short-term memory

The article substantiates the feasibility of adaptive foreign language phonetics teaching, enhanced by artificial intelligence technologies, as an alternative to traditional standardized methods that fail to account for higher education students' individual articulatory features and lead to persistent phonetic errors. The study is interdisciplinary, combining the methodology of specialties A4 Secondary Education (A4.021 English Language and Literature), A5 Vocational Education (A5.39 Digital Technologies), and F7 Computer Engineering. The purpose of the study is to develop and justify a model of an adaptive learning platform for improving higher education students' phonetic skills through the integration of speech formant synthesis with machine learning algorithms. A formant synthesizer model based on parallel digital filters has been developed, generating reference vowel sounds by simulating the resonant frequencies of the vocal tract. An approach to personalizing learning is proposed based on a Long Short-Term Memory (LSTM) neural network, which analyzes a student's error history and dynamically adjusts formant parameters in real time. Technical validation of the model demonstrated high accuracy of formant frequency correction, with a root-mean-square error of 45 Hz for the first formant and 78 Hz for the second, enabling objective assessment of pronunciation quality and adaptation of exercise difficulty to the individual student's level. A pilot quasi-experimental verification of the platform involving experimental and control groups of higher education students confirmed its pedagogical potential for implementing differentiated learning principles based on objective acoustic data. The conclusions confirm the platform's prospects for modernizing linguistic education. Further research directions include expanding empirical validation on a larger sample and conducting perceptual evaluation of synthesized speech quality by native speakers to confirm its naturalness and suitability for learning purposes.

Background This pilot study with class-level random assignment examined preliminary evidence on the associations between a structured physical game intervention and memory and attention in children aged 5–6 years. Methods A 12-week physical game program based on cognitive load theory was designed and implemented, consisting of three 60-minute training sessions per week. The program included various game activities designed to promote memory and attention development supplemented by smart interactive motion data collection devices. A pilot study with class-level random assignment was conducted among 59 children aged 5–6 years. Two intact kindergarten classes were included, with one class assigned to the experimental group ( n = 30) and the other to the control group ( n = 29). The experimental group received the structured physical play intervention, whereas the control group participated in routine kindergarten physical activities. The class, rather than the individual child, was the unit of randomization. Before and after the intervention, children's memory and attention levels were assessed using the Wechsler Memory Scale (measuring picture memory, visual reproduction, visual recognition, digit span forward, and digit span backward) and the Schulte Grid test. Results A 2 × 2 repeated-measures ANOVA showed significant Group×Time interactions for total short-term memory ( F (1,57) = 14.33, p < .001, η p 2 = .20), total immediate memory ( F (1,57) = 7.84, p = .007, η p 2 = .12), picture memory ( F (1,57) = 6.10, p = .017, η p 2 = .10), visual reproduction ( F (1,57) = 18.40, p < .001, η p 2 = .24), and digit span forward ( F (1,57) = 5.26, p = .026, η p 2 = .08). A significant Group×Time interaction was also observed for attention performance ( F (1,57) = 8.17, p = .006, η p 2 = .13). These findings indicated greater pre–post changes in the experimental condition than in the control condition for the outcomes examined. Conclusion These findings provide preliminary evidence that a structured physical game intervention was associated with improvements in memory-related task performance and task-related attentional processing in children aged 5–6 years.

Abstract This study investigates how L1–L2 typological distance moderates the predictive validity of large language model (LLM)-based metrics in L2 reading, alongside the compensatory role of cognitive resources. Eye-tracking data from Chinese learners with L1 Lao, Burmese, Thai and Vietnamese revealed that surprisal predicted processing difficulty across all groups, whereas contextual entropy effects were group-specific and qualified by cognitive differences. Cognitive abilities explained unique variance only in Vietnamese learners, with verbal short‑term storage (VSTS) showing an independent effect. Additionally, VSTS and reading comprehension accuracy showed significant interactions with typological distance, such that higher learner-level memory and comprehension-performance indices were associated with reduced processing burden under greater L1–L2 divergence. These findings demonstrate that LLM metrics’ validity is constrained by typology and modulated by cognitive resources, supporting adaptive L2 processing models and the Cognitive Resource Coordination Model (Robinson [2001, Second Language Research 17(4), pp. 368–392]).

