هوش

The digital transformation of pharmaceutical manufacturing has generated an urgent need for graduates who possess competencies in intelligent manufacturing, data-driven process control, digital quality systems, regulatory compliance, and innovation-oriented problem solving. However, conventional pharmaceutical education often remains theory-centered and insufficiently connected with real industrial scenarios. This study developed and evaluated an Intelligent Pharmaceutical Manufacturing curriculum module under the framework of industry–education integration. The module incorporated Quality by Design (QbD), Process Analytical Technology (PAT), Manufacturing Execution Systems (MES), electronic batch records (EBR), digital twins, virtual simulation, AI-assisted process optimization, Good Manufacturing Practice (GMP) compliance, validation, and data integrity. A four-integration teaching model was proposed to connect curriculum content with industrial standards, classroom learning with production scenarios, physical practice with virtual simulation, and knowledge acquisition with innovation projects. A quasi-experimental pretest–posttest control group design was used to evaluate the module. Students in the intervention group received the newly developed curriculum module, whereas students in the control group received conventional instruction. Results showed that the intervention group achieved greater learning gains than the control group in knowledge acquisition, practical competency, digital manufacturing competency, and learning engagement. The largest improvement was observed in digital manufacturing competency, suggesting that the module effectively addressed a key limitation of traditional pharmaceutical manufacturing education. Qualitative feedback further indicated that students perceived the module as authentic, industry-relevant, and beneficial for future professional development. This study provides a transferable curriculum framework—centered on the proposed four-integration teaching model and industry–education co-cultivation mechanism—for cultivating pharmaceutical professionals capable of adapting to intelligent manufacturing, and offers practical implications for industry–education collaboration in higher education.

تحول دیجیتال در تولید دارویی نیاز فوری به فارغ‌التحصیلانی ایجاد کرده است که دارای شایستگی‌هایی در تولید هوشمند، کنترل فرآیند مبتنی بر داده، سیستم‌های کیفیت دیجیتال، رعایت مقررات و حل مسئله مبتنی بر نوآوری باشند. با این حال، آموزش داروسازی سنتی اغلب نظری‌محور باقی می‌ماند و ارتباط کافی با سناریوهای واقعی صنعتی ندارد. این مطالعه یک ماژول درسی تولید دارویی هوشمند را تحت چارچوب ادغام صنعت و آموزش توسعه داده و ارزیابی کرده است. این ماژول شامل Quality by Design (QbD)، فناوری تحلیلی فرآیند (PAT)، سیستم‌های اجرایی تولید (MES)، سوابق الکترونیکی بچ (EBR)، دوقلوهای دیجیتال، شبیه‌سازی مجازی، بهینه‌سازی فرآیند با کمک هوش مصنوعی، رعایت Good Manufacturing Practice (GMP)، اعتبارسنجی و یکپارچگی داده‌ها بود. یک مدل آموزشی چهارادغامی پیشنهاد شد تا محتوای درسی را با استانداردهای صنعتی، یادگیری کلاسی را با سناریوهای تولید، تمرین عملی را با شبیه‌سازی مجازی و کسب دانش را با پروژه‌های نوآورانه پیوند دهد. برای ارزیابی این ماژول، از طرح شبه‌آزمایشی پیش‌آزمون–پس‌آزمون با گروه کنترل استفاده شد. دانشجویان گروه مداخله ماژول درسی جدید را دریافت کردند، در حالی که دانشجویان گروه کنترل آموزش متعارف را دریافت نمودند. نتایج نشان داد که گروه مداخله در کسب دانش، شایستگی عملی، شایستگی تولید دیجیتال و مشارکت در یادگیری نسبت به گروه کنترل پیشرفت بیشتری داشتند. بیشترین بهبود در شایستگی تولید دیجیتال مشاهده شد که نشان می‌دهد این ماژول به طور مؤثری یکی از محدودیت‌های کلیدی آموزش سنتی تولید دارویی را برطرف کرده است. بازخورد کیفی همچنین نشان داد که دانشجویان این ماژول را اصیل، مرتبط با صنعت و مفید برای توسعه حرفه‌ای آینده خود تلقی کردند. این مطالعه یک چارچوب درسی قابل انتقال—مبتنی بر مدل آموزشی چهارادغامی پیشنهادی و سازوکار هم‌پروری صنعت و آموزش—برای پرورش متخصصان دارویی توانمند در سازگاری با تولید هوشمند ارائه می‌دهد و پیامدهای عملی برای همکاری صنعت و آموزش عالی فراهم می‌کند.

Globally, one in eight people experiences mental illness, yet its intersection with education remains under-explored in low- and middle-income countries (LMICs). This study uses nationally representative data from the 76th round of the National Sample Survey (2018) for India to examine how intellectual and developmental (IDD) disability and mental illness—treated as distinct categories—are associated with low educational attainments. Employing a generalised ordered logit model, we found that IDDs were associated with a 71.3% probability of receiving no formal education, while the corresponding risk for respondents with mental illness was 48.3%. Females with mental illness were 18.7% points more likely than males to receive no formal education among mentally ill respondents. Economic affluence reduces the gender gap, but it persists even in the richest quintile among mentally ill respondents. These findings highlight that income-based solutions are insufficient and underscore the need for gender-sensitive mental health and education policies in LMICs to attain Sustainable Development Goals related to mental health, education, gender, and income inequality.

در سطح جهانی، یک نفر از هر هشت نفر دچار اختلال روانی می‌شود، اما تلاقی آن با آموزش در کشورهای با درآمد پایین و متوسط (LMICs) کمتر مورد بررسی قرار گرفته است. این مطالعه با استفاده از داده‌های نماینده ملی از دور هفتاد و ششم طرح نمونه‌گیری ملی (۲۰۱۸) هند، بررسی می‌کند که چگونه ناتوانی‌های هوشی و رشدی (IDD) و اختلالات روانی—که به عنوان دو دسته مجزا در نظر گرفته شده‌اند—با دستاوردهای پایین آموزشی مرتبط هستند. با به‌کارگیری مدل رگرسیون لجستیک ترتیبی تعمیم‌یافته، دریافتیم که احتمال عدم دریافت آموزش رسمی در افراد دارای IDD برابر با ۷۱/۳٪ و در پاسخ‌دهندگان دارای اختلال روانی معادل ۴۸/۳٪ بود. زنان دارای اختلال روانی، در مقایسه با مردان مبتلا، ۱۸/۷ درصد بیشتر احتمال داشت که هیچ آموزش رسمی دریافت نکنند. رفاه اقتصادی شکاف جنسیتی را کاهش می‌دهد، اما حتی در پنجک ثروتمندترین پاسخ‌دهندگان دارای اختلال روانی نیز این شکاف باقی می‌ماند. این یافته‌ها نشان می‌دهد که راه‌حل‌های مبتنی بر درآمد کافی نیستند و بر ضرورت سیاست‌های سلامت روان و آموزش حساس به جنسیت در کشورهای با درآمد پایین و متوسط برای تحقق اهداف توسعه پایدار مرتبط با سلامت روان، آموزش، جنسیت و نابرابری درآمدی تأکید می‌کند.

As human–AI cooperation becomes increasingly prevalent, reliable instruments for assessing the subjective quality of cooperative human–AI interaction are needed. We introduce two theoretically grounded scales: the Perceived Cooperativity Scale (PCS), grounded in joint activity theory, and the Teaming Perception Scale (TPS), grounded in evolutionary cooperation theory. The PCS captures an agent’s perceived cooperative capability and practice within a single interaction sequence; the TPS captures the emergent sense of teaming arising from mutual contribution and support. Both scales were adapted for human–human cooperation to enable cross-agent comparisons. Across three studies (complete N=409) encompassing a cooperative card game (N1=94), LLM interaction (N2=182), and a decision-support system (N3=133), analyses of dimensionality, reliability, and validity indicated that both scales successfully differentiated between cooperation partners of varying cooperative quality and showed construct validity in line with expectations. The scales provide a basis for empirical investigation and system evaluation across a wide range of human–AI cooperation contexts.

