本研究旨在探討社群媒體的推薦演算法對使用者立場與同溫層現象的影響，並設計可量化的實驗平台驗證。本研究開發擬社群平台，整合正向與逆向推薦兩種演算法，正向為推送偏好相近的內容，逆向則相反。系統建立動態偏好更新模型與行為量化機制，即時記錄曝光次數、停留時間、點擊與按讚等數據，比較不同策略對立場與同溫層極化的影響。結果顯示，逆向推薦組極化程度變化（0.1043）高於正向組（0.0606），約1.7倍；平均閱讀時間正向組為15097毫秒，為逆向組8417毫秒的1.8倍。然而立場翻轉甚少，正向推薦組1人、逆向推薦組0人。實驗結果發現短期演算法干預難以改變立場，與Liu et al.（2025）的實驗結果相符。

基於臺灣人需要耗費大量心力與時間才能熟練使用英文，本研究探討鷹架式影像故事法對單字習得之影響。實驗證實，優化後的鷹架序列能有效調節工作記憶，使平均心智努力由 62.55 降至 56.00，教學效率值則從 -0.08 提升至 0.44，顯示撤除冗餘音檔並導入導引序列能優化學習路徑。相較於傳統組，鷹架組雖因「文字預熱、影像整合」的多層次加工使耗時較長（300.80秒 vs. 155.60秒），但質性回饋證實，先掌握定義能減輕情境整合時的檢索負擔。研究結論指出，鷹架導引雖增加時間成本，卻成功換取更低的心智負荷與高質量認知產出，為數位單字學習提供具深層加工價值的優化方案。

社群媒體充斥許多惡意的言論，而這些言論對人的身心是有害的。本研究目的在偵測惡意的言論，了解人們對於惡意言論的感受，並且透過 AI 對言論進行保留訊息的柔化。