هوش

This article examines the differences between human judgment and algorithmic decision-making in critical logistics systems, focusing on the implications for the concepts of trust and control. The aim of the study is to determine whether AI-based systems can perform functions equivalent to human judgment and what implications this has for operational safety and accountability in complex logistics systems. The study is based on an interdisciplinary analysis, including a review of the literature on artificial intelligence, system safety, and human factors research, as well as a philosophical analysis. This is supplemented by a case study of selected incidents related to the operation of automated systems in high-risk environments, which allows the identification of practical limitations in integrating humans and algorithmic systems. The results indicate that decisions generated by algorithmic systems are statistical and optimization-based, which distinguishes them from human judgment, which takes into account context, uncertainty, and emotions. Consequently, trust in AI systems takes the form of an indirect, user-dependent relationship rather than an autonomous property of the technology. At the same time, increasing levels of automation lead to a diffusion of responsibility and a reduction in direct control over decision-making processes. The findings indicate that full automation of decisions in critical safety systems. Consequently, trust in AI systems takes the form of an indirect, user-dependent relationship rather than an autonomous property of the technology.

این مقاله به بررسی تفاوت‌های میان قضاوت انسانی و تصمیم‌گیری الگوریتمی در سامانه‌های لجستیکی حساس به ایمنی می‌پردازد و پیامدهای آن را برای مفاهیم اعتماد و کنترل مورد تحلیل قرار می‌دهد. هدف این مطالعه تعیین این است که آیا سامانه‌های مبتنی بر هوش مصنوعی می‌توانند عملکردهایی معادل با قضاوت انسانی داشته باشند و این امر چه پیامدهایی برای ایمنی عملیاتی و پاسخگویی در سامانه‌های لجستیکی پیچیده دارد. این پژوهش مبتنی بر تحلیلی میان‌رشته‌ای است که شامل مرور ادبیات مرتبط با هوش مصنوعی، ایمنی سامانه و پژوهش‌های عوامل انسانی، همچنین تحلیل فلسفی می‌شود. این تحلیل با مطالعه موردی درباره برخی رخدادهای مرتبط با عملکرد سامانه‌های خودکار در محیط‌های پرخطر تکمیل شده است که امکان شناسایی محدودیت‌های عملی در یکپارچه‌سازی انسان و سامانه‌های الگوریتمی را فراهم می‌کند. نتایج نشان می‌دهد که تصمیمات تولیدشده توسط سامانه‌های الگوریتمی مبتنی بر آمار و بهینه‌سازی هستند که آن‌ها را از قضاوت انسانی که زمینه، عدم قطعیت و هیجانات را در نظر می‌گیرد، متمایز می‌کند. در نتیجه، اعتماد به سامانه‌های هوش مصنوعی به صورت یک رابطه غیرمستقیم و وابسته به کاربر شکل می‌گیرد و نه به عنوان یک ویژگی مستقل از فناوری. همزمان، افزایش سطوح خودکارسازی منجر به پخش مسئولیت و کاهش کنترل مستقیم بر فرایندهای تصمیم‌گیری می‌شود. یافته‌ها نشان می‌دهد که خودکارسازی کامل تصمیمات در سامانه‌های حساس به ایمنی... در نتیجه، اعتماد به سامانه‌های هوش مصنوعی به صورت یک رابطه غیرمستقیم و وابسته به کاربر شکل می‌گیرد و نه به عنوان یک ویژگی مستقل از فناوری.

This article examines the differences between human judgment and algorithmic decision-making in critical logistics systems, focusing on the implications for the concepts of trust and control. The aim of the study is to determine whether AI-based systems can perform functions equivalent to human judgment and what implications this has for operational safety and accountability in complex logistics systems. The study is based on an interdisciplinary analysis, including a review of the literature on artificial intelligence, system safety, and human factors research, as well as a philosophical analysis. This is supplemented by a case study of selected incidents related to the operation of automated systems in high-risk environments, which allows the identification of practical limitations in integrating humans and algorithmic systems. The results indicate that decisions generated by algorithmic systems are statistical and optimization-based, which distinguishes them from human judgment, which takes into account context, uncertainty, and emotions. Consequently, trust in AI systems takes the form of an indirect, user-dependent relationship rather than an autonomous property of the technology. At the same time, increasing levels of automation lead to a diffusion of responsibility and a reduction in direct control over decision-making processes. The findings indicate that full automation of decisions in critical safety systems. Consequently, trust in AI systems takes the form of an indirect, user-dependent relationship rather than an autonomous property of the technology.

این مقاله به بررسی تفاوت‌های میان قضاوت انسانی و تصمیم‌گیری الگوریتمی در سامانه‌های لجستیکی حساس به ایمنی می‌پردازد و پیامدهای آن را برای مفاهیم اعتماد و کنترل مورد تحلیل قرار می‌دهد. هدف این مطالعه تعیین این است که آیا سامانه‌های مبتنی بر هوش مصنوعی می‌توانند عملکردهایی معادل با قضاوت انسانی داشته باشند و این امر چه پیامدهایی برای ایمنی عملیاتی و پاسخگویی در سامانه‌های لجستیکی پیچیده دارد. این پژوهش مبتنی بر تحلیلی میان‌رشته‌ای است که شامل مرور ادبیات مرتبط با هوش مصنوعی، ایمنی سامانه و پژوهش‌های عوامل انسانی، همچنین تحلیل فلسفی می‌شود. این تحلیل با مطالعه موردی درباره برخی رخدادهای مرتبط با عملکرد سامانه‌های خودکار در محیط‌های پرخطر تکمیل شده است که امکان شناسایی محدودیت‌های عملی در یکپارچه‌سازی انسان و سامانه‌های الگوریتمی را فراهم می‌کند. نتایج نشان می‌دهد که تصمیمات تولیدشده توسط سامانه‌های الگوریتمی مبتنی بر آمار و بهینه‌سازی هستند که آن‌ها را از قضاوت انسانی که زمینه، عدم قطعیت و هیجانات را در نظر می‌گیرد، متمایز می‌کند. در نتیجه، اعتماد به سامانه‌های هوش مصنوعی به صورت یک رابطه غیرمستقیم و وابسته به کاربر شکل می‌گیرد و نه به عنوان یک ویژگی مستقل از فناوری. همزمان، افزایش سطوح خودکارسازی منجر به پخش مسئولیت و کاهش کنترل مستقیم بر فرایندهای تصمیم‌گیری می‌شود. یافته‌ها نشان می‌دهد که خودکارسازی کامل تصمیمات در سامانه‌های حساس به ایمنی... در نتیجه، اعتماد به سامانه‌های هوش مصنوعی به صورت یک رابطه غیرمستقیم و وابسته به کاربر شکل می‌گیرد و نه به عنوان یک ویژگی مستقل از فناوری.

Islamic civilization is one of the major civilizations that has significantly contributed to the development of science and education worldwide. During its golden age, it established educational institutions, fostered scholarly traditions, and produced influential scholars whose ideas continue to shape modern knowledge in the digital era. This article examines the relevance of Islamic civilizational values to the development of modern education through qualitative library research using thematic content analysis. The findings show that Islamic education was distinguished by four interrelated values, namely a strong culture of literacy, the integration of religious and general knowledge, an emphasis on moral formation (akhlak), and openness to knowledge from other civilizations, which together enabled scholars to advance science while upholding ethical and social responsibility. These values are highly relevant to addressing contemporary educational challenges, including declining critical literacy, uncritical dependence on digital technology and artificial intelligence, and the ongoing crisis of learners’ character. These values can inform the development of a modern educational system that integrates critical thinking, digital literacy, character education, and lifelong learning while maintaining moral and social responsibility.

Effective leadership is important to the functioning and development of private higher education institutions. This study analyzed leadership experiences and perceptions at Africa Renewal University (AfRU), focusing on the qualities and practices perceived to contribute to effective leadership. A mixed-method case study design was used, combining structured questionnaires and semi-structured interviews with students, teaching staff, non-teaching staff, management and senior leaders. The study obtained responses from 133 participants out of a target population of 200, representing a 66.5% response rate. Transformational leadership was the most frequently identified leadership style across all respondent groups, reported by 86.96% of students, 77.5% of teaching staff, 66.67% of non-teaching staff, and 70% of management and senior leaders. Among the leadership qualities examined, integrity and ethics received the highest number of responses, followed by effective communication, problem-solving and decision-making. Empathy and emotional intelligence and visionary thinking were also identified, although their emphasis varied across respondent groups. The findings indicate that perceived leadership effectiveness at AfRU was associated with a combination of ethical conduct, effective communication and practical leadership capabilities within a predominantly transformational leadership context. The study highlights the importance of developing leaders who can combine ethical character with effective communication, decision-making and problem-solving in private higher education.

