هوش

This paper presents an innovative interdisciplinary teaching model based on the integration of acoustic phonetics into STEAM education (Science, Technology, Engineering, Arts, Mathematics). This study is based on the premise that the interdisciplinary nature of acoustic phonetics, connecting language with physics, mathematics, and digital technologies, provides a suitable basis for designing STEAM-oriented educational activities that engage students in scientific inquiry, acoustic measurement, data analysis and programming. The paper presents a pilot classroom implementation in English language instruction in which students used Praat-based acoustic analysis together with a Python-based supervised machine-learning classifier to investigate whether speakers could be differentiated on the basis of measurable acoustic characteristics. The computational component employed a Random Forest classifier based on selected acoustic features, while supplementary manual analysis of the F3–F2 distance was used to examine/r/ realizations in cases of acoustic overlap. The classroom implementation involved 30 seventh-grade students, while the acoustic speaker dataset consisted of recordings from six students selected for the speaker-differentiation component of the project. A special section of the paper is devoted to the development of educational projects combining phonetic analysis, physical models of the vocal tract, and artificial intelligence algorithms, with the aim of bringing the scientific method closer to students and enabling active learning through research. The paper demonstrates that phonetic research can serve not only as a component of language teaching but also as a powerful instrument of interdisciplinary education. The conclusion emphasizes that phonetics represents an authentic STEAM discipline in miniature and that its systematic implementation in teaching contributes to the development of functional knowledge, an investigative mindset, and students' digital competencies.

این مقاله الگویی نوآورانه برای آموزش میان‌رشته‌ای مبتنی بر ادغام آواشناسی آکوستیکی در آموزش STEAM (علوم، فناوری، مهندسی، هنر، ریاضیات) ارائه می‌دهد. این مطالعه بر این فرض استوار است که ماهیت میان‌رشته‌ای آواشناسی آکوستیکی که زبان را با فیزیک، ریاضیات و فناوری‌های دیجیتال پیوند می‌دهد، بستر مناسبی برای طراحی فعالیت‌های آموزشی مبتنی بر STEAM فراهم می‌کند که دانش‌آموزان را درگیر پژوهش علمی، اندازه‌گیری آکوستیکی، تحلیل داده‌ها و برنامه‌نویسی می‌سازد. مقاله حاضر اجرای آزمایشی این مدل را در کلاس زبان انگلیسی ارائه می‌کند که در آن دانش‌آموزان با استفاده از تحلیل آکوستیکی مبتنی بر Praat و یک طبقه‌بند یادگیری ماشین نظارت‌شده مبتنی بر Python بررسی کردند که آیا می‌توان گویندگان را بر اساس ویژگی‌های آکوستیکی قابل اندازه‌گیری از یکدیگر تمییز داد یا خیر. بخش محاسباتی از طبقه‌بند Random Forest مبتنی بر ویژگی‌های آکوستیکی منتخب بهره برد، در حالی که تحلیل دستی مکمل فاصله F3–F2 برای بررسی تحقق /r/ در موارد همپوشانی آکوستیکی به کار رفت. اجرای کلاسی با حضور ۳۰ دانش‌آموز پایه هفتم انجام شد و مجموعه داده‌های آکوستیکی گویندگان شامل ضبط‌های شش دانش‌آموز منتخب برای مؤلفه تمییز گوینده پروژه بود. بخشی ویژه از مقاله به توسعه پروژه‌های آموزشی ترکیبی از تحلیل آوایی، مدل‌های فیزیکی مجرای صوتی و الگوریتم‌های هوش مصنوعی اختصاص یافته است تا روش علمی را به دانش‌آموزان نزدیک‌تر کند و یادگیری فعال از طریق پژوهش را ممکن سازد. مقاله نشان می‌دهد که پژوهش آوایی نه‌تنها می‌تواند به‌عنوان بخشی از آموزش زبان بلکه به‌عنوان ابزاری قدرتمند برای آموزش میان‌رشته‌ای عمل کند. نتیجه‌گیری تأکید می‌کند که آواشناسی به‌مثابه یک رشته اصیل STEAM در مقیاس کوچک است و اجرای نظام‌مند آن در آموزش به توسعه دانش کاربردی، ذهنیت پژوهشگرانه و شایستگی‌های دیجیتال دانش‌آموزان کمک می‌کند.

Visual representations in popular media can shape how people imagine natural materials, yet mineral representation in popular culture has rarely been quantified. To address this gap, this study analyzed 223 mineral illustrations from the Pokémon Trading Card Game (PTCG) between 1999 and 2026. Statistical analyses of visual features identified a dominant “universal crystal template” characterized by large, translucent, highly symmetrical prismatic crystals in cave environments. This template contrasts sharply with natural mineral occurrences, where minerals commonly form irregular rock-forming aggregates. Inferred mineral identities are heavily restricted to just six dominant groups, with Multiple Correspondence Analysis demonstrating that these dominant species share highly overlapping visual traits. Consequently, current AI models struggle to identify these stylized illustrations because diagnostic features are obscured, they cannot resolve three-dimensional geometry in artwork, and they lack contextual environmental integration. These findings quantify how entertainment media constructs a shared visual stereotype of minerals. While such stereotypes oversimplify geological reality, their global familiarity and mass appeal offer a unique opportunity for science communication. By critically decoding these media-driven biases, educators can leverage these widely accessible cards as engaging visual hooks to stimulate active inquiry into authentic mineralogy and geological processes.

بازنمایی‌های بصری در رسانه‌های محبوب می‌توانند نحوه تصور افراد از مواد طبیعی را شکل دهند، اما بازنمایی مواد معدنی در فرهنگ عامه به ندرت به صورت کمی مورد بررسی قرار گرفته است. برای رفع این خلأ، این مطالعه ۲۲۳ تصویرسازی معدنی از بازی کارت معاملاتی پوکمون (PTCG) بین سال‌های ۱۹۹۹ تا ۲۰۲۶ را تحلیل کرده است. تحلیل‌های آماری ویژگی‌های بصری، یک «الگوی بلورین جهانی» غالب را شناسایی کردند که با بلورهای منشوری بزرگ، شفاف و بسیار متقارن در محیط‌های غاری مشخص می‌شود. این الگو به طور چشمگیری با رخدادهای طبیعی مواد معدنی که معمولاً به صورت تجمعات نامنظم سنگ‌ساز شکل می‌گیرند، متفاوت است. هویت‌های معدنی استنباط‌شده به شدت به شش گروه غالب محدود می‌شوند و تحلیل تطابق چندگانه نشان می‌دهد که این گونه‌های غالب، ویژگی‌های بصری بسیار همپوشانی دارند. در نتیجه، مدل‌های فعلی هوش مصنوعی در شناسایی این تصویرسازی‌های سبک‌پردازی‌شده با مشکل مواجه هستند، زیرا ویژگی‌های تشخیصی پنهان شده‌اند، آن‌ها قادر به تشخیص هندسه سه‌بعدی در آثار هنری نیستند و فاقد ادغام زمینه‌ای محیطی می‌باشند. این یافته‌ها نشان می‌دهند که چگونه رسانه‌های سرگرمی یک کلیشه بصری مشترک از مواد معدنی ایجاد می‌کنند. اگرچه این کلیشه‌ها واقعیت زمین‌شناسی را بیش از حد ساده‌سازی می‌کنند، اما آشنایی جهانی و جذابیت فراگیر آن‌ها فرصت منحصربه‌فردی برای ارتباط علمی فراهم می‌کند. با رمزگشایی انتقادی این سوگیری‌های رسانه‌محور، مربیان می‌توانند از این کارت‌های در دسترس به عنوان محرک‌های بصری جذاب برای برانگیختن کنجکاوی فعال درباره کانی‌شناسی و فرایندهای زمین‌شناسی اصیل بهره ببرند.

Minimal digital cues–read receipts, online status indicators, and response latency–can acquire disproportionate emotional significance for individuals with high attachment vulnerability. This paper proposes a conceptual model of digitally mediated attachment regulation, developed through psychodynamic and attachment-informed clinical reflection and illustrated by three cases (H10, S40, and T89) drawn from private practice. Whereas classical attachment triggers are largely episodic, the model suggests that contemporary digital affordances may reorganise attachment dynamics towards a near-continuous state of hyperactivation. The cases illustrate a recurring five-phase sequence: cue detection, threat-biased interpretation, affective destabilisation, regulatory enactment, and transient stabilisation. The paper conceptualises the smartphone not as a transitional object under the subject’s omnipotent control, but as a structurally unstable medium that continuously reflects the uncontrollable autonomy of the attachment figure. The configuration is offered as a clinical proposal, object-bound and meaning-driven, to be distinguished from generalised anxiety, behavioural addiction, and obsessive-compulsive phenomena, and inviting empirical investigation.