این مطالعه بررسی می‌کند که چگونه فاصلهٔ نوع‌شناختی میان زبان اول و دوم، روایی پیش‌بینی‌کنندگی سنجه‌های مبتنی بر مدل‌های زبانی بزرگ (LLM) را در خواندن زبان دوم تعدیل می‌کند و همچنین نقش جبرانی منابع شناختی را مورد توجه قرار می‌دهد. داده‌های ردیابی چشم از زبان‌آموزان چینی با زبان اول لائو، برمه‌ای، تایلندی و ویتنامی نشان داد که سورپرایزال پیش‌بین دشواری پردازش در همه گروه‌ها بود، در حالی که اثرات آنتروپی متنی خاص هر گروه بوده و با تفاوت‌های شناختی تبیین می‌شود. توانایی‌های شناختی تنها در زبان‌آموزان ویتنامی واریانس منحصربه‌فردی را تبیین کردند و ذخیره‌سازی کوتاه‌مدت کلامی (VSTS) اثر مستقلی نشان داد. همچنین، VSTS و دقت درک مطلب در تعامل معنادار با فاصلهٔ نوع‌شناختی قرار داشتند، به‌گونه‌ای که شاخص‌های بالاتر حافظه و عملکرد درک مطلب در سطح زبان‌آموز با کاهش بار پردازشی در شرایط واگرایی بیشتر میان زبان اول و دوم همراه بود. این یافته‌ها نشان می‌دهد که روایی سنجه‌های LLM توسط نوع‌شناسی محدود شده و توسط منابع شناختی تعدیل می‌شود و از مدل‌های پردازش تطبیقی زبان دوم و مدل هماهنگی منابع شناختی (Robinson [2001, Second Language Research 17(4), pp. 368–392]) حمایت می‌کند.

Abstract Currently, machine learning technology has been widely used in electroencephalogram (EEG) automatic emotion recognition tasks. However, the non-stationarity, individual differences, and high annotation costs in EEG signals seriously affect the generalization ability of the model. To solve these problems, we propose a new unsupervised domain adaptation framework named EEG-UDAF for EEG emotion recognition. First, we design a dual-view frequency domain feature fusion module that can extract rich EEG signals frequency domain features from two perspectives, differential entropy and power spectral density, and fuse them based on the self-attention mechanism. Second, we propose a spatio-temporal feature extraction module based on graph convolutional network and bidirectional long short-term memory. It can comprehensively consider the spatial topological structure of the brain and the dynamic characteristics of temporal changes between EEG channels to extract complex spatio-temporal features. Third, we use the unsupervised domain adaptation strategy to solve the non-stationarity and individual differences in EEG signals without manual annotation, and introduce a semantic correction mechanism to prevent incorrect class alignment. Experiments based on intra-subject and inter-subject paradigms show that EEG-UDAF can effectively alleviate non-stationarity and individual differences. Moreover, these transferable EEG representations also provide a potential foundation for LLM-augmented multimodal data fusion in large-scale affective computing.