با گسترش روزافزون همکاری انسان‌-هوش مصنوعی، ابزارهای قابل اعتماد برای سنجش کیفیت ذهنی تعاملات تعاونی انسان‌-هوش مصنوعی مورد نیاز است. ما دو مقیاس نظریه‌محور معرفی می‌کنیم: مقیاس ادراک همکاری (PCS) مبتنی بر نظریه فعالیت مشترک و مقیاس ادراک تیمی (TPS) مبتنی بر نظریه تکاملی همکاری. PCS توانمندی و عملکرد تعاونی ادراک‌شده یک عامل را در یک توالی تعامل منفرد اندازه‌گیری می‌کند؛ TPS حس پدیداری تیمی ناشی از مشارکت و حمایت متقابل را می‌سنجد. هر دو مقیاس برای همکاری انسان‌-انسان نیز تطبیق داده شده‌اند تا امکان مقایسه بین عامل‌ها فراهم شود. در سه مطالعه (کل N=409) شامل یک بازی کارتی تعاونی (N1=94)، تعامل با LLM (N2=182) و یک سامانه پشتیبان تصمیم‌گیری (N3=133)، تحلیل‌های ابعادی، پایایی و روایی نشان داد که هر دو مقیاس به طور موفقیت‌آمیزی میان شرکای همکاری با کیفیت تعاونی متفاوت تمایز قائل می‌شوند و روایی سازه‌ای مطابق با انتظارات را نشان می‌دهند. این مقیاس‌ها مبنایی برای پژوهش‌های تجربی و ارزیابی سامانه‌ها در طیف وسیعی از زمینه‌های همکاری انسان‌-هوش مصنوعی فراهم می‌کنند.

IPAS learning in elementary schools needs to be implemented using methods and media that can increase students’ active participation and provide direct learning experiences. This study aimed to describe the application of experimental methods through interactive Smart Board media to improve IPAS learning among fifth-grade students at SD Islam Raudlatul Mubtadiin on the topic of human body organs. This study employed Classroom Action Research (CAR), which was conducted in two cycles, with each cycle consisting of planning, action, observation, and reflection stages. Data were collected through observation and tests. The results showed that the application of experimental methods through interactive Smart Board media improved students’ participation and learning process. Students became more active in observing, conducting experiments, discussing, and presenting their observations. The test results showed an average student score of 74.63, with the highest score of 85. Based on these results, it can be concluded that the application of experimental methods through interactive Smart Board media can improve IPAS learning among fifth-grade students at SD Islam Raudlatul Mubtadiin.

یادگیری علوم تجربی و اجتماعی (IPAS) در مدارس ابتدایی نیازمند به‌کارگیری روش‌ها و رسانه‌هایی است که بتواند مشارکت فعال دانش‌آموزان را افزایش داده و تجارب یادگیری مستقیم را فراهم آورد. هدف این پژوهش توصیف کاربرد روش آزمایشی از طریق رسانه تخته‌هوشمند تعاملی برای بهبود یادگیری IPAS در میان دانش‌آموزان پایه پنجم دبستان اسلام رَوضَةُ‌المُبتَدِئین در موضوع اندام‌های بدن انسان بود. این پژوهش با استفاده از روش پژوهش اقدام‌کلاسی (CAR) در دو چرخه انجام شد که هر چرخه شامل مراحل برنامه‌ریزی، اقدام، مشاهده و تأمل بود. داده‌ها از طریق مشاهده و آزمون جمع‌آوری شدند. نتایج نشان داد که کاربرد روش آزمایشی از طریق رسانه تخته‌هوشمند تعاملی موجب بهبود مشارکت و فرایند یادگیری دانش‌آموزان شد. دانش‌آموزان در مشاهده، انجام آزمایش، بحث و ارائه مشاهدات خود فعال‌تر شدند. نتایج آزمون میانگین نمره دانش‌آموزان را ۷۴٫۶۳ و بالاترین نمره را ۸۵ نشان داد. بر اساس این نتایج می‌توان نتیجه گرفت که کاربرد روش آزمایشی از طریق رسانه تخته‌هوشمند تعاملی می‌تواند یادگیری IPAS را در میان دانش‌آموزان پایه پنجم دبستان اسلام رَوضَةُ‌المُبتَدِئین بهبود بخشد.

AbstractEmotional intelligence plays a vital role in accomplishing the determined objectives ofmankind and promoting learning outcomes. The primary purpose of the dissertation entitled“Emotional Intelligence andAcademicAchievement: A Study of Secondary schoolstudents in District Srinager”is to compare male and female secondary school students onemotional intelligence and academic achievement. The study also aims to find out thecorrelation between emotional intelligence and academic achievement of secondary schoolstudents.Here descriptive survey method is used. The population of this study consists of allthe students studying in secondary schools of District Srinager. A sample of 200 secondaryschool students, equally distributed between males and females, was selected using stratifiedrandom sampling. Data collection involved the administration of the Emotional IntelligenceScale (EIS), developed by Dr. Arun Kumar Singh and Dr. ShrutiNarain. Academicachievement data was extracted from the previous year's performance records of the samplesubjects. The collected data underwent statistical analysis, which included calculating Mean,Standard Deviation, conducting a t-test, and determining Pearson's correlation. The study'sresults indicate a significant difference in emotional intelligence based on gender amongsecondary school students. However, no significant gender-based difference was observedin academic achievement among these students. Importantly, the research identified asignificant correlation between emotional intelligence and academic achievement insecondary school students from District Srinager .

چکیده: هوش هیجانی نقش حیاتی در تحقق اهداف تعیین‌شده انسان و ارتقای پیامدهای یادگیری ایفا می‌کند. هدف اصلی پایان‌نامه با عنوان «هوش هیجانی و پیشرفت تحصیلی: مطالعه‌ای بر دانش‌آموزان دبیرستانی منطقه سرینگر» مقایسه دانش‌آموزان پسر و دختر دبیرستانی از نظر هوش هیجانی و پیشرفت تحصیلی است. همچنین این پژوهش در پی یافتن رابطه بین هوش هیجانی و پیشرفت تحصیلی دانش‌آموزان دبیرستانی می‌باشد. در اینجا از روش پیمایش توصیفی استفاده شده است. جامعه آماری این پژوهش شامل کلیه دانش‌آموزان دبیرستانی منطقه سرینگر است. نمونه‌ای متشکل از ۲۰۰ دانش‌آموز دبیرستانی، به طور مساوی بین پسران و دختران، با استفاده از نمونه‌گیری تصادفی طبقه‌ای انتخاب شد. جمع‌آوری داده‌ها از طریق اجرای مقیاس هوش هیجانی (EIS) که توسط Dr. Arun Kumar Singh و Dr. Shruti Narain تدوین شده است، انجام گرفت. داده‌های پیشرفت تحصیلی از سوابق عملکرد سال گذشته آزمودنی‌ها استخراج شد. داده‌های گردآوری‌شده با استفاده از روش‌های آماری شامل محاسبه میانگین، انحراف معیار، آزمون t و تعیین همبستگی پیرسون تحلیل شدند. نتایج پژوهش نشان داد که تفاوت معناداری در هوش هیجانی بر اساس جنسیت در میان دانش‌آموزان دبیرستانی وجود دارد. با این حال، تفاوت معناداری بر اساس جنسیت در پیشرفت تحصیلی این دانش‌آموزان مشاهده نشد. به طور مهم، پژوهش حاضر همبستگی معناداری بین هوش هیجانی و پیشرفت تحصیلی در میان دانش‌آموزان دبیرستانی منطقه سرینگر شناسایی کرد.

