追蹤」(DPKT)的模型，專注於文本理解和知識概念的困難，旨在提升學生程式知識的評估。它透過注意力機制動態更新學生的知識狀態，結合更新閘機制與圖形注意力網絡，提升困難評估的準確性。實驗結果顯示，DPKT在多種程式語言數據集上表現優異，顯示出在程式教育中支持個性化學習的潛力，為教育工作者提供了更好的工具來追蹤學生的程式概念掌握情況。 PubMed DOI

這份報告探討了使用大型語言模型（LLMs）進行教育情感分析的初步結果。我們分析了學生報告中的質性描述，以評估他們對學業表現的情感狀態和態度。情感分析揭示了學生參與度的重要見解，並指出需要改進的地方。研究顯示，LLMs能有效分析文本數據，提供比傳統方法更深入的情感理解，顯示出在改善教育評估和干預方面的潛力。 PubMed DOI

這份報告探討了將大型語言模型（LLMs）與可穿戴技術結合的初步成果，目的是提供個性化建議，提升學生的福祉與學業表現。我們分析了學生的數據，包括可穿戴設備的指標和學術報告的質性反饋，進行情感分析以評估情緒狀態。研究顯示，LLMs能有效分析文本數據，提供實用見解，幫助了解學生的參與度並找出改進空間，顯示出LLMs在教育上的潛力，能更深入理解學生需求。 PubMed DOI

BegoniaGPT 是專為國小到高中英語教學打造的 AI，聚焦英語知識和教學需求，並用專業資料集訓練。它能針對學生、老師、家長提供精準又有同理心的教學和情感支持，表現比 10 款主流 LLM 更優異，經自動和專家評估認證。 PubMed DOI

本研究開發了一套結合語音辨識、NLP文本分析和唇部動作偵測的即時英語口說學習系統，能針對發音和流暢度給予個人化回饋。系統準確率高達97.5%，明顯優於現有模型，並具備即時回饋和強大處理口音變異的能力，大幅提升英語口說學習的效果與個人化體驗。 PubMed DOI