intelligence

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.

Purpose: This study aimed to design and evaluate an artificial intelligence–based model for predicting the mathematics performance of twelfth-grade experimental sciences students based on individual, educational, and learning technology factors. Methods and Materials: This applied, quantitative, cross-sectional, and predictive study was conducted among twelfth-grade experimental sciences students in Isfahan, Iran. A total of 187 questionnaires were distributed, and after removing incomplete, inconsistent, and invalid records, data from 84 students were retained for analysis. Data were collected using a structured questionnaire assessing individual factors, educational conditions, and learning technology variables, together with students’ recorded mathematics scores. The dataset was divided into training and testing subsets, and repeated five-fold cross-validation was used for internal model development. Multiple linear regression, ridge regression, lasso regression, elastic net regression, decision tree regression, random forest regression, gradient boosting regression, and support vector regression were compared. Model performance was evaluated using mean absolute error, root mean squared error, and the coefficient of determination. Findings: Previous mathematics achievement had the strongest positive correlation with current mathematics performance, followed by mathematics self-efficacy, study regularity, academic motivation, teacher feedback, instructional quality, and educational use of learning technologies. Test anxiety and digital distraction were negatively associated with mathematics performance. Among the evaluated algorithms, gradient boosting regression achieved the best predictive performance, with a test-set mean absolute error of 0.93, root mean squared error of 1.26, and coefficient of determination of .72. Previous mathematics achievement, mathematics self-efficacy, study regularity, teacher feedback, educational use of learning technologies, test anxiety, and instructional quality were the most influential predictors. Adding educational factors increased explained variance from .54 to .65, while including learning technology factors further increased it to .72. Conclusion: The findings indicate that mathematics performance can be predicted with acceptable accuracy by integrating students’ prior achievement, psychological and behavioral characteristics, instructional experiences, and learning technology use within an interpretable artificial intelligence model.

هدف: این مطالعه با هدف طراحی و ارزیابی یک مدل مبتنی بر هوش مصنوعی برای پیش‌بینی عملکرد ریاضی دانش‌آموزان پایه دوازدهم رشته علوم تجربی بر اساس عوامل فردی، آموزشی و فناوری‌های یادگیری انجام شد. روش‌ها و مواد: این پژوهش کاربردی، کمی، مقطعی و پیش‌بینانه در میان دانش‌آموزان پایه دوازدهم رشته علوم تجربی شهر اصفهان، ایران انجام شد. در مجموع ۱۸۷ پرسشنامه توزیع گردید و پس از حذف داده‌های ناقص، ناسازگار و نامعتبر، داده‌های ۸۴ دانش‌آموز برای تحلیل حفظ شد. داده‌ها با استفاده از پرسشنامه ساختاریافته‌ای که عوامل فردی، شرایط آموزشی و متغیرهای فناوری یادگیری را ارزیابی می‌کرد، همراه با نمرات ثبت‌شده ریاضی دانش‌آموزان جمع‌آوری شد. مجموعه داده به زیرمجموعه‌های آموزش و آزمون تقسیم شد و برای توسعه داخلی مدل از اعتبارسنجی متقاطع پنج‌باره تکراری استفاده گردید. رگرسیون خطی چندگانه، رگرسیون ریج، رگرسیون لاسو، رگرسیون الاستیک نت، رگرسیون درخت تصمیم، رگرسیون جنگل تصادفی، رگرسیون گرادیان بوستینگ و رگرسیون بردار پشتیبان با یکدیگر مقایسه شدند. عملکرد مدل با استفاده از میانگین خطای مطلق، ریشه میانگین مربعات خطا و ضریب تعیین ارزیابی شد. یافته‌ها: پیشرفت قبلی در ریاضی بیشترین همبستگی مثبت را با عملکرد فعلی ریاضی داشت و پس از آن خودکارآمدی ریاضی، نظم در مطالعه، انگیزش تحصیلی، بازخورد معلم، کیفیت تدریس و استفاده آموزشی از فناوری‌های یادگیری قرار داشتند. اضطراب امتحان و حواس‌پرتی دیجیتال با عملکرد ریاضی رابطه منفی داشتند. در میان الگوریتم‌های ارزیابی‌شده، رگرسیون گرادیان بوستینگ بهترین عملکرد پیش‌بینی را با میانگین خطای مطلق ۰٫۹۳، ریشه میانگین مربعات خطا ۱٫۲۶ و ضریب تعیین ۰٫۷۲ در مجموعه آزمون به دست آورد. پیشرفت قبلی در ریاضی، خودکارآمدی ریاضی، نظم در مطالعه، بازخورد معلم، استفاده آموزشی از فناوری‌های یادگیری، اضطراب امتحان و کیفیت تدریس از مهم‌ترین پیش‌بین‌ها بودند. افزودن عوامل آموزشی واریانس تبیین‌شده را از ۰٫۵۴ به ۰٫۶۵ افزایش داد و افزودن عوامل فناوری یادگیری آن را به ۰٫۷۲ رساند. نتیجه‌گیری: یافته‌ها نشان می‌دهد که عملکرد ریاضی را می‌توان با دقت قابل قبول از طریق ادغام پیشرفت قبلی دانش‌آموزان، ویژگی‌های روان‌شناختی و رفتاری، تجارب آموزشی و استفاده از فناوری‌های یادگیری در یک مدل مبتنی بر هوش مصنوعی قابل تفسیر پیش‌بینی کرد.

Purpose: This study aimed to design an artificial intelligence–based cognitive empowerment package for enhancing entrepreneurial skills in gifted and creative adolescents through the qualitative identification and integration of relevant cognitive, psychological, motivational, interpersonal, and technological components. Methods and Materials: The study employed a qualitative exploratory-developmental design. Data were obtained through an analytical review of relevant literature, examination of previous student entrepreneurship workshop experiences, and semi-structured interviews with students, mentors, workshop facilitators, and accelerator managers selected through purposive sampling. Data collection continued until conceptual saturation was achieved. Interview transcripts, field observations, documentary evidence, and analytical notes were examined using thematic analysis. Findings: The qualitative analysis indicated that sustained entrepreneurial action among gifted and creative adolescents depends on a multidimensional configuration of entrepreneurial intention and identity, self-efficacy, opportunity recognition and problem identification, executive functioning, tolerance of ambiguity, applied creativity, fear of failure and perfectionism, intrinsic motivation and psychological ownership, teamwork and psychological safety, proactive agency, resilience, future orientation, and reflective readiness to use artificial intelligence. The findings further suggested that entrepreneurial difficulties differ across adolescents and therefore require profile-based rather than uniform intervention. Integration of the themes resulted in a six-session package encompassing profile awareness and goal setting, problem identification and value creation, conversion of ideas into action plans, presentation and feedback utilization, teamwork and agency, and final presentation with a continuation plan. Conclusion: The findings suggest that entrepreneurial empowerment in gifted and creative adolescents should extend beyond creativity and business knowledge by strengthening the cognitive and psychological capacities required to transform ideas into sustained action, while using artificial intelligence as a supervised reflective and personalized learning support rather than as a substitute for adolescent judgment and agency.

هدف: این پژوهش با هدف طراحی بسته توانمندسازی شناختی مبتنی بر هوش مصنوعی جهت ارتقای مهارت‌های کارآفرینی در نوجوانان با استعداد و خلاق از طریق شناسایی و ادغام کیفی مؤلفه‌های شناختی، روان‌شناختی، انگیزشی، بین‌فردی و فناورانه مرتبط انجام شد. روش‌ها و مواد: این مطالعه با رویکرد کیفی اکتشافی-توسعه‌ای انجام گرفت. داده‌ها از طریق مرور تحلیلی منابع مرتبط، بررسی تجربیات پیشین کارگاه‌های کارآفرینی دانش‌آموزی و مصاحبه‌های نیمه‌ساختاریافته با دانش‌آموزان، مربیان، تسهیل‌گران کارگاه و مدیران شتاب‌دهنده که به روش نمونه‌گیری هدفمند انتخاب شدند، گردآوری شد. جمع‌آوری داده‌ها تا رسیدن به اشباع مفهومی ادامه یافت. رونوشت مصاحبه‌ها، مشاهدات میدانی، شواهد اسنادی و یادداشت‌های تحلیلی با استفاده از تحلیل تماتیک بررسی شدند. یافته‌ها: تحلیل کیفی نشان داد که تداوم عمل کارآفرینانه در نوجوانان با استعداد و خلاق وابسته به پیکربندی چندبعدی قصد و هویت کارآفرینانه، خودکارآمدی، شناسایی فرصت و تشخیص مسئله، کارکرد اجرایی، تحمل ابهام، خلاقیت کاربردی، ترس از شکست و کمال‌گرایی، انگیزش درونی و مالکیت روان‌شناختی، کار تیمی و ایمنی روان‌شناختی، عاملیت پیش‌فعال، تاب‌آوری، آینده‌نگری و آمادگی تأملی برای استفاده از هوش مصنوعی است. یافته‌ها همچنین نشان داد که دشواری‌های کارآفرینی در میان نوجوانان متفاوت است و بنابراین مداخله مبتنی بر پروفایل به جای مداخله یکنواخت ضرورت دارد. ادغام تم‌ها منجر به بسته‌ای شش‌جلسه‌ای شامل آگاهی از پروفایل و هدف‌گذاری، شناسایی مسئله و خلق ارزش، تبدیل ایده‌ها به برنامه عملیاتی، ارائه و بهره‌گیری از بازخورد، کار تیمی و عاملیت، و ارائه نهایی با برنامه تداوم شد. نتیجه‌گیری: یافته‌ها حاکی از آن است که توانمندسازی کارآفرینانه در نوجوانان با استعداد و خلاق باید فراتر از خلاقیت و دانش کسب‌وکار، با تقویت ظرفیت‌های شناختی و روان‌شناختی لازم برای تبدیل ایده به عمل پایدار و استفاده از هوش مصنوعی به عنوان پشتیبان یادگیری تأملی و شخصی‌سازی‌شده تحت نظارت، نه جایگزین قضاوت و عاملیت نوجوان، توسعه یابد.

Assessment in Arabic language learning as a foreign language (Arabic as a Foreign Language) is currently undergoing a significant paradigm shift. This transformation is influenced by the development of digital technology, the utilization of Artificial Intelligence (AI), and the implementation of the Merdeka Curriculum in Indonesia, which emphasizes flexibility, differentiation, and learning personalization. This article presents a Systematic Literature Review (SLR) aimed at identifying, examining, and synthesizing developments, innovations, methodological approaches, and various challenges in the assessment of the four Arabic language skills, namely listening, speaking, reading, and writing, during the period from 2020 to early 2026. The review employed the PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) protocol to identify and analyze relevant literature. The findings indicate a shift from conventional evaluation systems based on discrete tests toward the implementation of Technology-Enhanced Assessment (TEA) and more authentic forms of assessment. The literature synthesis reveals several key findings. First, diagnostic assessment, encompassing both cognitive and non-cognitive aspects, plays an important role in designing differentiated learning within the framework of the Merdeka Curriculum. Second, the development of assessment instruments for Arabic language maharah is increasingly oriented toward measuring higher-order thinking skills (Higher Order Thinking Skills/HOTS). Third, the utilization of Generative AI, including ChatGPT, as well as various gamification-based learning platforms, has introduced new approaches to providing faster, more adaptive, and interactive feedback. Based on the synthesis, the effectiveness of modern assessment is not determined solely by the sophistication of the technology employed, but also by the alignment between technology and pedagogical objectives, the transparency of assessment procedures, and its ability to comprehensively represent learners' communicative competence while maintaining the principles of academic integrity.

Slovak Republic has accumulated significant experience in integrating digital technologies into the professional development of educators, and a systematic analysis of this experience could serve as a resource for modernising the Ukrainian system of postgraduate education. The aim of this article is to provide a theoretical analysis, systematisation and classification of digital technologies for professional development of educators in Slovakia and to justify a model for professional development of educators using digital technologies. General scientific methods such as analysis, classification and systematisation of the results of scientific publications, as well as content analysis of strategic and regulatory documents of the EU and the SR, were employed. The article highlights the results of national and international projects implemented at Comenius University in Bratislava, which are aimed at supporting the professional development of teachers in digital environment. Strategic and regulatory documents, project materials, methodological resources and practices developed within the framework of national and international initiatives have been analysed, with particular attention paid to the DiTEdu project and the digital professional development of educators. Based on the systematisation and comparative analysis of the identified practices, an original structural-functional model of professional development for educators using digital technologies has been developed, and a classification of the main types of digital tools used in the Slovak context has been proposed. The findings have made it possible to identify the key organisational, pedagogical and technological conditions for effective digital professional development, in particular personalised learning, blended formats, professional networking, learning using artificial intelligence, the development of digital competence and ongoing methodological support. Recommendations are proposed at the national, institutional and individual levels for Ukrainian postgraduate education regarding the implementation of the Slovak experience in the using of digital technologies in the professional development of educators.

The emergence of generative artificial intelligence (Generative AI), such as ChatGPT, has brought significant changes to higher education, including Arabic language learning for non-native speakers (Arabic as a Foreign Language). Writing skills (Maharah al-Kitabah) are considered a relatively complex productive skill. Learners are required not only to master word formation (Sarf) and Arabic grammar (Nahwu), but also to organize ideas coherently and logically. This article employs a Systematic Literature Review (SLR) approach based on the PRISMA 2020 standards to map the use of ChatGPT in Arabic writing, examine the reliability of AI in Arabic grammar, and identify research gaps that remain underexplored. The review findings indicate that ChatGPT can serve as a useful writing partner (human-AI co-writer), particularly for generating ideas, enriching vocabulary, and correcting basic grammatical errors. However, AI still frequently produces errors or “hallucinations” when dealing with morphologically complex words, variations in Arabic dialects, and unvocalized texts. As a result, AI-generated writing may appear linguistically polished on the surface while containing grammatical inaccuracies. Furthermore, excessive reliance on AI may pose risks to academic integrity, while AI detection tools themselves often produce inaccurate results when identifying Arabic-language texts (false positives). This review also finds that existing research remains overly focused on English, tends to examine only the final writing outcomes without investigating students’ cognitive processes, and has paid limited attention to AI models specifically developed for the Arab region, such as ALLaM and Jais. Therefore, the approach to AI-assisted learning needs to shift from merely using AI toward purposeful and reflective utilization through frameworks such as the Spiral Learning Model and Genre-Based Pedagogy, so that AI functions as a scaffold without diminishing students’ autonomy and critical thinking.

Generation Alpha (born 2010-2024) and Generation Beta (born 2025-2039) represent an unprecedented developmental archetype defined by total digital integration and ubiquitous artificial intelligence (AI). This empirical study evaluated specialized psychological adaptation mechanisms, parenting models, and mental health intervention frameworks across these cohorts. Utilizing a mixed-methods design, quantitative data were gathered from $N = 300$ parents (Gen Alpha parents and expectant/early Gen Beta parents) using the Modified Parental Stress Scale (PSS) and Child Behavior Checklist (CBCL), supplemented by qualitative interviews with $N = 20$ pediatric mental health experts. Independent samples $t$-tests confirmed that Gen Alpha/Beta display significantly higher digital dependency anxiety ($M = 38.60, p < .001$) alongside superior visual-spatial intelligence ($M = 44.10, p < .001$) relative to normative baselines. Crucially, a proactive "Digital Integration" co-navigation parenting framework yielded significantly lower parental stress ($M = 29.50$) compared to rigid "Digital Detox" restriction models ($M = 42.80, p < .001$). A preventive clinical framework focusing on Social-Emotional Learning (SEL) and cognitive impulse management is proposed.

The landscape of foreign language education, particularly Arabic language instruction, is currently undergoing a fundamental transformation driven by the emergence of Generative Artificial Intelligence (GenAI) and Large Language Models (LLMs). This Systematic Literature Review evaluates recent developments in the integration of GenAI into the Arabic language learning ecosystem, encompassing trends in the evolution of language models, pedagogical effectiveness, the utilization of automated assessment systems, as well as the linguistic and cultural challenges involved. Through a thematic synthesis of empirical and theoretical literature published between 2019 and 2026, this review confirms that GenAI significantly enhances learner engagement, instructional personalization, and language skill acquisition, particularly in vocabulary mastery and reading comprehension. These improvements are driven by the adoption of general-purpose models such as ChatGPT, as well as leading Arabic-centric models such as JAIS and ALLaM. Nevertheless, this innovative integration encounters the inherent structural complexity of the Arabic language. Generative models frequently experience technical limitations in handling syntactic rules (nahwu), morphology (shorof), diacritic disambiguation, and regional dialect variations, as evidenced by performance gaps in linguistic benchmarks such as AraLingBench and AlGhafa. Furthermore, this review discusses rapid advances in trait-based Automated Essay Scoring (AES) supported by precise prompt engineering. Based on these findings, the study concludes that although GenAI has significant potential to bring positive disruption, its successful implementation depends heavily on pedagogical readiness, digital literacy, the application of Human-in-the-Loop (HITL) collaboration, and the development of ethical frameworks aligned with the epistemology of Islamic higher education.