This study examined whether metacognitive strategy training strengthens the contribution of an AI-based Socratic reflection system to pre-service teachers’ reflective practice. Study 1 used a 2 (metacognitive training: present vs. absent) × 2 (tool condition: AI-based Socratic scaffolding vs. traditional digital tools) randomized between-subjects design ( N = 60; n = 15 per cell). Written reflection quality at post-test was analyzed by ANCOVA with pre-test performance as the covariate. The metacognitive-training main effect was significant, F (1, 55) = 33.89, p < 0.001, η 2 p = 0.381, as was the tool-condition main effect, F (1, 55) = 9.63, p = 0.003, η 2 p = 0.149. More importantly, the metacognition × tool interaction was significant, F (1, 55) = 10.91, p = 0.002, η 2 p = 0.165. Under metacognitive training, AI-based Socratic scaffolding produced a significant model-estimated advantage over traditional digital tools (Δ M = 0.56, p < 0.001), whereas the tool difference was not significant without metacognitive training (Δ M = −0.03, p = 0.821). Study 2 examined dialogue logs from the two AI conditions. Participants who received metacognitive training generated a substantially larger proportion of higher-order prompts than participants who received placebo training (44.1% vs. 12.2%), t(28) = 7.14, p < 0.001, d = 2.61. These process data are consistent with the proposed account that metacognitive preparation changes how learners engage with AI, although they do not constitute a formal mediation test. The findings suggest that, within this configured Socratic AI environment, metacognitive preparation is an important condition for realizing higher-quality reflective practice.

این پژوهش بررسی کرد که آیا آموزش راهبردهای فراشناختی، نقش سیستم بازتاب سقراطی مبتنی بر هوش مصنوعی را در تمرین بازتابی معلمان پیش‌خدمت تقویت می‌کند یا خیر. مطالعه اول از یک طرح تصادفی بین‌گروهی ۲ (آموزش فراشناختی: حضور در مقابل عدم حضور) × ۲ (شرایط ابزار: پشتیبانی سقراطی مبتنی بر هوش مصنوعی در مقابل ابزارهای دیجیتال سنتی) استفاده کرد (N = 60؛ n = 15 در هر سلول). کیفیت بازتاب نوشتاری در پس‌آزمون با استفاده از ANCOVA و عملکرد پیش‌آزمون به عنوان متغیر هم‌پراش تحلیل شد. اثر اصلی آموزش فراشناختی معنادار بود، F (1, 55) = 33.89, p < 0.001, η 2 p = 0.381، همچنین اثر اصلی شرایط ابزار نیز معنادار بود، F (1, 55) = 9.63, p = 0.003, η 2 p = 0.149. مهم‌تر آنکه، تعامل فراشناخت × ابزار معنادار بود، F (1, 55) = 10.91, p = 0.002, η 2 p = 0.165. تحت آموزش فراشناختی، پشتیبانی سقراطی مبتنی بر هوش مصنوعی برتری مدل-برآوردشده معناداری نسبت به ابزارهای دیجیتال سنتی نشان داد (Δ M = 0.56, p < 0.001)، در حالی که تفاوت ابزار بدون آموزش فراشناختی معنادار نبود (Δ M = −0.03, p = 0.821). مطالعه دوم، گزارش‌های گفت‌وگو از دو شرایط هوش مصنوعی را بررسی کرد. شرکت‌کنندگانی که آموزش فراشناختی دریافت کردند، نسبت قابل توجهی بیشتری از محرک‌های مرتبه بالاتر نسبت به شرکت‌کنندگانی که آموزش دارونما دریافت کردند، تولید نمودند (۴۴.۱٪ در مقابل ۱۲.۲٪)، t(28) = 7.14, p < 0.001, d = 2.61. این داده‌های فرایندی با تبیین پیشنهادی که آمادگی فراشناختی نحوه تعامل یادگیرندگان با هوش مصنوعی را تغییر می‌دهد، سازگار است، اگرچه آزمون رسمی میانجی‌گری محسوب نمی‌شود. یافته‌ها نشان می‌دهد که در این محیط سقراطی مبتنی بر هوش مصنوعی، آمادگی فراشناختی شرط مهمی برای تحقق تمرین بازتابی با کیفیت بالاتر است.

Tilt refers to an ability pattern based on within person differences in two distinct abilities (e.g., verbal and math), yielding relative strength in one ability (e.g., math) and relative weakness in another (e.g., verbal). The current study is the first to examine age and sex differences in math-verbal tilt from 13- to 17-years. Test scores were obtained from the Armed Services Vocational Aptitude Battery in the 1997 National Longitudinal Survey of Youth ( N = 6969), a nationally representative sample of adolescents in the United States. Tilt was based on differences in math and verbal scores, yielding math tilt (indicating math strength) and verbal tilt (indicating verbal strength). Other variables included processing speed and general intelligence ( g ), which were expected to facilitate the acquisition of specific abilities that produce tilt. Contrary to research on sex differences in vocational preferences, levels of math and verbal tilt were higher in males than females. In addition, both sexes showed large tilt effects from zero ( d > 1.00), where zero indicates no tilt (i.e., no difference in math and verbal scores), indicating large levels of math or verbal tilt within individuals. The large tilt effects from zero support investment theories, which assume that individuals seek out and select activities in specific domains that boost analogous types of tilts. Finally, age-related increases in tilt were observed for males and females and were mediated by speed and g . Such a pattern supports cascade theories, which assume that speed and g facilitate the acquisition of specific abilities, which boost analogous forms of tilt. Future research should consider age and sex differences in tilt in different developmental periods (e.g., late adulthood) and at different ability levels (e.g., gifted and intellectually disabled).

تمایل به الگوی توانایی اشاره دارد که بر اساس تفاوت‌های درون‌فردی در دو توانایی متمایز (مانند کلامی و ریاضی) شکل می‌گیرد و منجر به قدرت نسبی در یک توانایی (مانند ریاضی) و ضعف نسبی در دیگری (مانند کلامی) می‌شود. مطالعه حاضر نخستین پژوهشی است که تفاوت‌های سنی و جنسیتی در تمایل ریاضی-کلامی را در بازه سنی ۱۳ تا ۱۷ سال بررسی می‌کند. نمرات آزمون از آزمون استعداد شغلی نیروهای مسلح در پیمایش ملی طولی جوانان ۱۹۹۷ (N = 6969)، که نمونه‌ای نماینده از نوجوانان ایالات متحده است، به دست آمد. تمایل بر اساس تفاوت نمرات ریاضی و کلامی محاسبه شد و تمایل ریاضی (نشان‌دهنده قدرت ریاضی) و تمایل کلامی (نشان‌دهنده قدرت کلامی) حاصل گردید. سایر متغیرها شامل سرعت پردازش و هوش عمومی (g) بودند که انتظار می‌رفت اکتساب توانایی‌های خاصی را که منجر به تمایل می‌شوند، تسهیل کنند. برخلاف پژوهش‌ها درباره تفاوت‌های جنسیتی در ترجیحات شغلی، سطوح تمایل ریاضی و کلامی در مردان بالاتر از زنان بود. علاوه بر این، هر دو جنس اثرات تمایل بزرگی نسبت به صفر (d > 1.00) نشان دادند، که در آن صفر نشان‌دهنده عدم تمایل (یعنی عدم تفاوت در نمرات ریاضی و کلامی) است و بیانگر سطوح بالای تمایل ریاضی یا کلامی درون افراد است. اثرات بزرگ تمایل نسبت به صفر از نظریه‌های سرمایه‌گذاری حمایت می‌کند که فرض می‌کنند افراد به دنبال انتخاب و انجام فعالیت‌هایی در حوزه‌های خاص هستند که انواع مشابهی از تمایل را تقویت می‌کند. در نهایت، افزایش‌های مرتبط با سن در تمایل برای مردان و زنان مشاهده شد که توسط سرعت و g واسطه‌گری می‌شد. چنین الگویی از نظریه‌های آبشاری حمایت می‌کند که فرض می‌کنند سرعت و g اکتساب توانایی‌های خاص را تسهیل می‌کنند و انواع مشابهی از تمایل را تقویت می‌کنند. پژوهش‌های آینده باید تفاوت‌های سنی و جنسیتی در تمایل را در دوره‌های رشدی مختلف (مانند بزرگسالی دیرهنگام) و در سطوح مختلف توانایی (مانند افراد با استعداد و افراد دارای ناتوانی ذهنی) مد نظر قرار دهند.