This phenomenological study explores the lived experiences of Thai Generation Z hikers, thoroughly examining the critical intersection of artificial intelligence (AI) literacy and complex decision-making in wilderness environments. As young adventurers increasingly pursue nature-based eco-experientia for psychological restoration, AI has rapidly evolved into an active, front-facing backcountry companion. Using the Theory of Technological Mediation alongside robust methodological triangulation—including in-depth interviews, focus groups, and interactive discussions with university-aged hikers—this research examines how algorithmic tools profoundly reshape human-nature relationships. The empirical findings clearly show that AI is seamlessly integrated throughout the trekking lifecycle, functioning as a vital digital safety net that mitigates environmental uncertainty. However, this deep integration precipitates a highly complex socio-technical paradox. While participants consistently exhibit exceptional functional AI literacy, an emerging algorithmic dependency actively threatens to erode traditional, intuitive wilderness judgment. Ultimately, AI facilitates a hermeneutic relationship in which pristine nature is interpreted through curated data, fundamentally transforming raw exploration into a mediated digital reality that urgently requires careful preservation of human agency within adventure tourism.

این مطالعه پدیدارشناختی به بررسی تجارب زیسته کوهنوردان نسل Z تایلندی می‌پردازد و به طور جامع به تلاقی حیاتی سواد هوش مصنوعی (AI) و تصمیم‌گیری پیچیده در محیط‌های بکر طبیعی می‌پردازد. با افزایش تمایل جوانان ماجراجو به تجربه‌های طبیعت‌محور برای بازسازی روان‌شناختی، هوش مصنوعی به سرعت به یک همراه فعال و پیشرو در مناطق دورافتاده تبدیل شده است. با بهره‌گیری از نظریه میانجی‌گری فناورانه و تلفیق روش‌شناسی قوی شامل مصاحبه‌های عمیق، گروه‌های کانونی و بحث‌های تعاملی با کوهنوردان در سنین دانشگاهی، این پژوهش بررسی می‌کند که چگونه ابزارهای الگوریتمی به طور عمیق روابط انسان و طبیعت را بازشکل می‌دهند. یافته‌های تجربی به روشنی نشان می‌دهند که هوش مصنوعی در سراسر چرخه حیات کوهنوردی به طور یکپارچه ادغام شده و به عنوان یک شبکه ایمنی دیجیتال حیاتی عمل می‌کند که عدم قطعیت‌های محیطی را کاهش می‌دهد. با این حال، این ادغام عمیق منجر به یک پارادوکس اجتماعی-فناورانه بسیار پیچیده می‌شود. در حالی که شرکت‌کنندگان به طور مداوم سواد عملکردی استثنایی در زمینه هوش مصنوعی از خود نشان می‌دهند، وابستگی فزاینده به الگوریتم‌ها به طور فعال تهدید می‌کند که قضاوت‌های سنتی و شهودی در طبیعت را تضعیف کند. در نهایت، هوش مصنوعی رابطه‌ای هرمنوتیکی را تسهیل می‌کند که در آن طبیعت بکر از طریق داده‌های گزینش‌شده تفسیر می‌شود و کاوش خام را به واقعیتی دیجیتال و میانجی‌گری‌شده تبدیل می‌کند که به طور فوری نیازمند حفظ دقیق عاملیت انسانی در گردشگری ماجراجویانه است.

Abstract: Prestasi belajar merupakan indikator utama keberhasilan proses pembelajaran yang dipengaruhi faktor internal dan eksternal siswa. Penelitian ini bertujuan menganalisis pengaruh sikap siswa terhadap guru, motivasi belajar, dan lingkungan sekolah terhadap prestasi belajar, serta menguji peran kecerdasan emosional sebagai variabel moderasi pada siswa kelas X SMA Negeri 2 Medan. Penelitian kuantitatif dengan metode survei ini melibatkan 107 siswa yang dipilih dari populasi 430 siswa menggunakan teknik proportional sampling. Data dikumpulkan melalui kuesioner dan nilai Ujian Akhir Semester (UAS) mata pelajaran ekonomi, kemudian dianalisis menggunakan Partial Least Squares Structural Equation Modeling (PLS-SEM) melalui SmartPLS 4. Hasil penelitian menunjukkan bahwa sikap siswa terhadap guru berpengaruh positif dan signifikan terhadap prestasi belajar dengan koefisien jalur 0,229 dan p-value 0,000. Motivasi belajar berpengaruh positif dan signifikan dengan koefisien 0,285 dan p-value 0,000, sedangkan lingkungan sekolah berpengaruh positif dan signifikan dengan koefisien 0,206 dan p-value 0,000. Kecerdasan emosional terbukti memoderasi dan memperkuat pengaruh sikap siswa terhadap guru, motivasi belajar, dan lingkungan sekolah terhadap prestasi belajar dengan koefisien interaksi masing-masing sebesar 0,214, 0,264, dan 0,191 serta p-value 0,000. Kesimpulannya, kecerdasan emosional berperan penting dalam memperkuat dampak faktor personal dan lingkungan terhadap pencapaian prestasi belajar siswa. Keyword: Students' Attitudes toward Teachers, Learning Motivation, School Environment, Emotional Intelligence, Learning Achievement Abstrak: Student academic achievement is a key indicator of learning success, influenced by both internal and external factors. This study aims to analyze the influence of students' attitudes toward teachers, learning motivation, and the school environment on academic achievement, while testing the moderating role of emotional intelligence among tenth-grade students at SMA Negeri 2 Medan. A quantitative survey approach was employed, involving a sample of 107 students selected from a population of 430 through proportional sampling. Data were collected via questionnaires and end-of-semester economics test scores, then analyzed using Partial Least Squares Structural Equation Modeling (PLS-SEM) with SmartPLS 4. The findings reveal that students' attitudes toward teachers have a positive and significant effect on academic achievement with a path coefficient of 0.229 and a p-value of 0.000. Learning motivation has a positive and significant effect with a coefficient of 0.285 and a p-value of 0.000, while the school environment has a positive and significant effect with a coefficient of 0.206 and a p-value of 0.000. Furthermore, emotional intelligence significantly moderates and strengthens the impact of attitudes toward teachers, learning motivation, and the school environment on academic achievement with interaction coefficients of 0.214, 0.264, and 0.191, respectively, and p-values of 0.000. In conclusion, emotional intelligence plays a crucial role in reinforcing personal and environmental factors to enhance student performance. Kata kunci: Sikap Siswa terhadap Guru, Motivasi Belajar, Lingkungan Sekolah, Kecerdasan Emosional, Prestasi Belajar

چکیده: پیشرفت تحصیلی شاخص اصلی موفقیت فرایند یادگیری است که تحت تأثیر عوامل درونی و بیرونی دانش‌آموزان قرار دارد. هدف پژوهش حاضر، تحلیل تأثیر نگرش دانش‌آموزان نسبت به معلم، انگیزش یادگیری و محیط مدرسه بر پیشرفت تحصیلی و همچنین بررسی نقش تعدیل‌گر هوش هیجانی در میان دانش‌آموزان پایه دهم دبیرستان دولتی شماره ۲ مدان است. این پژوهش با رویکرد کمی و روش پیمایشی انجام شد و نمونه‌ای متشکل از ۱۰۷ دانش‌آموز با استفاده از روش نمونه‌گیری نسبتی از جامعه ۴۳۰ نفری انتخاب گردید. داده‌ها از طریق پرسشنامه و نمرات آزمون پایان‌ترم درس اقتصاد گردآوری و با استفاده از مدل‌یابی معادلات ساختاری حداقل مربعات جزئی (PLS-SEM) توسط نرم‌افزار SmartPLS 4 تحلیل شد. یافته‌ها نشان داد نگرش دانش‌آموزان نسبت به معلم با ضریب مسیر ۰٫۲۲۹ و مقدار p برابر با ۰٫۰۰۰ تأثیر مثبت و معناداری بر پیشرفت تحصیلی دارد. انگیزش یادگیری با ضریب ۰٫۲۸۵ و مقدار p برابر با ۰٫۰۰۰ و همچنین محیط مدرسه با ضریب ۰٫۲۰۶ و مقدار p برابر با ۰٫۰۰۰ تأثیر مثبت و معناداری بر پیشرفت تحصیلی دارند. افزون بر این، هوش هیجانی به‌طور معناداری تأثیر نگرش دانش‌آموزان نسبت به معلم، انگیزش یادگیری و محیط مدرسه بر پیشرفت تحصیلی را تعدیل و تقویت می‌کند؛ ضرایب تعامل به ترتیب ۰٫۲۱۴، ۰٫۲۶۴ و ۰٫۱۹۱ و مقدار p برای هر سه برابر با ۰٫۰۰۰ است. در نتیجه، هوش هیجانی نقش مهمی در تقویت عوامل فردی و محیطی برای ارتقای عملکرد تحصیلی دانش‌آموزان ایفا می‌کند.