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.

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.

The education of young children constitutes the foundation of their cognitive, social, emotional, and behavioural development. Teacher psychological capital, emotional intelligence, and work engagement are personal resources that may be associated with good teaching practices and child development as perceived by teachers. Using COR theory, this study examined the relationships among teacher psychological capital, emotional intelligence, work engagement, teaching effectiveness, and teacher-reported children's developmental outcomes of early childhood educators in Lagos State, Nigeria. The study employed a correlational research design. A sample of 202 early childhood educators was selected through a multistage sampling process, in which five children per teacher's classroom were selected, resulting in a total of 1,010 children rated using the Early Development Instrument (EDI). The data for the study were gathered using the Psychological Capital Questionnaire, the Wong and Law Emotional Intelligence Scale, the Utrecht Work Engagement Scale, the Classroom Assessment Scoring System (CLASS) Pre-K, and the EDI Teacher Version. The scores of five children per teacher were aggregated to measure teacher-level indicators of child developmental outcomes. Data analysis was done using Pearson product-moment correlation, multiple regression, and hierarchical multiple regression at the 0.05 level of significance. The results indicated significant positive correlations among the research variables. Psychological capital, emotional intelligence, and work engagement, both together and individually, made significant contributions to teaching effectiveness and teacher-rated children’s developmental outcomes. Teaching experience and school ownership also significantly moderated the relationship between the independent and dependent variables. This research therefore concludes that psychological capital, emotional intelligence, and work engagement are significant resources for teachers, contributing to teaching effectiveness and teacher-rated children’s developmental outcomes.

Against the backdrop of deepening industry-education integration in vocational education and AI-driven digital transformation, productive teaching projects face not only the perennial challenge of transforming authentic production tasks into teachable activities, but also new challenges such as rapid resource obsolescence, heterogeneous learner foundations, and insufficient evidence for process-based assessment. Taking the “Deployment and Maintenance of a Navigation Data Storage Platform” task from the Yangtze River Trunk-Line Ship Water Pollutant Joint Supervision and Service Information System as a case, this study builds on the six-stage process of Select→Deconstruct→Define→Transform→Integrate→Extend and develops a human–AI collaborative mechanism characterized by real projects as the carrier, job competencies as the main line, and AI-supported cognition as the support. To strengthen AI empowerment across project development and implementation, AI is embedded in project selection, work-process deconstruction, competency definition, teaching-task transformation, curriculum integration, and resource expansion, and is integrated with IDEAL project-based learning, multi-stakeholder whole-process assessment, “dual-teacher + AI assistant” collaboration, and a blended virtual–real training environment. This study provides a reference for IT-related programs seeking to build replicable and iteratively improvable AI-empowered productive teaching projects.

Background Despite the substantial growth of research on Education for Sustainable Development (ESD) in higher education, the field remains characterized by geographic concentration, methodological constraints, and conceptual fragmentation between established competence frameworks and emerging demands such as climate literacy and green skills. No prior review has simultaneously mapped the bibliometric architecture and conducted an artificial intelligence (AI)-assisted inductive thematic synthesis of this domain. Methods A dual-method design integrated bibliometric network analysis—co-citation, bibliographic coupling, and keyword co-occurrence—with AI-assisted inductive thematic synthesis. A total of 442 peer-reviewed documents were retrieved from Scopus, Web of Science Core Collection, and ERIC (2015–2026) through systematic multi-database search, deduplication, and PICO-adapted relevance screening evaluated by a specialized multi-rater panel (Fleiss’ κ=0.55 – 0.69 , 98.4% unanimous agreement on the retained corpus). Thematic extraction was performed using two complementary large language model architectures (Qwen3-235B and DeepSeek V3.2), governed by a stringent verification protocol achieving a 92.0% alignment score; 37 hallucination flags were audited and corrected via human expert review. Results The corpus exhibits substantial and accelerated scientific expansion since 2019 ( R2=0.91 for exponential fit; compound annual growth rate of 18.4%), with Spain, the United Kingdom, and Germany accounting for over one-third of output. Five thematic clusters emerged: curriculum integration, transformative pedagogies, institutional and faculty roles, sustainability literacy and behavioral outcomes, and digital innovation. Surveys and case studies dominate research designs (37.7%), while experimental approaches represent only 4.0% of the corpus. Green skills and climate literacy remain conceptually peripheral despite their policy urgency, institutional collaboration is fragmented (20.3% of institutions isolated), and faculty populations are understudied (7.0%) relative to students (32.7%). Fifty-six knowledge gaps were identified across structural, declared, and emergent categories, with methods-by-concepts coverage reaching 64.0%. Conclusions The field would benefit from a methodological transition toward longitudinal and experimental designs, enhanced visibility of Global South scholarship (contextualizing database indexing constraints), systematic pedagogical theorization of simulation-based approaches, and deliberate cross-institutional consortia to transition from conceptual proliferation to evidence-based pedagogical science.

This study examines linguistic and stylistic over-elaboration in beginner Arabic writing produced during a classroom task permitting generative artificial intelligence (GenAI) and electronic translation. The study emerged from an Arabic language course involving undergraduate accounting students at Universiti Teknologi MARA (UiTM), Terengganu Branch, Malaysia. Students were instructed to write a simple birthday invitation addressed to friends, using accessible vocabulary and including specified invitation elements. During the review of approximately 100 submissions, the instructor observed recurring instances of vocabulary, courtesy expressions, and sentence formulations that appeared more sophisticated or formal than expected for the learners' proficiency and the task's communicative purpose. Adopting an exploratory qualitative approach, the study draws on these professional classroom observations, supplemented by the direct examination of three available invitation texts. The analysis considers lexical overreach, stylistic over-elaboration, unnecessary syntactic complexity, register mismatch, and learner-level appropriateness. The findings highlight a pedagogical distinction between linguistic correctness and the suitability of written expression for a beginner's level and communicative situation. They also suggest that apparently sophisticated writing should not automatically be interpreted as evidence of independent linguistic proficiency. Because individual tool use and writing processes were not documented, the study does not attribute particular expressions to GenAI or establish causal effects.

Background: Fresh graduates face an increasingly difficult school-to-work transition, while artificial intelligence (AI) has become a routine study and job-search companion; yet how the intention to use AI translates into employability, and through which mechanisms, remains unclear. Objective: Grounded in Social Cognitive Theory, this study tests whether behavioral intention to use AI is associated with self-perceived graduate employability directly and indirectly through career adaptability and job search self-efficacy, and whether AI self-efficacy and AI trust moderate these paths. Methods: A cross-sectional online survey of 612 Indonesian fresh graduates who use AI for career preparation was analyzed with partial least squares structural equation modeling (PLS-SEM). Results: AI use intention positively predicted career adaptability (β = 0.305) and job search self-efficacy (β = 0.249), and both resources predicted self-perceived employability. The indirect paths through both resources were significant, and a direct effect of AI use intention on employability remained, indicating partial mediation. AI self-efficacy and AI trust showed significant main effects on their resources, while the interaction-related indirect effects were not significant. Conclusion: AI use intention is associated with self-perceived employability through career adaptability and job search self-efficacy. The cross-sectional findings do not establish causality. Educational institutions and career-service units may use these findings to inform structured AI-supported occupational exploration, skills-gap analysis, résumé refinement, and interview rehearsal, while encouraging critical verification of AI outputs.

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.

The rapid proliferation of generative artificial intelligence in educational contexts has transformed how students encounter academic content, yet a fundamental question remains underexamined: Do English as a Foreign Language (EFL) learners possess the critical literacy competencies needed to evaluate AI-generated texts? This study investigated whether students in Morocco’s Classes Préparatoires aux Grandes Écoles (CPGE)—one of the nation’s most academically selective post-secondary programs—demonstrate readiness for AI-era literacy demands. We developed a diagnostic assessment instrument, the Critical Reading Diagnostic Assessment (CRDA), designed to mirror common characteristics of AI-generated academic content: a confident, authoritative tone, a logical structure with subtle gaps, claims requiring verification, and culturally embedded assumptions. Thirty first-year CPGE students (M age = 18.6 years) evaluated argumentative passages across five critical dimensions: argument identification, evidence evaluation, assumption recognition, multi-source synthesis, and source criticism. Metacognitive self-assessment data were also collected. Results revealed systematic evaluation failures across all dimensions, with mean accuracy rates of only 18–39% and large effect sizes confirming substantial deficits (d = 1.11–2.25). Metacognitive analysis showed that students overestimated their abilities by 11–38 percentage points across all dimensions, indicating profound self-assessment inaccuracies.

Mental health systems face a persistent gap in accessible, continuous, and person-centred support. Conversational AI can expand access to psychoeducation, emotional check-ins, self-management, and service navigation, but may also introduce risks of digital exclusion, cultural mismatch, privacy concerns, unsafe advice, and overreliance on automation. This paper develops a conceptual framework integrating Orange Technology, which promotes emotional wellbeing, cultural sensitivity, social connectedness, and resilience, with empathetic AI for mental health support. An integrative literature review examined peer-reviewed systematic reviews and WHO and UN guidance published from 2021 to 2026. Evidence suggests that conversational AI can improve depression, distress, anxiety, and engagement, although effects are heterogeneous and may decline over time. Personalization and empathic interaction may enhance engagement, while the framework's effects on community resilience, cultural sensitivity, and community resource integration require further empirical validation. The framework therefore positions AI as a supportive, human-in-the-loop layer rather than a replacement for clinicians, families, peers, or communities. It connects emotional sensing, empathetic dialogue, personalized support, escalation pathways, community connection, inclusive access, and governance, while aligning mental health innovation with SDG 3, 9, and 17.

Early childhood education is a crucial stage in preparing children to face further levels of schooling. One important aspect to be developed is naturalistic intelligence, which refers to the ability to recognize, differentiate, and appreciate the natural environment. This study aims to explore how teachers can enhance the naturalistic intelligence of children aged 5–6 years at Al Falah Islamic Kindergarten, Limbur Tembesi, Bathin VIII District, Sarolangun Regency through the use of natural materials. Employing a qualitative case study approach, data were collected through observation, interviews, and documentation. The findings reveal that teachers play a central role in designing lesson plans semester programs, weekly lesson plans, and daily lesson plans that incorporate natural materials as learning media. Teachers also prepare items such as seeds, soil, stones, and vegetables, while instilling habits of caring for plants and maintaining cleanliness in the school environment. In conclusion, the structured and consistent use of natural materials fosters children’s naturalistic intelligence and nurtures environmental awareness from an early age.

Introduction: Drug use and human immunodeficiency virus (HIV) infection remain major public health challenges, particularly among adolescents and young adults. Educational materials supported by artificial intelligence (AI) represent an innovative approach to health promotion strategies. Objective: To develop and validate an artificial intelligence-supported educational brochure for the prevention of drug use and HIV infection among adolescents and young adults. Methods: A technological development study with a mixed-methods approach was conducted at the Universidad de Ciencias Médicas de Santiago de Cuba between August and October 2026. The development of the brochure comprised three phases: literature review and scientific content curation, AI-assisted graphic design, and expert validation. Means, standard deviations, and the Content Validity Index (CVI) were calculated. Results: An educational brochure was developed in both printed and digital formats addressing the prevention of drug use and HIV infection. The overall CVI was 0.96, and mean scores ranged from 4.63 to 4.88. Overall, 93.8% of responses were rated as "Agree" or "Strongly Agree." Conclusions: The educational brochure demonstrated adequate content validity and represents a useful educational resource for strengthening the prevention of drug use and HIV infection. Artificial intelligence proved to be an effective supportive tool when its use was accompanied by expert supervision and validation.

The development of artificial intelligence in education opens up opportunities to support learning while also raising ethical issues related to academic integrity and students’ digital responsibility. This article aims to analyze the role of character education as a foundation for guiding the use of artificial intelligence in relation to these two aspects. The study employs a literature review using a descriptive-qualitative approach. The findings indicate that the values of ṣidq and amanah provide a conceptual foundation for transparency in AI use, recognition of intellectual contributions, adherence to assignment guidelines, and accountability for learning processes and outcomes. Meanwhile, the values of tabayyun, respect for others, and a focus on the common good underpin digital responsibility in the form of information verification, privacy protection, respect for intellectual property, and consideration of the social impacts of AI use. Strengthening these two aspects requires educators to lead by example, clear institutional guidelines, family support, and reflective learning grounded in ethical dilemmas. This article concludes that the integration of character education and AI literacy should be directed toward developing students who are proficient in using technology while also being able to make decisions honestly and responsibly. The resulting conceptual framework still requires empirical testing according to educational levels and contexts.

Sentiment analysis from video streams requires effective modeling of both temporal dynamics and multimodal cues. This paper presents a lightweight multimodal CNN-LSTM framework, designed for low-latency operation on live video streams, that classifies individuals' affective states as negative, neutral, or positive by jointly exploiting audio and visual information. The proposed system consists of four lightweight deep neural network models that fuse sequences of audio and visual features into a unified temporal stream, enabling the accumulation of sentiment evidence over time for robust prediction. To further enhance discriminative power, dynamic mouth state classification is incorporated, allowing the model to better capture subtle visual cues related to speech and sentiment. Experiments conducted on the Ryerson Audio-Visual Database of Emotional Speech (RAVDESS) demonstrate that the proposed approach achieves a test accuracy of 84.89% on the three-class sentiment recognition task, competitive with substantially larger audio-visual architectures, while using an order of magnitude fewer parameters and maintaining low-latency operation. In addition, we provide a comprehensive comparison with multiple multimodal large language models (LLMs), evaluated under diverse input configurations and prompting strategies. The results offer practical insights into the strengths and limitations of contemporary LLMs for audio-visual sentiment analysis and highlight the continued effectiveness of compact, task-specific neural architectures for streaming audio-visual input.

.

Objectives Cross-cultural equivalence translations of the widely used Implicit Theories of Intelligence Scale (ITIS) into Chinese are limited. Past research has focused on Western educational contexts, and Eastern cultural perspectives have been overlooked. This study aimed to translate and validate the Chinese version of the ITIS, and assess the growth mindset in undergraduate medical students. Methods This study was conducted among final-year undergraduate medical students in Fujian, China. Following forward and back-translation of the Implicit Theories of Intelligence Scale (ITIS), cognitive interviews were conducted with students to assess the clarity and comprehensibility of the translated items, followed by an online survey distributed through medical schools. Construct validity, convergent validity, and discriminant validity were evaluated using confirmatory factor analysis. Internal consistency was assessed using Cronbach's alpha and composite reliability (CR), while test–retest reliability was evaluated separately for the Fixed Mindset and Growth Mindset dimensions using the intraclass correlation coefficient (ICC). Results A total of 444 responses were obtained. Confirmatory factor analysis supported a two-factor structure with satisfactory model fit ( χ 2 = 52.293, df = 17, CMIN/DF = 3.076, CFI = 0.984, NFI = 0.977, RFI = 0.962, IFI = 0.984, TLI = 0.974, RMSEA = 0.068, SRMR = 0.059). Standardized factor loadings were satisfactory, while CR values were 0.908 for Fixed Mindset and 0.910 for Growth Mindset, and AVE values were 0.713 and 0.717, respectively, supporting convergent validity. Discriminant validity was supported by the Fornell–Larcker criterion, AVE values exceeding the corresponding maximum shared variance values, and HTMT ratios below 0.90. Test–retest reliability differed between the two dimensions: the Fixed Mindset dimension demonstrated moderate temporal stability (ICC = 0.662, 95% CI: 0.443–0.806), whereas the Growth Mindset dimension showed limited temporal stability (ICC = 0.159, 95% CI: −0.158–0.446). The mean scores for Fixed Mindset items ranged from 2.64 (SD = 1.09) to 2.86 (SD = 1.56), whereas those for Growth Mindset items ranged from 3.81 (SD = 1.16) to 3.96 (SD = 1.21), indicating relatively stronger endorsement of fixed-mindset beliefs in this sample. Conclusions The Chinese version of the ITIS is a valid and reliable instrument for assessing the intelligence mindset of medical students.