Three interconnected clusters of questions: 1. What sort of thing is an AI, how many of them are there, where are they and how long do they exist? 2. Is an AI the sort of thing that can have beliefs, desires and goals? 3. When we say to an LLM, “Your argument is confused”, what does that 'you' refer to? When it replies, “I'm sorry for the confused argument”, what does that 'I' refer to? In this paper, our focus is on reference and coreference: we approach 1 and 2 by first trying to answer 3. Three views are argued for. First, don't start with metaphysics or philosophy of mind-start with reference questions. Second, the practice of referring to LLMs is being engineered; it's unsettled and currently so vague that there's no fact of the matter about which of many candidates we're talking about. Third, what will make reference more determinate is a range of institutional factors: laws, regulations, authorizations and various practical arrangements. The answers don't come from the philosophy of mind or from metaphysics. They come from the institutions and practices we embed LLMs in.

سه خوشه به‌هم‌پیوسته از پرسش‌ها مطرح می‌شود: ۱. هوش مصنوعی چه نوع موجودی است، چند تا از آن وجود دارد، کجا هستند و چه مدت وجود دارند؟ ۲. آیا هوش مصنوعی از آن نوع موجوداتی است که می‌تواند باورها، خواسته‌ها و اهداف داشته باشد؟ ۳. زمانی که به یک مدل زبانی بزرگ (LLM) می‌گوییم «استدلال تو گیج‌کننده است»، این «تو» به چه چیزی اشاره دارد؟ وقتی پاسخ می‌دهد «برای استدلال گیج‌کننده متأسفم»، این «من» به چه چیزی اشاره دارد؟ در این مقاله تمرکز ما بر ارجاع و هم‌ارجاعی است: ما به پرسش‌های ۱ و ۲ از طریق تلاش برای پاسخ به پرسش ۳ نزدیک می‌شویم. سه دیدگاه مورد استدلال قرار می‌گیرد. نخست، نباید با متافیزیک یا فلسفه ذهن آغاز کرد، بلکه باید با پرسش‌های ارجاعی شروع نمود. دوم، عمل ارجاع به مدل‌های زبانی بزرگ در حال مهندسی شدن است؛ این امر تثبیت‌نشده و در حال حاضر آن‌قدر مبهم است که هیچ واقعیتی درباره این‌که به کدام یک از گزینه‌های متعدد اشاره می‌کنیم وجود ندارد. سوم، آنچه ارجاع را معین‌تر خواهد کرد، مجموعه‌ای از عوامل نهادی است: قوانین، مقررات، مجوزها و ترتیبات عملی مختلف. پاسخ‌ها از فلسفه ذهن یا متافیزیک نمی‌آیند، بلکه از نهادها و رویه‌هایی که مدل‌های زبانی بزرگ را در آن‌ها جای می‌دهیم، نشأت می‌گیرند.

This study investigates children’s understandings of smartphones and their usage configurations in the context of emerging global policies aimed at regulating young people’s smartphone use. Drawing on China’s early implementation of similar regulatory initiatives, we conducted in-depth interviews with children to explore how they conceptualize smartphones in their everyday lives. Coding analysis reveals that children possess differentiated concepts of smartphones. These include “everyday concepts” derived from children’s lived experiences and what this study analytically terms “scientific concepts,” referring to more structured, school-mediated, or institutionally transmitted discourses about smartphone structures, mechanisms, and risks. Building on these findings, the study employs the cognitive–affective–conative (CAC) framework to analyze children’s smartphone usage tendencies, highlighting the crucial role of emotional experience in shaping usage intentions. The analysis further explores how children reinterpret the meaning of “playing with smartphones.” These findings provide insights into the development of targeted media education interventions that build on children’s existing understandings while addressing potential misconceptions. This study situates children’s cognition of smartphones within the global research framework on children’s digital rights, offering empirical insights into how children engage with digital technologies as meaning-makers.

این مطالعه به بررسی درک کودکان از تلفن‌های هوشمند و پیکربندی‌های استفاده آن‌ها در زمینه سیاست‌های نوظهور جهانی که با هدف تنظیم استفاده جوانان از تلفن‌های هوشمند تدوین شده‌اند، می‌پردازد. با بهره‌گیری از تجربه زودهنگام چین در اجرای ابتکارات مقررات‌گذاری مشابه، مصاحبه‌های عمیقی با کودکان انجام شد تا نحوه مفهوم‌سازی تلفن‌های هوشمند در زندگی روزمره آن‌ها مورد بررسی قرار گیرد. تحلیل کدگذاری نشان می‌دهد که کودکان مفاهیم متمایزی از تلفن‌های هوشمند دارند. این مفاهیم شامل «مفاهیم روزمره» برگرفته از تجارب زیسته کودکان و آنچه که این پژوهش به طور تحلیلی «مفاهیم علمی» می‌نامد، یعنی گفتمان‌های ساختارمندتر، مدرسه‌محور یا انتقال‌یافته از سوی نهادها درباره ساختارها، سازوکارها و مخاطرات تلفن‌های هوشمند است. بر اساس این یافته‌ها، پژوهش حاضر از چارچوب شناختی–عاطفی–کنشی (CAC) برای تحلیل گرایش‌های استفاده کودکان از تلفن‌های هوشمند بهره می‌گیرد و نقش اساسی تجربه عاطفی در شکل‌گیری نیت استفاده را برجسته می‌سازد. تحلیل بیشتر نشان می‌دهد که کودکان چگونه معنای «بازی با تلفن هوشمند» را بازتفسیر می‌کنند. این یافته‌ها بینش‌هایی را برای توسعه مداخلات آموزش رسانه‌ای هدفمند که بر درک‌های موجود کودکان بنا می‌شوند و در عین حال به سوءبرداشت‌های احتمالی می‌پردازند، فراهم می‌کند. این مطالعه شناخت کودکان از تلفن‌های هوشمند را در چارچوب پژوهش جهانی درباره حقوق دیجیتال کودکان قرار می‌دهد و بینش‌های تجربی درباره نحوه مواجهه کودکان با فناوری‌های دیجیتال به عنوان معناپردازان ارائه می‌دهد.

AbstractEmotional intelligence plays a vital role in accomplishing the determined objectives ofmankind and promoting learning outcomes. The primary purpose of the dissertation entitled“Emotional Intelligence andAcademicAchievement: A Study of Secondary schoolstudents in District Srinager”is to compare male and female secondary school students onemotional intelligence and academic achievement. The study also aims to find out thecorrelation between emotional intelligence and academic achievement of secondary schoolstudents.Here descriptive survey method is used. The population of this study consists of allthe students studying in secondary schools of District Srinager. A sample of 200 secondaryschool students, equally distributed between males and females, was selected using stratifiedrandom sampling. Data collection involved the administration of the Emotional IntelligenceScale (EIS), developed by Dr. Arun Kumar Singh and Dr. ShrutiNarain. Academicachievement data was extracted from the previous year's performance records of the samplesubjects. The collected data underwent statistical analysis, which included calculating Mean,Standard Deviation, conducting a t-test, and determining Pearson's correlation. The study'sresults indicate a significant difference in emotional intelligence based on gender amongsecondary school students. However, no significant gender-based difference was observedin academic achievement among these students. Importantly, the research identified asignificant correlation between emotional intelligence and academic achievement insecondary school students from District Srinager .