در حال حاضر، فناوری یادگیری ماشین به طور گسترده‌ای در وظایف شناسایی خودکار احساسات مبتنی بر الکتروانسفالوگرام (EEG) مورد استفاده قرار گرفته‌است. با این حال، غیرایستایی، تفاوت‌های فردی و هزینه‌های بالای برچسب‌گذاری در سیگنال‌های EEG به طور جدی توانایی تعمیم مدل را تحت تأثیر قرار می‌دهد. برای حل این مشکلات، چارچوب جدیدی با نام EEG-UDAF برای شناسایی احساسات مبتنی بر EEG پیشنهاد می‌کنیم. نخست، یک ماژول همجوشی ویژگی‌های حوزه فرکانس با دو نما طراحی کرده‌ایم که می‌تواند ویژگی‌های غنی حوزه فرکانسی سیگنال‌های EEG را از دو منظر، آنتروپی تفاضلی و چگالی طیفی توان، استخراج کرده و آن‌ها را بر اساس سازوکار خودتوجهی ادغام کند. دوم، یک ماژول استخراج ویژگی‌های فضایی-زمانی مبتنی بر شبکه عصبی کانولوشنی گراف و حافظه کوتاه‌مدت دوطرفه پیشنهاد می‌کنیم. این ماژول می‌تواند ساختار توپولوژیکی فضایی مغز و ویژگی‌های پویای تغییرات زمانی بین کانال‌های EEG را به طور جامع در نظر گرفته و ویژگی‌های پیچیده فضایی-زمانی را استخراج کند. سوم، از راهبرد تطبیق حوزه بدون نظارت برای حل غیرایستایی و تفاوت‌های فردی در سیگنال‌های EEG بدون نیاز به برچسب‌گذاری دستی استفاده کرده و سازوکار اصلاح معنایی را برای جلوگیری از هم‌ترازی نادرست کلاس‌ها معرفی می‌کنیم. آزمایش‌های مبتنی بر پارادایم‌های درون‌فردی و بین‌فردی نشان می‌دهد که EEG-UDAF می‌تواند به طور مؤثری غیرایستایی و تفاوت‌های فردی را کاهش دهد. افزون بر این، این بازنمایی‌های قابل انتقال EEG همچنین بنیانی بالقوه برای همجوشی داده‌های چندوجهی تقویت‌شده با LLM در محاسبات عاطفی در مقیاس بزرگ فراهم می‌کند.

Personalized psychological counseling is essential for tailoring therapeutic strategies to individual needs. However, existing methods often rely on static approaches that fail to dynamically adapt responses based on emotional and contextual changes in client conversations. The primary objective is to improve personalized psychological counseling for college students experiencing academic stress, social adjustment challenges, and emotional well-being concerns. The proposed model is termed the Grizzly Bear Fat-Increase Optimization–Driven Encoder–Decoder Long Short-Term Memory (GBFI–EDLSTM) architecture to dynamically adjust counseling strategies. The model utilizes an Encoder–Decoder LSTM to process and generate personalized counseling responses. GBFI fine-tunes these responses by analyzing emotional cues, ensuring that the generated strategies are tailored to the client’s evolving needs within a college academic and social environment. The model is trained on a curated dataset consisting of mental health conversation dialogues collected from college students and university counseling sessions, which contain text-based interactions between student clients and professional counselors. Preprocessing steps such as tokenization, stop-word removal, lemmatization, and punctuation removal to standardize the input. BERT embeddings are used for feature extraction, enabling the model to capture meaningful semantic relationships. These features assist the model in generating contextually appropriate and emotionally relevant responses. The model is implemented using Python, with Tensorflow and Keras for DL, and NLTK and spaCy for text preprocessing. The model accuracy (0.936), precision (0.93), recall (0.92), and F1-score (0.92), along with a PHQ-9 reduction (4.3) and dropout rate (8.8%). It outperforms traditional models in terms of emotional engagement and therapeutic progress prediction.