Higher education institutions are expected to continuously evaluate graduate programs to ensure that curricular offerings remain relevant, responsive, and aligned with the evolving demands of professional practice. This study assessed the relevance and applicability of the Master of Arts in Educational Management (MAEM) curriculum of Guagua National Colleges to the current professional work of its graduates and identified areas for curriculum enhancement. Using a quantitative descriptive-comparative research design, data were collected from 33 MAEM graduates through a structured survey questionnaire. Descriptive statistics such as frequency, percentage, weighted mean, and ranking were utilized to analyze quantitative data, while thematic analysis was employed to examine graduates' recommendations. Results revealed that most graduates occupy positions closely related to educational leadership and management, with 87.88% indicating that their present work is highly related or related to educational management. The overall relevance and applicability of the curriculum obtained a very high rating (M = 4.69), while the adequacy of competencies developed through the program received a mean rating of 4.67. Human Resource and Organizational Management emerged as the highest-rated competency area (M = 4.76), whereas Problem-Solving and Evidence-Based Decision-Making obtained the lowest mean rating (M = 4.64), though still interpreted as very high. Graduates recommended strengthening content related to digital leadership, educational technology, artificial intelligence, instructional leadership, research utilization, and experiential learning. Based on these findings, a Responsive MAEM Curriculum Enhancement Framework was proposed. The study concludes that the MAEM curriculum remains highly relevant to current professional requirements but should continuously evolve to address emerging educational challenges and technological advancements.

This study examined teacher self-efficacy, Social-Emotional Learning (SEL) integration, and their predictive relationships with teacher effectiveness in the Academic Recovery and Accessible Learning (ARAL) Program in the Tagbilaran City Division, Bohol, Philippines. Anchored in Social Cognitive Theory, the Prosocial Classroom Model, the CASEL SEL Framework, Self-Determination Theory, and Emotional Intelligence Theory, the study employed an explanatory sequential mixed-methods design. Quantitative respondents comprised 202 ARAL teachers and 23 school heads or designated supervisors from eight public junior high schools. The qualitative phase involved 15 teachers and five supervisory participants. Data were collected using a validated, researcher-developed questionnaire, open-ended questions, and interviews, and analyzed through descriptive statistics, multiple regression, Welch’s t-test, and thematic analysis. Findings revealed high teacher self-efficacy (M = 3.99), SEL integration, and teacher effectiveness. SEL integration significantly and positively predicted content knowledge and pedagogy (R² = .154), assessment and reporting (R² = .520), and learning environment (R² = .537), whereas teacher self-efficacy showed no statistically significant unique contribution after accounting for SEL integration. Teachers’ and supervisors’ assessments showed no significant differences. Challenges included learner disengagement, language barriers, diverse learning needs, inadequate instructional resources, insufficient training, and monitoring difficulties. Professional commitment, instructional adaptability, supportive relationships, and administrative assistance facilitated implementation. The study recommends sustained SEL-focused professional development, differentiated instruction, strengthened supervision, and systematic learner monitoring. It supports Sustainable Development Goals 4 (Quality Education), 3 (Good Health and Well-Being), and 8 (Decent Work and Economic Growth) through inclusive learning recovery, socio-emotional support, and teacher welfare. Its sustainability contribution lies in informing institutional capacity-building, equitable educational opportunities, and continuing professional support for effective ARAL implementation.

Recent advances in artificial intelligence (AI) call for a renewed examination of the ontological meaning of the human being and the nature of psychoanalytic treatment.AI-based mental health interventions show potential for improving the accessibility and efficiency of care; however, current AI systems generate verbal responses on the basis of statistical patterns, and it remains difficult to regard them as capable of performing, in the same manner as human therapists, the embodied emotional experience and relational internal transformation that psychoanalytic treatment entails.This paper conceptualizes the persistent delegation of psychological functions to external systems as the "outsourced ego" and examines the possibility that this phenomenon may, over time, lead to a weakening of ego functions and a delay in the formation of subjectivity.It also discusses the structural problems of AI-based treatment, including the lack of explainability, the reinforcement of self-deceptive narratives through hallucination, and the absence of ethical responsibility.In addition, this paper considers the difficulty of implementing, in an AI-mediated environment, core mechanisms of psychoanalytic interaction such as containment, transference and countertransference, and the analytic third.In response, it proposes four practical virtues for preserving humanity in the age of AI: reflexivity, negative capability, relational courage, and responsible subjectivity.In conclusion, the development of AI technology should not remain confined to the question of whether human therapists can be replaced; rather, it should serve as an opportunity to reflect more clearly on the distinctiveness of human existence, which lies in the capacity to endure imperfection and live with others.

Background Cumulative exposure to adverse childhood experiences (ACEs) is associated with an increased risk of substance use, overdose, and suicide. Rural children are more likely to experience most ACEs. There is limited literature contextualizing rural individuals’ experiences with ACEs. Public Health 3.0 calls for multisector partner engagement to generate collective impact. The purpose of this study was to evaluate rural providers’ perspectives on challenges and recommendations for ACEs mitigation in their community from a cross-sector context. Participants and setting Participants were 74 providers enrolled in an online ACEs training. Participants lived and/or worked in five rural Missouri counties with high drug overdose death rates. Methods This was a conventional content analysis of written responses to structured discussion prompts from three training modules. Analysis included familiarization, inductive identification of major codes, and refinement of codes, followed by independent coding by two authors until consensus, and reporting major patterns. Artificial intelligence supported preliminary code development. An adapted Sequential Intercept Model (SIM) framework organized challenges and recommendations by setting. Results Results included personal stories about how ACEs impacted their communities through overdose, suicide, homelessness, unemployment, and adverse health effects. Settings included schools, government, healthcare, daycares, criminal justice, Extension, fire departments, libraries, and nonprofits. Participants recommended expanding the ACEs definition to include satanic abuse, bullying, incest, war, genocide, military family stressors, and death of a loved one. Intervention recommendations included whole-family interventions, community-wide training, trauma-informed training, expanded access to treatment, classes in prison/jails, and fostering positive childhood experiences. Conclusion Community voice is necessary to contextualize setting-specific insights that inform development of upstream interventions appropriate for and tailored to the community. Participants identified both strategies that could be incorporated into everyday practice—including empathy, listening, providing judgment-free and safe spaces, providing food for children experiencing hunger, encouraging positive childhood experiences, mentoring, and connecting individuals with resources for food, shelter, clothing, and mental health—and broader structural changes that may require policy-level action. The adapted SIM organizes these concepts.

Introduction Deception elicits measurable cognitive and linguistic changes, yet accurately identifying deceptive language in high-stakes environments remains a persistent challenge. Although natural language processing (NLP) and machine learning (ML) techniques have shown promise in detecting misinformation and low-stakes deception, their performance on spontaneous, stress-induced speech remains poorly understood. This study investigates linguistic markers of deception and evaluates the performance of supervised ML models and a knowledge-grounded language model, FranklinAsk™, across both synthetic and real-world datasets. Methods Linguistic analyses were conducted on responses from a National Center for Credibility Assessment (NCCA) military training exercise involving truthful and deceptive participants. A synthetic dataset was generated using MOSTLYAI to provide a balanced corpus for ML training. Linguistic features were extracted using pretrained NLP models, and supervised classifiers, including logistic regression, Random Forest, Naïve Bayes, and Support Vector Machine (SVM), were trained using LIWC-22 features with 10-fold cross-validation. The FranklinAsk™ RAG system was evaluated using the same participant responses to compare knowledge-grounded reasoning with statistical learning. Results Two linguistic features, cardinal numbers (nominal p = 0.041) and particles (nominal p = 0.0486), reached the unadjusted significance threshold, each with a moderate effect size ( d = 0.55); neither remained statistically significant after Benjamini-Hochberg FDR correction (adjusted p = 0.668 for both). No significant sentiment differences were observed. On the synthetic dataset, logistic regression performed best (F1 = 0.930; ROC AUC = 0.978), but all supervised models showed substantial performance declines when applied to the real-world dataset. In contrast, FranklinAsk™ achieved the highest F1-score (0.519), highest accuracy (0.487), and second-highest recall (0.700) on the military exercise data. Discussion These findings highlight the limited generalizability of synthetic-trained deception models to real-world, high-stakes communication and motivate further investigation of knowledge-grounded language models as an alternative approach when labeled real-world training data are limited. Future research should prioritize expanding ecologically valid datasets and exploring hybrid approaches that combine statistical modeling with knowledge-grounded reasoning.

Introduction Vehicular driving pattern analysis is important for improving road safety, driving efficiency, and intelligent transportation systems. The aim of this study is to analyze recent research on the major driver-behavior analysis tasks, which are driving pattern recognition, distraction detection, abnormal driving-behavior detection, driver profiling and identification, fuel-efficiency analysis, and driving-risk assessment. Methods The literature selection process was structured and included identification, screening, and eligibility. One hundred seventeen studies were used in this study, and 12 studies were selected for a detailed examination for comparative analysis. Results The studies analyzed have shown that driver-behavior analysis is becoming more popular with the use of machine learning, deep learning, sensor fusion, edge computing, and other new technologies. Existing approaches, however, are still scattered across behavioral tasks and encounter issues such as real-time processing, privacy preservation, scalability, model generalization, and integration of heterogeneous data. Discussion This study highlights the need for integrated and task-oriented approaches to address these challenges and support multiple behavioral assessments. The findings provide research directions on the development of scalable privacy-aware real-time driver-behavior analysis systems for connected and intelligent transportation environments.

Emotional intelligence (EI) has emerged as a relevant professional competency in nursing, yet its relationship with career growth remains underexplored in Saudi Arabia. This study examined the association between total emotional intelligence and perceived career growth among nurses in the Jazan Health Cluster. A cross-sectional correlational design was employed with 295 registered nurses in the Jazan Health Cluster recruited via convenience sampling. EI was measured using the Schutte Self-Report Emotional Intelligence Test, and career growth was measured using the Career Growth Scale. Pearson correlation and multiple linear regression served as the primary analytical strategies. The sample was predominantly female (78.0%), Saudi (67.1%), and BSN-qualified (74.9%), with a mean age of 36.28 years (SD = 7.94). Mean total EI was 127.98 (SD = 9.96), and mean total career growth was 53.73 (SD = 6.66). EI was positively correlated with career growth ( r = .351, 95% CI [0.246, 0.447], p < .001). Exploratory analysis showed that total EI was most strongly correlated with Career Capacity ( r = .438). Social Skills and Emotion Utilization showed broad positive patterns across the non-salary career-growth domains, whereas total EI was not associated with Salary Increase ( r = − .008, 95% CI [-0.122, 0.106]). The association between the total scores remained after covariate adjustment (B = 0.213, standardized β = 0.319, HC3 p < .001; adjusted R² = 0.220). Total emotional intelligence was positively associated with perceived career growth among nurses in Saudi Arabia after covariate adjustment but was not associated with perceived salary growth. Exploratory findings suggest that emotional competencies may be more relevant to developmental and relational aspects of career growth than to financial advancement. The findings may inform broader professional-development strategies aligned with Saudi Arabia’s Vision 2030 healthcare workforce priorities.

Generative artificial intelligence is fundamentally reshaping the cognitive conditions of knowledge innovation. While human–AI collaboration improves the efficiency of knowledge production, it may also induce creators to outsourcing cognitive work to AI systems. This study conceptualized this tendency as task-level metacognitive disengagement, defined as the immediate reduction of planning, monitoring, and reflection within a specific AI-assisted task, and, drawing on metacognition theory, cognitive offloading theory and self-regulated learning theory, examined its impact on knowledge innovation quality, its psychological mechanism, and boundary conditions through four complementary experiments. Experiment 1 showed that higher AI assistance significantly increased metacognitive disengagement. Experiment 2 revealed that cognitive offloading partially mediated the relationship between AI assistance and metacognitive disengagement. Experiment 3 confirmed the negative effect of cognitive offloading on knowledge innovation quality, specifically on novelty, usefulness, and developability, with metacognitive disengagement partially mediating this effect. Experiment 4 tested the proposed moderated mediation model and found that task complexity strengthened, whereas individual AI literacy weakened, the negative indirect effect of cognitive offloading on knowledge innovation quality through metacognitive disengagement. These findings reveal a hidden cognitive cost behind the efficiency gains of human–AI collaboration and provide empirical evidence and theoretical implications for cultivating innovative talent and designing human–AI collaborative mechanisms in the era of artificial intelligence.

Digital media has evolved from passive screen viewing into an algorithmically curated ecosystem of social platforms, short form video, games, generative artificial intelligence (AI), conversational agents, connected toys and educational technologies. These systems can support learning, creativity, communication, disability access and healthcare; however, engagement optimized design, commercial surveillance and synthetic content create risks that are not adequately captured by screen-time measures alone. This narrative review examines the effects of contemporary digital ecosystems on child and adolescent health and outlines implications for pediatric practice. PubMed/MEDLINE, Google Scholar and guidance from the World Health Organization, United Nations Children's Fund, UNESCO and the American Academy of Pediatrics were reviewed, with emphasis on evidence published from 2019 to June 2026. Associations have been reported between problematic digital media use and sleep disruption, reduced physical activity, visual and musculoskeletal symptoms, obesity related behaviours, anxiety, depressive symptoms, cyberbullying, disordered eating and impaired attention. Causal interpretation remains difficult because effects are heterogeneous, often small, bidirectional and strongly modified by age, content, context, displacement, family relationships and pre-existing vulnerability. AI adds distinct concerns: persuasive personalization, inaccurate health information, anthropomorphic dependency, deepfakes, sexual exploitation, biased outputs, privacy loss and erosion of learning through uncritical outsourcing. Benefits are also substantial when technologies are developmentally appropriate, evidence-based, inclusive and used with adult support. Pediatric counselling should shift from counting hours alone toward assessing the child's digital ecosystem, sleep, function, content, compulsivity, safety and relationships. Effective protection requires shared family practices, school digital literacy, safety by design, age-appropriate assurance, transparent algorithms, data minimization and independent research. The goal is not a screen free childhood but a child centred digital environment that supports health, agency and development.

Background Concerns over possible employment displacement among undergraduates majoring in English have been raised by the growing use of artificial intelligence in writing, translation, and language services. However, limited research has examined the association between perceived AI replacement threat (PAIRT) and employment anxiety among English-major undergraduates or the roles of career insecurity and career decision-making self-efficacy (CDMSE). Methods This cross-sectional study surveyed 711 Chinese English-major undergraduates recruited through convenience sampling. After controlling for gender and grade level, AMOS and PROCESS Model 7 with 5,000 bootstrap resamples were used to examine the indirect and conditional indirect associations. Results PAIRT was positively associated with both career insecurity and employment anxiety. A significant indirect association between PAIRT and employment anxiety through career insecurity was observed, accounting for 48.29% of the estimated total effect. CDMSE significantly moderated the association between PAIRT and career insecurity, with this positive association becoming weaker at higher levels of CDMSE. The conditional indirect association through career insecurity was smaller at higher levels of CDMSE, and the index of moderated mediation was significant. Sensitivity analyses excluding the career replaceability items from employment anxiety produced substantively consistent results. Discussion These findings extend understanding of employment anxiety among English-major undergraduates in the context of AI.

Higher education has historically operated under a paradigm of information scarcity, positioning universities as premier institutions for curating and transmitting knowledge. The convergence of digital hyper-abundance, algorithmic curation, and generative artificial intelligence (GenAI) has disrupted this model, producing what educators increasingly describe as a crisis of critical thinking in higher education. The purpose of this review is to examine how information abundance, algorithmic curation, and GenAI use may influence university students’ critical thinking, and to synthesise what this evidence implies for what universities teach and how they assess. Using a critical narrative review design with thematic synthesis, the review analyses 45 verified sources (empirical studies, systematic reviews and meta-analyses, conceptual works, and policy guidance) identified through citation chaining and targeted searches; empirical GenAI studies date from November 2022 to 2026, and foundational theoretical works from 1976 onward. The synthesis is anchored in an integrative framework that combines cognitive load and dual-process theory, cognitive offloading, scaffolding theory, self-regulated learning, and epistemic cognition, with critical thinking as the principal outcome. Five themes emerged: (1) information abundance appears to shift the central cognitive challenge from retrieval to evaluation; (2) unguided GenAI use is associated with reduced cognitive engagement and, in several experiments, with weaker independent performance once AI support is removed, although guardrailed designs appear to mitigate this; (3) fluent AI output can be mistaken for validated knowledge, and AI-detection tools are unreliable and biased; (4) lateral reading, guided AI use, and process-visible assessment have promising but uneven support; and (5) workload, equity, and policy constraints limit adoption. From these themes, the review derives the Fade–Visibility Matrix, which crosses AI support structure (persistent versus fading) with assessment design (product-only versus process-visible) to yield four diagnostic states. The evidence is early and methodologically uneven, but it is most consistent with a structural rather than individual explanation. Universities should therefore teach evaluation, verification, and metacognitive regulation explicitly, design AI support to fade, and redesign assessment so that the learning process, not only the finished product, can be observed.