چکیده: هوش هیجانی نقش حیاتی در تحقق اهداف تعیین‌شده انسان و ارتقای پیامدهای یادگیری ایفا می‌کند. هدف اصلی پایان‌نامه با عنوان «هوش هیجانی و پیشرفت تحصیلی: مطالعه‌ای بر دانش‌آموزان دبیرستانی منطقه سرینگر» مقایسه دانش‌آموزان پسر و دختر دبیرستانی از نظر هوش هیجانی و پیشرفت تحصیلی است. همچنین این پژوهش در پی یافتن رابطه بین هوش هیجانی و پیشرفت تحصیلی دانش‌آموزان دبیرستانی می‌باشد. در اینجا از روش پیمایش توصیفی استفاده شده است. جامعه آماری این پژوهش شامل کلیه دانش‌آموزان دبیرستانی منطقه سرینگر است. نمونه‌ای متشکل از ۲۰۰ دانش‌آموز دبیرستانی، به طور مساوی بین پسران و دختران، با استفاده از نمونه‌گیری تصادفی طبقه‌ای انتخاب شد. جمع‌آوری داده‌ها از طریق اجرای مقیاس هوش هیجانی (EIS) که توسط Dr. Arun Kumar Singh و Dr. Shruti Narain تدوین شده است، انجام گرفت. داده‌های پیشرفت تحصیلی از سوابق عملکرد سال گذشته آزمودنی‌ها استخراج شد. داده‌های گردآوری‌شده با استفاده از روش‌های آماری شامل محاسبه میانگین، انحراف معیار، آزمون t و تعیین همبستگی پیرسون تحلیل شدند. نتایج پژوهش نشان داد که تفاوت معناداری در هوش هیجانی بر اساس جنسیت در میان دانش‌آموزان دبیرستانی وجود دارد. با این حال، تفاوت معناداری بر اساس جنسیت در پیشرفت تحصیلی این دانش‌آموزان مشاهده نشد. به طور مهم، پژوهش حاضر همبستگی معناداری بین هوش هیجانی و پیشرفت تحصیلی در میان دانش‌آموزان دبیرستانی منطقه سرینگر شناسایی کرد.

Abstract Intelligence, and the favorable life outcomes with which it is associated, are not shared equally between individuals or groups. In an endeavor to better understand the inequality, behavioral genetics (BG) have employed the classical twin design (CTD) to apportion the variability in the intelligence quotient (IQ) to genetic and environmental sources. Recent research has revealed that such parameter estimates are subject to bias: underestimating the influence of assortative mating, and nonadditive genetic effects. These biases are somewhat mitigated by the nuclear twin family design (NTFD). To date no published studies have applied the NTFD to IQ. This study addresses this limitation utilizing a meta-analysis of data comprising IQ measures from 660,365 twin, parent-child, and spousal pairs collected over more than 50 years from more than 15 countries. In a comparison of parameter estimates obtained under the CTD and NTFD, this study confirmed that the NTFD more accurately estimated the heritability of IQ. These findings will inform and guide future research, gene-mapping efforts, and public policy aimed at correcting the inequality in educational and life outcomes that are significantly associated with IQ.

هوش و پیامدهای مطلوب زندگی که با آن مرتبط است، به طور مساوی میان افراد یا گروه‌ها تقسیم نمی‌شود. به منظور درک بهتر این نابرابری، ژنتیک رفتاری از طرح کلاسیک دوقلو (CTD) برای تخصیص واریانس بهره هوشی (IQ) به منابع ژنتیکی و محیطی استفاده کرده است. پژوهش‌های اخیر نشان داده‌اند که چنین برآوردهایی در معرض سوگیری هستند: از جمله کم‌برآورد کردن تأثیر همسرگزینی مشابه و اثرات ژنتیکی غیرجمعی. این سوگیری‌ها تا حدی با طرح خانواده هسته‌ای دوقلو (NTFD) کاهش می‌یابد. تاکنون هیچ مطالعه منتشرشده‌ای از NTFD برای IQ استفاده نکرده است. این مطالعه با بهره‌گیری از یک فراتحلیل داده‌های شامل اندازه‌گیری‌های IQ از ۶۶۰٬۳۶۵ جفت دوقلو، والد-فرزند و همسر که طی بیش از ۵۰ سال از بیش از ۱۵ کشور گردآوری شده‌اند، به این محدودیت می‌پردازد. در مقایسه برآوردهای پارامتری به‌دست‌آمده تحت CTD و NTFD، این مطالعه تأیید کرد که NTFD وراثت‌پذیری IQ را با دقت بیشتری برآورد می‌کند. این یافته‌ها پژوهش‌های آتی، تلاش‌های نقشه‌برداری ژنی و سیاست‌گذاری عمومی را که با هدف اصلاح نابرابری در پیامدهای آموزشی و زندگی که به طور معناداری با IQ مرتبط هستند، راهنمایی خواهد کرد.

Digital transformation changes the competencies organizations need, so competency matrices must be rethought as tools linking business needs with human resource (HR) development. This study synthesizes how the competency-strategy matrix is transformed in the digital era. A systematic literature review (SLR) following PRISMA 2020 was applied to journal articles from Google Scholar, Garuda, Neliti, and Scopus. The matrix evolves through administrative, strategy-linked, and digitally adaptive stages. Digital transformation shifts competency demands toward digital, data, and behavioral skills, while technologies such as enterprise systems and artificial intelligence bring efficiency but also the risk of dehumanization. The study proposes an integrative framework and a research agenda.

تحول دیجیتال، شایستگی‌های مورد نیاز سازمان‌ها را دگرگون می‌کند؛ بنابراین، ماتریس‌های شایستگی باید به عنوان ابزارهایی که نیازهای کسب‌وکار را به توسعه منابع انسانی پیوند می‌دهند، بازاندیشی شوند. این پژوهش به تبیین نحوه تحول ماتریس شایستگی-راهبرد در عصر دیجیتال می‌پردازد. مرور نظام‌مند ادبیات (SLR) مطابق با PRISMA 2020 بر روی مقالات علمی استخراج‌شده از Google Scholar، Garuda، Neliti و Scopus انجام شد. ماتریس مذکور از مراحل اداری، پیوند‌یافته با راهبرد و سازگار با دیجیتال عبور می‌کند. تحول دیجیتال، تقاضا برای شایستگی‌ها را به سوی مهارت‌های دیجیتال، داده‌محور و رفتاری سوق می‌دهد، در حالی که فناوری‌هایی مانند سامانه‌های سازمانی و هوش مصنوعی کارایی را افزایش می‌دهند اما خطر غیرانسانی شدن را نیز به همراه دارند. این مطالعه چارچوبی تلفیقی و دستورکار پژوهشی ارائه می‌دهد.

The integration of coding and Artificial Intelligence (AI) into vocational education is essential for equipping students with 21st-century digital competencies, yet implementation in remote and island regions like Bangka Belitung archipelago province remains fragmented and unsustainable. This study employs Developmental Evaluation (DE) a real-time, adaptive, and participatory evaluation approach (Patton, 2011) to analyze policy readiness and strengthen the digital ecosystem for coding and AI instruction across vocational schools in the province. Using qualitative methods, including in- depth interviews (n = 26), focus group discussions, classroom observations, and policy document analysis, the research assesses readiness across five core dimensions: (1) policy & governance, (2) human capacity, (3) digital infrastructure, (4) curriculum relevance, and (5) industry–academia partnerships. Findings reveal a critical policy–practice gap: while national frameworks such as the Grand Design for Vocational School Revitalization and Kurikulum Merdeka promote digital literacy, local implementation lacks binding regional regulations, standardized teacher competency pathways, equitable infrastructure distribution, and context-based curricula. Only 24% of ICT teachers had received AI-related training, and AI concepts were rarely taught in practice. Through DE cycles of exploration, collective sense-making, and prototyping, stakeholders co-designed adaptive solutions including a provincial roadmap for digital vocational education, offline AI learning modules via WhatsApp, and micro-innovation grants for teacher-led experimentation. The study demonstrates DE’s effectiveness in fostering adaptive capacity, surfacing systemic barriers, and enabling locally owned, sustainable digital transformation strategies.