This research was motivated by the low learning outcomes of students in Pendidikan Pancasila learning. The purpose of this research was to improve the quality of the learning process and students’ learning outcomes through the Problem Based Learning model assisted by smart pocket board media in Grade IV of SDN 52 Kuranji, Padang City. This research used classroom action research consisting of planning, implementation, observation, and reflection stages. The research was conducted in two cycles with three meetings. The subjects were Grade IV students of SDN 52 Kuranji. Data were collected through observation, interviews, tests, and documentation, using observation sheets, test questions, and documentation as instruments. The results showed an improvement in the teaching-module aspect from 69.67% in Cycle I Meeting I to 76.78% in Cycle I Meeting II and 81.25% in Cycle II Meeting I. The teacher aspect increased from 78.22% to 83.06% and 93.54%, while the student aspect increased from 77.34% to 82.04% and 92.96%. The percentage of learning mastery increased from 63% in Cycle I Meeting I to 75% in Cycle I Meeting II and 87% in Cycle II Meeting I. These findings indicate that the Problem Based Learning model assisted by smart pocket board media improved the quality of the learning process and learning outcomes in Pendidikan Pancasila.

این پژوهش با انگیزه‌ی پایین بودن نتایج یادگیری دانش‌آموزان در درس آموزش پاندچاسیلا انجام شد. هدف این پژوهش، بهبود کیفیت فرایند یادگیری و نتایج یادگیری دانش‌آموزان از طریق مدل یادگیری مبتنی بر مسئله با کمک رسانه‌ی تخته جیبی هوشمند در پایه چهارم دبستان SDN 52 Kuranji، شهر پادانگ بود. این پژوهش از روش پژوهش اقدام کلاسی شامل مراحل برنامه‌ریزی، اجرا، مشاهده و تأمل استفاده کرد. پژوهش در دو چرخه با سه جلسه برگزار شد. شرکت‌کنندگان، دانش‌آموزان پایه چهارم دبستان SDN 52 Kuranji بودند. داده‌ها از طریق مشاهده، مصاحبه، آزمون و مستندسازی جمع‌آوری شد و از برگه‌های مشاهده، سؤالات آزمون و مستندسازی به عنوان ابزار استفاده گردید. نتایج نشان داد که جنبه‌ی ماژول آموزشی از ۶۹٫۶۷٪ در چرخه اول، جلسه اول به ۷۶٫۷۸٪ در چرخه اول، جلسه دوم و ۸۱٫۲۵٪ در چرخه دوم، جلسه اول افزایش یافت. جنبه معلم از ۷۸٫۲۲٪ به ۸۳٫۰۶٪ و ۹۳٫۵۴٪ و جنبه دانش‌آموز از ۷۷٫۳۴٪ به ۸۲٫۰۴٪ و ۹۲٫۹۶٪ افزایش یافت. درصد تسلط بر یادگیری از ۶۳٪ در چرخه اول، جلسه اول به ۷۵٪ در چرخه اول، جلسه دوم و ۸۷٪ در چرخه دوم، جلسه اول افزایش یافت. این یافته‌ها نشان می‌دهد که مدل یادگیری مبتنی بر مسئله با کمک رسانه‌ی تخته جیبی هوشمند، کیفیت فرایند یادگیری و نتایج یادگیری را در آموزش پاندچاسیلا بهبود بخشیده است.

The ability to comprehend classical Islamic texts (kitab turats) is one of the essential competencies in Arabic language learning within Islamic boarding schools. However, many students encounter difficulties in identifying grammatical functions, analyzing Arabic syntactic and morphological structures, and understanding unvocalized Arabic texts. This study aimed to develop the Al-Barqy instructional material based on Visual-Spatial Intelligence, evaluate its validity, and examine its effectiveness in improving students' comprehension of kitab turats in the sorogan learning program at Markaz Al-'Arabiyah Pare Kediri. This research employed the Research and Development (R&D) approach consisting of needs analysis, product design, development, expert validation, revision, field testing, and evaluation. Data were collected through observations, interviews, documentation, validation questionnaires, pretests, and posttests. The data were analyzed using descriptive and inferential statistics. The findings revealed that the developed instructional material successfully integrated colors, grammatical symbols, concept maps, and visual representations as applications of Visual-Spatial Intelligence. Expert validation indicated a feasibility score of 97%, categorized as highly valid. The effectiveness test using a paired-samples t-test yielded a t-value of 20.13 with df = 14 and p < 0.001, indicating a significant difference between the pretest and posttest scores.Therefore, the Al-Barqy instructional material is considered valid, effective, and applicable as an innovative instructional resource for enhancing students' comprehension of kitab turats through the sorogan learning model.

توانایی درک متون کلاسیک اسلامی (کتاب تراث) یکی از شایستگی‌های اساسی در یادگیری زبان عربی در مدارس علوم دینی اسلامی به‌شمار می‌رود. با این حال، بسیاری از دانش‌آموزان در شناسایی نقش‌های دستوری، تحلیل ساختارهای نحوی و صرفی زبان عربی، و فهم متون عربی بدون اعراب‌گذاری با دشواری مواجه هستند. هدف این پژوهش، تدوین محتوای آموزشی البرقی مبتنی بر هوش دیداری-فضایی، ارزیابی روایی آن و بررسی اثربخشی آن در بهبود درک دانش‌آموزان از کتاب تراث در برنامه آموزشی سورگان در مرکز العربیه پاره کدیری بود. این پژوهش با رویکرد تحقیق و توسعه (R&D) شامل تحلیل نیازها، طراحی محصول، توسعه، اعتبارسنجی توسط خبرگان، بازنگری، آزمون میدانی و ارزیابی انجام شد. داده‌ها از طریق مشاهده، مصاحبه، اسناد، پرسشنامه‌های اعتبارسنجی، پیش‌آزمون و پس‌آزمون گردآوری شدند. تحلیل داده‌ها با استفاده از آمار توصیفی و استنباطی صورت گرفت. یافته‌ها نشان داد که محتوای آموزشی تدوین‌شده با موفقیت رنگ‌ها، نمادهای دستوری، نقشه‌های مفهومی و بازنمایی‌های دیداری را به‌عنوان کاربردهای هوش دیداری-فضایی ادغام کرده است. اعتبارسنجی خبرگان، امتیاز قابلیت استفاده ۹۷٪ را نشان داد که در دسته بسیار معتبر قرار می‌گیرد. آزمون اثربخشی با استفاده از آزمون t زوجی مقدار t برابر با 20.13 با درجه آزادی 14 و p < 0.001 را نشان داد که بیانگر تفاوت معنادار بین نمرات پیش‌آزمون و پس‌آزمون است. بنابراین، محتوای آموزشی البرقی معتبر، اثربخش و قابل استفاده به‌عنوان منبع آموزشی نوآورانه برای ارتقای درک دانش‌آموزان از کتاب تراث از طریق مدل یادگیری سورگان تلقی می‌شود.

The digitization of the Qur’an has reconfigured how Qur’anic interpretation (tafsīr) is produced, mediated, and perceived, particularly as artificial intelligence (AI) enters a tradition grounded in sanad, the chain of scholarly transmission. This study aims to examine the development of AI in digital tafsir, compare algorithmic interpretation with classical tafsir methodology, and assess how algorithmic visibility relates to epistemic authority and the validity of interpretation. Using a descriptive-analytical-critical approach combined with comparative and critical (naqd) methods, this library research draws on scholarly literature on digital religion, AI, and tafsir, including a secondary comparative study of ChatGPT and classical tafsir. The analysis is framed by Islamic epistemology, namely sanad, uṣūl al-tafsīr, and maqāṣid al-sharī‘ah. The findings indicate that AI has evolved from digitization and curated repositories into generative systems that are effective for access, linguistic analysis, and the preservation of turāth. However, the generative model examined shows limitations regarding sanad, asbāb al-nuzūl, maqāṣid, and verifiable references, although this evidence is limited and cannot be generalized to all AI systems. Aspects that have undergone a shift is the visibility and perceived authority of interpretation, not demonstrably its epistemic legitimacy. These findings demonstrate that the shift is an epistemological tendency rather than an empirically proven displacement of scholars, and that integrating scholarly authority with digital innovation should follow four principles of a digital sanad: source traceability, scholarly accountability, methodological transparency, and the separation of visibility from legitimacy.

