深度分析
擴散模型注意力時序視覺化：結合 DAAM 與時間線提升人機協作
本研究提出視覺分析框架，逐步追蹤擴散模型跨注意力圖，結合熵指標與空間競爭視圖，揭示生成過程階段性變化，示範於 60 組結構化提示，證明可加速人與 AI 的協同探索。透過時間線、相位分段與 token 對比視窗，使用者能快速定位注意力集中與轉移時機，提升對生成影像的解釋能力。
人機協作
深度分析
HiLSVA：結合大型語言模型與多代理的人機協作科學視覺化系統
隨著大型語言模型在科學視覺化領域的應用日增，HiLSVA 以人機協作的混合主動式架構，結合計畫先行、多代理協調、步驟可追溯與測試時學習，讓使用者可在自然語言與直接操作間自由切換。實驗顯示，此模式提升任務完成率與流程透明度，同時在效率與監控間取得平衡。
深度分析
CollabSkill：貝氏技能評分框架揭示 AI 代理人與人類協作表現
隨著AI代理人改變工作方式，研究團隊推出CollabSkill框架，透過真實職場任務與人類配對，使用貝氏技能評分系統分離人與代理人的貢獻，結果顯示在協作環境下ClaudeCode超過Codex，且實務經驗是提升合作技能的關鍵，此結果提醒企業在設計AI輔助工具時，須考慮使用者熟練度與介面互動。
深度分析
生成式AI與元認知適應：個人創作提升與群體同質化的悖論分析
研究顯示，使用生成式AI文字創作時，個人作品創意與滿意度提升，但缺乏原創性評估、探索規劃與反思整合等元認知能力，導致群體作品同質化，形成個人增益卻集體損失的悖論，提醒設計者加強未受支持能力的支援。研究同時提出六項元認知能力的分類，指出四項被放大、兩項被忽視，若不調整工具設計，長期會削弱創意多樣性。
深度分析
來源標籤如何左右人類與 LLM 的邏輯謬誤偵測：CoCoLoFa 資料集實證
隨著AI生成內容普及，研究以CoCoLoFa資料集的邏輯謬誤評論測試不同來源標籤對判斷的影響。結果顯示，人類在標示為人類或人類+AI時更易接受謬誤，而大型語言模型對來源標籤影響較小，顯示人機協作可減少此類偏誤。本研究招募505名參與者，測量信任與評分。
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。
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。