ادغام برنامه‌نویسی و هوش مصنوعی (AI) در آموزش فنی‌وحرفه‌ای برای تجهیز دانش‌آموزان به شایستگی‌های دیجیتال قرن بیست‌ویکم ضروری است، اما اجرای آن در مناطق دورافتاده و جزیره‌ای مانند استان مجمع‌الجزایر بانگکا بلیتونگ همچنان پراکنده و ناپایدار باقی مانده‌است. این مطالعه با بهره‌گیری از رویکرد ارزیابی توسعه‌ای (DE) که یک روش ارزیابی بلادرنگ، تطبیقی و مشارکتی است (Patton, 2011)، به تحلیل آمادگی سیاستی و تقویت زیست‌بوم دیجیتال برای آموزش برنامه‌نویسی و هوش مصنوعی در مدارس فنی‌وحرفه‌ای این استان می‌پردازد. با استفاده از روش‌های کیفی، از جمله مصاحبه‌های عمیق (n = 26)، بحث‌های گروهی متمرکز، مشاهده کلاس درس و تحلیل اسناد سیاستی، پژوهش آمادگی را در پنج بُعد اصلی ارزیابی می‌کند: (۱) سیاست و حکمرانی، (۲) ظرفیت انسانی، (۳) زیرساخت دیجیتال، (۴) ارتباط برنامه‌درسی و (۵) مشارکت صنعت و دانشگاه. یافته‌ها شکاف مهمی میان سیاست و عمل را نشان می‌دهد: در حالی که چارچوب‌های ملی مانند طرح کلان نوسازی مدارس فنی‌وحرفه‌ای و «کریکولوم مردکا» سواد دیجیتال را ترویج می‌کنند، اجرای محلی فاقد مقررات منطقه‌ای الزام‌آور، مسیرهای استاندارد شایستگی معلمان، توزیع عادلانه زیرساخت و برنامه‌درسی مبتنی بر زمینه است. تنها ۲۴٪ از معلمان ICT آموزش مرتبط با AI را دریافت کرده‌اند و مفاهیم AI به ندرت در عمل تدریس می‌شود. از طریق چرخه‌های DE شامل اکتشاف، معنا‌بخشی جمعی و نمونه‌سازی، ذینفعان راه‌حل‌های تطبیقی از جمله نقشه‌راه استانی برای آموزش دیجیتال فنی‌وحرفه‌ای، ماژول‌های یادگیری AI آفلاین از طریق WhatsApp و گرنت‌های خرد نوآوری برای آزمایشگری معلمان را به‌طور مشترک طراحی کردند. این مطالعه اثربخشی DE را در تقویت ظرفیت تطبیقی، آشکارسازی موانع نظام‌مند و امکان‌پذیر ساختن راهبردهای تحول دیجیتال بومی و پایدار نشان می‌دهد.

Navigation service providers are shifting from functional tools toward intelligent agents with social roles and affective influence. Existing technology adoption research emphasizes cognitive and utilitarian dimensions, offering limited explanations of how AI develops from a tool into an affective partner during stressful commuting. This study proposes the Affective Human–AI Co-Flow (AHCF) model to explain how affective processes relate to navigation behavior through a sequence connecting AI Role Discourse, Affective Vulnerability Context, and Collaboration Fit with Affective Appraisal, Affective Regulation, and Affective Attachment. Using Amap’s “Gao Laoshi” AI agent as the empirical context, we collected data from 280 commuters and tested the model through structural equation modeling (SEM), artificial neural networks (ANN), and multi-group analysis (MGA). Collaboration Fit emerged as a key gateway in the affective sequence. After its inclusion, the direct effects of AI Role Discourse and Affective Vulnerability Context on Affective Appraisal became marginally significant or nonsignificant. Affective Appraisal was strongly coupled with Affective Regulation, which had significant positive structural relationships with both Behavioral Response and Affective Attachment. Differences in predictive rankings and group comparisons further indicated that AI’s affective influence varies with role perceptions, contextual pressure, and usage experience. AHCF thus reconceptualizes technology adoption as an affective co-flow process characterized by gating, amplification, and shifts across user groups. It provides a theoretical framework for understanding AI’s development from a functional navigation tool into a relational collaborator and offers emotion-centered implications for AI navigation and intelligent mobility.

ارائه‌دهندگان خدمات ناوبری در حال گذار از ابزارهای کارکردی به سوی عامل‌های هوشمندی با نقش‌های اجتماعی و تأثیر عاطفی هستند. پژوهش‌های موجود در حوزه پذیرش فناوری عمدتاً بر ابعاد شناختی و سودمندی تأکید دارند و توضیحات محدودی درباره چگونگی تبدیل هوش مصنوعی از یک ابزار به یک شریک عاطفی در شرایط استرس‌زای رفت‌وآمد ارائه می‌دهند. این مطالعه مدل هم‌جریان عاطفی انسان–هوش مصنوعی (Affective Human–AI Co-Flow یا AHCF) را برای تبیین نحوه ارتباط فرایندهای عاطفی با رفتار ناوبری از طریق توالی‌ای که گفتمان نقش هوش مصنوعی، زمینه آسیب‌پذیری عاطفی و تناسب همکاری را به ارزیابی عاطفی، تنظیم عاطفی و دلبستگی عاطفی پیوند می‌دهد، پیشنهاد می‌کند. با استفاده از عامل هوش مصنوعی «Gao Laoshi» در نرم‌افزار Amap به عنوان زمینه تجربی، داده‌های ۲۸۰ رفت‌وآمدکننده گردآوری و مدل با استفاده از مدل‌سازی معادلات ساختاری (SEM)، شبکه‌های عصبی مصنوعی (ANN) و تحلیل چندگروهی (MGA) آزمون شد. تناسب همکاری به عنوان دروازه کلیدی در توالی عاطفی ظاهر شد. پس از وارد کردن این متغیر، اثرات مستقیم گفتمان نقش هوش مصنوعی و زمینه آسیب‌پذیری عاطفی بر ارزیابی عاطفی به طور حاشیه‌ای معنادار یا نامعناد شد. ارزیابی عاطفی با تنظیم عاطفی پیوند قوی داشت و تنظیم عاطفی با هر دو پاسخ رفتاری و دلبستگی عاطفی روابط ساختاری مثبت معناداری نشان داد. تفاوت‌ها در رتبه‌بندی‌های پیش‌بینی و مقایسه‌های گروهی نشان داد که تأثیر عاطفی هوش مصنوعی با برداشت از نقش، فشار زمینه‌ای و تجربه استفاده متفاوت است. مدل AHCF فرایند پذیرش فناوری را به عنوان یک هم‌جریان عاطفی با ویژگی‌های دروازه‌بانی، تقویت و تغییر در میان گروه‌های کاربری بازتعریف می‌کند و چارچوب نظری برای درک تحول هوش مصنوعی از یک ابزار ناوبری کارکردی به یک همکار رابطه‌ای ارائه می‌دهد و دلالت‌های مبتنی بر هیجان برای ناوبری هوش مصنوعی و تحرک هوشمند عرضه می‌کند.

AI will play an increasingly large role in providing healthcare services in the near future, creating a pressing need to examine how people perceive AI compared to humans in healthcare. To this end, this study examines how people perceive AI and human doctors in a common medical scenario of giving healthcare advice over an online chat platform. Participants read an online chat conversation that featured a patient asking for medical advice with either an AI or human doctor. In addition, the doctor either linguistically aligned with the patient (by repeating medical terms previously used by the patient) or not (by using synonyms of the patient's terms). Linguistic alignment in conversation has been found to increase positive perceptions of interactions and therefore may be a useful tool to increase patient satisfaction in healthcare interactions. AI doctors but not human ones were penalized when not linguistically aligning with the patient, even though these doctors gave the same exact medical advice. Additionally, across a range of measures, participants in general had more negative perceptions of AI doctors compared to human ones. Overall, these results suggest that people hold AI to different standards as well as judge AI harsher than humans in medical settings.

