本研究探讨了将生成式人工智能（AI）和多模态类比推理相结合，作为增强科学、技术、工程和数学（STEM）教育的创新方法。我们开发了一个新颖的系统，利用生成式 AI 的能力，将数学、物理和编程中复杂的原理转化为易于理解的隐喻。为了进一步增强学习体验，这些隐喻随后被转化为视觉形式。我们的研究旨在通过使用视觉隐喻来提高学习者对 STEM 概念的理解和学习参与度。通过随机的 A/B/C 测试，评估学习效果和学习者的动机变化，我们检验了我们的系统的效能。我们的研究证明了将大型语言模型应用于 STEM 学科教育实践的潜力。结果将为教育系统的设计提供利用人工智能的潜力来赋能教育相关方面的启示。

Aug, 2023

本研究提出了一种利用生成人工智能 (GenAI) 进行基于角色的模拟的工具的框架愿景，旨在促进需求分析过程中对多样化用户需求的表示，从而为人工智能软件的开发过程提供详细的用户叙述，以发展一种包容性的人工智能范式，确保未来的技术进步符合多样人类群体的需求。

Dec, 2023

近期生成人工智能在协作工作流程中的应用取得了重大进展，对团队绩效的影响仍未被充分探索。本研究通过一项随机对照实验，在 122 支团队的 435 名参与者中研究了生成人工智能在增强或取代传统团队动态中的作用。研究结果表明，在各种绩效指标上，增加生成人工智能的团队显著优于仅依赖人类协作的团队。有趣的是，采用多个人工智能的团队并未表现出进一步的增益，暗示了集成人工智能的效果递减。我们的分析表明，由少数团队成员进行集中使用的人工智能比分布式参与更为有效。此外，个体 - 人工智能配对的表现与传统团队相当，说明在某些情境下，传统团队结构的需求减少了。然而，尽管有这种能力，个体 - 人工智能配对的表现仍不及人工智能辅助团队的水平。这些发现强调，生成人工智能可以取代一些传统团队功能，但更全面地将人工智能整合到团队结构中可以提供更优越的效益，提升整体效能而不仅仅依赖个人努力。

May, 2024

提供一种加速学习方法来教授 AI，以便让学生更好地理解和利用 AI 在科学、技术、工程和数学等领域中的伦理用途和风险，并深入了解学生对 AI 的认知和其在社会和未来职业道路中的重要性。

May, 2024

本研究将人工智能与人类合作的问题重新定义为一种学习问题，提出团队学习策略可提高合作效果和质量，为设计更高效的人工智能合作系统提供了新的视角和框架，并就支持人们学习如何与生成型人工智能系统协作的进一步研究提出了问题和议程。

Jul, 2022

研究发现生成式 AI 技术有潜力改变科学家的实践方法、加速科学发现并提供科学教育，但是这也引起了对于技术责任的担忧。

Apr, 2023

这篇研究论文通过对比两个人工智能模型 Gemini 和 ChatGPT 的表现和互动，以协作性工具的角度，对将生成型人工智能（Gen AI）整合到学术写作过程中进行了批判性研究，通过促进研究人员参与设计能够引出特定人工智能回应以构建研究大纲的提示会话，突显了提示设计、输出分析以及认识到人工智能的局限性对于确保负责任和有效的人工智能整合于学术工作的重要性。初步发现表明，提示的变化对输出质量产生显著影响，并揭示了每个模型的不同能力和限制。该论文通过探索有效的提示策略和提供生成型人工智能模型比较分析，为人机交互领域做出了贡献，最终旨在增强辅助学术写作的人工智能，并引发人机交互社区内更深入的对话。

Apr, 2024

研究 AI 在编程马拉松中的影响，通过对爱荷华大学 2023 活动的案例研究分析了学生在技术选择方面的决定，并探讨了 AI 在编程马拉松中的角色、教育意义和未来整合方面的道路图。

Jan, 2024

通过讨论生成式人工智能和适应性学习概念的交叉研究，本文旨在阐明这两种方法的益处、挑战和潜力，并认为这种结合将为教育领域的下一阶段学习方式的发展做出显著贡献。

Feb, 2024

探索和研究 AI 驱动的自动闭环科学发现方法，包括自我驱动的假设生成和假设空间的无限自主探索。将自动化纳入科学实践将缓解当前问题，包括发现的复制、数据的系统化生产以及最终的科学过程民主化，具有开创性的视野将释放 AI 在我们的世界基本结构搜索和发现方面的潜力，好过自动化当前工作流程，并打开技术创新的大门，解决人类面临的最大挑战之一。

Jul, 2023