Mental health conditions have become one of the most urgent public health challenges worldwide, affecting nearly one billion people and creating substantial social and economic burdens. Despite increasing demand for psychological services, barriers such as financial costs, shortages of mental health professionals, geographical inequalities, and social stigma prevent many individuals from receiving timely support. This paper examines the biological, psychological, and environmental factors contributing to mental disorders and evaluates the potential role of artificial intelligence (AI) conversational models in mental health support. It argues that AI cannot replace licensed clinicians but can serve as a complementary tool by improving accessibility, providing continuous communication, offering privacy, and delivering personalized psychoeducation. Particular attention is given to autism spectrum disorder (ASD), where AI's predictable communication style may support communication practice and reduce social pressure. The paper also discusses AI-assisted interventions based on cognitive behavioral therapy (CBT) and examines ethical challenges, including privacy, algorithmic bias, and clinical responsibility. Overall, responsible cooperation between AI technologies and healthcare professionals may improve the accessibility and effectiveness of future mental healthcare.

This study evaluated the reliability and validity of a context-aware sleep holistic cycle gate algorithm and explored its potential for artificial intelligence (AI)-based personalized sleep management in digital health-care. A 6-week prospective observational study was conducted in 25 adults aged 20–65 years. Participants recorded daytime activities, eve-ning behaviors, presleep environmental factors, sleep outcomes, and feedback adherence using a mobile application. Five sleep-related indices were calculated, and a context-aware gate algorithm comprising five domains was applied. Reliability was assessed through internal consistency and reproducibility analyses, while validity was examined using correlations with sleep quality indicators and receiver operating characteristic curve analyses. Data completion and adherence rates were 80.3%±9.8% and 72.7%±11.6%, respectively. The sleep readiness index was positively correlated with subjective sleep quality (r=0.53, P<0.01). The algorithm demonstrated moderate predictive performance (area under the curve=0.73), with the environment and presleep gates showing the highest accuracy. Following personalized feedback, sleep onset latency decreased by 12.6%, and perceived sleep quality improved significantly (P<0.05). In conclusions, the context-aware sleep holistic cycle gate algorithm demonstrated acceptable reliability and validity for predicting sleep quality. These findings suggest that the proposed framework may serve as a foundational platform for the development of AI-driven personalized sleep management systems and future digital healthcare applications related to sleep rehabilitation and health promotion.

The article presents the content of a psychological program aimed at developing emotional intelligence, interpersonal relationships, and value orientations in older adults, as well as an analysis of its results. The program was developed based on the findings of a preliminary study of the psychological characteristics of older adults. The developmental activities included group discussions, situational tasks, role-playing exercises, narrative materials, and the analysis of personal experiences. The development of emotional intelligence focused primarily on enhancing emotional awareness, emotion regulation, self-motivation, and empathy. To improve interpersonal relationships, S. Karpman's Drama Triangle model was applied to help participants recognize the roles of the “Victim,” “Persecutor,” and “Rescuer” and develop constructive communication skills. The activities aimed at developing value orientations focused on raising awareness of the importance of health, honesty, mutual assistance, independence, responsibility, and tolerance. A comparative analysis of the data from the experimental and control groups made it possible to assess the effectiveness of the program. Research Object: The process of developing emotional intelligence, interpersonal relationships, and value orientations among older adults residing in care and support institutions. Research Aim: To develop and experimentally evaluate a psychological program aimed at developing emotional intelligence, interpersonal relationships, and value orientations in older adults.

This study examines the factors associated with Professional Maritime Character among vocational maritime students by investigating the effects of Islamic Work Ethic, Religious Commitment, and Spiritual Intelligence, while considering Self-Discipline as a mediating mechanism and Moral Awareness as a moderating factor. A quantitative cross-sectional design was employed involving 525 students from Batch VIII, X, and XI at Politeknik Pelayaran Sumatera Barat, Indonesia, using a total sampling technique. Data were collected through structured questionnaires and analyzed using Partial Least Squares Structural Equation Modeling with the PLS Algorithm and Bootstrapping Calculation. The measurement model demonstrated adequate indicator reliability, internal consistency, and convergent validity across all constructs. The structural results show that Islamic Work Ethic, Religious Commitment, and Spiritual Intelligence have significant positive effects on Professional Maritime Character, while Religious Commitment significantly predicts Self-Discipline; however, Islamic Work Ethic and Spiritual Intelligence do not significantly predict Self-Discipline. Moral Awareness has a significant negative direct association with Professional Maritime Character, but its interactions with Islamic Work Ethic, Religious Commitment, and Spiritual Intelligence are not significant. These findings indicate that professional maritime character is more strongly associated with the direct internalization of religious and spiritual values than with conditional effects of moral awareness, providing practical implications for integrated character development in maritime vocational education.

The in-depth penetration of artificial intelligence (AI) technology has reshaped career forms and the structure of the labor market, exerting a profound impact on university students’ cognition and orientation towards career development. Based on the conservation of resources theory and self-determination theory, we conducted three studies—an experimental study and two survey studies—to explore correlational linkages between AI awareness and university students’ boundaryless career. Studies 1 and 3 consistently demonstrated that AI awareness is indirectly associated with boundaryless career through the parallel mediating pathways of intrinsic motivation and future job insecurity. Study 2 provided experimental evidence that heightened AI awareness increases both intrinsic motivation and future job insecurity. This research enriches the application scenarios of boundaryless career theory in the context of technological change, deepens the understanding of the mechanism linking technological perception to youth career psychology, and offers practical implications for career guidance in universities.

This study aims to find out the Character Education Values in the Kaba of Sutan Nasarudin at the Siti Nursiah Studio in Nagari Koto Tuo, Harau District, Lima Puluh Kota Regency. This is a qualitative descriptive study. The research data consists of dialogues and narratives containing character education values in the kaba of Sutan Nasarudin. The data sources are the manuscript of Kaba Sutan Nasarudin and interviews with the administrators of the Siti Nursiah Studio. Data collection was carried out through observation, interviews, and documentation, while data analysis techniques included data collection, data identification, data reduction, and drawing conclusions. Research shows that in Kaba Sutan Nasarudin there are five character education values, namely: (1) faith and piety reflected through praying, surrendering to Allah Swt., and practising religious teachings; (2) honesty shown through openness and telling the truth; (3) intelligence seen in the character's ability to make decisions and understand situations faced; (4) resilience evident through the spirit of venturing out, courage in facing challenges, and persistence in achieving goals; and (5) care reflected through attention and a sense of responsibility towards family and others. These values show that Kaba Sutan Nasarudin not only serves as entertainment but also as a means of character education and preservation of Minangkabau cultural values.

هدف این پژوهش شناسایی ارزش‌های آموزش شخصیت در کبای سلطان نصرالدین در استودیوی Siti Nursiah واقع در ناگری کُتو توئو، بخش هاراو، شهرستان لیما پولو کُتا است. این پژوهش به روش توصیفی-کیفی انجام شده است. داده‌های پژوهش شامل دیالوگ‌ها و روایت‌هایی است که حاوی ارزش‌های آموزش شخصیت در کبای سلطان نصرالدین می‌باشند. منابع داده شامل نسخه خطی کبای سلطان نصرالدین و مصاحبه با مدیران استودیوی Siti Nursiah است. گردآوری داده‌ها از طریق مشاهده، مصاحبه و مستندسازی انجام شده است و تکنیک‌های تحلیل داده شامل گردآوری داده، شناسایی داده، کاهش داده و نتیجه‌گیری می‌باشد. نتایج پژوهش نشان می‌دهد که در کبای سلطان نصرالدین پنج ارزش آموزش شخصیت وجود دارد: (1) ایمان و تقوا که از طریق دعا کردن، توکل به خداوند متعال و عمل به آموزه‌های دینی منعکس می‌شود؛ (2) صداقت که از طریق شفافیت و بیان حقیقت نشان داده می‌شود؛ (3) هوش که در توانایی شخصیت برای تصمیم‌گیری و درک موقعیت‌های پیش‌رو مشاهده می‌شود؛ (4) تاب‌آوری که از طریق روحیه ماجراجویی، شجاعت در مواجهه با چالش‌ها و پایداری در دستیابی به اهداف نمایان است؛ و (5) مراقبت که از طریق توجه و حس مسئولیت نسبت به خانواده و دیگران منعکس می‌شود. این ارزش‌ها نشان می‌دهند که کبای سلطان نصرالدین نه تنها به عنوان سرگرمی بلکه به عنوان ابزاری برای آموزش شخصیت و حفظ ارزش‌های فرهنگی میننگکاباو عمل می‌کند.

The flipped classroom (FC) model has obtained collective attention in medical education for its potential to enhance student engagement, active learning, and knowledge retention.This study systematically reviews the report on flipped classrooms in medical education using the Preferred Reporting Items for Systematic reviews and Meta- Analyses (PRISMA) framework. Articles were retrieved from reputable databases, including PubMed, Medline, OVID, ACM, ScienceDirect, Taylor & Francis, MDPI, SAGE, SpringerLink, Wiley, IEEE Xplore, and Google Scholar.The 34 studies were identified exploring flipped classroom teaching approaches to enhance medical education. Review focuses on the tools and technologies employed such as video creation, learning management systems, podcasts, online assessments, and collaborative platforms as well as pedagogical strategies implemented across medical courses.This study focused on flipped learning in higher education. Future research should examine its application in other educational settings, including schools, vocational, technical, and professional training. Emerging technologies such as artificial intelligence and augmented reality warrant investigation for their impact on student engagement and learning outcomes across disciplines. Further studies should also explore the influence of cultural and geographical factors on flipped classroom implementation and effectiveness. Additionally, research is needed to determine how flipped classroom activities can be tailored to specific learning objectives, student needs, and subject areas. Finally, longitudinal studies are recommended to assess the long- term effects of flipped learning on student achievement, retention, and academic success.

مدل کلاس معکوس (FC) به دلیل پتانسیل آن در افزایش مشارکت دانشجویان، یادگیری فعال و حفظ دانش، توجه جمعی را در آموزش پزشکی به خود جلب کرده است. این مطالعه به‌صورت نظام‌مند گزارش‌های مربوط به کلاس‌های معکوس در آموزش پزشکی را با استفاده از چارچوب آیتم‌های ترجیحی برای گزارش مرورهای نظام‌مند و متاآنالیزها (PRISMA) مرور می‌کند. مقالات از پایگاه‌های داده معتبر از جمله PubMed، Medline، OVID، ACM، ScienceDirect، Taylor & Francis، MDPI، SAGE، SpringerLink، Wiley، IEEE Xplore و Google Scholar بازیابی شدند. در مجموع ۳۴ مطالعه شناسایی شد که رویکردهای تدریس کلاس معکوس را برای ارتقای آموزش پزشکی بررسی کرده‌اند. این مرور بر ابزارها و فناوری‌های به‌کاررفته مانند تولید ویدئو، سامانه‌های مدیریت یادگیری، پادکست‌ها، ارزیابی‌های آنلاین و پلتفرم‌های همکاری و همچنین راهبردهای آموزشی اجراشده در دوره‌های پزشکی تمرکز دارد. این مطالعه بر یادگیری معکوس در آموزش عالی متمرکز بود. پژوهش‌های آتی باید کاربرد آن را در سایر محیط‌های آموزشی از جمله مدارس، آموزش‌های فنی‌وحرفه‌ای و تخصصی بررسی کنند. فناوری‌های نوظهوری مانند هوش مصنوعی و واقعیت افزوده شایسته بررسی برای تأثیر آن‌ها بر مشارکت دانشجویان و پیامدهای یادگیری در رشته‌های مختلف هستند. مطالعات بیشتر همچنین باید تأثیر عوامل فرهنگی و جغرافیایی بر اجرای کلاس معکوس و اثربخشی آن را بررسی کنند. علاوه بر این، پژوهش‌هایی لازم است تا مشخص شود چگونه فعالیت‌های کلاس معکوس می‌تواند متناسب با اهداف یادگیری خاص، نیازهای دانشجویان و حوزه‌های موضوعی تنظیم شود. در نهایت، مطالعات طولی برای ارزیابی اثرات بلندمدت یادگیری معکوس بر پیشرفت، ماندگاری و موفقیت تحصیلی دانشجویان توصیه می‌شود.

Psychological stress dialogue recognition still lacks sufficient semantic understanding in multimodal information fusion and emotional dynamic modelling. It is difficult to achieve high-precision and robust stress state recognition in complex dialogue scenarios. Combining the advantages of the pre-trained language model BERT (Bidirectional Encoder Representations from Transformers) in semantic understanding and the capabilities of EmoShiftNet (Emotion Shift Network) in emotion transfer modelling, contextual semantic coding is realised through a multi-level Transformer, and a cross-modal Transformer is used to align heterogeneous features such as text, speech, and vision. In terms of multimodal signal representation, the BERT encoder captures fine-grained changes in language semantics, the convolutional-recurrent network extracts speech time–frequency features, the convolutional neural network and optical flow method obtain facial expression dynamics, and finally, realises unified representation through shared embedding space and cross-modal contrast learning. On the five-class psychological stress dialogue task, text semantic features contribute 42.7% of the total discriminative information, and the full multimodal fusion model achieves an overall accuracy of 85.0% (95% CI (Confidence Interval): [83.2%, 86.8%]) on the held-out test set. In the emotion transition detection task, the model achieves 76.2% transfer prediction accuracy with an average detection latency of 13.4 s. Under low signal-to-noise ratio conditions, the speech modality maintains stable performance with an error rate of 4.8% across 59 test samples. The highest accuracy rate of the fusion model under full-modal input reaches 97% on our self-constructed psychological stress dialogue dataset, which is divided strictly at the dialogue level (6391 training, 1484 validations, 2227 test samples) to avoid data leakage. This result significantly outperforms single-modal baselines and four state-of-the-art pre-trained language model baselines.

شناسایی گفت‌وگوی استرس روان‌شناختی همچنان در همجوشی اطلاعات چندوجهی و مدل‌سازی پویایی هیجانی با کمبود درک معنایی کافی مواجه است. دستیابی به شناسایی دقیق و مقاوم وضعیت استرس در سناریوهای گفت‌وگوی پیچیده دشوار است. با ترکیب مزایای مدل زبانی پیش‌آموزش‌یافته BERT (Bidirectional Encoder Representations from Transformers) در درک معنایی و قابلیت‌های EmoShiftNet (Emotion Shift Network) در مدل‌سازی انتقال هیجان، کدگذاری معنایی متنی از طریق ترنسفورمر چندسطحی تحقق می‌یابد و یک ترنسفورمر میان‌وجهی برای هم‌ترازی ویژگی‌های ناهمگن مانند متن، گفتار و بینایی به‌کار می‌رود. در زمینه نمایش سیگنال چندوجهی، رمزگذار BERT تغییرات ریزمعنایی زبان را استخراج می‌کند، شبکه کانولوشن-بازگشتی ویژگی‌های زمانی-فرکانسی گفتار را استخراج می‌کند، شبکه عصبی کانولوشنی و روش جریان نوری پویایی‌های حالت چهره را به‌دست می‌آورند و در نهایت، نمایش یکپارچه از طریق فضای تعبیه مشترک و یادگیری متضاد میان‌وجهی محقق می‌شود. در وظیفه پنج‌کلاسه گفت‌وگوی استرس روان‌شناختی، ویژگی‌های معنایی متنی ۴۲٫۷٪ از کل اطلاعات تمایزبخش را تأمین می‌کنند و مدل همجوشی کامل چندوجهی به دقت کلی ۸۵٫۰٪ (فاصله اطمینان ۹۵٪: [۸۳٫۲٪، ۸۶٫۸٪]) در مجموعه آزمون نگه‌داشته‌شده دست می‌یابد. در وظیفه شناسایی انتقال هیجان، مدل به دقت پیش‌بینی انتقال ۷۶٫۲٪ با میانگین تأخیر شناسایی ۱۳٫۴ ثانیه دست می‌یابد. در شرایط نسبت سیگنال به نویز پایین، وجه گفتاری با نرخ خطای ۴٫۸٪ در میان ۵۹ نمونه آزمون عملکرد پایداری را حفظ می‌کند. بالاترین نرخ دقت مدل همجوشی در ورودی تمام‌وجهی به ۹۷٪ در مجموعه‌داده گفت‌وگوی استرس روان‌شناختی ساخت خود ما می‌رسد که به‌طور دقیق در سطح گفت‌وگو (۶۳۹۱ نمونه آموزش، ۱۴۸۴ نمونه اعتبارسنجی، ۲۲۲۷ نمونه آزمون) تقسیم شده است تا از نشت داده جلوگیری شود. این نتیجه به‌طور معناداری از پایه‌های تک‌وجهی و چهار مدل زبانی پیش‌آموزش‌یافته پیشرفته برتر است.