هوش مصنوعی در آینده نزدیک نقش فزاینده‌ای در ارائه خدمات مراقبت‌های سلامت ایفا خواهد کرد و این امر نیاز فوری به بررسی نحوه ادراک افراد از هوش مصنوعی در مقایسه با انسان‌ها در حوزه سلامت را ایجاد می‌کند. بر این اساس، این پژوهش به بررسی نحوه ادراک افراد از پزشکان هوش مصنوعی و انسانی در یک سناریوی رایج پزشکی، یعنی ارائه مشاوره سلامت از طریق یک پلتفرم گفت‌وگوی آنلاین، می‌پردازد. شرکت‌کنندگان یک گفت‌وگوی آنلاین را مطالعه کردند که در آن بیماری برای دریافت مشاوره پزشکی با یک پزشک (هوش مصنوعی یا انسانی) مکاتبه می‌کرد. علاوه بر این، پزشک یا با بیمار هم‌ترازی زبانی داشت (با تکرار اصطلاحات پزشکی که قبلاً توسط بیمار استفاده شده بود) یا نداشت (با استفاده از مترادف‌های اصطلاحات بیمار). پژوهش‌ها نشان داده‌اند که هم‌ترازی زبانی در مکالمه می‌تواند ادراک مثبت از تعاملات را افزایش دهد و بنابراین ممکن است ابزاری مفید برای افزایش رضایت بیماران در تعاملات سلامت باشد. پزشکان هوش مصنوعی، اما نه پزشکان انسانی، زمانی که با بیمار هم‌ترازی زبانی نداشتند، مورد قضاوت منفی قرار گرفتند، حتی با وجود اینکه دقیقاً همان مشاوره پزشکی را ارائه دادند. همچنین، در طیف وسیعی از سنجه‌ها، شرکت‌کنندگان به طور کلی ادراک منفی‌تری نسبت به پزشکان هوش مصنوعی در مقایسه با پزشکان انسانی داشتند. در مجموع، این نتایج نشان می‌دهد که افراد استانداردهای متفاوتی برای هوش مصنوعی قائل هستند و در محیط‌های پزشکی نسبت به هوش مصنوعی قضاوت سخت‌گیرانه‌تری دارند.

This paper analyzes an approach to humanities education through a case study of the Applied Humanities for the Labor Market program (University of Ostrava). In the era of AI and Industry 4.0/5.0, it demonstrates how to bridge academia and market needs using micro-credentials, internships, and project-based learning. Key findings highlight the efficacy of co-teaching (academics with practitioners) and replacing traditional theses with practical solutions to real organizational challenges.

این مقاله رویکردی به آموزش علوم انسانی را از طریق مطالعه‌ی موردی برنامه‌ی علوم انسانی کاربردی برای بازار کار (دانشگاه استراوا) تحلیل می‌کند. در عصر هوش مصنوعی و صنعت ۴.۰/۵.۰، نشان می‌دهد که چگونه می‌توان با بهره‌گیری از ریزمدارک، کارآموزی و یادگیری مبتنی بر پروژه، شکاف میان دانشگاه و نیازهای بازار را پر کرد. یافته‌های کلیدی، اثربخشی هم‌آموزی (همکاری اعضای هیئت علمی با متخصصان حرفه‌ای) و جایگزینی پایان‌نامه‌های سنتی با راه‌حل‌های عملی برای چالش‌های واقعی سازمانی را برجسته می‌سازد.

urpose of the study: This study aims to develop an AI-integrated STEM-based Electronic Student Worksheet (E-LKPD) for science learning in elementary schools to improve students' science literacy in the digital era Methodology: This study employed a Research and Development (R&D) approach using the ADDIE model (Analysis, Design, Development, Implementation, Evaluation). Data were collected through expert validation questionnaires from content experts, media experts, and practitioner teachers, as well as pre-post science literacy tests administered to Grade V elementary school students. Product validity, practicality, and effectiveness were analyzed using quantitative descriptive statistics and the normalized gain index (N-Gain) Main Findings: The developed E-LKPD achieved a validity score of 87.5% (highly valid), a practicality score of 89.3% (highly practical), and an N-Gain of 0.72 (high effectiveness). The product significantly improved students' science literacy across all four PISA dimensions: scientific context, scientific competence, scientific knowledge, and scientific attitude. AI-based features adaptive quizzes, personalized feedback systems, and virtual science simulations enabled interactive and personalized learning experiences Novelty/Originality of this study: This study introduces an innovative learning product that combines STEM education principles with AI-based adaptive features in a single E-LKPD platform, specifically designed for elementary school science learning in Indonesia. This dual integration addresses the challenge of Indonesia's low student science literacy as reflected in PISA 2022 data while meeting the growing need for AI-based digital learning in 21st-century classrooms

هدف مطالعه: این پژوهش با هدف توسعه برگه کار الکترونیکی دانش‌آموز (E-LKPD) مبتنی بر STEM و یکپارچه با هوش مصنوعی برای آموزش علوم در مدارس ابتدایی به منظور ارتقای سواد علمی دانش‌آموزان در عصر دیجیتال انجام شده است. روش‌شناسی: این پژوهش با رویکرد تحقیق و توسعه (R&D) و با استفاده از مدل ADDIE (تحلیل، طراحی، توسعه، اجرا، ارزیابی) انجام شد. داده‌ها از طریق پرسشنامه‌های اعتبارسنجی خبرگان محتوا، خبرگان رسانه و معلمان مجری، همچنین آزمون‌های پیش‌آزمون و پس‌آزمون سواد علمی دانش‌آموزان پایه پنجم ابتدایی گردآوری شد. روایی، کاربردپذیری و اثربخشی محصول با استفاده از آمار توصیفی کمی و شاخص سود نرمال‌شده (N-Gain) تحلیل گردید. یافته‌های اصلی: E-LKPD توسعه‌یافته موفق به کسب امتیاز روایی ۸۷.۵٪ (بسیار معتبر)، امتیاز کاربردپذیری ۸۹.۳٪ (بسیار کاربردی) و N-Gain معادل ۰.۷۲ (اثربخشی بالا) شد. این محصول به طور معناداری سواد علمی دانش‌آموزان را در هر چهار بُعد PISA شامل زمینه علمی، شایستگی علمی، دانش علمی و نگرش علمی ارتقا داد. ویژگی‌های مبتنی بر هوش مصنوعی نظیر آزمون‌های تطبیقی، سیستم بازخورد شخصی‌سازی‌شده و شبیه‌سازی‌های مجازی علوم، تجربه یادگیری تعاملی و شخصی‌سازی‌شده را فراهم ساختند. نوآوری/اصالت این پژوهش: این مطالعه محصول یادگیری نوآورانه‌ای را معرفی می‌کند که اصول آموزش STEM را با قابلیت‌های تطبیقی مبتنی بر هوش مصنوعی در یک بستر E-LKPD واحد ترکیب نموده و به طور خاص برای آموزش علوم مدارس ابتدایی در اندونزی طراحی شده است. این یکپارچگی دوگانه، چالش پایین بودن سواد علمی دانش‌آموزان اندونزی مطابق با داده‌های PISA 2022 را هدف قرار داده و همزمان به نیاز روزافزون به یادگیری دیجیتال مبتنی بر هوش مصنوعی در کلاس‌های قرن بیست و یکم پاسخ می‌دهد.

Teacher education (TE) policy is often caught between preparing teachers as agents of social change and a narrow ‘teacher effectiveness’ paradigm. This article examines this tension in Norway, where egalitarian traditions meet global neoliberal accountability discourses. Analysing the pivotal Norwegian TE curriculum policy document, Stortingsmelding nr. 11 (Minstry of Education and Research, 2008–2009), the study uses the Public Good Professionalism (PGP) framework as an analytical lens to assess the extent to which the policy enables the development of teachers as transformative public good professionals. We employ an AI-assisted deductive content analysis using a multi-coder ensemble of nine GPT-4 assistants configured with diverse parameters (temperature and top_p) to provide a parametric stress-test of the coding scheme. Findings reveal a significant discrepancy between stated social equality goals and substantive content. Capabilities explicitly addressed in policy (e.g. Informed Vision) show high ensemble convergence but are instrumentally reframed, stripped of their transformative potential. Conversely, capabilities essential for social justice (e.g. Social and Collective Struggle) show the lowest convergence, reflecting their marginalization. The study concludes that the policy prioritizes a ‘proficient technician’ over a ‘public good professional’, revealing a fundamental structural barrier to socially just teacher education in Norway.