نشانه‌های حداقلی دیجیتال—مانند رسید خواندن پیام، شاخص‌های وضعیت آنلاین و تأخیر در پاسخ‌دهی—می‌توانند برای افرادی با آسیب‌پذیری بالای دلبستگی، اهمیت هیجانی نامتناسبی پیدا کنند. این مقاله یک مدل مفهومی از تنظیم دلبستگی به‌واسطه رسانه‌های دیجیتال ارائه می‌دهد که از طریق بازاندیشی بالینی مبتنی بر روان‌پویشی و نظریه دلبستگی توسعه یافته و با سه مورد بالینی (H10، S40 و T89) از مطب خصوصی تبیین شده است. در حالی که محرک‌های کلاسیک دلبستگی عمدتاً ماهیتی اپیزودیک دارند، مدل حاضر پیشنهاد می‌کند که امکانات معاصر دیجیتال ممکن است پویایی‌های دلبستگی را به سوی وضعیتی تقریباً پیوسته از بیش‌فعالی سازمان‌دهی مجدد کند. موارد بالینی یک توالی پنج‌مرحله‌ای تکرارشونده را نشان می‌دهند: شناسایی نشانه، تفسیر تهدیدمحور، بی‌ثباتی عاطفی، اجرای راهبرد تنظیمی و تثبیت موقت. این مقاله تلفن هوشمند را نه به‌عنوان یک شیء انتقالی تحت کنترل همه‌توان سوژه، بلکه به‌عنوان رسانه‌ای ساختاری ناپایدار که به‌طور مداوم استقلال غیرقابل‌کنترل فرد دلبستگی را بازتاب می‌دهد، مفهوم‌سازی می‌کند. این پیکربندی به‌عنوان یک پیشنهاد بالینی، شیءمحور و معناپایه ارائه می‌شود که باید از اضطراب تعمیم‌یافته، اعتیاد رفتاری و پدیده‌های وسواسی-اجباری متمایز گردد و زمینه را برای پژوهش‌های تجربی فراهم می‌آورد.

Evolutionary theorizing indicates that people vary considerably in their capacity to retain intimate partners, and part of this variation may contribute to singlehood. Candidate items were generated with AI tools and refined by the authors into an instrument to measure this capacity. In a sample of 2296 participants from Greek, Russian, and Ukrainian cultural contexts, approximately one in four participants indicated a poor capacity to retain mates. Furthermore, this capacity was strongly associated with relationship status. Specifically, lower scores on this dimension were linked to an increased likelihood of being involuntarily single, voluntarily single, or between-relationships single. Lower capacity was also associated with more years spent as single and shorter relationship durations. Additionally, we identified several traits that were associated with a lower capacity to retain a relationship and, indirectly, with a higher likelihood of singlehood. Our findings were consistent across the three cultural groups and between both sexes.

نظریه‌پردازی‌های فرگشتی نشان می‌دهد که افراد از نظر ظرفیت حفظ شریک عاطفی تفاوت قابل توجهی دارند و بخشی از این تفاوت ممکن است به تجرد منجر شود. آیتم‌های اولیه با استفاده از ابزارهای هوش مصنوعی تولید و توسط نویسندگان برای ساخت ابزاری جهت سنجش این ظرفیت اصلاح شدند. در نمونه‌ای متشکل از ۲۲۹۶ شرکت‌کننده از زمینه‌های فرهنگی یونان، روسیه و اوکراین، تقریباً یک نفر از هر چهار شرکت‌کننده ظرفیت ضعیفی برای حفظ همسر گزارش کرد. افزون بر این، این ظرفیت ارتباط قوی با وضعیت رابطه داشت. به طور مشخص، نمرات پایین‌تر در این بُعد با احتمال بیشتر تجرد ناخواسته، تجرد داوطلبانه یا تجرد بین روابط ارتباط داشت. ظرفیت پایین‌تر همچنین با سال‌های بیشتری از تجرد و مدت زمان کوتاه‌تر روابط همراه بود. افزون بر این، چندین ویژگی شناسایی شد که با ظرفیت پایین‌تر برای حفظ رابطه و به طور غیرمستقیم با احتمال بالاتر تجرد مرتبط بودند. یافته‌های ما در هر سه گروه فرهنگی و بین هر دو جنسیت سازگار بود.

Driver drowsiness is a major safety concern in heavy-duty truck operation, particularly in freeway car-following (CF) scenarios that require prolonged vigilance and continuous longitudinal control. However, how drowsiness-induced reduced alertness influences truck drivers’ CF behavior in real-world settings remains insufficiently understood. To address this gap, this study established a naturalistic heavy-truck CF dataset from long-haul freeway operations, with driver alertness labels obtained from a Smart Eye system. A three-level analytical framework was adopted to examine the effects of alertness on CF behavior from the perspectives of high-level behavioral indicators, model-based mechanism characterization, and primitive-level temporal structure. Specifically, overall CF performance was first described using commonly used indicators, then parameterized using the Intelligent Driver Model (IDM), and further interpreted at a finer temporal scale through behavioral primitives identified by a disentangled sticky hierarchical Dirichlet process hidden Markov model (DS-HDP-HMM). The results consistently showed that reduced alertness was associated with changes in drivers’ longitudinal adjustment patterns, which may partly reflect compensatory responses. Compared with alert driving, non-alert driving was associated with a more conservative spacing strategy, milder and less aggressive longitudinal regulation, and more near-constant and weak-regulation behavioral primitives, while active acceleration and deceleration corrections were less frequent. These findings provide a multi-level understanding of the longitudinal control mechanisms underlying non-alert truck driving in freeway environments and offer behavioral evidence for the development of intelligent driving assistance systems that can better respond to non-alert road truck drivers.

خواب‌آلودگی راننده یکی از نگرانی‌های عمده ایمنی در عملیات رانندگی کامیون‌های سنگین، به‌ویژه در سناریوهای دنباله‌روی خودرو (CF) در آزادراه‌ها است که نیازمند هشیاری طولانی‌مدت و کنترل طولی پیوسته می‌باشد. با این حال، چگونگی تأثیر کاهش هشیاری ناشی از خواب‌آلودگی بر رفتار CF رانندگان کامیون در شرایط واقعی هنوز به‌طور کافی درک نشده است. به‌منظور رفع این خلأ، این مطالعه یک مجموعه داده طبیعی‌نگر CF کامیون‌های سنگین از عملیات طولانی‌مدت در آزادراه‌ها ایجاد کرد که برچسب‌های هشیاری راننده از سامانه Smart Eye به‌دست آمد. یک چارچوب تحلیلی سه‌سطحی برای بررسی اثرات هشیاری بر رفتار CF از منظر شاخص‌های رفتاری سطح بالا، توصیف سازوکار مبتنی بر مدل و ساختار زمانی در سطح ابتدایی اتخاذ شد. به‌طور مشخص، عملکرد کلی CF ابتدا با استفاده از شاخص‌های رایج توصیف شد، سپس با مدل Intelligent Driver Model (IDM) پارامتردهی گردید و در مقیاس زمانی دقیق‌تر از طریق ابتدایی‌ترین رفتارها که توسط مدل DS-HDP-HMM (مدل فرآیند دیریکله سلسله‌مراتبی چسبنده تفکیک‌شده پنهان مارکوف) شناسایی شدند، تفسیر شد. نتایج به‌طور پیوسته نشان داد که کاهش هشیاری با تغییر در الگوهای تنظیم طولی رانندگان همراه است که ممکن است تا حدی بازتاب پاسخ‌های جبرانی باشد. در مقایسه با رانندگی هوشیار، رانندگی غیرهوشیار با راهبرد فاصله‌گذاری محافظه‌کارانه‌تر، تنظیم طولی ملایم‌تر و کمتر تهاجمی، و رفتارهای ابتدایی نزدیک به حالت ثابت و با تنظیم ضعیف‌تر همراه بود، در حالی که اصلاحات فعال شتاب و کاهش سرعت کمتر رخ می‌داد. این یافته‌ها درک چندسطحی از سازوکارهای کنترل طولی زیربنایی رانندگی غیرهوشیار کامیون در محیط‌های آزادراهی ارائه می‌دهد و شواهد رفتاری برای توسعه سامانه‌های هوشمند کمک‌راننده که بتوانند بهتر به رانندگان کامیون غیرهوشیار پاسخ دهند، فراهم می‌کند.

Automated vehicles (AV) can exhibit diverse driving behaviors that deviate from driver expectations. More research is needed to understand drivers’ preferred driving styles when navigating safety-critical situations as well as their responses to unexpected AV driving behaviors. Forty-eight participants experienced simulated automated driving scenarios where an AV navigated a construction zone while exhibiting four different predefined driving styles that varied in terms of cautiousness and efficiency. After each trial, participants provided feedback to adjust the AV’s driving style toward their preferences, which was successfully implemented in 80% cases. Drivers’ trust, workload, voluntary takeover decisions, eye movements, and skin conductance were measured. Overall, participants preferred driving styles balancing cautiousness and efficiency. When AV behavior matched driver preferences, they reported higher trust and more stable visual scanning patterns, while unexpected behaviors were associated with broader ocular scanning. Findings can inform the development of adaptive systems that intelligently modify AV behaviors.