دیجیتالی‌شدن قرآن، نحوه تولید، واسطه‌گری و ادراک تفسیر قرآن (تفسیر) را به‌ویژه با ورود هوش مصنوعی (AI) به سنتی مبتنی بر سند، یعنی زنجیره انتقال علمی، بازپیکربندی کرده است. هدف این مطالعه بررسی توسعه هوش مصنوعی در تفسیر دیجیتال، مقایسه تفسیر الگوریتمی با روش‌شناسی تفسیر کلاسیک و ارزیابی ارتباط رویت‌پذیری الگوریتمی با اقتدار معرفتی و روایی تفسیر است. با بهره‌گیری از رویکرد توصیفی-تحلیلی-انتقادی همراه با روش‌های مقایسه‌ای و انتقادی (نقد)، این پژوهش کتابخانه‌ای از ادبیات علمی درباره دین دیجیتال، هوش مصنوعی و تفسیر بهره می‌گیرد و شامل مطالعه تطبیقی ثانویه میان ChatGPT و تفسیر کلاسیک است. تحلیل در چارچوب معرفت‌شناسی اسلامی، به‌ویژه سند، اصول تفسیر (اصول التفسیر) و مقاصد شریعت (مقاصد الشریعه) صورت گرفته است. یافته‌ها نشان می‌دهد که هوش مصنوعی از دیجیتالی‌سازی و مخازن گزینش‌شده به سامانه‌های مولد تکامل یافته که برای دسترسی، تحلیل زبانی و حفظ تراث مؤثر هستند. با این حال، مدل مولد بررسی‌شده در زمینه سند، اسباب النزول، مقاصد و منابع قابل راستی‌آزمایی محدودیت‌هایی دارد، هرچند این شواهد محدود بوده و قابلیت تعمیم به همه سامانه‌های هوش مصنوعی را ندارد. جنبه‌هایی که دچار تحول شده‌اند، رویت‌پذیری و اقتدار ادراک‌شده تفسیر است، نه مشروعیت معرفتی آن به‌صورت اثبات‌شده. این یافته‌ها نشان می‌دهد که این تحول، گرایشی معرفتی است نه جابه‌جایی تجربی اثبات‌شده جایگاه علما، و اینکه ادغام اقتدار علمی با نوآوری دیجیتال باید بر اساس چهار اصل سند دیجیتال صورت گیرد: قابلیت ردیابی منبع، پاسخگویی علمی، شفافیت روش‌شناختی و تفکیک رویت‌پذیری از مشروعیت.

Background The emergence of Generative Artificial Intelligence (GenAI), particularly ChatGPT, offers new possibilities for mathematics learning in higher education. Although ChatGPT can provide explanations, examples, guiding questions, and feedback, its use in Abstract Algebra courses has largely been limited to answering questions and verifying mathematical answers or proofs. This study analyses pre-service mathematics teachers’ mathematical communication when interacting with ChatGPT through seven indicators, including: interpreting formal definitions; using mathematical terms, symbols, variables, and notation appropriately; constructing examples, non-examples, and counter-examples; explaining relationships between algebraic objects and their properties; justifying arguments or proofs; evaluating the validity of mathematical responses; and formulating coherent conclusions. Method A qualitative case study involved 18 pre-service mathematics teachers enrolled in an Abstract Algebra course in the department of mathematics education at a public university in Bandung City, West Java, Indonesia. Data comprised written dialogues between the pre-service mathematics teachers and ChatGPT while solving Abstract Algebra problems and were analysed using the seven indicators. Results The findings indicate that the pre-service mathematics teachers’ mathematical communication generally ranged from developing to adequate. They performed relatively well in using terminology and notation, constructing examples or counter-examples, and explaining relationships among algebraic objects and properties. However, justification, critical evaluation of ChatGPT responses, and independent conclusion-making remained weak. While some pre-service mathematics teachers accepted inaccurate AI responses, others identified and connected them. Conclusion The findings suggest that GenAI should serve as a dialogue partner and scaffolding, rather than an authority on mathematical truth. Mathematics course should emphasise verification, justification, critical evaluation, and argument reconstruction to foster independent mathematical communication skills.

زمینه و هدف: ظهور هوش مصنوعی مولد (GenAI)، به‌ویژه ChatGPT، امکانات جدیدی را برای یادگیری ریاضیات در آموزش عالی فراهم کرده است. اگرچه ChatGPT می‌تواند توضیحات، مثال‌ها، پرسش‌های راهنما و بازخورد ارائه دهد، اما استفاده از آن در درس جبر مجرد عمدتاً به پاسخ‌گویی به سؤالات و تأیید پاسخ‌ها یا اثبات‌های ریاضی محدود شده است. این پژوهش به تحلیل ارتباط ریاضی معلمان ریاضی پیش‌خدمت هنگام تعامل با ChatGPT بر اساس هفت شاخص می‌پردازد که عبارت‌اند از: تفسیر تعاریف رسمی؛ استفاده مناسب از اصطلاحات، نمادها، متغیرها و نشانه‌گذاری ریاضی؛ ساخت مثال، غیرمثال و مثال نقض؛ توضیح روابط بین اشیاء جبری و ویژگی‌های آن‌ها؛ توجیه استدلال‌ها یا اثبات‌ها؛ ارزیابی روایی پاسخ‌های ریاضی؛ و صورت‌بندی نتیجه‌گیری منسجم. روش: این مطالعه کیفی موردی با مشارکت ۱۸ معلم ریاضی پیش‌خدمت که در درس جبر مجرد در گروه آموزش ریاضی یکی از دانشگاه‌های دولتی شهر باندونگ، جاوه غربی، اندونزی ثبت‌نام کرده بودند، انجام شد. داده‌ها شامل مکالمات مکتوب بین معلمان ریاضی پیش‌خدمت و ChatGPT هنگام حل مسائل جبر مجرد بود که با استفاده از هفت شاخص تحلیل گردید. یافته‌ها: نتایج نشان داد که ارتباط ریاضی معلمان ریاضی پیش‌خدمت عموماً در بازه در حال توسعه تا قابل قبول قرار داشت. آن‌ها در استفاده از اصطلاحات و نشانه‌گذاری، ساخت مثال یا مثال نقض، و توضیح روابط بین اشیاء جبری و ویژگی‌ها عملکرد نسبتاً خوبی داشتند. با این حال، توجیه، ارزیابی انتقادی پاسخ‌های ChatGPT و نتیجه‌گیری مستقل همچنان ضعیف باقی ماند. در حالی که برخی معلمان ریاضی پیش‌خدمت پاسخ‌های نادرست هوش مصنوعی را پذیرفتند، برخی دیگر آن‌ها را شناسایی و به هم مرتبط کردند. نتیجه‌گیری: یافته‌ها نشان می‌دهد که GenAI باید به عنوان شریک گفت‌وگو و پشتیبان مورد استفاده قرار گیرد، نه مرجع حقیقت ریاضی. دروس ریاضی باید بر تأکید بر صحت‌سنجی، توجیه، ارزیابی انتقادی و بازسازی استدلال‌ها جهت پرورش مهارت‌های ارتباط ریاضی مستقل تمرکز کنند.

This study examines how emotional intelligence (EI) affects work–life balance (WLB), job satisfaction, and work engagement among Lebanese employees, drawing on the job demands–resources (JD–R) and spillover theories. Data were collected through an online survey from 244 Lebanese employees and analyzed using partial least squares structural equation modeling (PLS-SEM). The results show that emotional intelligence positively predicts job satisfaction (β = 0.366, p < 0.001) and work engagement (β = 0.307, p < 0.001). Emotional intelligence also significantly predicts work–life balance (β = 0.251, p < 0.001). Furthermore, work–life balance and job satisfaction sequentially mediate the relationship between emotional intelligence and work engagement (indirect effect β = 0.046, p = 0.008), indicating partial mediation. These findings highlight the complementary roles of personal resources (emotional intelligence) and contextual resources (work–life balance) in shaping employee attitudes and behaviors. This research contributes to the limited literature and extends the study of emotional intelligence and employee well-being by offering fresh insights and practical implications. The research concludes with recommendations for policymakers by emphasizing the importance of aligning employee needs with organizational goals to create more effective and human-centered workplace policies. The study also includes limitations and recommendations for future research.

