Large Language Models (LLMs) have demonstrated significant capabilities in generating human-like and contextually relevant responses across a wide range of applications.However, their reliability is affected not only by factual hallucinations but also by failures to correctly understand and follow user instructions.This emerging issue, referred to as intent hallucination, occurs when an LLM omits, misinterprets, or fails to satisfy one or more requirements contained in a user's request, even when the generated response may be factually correct.Such failures can reduce the reliability and usefulness of LLM-based systems, particularly in complex tasks involving multiple constraints.This paper proposes a systematic review of existing research on intent hallucination and instructionfollowing capabilities in Large Language Models.The study will examine major types and causes of instructionfollowing failures, existing benchmarks and evaluation techniques, methods for detecting such failures, and approaches proposed to mitigate them.The review will also compare current evaluation frameworks and investigate limitations in existing research, particularly concerning complex, multi-constraint, and dynamic user instructions.Based on the reviewed literature, the study aims to organize existing approaches into a structured taxonomy covering instruction-following failures, detection and evaluation methods, and mitigation strategies.Finally, the paper will highlight open research challenges and future directions for developing more reliable and intent-aligned LLM systems.The study aims to provide a consolidated understanding of intent hallucination and support future research toward more dependable human-AI interaction.
مدل‌های زبانی بزرگ (LLMs) توانایی‌های قابل توجهی در تولید پاسخ‌های مشابه انسان و مرتبط با زمینه در طیف وسیعی از کاربردها نشان داده‌اند. با این حال، پایایی آن‌ها نه تنها تحت تأثیر توهمات واقعی بلکه همچنین به دلیل ناتوانی در درک و پیروی صحیح از دستورالعمل‌های کاربر قرار می‌گیرد. این مسئله نوظهور که به آن توهم نیت گفته می‌شود، زمانی رخ می‌دهد که یک مدل زبانی بزرگ یک یا چند الزام موجود در درخواست کاربر را حذف، تفسیر نادرست یا برآورده نمی‌کند، حتی اگر پاسخ تولیدشده از نظر واقعی صحیح باشد. چنین شکست‌هایی می‌تواند پایایی و سودمندی سامانه‌های مبتنی بر مدل‌های زبانی بزرگ را به ویژه در وظایف پیچیده با محدودیت‌های متعدد کاهش دهد. این مقاله مرور نظام‌مندی از پژوهش‌های موجود درباره توهم نیت و قابلیت‌های پیروی از دستورالعمل در مدل‌های زبانی بزرگ ارائه می‌دهد. این مطالعه انواع اصلی و علل شکست‌های پیروی از دستورالعمل، معیارها و تکنیک‌های ارزیابی موجود، روش‌های شناسایی این شکست‌ها و رویکردهای پیشنهادی برای کاهش آن‌ها را بررسی خواهد کرد. همچنین این مرور چارچوب‌های ارزیابی فعلی را مقایسه و محدودیت‌های پژوهش‌های موجود، به ویژه در ارتباط با دستورالعمل‌های پیچیده، چندمحدوده‌ای و پویا را بررسی می‌کند. بر اساس ادبیات مرورشده، مطالعه حاضر تلاش دارد رویکردهای موجود را در قالب یک طبقه‌بندی ساختاریافته شامل شکست‌های پیروی از دستورالعمل، روش‌های شناسایی و ارزیابی و راهبردهای کاهش سازماندهی کند. در نهایت، مقاله چالش‌های پژوهشی باز و مسیرهای آینده برای توسعه سامانه‌های مدل زبانی بزرگ پایاتر و هم‌راستا با نیت کاربر را برجسته خواهد کرد. هدف این مطالعه ارائه درکی یکپارچه از توهم نیت و حمایت از پژوهش‌های آتی به سوی تعامل انسان-هوش مصنوعی قابل اعتمادتر است.
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.
Higher education institutions are being urged to offer supplementary courses that enhance regular academic programs due to the increasing emphasis on employability and skill development.These courses are designed to give students professional certifications, industry-relevant competences, and useful skills that improve their preparedness for the workforce.The goal of this study is to determine whether there is a substantial correlation between students' motivations and the kind of add-on course they choose.It also looks at the factors that influence students' enrollment in these courses.Using primary data gathered from 106 University of Mumbai undergraduate students via a structured questionnaire, a descriptive and analytical study approach was used.Convenience sampling was used, and the Pearson Chi-Square test and cross-tabulation were used for data analysis.The results showed that the main reasons for taking additional courses were certification, academic interest, job promotion, and skill development.Nevertheless, the Chi-Square analysis revealed no statistically significant correlation between the type of add-on course chosen and the students' motivations (χ² = 6.737, df = 12, p = 0.874).Among various incentive groups, professional and certification-based courses were found to be the most popular category.The study comes to the conclusion that although students have a variety of reasons for taking extra courses, these reasons have little bearing on the type of course they choose.Higher education institutions, curriculum designers, and legislators can use the findings to create adaptable, learner-centered, industry-focused add-on programs that enhance graduate employability and promote lifelong learning.
مؤسسات آموزش عالی به دلیل تأکید فزاینده بر اشتغال‌پذیری و توسعه مهارت‌ها، تحت فشار قرار گرفته‌اند تا دوره‌های تکمیلی‌ای ارائه دهند که برنامه‌های آموزشی معمول را تقویت کنند. این دوره‌ها با هدف اعطای گواهینامه‌های حرفه‌ای، شایستگی‌های مرتبط با صنعت و مهارت‌های کاربردی به دانشجویان طراحی شده‌اند تا آمادگی آن‌ها را برای ورود به بازار کار افزایش دهند. هدف این پژوهش تعیین این است که آیا بین انگیزه‌های دانشجویان و نوع دوره تکمیلی انتخابی آن‌ها همبستگی معناداری وجود دارد یا خیر. همچنین عوامل مؤثر بر ثبت‌نام دانشجویان در این دوره‌ها را بررسی می‌کند. با استفاده از داده‌های اولیه گردآوری‌شده از ۱۰۶ دانشجوی کارشناسی دانشگاه بمبئی از طریق پرسشنامه ساختاریافته، رویکرد پژوهش توصیفی و تحلیلی به کار گرفته شد. نمونه‌گیری به روش در دسترس انجام شد و برای تحلیل داده‌ها از آزمون کای‌دو پیرسون و جداول توافقی استفاده گردید. نتایج نشان داد که دلایل اصلی شرکت در دوره‌های تکمیلی شامل دریافت گواهینامه، علاقه تحصیلی، ارتقای شغلی و توسعه مهارت است. با این حال، تحلیل کای‌دو نشان داد که بین نوع دوره تکمیلی انتخاب‌شده و انگیزه‌های دانشجویان همبستگی آماری معناداری وجود ندارد (χ² = 6.737، df = 12، p = 0.874). در میان گروه‌های انگیزشی مختلف، دوره‌های حرفه‌ای و مبتنی بر گواهینامه محبوب‌ترین دسته بودند. پژوهش به این نتیجه می‌رسد که اگرچه دانشجویان دلایل متنوعی برای شرکت در دوره‌های تکمیلی دارند، این دلایل تأثیر چندانی بر نوع دوره انتخابی آن‌ها ندارد. مؤسسات آموزش عالی، طراحان برنامه درسی و سیاست‌گذاران می‌توانند از یافته‌های این پژوهش برای طراحی برنامه‌های تکمیلی سازگار، یادگیرنده‌محور و صنعت‌محور بهره گیرند که اشتغال‌پذیری فارغ‌التحصیلان را افزایش داده و یادگیری مادام‌العمر را ترویج می‌کند.
