深度分析
生成式AI時代的語音深偽檢測：來源標籤、情緒啟動與人機協作影響
本研究以生態有效的實驗設計，探討人類在日常情境中辨識語音深偽（語音 deepfake）時的行為與判斷。透過一項局部定位任務，47 名參與者在三種信任線索（指示框架、情緒啟動、來源標籤）下標註真實、完全合成與部分合成語段，並對機械感、表現力、可懂度、清晰度、平靜度與判斷信心等尺度評分。
人機協作
互動模型
Thinking Machines 推出互動模型：以多模態感知強化人機協作
前 OpenAI 技術長 Mira Murati 所創辦的 Thinking Machines 提出一套以人為中心的 AI 願景：新型「互動模型」能透過鏡頭與麥克風直接理解連續、雜訊與非結構化的人類互動，掌握停頓、打斷與語氣變化，並即時調整回應。與目前以文本提示驅動、追求完全自動化的主流路線不同，這種設計強調人機協作、個人化與可控性。
深度分析
InventoryBench 實驗：結合運籌學、LLM與人機協作的存貨管控比較
存貨管控長期依賴運籌學演算法，但在需求變動與情境資訊不足時易失效。研究把OR、以大型語言模型（LLM）為主的代理人與人類判斷整合，透過InventoryBench測試OR→LLM、LLM→OR等策略與三種人機協作模式。結果顯示OR與LLM互補，OR→LLM表現最佳，人機團隊平均勝出。
深度分析
CentaurTA Studio：以 Actor–Critic 與提示優化實現可自我改良的人機協作主題分析
CentaurTA Studio 是一套針對主題分析（Thematic Analysis）設計的網頁化人機協作系統，核心把人工專家判斷與代理人（Actor–Critic）流程結合成閉環。
深度分析
Lean Atlas 與 Lean Compass：以 Lean4 自動剪枝縮減語意審核範圍
面對AI自動形式化的語意幻覺問題，本研究以Lean Atlas與Lean Compass將Lean4專案按型別分級並篩除不可影響語意的證明依賴，將人工審核候選大幅縮小，並提出aligned Lean code作為人機協作的品質標準，工具可跨數學、物理與密碼學領域使用。
CoMAP
CoMAP：以圖形化協作空間突破對話框限制，優化 PBL 教學設計流程
面對複雜的專題式學習（PBL）設計，純對話式 AI 往往缺乏持久的共享上下文。新研究提出的 CoMAP 系統透過圖形化視覺工作區與雙模態 AI 支援，讓教師能以非線性方式設計教學，顯著提升創意表達與迭代效率，將 AI 從工具轉化為真正的設計夥伴。