این مطالعه به بررسی تأثیر هوش هیجانی (EI) بر تعادل کار–زندگی (WLB)، رضایت شغلی و درگیری شغلی در میان کارکنان لبنانی می‌پردازد و از نظریه‌های تقاضا–منابع شغلی (JD–R) و سرریز بهره می‌گیرد. داده‌ها از طریق یک پرسشنامه آنلاین از ۲۴۴ نفر از کارکنان لبنانی جمع‌آوری و با استفاده از مدل‌سازی معادلات ساختاری حداقل مربعات جزئی (PLS-SEM) تحلیل شدند. نتایج نشان داد که هوش هیجانی به طور مثبت رضایت شغلی (β = ۰.۳۶۶، p < ۰.۰۰۱) و درگیری شغلی (β = ۰.۳۰۷، p < ۰.۰۰۱) را پیش‌بینی می‌کند. همچنین، هوش هیجانی به طور معناداری تعادل کار–زندگی (β = ۰.۲۵۱، p < ۰.۰۰۱) را پیش‌بینی می‌کند. افزون بر این، تعادل کار–زندگی و رضایت شغلی به صورت متوالی رابطه بین هوش هیجانی و درگیری شغلی را میانجی‌گری می‌کنند (اثر غیرمستقیم β = ۰.۰۴۶، p = ۰.۰۰۸) که نشان‌دهنده میانجی‌گری جزئی است. این یافته‌ها نقش‌های مکمل منابع فردی (هوش هیجانی) و منابع زمینه‌ای (تعادل کار–زندگی) را در شکل‌دهی نگرش‌ها و رفتارهای کارکنان برجسته می‌کند. این پژوهش به ادبیات محدود موجود افزوده و مطالعه هوش هیجانی و بهزیستی کارکنان را با ارائه بینش‌های نو و پیامدهای عملی گسترش می‌دهد. پژوهش با ارائه توصیه‌هایی برای سیاست‌گذاران و تأکید بر اهمیت همسویی نیازهای کارکنان با اهداف سازمانی به منظور ایجاد سیاست‌های محیط کار مؤثرتر و انسان‌محور به پایان می‌رسد. همچنین، محدودیت‌ها و پیشنهادهایی برای پژوهش‌های آتی ارائه شده است.

Accurate driver behavior recognition is important for driver monitoring systems and intelligent transportation applications. Although EEG-based approaches can provide useful neural information, their practical use is often limited by sensing complexity, preparation burden, and sensitivity to motion artifacts. This study proposes a physiology-guided multimodal learning framework for EEG-free driver behavior recognition using peripheral biosignals. A publicly available multimodal driving physiology dataset was used, including recordings from 35 participants performing five driving behaviors: smooth driving, acceleration, deceleration, lane change, and turning. Three peripheral physiological signals, namely ECG, EMG, and GSR, were used as model inputs. The proposed framework incorporates physiological knowledge into multimodal representation learning through modality-aware encoders tailored to the distinct characteristics of ECG, EMG, and GSR. A physiology-guided fusion mechanism is further introduced to model complementary cross-modal interactions among the three biosignals. Experimental results showed that the proposed ECG+EMG+GSR model achieved an average accuracy of 0.782 and a macro-F1 score of 0.783 under a five-fold evaluation protocol with separated training, validation, and test sets, with MCC and Cohen’s kappa reaching 0.711 and 0.711, respectively. Compared with EEG-only and full-modality baselines reported in the original dataset study, the proposed framework demonstrated the feasibility of EEG-free driver behavior recognition using only peripheral biosignals. Under the matched ECG+EMG+GSR input setting, the proposed framework outperformed the strongest baseline across all four evaluation metrics. In addition, sensing-configuration analysis showed that ECG+EMG+GSR provided a favorable balance between recognition performance and sensing burden. These results indicate that physiology-guided multimodal learning can effectively exploit heterogeneous peripheral biosignals for accurate and interpretable EEG-free driver behavior recognition.

شناسایی دقیق رفتار راننده برای سامانه‌های پایش راننده و کاربردهای حمل‌ونقل هوشمند اهمیت زیادی دارد. اگرچه رویکردهای مبتنی بر EEG می‌توانند اطلاعات عصبی مفیدی ارائه دهند، اما کاربرد عملی آن‌ها اغلب به دلیل پیچیدگی سنجش، دشواری آماده‌سازی و حساسیت به آرتیفکت‌های حرکتی محدود می‌شود. این مطالعه یک چارچوب یادگیری چندوجهی مبتنی بر فیزیولوژی را برای شناسایی رفتار راننده بدون استفاده از EEG و با بهره‌گیری از سیگنال‌های زیستی محیطی پیشنهاد می‌کند. از یک پایگاه داده فیزیولوژی رانندگی چندوجهی که به‌صورت عمومی در دسترس است، استفاده شد که شامل ثبت داده‌های ۳۵ شرکت‌کننده در حال انجام پنج رفتار رانندگی (رانندگی نرم، شتاب‌گیری، کاهش سرعت، تغییر خط و پیچیدن) بود. سه سیگنال فیزیولوژیکی محیطی شامل ECG، EMG و GSR به‌عنوان ورودی مدل به کار گرفته شدند. چارچوب پیشنهادی، دانش فیزیولوژیکی را از طریق رمزگذارهای آگاه از نوع مدالیته که متناسب با ویژگی‌های متمایز ECG، EMG و GSR طراحی شده‌اند، در یادگیری بازنمایی چندوجهی ادغام می‌کند. همچنین، یک سازوکار همجوشی هدایت‌شده با فیزیولوژی برای مدل‌سازی تعاملات مکمل بین‌مدالیته‌ای میان این سه سیگنال زیستی معرفی شده است. نتایج تجربی نشان داد که مدل ECG+EMG+GSR پیشنهادی به دقت میانگین ۰.۷۸۲ و امتیاز macro-F1 برابر با ۰.۷۸۳ تحت پروتکل ارزیابی پنج‌گانه با مجموعه‌های آموزشی، اعتبارسنجی و آزمون جداگانه دست یافت و مقادیر MCC و کاپای Cohen به ترتیب ۰.۷۱۱ و ۰.۷۱۱ بود. در مقایسه با خطوط پایه مبتنی بر EEG و مدالیته کامل که در مطالعه اصلی پایگاه داده گزارش شده بود، چارچوب پیشنهادی امکان‌پذیری شناسایی رفتار راننده بدون EEG و صرفاً با سیگنال‌های زیستی محیطی را نشان داد. در شرایط ورودی منطبق ECG+EMG+GSR، چارچوب پیشنهادی در هر چهار معیار ارزیابی از قوی‌ترین خط پایه عملکرد بهتری داشت. علاوه بر این، تحلیل پیکربندی سنجش نشان داد که ترکیب ECG+EMG+GSR تعادل مطلوبی میان عملکرد شناسایی و بار سنجش فراهم می‌کند. این نتایج بیانگر آن است که یادگیری چندوجهی هدایت‌شده با فیزیولوژی می‌تواند به‌طور مؤثر از سیگنال‌های زیستی محیطی ناهمگن برای شناسایی دقیق و قابل تفسیر رفتار راننده بدون EEG بهره‌برداری کند.

Background Early intervention increases the likelihood of eating disorder recovery but many young people delay help-seeking. We developed a smartphone-friendly, online decision-making tool to address this gap (FREED-Mobile (FREED-M)). Aims To conduct a randomised controlled feasibility trial of the FREED-M decision-making tool with 16- to 25-year-olds with a suspected eating disorder and no previous treatment for this. Method Participants were randomly allocated to FREED-M or an active control in a parallel group, two-arm trial. Outcomes were measured at weeks 0 (baseline), 4 (post-intervention) and 12 (follow-up). The primary feasibility outcome was attrition at follow-up. Other outcomes included motivational, clinical and economic measures. Results We over-recruited with 204 randomised participants (including 20 fraudulent participants). Main analyses were conducted with 184 genuine responders (FREED-M: n = 91, control: n = 93). At baseline, participants’ mean age was 21.0 (s.d. 2.0) years, 89% identified as female and 64% as White. Mean body mass index was 23.1 kg/m 2 (6.3). N = 83 participants had an anorexia nervosa-like disorder, 101 had another eating disorder or high eating disorder risk. Attrition at week 12 was n = 112 (61%). Of the n = 42 FREED-M participants who provided acceptability ratings, 79% liked the intervention and 66% found it useful. Between-group effect sizes for motivation and readiness to change were small to medium at 4 weeks ( d = 0.27 and d = 0.15, respectively) favouring FREED-M, but differences were not sustained at follow-up ( d = −0.02 and d = −0.12, respectively). Discussions Although the attrition rate was high, recruitment exceeded expectations. Acceptability of FREED-M was high among participants who provided acceptability ratings. Motivation/readiness to change and help-seeking are candidates for primary outcomes in a future randomised controlled trial.