خودروهای خودران (AV) می‌توانند رفتارهای رانندگی متنوعی از خود نشان دهند که ممکن است با انتظارات رانندگان متفاوت باشد. پژوهش‌های بیشتری برای درک سبک‌های رانندگی ترجیحی رانندگان در موقعیت‌های بحرانی ایمنی و همچنین واکنش‌های آنان به رفتارهای غیرمنتظره خودروهای خودران مورد نیاز است. چهل‌وهشت شرکت‌کننده سناریوهای شبیه‌سازی‌شده رانندگی خودکار را تجربه کردند که در آن خودرو خودران از یک منطقه ساخت‌وساز عبور می‌کرد و چهار سبک رانندگی از پیش تعیین‌شده با سطوح مختلف احتیاط و کارایی را به نمایش می‌گذاشت. پس از هر آزمون، شرکت‌کنندگان بازخوردهایی برای تنظیم سبک رانندگی خودرو مطابق با ترجیحات خود ارائه دادند که در ۸۰٪ موارد با موفقیت اجرا شد. اعتماد رانندگان، بارکاری، تصمیمات داوطلبانه برای در دست گرفتن کنترل، حرکات چشمی و هدایت الکتریکی پوست اندازه‌گیری شد. به طور کلی، شرکت‌کنندگان سبک‌های رانندگی متعادل میان احتیاط و کارایی را ترجیح دادند. زمانی که رفتار خودرو با ترجیحات راننده مطابقت داشت، اعتماد بیشتری گزارش شد و الگوهای اسکن بصری پایدارتری مشاهده گردید، در حالی که رفتارهای غیرمنتظره با اسکن چشمی گسترده‌تر همراه بود. یافته‌ها می‌تواند به توسعه سامانه‌های تطبیقی که رفتار خودروهای خودران را به‌صورت هوشمندانه تعدیل می‌کنند، کمک نماید.

This study aims to map the global development of Arabic language education research through a bibliometric analysis of publication trends, journal sources, contributing institutions, countries of corresponding authors, and the most-cited documents. It also analyses keyword co-occurrence to identify major research themes, emerging trends, and potential future directions. Data were collected from the Scopus database using a structured search query, resulting in 166 documents after a rigorous screening process. Prior to analysis, metadata were cleaned using OpenRefine to ensure consistency and accuracy by standardizing author names, institutional affiliations, and keyword variations. Bibliometric analysis was conducted using Biblioshiny (R) and VOSviewer. In the VOSviewer analysis, a thesaurus file was applied to standardize terminology and eliminate duplication, ensuring accurate thematic mapping. The findings indicate a significant increase in publications over the past decade, reflecting growing academic interest in Arabic language education. The results show a strong dominance of technology-oriented journals, particularly in artificial intelligence and natural language processing. Research productivity is concentrated in the Middle East, especially in Saudi Arabia and Egypt, although international collaboration is gradually increasing. Highly cited documents tend to focus on computational approaches and the development of linguistic resources, highlighting their central role in advancing the field. Thematic analysis reveals five major research clusters, including machine learning, pedagogy, computational linguistics, speech processing, and natural language processing. The evolution of research topics shows a shift from traditional teaching approaches to advanced technologies such as deep learning and large language models. These patterns indicate an increasing integration of pedagogical and technological perspectives in the field. Future research directions include the development of large-scale Arabic datasets, the integration of explainable artificial intelligence, adaptive learning systems, and ethical considerations in AI-based education. These findings provide empirical insights for researchers and policymakers to support evidence-based development in Arabic language education.

این مطالعه با هدف نقشه‌برداری از روند جهانی توسعه پژوهش‌های آموزش زبان عربی از طریق تحلیل کتاب‌سنجی روندهای انتشار، منابع مجلات، نهادهای مشارکت‌کننده، کشورهای نویسندگان مسئول و اسناد پرارجاع انجام شده است. همچنین، هم‌رخدادی واژگان کلیدی برای شناسایی محورهای اصلی پژوهش، روندهای نوظهور و جهت‌گیری‌های آینده مورد تحلیل قرار گرفته است. داده‌ها با استفاده از یک پرسش ساختاریافته از پایگاه داده Scopus گردآوری شد که پس از فرایند غربالگری دقیق، ۱۶۶ سند به دست آمد. پیش از تحلیل، فراداده‌ها با استفاده از OpenRefine برای اطمینان از یکنواختی و دقت، از طریق استانداردسازی نام نویسندگان، وابستگی‌های سازمانی و گونه‌های واژگان کلیدی پاک‌سازی شد. تحلیل کتاب‌سنجی با استفاده از Biblioshiny (R) و VOSviewer انجام گرفت. در تحلیل VOSviewer، یک فایل اصطلاحنامه برای استانداردسازی واژگان و حذف تکرار به کار رفت تا نقشه‌برداری موضوعی با دقت انجام شود. یافته‌ها نشان‌دهنده افزایش قابل توجه انتشارات در دهه گذشته و بازتاب‌دهنده رشد علاقه علمی به آموزش زبان عربی است. نتایج حاکی از غلبه چشمگیر مجلات فناوری‌محور، به ویژه در حوزه هوش مصنوعی و پردازش زبان طبیعی است. تولید پژوهش عمدتاً در خاورمیانه، به ویژه عربستان سعودی و مصر متمرکز است، هرچند همکاری‌های بین‌المللی به تدریج در حال افزایش است. اسناد پرارجاع عمدتاً بر رویکردهای محاسباتی و توسعه منابع زبانی متمرکزند و نقش محوری آن‌ها در پیشبرد این حوزه را برجسته می‌کنند. تحلیل موضوعی پنج خوشه اصلی پژوهشی شامل یادگیری ماشین، آموزش، زبان‌شناسی محاسباتی، پردازش گفتار و پردازش زبان طبیعی را نشان می‌دهد. تحول موضوعات پژوهشی، گذار از رویکردهای سنتی آموزش به فناوری‌های پیشرفته‌ای چون یادگیری عمیق و مدل‌های زبانی بزرگ را آشکار می‌سازد. این الگوها نشان‌دهنده ادغام فزاینده دیدگاه‌های آموزشی و فناورانه در این حوزه است. جهت‌گیری‌های آینده پژوهش شامل توسعه داده‌مجموعه‌های بزرگ زبان عربی، ادغام هوش مصنوعی قابل تبیین، سامانه‌های یادگیری تطبیقی و ملاحظات اخلاقی در آموزش مبتنی بر هوش مصنوعی است. این یافته‌ها بینش‌های تجربی برای پژوهشگران و سیاست‌گذاران به منظور حمایت از توسعه مبتنی بر شواهد در آموزش زبان عربی فراهم می‌کند.

This institutional alumni tracer study examined employability, work transition, competency preparation, and institutional contribution among graduates of a participating local college in the Philippines. A descriptive, cross-sectional design was used. Available responses were consolidated, deduplicated, and analyzed as a single institutional tracer dataset comprising 1,264 unique alumni records from eligible cohorts prior to 2026. Participation was voluntary, and valid responses varied across analytical modules. Of 1,258 respondents with classifiable work status, 538 were employed, 81 were self-employed or business owners, and 21 reported both, yielding a combined share of working or enterprise status of 50.9%. This figure should not be interpreted as a conventional employment or unemployment rate. Employment outcomes varied across programs and graduation cohorts, but these differences cannot be attributed to elapsed time since graduation because the design was cross-sectional. Among employed respondents with valid job-relatedness data, 72.9% reported work directly or somewhat related to their degree, while 73.7% of graduates with applicable first-job timing data obtained employment before graduation or within six months afterward. Internship or on-the-job training emerged as the leading reported job source and the highest-rated college component. Common barriers included lack of experience, transportation or location constraints, limited vacancies, low offered pay, skills mismatch, and licensing or certification requirements. A paired analysis of 16 competency items among 300 respondents identified small Holm-adjusted differences in digital literacy and responsible technology or AI use, discipline-specific and licensure readiness, and critical thinking. Findings support strengthening integrated career-development and alumni-monitoring systems and triangulating competency results with employer and course-level evidence for future institutional planning.

این مطالعه ردیابی فارغ‌التحصیلان نهادی به بررسی اشتغال‌پذیری، گذار شغلی، آمادگی شایستگی و نقش مؤسسه در میان فارغ‌التحصیلان یک کالج محلی شرکت‌کننده در فیلیپین پرداخت. طرح پژوهش توصیفی و مقطعی بود. پاسخ‌های در دسترس تجمیع، حذف موارد تکراری و به‌صورت یک مجموعه داده ردیابی نهادی شامل ۱٬۲۶۴ رکورد منحصر به فرد فارغ‌التحصیلان از گروه‌های واجد شرایط پیش از سال ۲۰۲۶ تحلیل شد. مشارکت داوطلبانه بود و پاسخ‌های معتبر در ماژول‌های تحلیلی مختلف متفاوت بود. از میان ۱٬۲۵۸ پاسخ‌دهنده با وضعیت شغلی قابل طبقه‌بندی، ۵۳۸ نفر شاغل، ۸۱ نفر خوداشتغال یا صاحب کسب‌وکار و ۲۱ نفر هر دو را گزارش کردند که سهم ترکیبی وضعیت شغلی یا کارآفرینی را به ۵۰٫۹٪ رساند. این رقم نباید به‌عنوان نرخ متعارف اشتغال یا بیکاری تفسیر شود. پیامدهای اشتغال در میان برنامه‌ها و گروه‌های فارغ‌التحصیلی متفاوت بود، اما این تفاوت‌ها را نمی‌توان به مدت زمان سپری‌شده از زمان فارغ‌التحصیلی نسبت داد، زیرا طرح پژوهش مقطعی بود. در میان پاسخ‌دهندگان شاغل با داده‌های معتبر مرتبط بودن شغل، ۷۲٫۹٪ شغلی مستقیم یا تا حدی مرتبط با مدرک خود گزارش کردند و ۷۳٫۷٪ از فارغ‌التحصیلان با داده‌های زمان اولین شغل، پیش از فارغ‌التحصیلی یا ظرف شش ماه پس از آن شاغل شدند. کارآموزی یا آموزش حین کار به‌عنوان منبع اصلی شغل و بالاترین مؤلفه ارزیابی‌شده کالج مطرح شد. موانع رایج شامل کمبود تجربه، محدودیت‌های حمل‌ونقل یا مکانی، کمبود فرصت‌های شغلی، پایین بودن دستمزد پیشنهادی، عدم تطابق مهارت‌ها و الزامات مجوز یا گواهینامه بود. تحلیل زوجی ۱۶ مؤلفه شایستگی در میان ۳۰۰ پاسخ‌دهنده تفاوت‌های کوچک تعدیل‌شده با روش Holm را در سواد دیجیتال و استفاده مسئولانه از فناوری یا هوش مصنوعی، آمادگی تخصصی و اخذ مجوز و تفکر انتقادی نشان داد. یافته‌ها بر تقویت نظام‌های یکپارچه توسعه شغلی و پایش فارغ‌التحصیلان و مثلث‌بندی نتایج شایستگی با شواهد کارفرمایان و سطح درسی برای برنامه‌ریزی نهادی آینده تأکید می‌کند.