Long-term digital psychological intervention faces issues such as delayed state feedback, observation absence, and scattered individual responses. Static input is difficult to retain cross-period dependencies, and a unified strategy will also widen user differences and cause fluctuations in continuous actions. To address these problems, a personalized intervention system that combines Transformer temporal modeling and proximal policy optimization is constructed. Structured psychological state representation organizes continuous behaviors and subjective feedback into an updateable sequence. The Transformer encoder extracts long-term dependencies and local mutations, the individual embedding absorbs user response deviations, and the Kullback–Leibler (KL) constraint inhibits adjacent strategy jumps. The experiment uses StudentLife data and accompanying simulations, semi-synthetic data. The cumulative reward of the complete model reaches 634.7 ± 21.8, with a 95% confidence interval of 619.11–650.29. The rule strategy, Proximal Policy Optimization (PPO) immediate state model, and the configuration without individual embedding are 412.6 ± 38.4, 528.3 ± 42.7, and 561.9 ± 35.2, respectively. The differences among the three groups, after Holm correction, all reach significant levels ( p < 0.001). The complete model enters the stable range after 1620 rounds, and the variance of the reward after convergence drops to 19.4. The rate of change in emotional intensity, the improvement value of state stability, and the cumulative variance of individual rewards is 0.091, 0.052, and 28.4, respectively. The ablation results show that temporal encoding mainly affects long-term benefits and convergence stability, and individual embedding focuses on reducing the dispersion among users. The existing evidence supports strategy optimization in non-clinical environments, but does not constitute a psychological mechanism explanation, causal effect proof, or clinical effectiveness conclusion.

مداخله روان‌شناختی دیجیتال بلندمدت با مسائلی نظیر بازخورد تأخیری وضعیت، فقدان مشاهده و پاسخ‌های پراکنده فردی مواجه است. ورودی ایستا در حفظ وابستگی‌های میان‌دوره‌ای دشوار عمل می‌کند و راهبرد یکپارچه نیز تفاوت‌های کاربران را افزایش داده و موجب نوسان در اقدامات پیوسته می‌شود. برای رفع این مشکلات، یک سامانه مداخله شخصی‌سازی‌شده که مدل‌سازی زمانی Transformer و بهینه‌سازی سیاست مجاور (Proximal Policy Optimization) را ترکیب می‌کند، طراحی شده است. بازنمایی ساختاریافته وضعیت روان‌شناختی، رفتارهای پیوسته و بازخوردهای ذهنی را به دنباله‌ای قابل به‌روزرسانی سازمان‌دهی می‌کند. رمزگذار Transformer وابستگی‌های بلندمدت و جهش‌های محلی را استخراج می‌کند، تعبیه فردی (individual embedding) انحرافات پاسخ کاربران را جذب می‌کند و قید کولبک–لیبلر (Kullback–Leibler constraint) از جهش‌های راهبردی مجاور جلوگیری می‌کند. آزمایش با داده‌های StudentLife و شبیه‌سازی‌های همراه، داده‌های نیمه‌مصنوعی، انجام شده است. پاداش تجمعی مدل کامل به ۶۳۴٫۷ ± ۲۱٫۸ با فاصله اطمینان ۹۵٪ برابر با ۶۱۹٫۱۱ تا ۶۵۰٫۲۹ می‌رسد. راهبرد قاعده‌مند، مدل وضعیت فوری Proximal Policy Optimization (PPO) و پیکربندی بدون تعبیه فردی به ترتیب ۴۱۲٫۶ ± ۳۸٫۴، ۵۲۸٫۳ ± ۴۲٫۷ و ۵۶۱٫۹ ± ۳۵٫۲ هستند. تفاوت میان سه گروه، پس از اصلاح Holm، همگی به سطح معناداری (p < 0.001) می‌رسد. مدل کامل پس از ۱۶۲۰ دور به بازه پایدار وارد می‌شود و واریانس پاداش پس از همگرایی به ۱۹٫۴ کاهش می‌یابد. نرخ تغییر شدت هیجانی، مقدار بهبود پایداری وضعیت و واریانس تجمعی پاداش فردی به ترتیب ۰٫۰۹۱، ۰٫۰۵۲ و ۲۸٫۴ است. نتایج حذف اجزا (ablation) نشان می‌دهد که رمزگذاری زمانی عمدتاً بر منافع بلندمدت و پایداری همگرایی اثرگذار است و تعبیه فردی بر کاهش پراکندگی میان کاربران تمرکز دارد. شواهد موجود از بهینه‌سازی راهبرد در محیط‌های غیر بالینی حمایت می‌کند، اما تبیین سازوکار روان‌شناختی، اثبات اثر علّی یا نتیجه‌گیری اثربخشی بالینی را فراهم نمی‌کند.

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.

Against the background of artificial intelligence (AI) reshaping the labor market, employment anxiety among higher vocational college students is becoming increasingly prominent. Grounded in Career Construction Theory, this study aims to explore the relationship between AI literacy and employment anxiety among Chinese higher vocational college students, with a specific focus on the chain mediating roles of career planning and future time perspective. A total of 1,234 students from five industry-featured higher vocational colleges in Jiangxi Province, China, were surveyed using self-report scales measuring AI literacy, employment anxiety, career planning, and future time perspective. The relationships among these variables were tested using the PROCESS macro (Model 6) for SPSS. The results indicated that (1) all variables were significantly correlated with one another; (2) AI literacy exhibited a significant positive total association with employment anxiety, which decomposed into a substantial positive direct association and a negative total indirect association; (3) AI literacy exerted a significant negative indirect association on employment anxiety through three pathways, namely, the independent mediating roles of career planning and future time perspective, and their chain mediating role, while the total association remained positive. These findings suggest that while higher AI literacy may heighten students’ awareness of labor-market disruptions, its negative indirect associations with employment anxiety operate through enhanced career planning and future orientation. It is recommended that higher vocational colleges consider integrating AI literacy education into career guidance programs, strengthening students’ career planning competencies, and cultivating a long-term future orientation, so as to potentially strengthen the anxiety-buffering pathway associated with AI literacy.

در بستر تحول بازار کار توسط هوش مصنوعی (AI)، اضطراب شغلی در میان دانشجویان آموزش عالی فنی و حرفه‌ای به طور فزاینده‌ای برجسته می‌شود. این مطالعه که مبتنی بر نظریه ساخت شغلی است، با هدف بررسی رابطه بین سواد هوش مصنوعی و اضطراب شغلی در میان دانشجویان آموزش عالی فنی و حرفه‌ای چینی انجام شده است و به طور خاص بر نقش‌های میانجی زنجیره‌ای برنامه‌ریزی شغلی و چشم‌انداز زمانی آینده تمرکز دارد. در این پژوهش، مجموعاً ۱۲۳۴ دانشجو از پنج کالج آموزش عالی فنی و حرفه‌ای با ویژگی‌های صنعتی در استان جیانگشی چین با استفاده از مقیاس‌های خودگزارشی سنجش سواد هوش مصنوعی، اضطراب شغلی، برنامه‌ریزی شغلی و چشم‌انداز زمانی آینده مورد بررسی قرار گرفتند. روابط میان این متغیرها با استفاده از ماکروی PROCESS (مدل ۶) در نرم‌افزار SPSS آزمون شد. نتایج نشان داد که (۱) تمامی متغیرها با یکدیگر همبستگی معناداری داشتند؛ (۲) سواد هوش مصنوعی ارتباط کلی مثبت معناداری با اضطراب شغلی نشان داد که به یک ارتباط مستقیم مثبت قابل توجه و یک ارتباط غیرمستقیم کلی منفی تجزیه شد؛ (۳) سواد هوش مصنوعی از طریق سه مسیر، یعنی نقش‌های میانجی مستقل برنامه‌ریزی شغلی و چشم‌انداز زمانی آینده و نقش میانجی زنجیره‌ای آن‌ها، تأثیر غیرمستقیم منفی معناداری بر اضطراب شغلی داشت، در حالی که ارتباط کلی همچنان مثبت باقی ماند. این یافته‌ها نشان می‌دهد که اگرچه سواد بالاتر هوش مصنوعی ممکن است آگاهی دانشجویان از اختلالات بازار کار را افزایش دهد، اما ارتباطات غیرمستقیم منفی آن با اضطراب شغلی از طریق تقویت برنامه‌ریزی شغلی و جهت‌گیری به آینده عمل می‌کند. توصیه می‌شود که کالج‌های آموزش عالی فنی و حرفه‌ای، آموزش سواد هوش مصنوعی را در برنامه‌های راهنمایی شغلی ادغام کرده، شایستگی‌های برنامه‌ریزی شغلی دانشجویان را تقویت نموده و جهت‌گیری بلندمدت به آینده را پرورش دهند تا بتوانند مسیر کاهش اضطراب مرتبط با سواد هوش مصنوعی را تقویت نمایند.

Educational leadership is increasingly recognised as a critical determinant of the quality, relevance and sustainability of education systems. The rapid development of digital technologies, changing learner expectations, increasing demands for accountability, teacher shortages, resource constraints and the emergence of artificial intelligence have expanded the responsibilities of educational leaders beyond traditional administration. This paper discusses the changing educational leadership in the digital age. The paper posits that educational leaders should not merely introduce technology into schools but should create an institutional culture where technology supports teaching, learning, and professional development. The paper notes that digital transformation cannot succeed through technology acquisition alone. Inadequate infrastructure, electricity challenges, digital inequality, limited professional development, resistance to change, weak institutional support, and insufficient leadership preparation may constrain implementation. The paper therefore advocates a context-sensitive model of educational leadership that integrates vision, instructional leadership, digital competence, distributed leadership, ethical practice, teacher development and community engagement. It was suggested that systematic preparation and continuous professional development of educational leaders, investment in digital infrastructure, stronger leadership standards, participatory governance, digital citizenship education, and context-sensitive monitoring of school leadership is important in Nigerian schools. The paper concludes that Nigeria's educational transformation requires leaders who can combine human-centred leadership with technological competence to create schools that are innovative, inclusive, collaborative and focused on meaningful learning

رهبری آموزشی به طور فزاینده‌ای به عنوان یکی از عوامل تعیین‌کننده کیفیت، ارتباط و پایداری نظام‌های آموزشی شناخته می‌شود. توسعه سریع فناوری‌های دیجیتال، تغییر انتظارات یادگیرندگان، افزایش تقاضا برای پاسخگویی، کمبود معلم، محدودیت منابع و ظهور هوش مصنوعی، مسئولیت‌های رهبران آموزشی را فراتر از مدیریت سنتی گسترش داده است. این مقاله به بررسی تحول رهبری آموزشی در عصر دیجیتال می‌پردازد. مقاله مطرح می‌کند که رهبران آموزشی نباید صرفاً فناوری را وارد مدارس کنند، بلکه باید فرهنگی نهادی ایجاد نمایند که در آن فناوری از آموزش، یادگیری و توسعه حرفه‌ای حمایت کند. مقاله تأکید می‌کند که تحول دیجیتال تنها از طریق تهیه فناوری محقق نمی‌شود. زیرساخت ناکافی، مشکلات برق، نابرابری دیجیتال، محدودیت در توسعه حرفه‌ای، مقاومت در برابر تغییر، حمایت نهادی ضعیف و آمادگی ناکافی رهبران می‌تواند اجرای این تحول را محدود کند. بنابراین، مقاله مدل حساس به زمینه‌ای از رهبری آموزشی را پیشنهاد می‌کند که چشم‌انداز، رهبری آموزشی، شایستگی دیجیتال، رهبری توزیعی، رفتار اخلاقی، توسعه معلمان و مشارکت جامعه را ادغام می‌کند. همچنین پیشنهاد شده است که آمادگی نظام‌مند و توسعه حرفه‌ای مستمر رهبران آموزشی، سرمایه‌گذاری در زیرساخت دیجیتال، استانداردهای قوی‌تر رهبری، حکمرانی مشارکتی، آموزش شهروندی دیجیتال و پایش حساس به زمینه رهبری مدارس در مدارس نیجریه اهمیت دارد. مقاله نتیجه می‌گیرد که تحول آموزشی نیجریه نیازمند رهبرانی است که بتوانند رهبری انسان‌محور را با شایستگی فناورانه ترکیب کنند تا مدارسی نوآور، فراگیر، مشارکتی و متمرکز بر یادگیری معنادار ایجاد نمایند.

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.

The rapid development of digital technology has created opportunities to support Hifz al-Quran education through digital memorisation applications, interactive multimedia, online learning platforms and emerging artificial intelligence (AI) tools. However, the extent to which these technologies improve measurable Hifz outcomes remains unclear. This systematic literature review examined the roles, forms and reported effects of digital innovation in Tahfiz education. Searches were conducted in Scopus, Web of Science, Google Scholar and MyJurnal for studies published between 2020 and July 2026 in English or Malay. The manuscript records 280 identified records, of which 75 duplicates were removed; 205 records were screened, 50 full texts were assessed, and 24 studies were included in the synthesis. Thematic synthesis organised the literature into four dimensions: digital memorisation applications, interactive multimedia, digital learning platforms and AI. Across the included literature, digital tools were reported to support access to resources, repetition and murajaah, motivation, learner autonomy, monitoring and continuity of learning. Nevertheless, the evidence presented is more consistent for learning support and learner perceptions than for demonstrable improvements in memorisation accuracy, tasmi’ fluency, memorisation quantity or retention. Digital tools should therefore complement, rather than replace, teacher-guided talaqqi, musyafahah, tasmi’ and murajaah. The review identifies a need for transparent quality appraisal and further empirical studies using clearly defined Hifz outcome measures.

توسعهٔ سریع فناوری دیجیتال فرصت‌هایی را برای حمایت از آموزش حفظ قرآن از طریق برنامه‌های دیجیتال حفظ، چندرسانه‌ای تعاملی، پلتفرم‌های یادگیری آنلاین و ابزارهای نوظهور هوش مصنوعی (AI) فراهم کرده است. با این حال، میزان تأثیر این فناوری‌ها بر بهبود نتایج قابل سنجش حفظ قرآن همچنان نامشخص است. این مرور نظام‌مند ادبیات، نقش‌ها، اشکال و اثرات گزارش‌شدهٔ نوآوری دیجیتال در آموزش تحفیظ را بررسی کرده است. جستجوها در پایگاه‌های Scopus، Web of Science، Google Scholar و MyJurnal برای مطالعات منتشرشده بین سال‌های 2020 تا ژوئیهٔ 2026 به زبان انگلیسی یا مالایی انجام شد. در این مقاله، 280 رکورد شناسایی شد که پس از حذف 75 مورد تکراری، 205 رکورد غربالگری شد، 50 متن کامل ارزیابی گردید و 24 مطالعه در سنتز نهایی گنجانده شد. سنتز موضوعی، ادبیات را در چهار بُعد سازمان‌دهی کرد: برنامه‌های دیجیتال حفظ، چندرسانه‌ای تعاملی، پلتفرم‌های یادگیری دیجیتال و هوش مصنوعی. در سراسر مطالعات مورد بررسی، گزارش شده است که ابزارهای دیجیتال از دسترسی به منابع، تکرار و مرور (مراجعه)، انگیزش، خودمختاری یادگیرنده، پایش و تداوم یادگیری حمایت می‌کنند. با این حال، شواهد ارائه‌شده بیشتر در زمینهٔ حمایت از یادگیری و ادراکات یادگیرندگان منسجم است تا بهبودهای قابل اثبات در دقت حفظ، روانی تسميع، کمیت حفظ یا نگهداری مطالب. بنابراین، ابزارهای دیجیتال باید مکمل، و نه جایگزین، آموزش معلم‌محور تلقی، مشافهه، تسميع و مراجعه باشند. این مرور، نیاز به ارزیابی شفاف کیفیت و مطالعات تجربی بیشتر با شاخص‌های خروجی حفظ به‌وضوح تعریف‌شده را شناسایی می‌کند.

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.

This conceptual article explores practical ways in which college and university instructors can leverage artificial intelligence (AI) to support assessment as learning and develop students’ feedback literacy. Traditional assessment practices often focus on assessment for learning (informing instruction) or of learning (measuring outcomes), while assessment as learning—when students actively monitor and reflect on their own learning—receives less attention. AI can help instructors leverage assessment as a learning tool by generating work samples for student analysis and providing timely, actionable feedback that students can use to revise their work. When combined with instructor modeling, peer dialogue, and scaffolds such as guiding questions or graphic organizers, AI-supported feedback promotes metacognition, self-directed learning, and critical evaluation skills. The article provides practical guidance, including prompts and strategies for using AI to enhance student engagement with feedback, helping instructors create more efficient, effective, and student-centered practices that utilize assessments as learning tools.