زمینه و هدف: مداخله زودهنگام احتمال بهبودی اختلالات خوردن را افزایش می‌دهد، اما بسیاری از جوانان در جستجوی کمک تأخیر می‌کنند. ما یک ابزار تصمیم‌گیری آنلاین و سازگار با تلفن هوشمند برای رفع این خلأ توسعه دادیم (FREED-Mobile (FREED-M)). هدف: انجام یک کارآزمایی تصادفی کنترل‌شده امکان‌سنجی ابزار تصمیم‌گیری FREED-M در افراد ۱۶ تا ۲۵ ساله با اختلال خوردن مشکوک و بدون درمان قبلی برای این اختلال. روش: شرکت‌کنندگان به طور تصادفی به گروه FREED-M یا کنترل فعال در یک کارآزمایی دو بازویی موازی تخصیص یافتند. پیامدها در هفته‌های ۰ (خط پایه)، ۴ (پس از مداخله) و ۱۲ (پیگیری) اندازه‌گیری شد. پیامد اصلی امکان‌سنجی، ریزش نمونه در پیگیری بود. سایر پیامدها شامل سنجش‌های انگیزشی، بالینی و اقتصادی بود. یافته‌ها: ما با ۲۰۴ شرکت‌کننده تصادفی‌شده (شامل ۲۰ شرکت‌کننده جعلی) بیش از حد مورد نیاز جذب کردیم. تحلیل‌های اصلی با ۱۸۴ پاسخ‌دهنده واقعی (FREED-M: n = 91، کنترل: n = 93) انجام شد. در خط پایه، میانگین سنی شرکت‌کنندگان ۲۱٫۰ سال (انحراف معیار ۲٫۰)، ۸۹٪ زن و ۶۴٪ سفیدپوست بودند. میانگین شاخص توده بدنی ۲۳٫۱ کیلوگرم بر متر مربع (۶٫۳) بود. n = 83 شرکت‌کننده دارای اختلال شبه بی‌اشتهایی عصبی و ۱۰۱ نفر دارای اختلال خوردن دیگر یا ریسک بالای اختلال خوردن بودند. ریزش نمونه در هفته ۱۲ برابر با n = 112 (۶۱٪) بود. از میان n = 42 شرکت‌کننده FREED-M که ارزیابی پذیرش را ارائه دادند، ۷۹٪ مداخله را دوست داشتند و ۶۶٪ آن را مفید یافتند. اندازه اثر بین‌گروهی برای انگیزش و آمادگی برای تغییر در هفته ۴ کوچک تا متوسط بود (d = 0.27 و d = 0.15 به ترتیب) به نفع FREED-M، اما تفاوت‌ها در پیگیری حفظ نشد (d = −0.02 و d = −0.12 به ترتیب). بحث: اگرچه نرخ ریزش نمونه بالا بود، جذب شرکت‌کننده بیش از انتظار بود. پذیرش FREED-M در میان شرکت‌کنندگانی که ارزیابی پذیرش را ارائه دادند، بالا بود. انگیزش/آمادگی برای تغییر و جستجوی کمک می‌توانند به عنوان پیامدهای اصلی در کارآزمایی تصادفی کنترل‌شده آینده مدنظر قرار گیرند.

As artificial intelligence (AI) and digital technologies continue to transform online communication and social interactions, cyberbullying and cyber-violence have emerged as growing concerns that require a deeper understanding of the individual and contextual factors underlying these behaviors. This study aims to provide a comprehensive understanding of the factors influencing cyberbullying and cyber-violence in Jordan. Specifically, it examines the effects of individual characteristics and contextual factors, including the legal and policy environment and aggressive social environment, on both cyberbullying and cyber-violence. A total of 472 participants from different demographic groups were included in the study sample. The data were analyzed using Smart PLS software. The results indicate that individual factors such as age, gender, and educational level have varying effects on cyberbullying and cyber-violence. Both age and gender have a significant negative and positive relationship, respectively, with both cyberbullying and cyber-violence. There is no significant relationship between these outcomes and educational level. Contextual factors, on the other hand, have differential effects. The aggressive social environment is positively associated with cyberbullying and cyber-violence, while the legal and policy environment is negatively associated with cyber-violence but not with cyberbullying. This study examines both contextual and individual factors, contributing to a better understanding of factors influencing cyberbullying and cyber-violence. It provides evidence on the impact of age, gender, social context, and legal and regulatory influences, and offers insights that can guide policy, education, and community engagement and inform best prevention practices.

با تداوم تحول ارتباطات آنلاین و تعاملات اجتماعی توسط هوش مصنوعی (AI) و فناوری‌های دیجیتال، قلدری سایبری و خشونت سایبری به عنوان نگرانی‌های فزاینده‌ای مطرح شده‌اند که نیازمند درک عمیق‌تری از عوامل فردی و زمینه‌ای زیربنای این رفتارها هستند. هدف این پژوهش، ارائه درک جامعی از عوامل مؤثر بر قلدری سایبری و خشونت سایبری در اردن است. به طور خاص، این مطالعه به بررسی تأثیر ویژگی‌های فردی و عوامل زمینه‌ای، از جمله محیط حقوقی و سیاست‌گذاری و محیط اجتماعی پرخاشگرانه، بر هر دو پدیده قلدری سایبری و خشونت سایبری می‌پردازد. در مجموع ۴۷۲ نفر از گروه‌های جمعیتی مختلف در نمونه پژوهش شرکت داشتند. داده‌ها با استفاده از نرم‌افزار Smart PLS تحلیل شدند. نتایج نشان می‌دهد که عوامل فردی مانند سن، جنسیت و سطح تحصیلات تأثیرات متفاوتی بر قلدری سایبری و خشونت سایبری دارند. سن و جنسیت به ترتیب دارای رابطه منفی و مثبت معنادار با هر دو متغیر قلدری سایبری و خشونت سایبری هستند. بین این پیامدها و سطح تحصیلات رابطه معناداری مشاهده نشد. از سوی دیگر، عوامل زمینه‌ای تأثیرات متفاوتی دارند. محیط اجتماعی پرخاشگرانه با قلدری سایبری و خشونت سایبری رابطه مثبت دارد، در حالی که محیط حقوقی و سیاست‌گذاری با خشونت سایبری رابطه منفی و معنادار و با قلدری سایبری رابطه معناداری ندارد. این پژوهش با بررسی همزمان عوامل زمینه‌ای و فردی، به درک بهتر عوامل مؤثر بر قلدری سایبری و خشونت سایبری کمک می‌کند. همچنین شواهدی درباره تأثیر سن، جنسیت، زمینه اجتماعی و تأثیرات حقوقی و مقرراتی ارائه می‌دهد و بینش‌هایی را برای هدایت سیاست‌گذاری، آموزش، مشارکت اجتماعی و اطلاع‌رسانی درباره بهترین شیوه‌های پیشگیری فراهم می‌آورد.

Data analysis is an important stage in educational research because it transforms raw data into meaningful information that can be used to answer research questions and formulate conclusions. This article discusses data analysis in educational research, including the meaning of data analysis, types of analysis, quantitative and qualitative analysis procedures, mixed-methods analysis, selection of analytical techniques, validity, interpretation, and the use of digital technology and artificial intelligence. This article uses a conceptual literature-review approach based on the submitted paper entitled Analisis Data dalam Penelitian Pendidikan and the methodological references contained in it. The discussion shows that data analysis cannot be separated from the research problem, objectives, research questions, and characteristics of the data. Quantitative analysis generally uses descriptive and inferential statistics, while qualitative analysis involves reading data, coding, categorizing, developing themes, and interpreting meaning. Mixed methods requires meaningful integration between quantitative and qualitative findings. The analysis also indicates that the use of statistical software and artificial intelligence can support researchers in processing and exploring data, but these technologies cannot replace the researcher's methodological judgment. Therefore, the quality of data analysis depends not merely on the complexity of the technique used, but on its suitability, transparency, validity, and the researcher's ability to interpret findings within the context of the research