The actual deployment of driver monitoring system (DMS) is still limited by the limited edge computing resources and the sudden risk transition caused by discrete state classification. To this end, this study proposes LTC-CGMN, a lightweight driver state evaluation framework that integrates cross granularity state mapping and temporal convolution. Firstly, the CGSM module aligns fine-grained head/hand cues with coarse-grained torso features through cross attention, and then the LTC module uses depthwise separable causal dilation convolution to capture temporal dependencies with low computational cost. In addition, the knowledge extraction scheme guided by the AHP of the National Highway Traffic Safety Administration generates a continuous Driver Risk Index (DRI), reducing the step discontinuity in risk estimation. Finally, the experimental results on the 3MDAD multimodal driving dataset showed that LTC-CGMN achieved a Top-1 accuracy of 96.37%, a DRI prediction RMSE of 0.058, and a inference rate of 33.6 FPS on NVIDIA Jetson Orin. Research has shown that LTC-CCMN provides a good balance between recognition accuracy, continuous risk estimation, and edge deployment efficiency for intelligent cockpit DMS applications.

استقرار واقعی سامانه پایش راننده (DMS) همچنان با محدودیت منابع محاسباتی لبه و انتقال ناگهانی ریسک ناشی از طبقه‌بندی گسسته وضعیت‌ها محدود می‌شود. بدین منظور، این مطالعه چارچوب ارزیابی وضعیت راننده سبک‌وزن LTC-CGMN را پیشنهاد می‌کند که نگاشت وضعیت میان‌دانه‌ای و کانولوشن زمانی را یکپارچه می‌سازد. نخست، ماژول CGSM نشانه‌های ریزدانه سر/دست را از طریق توجه متقاطع با ویژگی‌های درشت‌دانه تنه هم‌تراز می‌کند و سپس ماژول LTC با استفاده از کانولوشن علی با اتساع جداسازی‌پذیر عمقی، وابستگی‌های زمانی را با هزینه محاسباتی پایین استخراج می‌کند. افزون بر این، طرح استخراج دانش با راهنمایی AHP اداره ملی ایمنی ترافیک بزرگراه‌ها، شاخص ریسک راننده پیوسته (DRI) را تولید می‌کند و ناپیوستگی پله‌ای در برآورد ریسک را کاهش می‌دهد. در نهایت، نتایج تجربی روی پایگاه داده چندوجهی رانندگی 3MDAD نشان داد که LTC-CGMN به دقت Top-1 معادل ۹۶٫۳۷٪، RMSE پیش‌بینی DRI برابر با ۰٫۰۵۸ و نرخ استنتاج ۳۳٫۶ فریم بر ثانیه روی NVIDIA Jetson Orin دست یافته است. پژوهش‌ها نشان داده‌اند که LTC-CGMN تعادل مناسبی میان دقت شناسایی، برآورد پیوسته ریسک و کارایی استقرار لبه برای کاربردهای DMS کابین هوشمند فراهم می‌کند.

Introduction Smartphone addiction, body image concerns, eating disorders, and physical activity are interconnected issues affecting many young people, regardless of gender. This study examines differences in smartphone addiction, body image, eating disorders, and physical activity between male and female participants. Methods A cross-sectional study was conducted with 318 university students (168 males, 150 females) in Saudi Arabia. There average age was of 20.86 ± 3.47 years, a height of 168.24 ± 11.36 cm, and a weight of 65.26 ± 18.32 kg. Data were collected via an online survey using the Smartphone Addiction Scale-Short Version (SAS-SV), Body Image Questionnaire (BIQ-19), Eating Disorder Examination Questionnaire (EDE-Q 6.0) and International Physical Activity Questionnaire-Short Form (IPAQ-SF). All instruments demonstrated acceptable reliability (Cronbach’s α > 0.70) in previous validation studies. Statistical analysis employed Mann-Whitney U test and Kruskal-Wallis tests with a significance level of p < 0.05. Results No significant differences were found in smartphones addiction ( z = −0.64, p = 0.52), body image ( z = −0.32, p = 0.75), physical activity ( z = −0.61, p = 54). Whereas a significant difference was found in eating disorder ( z = 2.91, p = 0.004), with female showing higher prevalence (88%) compare to male (76%). Sub-scales revealed significant within-group differences for all variables. Conclusion This study revealed insignificant gender differences for smartphone addiction, body image, and physical activity levels except eating disorders. Future research should employ longitudinal designs and objective measures to clarify causal pathways and gender-specific mechanisms for all related variables.

مقدمه: اعتیاد به تلفن هوشمند، نگرانی‌های مربوط به تصویر بدنی، اختلالات خوردن و فعالیت بدنی مسائلی به‌هم‌پیوسته هستند که بسیاری از جوانان را فارغ از جنسیت تحت تأثیر قرار می‌دهند. این مطالعه به بررسی تفاوت‌های اعتیاد به تلفن هوشمند، تصویر بدنی، اختلالات خوردن و فعالیت بدنی بین شرکت‌کنندگان مرد و زن می‌پردازد. روش‌ها: یک مطالعه مقطعی با مشارکت ۳۱۸ دانشجوی دانشگاه (۱۶۸ مرد، ۱۵۰ زن) در عربستان سعودی انجام شد. میانگین سنی شرکت‌کنندگان ۲۰٫۸۶ ± ۳٫۴۷ سال، میانگین قد ۱۶۸٫۲۴ ± ۱۱٫۳۶ سانتی‌متر و میانگین وزن ۶۵٫۲۶ ± ۱۸٫۳۲ کیلوگرم بود. داده‌ها از طریق یک پرسشنامه آنلاین با استفاده از مقیاس اعتیاد به تلفن هوشمند-نسخه کوتاه (SAS-SV)، پرسشنامه تصویر بدنی (BIQ-19)، پرسشنامه ارزیابی اختلال خوردن (EDE-Q 6.0) و پرسشنامه بین‌المللی فعالیت بدنی-فرم کوتاه (IPAQ-SF) جمع‌آوری شد. تمامی ابزارها در مطالعات اعتبارسنجی پیشین پایایی قابل قبولی (آلفای کرونباخ > ۰٫۷۰) نشان دادند. تحلیل آماری با استفاده از آزمون من‌ویتنی U و آزمون کروسکال-والیس با سطح معناداری p < 0.05 انجام شد. نتایج: تفاوت معناداری در اعتیاد به تلفن هوشمند (z = −0.64, p = 0.52)، تصویر بدنی (z = −0.32, p = 0.75) و فعالیت بدنی (z = −0.61, p = 54) مشاهده نشد. در حالی که تفاوت معناداری در اختلال خوردن (z = 2.91, p = 0.004) مشاهده شد، به‌طوری که شیوع آن در زنان (۸۸٪) بیشتر از مردان (۷۶٪) بود. زیرمقیاس‌ها تفاوت‌های معنادار درون‌گروهی را برای تمامی متغیرها نشان دادند. نتیجه‌گیری: این مطالعه تفاوت‌های جنسیتی معناداری را در اعتیاد به تلفن هوشمند، تصویر بدنی و سطوح فعالیت بدنی به جز اختلالات خوردن نشان نداد. پژوهش‌های آینده باید از طرح‌های طولی و سنجه‌های عینی برای روشن‌سازی مسیرهای علّی و سازوکارهای ویژه جنسیت برای تمامی متغیرهای مرتبط استفاده کنند.