این مقاله مفهومی به بررسی راهکارهای عملی می‌پردازد که اساتید دانشگاه‌ها و مؤسسات آموزش عالی می‌توانند از هوش مصنوعی (AI) برای حمایت از ارزشیابی به عنوان یادگیری و توسعه سواد بازخورد دانشجویان بهره‌مند شوند. شیوه‌های سنتی ارزشیابی عمدتاً بر ارزشیابی برای یادگیری (اطلاع‌رسانی به تدریس) یا ارزشیابی از یادگیری (سنجش پیامدها) تمرکز دارند، در حالی که ارزشیابی به عنوان یادگیری—زمانی که دانشجویان به طور فعال یادگیری خود را پایش و بازتاب می‌کنند—کمتر مورد توجه قرار گرفته است. هوش مصنوعی می‌تواند به اساتید کمک کند تا ارزشیابی را به عنوان ابزاری برای یادگیری به کار گیرند؛ از طریق تولید نمونه‌های کاری برای تحلیل دانشجویان و ارائه بازخورد به‌موقع و قابل اقدام که دانشجویان بتوانند برای بازنگری کار خود از آن استفاده کنند. هنگامی که این بازخورد مبتنی بر هوش مصنوعی با الگو‌سازی استاد، گفت‌وگوی همتایان و حمایت‌هایی مانند سؤالات راهنما یا سازمان‌دهنده‌های تصویری ترکیب شود، موجب ارتقای فراشناخت، یادگیری خودراهبر و مهارت‌های ارزیابی انتقادی می‌شود. این مقاله راهنمایی‌های عملی، از جمله نمونه‌های پرسش و راهبردهایی برای استفاده از هوش مصنوعی جهت افزایش مشارکت دانشجویان با بازخورد ارائه می‌دهد و به اساتید کمک می‌کند تا شیوه‌هایی کارآمدتر، مؤثرتر و دانشجو‌محورتر را که از ارزشیابی به عنوان ابزار یادگیری بهره می‌برند، ایجاد کنند.

This study was motivated by the finding that some students' learning outcomes in Islamic Religious Education (PAI) had not yet met the Learning Objective Achievement Criteria, suspected to be influenced by students' emotional, intellectual, and spiritual intelligence. This study aims to measure the contribution of these three variables, partially and simultaneously, to PAI learning outcomes at SMP Negeri 7 Bukittinggi. A quantitative correlational approach with an ex post facto deSign was used on a population of 448 grade VII and VIII students; a sample of 211 was determined using Slovin's formula at a 5% margin of error through proportional random sampling, and 210 valid questionnaires were analyzed using descriptive statistics, classical assumption tests, simple linear regression, and multiple linear regression with SPSS 25. Results show emotional intelligence contributes 38.2% (t = 11.332; Sig. = 0.001), intellectual intelligence 37.1% (t = 11.069; Sig. = 0.001), and spiritual intelligence 24.2% (t = 8.154; Sig. = 0.001) to PAI learning outcomes. Simultaneously, the three variables contribute 58.0%, while the remaining 42.0% is explained by other factors. These findings imply that PAI instruction should strengthen students' emotional and spiritual intelligence, not only cognitive aspects, through habituation of Islamic values, character building, and motivation reinforcement. Abstrak Penelitian ini dilatarbelakangi oleh masih ditemukannya hasil belajar Pendidikan Agama Islam (PAI) sebagian siswa yang belum mencapai Kriteria Ketercapaian Tujuan Pembelajaran (KKTP), diduga dipengaruhi oleh kecerdasan emosional, intelektual, dan spiritual peserta didik. Penelitian ini bertujuan mengukur besarnya kontribusi ketiga variabel tersebut, secara parsial maupun simultan, terhadap hasil belajar PAI siswa SMP Negeri 7 Bukittinggi. Penelitian menggunakan pendekatan kuantitatif korelasional dengan desain ex post facto pada populasi 448 siswa kelas VII dan VIII; sampel 211 siswa ditentukan dengan rumus Slovin pada taraf kesalahan 5% melalui proportional random sampling, dan 210 kuesioner valid dianalisis. Data dikumpulkan melalui angket dan studi dokumentasi, kemudian dianalisis menggunakan statistik deskriptif, uji prasyarat, regresi linear sederhana, dan regresi linear berganda berbantuan SPSS versi 25. Hasil menunjukkan kecerdasan emosional berkontribusi 38,2% (t = 11,332; Sig. = 0,001), kecerdasan intelektual 37,1% (t = 11,069; Sig. = 0,001), dan kecerdasan spiritual 24,2% (t = 8,154; Sig. = 0,001) terhadap hasil belajar PAI. Secara simultan, ketiga variabel berkontribusi 58,0%, sedangkan 42,0% sisanya dipengaruhi faktor lain. Temuan ini mengimplikasikan pentingnya pembelajaran PAI yang tidak hanya berorientasi kognitif, tetapi juga memperkuat kecerdasan emosional dan spiritual siswa melalui pembiasaan nilai keislaman, pembentukan karakter, dan penguatan motivasi belajar.

این مطالعه با توجه به این یافته انجام شده است که نتایج یادگیری برخی از دانش‌آموزان در آموزش دینی اسلامی (PAI) هنوز به معیارهای تحقق اهداف یادگیری نرسیده است و گمان می‌رود که این امر تحت تأثیر هوش هیجانی، عقلانی و معنوی دانش‌آموزان باشد. هدف این پژوهش سنجش میزان سهم هر یک از این سه متغیر، به صورت جداگانه و همزمان، در نتایج یادگیری PAI در دبیرستان دولتی شماره ۷ بوکیتینگی است. این مطالعه با رویکرد همبستگی کمی و طرح ex post facto بر روی جامعه‌ای متشکل از ۴۴۸ دانش‌آموز پایه هفتم و هشتم انجام شد؛ نمونه‌ای متشکل از ۲۱۱ نفر با استفاده از فرمول اسلووین و با خطای ۵٪ از طریق نمونه‌گیری تصادفی نسبتی تعیین شد و ۲۱۰ پرسشنامه معتبر با استفاده از آمار توصیفی، آزمون‌های فرض کلاسیک، رگرسیون خطی ساده و رگرسیون خطی چندگانه با نرم‌افزار SPSS نسخه ۲۵ تحلیل گردید. نتایج نشان داد که هوش هیجانی ۳۸٫۲٪ (t = 11.332؛ Sig. = 0.001)، هوش عقلانی ۳۷٫۱٪ (t = 11.069؛ Sig. = 0.001) و هوش معنوی ۲۴٫۲٪ (t = 8.154؛ Sig. = 0.001) در نتایج یادگیری PAI سهم دارند. به طور همزمان، این سه متغیر ۵۸٫۰٪ سهم دارند و ۴۲٫۰٪ باقیمانده توسط عوامل دیگر تبیین می‌شود. این یافته‌ها دلالت بر آن دارد که آموزش PAI باید علاوه بر جنبه‌های شناختی، به تقویت هوش هیجانی و معنوی دانش‌آموزان از طریق نهادینه‌سازی ارزش‌های اسلامی، تقویت شخصیت و افزایش انگیزه یادگیری بپردازد.

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.

Educational transformation in the digital era requires a shift in the learning paradigm that emphasizes not only mastery of subject matter but also the development of students' creativity, critical thinking, digital literacy, and other essential competencies. The implementation of the Merdeka Curriculum provides greater flexibility for educational institutions and teachers to design learning activities according to students' needs while utilizing technological developments. Within this context, the integration of digital technology and Artificial Intelligence (AI) has the potential to accelerate the transformation of learning practices. This study aims to analyze the transformation of the Merdeka Curriculum through the integration of technology and Artificial Intelligence in learning, while identifying its impacts, opportunities, challenges, and implications for the roles of teachers and students' learning experiences. This research employs a qualitative approach using a literature review method. Data were obtained through the examination of books, scholarly journal articles, educational policy documents, and academic publications relevant to the Merdeka Curriculum, educational technology, and Artificial Intelligence in education. The data were analyzed using a descriptive-analytical approach by identifying, classifying, comparing, and synthesizing relevant findings from the literature. The results indicate that the integration of technology and AI can broaden access to learning resources, support more personalized and adaptive learning, assist teachers in developing instructional materials and assessments, and facilitate project-based learning and the development of twenty-first-century skills. Nevertheless, this transformation also presents several challenges, including unequal access to technology, disparities in teachers' digital competencies, the reliability of AI-generated information, data privacy concerns, potential student dependency on technology, and ethical issues related to academic integrity. Therefore, the integration of technology and AI within the Merdeka Curriculum should be positioned as a pedagogical instrument that supports educational objectives rather than as a replacement for teachers. Sustainable curriculum transformation requires strengthening teachers' digital and pedagogical competencies, establishing clear policies for the responsible use of AI, developing students' AI literacy, and implementing technology in ways that remain oriented toward human development and educational needs.

تحول آموزشی در عصر دیجیتال مستلزم تغییر در پارادایم یادگیری است که نه تنها بر تسلط بر محتوای درسی تأکید دارد، بلکه بر توسعهٔ خلاقیت، تفکر انتقادی، سواد دیجیتال و سایر شایستگی‌های اساسی دانش‌آموزان نیز تمرکز می‌کند. اجرای برنامهٔ درسی مردکا انعطاف‌پذیری بیشتری را برای مؤسسات آموزشی و معلمان فراهم می‌کند تا فعالیت‌های یادگیری را متناسب با نیازهای دانش‌آموزان و با بهره‌گیری از پیشرفت‌های فناوری طراحی کنند. در این زمینه، ادغام فناوری دیجیتال و هوش مصنوعی (AI) پتانسیل تسریع تحول در شیوه‌های یادگیری را دارد. هدف این پژوهش، تحلیل تحول برنامهٔ درسی مردکا از طریق ادغام فناوری و هوش مصنوعی در آموزش و شناسایی تأثیرات، فرصت‌ها، چالش‌ها و پیامدهای آن برای نقش معلمان و تجارب یادگیری دانش‌آموزان است. این پژوهش با رویکرد کیفی و با استفاده از روش مرور ادبیات انجام شده است. داده‌ها از طریق بررسی کتاب‌ها، مقالات علمی-پژوهشی، اسناد سیاست‌گذاری آموزشی و انتشارات دانشگاهی مرتبط با برنامهٔ درسی مردکا، فناوری آموزشی و هوش مصنوعی در آموزش گردآوری شده‌اند. داده‌ها با رویکرد توصیفی-تحلیلی و از طریق شناسایی، طبقه‌بندی، مقایسه و تلفیق یافته‌های مرتبط از منابع مورد بررسی قرار گرفتند. نتایج نشان می‌دهد که ادغام فناوری و هوش مصنوعی می‌تواند دسترسی به منابع یادگیری را گسترش دهد، از یادگیری شخصی‌سازی‌شده و تطبیقی حمایت کند، به معلمان در توسعهٔ مواد آموزشی و ارزشیابی‌ها یاری رساند و یادگیری مبتنی بر پروژه و توسعهٔ مهارت‌های قرن بیست‌ویکم را تسهیل کند. با این حال، این تحول با چالش‌هایی نیز همراه است؛ از جمله دسترسی نابرابر به فناوری، تفاوت در شایستگی‌های دیجیتال معلمان، پایایی اطلاعات تولیدشده توسط هوش مصنوعی، نگرانی‌های مربوط به حریم خصوصی داده‌ها، احتمال وابستگی دانش‌آموزان به فناوری و مسائل اخلاقی مرتبط با صداقت علمی. بنابراین، ادغام فناوری و هوش مصنوعی در برنامهٔ درسی مردکا باید به عنوان ابزاری آموزشی در خدمت اهداف تربیتی و نه جایگزین معلم تلقی شود. تحول پایدار برنامهٔ درسی مستلزم تقویت شایستگی‌های دیجیتال و آموزشی معلمان، تدوین سیاست‌های شفاف برای استفادهٔ مسئولانه از هوش مصنوعی، توسعهٔ سواد هوش مصنوعی در دانش‌آموزان و به‌کارگیری فناوری به گونه‌ای است که همچنان بر رشد انسانی و نیازهای آموزشی متمرکز باشد.

This study aims to analyze the implementation of Multiple Intelligences (MI)-based Islamic Religious Education (PAI), learning strategies, assessment, its impacts on students, and supporting and inhibiting factors from the perspective of Islamic epistemology. The study employed a Systematic Literature Review (SLR) following the PRISMA 2020 guidelines. The literature was searched using the keywords Multiple Intelligences, Islamic Religious Education, Islamic Education, and Pendidikan Agama Islam, and was analyzed through thematic synthesis of studies that met the inclusion criteria. The findings indicate that MI implementation involves planning based on the identification of students’ potential, learning activities using various methods, media, activities, and learning experiences, as well as multidimensional assessment. The strategies identified include discussion, demonstration, worship practices, role play, project-based learning, digital media, collaborative activities, reflection, and environment-based learning. These approaches have the potential to improve student engagement, motivation, creativity, communication, critical thinking, problem-solving, and learning outcomes. From the perspective of Islamic epistemology, MI can be positioned as a pedagogical framework that optimizes human potential through the integration of revelation, reason, empirical experience, and reflection. However, its implementation continues to face limitations related to teacher competence, time, facilities, and assessment. This review emphasizes that MI is more appropriately understood as a learning design framework for developing students’ potential holistically rather than as an instrument for labeling intelligence.

هدف این پژوهش تحلیل پیاده‌سازی آموزش دینی اسلامی (PAI) مبتنی بر هوش‌های چندگانه (MI)، راهبردهای یادگیری، ارزیابی، تأثیرات آن بر دانش‌آموزان و عوامل تسهیل‌کننده و بازدارنده از منظر معرفت‌شناسی اسلامی است. این مطالعه با بهره‌گیری از مرور نظام‌مند ادبیات (SLR) مطابق با دستورالعمل‌های PRISMA 2020 انجام شده است. جستجوی منابع با استفاده از کلیدواژه‌های Multiple Intelligences، Islamic Religious Education، Islamic Education و Pendidikan Agama Islam صورت گرفته و مطالعات واجد شرایط از طریق سنتز موضوعی تحلیل شده‌اند. یافته‌ها نشان می‌دهد که پیاده‌سازی MI شامل برنامه‌ریزی مبتنی بر شناسایی ظرفیت‌های دانش‌آموزان، فعالیت‌های یادگیری با بهره‌گیری از روش‌ها، رسانه‌ها، فعالیت‌ها و تجارب یادگیری متنوع و همچنین ارزیابی چندبعدی است. راهبردهای شناسایی‌شده شامل بحث، نمایش، تمرینات عبادی، ایفای نقش، یادگیری مبتنی بر پروژه، رسانه‌های دیجیتال، فعالیت‌های مشارکتی، تأمل و یادگیری مبتنی بر محیط می‌باشد. این رویکردها پتانسیل ارتقای مشارکت، انگیزه، خلاقیت، ارتباط، تفکر انتقادی، حل مسئله و پیامدهای یادگیری دانش‌آموزان را دارند. از منظر معرفت‌شناسی اسلامی، MI می‌تواند به عنوان چارچوبی تربیتی برای بهینه‌سازی ظرفیت‌های انسانی از طریق ادغام وحی، عقل، تجربه‌ی تجربی و تأمل جایگاه یابد. با این حال، اجرای آن همچنان با محدودیت‌هایی نظیر شایستگی معلمان، زمان، امکانات و ارزیابی مواجه است. این مرور تأکید می‌کند که MI بیشتر به عنوان چارچوبی برای طراحی یادگیری جهت توسعه‌ی همه‌جانبه‌ی ظرفیت‌های دانش‌آموزان قابل فهم است تا ابزاری برای برچسب‌زنی هوش.

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.

As conversational artificial intelligence models become ubiquitous fixtures in professional and personal workflows, the nature of human-tool interaction has the potential to gradually shift from mechanical utility to parasocial dependency. While existing literature frequently addresses adverse events related to data privacy, algorithmic bias, and intellectual deskilling, the pathopsychological sequelae of sustained AI integration remain largely unexamined. Here, we describe and preliminarily characterize the AI Assistant Syndrome, a human psychiatric construct encompassing acute chatbot-induced anxiety and mental exhaustion. This preliminary description will guide future systematic investigations to recognize, prevent, and treat this syndrome.