تحلیل داده‌ها مرحله‌ای مهم در پژوهش‌های آموزشی است، زیرا داده‌های خام را به اطلاعات معناداری تبدیل می‌کند که می‌توان از آن‌ها برای پاسخ به پرسش‌های پژوهش و تدوین نتایج استفاده کرد. این مقاله به بررسی تحلیل داده‌ها در پژوهش‌های آموزشی می‌پردازد و مفاهیمی چون معنای تحلیل داده‌ها، انواع تحلیل، رویه‌های تحلیل کمی و کیفی، تحلیل روش‌های ترکیبی، انتخاب فنون تحلیلی، روایی، تفسیر و استفاده از فناوری دیجیتال و هوش مصنوعی را مورد بحث قرار می‌دهد. این مقاله با رویکرد مرور مفهومی ادبیات، مبتنی بر مقاله ارائه‌شده با عنوان «تحلیل داده‌ها در پژوهش آموزشی» و منابع روش‌شناختی مندرج در آن نگاشته شده است. بحث مقاله نشان می‌دهد که تحلیل داده‌ها از مسئله پژوهش، اهداف، پرسش‌های پژوهش و ویژگی‌های داده‌ها جدا نیست. تحلیل کمی عموماً از آمار توصیفی و استنباطی استفاده می‌کند، در حالی که تحلیل کیفی شامل خواندن داده‌ها، کدگذاری، دسته‌بندی، توسعه مضامین و تفسیر معنا است. روش‌های ترکیبی نیازمند ادغام معنادار یافته‌های کمی و کیفی هستند. تحلیل همچنین نشان می‌دهد که استفاده از نرم‌افزارهای آماری و هوش مصنوعی می‌تواند پژوهشگران را در پردازش و کاوش داده‌ها یاری کند، اما این فناوری‌ها جایگزین قضاوت روش‌شناختی پژوهشگر نمی‌شوند. بنابراین، کیفیت تحلیل داده‌ها صرفاً به پیچیدگی فنون مورد استفاده بستگی ندارد، بلکه به تناسب، شفافیت، روایی و توانایی پژوهشگر در تفسیر یافته‌ها در بستر پژوهش وابسته است.

Pengenalan emosi melalui ekspresi wajah merupakan salah satu bidang penelitian dalam computer vision dan artificial intelligence yang berkembang pesat. Kemampuan sistem dalam mengenali ekspresi wajah manusia dapat diterapkan pada berbagai bidang, seperti pendidikan, pelayanan publik, kesehatan, sistem keamanan, hingga interaksi manusia dengan komputer (Human Computer Interaction). Penelitian ini bertujuan merancang sistem pengenalan emosi manusia secara real-time menggunakan algoritma Convolutional Neural Network (CNN). Dataset yang digunakan terdiri atas tujuh kategori emosi, yaitu angry, disgust, fear, happy, neutral, sad, dan surprise. Proses penelitian meliputi preprocessing dataset, augmentasi data menggunakan ImageDataGenerator, pelatihan model CNN menggunakan TensorFlow Keras, penyimpanan bobot model, serta implementasi deteksi emosi secara real-time menggunakan webcam dan OpenCV. Model CNN dibangun menggunakan beberapa lapisan konvolusi, fungsi aktivasi ReLU, Max Pooling, Dropout, Flatten, Fully Connected Layer, serta Softmax sebagai lapisan klasifikasi. Hasil penelitian menunjukkan bahwa model mampu mengenali ekspresi wajah secara real-time dengan tingkat akurasi yang baik serta mampu mengklasifikasikan tujuh kategori emosi berdasarkan citra wajah yang diperoleh dari kamera. Sistem yang dikembangkan diharapkan dapat menjadi dasar pengembangan aplikasi pengenalan emosi pada berbagai bidang yang membutuhkan interaksi otomatis antara manusia dan komputer. Facial Emotion Recognition (FER) is an application of computer vision and artificial intelligence that enables a system to automatically recognize facial expressions. This study aims to design and implement a real-time system for recognizing seven emotion categories based on a Convolutional Neural Network (CNN) using a webcam. The dataset consists of seven classes: angry, disgust, fear, happy, neutral, sad, and surprise. Images are processed in grayscale format with a size of 48 × 48 pixels and augmented using ImageDataGenerator. The CNN model is built with convolutional layers, ReLU, Max Pooling, Dropout, Flatten, a fully connected layer, and Softmax, using the Adam optimizer, a batch size of 64, and 50 epochs. Evaluation was based on training accuracy, validation accuracy, training loss, and validation loss. The results show that the model achieved a training accuracy of 95.10% and a validation accuracy of 93.40%, with a training loss of 0.19 and a validation loss of 0.27 at the 50th epoch. The implementation of OpenCV and the Haar Cascade enables real-time face detection and emotion classification via a webcam. Black Box Testing confirmed that all the application’s main functions operate as designed. This study contributes to the field by integrating CNNs with webcams; however, testing on independent datasets as well as measurements of FPS and latency are required in future research.

شناسایی هیجان از طریق بیان چهره یکی از حوزه‌های پژوهشی در بینایی ماشین و هوش مصنوعی است که به سرعت در حال توسعه می‌باشد. توانایی سیستم‌ها در شناسایی بیان چهره انسان می‌تواند در حوزه‌های مختلفی مانند آموزش، خدمات عمومی، سلامت، سیستم‌های امنیتی و همچنین تعامل انسان و رایانه (Human Computer Interaction) به کار گرفته شود. هدف این پژوهش، طراحی یک سیستم شناسایی هیجان انسان به صورت بلادرنگ با استفاده از الگوریتم شبکه عصبی پیچشی (CNN) است. داده‌های مورد استفاده شامل هفت دسته هیجانی است: angry، disgust، fear، happy، neutral، sad و surprise. فرایند پژوهش شامل پیش‌پردازش داده‌ها، افزایش داده با استفاده از ImageDataGenerator، آموزش مدل CNN با استفاده از TensorFlow Keras، ذخیره وزن‌های مدل و پیاده‌سازی شناسایی هیجان به صورت بلادرنگ با استفاده از وب‌کم و OpenCV می‌باشد. مدل CNN با استفاده از چندین لایه کانولوشن، تابع فعال‌سازی ReLU، Max Pooling، Dropout، Flatten، لایه Fully Connected و Softmax به عنوان لایه طبقه‌بندی ساخته شده است. نتایج پژوهش نشان می‌دهد که مدل قادر است بیان چهره را به صورت بلادرنگ با دقت مناسبی شناسایی کند و هفت دسته هیجانی را بر اساس تصویر چهره دریافتی از دوربین طبقه‌بندی نماید. سیستم توسعه‌یافته می‌تواند مبنایی برای توسعه برنامه‌های شناسایی هیجان در حوزه‌هایی باشد که نیازمند تعامل خودکار بین انسان و رایانه هستند. شناسایی هیجان چهره (Facial Emotion Recognition, FER) یکی از کاربردهای بینایی ماشین و هوش مصنوعی است که امکان شناسایی خودکار بیان چهره را برای سیستم فراهم می‌کند. این پژوهش با هدف طراحی و پیاده‌سازی یک سیستم بلادرنگ برای شناسایی هفت دسته هیجانی بر اساس شبکه عصبی پیچشی (CNN) با استفاده از وب‌کم انجام شده است. داده‌ها شامل هفت کلاس angry، disgust، fear، happy، neutral، sad و surprise هستند. تصاویر به صورت خاکستری و با اندازه ۴۸ × ۴۸ پیکسل پردازش و با ImageDataGenerator افزایش داده شده‌اند. مدل CNN با لایه‌های کانولوشن، ReLU، Max Pooling، Dropout، Flatten، لایه Fully Connected و Softmax، با استفاده از بهینه‌ساز Adam، اندازه دسته ۶۴ و ۵۰ دوره (epoch) ساخته شده است. ارزیابی بر اساس دقت آموزش، دقت اعتبارسنجی، خطای آموزش و خطای اعتبارسنجی انجام شد. نتایج نشان داد مدل به دقت آموزش ۹۵.۱۰٪ و دقت اعتبارسنجی ۹۳.۴۰٪، با خطای آموزش ۰.۱۹ و خطای اعتبارسنجی ۰.۲۷ در دوره پنجاهم دست یافته است. پیاده‌سازی OpenCV و Haar Cascade امکان شناسایی چهره و طبقه‌بندی هیجان به صورت بلادرنگ از طریق وب‌کم را فراهم می‌کند. آزمون Black Box نشان داد که تمامی عملکردهای اصلی برنامه مطابق طراحی عمل می‌کنند. این پژوهش با ادغام CNN و وب‌کم به حوزه مربوطه کمک می‌کند؛ با این حال، آزمون بر روی داده‌های مستقل و همچنین اندازه‌گیری FPS و تأخیر در پژوهش‌های آتی مورد نیاز است.

Contemporary debates about large language models (LLMs) remain shaped by the logical structure of Searle’s Chinese Room Argument (1980). Sceptics routinely argue that since LLMs merely manipulate statistical patterns without understanding the content they process, they possess no genuine understanding or mentality. This inferential pattern recapitulates Searle’s move from “the person in the room does not understand Chinese” to “running a program is insufficient for mentality”. This paper argues that this inference is illegitimate. It accepts Searle’s premise that the person in the Chinese Room does not understand Chinese. However, it shows that the person does understand something else: the rule system itself. This understanding is genuine and intrinsic by Searle’s own criteria, and it is acquired during the process of running the program. Searle’s argument therefore contains an unacknowledged inferential gap: from “no understanding of the processed content” to “no understanding whatsoever”. Furthermore, Searle’s structural equivalence premise, that the person and the computer are doing the same thing, is shown to constitute a double-edged sword: if consistently applied, it prevents Searle from denying that the machine may possess an analogue of the person’s understanding. The Chinese Room Argument cannot establish its intended conclusion.