Rapid technological improvements present both opportunities and difficulties for teaching and learning, elevating digital media to the forefront of vocational education discussions. This study investigates the evolution of digital media research in vocational education to determine its impact on current and future educational practices. The Scopus database was used to conduct a bibliometric analysis of 28 publications published between 2005 and 2024. Despite rare oscillations, the main research trend is steadily increasing, particularly after 2020. The analysis identified four key research areas: (1) innovative digital learning via virtual reality, simulation, and e-learning platforms; (2) technological adaptation and teacher preparedness; (3) industry relevance and employability enhancement; and (4) inclusive and ethical digital transformation. Co-authorship and keyword network studies show that developing nations have contributed very little to this field's research, which is still largely regional in scope. The focus of recent research has switched to data analytics, immersive learning, and artificial intelligence (AI)-driven personalization, which reflects the intersection of emerging technologies and digital pedagogy. This paper proposes the Digital Media Integration Framework for Vocational Education Transformation, which links digital media platforms, AI integration, pedagogical innovation, and institutional preparation, based on the findings presented. The findings highlight the need for inclusive, interdisciplinary, and policy-supported strategies to assist the digital transformation of vocational learning and provide valuable insights about how digital media is changing in Technical and Vocational Education and Training (TVET).

پیشرفت‌های سریع فناوری فرصت‌ها و چالش‌هایی را برای آموزش و یادگیری ایجاد کرده و رسانه‌های دیجیتال را به محور بحث‌های آموزش فنی و حرفه‌ای تبدیل کرده است. این مطالعه به بررسی تحول پژوهش‌های رسانه‌های دیجیتال در آموزش فنی و حرفه‌ای می‌پردازد تا تأثیر آن را بر رویه‌های آموزشی کنونی و آینده مشخص کند. برای انجام تحلیل کتاب‌سنجی، از پایگاه داده Scopus استفاده شد و ۲۸ مقاله منتشرشده بین سال‌های ۲۰۰۵ تا ۲۰۲۴ مورد بررسی قرار گرفت. با وجود نوسانات اندک، روند اصلی پژوهش‌ها به طور پیوسته رو به افزایش است، به ویژه پس از سال ۲۰۲۰. این تحلیل چهار حوزه کلیدی پژوهشی را شناسایی کرد: (۱) یادگیری دیجیتال نوآورانه از طریق واقعیت مجازی، شبیه‌سازی و بسترهای آموزش الکترونیکی؛ (۲) سازگاری فناورانه و آمادگی معلمان؛ (۳) ارتباط با صنعت و ارتقای قابلیت اشتغال؛ و (۴) تحول دیجیتال فراگیر و اخلاق‌مدار. مطالعات هم‌نویسندگی و شبکه کلیدواژه‌ها نشان می‌دهد که کشورهای در حال توسعه سهم بسیار اندکی در این حوزه پژوهشی داشته‌اند و این حوزه همچنان عمدتاً منطقه‌ای باقی مانده است. تمرکز پژوهش‌های اخیر به تحلیل داده‌ها، یادگیری فراگیر و شخصی‌سازی مبتنی بر هوش مصنوعی (AI) تغییر یافته است که بازتابی از تلاقی فناوری‌های نوظهور و آموزش دیجیتال است. این مقاله چارچوب «ادغام رسانه‌های دیجیتال برای تحول آموزش فنی و حرفه‌ای» را بر اساس یافته‌های ارائه‌شده پیشنهاد می‌کند که پیوند میان بسترهای رسانه دیجیتال، ادغام هوش مصنوعی، نوآوری آموزشی و آمادگی نهادی را برقرار می‌سازد. یافته‌ها بر ضرورت راهبردهای فراگیر، میان‌رشته‌ای و مبتنی بر سیاست برای حمایت از تحول دیجیتال یادگیری فنی و حرفه‌ای تأکید می‌کند و بینش‌های ارزشمندی درباره چگونگی تغییر رسانه‌های دیجیتال در آموزش و تربیت فنی و حرفه‌ای (TVET) ارائه می‌دهد.

Fatigue-driving detection based on facial cues is challenging because the key fatigue-related regions, especially the eyes and mouth, are small, easily affected by illumination and occlusion, and must be detected in real time. To address insufficient small-target feature extraction and the trade-off between detection accuracy and model complexity, this paper proposes FWC-YOLOv8, an improved fatigue-driving detection framework built on YOLOv8s. First, an additional 160×160 detection head is introduced to preserve high-resolution spatial information and improve localization of small eye and mouth regions. Second, a Coordinate Attention (CA) module is embedded in the backbone to enhance position-aware feature representation. Third, the feature-fusion structure is refined to strengthen the interaction between shallow spatial details and deep semantic information. Finally, Wise-IoU, which uses a dynamic focusing mechanism, is adopted as the bounding-box regression loss to reduce the influence of low-quality samples and improve convergence. Experiments on the GX_FatigueDriving2020 dataset show that FWC-YOLOv8 achieves an mAP@0.50:0.95 of 0.640, corresponding to a 4.2 % improvement over the original YOLOv8s baseline. The model contains 17.0 M parameters and requires 35.5 GFLOPs, indicating a favorable balance between accuracy and computational cost. In addition, detected eye and mouth states are further converted into four fatigue indicators, namely PERCLOS, blink frequency, continuous eye-closure duration, and yawn frequency, and fused through a weighted multi-index assessment strategy to classify driver fatigue into alert, mild-fatigue, and severe-fatigue states. The framework combines task-specific facial-state detection with interpretable fatigue-level assessment.

تشخیص رانندگی در حالت خستگی مبتنی بر نشانه‌های چهره، به دلیل کوچک بودن نواحی کلیدی مرتبط با خستگی، به‌ویژه چشم‌ها و دهان، و تأثیرپذیری آسان آن‌ها از نور و انسداد، و همچنین لزوم تشخیص در زمان واقعی، چالش‌برانگیز است. به منظور رفع مشکل استخراج ناکافی ویژگی‌های اهداف کوچک و توازن میان دقت تشخیص و پیچیدگی مدل، این مقاله چارچوب تشخیص رانندگی خستگی FWC-YOLOv8 را که بر پایه YOLOv8s بهبود یافته است، پیشنهاد می‌کند. نخست، یک سر تشخیص اضافی با ابعاد ۱۶۰×۱۶۰ افزوده شده تا اطلاعات مکانی با وضوح بالا حفظ شده و مکان‌یابی نواحی کوچک چشم و دهان بهبود یابد. دوم، ماژول Coordinate Attention (CA) در بخش بک‌بون تعبیه شده تا نمایش ویژگی‌های آگاه از موقعیت را تقویت کند. سوم، ساختار همجوشی ویژگی‌ها اصلاح شده تا تعامل میان جزئیات مکانی سطحی و اطلاعات معنایی عمیق تقویت شود. در نهایت، Wise-IoU که از مکانیزم تمرکز پویا بهره می‌برد، به عنوان تابع زیان رگرسیون جعبه مرزی به کار رفته تا تأثیر نمونه‌های با کیفیت پایین کاهش یافته و همگرایی بهبود یابد. آزمایش‌ها بر روی مجموعه داده GX_FatigueDriving2020 نشان می‌دهد که FWC-YOLOv8 به مقدار mAP@0.50:0.95 برابر با ۰.۶۴۰ دست یافته که معادل ۴.۲٪ بهبود نسبت به مدل پایه YOLOv8s است. مدل شامل ۱۷.۰ میلیون پارامتر بوده و به ۳۵.۵ GFLOPs نیاز دارد که نشان‌دهنده توازن مطلوب میان دقت و هزینه محاسباتی است. علاوه بر این، وضعیت‌های چشم و دهان شناسایی‌شده به چهار شاخص خستگی شامل PERCLOS، فرکانس پلک‌زدن، مدت زمان بسته‌ماندن پیوسته چشم و فرکانس خمیازه تبدیل شده و از طریق راهبرد ارزیابی چندشاخصه وزنی برای طبقه‌بندی خستگی راننده به سه حالت هوشیار، خستگی خفیف و خستگی شدید ادغام می‌شوند. این چارچوب، تشخیص وضعیت چهره خاص وظیفه را با ارزیابی سطح خستگی قابل تفسیر ترکیب می‌کند.

This study aims to analyze the application of teachers’ digital literacy in the transformation of Islamic Religious Education and Ethics in elementary schools, including planning, implementation, utilization of digital resources and media, evaluation, as well as supporting and inhibiting factors. The research uses a qualitative approach with a multi-case case study design at SD Negeri 3 Labuhan Ratu, SD Negeri 1 Kampung Baru, and SD Negeri 1 Sepang Jaya. Data was obtained through observation, semi-structured interviews, and documentation, then analyzed through case analysis and cross-case analysis. The validity of the data was strengthened through triangulation of sources and techniques. The results of the study showed that the three schools have implemented digital literacy in the planning, implementation, and evaluation of learning. Teachers utilize video, PowerPoint, internet, laptops, projectors, and Smart TVs according to learning objectives and needs. The application of digital literacy also includes digital skills, ethics, security, and culture. The similarities between cases can be seen in the basic pattern of their application, while the differences are in the type of media, the availability of facilities, and the equitable distribution of teachers’ digital competencies. The findings show that the application of digital literacy does not only depend on the availability of technology, but also on the ability of teachers to integrate it with learning needs.