با فراگیر شدن مدل‌های هوش مصنوعی مکالمه‌ای در جریان‌های کاری حرفه‌ای و شخصی، ماهیت تعامل انسان و ابزار می‌تواند به تدریج از کارکرد مکانیکی به وابستگی شبه‌اجتماعی تغییر یابد. اگرچه پژوهش‌های موجود عمدتاً به رویدادهای نامطلوب مرتبط با حریم خصوصی داده‌ها، سوگیری الگوریتمی و کاهش مهارت‌های فکری می‌پردازند، اما پیامدهای آسیب‌شناختی روانی ناشی از ادغام پایدار هوش مصنوعی تا حد زیادی بررسی نشده‌اند. در اینجا، سندرم دستیار هوش مصنوعی را توصیف و به طور مقدماتی مشخص می‌کنیم؛ این سازه روان‌پزشکی انسانی شامل اضطراب حاد ناشی از چت‌بات و فرسودگی ذهنی است. این توصیف مقدماتی، راهنمای پژوهش‌های نظام‌مند آینده برای شناسایی، پیشگیری و درمان این سندرم خواهد بود.

This study aims to determine and analyze the influence of study habits, emotional intelligence, learning readiness, parental roles, and perceptions of teachers' teaching creativity on the learning outcomes of Grade X students in Economics at SMA Negeri 15 Padang. The study employs a quantitative approach with an associative research design. The population consists of all 357 Grade X students taking Economics during the 2024/2025 academic year, with a sample size of 115 students. Data were collected through observation, questionnaires, and documentation. Data analysis involved descriptive and inductive methods, specifically multiple linear regression using SPSS. The results indicate that study habits fall into the "fairly good" category; emotional intelligence is "good"; learning readiness is "fairly good"; parental roles are "good"; and perceptions of teachers' teaching creativity are "fairly good." Individually (partially), study habits have a significant influence on learning outcomes (significance value 0.040 < 0.05). Meanwhile, emotional intelligence (0.211), learning readiness (0.114), parental roles (0.629), and perceptions of teachers' teaching creativity (0.591) do not have a significant partial influence on learning outcomes.

هدف این پژوهش تعیین و تحلیل تأثیر عادات مطالعه، هوش هیجانی، آمادگی برای یادگیری، نقش والدین و ادراک نسبت به خلاقیت تدریس معلمان بر نتایج یادگیری دانش‌آموزان پایه دهم در درس اقتصاد در دبیرستان دولتی شماره ۱۵ پادانگ است. این پژوهش با رویکرد کمی و طرح پژوهش همبستگی انجام شده است. جامعه آماری شامل تمامی ۳۵۷ دانش‌آموز پایه دهم است که در سال تحصیلی ۲۰۲۴/۲۰۲۵ درس اقتصاد را اخذ کرده‌اند و حجم نمونه ۱۱۵ نفر می‌باشد. داده‌ها از طریق مشاهده، پرسشنامه و اسناد گردآوری شده‌اند. تحلیل داده‌ها با روش‌های توصیفی و استقرایی، به‌ویژه رگرسیون خطی چندگانه با استفاده از نرم‌افزار SPSS انجام شده است. نتایج نشان می‌دهد که عادات مطالعه در دسته «نسبتاً خوب»، هوش هیجانی «خوب»، آمادگی برای یادگیری «نسبتاً خوب»، نقش والدین «خوب» و ادراک نسبت به خلاقیت تدریس معلمان «نسبتاً خوب» قرار دارند. به صورت فردی (جزئی)، عادات مطالعه تأثیر معناداری بر نتایج یادگیری دارد (مقدار معناداری ۰٫۰۴۰ < ۰٫۰۵). در حالی که هوش هیجانی (۰٫۲۱۱)، آمادگی برای یادگیری (۰٫۱۱۴)، نقش والدین (۰٫۶۲۹) و ادراک نسبت به خلاقیت تدریس معلمان (۰٫۵۹۱) تأثیر معنادار جزئی بر نتایج یادگیری ندارند.

This study aims to analyze the relationships of visionary leadership, emotional intelligence, and self-efficacy with teachers’ work discipline in private Islamic elementary schools in Pagedangan District. The study employed a quantitative approach using a survey method and an associative research design. The sample consisted of 100 respondents selected through stratified random sampling. Data were collected using questionnaires and analyzed through descriptive and inferential statistics with the assistance of SPSS software. Hypothesis testing employed Pearson correlation to examine the relationship between each independent variable and work discipline, as well as multiple correlation to assess their simultaneous relationship. The results showed that visionary leadership had a very weak, positive, and statistically insignificant relationship with work discipline, with a correlation coefficient of 0.053 and a significance value of 0.601. Emotional intelligence demonstrated a positive and significant relationship with work discipline, with a correlation coefficient of 0.242 and a significance value of 0.015. Self-efficacy also had a positive and significant relationship with work discipline, with a correlation coefficient of 0.348 and a significance value of 0.000. Simultaneously, visionary leadership, emotional intelligence, and self-efficacy had a positive and significant relationship with work discipline, with a multiple correlation coefficient of 0.381, a significance value of 0.002, and a coefficient of determination of 0.145. These findings indicate that the three variables were jointly associated with 14.5% of the variation in teachers’ work discipline, while the remaining 85.5% was associated with other factors outside the research model. In conclusion, emotional intelligence and self-efficacy had positive and significant partial relationships with teachers’ work discipline, whereas visionary leadership did not demonstrate a statistically significant partial relationship. These findings are expected to inform efforts to improve teachers’ work discipline through the development of emotional intelligence, self-efficacy, and effective educational management

هدف این پژوهش تحلیل روابط رهبری آینده‌نگر، هوش هیجانی و خودکارآمدی با انضباط کاری معلمان در مدارس ابتدایی اسلامی غیردولتی منطقه پاگدانگان است. این پژوهش با رویکرد کمی و با استفاده از روش پیمایشی و طرح پژوهش همبستگی انجام شده است. نمونه شامل ۱۰۰ نفر از پاسخ‌دهندگان بود که با روش نمونه‌گیری تصادفی طبقه‌ای انتخاب شدند. داده‌ها از طریق پرسشنامه جمع‌آوری و با استفاده از آمار توصیفی و استنباطی و با کمک نرم‌افزار SPSS تحلیل شدند. برای آزمون فرضیه‌ها از همبستگی پیرسون جهت بررسی رابطه هر متغیر مستقل با انضباط کاری و از همبستگی چندگانه برای ارزیابی رابطه همزمان آن‌ها استفاده شد. نتایج نشان داد که رهبری آینده‌نگر با ضریب همبستگی ۰.۰۵۳ و مقدار معناداری ۰.۶۰۱، رابطه‌ای بسیار ضعیف، مثبت و از نظر آماری غیرمعنادار با انضباط کاری دارد. هوش هیجانی با ضریب همبستگی ۰.۲۴۲ و مقدار معناداری ۰.۰۱۵، رابطه‌ای مثبت و معنادار با انضباط کاری نشان داد. خودکارآمدی نیز با ضریب همبستگی ۰.۳۴۸ و مقدار معناداری ۰.۰۰۰، رابطه‌ای مثبت و معنادار با انضباط کاری داشت. به طور همزمان، رهبری آینده‌نگر، هوش هیجانی و خودکارآمدی با ضریب همبستگی چندگانه ۰.۳۸۱، مقدار معناداری ۰.۰۰۲ و ضریب تعیین ۰.۱۴۵، رابطه‌ای مثبت و معنادار با انضباط کاری داشتند. این یافته‌ها نشان می‌دهد که سه متغیر مذکور به طور مشترک با ۱۴.۵٪ از تغییرات انضباط کاری معلمان مرتبط بودند و ۸۵.۵٪ باقی‌مانده به عوامل دیگری خارج از مدل پژوهش مربوط می‌شود. در نتیجه، هوش هیجانی و خودکارآمدی دارای روابط جزئی مثبت و معنادار با انضباط کاری معلمان بودند، در حالی که رهبری آینده‌نگر رابطه جزئی معناداری از نظر آماری نشان نداد. انتظار می‌رود این یافته‌ها در جهت بهبود انضباط کاری معلمان از طریق توسعه هوش هیجانی، خودکارآمدی و مدیریت آموزشی مؤثر مورد استفاده قرار گیرد.

The development of students' spiritual intelligence has become an important concern in Islamic education, particularly in Islamic boarding schools (pesantren) that emphasize character formation and spiritual cultivation. One of the spiritual practices implemented in pesantren is riyadhoh amaliah, including the practice of performing 100 rak'ahs of voluntary prayer as a means of self-purification (tazkiyatun nafs). This study aims to analyze the implementation of the 100-rak'ah prayer practice and to construct a tazkiyatun nafs-based model for developing students' spiritual intelligence at Al-Lathifiyah 1 Female Islamic Boarding School, Tambakberas Jombang. This research employed a qualitative case study approach. Data were collected through in-depth interviews, participant observation, and document analysis involving caregivers, teachers, and students. The data were analyzed using the interactive model of data reduction, data display, and conclusion drawing. The findings reveal that the practice of the 100-rak'ah prayer serves not only as a ritual worship activity but also as a structured process of spiritual formation encompassing self-discipline, self-control, sincerity, patience, humility, and spiritual awareness. The study identified a tazkiyatun nafs-based spiritual development model consisting of four interconnected stages: self-purification (takhalli), character internalization (tahalli), spiritual awareness enhancement (tajalli), and spiritual habituation through continuous riyadhoh amaliah. These stages contribute significantly to the development of students' spiritual intelligence, reflected in stronger religious commitment, emotional stability, moral behavior, and self-awareness. The study concludes that the 100-rak'ah prayer practice represents an effective spiritual education model that strengthens students' spiritual intelligence through a systematic process of tazkiyatun nafs within the pesantren environment

توسعه هوش معنوی دانش‌آموزان به یکی از دغدغه‌های مهم در آموزش اسلامی، به‌ویژه در مدارس شبانه‌روزی اسلامی (پسانترن) که بر شکل‌گیری شخصیت و پرورش معنوی تأکید دارند، تبدیل شده‌است. یکی از تمرینات معنوی اجراشده در پسانترن، ریاضت عملی است که شامل انجام ۱۰۰ رکعت نماز مستحبی به‌عنوان وسیله‌ای برای خودپالایی (تزکیه نفس) می‌باشد. هدف این پژوهش تحلیل اجرای تمرین ۱۰۰ رکعت نماز و ساخت مدل مبتنی بر تزکیه نفس برای توسعه هوش معنوی دانش‌آموزان در مدرسه شبانه‌روزی اسلامی دخترانه Al-Lathifiyah 1، تمبکبراس جومبانگ است. این پژوهش با رویکرد کیفی و مطالعه موردی انجام شده‌است. داده‌ها از طریق مصاحبه‌های عمیق، مشاهده مشارکتی و تحلیل اسناد با مشارکت مراقبان، معلمان و دانش‌آموزان گردآوری شد. داده‌ها با استفاده از مدل تعاملی کاهش داده، نمایش داده و نتیجه‌گیری تحلیل گردید. یافته‌ها نشان می‌دهد که تمرین ۱۰۰ رکعت نماز نه‌تنها به‌عنوان یک فعالیت عبادی آیینی، بلکه به‌عنوان فرایندی ساختاریافته برای شکل‌گیری معنوی شامل خودانضباطی، خودکنترلی، اخلاص، صبر، فروتنی و آگاهی معنوی عمل می‌کند. این مطالعه مدل توسعه معنوی مبتنی بر تزکیه نفس را شناسایی کرد که شامل چهار مرحله به‌هم‌پیوسته است: خودپالایی (تخلی)، درونی‌سازی صفات (تحلی)، ارتقای آگاهی معنوی (تجلی) و عادت‌سازی معنوی از طریق استمرار ریاضت عملی. این مراحل نقش مهمی در توسعه هوش معنوی دانش‌آموزان ایفا می‌کنند که در تعهد دینی قوی‌تر، ثبات هیجانی، رفتار اخلاقی و خودآگاهی منعکس می‌شود. نتیجه پژوهش آن است که تمرین ۱۰۰ رکعت نماز، مدلی مؤثر برای آموزش معنوی است که هوش معنوی دانش‌آموزان را از طریق فرایند نظام‌مند تزکیه نفس در محیط پسانترن تقویت می‌کند.

Background Digital mental health tools, including general-purpose artificial intelligence (AI) chatbots, may provide accessible and low-threshold psychological support for people living with chronic conditions. However, their value in this population depends not only on recognizing depression or anxiety, but also on understanding how psychological distress is shaped by disease-specific experiences and when self-guided support should transition toward professional care. We evaluated the appropriateness, contextual sensitivity, safety, and consistency of psychological support provided by three widely accessible AI chatbots across contrasting chronic illness contexts. Methods We conducted a standardized simulated-patient benchmarking study comparing ChatGPT, Gemini, and Doubao. Twenty scenarios were developed across type 2 diabetes mellitus (T2DM) and chronic spontaneous urticaria (CSU), representing matched mild and moderate presentations of depression and anxiety together with condition-specific distress related to diabetes self-management and CSU-related flare uncertainty. Each scenario was independently submitted to all three systems in two testing rounds, yielding 120 responses. Blinded raters assessed overall psychological support appropriateness, recognition and emotional support, chronic-illness contextualization, psychological support and referral, psychosomatic balance and safety, and major clinical or safety errors. Repeated testing assessed response consistency. Results Overall psychological support appropriateness differed across systems (P = 0.002), with 90.0% of ChatGPT, 75.0% of Gemini, and 55.0% of Doubao responses meeting the prespecified appropriateness threshold. Recognition and emotional support was consistently strong across systems, whereas greater differences emerged in chronic-illness contextualization (P = 0.001), psychological support and referral (P = 0.002), and psychosomatic balance and safety (P<0.001). All responses to mild presentations were classified as psychologically appropriate, compared with 58.3% of responses to moderate presentations, indicating that performance became less reliable when digital support required stronger escalation toward professional assessment. Contextualization was also less consistent in CSU, particularly when responses needed to incorporate flare unpredictability, pruritus, sleep disruption, and illness uncertainty. Major clinical or safety errors occurred in 0%, 10.0%, and 15.0% of first-round ChatGPT, Gemini, and Doubao responses, respectively. Test–retest consistency was moderate and varied between systems. Conclusions General-purpose AI chatbots show potential as accessible, self-guided digital mental health resources for people living with chronic conditions, particularly for recognizing distress and providing initial supportive guidance. Their current limitations emerge when effective support requires disease-specific contextualization, balanced interpretation of psychological and somatic factors, or escalation as symptoms become more severe. These findings identify important boundaries for the use of conversational AI in chronic-illness mental health care and suggest that implementation should emphasize context-sensitive guidance, severity-responsive referral, and clear integration with rather than substitution for professional care.