مباحثات معاصر درباره مدل‌های زبانی بزرگ (LLMs) همچنان تحت تأثیر ساختار منطقی استدلال اتاق چینی سرل (۱۹۸۰) قرار دارند. شکاکان معمولاً استدلال می‌کنند که از آنجا که LLMها صرفاً الگوهای آماری را بدون فهم محتوای پردازش‌شده دستکاری می‌کنند، فاقد فهم یا ذهنیت اصیل هستند. این الگوی استنتاجی، حرکت سرل از «فرد داخل اتاق زبان چینی را نمی‌فهمد» به «اجرای یک برنامه برای ذهنیت کافی نیست» را بازتولید می‌کند. این مقاله استدلال می‌کند که این استنتاج نامشروع است. مقاله، مقدمه سرل مبنی بر اینکه فرد در اتاق چینی زبان چینی را نمی‌فهمد، می‌پذیرد. با این حال، نشان می‌دهد که فرد چیز دیگری را می‌فهمد: خود نظام قواعد را. این فهم بر اساس معیارهای خود سرل، اصیل و ذاتی است و در فرآیند اجرای برنامه کسب می‌شود. بنابراین استدلال سرل دارای یک خلأ استنتاجی نادیده‌گرفته‌شده است: از «عدم فهم محتوای پردازش‌شده» تا «عدم فهم به طور کلی». افزون بر این، مقدمه هم‌ارزی ساختاری سرل، مبنی بر اینکه فرد و رایانه در حال انجام یک کار هستند، به عنوان یک شمشیر دو لبه نشان داده می‌شود: اگر به طور پیوسته به کار گرفته شود، سرل را از انکار اینکه ماشین ممکن است دارای مشابهی از فهم فرد باشد، بازمی‌دارد. استدلال اتاق چینی نمی‌تواند نتیجه مورد نظر خود را اثبات کند.

Complex social processes like migration are frequently understood via metaphors. In right-wing media and far-right political discourses, two metaphors that abound draw on flood and invasion frames to problematise immigration and legitimise hostile attitudes and actions towards it. In so far as metaphor involves the construction of mental imagery, it is intimately bound with visual experience, including semiotically mediated visual experience. In a semiotic landscape increasingly populated by synthetic images, I argue that the meaning of metaphors may be modulated by AI-generated visual content and that this is especially important in contexts of political communication. The study investigates images generated by prompts instantiating an immigration is flood versus an immigration is invasion metaphor to inquire if and how they differ by source-frame and what are the ideological implications of the images returned. Following an initial pilot study, several specific semiotic features are analysed, including colour, properties of the figure (size, shape, orientation) and ground elements (environment, securitising features and frame-consistent features like fire and water). Results show significant differences between metaphorical frames and highlight the potential that AI-generated images have to reflect and reinforce ideological positions.

فرآیندهای پیچیده اجتماعی مانند مهاجرت اغلب از طریق استعاره‌ها فهمیده می‌شوند. در رسانه‌های راست‌گرا و گفتمان‌های سیاسی راست افراطی، دو استعاره رایج بر چارچوب‌های سیل و تهاجم تکیه دارند تا مهاجرت را مسئله‌دار کرده و نگرش‌ها و اقدامات خصمانه نسبت به آن را مشروعیت بخشند. از آنجا که استعاره شامل ساخت تصویر ذهنی می‌شود، به طور عمیقی با تجربه بصری، از جمله تجربه بصری میانجی‌گری‌شده نشانه‌شناختی، پیوند دارد. در چشم‌انداز نشانه‌شناختی که به طور فزاینده‌ای با تصاویر مصنوعی اشباع شده است، استدلال می‌کنم که معنای استعاره‌ها ممکن است توسط محتوای بصری تولیدشده توسط هوش مصنوعی تعدیل شود و این امر به ویژه در زمینه‌های ارتباطات سیاسی اهمیت دارد. این مطالعه به بررسی تصاویری می‌پردازد که توسط پرامپت‌هایی که استعاره «مهاجرت همان سیل است» در مقابل «مهاجرت همان تهاجم است» را مجسم می‌کنند، تولید شده‌اند تا بررسی کند که آیا و چگونه این تصاویر بر اساس چارچوب منبع تفاوت دارند و پیامدهای ایدئولوژیک تصاویر بازگشتی چیست. پس از یک مطالعه مقدماتی اولیه، چندین ویژگی نشانه‌شناختی خاص از جمله رنگ، ویژگی‌های شکل (اندازه، شکل، جهت‌گیری) و عناصر زمینه (محیط، ویژگی‌های امنیتی و ویژگی‌های سازگار با چارچوب مانند آتش و آب) تحلیل می‌شوند. نتایج تفاوت‌های معناداری بین چارچوب‌های استعاری نشان می‌دهد و بر ظرفیت بالقوه تصاویر تولیدشده توسط هوش مصنوعی برای بازتاب و تقویت مواضع ایدئولوژیک تأکید می‌کند.

The aim of this study is to examine whether middle school students’ attitudes toward developing Turkish vocabulary differ according to the tools they preferred during the preparation of post-reading presentations. The study employed a quantitative comparative correlational design. The participants consisted of 56 fifth-grade students attending a public middle school in Burhaniye, Balıkesir, Türkiye. Within the framework of the Türkiye Century Education Model, students presented the books they had read by using artificial intelligence-supported tools, conventional digital tools, or hand-prepared materials, based on their own preferences. No intervention was made in the natural learning environment. After the presentations, the Attitude Scale for Developing Vocabulary in the Turkish Course, developed by Yaşar and Topçuoğlu Ünal (2016), was administered. Descriptive statistics and the independent-samples t-test were used for data analysis. The findings revealed that students who preferred artificial intelligence-supported tools obtained significantly higher attitude scores toward developing Turkish vocabulary than those who preferred conventional digital tools or hand-prepared materials. The calculated effect size (Cohen’s d ≈ 0.59) indicated a medium effect. The results suggest that students’ attitudes toward developing Turkish vocabulary differ significantly according to the tools they preferred during the preparation of post-reading presentations.

هدف این پژوهش بررسی این است که آیا نگرش دانش‌آموزان دوره متوسطه اول نسبت به توسعه واژگان زبان ترکی بر اساس ابزارهایی که در تهیه ارائه‌های پس از مطالعه ترجیح داده‌اند، تفاوت دارد یا خیر. این پژوهش با طرح کمی از نوع همبستگی مقایسه‌ای انجام شده است. شرکت‌کنندگان شامل ۵۶ دانش‌آموز پایه پنجم یک مدرسه متوسطه دولتی در بورحانیه، بالیکسیر، ترکیه بودند. در چارچوب مدل آموزشی قرن ترکیه، دانش‌آموزان کتاب‌هایی را که مطالعه کرده بودند با استفاده از ابزارهای مبتنی بر هوش مصنوعی، ابزارهای دیجیتال متداول یا مواد تهیه‌شده با دست، بر اساس ترجیحات خود ارائه کردند. هیچ مداخله‌ای در محیط طبیعی یادگیری صورت نگرفت. پس از ارائه‌ها، مقیاس نگرش نسبت به توسعه واژگان در درس زبان ترکی که توسط Yaşar و Topçuoğlu Ünal (۲۰۱۶) تدوین شده است، اجرا شد. برای تحلیل داده‌ها از آمار توصیفی و آزمون t مستقل استفاده گردید. یافته‌ها نشان داد که دانش‌آموزانی که ابزارهای مبتنی بر هوش مصنوعی را ترجیح داده بودند، نمرات نگرش به طور معناداری بالاتری نسبت به توسعه واژگان زبان ترکی نسبت به کسانی که ابزارهای دیجیتال متداول یا مواد تهیه‌شده با دست را انتخاب کرده بودند، کسب کردند. اندازه‌ی اثر محاسبه‌شده (d کوهن ≈ ۰٫۵۹) نشان‌دهنده‌ی اندازه‌ی اثر متوسط بود. نتایج حاکی از آن است که نگرش دانش‌آموزان نسبت به توسعه واژگان زبان ترکی بر اساس ابزارهایی که در تهیه ارائه‌های پس از مطالعه ترجیح داده‌اند، تفاوت معناداری دارد.