هدف این پژوهش، تحلیل کاربرد سواد دیجیتال معلمان در تحول آموزش دینی اسلامی و اخلاق در مدارس ابتدایی، شامل برنامه‌ریزی، اجرا، بهره‌برداری از منابع و رسانه‌های دیجیتال، ارزشیابی، همچنین عوامل حمایت‌کننده و بازدارنده است. این پژوهش با رویکرد کیفی و با طرح مطالعه موردی چندگانه در دبستان دولتی شماره ۳ لابوهان راتو، دبستان دولتی شماره ۱ کامپونگ بارو و دبستان دولتی شماره ۱ سپانگ جایا انجام شده است. داده‌ها از طریق مشاهده، مصاحبه نیمه‌ساختاریافته و اسناد گردآوری و سپس با تحلیل موردی و تحلیل بین‌موردی بررسی شدند. روایی داده‌ها از طریق مثلث‌سازی منابع و فنون تقویت گردید. نتایج پژوهش نشان داد که هر سه مدرسه سواد دیجیتال را در برنامه‌ریزی، اجرا و ارزشیابی یادگیری به کار گرفته‌اند. معلمان بر اساس اهداف و نیازهای آموزشی از ویدئو، پاورپوینت، اینترنت، لپ‌تاپ، پروژکتور و تلویزیون هوشمند استفاده می‌کنند. کاربرد سواد دیجیتال همچنین شامل مهارت‌های دیجیتال، اخلاق، امنیت و فرهنگ می‌شود. شباهت میان موارد در الگوی پایه کاربرد آن‌ها مشاهده می‌شود، در حالی که تفاوت‌ها در نوع رسانه، دسترسی به امکانات و توزیع عادلانه شایستگی‌های دیجیتال معلمان است. یافته‌ها نشان می‌دهد که کاربرد سواد دیجیتال تنها به وجود فناوری بستگی ندارد، بلکه به توانایی معلمان در ادغام آن با نیازهای آموزشی نیز وابسته است.

Context. Automated analysis of sports movements is an important area of modern intelligent computer systems and sports science. In gymnastics, assessing the quality of a performance depends largely on subjective judgment, which limits the accuracy and reproducibility of results. The use of image analysis and artificial intelligence methods opens up the possibility of creating automated systems for recognizing gymnastic elements, but the high dimensionality of visual data complicates the practical implementation of such solutions. This necessitates the search for approaches that increase accuracy and reduce computational complexity.Objective. The purpose of the work is to determine the impact of using the method of main components in combination with deep neural networks on the accuracy, speed and generalization ability of models for classifying gymnastic elements by images.Method. The paper uses an approach that combines the preliminary reduction of the dimensionality of images by the method of main components and subsequent classification using neural networks of different architectures. The study was performed on a set of images of gymnastic elements with preliminary normalization and unification of data. A comparative experimental analysis of models with full and reduced dimensionality of the input space was carried out.Results. The results obtained show that the reduction of dimensionality allows to significantly reduce the computational complexity of models without a significant loss of classification quality. It has been established that the combination of the principal component method with a fully connected neural network provides accuracy comparable to resource-intensive convolutional architectures with significantly lower requirements for computing resources. An optimal balance between preserving the information content of data and noise filtering has been revealed.Conclusions. The scientific novelty of the work lies in the complex experimental substantiation of the effectiveness of the hybrid approach to the classification of gymnastic elements in the compressed feature space. The practical significance of the results lies in the possibility of creating compact and high-speed systems for automated analysis of sports movements, suitable for use in mobile and embedded applications. further work in this direction

زمینه: تحلیل خودکار حرکات ورزشی یکی از حوزه‌های مهم سامانه‌های هوشمند رایانه‌ای و علم ورزش مدرن است. در ژیمناستیک، ارزیابی کیفیت اجرا تا حد زیادی به قضاوت ذهنی وابسته است که این امر دقت و قابلیت تکرار نتایج را محدود می‌کند. استفاده از روش‌های تحلیل تصویر و هوش مصنوعی امکان ایجاد سامانه‌های خودکار برای شناسایی عناصر ژیمناستیکی را فراهم می‌سازد، اما ابعاد بالای داده‌های بصری، پیاده‌سازی عملی چنین راه‌حل‌هایی را پیچیده می‌کند. این امر ضرورت جستجوی رویکردهایی را ایجاب می‌کند که دقت را افزایش داده و پیچیدگی محاسباتی را کاهش دهند. هدف: هدف این پژوهش تعیین تأثیر استفاده از روش مؤلفه‌های اصلی در ترکیب با شبکه‌های عصبی عمیق بر دقت، سرعت و قابلیت تعمیم مدل‌ها برای طبقه‌بندی عناصر ژیمناستیک بر اساس تصاویر است. روش: در این مقاله رویکردی به کار رفته است که کاهش ابعاد اولیه تصاویر با روش مؤلفه‌های اصلی را با طبقه‌بندی پسین با استفاده از شبکه‌های عصبی با معماری‌های مختلف ترکیب می‌کند. مطالعه بر روی مجموعه‌ای از تصاویر عناصر ژیمناستیک با نرمال‌سازی و یکسان‌سازی اولیه داده‌ها انجام شده است. تحلیل تجربی مقایسه‌ای مدل‌ها با فضای ورودی کامل و کاهش‌یافته ابعاد صورت گرفته است. یافته‌ها: نتایج به‌دست‌آمده نشان می‌دهد که کاهش ابعاد به طور معناداری پیچیدگی محاسباتی مدل‌ها را بدون افت قابل توجه کیفیت طبقه‌بندی کاهش می‌دهد. مشخص شد که ترکیب روش مؤلفه‌های اصلی با شبکه عصبی کاملاً متصل، دقتی قابل مقایسه با معماری‌های پیچیده مبتنی بر شبکه عصبی کانولوشنی با نیاز به منابع محاسباتی بسیار کمتر فراهم می‌کند. تعادل بهینه‌ای میان حفظ محتوای اطلاعاتی داده‌ها و پالایش نویز شناسایی شد. نتیجه‌گیری: نوآوری علمی این پژوهش در اثبات تجربی جامع اثربخشی رویکرد ترکیبی برای طبقه‌بندی عناصر ژیمناستیک در فضای ویژگی فشرده نهفته است. اهمیت عملی نتایج در امکان ایجاد سامانه‌های فشرده و پرسرعت برای تحلیل خودکار حرکات ورزشی است که برای استفاده در کاربردهای موبایل و نهفته مناسب می‌باشند. ادامه پژوهش در این زمینه پیشنهاد می‌شود.

The swift evolution of Artificial Intelligence (AI) is dramatically changing the landscape of education, especially when it comes to assessment. Traditional methods, which focus heavily on standardized tests and final evaluations, are falling short in capturing the complex cognitive, social, and digital skills that are essential in today’s world. This paper delves into the transformative power of AI in educational assessment and suggests a strategic framework for embracing digital change. By reviewing current literature, the study highlights AI-driven innovations like adaptive testing, automated grading, learning analytics, and competency-based assessment models. It also tackles important challenges such as ethical issues, algorithmic bias, data privacy, and maintaining academic integrity. The paper emphasizes that a comprehensive, policy-oriented, and pedagogically sound approach are crucial for effectively integrating AI into assessment systems. In the end, it offers practical strategies for institutions aiming to update their assessment practices in an AI-enhanced educational environment.

تحول سریع هوش مصنوعی (AI) به طور چشمگیری چشم‌انداز آموزش را، به ویژه در حوزه ارزیابی، دگرگون کرده است. روش‌های سنتی که عمدتاً بر آزمون‌های استاندارد و ارزیابی‌های نهایی تمرکز دارند، در سنجش مهارت‌های پیچیده شناختی، اجتماعی و دیجیتال که در دنیای امروز ضروری هستند، ناکارآمد شده‌اند. این مقاله به بررسی قدرت تحول‌آفرین هوش مصنوعی در ارزیابی آموزشی می‌پردازد و چارچوبی راهبردی برای پذیرش تغییر دیجیتال پیشنهاد می‌کند. با مرور ادبیات موجود، پژوهش به نوآوری‌های مبتنی بر هوش مصنوعی مانند آزمون‌های تطبیقی، نمره‌دهی خودکار، تحلیل یادگیری و مدل‌های ارزیابی مبتنی بر شایستگی می‌پردازد. همچنین به چالش‌های مهمی همچون مسائل اخلاقی، سوگیری الگوریتمی، حریم خصوصی داده‌ها و حفظ سلامت علمی اشاره می‌کند. مقاله تأکید می‌کند که رویکردی جامع، سیاست‌محور و مبتنی بر اصول آموزشی برای ادغام مؤثر هوش مصنوعی در نظام‌های ارزیابی ضروری است. در پایان، راهبردهای عملی برای نهادهایی که قصد به‌روزرسانی شیوه‌های ارزیابی خود در محیط آموزشی تقویت‌شده با هوش مصنوعی را دارند، ارائه می‌دهد.