سیاست آموزش معلمان (TE) اغلب میان آماده‌سازی معلمان به عنوان عاملان تغییر اجتماعی و پارادایم محدود «اثربخشی معلم» گرفتار می‌شود. این مقاله به بررسی این تنش در نروژ می‌پردازد، جایی که سنت‌های برابری‌طلبانه با گفتمان‌های جهانی پاسخگویی نئولیبرالی تلاقی می‌کنند. با تحلیل سند سیاستی کلیدی برنامه درسی آموزش معلمان نروژ، Stortingsmelding nr. 11 (وزارت آموزش و پژوهش، ۲۰۰۸–۲۰۰۹)، این مطالعه از چارچوب Public Good Professionalism (PGP) به عنوان لنز تحلیلی برای ارزیابی میزان توانمندسازی سیاست مذکور در توسعه معلمان به عنوان حرفه‌ای‌های تحول‌آفرین خیر عمومی بهره می‌گیرد. ما از تحلیل محتوای قیاسی با کمک هوش مصنوعی و با استفاده از گروهی متشکل از نه دستیار GPT-4 با پارامترهای متنوع (temperature و top_p) برای آزمون پارامتریک طرح کدگذاری استفاده می‌کنیم. یافته‌ها نشان می‌دهند که شکاف قابل توجهی میان اهداف اعلام‌شده برابری اجتماعی و محتوای واقعی وجود دارد. قابلیت‌هایی که به طور صریح در سیاست مورد توجه قرار گرفته‌اند (مانند Informed Vision) همگرایی بالایی در گروه دارند اما به صورت ابزاری بازتعریف شده و از پتانسیل تحول‌آفرین خود تهی شده‌اند. در مقابل، قابلیت‌هایی که برای عدالت اجتماعی ضروری‌اند (مانند Social and Collective Struggle) کمترین میزان همگرایی را نشان می‌دهند که بیانگر به حاشیه رانده شدن آن‌هاست. مطالعه نتیجه می‌گیرد که سیاست مذکور «تکنسین ماهر» را بر «حرفه‌ای خیر عمومی» اولویت می‌دهد و یک مانع ساختاری بنیادین برای آموزش معلمان عادلانه در نروژ را آشکار می‌سازد.

Human cognition is unique. Our large brains and advanced cognitive skills indicate intense selection following the divergence from other hominins. Theoretical models and empirical data from the last few decades suggest that human intelligence primarily serves a social function. However, explaining precisely how human cognition is adapted for navigating the complexities of social life has proved challenging. This preregistered study empirically examines the recently proposed Coalitional Intelligence Hypothesis , which posits that the behavioral effects of human intelligence evolved as reliable signals of coalitional value, facilitating adaptive reciprocal exchanges of status and cognitive-computational services. This study also introduces the first Norwegian translation of the International Cognitive Ability Resource 16-Item Sample Test (ICAR-16), which we developed for use as our cognitive ability measure. Analysing a new dyadic dataset using the actor-partner interdependence mediation model, we found that coalitional value, operationalized in terms of ability to coordinate a group, fully mediates status allocated based on cognitive ability. These findings provide initial empirical support for the Coalitional Intelligence Hypothesis.

شناخت انسانی منحصر به فرد است. مغز بزرگ ما و مهارت‌های پیشرفته شناختی نشان‌دهنده انتخاب شدید پس از انشعاب از سایر هومینین‌ها است. مدل‌های نظری و داده‌های تجربی چند دهه اخیر نشان می‌دهند که هوش انسانی عمدتاً کارکردی اجتماعی دارد. با این حال، توضیح دقیق اینکه چگونه شناخت انسانی برای پیمایش پیچیدگی‌های زندگی اجتماعی سازگار شده است، چالش‌برانگیز بوده است. این مطالعه پیش‌ثبت‌شده به‌طور تجربی فرضیه هوش ائتلافی را که اخیراً مطرح شده است، بررسی می‌کند؛ این فرضیه بیان می‌کند که اثرات رفتاری هوش انسانی به عنوان نشانه‌های قابل اعتماد ارزش ائتلافی تکامل یافته‌اند و تبادلات متقابل سازگارانه منزلت و خدمات شناختی-محاسباتی را تسهیل می‌کنند. این مطالعه همچنین نخستین ترجمه نروژی آزمون نمونه ۱۶ ماده‌ای منبع بین‌المللی توانایی شناختی (ICAR-16) را معرفی می‌کند که ما آن را به عنوان سنجه توانایی شناختی خود توسعه دادیم. با تحلیل یک مجموعه داده دوتایی جدید با استفاده از مدل میانجی‌گری وابستگی بازیگر-شریک، دریافتیم که ارزش ائتلافی که بر اساس توانایی هماهنگی یک گروه عملیاتی شده است، به‌طور کامل میانجی‌گری تخصیص منزلت بر اساس توانایی شناختی را انجام می‌دهد. این یافته‌ها شواهد تجربی اولیه‌ای را برای فرضیه هوش ائتلافی فراهم می‌کند.

Abstract As autonomous systems become increasingly capable, the deployment of Human‐Multi‐Agent Teams (HMATs) offers immense potential for executing complex, decentralized tasks. However, realizing this potential is constrained by a critical bottleneck: the cognitive and supervisory capacity of the human operator. While foundational fan‐out models established crucial groundwork for predicting this capacity, they are structurally limited to sequential, one‐to‐one interactions and rely on ambiguous variables that often produce overly optimistic predictions in real‐world environments. This article synthesizes a multi‐year empirical research program to present a comprehensive, new framework for modeling human‐autonomy scalability. First, we deconstruct the variables of legacy models into human and robot elements, demonstrating that true scalability is a relational property driven by human‐robot alignment rather than raw machine autonomy. We then validate the necessity of a mathematically bounded architecture to ensure predictive stability under operational uncertainty. Finally, we extend this framework to mathematically capture the paradigm shift toward group‐based, one‐to‐many teaming. By analyzing the results of a complex, multi‐agent simulation, we reveal the fundamental, quantifiable trade‐off between increasing team scale and maintaining human oversight, providing AI system designers with a validated blueprint for optimizing the next generation of human‐autonomy teams.

چکیده: با افزایش توانمندی سامانه‌های خودمختار، به‌کارگیری تیم‌های انسان-چندعامل (HMATs) ظرفیت چشمگیری برای اجرای وظایف پیچیده و غیرمتمرکز فراهم می‌کند. با این حال، تحقق این ظرفیت با یک گلوگاه اساسی محدود می‌شود: ظرفیت شناختی و نظارتی اپراتور انسانی. اگرچه مدل‌های بنیادین fan-out زیرساخت مهمی برای پیش‌بینی این ظرفیت فراهم کرده‌اند، اما این مدل‌ها به‌طور ساختاری به تعاملات متوالی و یک‌به‌یک محدود هستند و به متغیرهای مبهمی متکی‌اند که اغلب منجر به پیش‌بینی‌های بیش از حد خوش‌بینانه در محیط‌های واقعی می‌شوند. این مقاله با تلفیق یک برنامه پژوهشی تجربی چندساله، چارچوبی جامع و نوین برای مدل‌سازی مقیاس‌پذیری انسان-خودمختاری ارائه می‌دهد. نخست، متغیرهای مدل‌های پیشین به عناصر انسانی و رباتیکی تجزیه می‌شوند و نشان داده می‌شود که مقیاس‌پذیری واقعی یک ویژگی رابطه‌ای است که توسط هم‌راستایی انسان-ربات هدایت می‌شود و نه صرفاً خودمختاری ماشین. سپس، ضرورت وجود معماری با مرزهای ریاضی برای تضمین پایداری پیش‌بینی در شرایط عدم قطعیت عملیاتی اعتبارسنجی می‌شود. در نهایت، این چارچوب برای مدل‌سازی ریاضی تغییر پارادایم به سوی تیم‌سازی گروهی و یک‌به‌چند گسترش می‌یابد. با تحلیل نتایج یک شبیه‌سازی پیچیده چندعامله، مبادله اساسی و قابل سنجش میان افزایش مقیاس تیم و حفظ نظارت انسانی آشکار می‌شود و الگویی معتبر برای بهینه‌سازی نسل آینده تیم‌های انسان-خودمختاری در اختیار طراحان سامانه‌های هوش مصنوعی قرار می‌گیرد.