مشاوره روان‌شناختی شخصی‌سازی‌شده برای تطبیق راهبردهای درمانی با نیازهای فردی ضروری است. با این حال، روش‌های موجود اغلب بر رویکردهای ایستا تکیه دارند که قادر به انطباق پویا با تغییرات هیجانی و زمینه‌ای در مکالمات مراجع نیستند. هدف اصلی، بهبود مشاوره روان‌شناختی شخصی‌سازی‌شده برای دانشجویان دانشگاه است که با استرس تحصیلی، چالش‌های سازگاری اجتماعی و نگرانی‌های بهزیستی هیجانی مواجه هستند. مدل پیشنهادی با عنوان معماری Grizzly Bear Fat-Increase Optimization–Driven Encoder–Decoder Long Short-Term Memory (GBFI–EDLSTM) ارائه می‌شود تا راهبردهای مشاوره را به صورت پویا تنظیم کند. این مدل از یک Encoder–Decoder LSTM برای پردازش و تولید پاسخ‌های مشاوره‌ای شخصی‌سازی‌شده بهره می‌برد. GBFI این پاسخ‌ها را با تحلیل نشانه‌های هیجانی بهینه می‌کند تا اطمینان حاصل شود که راهبردهای تولیدشده با نیازهای در حال تحول مراجع در محیط دانشگاهی و اجتماعی تطابق دارند. مدل بر روی مجموعه داده‌ای منتخب شامل گفتگوهای سلامت روان جمع‌آوری‌شده از دانشجویان و جلسات مشاوره دانشگاهی آموزش داده می‌شود که شامل تعاملات متنی بین مراجعان دانشجو و مشاوران حرفه‌ای است. مراحل پیش‌پردازش مانند توکنیزاسیون، حذف کلمات توقف، لماتیزاسیون و حذف علائم نگارشی برای استانداردسازی ورودی انجام می‌شود. برای استخراج ویژگی‌ها از تعبیه‌های BERT استفاده می‌شود تا مدل بتواند روابط معنایی معنادار را دریافت کند. این ویژگی‌ها به مدل در تولید پاسخ‌های متناسب با زمینه و مرتبط با هیجان کمک می‌کنند. مدل با استفاده از Python و کتابخانه‌های Tensorflow و Keras برای یادگیری عمیق و NLTK و spaCy برای پیش‌پردازش متنی پیاده‌سازی شده است. دقت مدل (0.936)، دقت مثبت (0.93)، یادآوری (0.92) و امتیاز F1 (0.92)، همراه با کاهش PHQ-9 (4.3) و نرخ دراپ‌اوت (8.8%) گزارش شده است. این مدل از نظر درگیری هیجانی و پیش‌بینی پیشرفت درمانی عملکرد بهتری نسبت به مدل‌های سنتی دارد.

The current study was designed to examine the relation between intimate partner violence (IPV) and children's memory and drew from a socioeconomically and racially diverse sample of children living in and around a midsized southeastern city (n = 140). Mother-reported IPV when the children were 30 months old was a significant predictor of children's short-term, working, and deliberate memory at 60 months of age, even after controlling for the children's sex and race, the families' income-to-needs ratio, the children's expressive vocabulary, and maternal harsh-intrusive parenting behaviors. These findings add to the limited extant literature that finds linkages between IPV and children's cognitive functioning and suggest that living in households in which physical violence is perpetrated among intimate partners may have a negative effect on multiple domains of children's memory development.

پژوهش حاضر با هدف بررسی رابطه بین خشونت شریک صمیمی (IPV) و حافظه کودکان طراحی شده است و از نمونه‌ای با تنوع اقتصادی-اجتماعی و نژادی از کودکان ساکن در یک شهر متوسط در جنوب شرقی ایالات متحده و اطراف آن (n = 140) بهره برده است. گزارش مادران از خشونت شریک صمیمی زمانی که کودکان ۳۰ ماهه بودند، پیش‌بینی‌کننده معناداری برای حافظه کوتاه‌مدت، حافظه فعال و حافظه عمدی کودکان در سن ۶۰ ماهگی بود؛ حتی پس از کنترل جنسیت و نژاد کودک، نسبت درآمد به نیاز خانواده، واژگان بیانی کودک و رفتارهای فرزندپروری خشن-مداخله‌گر مادرانه. این یافته‌ها به ادبیات محدود موجود که ارتباط بین خشونت شریک صمیمی و عملکرد شناختی کودکان را نشان می‌دهد، می‌افزاید و حاکی از آن است که زندگی در خانواده‌هایی که در آن‌ها خشونت فیزیکی میان شرکای صمیمی رخ می‌دهد، می‌تواند تأثیر منفی بر حوزه‌های مختلف رشد حافظه کودکان داشته باشد.