Mobile GUI Agents powered by multimodal large language models (MLLMs) show promise in human-computer intelligence. However, current research primarily focuses on reactive task execution while lacking a comprehensive “understanding-prediction-execution” process for user intentions, which are the core requirements of active agents. In this paper, we propose the Act2Intention framework that builds an active mobile agent by integrating understanding, predicting user intentions, and executing decisions. Firstly, we constructed the Act2Intention Bench through collection and validated generation, comprising 72,511 intentions and over 700,000 actions across 52 apps, thereby establishing the first benchmark for evaluating proactive agents via continuous “intention-actions” trajectories. We further develop the Act2Intention Agent, achieving proactive services through Proactive-oriented Intention Understanding, Personalized Proactive Intention Prediction, and Experience-guided Intention Execution. Experimental results show that supervised fine-tuning on Act2Intention Bench yields absolute improvements of +32.0 Acc-S, +10.25 Acc-S, and +6.9 SSR points over non-fine-tuned counterparts under the same agent framework for intention understanding, prediction, and execution, respectively. This success underscores the necessity and value of the Act2Intention Bench, which establishes a standardized platform for developing and evaluating proactive agents and consequently paves the way for research on intention-driven human-computer interaction. To facilitate further research, we open-source our code and Act2Intention Bench at: npuNancy/Act2Intention.

عامل‌های رابط کاربری موبایل مبتنی بر مدل‌های زبانی بزرگ چندوجهی (MLLMs) نویدبخش پیشرفت در هوش انسان-رایانه هستند. با این حال، پژوهش‌های کنونی عمدتاً بر اجرای واکنشی وظایف تمرکز دارند و فاقد فرایند جامع «درک-پیش‌بینی-اجرا» برای نیت‌های کاربر هستند که از الزامات اصلی عامل‌های فعال به‌شمار می‌رود. در این مقاله، چارچوب Act2Intention را پیشنهاد می‌کنیم که با ادغام درک، پیش‌بینی نیت کاربر و اجرای تصمیمات، یک عامل فعال موبایل ایجاد می‌کند. نخست، Act2Intention Bench را از طریق گردآوری و تولید اعتبارسنجی‌شده ایجاد کردیم که شامل ۷۲٬۵۱۱ نیت و بیش از ۷۰۰٬۰۰۰ کنش در ۵۲ برنامه است و بدین ترتیب نخستین معیار برای ارزیابی عامل‌های پیش‌فعال از طریق مسیرهای پیوسته «نیت-کنش» را پایه‌گذاری کردیم. همچنین عامل Act2Intention را توسعه دادیم که خدمات پیش‌فعال را از طریق «درک نیت مبتنی بر پیش‌فعالیت»، «پیش‌بینی نیت شخصی‌سازی‌شده» و «اجرای نیت هدایت‌شده با تجربه» ارائه می‌دهد. نتایج تجربی نشان می‌دهد که تنظیم نظارت‌شده بر روی Act2Intention Bench بهبود مطلق +۳۲٫۰ Acc-S، +۱۰٫۲۵ Acc-S و +۶٫۹ SSR را نسبت به نسخه‌های بدون تنظیم در همان چارچوب عامل، به‌ترتیب در درک، پیش‌بینی و اجرای نیت به همراه دارد. این موفقیت بر ضرورت و ارزش Act2Intention Bench تأکید می‌کند که بستری استاندارد برای توسعه و ارزیابی عامل‌های پیش‌فعال فراهم می‌آورد و مسیر پژوهش در تعامل انسان-رایانه مبتنی بر نیت را هموار می‌سازد. به‌منظور تسهیل پژوهش‌های بیشتر، کد و Act2Intention Bench به‌صورت متن‌باز در npuNancy/Act2Intention ارائه شده است.

Graduate employability remains a central concern in computing education, where students are expected to move from academic learning into professional environments requiring technical, organisational, social and self-management capabilities. This study examines, from a Scholarship of Teaching and Learning perspective, changes in students’ self-reported work readiness after participation in a curriculum-embedded consultant–client project workflow in an undergraduate computing module in Botswana. The module required student teams to elicit requirements, complete benchmarking activities, develop an e-learning module, participate in structured meetings, prepare staged deliverables, demonstrate outputs to peer-client teams and submit final handover documentation. A within-cohort pre–post survey design was used. Self-reported work readiness was measured before and after the module using an adapted Work Readiness Scale. Thirty-two students with matched pre- and post-module responses were included in the final analysis. Wilcoxon signed-rank tests were used to compare pre- and post-module scores. Significant increases were found in organisational acumen, work competence, social intelligence and overall self-reported work readiness, while personal characteristics did not change significantly. Sensitivity analysis excluding one influential case showed that work competence, social intelligence and overall self-reported work readiness remained significant, while organisational acumen became a non-significant positive trend. The study provides practical guidance for computing educators by illustrating how professional project practices can be made explicit, structured and assessable within the curriculum.

اشتغال‌پذیری فارغ‌التحصیلان همچنان یکی از دغدغه‌های اصلی در آموزش رایانه است، جایی که انتظار می‌رود دانشجویان از یادگیری دانشگاهی به محیط‌های حرفه‌ای با نیاز به توانمندی‌های فنی، سازمانی، اجتماعی و خودمدیریتی منتقل شوند. این مطالعه از منظر بورس آموزش و یادگیری، تغییرات در آمادگی شغلی خودگزارش‌شده دانشجویان پس از مشارکت در جریان کاری پروژه مشاور–مشتری تعبیه‌شده در برنامه درسی یک واحد درسی کارشناسی رایانه در بوتسوانا را بررسی می‌کند. این واحد درسی مستلزم آن بود که تیم‌های دانشجویی نیازمندی‌ها را استخراج کنند، فعالیت‌های بنچمارکینگ را انجام دهند، یک واحد آموزش الکترونیکی توسعه دهند، در جلسات ساختاریافته شرکت کنند، تحویل‌دادنی‌های مرحله‌ای آماده سازند، خروجی‌ها را به تیم‌های همتای مشتری ارائه دهند و مستندات نهایی واگذاری را ارائه نمایند. از طرح پیمایش پیش‌آزمون–پس‌آزمون درون‌گروهی استفاده شد. آمادگی شغلی خودگزارش‌شده پیش و پس از واحد درسی با استفاده از نسخه تعدیل‌شده مقیاس آمادگی شغلی سنجیده شد. سی‌ودو دانشجو با پاسخ‌های منطبق پیش و پس از واحد درسی در تحلیل نهایی وارد شدند. برای مقایسه نمرات پیش و پس از واحد درسی از آزمون رتبه علامت‌دار ویلکاکسون استفاده شد. افزایش معناداری در فراست سازمانی، شایستگی شغلی، هوش اجتماعی و آمادگی شغلی کلی خودگزارش‌شده مشاهده شد، در حالی که ویژگی‌های فردی تغییر معناداری نداشتند. تحلیل حساسیت با حذف یک مورد تأثیرگذار نشان داد که شایستگی شغلی، هوش اجتماعی و آمادگی شغلی کلی خودگزارش‌شده همچنان معنادار باقی ماندند، در حالی که فراست سازمانی به روند مثبت غیرمعنادار تبدیل شد. این مطالعه با تبیین چگونگی صریح، ساختارمند و قابل ارزیابی کردن شیوه‌های پروژه حرفه‌ای در برنامه درسی، راهنمایی عملی برای مدرسان رایانه ارائه می‌دهد.

Stress is a highly individualized and dynamic psychophysiological response, making reliable continuous monitoring challenging.Existing artificial intelligence approaches to stress detection have demonstrated the usefulness of physiological and neural signals, including electrodermal activity (EDA), heart rate variability (HRV), and electroencephalography (EEG).However, many existing approaches rely on population-level models or limited personalization, while longitudinal validation and adaptive modeling remain comparatively underexplored.This research proposes an adaptive, personalized AI framework for longitudinal stress monitoring by integrating complementary neural and physiological signals from EEG, HRV, and EDA.The proposed framework will initially establish an individual's baseline characteristics and subsequently identify deviations from their personal baseline rather than relying solely on generalized stress patterns across individuals.Machine learning techniques will be investigated for multimodal feature fusion and adaptive model updating as additional individual data becomes available.The study will compare the performance of conventional population-level models with personalized and progressively adaptive models using appropriate evaluation metrics.The research aims to determine whether incorporating individual baseline characteristics and continuous adaptation can improve the reliability and generalizability of stress monitoring.The proposed framework is intended as a foundation for future noninvasive, personalized, and wearable AI-based stressmonitoring systems, while addressing current challenges associated with inter-individual variability, multimodal integration, and longitudinal assessment.

استرس یک پاسخ روان‌فیزیولوژیک بسیار فردی و پویا است که پایش پیوسته و پایا را دشوار می‌سازد. رویکردهای هوش مصنوعی موجود در شناسایی استرس، سودمندی سیگنال‌های فیزیولوژیک و عصبی از جمله فعالیت الکترودرمال (EDA)، تغییرپذیری ضربان قلب (HRV) و الکتروانسفالوگرافی (EEG) را نشان داده‌اند. با این حال، بسیاری از رویکردهای موجود بر مدل‌های مبتنی بر جمعیت یا شخصی‌سازی محدود تکیه دارند، در حالی که اعتبارسنجی طولی و مدل‌سازی تطبیقی نسبتاً کمتر مورد بررسی قرار گرفته‌اند. این پژوهش یک چارچوب هوش مصنوعی تطبیقی و شخصی‌ساز برای پایش طولی استرس با ادغام سیگنال‌های عصبی و فیزیولوژیک مکمل از EEG، HRV و EDA پیشنهاد می‌کند. چارچوب پیشنهادی در ابتدا ویژگی‌های پایه هر فرد را تعیین کرده و سپس انحرافات از خط پایه شخصی را شناسایی می‌کند، به جای آنکه صرفاً بر الگوهای استرس تعمیم‌یافته میان افراد تکیه کند. تکنیک‌های یادگیری ماشین برای همجوشی ویژگی‌های چندوجهی و به‌روزرسانی تطبیقی مدل با در دسترس قرار گرفتن داده‌های فردی بیشتر مورد بررسی قرار خواهند گرفت. این مطالعه عملکرد مدل‌های متداول مبتنی بر جمعیت را با مدل‌های شخصی‌ساز و تدریجاً تطبیقی با استفاده از معیارهای ارزیابی مناسب مقایسه خواهد کرد. هدف پژوهش تعیین این است که آیا گنجاندن ویژگی‌های خط پایه فردی و تطبیق پیوسته می‌تواند پایایی و تعمیم‌پذیری پایش استرس را بهبود بخشد یا خیر. چارچوب پیشنهادی به عنوان بنیانی برای سامانه‌های آینده پایش استرس مبتنی بر هوش مصنوعی، غیرتهاجمی، شخصی‌ساز و پوشیدنی در نظر گرفته شده است، در حالی که به چالش‌های فعلی مرتبط با تفاوت‌های بین‌فردی، ادغام چندوجهی و ارزیابی طولی می‌پردازد.

Short video platforms require recommendation models that can adapt to rapidly changing user interests while optimizing engagement beyond immediate click feedback. Existing collaborative filtering and supervised deep learning methods are effective for static preference matching and short-term click-through-rate prediction, but they are less suited to sequential recommendation scenarios where each recommended item influences subsequent user behavior. To address this limitation, this paper proposes a deep reinforcement learning (DRL) framework for short video recommendation. The recommendation process is formulated as a Markov Decision Process (MDP), in which the user state is constructed from historical interactions and multimodal item features, the action corresponds to selecting candidate videos, and the reward integrates immediate feedback with delayed engagement signals. A Deep Q-Network (DQN)-based agent is trained in an offline simulation environment based on the KuaiRec short-video dataset and is compared with representative baselines, including popularity-based recommendation, matrix factorization, and supervised DNN models. The experimental results show that the DRL agent better balances click relevance, session duration, and recommendation diversity, particularly in long-term engagement-oriented metrics. Ablation results further confirm that combining immediate and delayed reward signals is important for learning a robust recommendation policy. This study provides a practical framework for developing intelligent short video recommendation systems that shift the optimization objective from short-term response maximization toward long-term user value.

پلتفرم‌های ویدئوی کوتاه به مدل‌های توصیه‌گری نیاز دارند که بتوانند خود را با علایق به‌سرعت متغیر کاربران تطبیق دهند و در عین حال، بهینه‌سازی تعامل را فراتر از بازخوردهای فوری کلیک انجام دهند. روش‌های موجود فیلترینگ مشارکتی و یادگیری عمیق نظارت‌شده برای تطبیق ترجیحات ایستا و پیش‌بینی نرخ کلیک کوتاه‌مدت مؤثر هستند، اما برای سناریوهای توصیه‌گری دنباله‌دار که در آن هر آیتم توصیه‌شده بر رفتار بعدی کاربر تأثیر می‌گذارد، کمتر مناسب‌اند. برای رفع این محدودیت، این مقاله چارچوبی مبتنی بر یادگیری تقویتی عمیق (DRL) برای توصیه‌گری ویدئوی کوتاه پیشنهاد می‌کند. فرایند توصیه‌گری به صورت یک فرایند تصمیم‌گیری مارکوف (MDP) مدل‌سازی شده است که در آن وضعیت کاربر از تعاملات پیشین و ویژگی‌های چندوجهی آیتم‌ها ساخته می‌شود، عمل معادل انتخاب ویدئوهای کاندید است و پاداش، بازخورد فوری را با سیگنال‌های تعامل تأخیری ادغام می‌کند. یک عامل مبتنی بر شبکه عصبی Q عمیق (DQN) در محیط شبیه‌سازی آفلاین مبتنی بر مجموعه‌داده KuaiRec آموزش داده شده و با مبناهای نماینده از جمله توصیه‌گر مبتنی بر محبوبیت، تجزیه ماتریسی و مدل‌های DNN نظارت‌شده مقایسه می‌شود. نتایج تجربی نشان می‌دهد که عامل DRL تعادل بهتری میان ارتباط کلیک، مدت زمان نشست و تنوع توصیه برقرار می‌کند، به‌ویژه در شاخص‌های مبتنی بر تعامل بلندمدت. نتایج حذف مؤلفه‌ها نیز تأیید می‌کند که ترکیب سیگنال‌های پاداش فوری و تأخیری برای یادگیری سیاست توصیه‌گری مقاوم اهمیت دارد. این مطالعه چارچوبی عملی برای توسعه سامانه‌های هوشمند توصیه‌گر ویدئوی کوتاه ارائه می‌دهد که هدف بهینه‌سازی را از حداکثرسازی پاسخ کوتاه‌مدت به سوی ارزش بلندمدت کاربر تغییر می‌دهد.

Introduction The increasing integration of digital and artificial intelligence-supported systems into sport organizations has transformed managerial processes such as performance monitoring, evaluation, planning, scheduling, and decision-making. This study examined the association between algorithmic management and technostress among sport science professionals and investigated the moderating role of techno-related control. Methods A quantitative cross-sectional design was employed with 372 sport science professionals working in sport-related organizations where digital or AI-supported systems were used to perform or support managerial functions. Algorithmic management was assessed using the Algorithmic Management Questionnaire, technostress was measured using the Turkish version of the Technostress Creators Scale, and techno-related control was assessed using the Techno-related Control subscale of the Technology-Related Moderator Scale. The measurement model was evaluated through confirmatory factor analysis, and the hypothesized moderation model was tested using Hayes’ PROCESS Macro Model 1. Results Algorithmic management was positively associated with technostress (B = 0.38, p < 0.001), whereas techno-related control was negatively associated with technostress (B = −0.17, p < 0.001). In addition, the interaction between algorithmic management and techno-related control was negative and statistically significant (B = −0.12, SE = 0.038, p = 0.002, 95% CI [−0.19, −0.05]). The interaction explained an additional 2.1% of the variance in technostress (ΔR² = 0.021), indicating that the positive association between algorithmic management and technostress became weaker as techno-related control increased. Discussion These findings suggest that techno-related control may represent a meaningful, although modest, boundary condition in the relationship between algorithmic management and technostress and may help explain differences in how sport science professionals experience technology-mediated managerial demands.

مقدمه: ادغام فزاینده سامانه‌های دیجیتال و مبتنی بر هوش مصنوعی در سازمان‌های ورزشی، فرایندهای مدیریتی نظیر پایش عملکرد، ارزیابی، برنامه‌ریزی، زمان‌بندی و تصمیم‌گیری را دگرگون ساخته است. این مطالعه به بررسی ارتباط بین مدیریت الگوریتمی و تکنواسترس در میان متخصصان علوم ورزشی پرداخت و نقش تعدیل‌گری کنترل مرتبط با فناوری را مورد بررسی قرار داد. روش‌ها: یک طرح کمی مقطعی با مشارکت ۳۷۲ متخصص علوم ورزشی شاغل در سازمان‌های مرتبط با ورزش که در آن‌ها سامانه‌های دیجیتال یا مبتنی بر هوش مصنوعی برای انجام یا پشتیبانی از وظایف مدیریتی به کار گرفته می‌شود، اجرا شد. مدیریت الگوریتمی با استفاده از پرسشنامه مدیریت الگوریتمی، تکنواسترس با نسخه ترکی استانبولی مقیاس ایجادکنندگان تکنواسترس، و کنترل مرتبط با فناوری با زیرمقیاس کنترل مرتبط با فناوری از مقیاس تعدیل‌گر مرتبط با فناوری ارزیابی شد. مدل اندازه‌گیری از طریق تحلیل عاملی تأییدی ارزیابی شد و مدل فرضی تعدیل‌گری با استفاده از مدل ۱ ماکروی PROCESS Hayes آزمون گردید. یافته‌ها: مدیریت الگوریتمی با تکنواسترس رابطه مثبت داشت (B = 0.38, p < 0.001)، در حالی که کنترل مرتبط با فناوری با تکنواسترس رابطه منفی داشت (B = −0.17, p < 0.001). همچنین، تعامل بین مدیریت الگوریتمی و کنترل مرتبط با فناوری منفی و از لحاظ آماری معنادار بود (B = −0.12, SE = 0.038, p = 0.002, 95% CI [−0.19, −0.05]). این تعامل ۲.۱٪ واریانس اضافی تکنواسترس را تبیین کرد (ΔR² = 0.021)، که نشان می‌دهد با افزایش کنترل مرتبط با فناوری، ارتباط مثبت بین مدیریت الگوریتمی و تکنواسترس تضعیف می‌شود. بحث: این یافته‌ها نشان می‌دهد که کنترل مرتبط با فناوری می‌تواند به عنوان یک شرط مرزی معنادار، هرچند نسبتاً کوچک، در رابطه بین مدیریت الگوریتمی و تکنواسترس مطرح باشد و به تبیین تفاوت‌های تجربه متخصصان علوم ورزشی از الزامات مدیریتی مبتنی بر فناوری کمک کند.