زمینه: ابزارهای سلامت روان دیجیتال، از جمله چت‌بات‌های هوش مصنوعی عمومی، ممکن است حمایت روان‌شناختی قابل دسترس و با آستانه پایین برای افراد مبتلا به بیماری‌های مزمن فراهم کنند. با این حال، ارزش آن‌ها در این جمعیت نه تنها به شناسایی افسردگی یا اضطراب بستگی دارد، بلکه به درک چگونگی شکل‌گیری پریشانی روان‌شناختی توسط تجارب خاص بیماری و زمان انتقال حمایت خودراهنما به مراقبت حرفه‌ای نیز وابسته است. ما تناسب، حساسیت زمینه‌ای، ایمنی و انسجام حمایت روان‌شناختی ارائه‌شده توسط سه چت‌بات هوش مصنوعی عمومی و در دسترس را در زمینه‌های متضاد بیماری مزمن ارزیابی کردیم. روش‌ها: یک مطالعه بنچمارک‌گیری بیمار شبیه‌سازی‌شده استانداردشده انجام دادیم و ChatGPT، Gemini و Doubao را مقایسه کردیم. بیست سناریو در زمینه دیابت نوع ۲ (T2DM) و کهیر مزمن خودبه‌خود (CSU) توسعه یافت که ارائه‌های خفیف و متوسط افسردگی و اضطراب را همراه با پریشانی خاص بیماری مرتبط با خودمدیریتی دیابت و عدم قطعیت شعله‌ورشدگی مرتبط با CSU بازنمایی می‌کرد. هر سناریو به طور مستقل در دو دور آزمون به هر سه سیستم ارائه شد و ۱۲۰ پاسخ به دست آمد. ارزیابان نابینا تناسب کلی حمایت روان‌شناختی، شناسایی و حمایت هیجانی، زمینه‌مندی بیماری مزمن، حمایت روان‌شناختی و ارجاع، تعادل روان‌تنی و ایمنی، و خطاهای عمده بالینی یا ایمنی را ارزیابی کردند. آزمون تکرارشونده انسجام پاسخ‌ها را سنجید. نتایج: تناسب کلی حمایت روان‌شناختی بین سیستم‌ها متفاوت بود (P = 0.002)، به‌طوری‌که ۹۰.۰٪ پاسخ‌های ChatGPT، ۷۵.۰٪ Gemini و ۵۵.۰٪ Doubao به آستانه تناسب از پیش تعیین‌شده رسیدند. شناسایی و حمایت هیجانی در همه سیستم‌ها به طور مداوم قوی بود، در حالی که تفاوت‌های بیشتری در زمینه‌مندی بیماری مزمن (P = 0.001)، حمایت روان‌شناختی و ارجاع (P = 0.002)، و تعادل روان‌تنی و ایمنی (P<0.001) مشاهده شد. همه پاسخ‌ها به ارائه‌های خفیف از نظر روان‌شناختی مناسب طبقه‌بندی شدند، در حالی که تنها ۵۸.۳٪ پاسخ‌ها به ارائه‌های متوسط مناسب بودند که نشان می‌دهد عملکرد زمانی که حمایت دیجیتال نیازمند ارجاع قوی‌تر به ارزیابی حرفه‌ای بود، کمتر قابل اعتماد می‌شود. زمینه‌مندی در CSU نیز کمتر منسجم بود، به‌ویژه زمانی که پاسخ‌ها باید عدم قطعیت شعله‌ورشدگی، خارش، اختلال خواب و عدم قطعیت بیماری را در بر می‌گرفتند. خطاهای عمده بالینی یا ایمنی به ترتیب در ۰٪، ۱۰.۰٪ و ۱۵.۰٪ پاسخ‌های دور اول ChatGPT، Gemini و Doubao رخ داد. انسجام آزمون–بازآزمون متوسط بود و بین سیستم‌ها تفاوت داشت. نتیجه‌گیری: چت‌بات‌های هوش مصنوعی عمومی به عنوان منابع سلامت روان دیجیتال خودراهنما و قابل دسترس برای افراد مبتلا به بیماری‌های مزمن، به ویژه در شناسایی پریشانی و ارائه راهنمایی حمایتی اولیه، پتانسیل نشان می‌دهند. محدودیت‌های فعلی آن‌ها زمانی آشکار می‌شود که حمایت مؤثر نیازمند زمینه‌مندی خاص بیماری، تفسیر متعادل عوامل روانی و جسمانی یا ارجاع در صورت تشدید علائم باشد. این یافته‌ها مرزهای مهمی را برای استفاده از هوش مصنوعی مکالمه‌ای در مراقبت سلامت روان بیماری مزمن شناسایی می‌کند و نشان می‌دهد که پیاده‌سازی باید بر راهنمایی حساس به زمینه، ارجاع متناسب با شدت و ادغام شفاف با مراقبت حرفه‌ای (و نه جایگزینی آن) تأکید کند.

As AI tools permeate scientific research, a critical question emerges: does better AI actually make researchers happier? Grounded in the Job Demands-Resources (JD-R) model, this study proposes and tests a dual-path moderated mediation framework in which perceived AI service quality influences researcher work well-being through two parallel psychological routes. The motivational gain pathway posits that higher quality is positively related to research self-efficacy, while the loss-alleviation pathway posits that higher quality is negatively related to cognitive verification load. AI trust is introduced as a moderator of both first-stage paths. Using data from 439 researchers and PROCESS macro models 4 and 7, we found that AI service quality did not directly affect well-being ( β = 0.07, p = 0.260), but exerted a fully mediated total effect. The loss pathway via cognitive verification load reduction was the sole significant mediating mechanism (indirect effect = 0.08, 95% CI [0.028, 0.135]). AI trust significantly moderated only the loss pathway ( β = −0.21, p < 0.001): the cognitive-relief effect became significant only at medium and high trust levels, remaining inoperative for low-trust researchers. These findings reframe the value of AI quality in research settings as cognitive offloading rather than competence enhancement, and position trust as a threshold condition rather than a continuous amplifier of AI benefits.

با نفوذ ابزارهای هوش مصنوعی در پژوهش علمی، این پرسش اساسی مطرح می‌شود که آیا هوش مصنوعی بهتر واقعاً پژوهشگران را خوشحال‌تر می‌کند؟ این مطالعه با تکیه بر مدل منابع-تقاضاهای شغلی (JD-R)، چارچوبی از میانجی‌گری دو‌مسیره با تعدیل‌کننده را پیشنهاد و آزمون می‌کند که در آن کیفیت ادراک‌شده خدمات هوش مصنوعی از طریق دو مسیر روان‌شناختی موازی بر بهزیستی شغلی پژوهشگران تأثیر می‌گذارد. مسیر انگیزشی بر این فرض استوار است که کیفیت بالاتر با خودکارآمدی پژوهشی رابطه مثبت دارد، در حالی که مسیر کاهش زیان بر این فرض استوار است که کیفیت بالاتر با بار شناختی تأیید رابطه منفی دارد. اعتماد به هوش مصنوعی به عنوان تعدیل‌کننده هر دو مسیر مرحله اول وارد مدل شده است. با استفاده از داده‌های ۴۳۹ پژوهشگر و مدل‌های ۴ و ۷ ماکروی PROCESS، یافته‌ها نشان داد که کیفیت خدمات هوش مصنوعی به طور مستقیم بر بهزیستی تأثیر نداشت (β = 0.07, p = 0.260)، اما اثر کلی کاملاً به واسطه متغیرهای میانجی منتقل شد. مسیر کاهش زیان از طریق کاهش بار شناختی تأیید تنها سازوکار میانجی‌گری معنادار بود (اثر غیرمستقیم = 0.08, 95% CI [0.028, 0.135]). اعتماد به هوش مصنوعی فقط مسیر کاهش زیان را به طور معنادار تعدیل کرد (β = −0.21, p < 0.001): اثر تسکین شناختی فقط در سطوح متوسط و بالا از اعتماد معنادار شد و برای پژوهشگران با اعتماد پایین فعال نبود. این یافته‌ها ارزش کیفیت هوش مصنوعی را در محیط‌های پژوهشی به عنوان کاهش بار شناختی و نه ارتقای شایستگی بازتعریف می‌کند و اعتماد را به عنوان یک شرط آستانه‌ای و نه تقویت‌کننده پیوسته منافع هوش مصنوعی معرفی می‌نماید.

Introduction Traditional ethnic sports such as Zhuang Daoyin demand precise movement, yet conventional demonstration–imitation–verbal correction limits feedback timeliness and individualization. Artificial intelligence (AI) real-time posture feedback offers a scalable option, but most evaluations emphasize technical outcomes and overlook learning processes. Grounded in self-determination theory (SDT), this study tested whether and how AI real-time feedback improves motivation and motor skill by engaging basic psychological needs, with competence as the hypothesized pathway. Methods In a 12-week field experiment, 12 intact classes (307 students; control n = 152, AI n = 155) were randomly allocated at the class level to an AI real-time feedback group or a traditional teaching group; three instructors each taught two classes per condition. Both groups received identical instruction; conditions differed only in feedback source during practice (RTMPose-based concurrent vs. teacher-led terminal feedback). Need satisfaction, motivational regulation (relative autonomy index, RAI), motor skill, and course satisfaction were assessed at pre- and post-test, and analyzed with linear mixed models and structural equation modeling (lavaan, MLR). Results The AI group showed significantly greater gains in competence ( d = 0.36, p = 0.003), autonomy ( d = 0.40, p = 0.001), motor skill ( d = 0.30, p = 0.010), and learning interest ( d = 0.38, p = 0.003), whereas relatedness was unaffected ( p = 0.974); intraclass correlations were negligible. In the structural model (CFI = 0.94, RMSEA = 0.04, SRMR = 0.04), group predicted competence ( β = 0.17), competence predicted RAI ( β = 0.34), and RAI predicted motor skill ( β = 0.30); the autonomy and relatedness paths were nonsignificant. The effect of AI feedback on motor skill was fully mediated by the competence-to-RAI sequence (indirect p = 0.023; direct p = 0.097). Discussion AI real-time feedback improved motor skill by strengthening competence and supporting motivational internalization, while leaving relatedness unaffected—providing discriminant evidence that the tool acts through its affordances rather than diffuse enthusiasm. Systems enhancing performance and learning should prioritize feedback that makes progress legible, within a human–AI division of labor where teachers provide relational support. In conclusion, AI real-time posture feedback can enhance motivation and motor skill learning by satisfying learners’ competence need.

مقدمه: ورزش‌های سنتی قومی مانند Zhuang Daoyin نیازمند حرکات دقیق هستند، اما روش‌های متداول نمایش–تقلید–اصلاح کلامی، بازخورد را از نظر زمان‌بندی و فردی‌سازی محدود می‌کنند. بازخورد بلادرنگ وضعیت بدن مبتنی بر هوش مصنوعی (AI) گزینه‌ای مقیاس‌پذیر ارائه می‌دهد، اما اغلب ارزیابی‌ها بر پیامدهای فنی تأکید دارند و فرایندهای یادگیری را نادیده می‌گیرند. این مطالعه با تکیه بر نظریه خودتعیین‌گری (SDT)، بررسی کرد که آیا و چگونه بازخورد بلادرنگ مبتنی بر هوش مصنوعی با درگیر کردن نیازهای روان‌شناختی پایه، به ویژه شایستگی به عنوان مسیر فرضی، انگیزش و مهارت حرکتی را بهبود می‌بخشد. روش‌ها: در یک آزمایش میدانی ۱۲ هفته‌ای، ۱۲ کلاس کامل (۳۰۷ دانش‌آموز؛ گروه کنترل n = 152، گروه هوش مصنوعی n = 155) به صورت تصادفی در سطح کلاس به گروه بازخورد بلادرنگ هوش مصنوعی یا گروه آموزش سنتی تخصیص یافتند؛ سه مدرس هر یک دو کلاس در هر شرایط را تدریس کردند. هر دو گروه آموزش یکسانی دریافت کردند؛ تفاوت شرایط فقط در منبع بازخورد در حین تمرین بود (بازخورد همزمان مبتنی بر RTMPose در مقابل بازخورد انتهایی توسط معلم). رضایت نیازها، تنظیم انگیزشی (شاخص خودمختاری نسبی، RAI)، مهارت حرکتی و رضایت از دوره در پیش‌آزمون و پس‌آزمون ارزیابی و با مدل‌های خطی آمیخته و مدل‌سازی معادلات ساختاری (lavaan، MLR) تحلیل شد. نتایج: گروه هوش مصنوعی افزایش معناداری در شایستگی (d = 0.36، p = 0.003)، خودمختاری (d = 0.40، p = 0.001)، مهارت حرکتی (d = 0.30، p = 0.010) و علاقه به یادگیری (d = 0.38، p = 0.003) نشان داد، در حالی که ارتباط‌مندی بدون تغییر بود (p = 0.974)؛ همبستگی‌های درون‌کلاسی ناچیز بودند. در مدل ساختاری (CFI = 0.94، RMSEA = 0.04، SRMR = 0.04)، گروه پیش‌بینی‌کننده شایستگی (β = 0.17)، شایستگی پیش‌بینی‌کننده RAI (β = 0.34) و RAI پیش‌بینی‌کننده مهارت حرکتی (β = 0.30) بود؛ مسیرهای خودمختاری و ارتباط‌مندی معنادار نبودند. اثر بازخورد هوش مصنوعی بر مهارت حرکتی به طور کامل توسط توالی شایستگی به RAI میانجی‌گری شد (p غیرمستقیم = 0.023؛ p مستقیم = 0.097). بحث: بازخورد بلادرنگ هوش مصنوعی با تقویت شایستگی و حمایت از درونی‌سازی انگیزشی، مهارت حرکتی را بهبود بخشید، در حالی که ارتباط‌مندی بدون تغییر باقی ماند—که شواهد افتراقی ارائه می‌دهد مبنی بر اینکه این ابزار از طریق قابلیت‌های خود عمل می‌کند نه صرفاً اشتیاق عمومی. سامانه‌هایی که عملکرد و یادگیری را ارتقا می‌دهند باید بازخوردی را در اولویت قرار دهند که پیشرفت را قابل مشاهده می‌کند، در چارچوب تقسیم کار انسان–هوش مصنوعی که در آن معلمان حمایت ارتباطی ارائه می‌دهند. در نتیجه، بازخورد بلادرنگ وضعیت بدن مبتنی بر هوش مصنوعی می‌تواند با ارضای نیاز به شایستگی یادگیرندگان، انگیزش و یادگیری مهارت‌های حرکتی را افزایش دهد.

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.

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.

This article examines the theoretical foundations and educational opportunities for developing emotional intelligence in preschool children. It draws on an analysis of selected scholarly sources, a comparison of concepts, and a methodological synthesis. The relationships and distinctions among emotional intelligence, emotional competence, and social-emotional learning are discussed. Play-based activities are proposed to support emotion recognition and labeling, understanding emotional causes, empathy, and emotion regulation. The article also addresses teacher–parent collaboration, co-regulation, and criteria for pedagogical observation. The practical recommendations are methodological proposals developed for this article; their effectiveness has not been experimentally tested within this work.

این مقاله به بررسی مبانی نظری و فرصت‌های آموزشی برای توسعه هوش هیجانی در کودکان پیش‌دبستانی می‌پردازد. مقاله بر تحلیل منابع علمی منتخب، مقایسه مفاهیم و سنتز روش‌شناختی استوار است. روابط و تمایزات میان هوش هیجانی، شایستگی هیجانی و یادگیری اجتماعی-هیجانی مورد بحث قرار گرفته‌اند. فعالیت‌های مبتنی بر بازی به منظور حمایت از شناسایی و برچسب‌گذاری هیجان‌ها، درک علل هیجانی، همدلی و تنظیم هیجان پیشنهاد شده‌اند. مقاله همچنین به همکاری معلم و والدین، هم‌تنظیمی و معیارهای مشاهده آموزشی می‌پردازد. توصیه‌های عملی ارائه‌شده، پیشنهادهای روش‌شناختی تدوین‌شده برای این مقاله هستند و اثربخشی آن‌ها در این پژوهش به‌طور تجربی آزمون نشده است.

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

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

This study aims to analyze the epistemological foundations of Transformative Prophetic Leadership in the governance of Islamic Religious Higher Education Institutions (PTKI) in response to disruption and the dominance of Western management approaches that may overlook institutional spiritual values. Using a qualitative library research approach, the study applies epistemological analysis and critical hermeneutics to foundational literature on Islamic leadership. The findings reveal three main points. First, positions and power in PTKI governance should be reconstructed from elitist privilege (tasyrif) into a responsibility for institutional service (taklif). Second, Transformative Prophetic Leadership integrates prophetic characteristics with transformational leadership through Shiddiq (integrity), Amanah (accountability), Tabligh (transparent communication), and Fathonah (visionary intelligence). Third, this model promotes institutional agility toward global standards while maintaining ethical, spiritual, and communal welfare orientations. The study concludes that Transformative Prophetic Leadership offers an adaptive leadership formulation that enables PTKI to respond to contemporary challenges while preserving its Islamic identity and foundational values.

این پژوهش با هدف تحلیل مبانی معرفت‌شناختی رهبری تحولی نبوی در حکمرانی مؤسسات آموزش عالی دینی اسلامی (PTKI) در پاسخ به اختلالات و غلبه رویکردهای مدیریت غربی که ممکن است ارزش‌های معنوی نهادی را نادیده بگیرند، انجام شده است. با بهره‌گیری از رویکرد کیفی پژوهش کتابخانه‌ای، تحلیل معرفت‌شناختی و هرمنوتیک انتقادی بر ادبیات بنیادین رهبری اسلامی اعمال شده است. یافته‌ها سه نکته اصلی را آشکار می‌سازند: نخست، جایگاه‌ها و قدرت در حکمرانی PTKI باید از امتیازگرایی نخبه‌گرایانه (تَصرِیف) به مسئولیت خدمت نهادی (تَکلیف) بازساخت شود؛ دوم، رهبری تحولی نبوی با ادغام ویژگی‌های نبوی و رهبری تحولی از طریق صدق (درستی)، امانت (پاسخگویی)، تبلیغ (ارتباط شفاف) و فطانت (هوشمندی آینده‌نگر) تحقق می‌یابد؛ سوم، این الگو چابکی نهادی به سوی استانداردهای جهانی را در عین حفظ جهت‌گیری‌های اخلاقی، معنوی و رفاه جمعی ترویج می‌کند. نتیجه‌گیری پژوهش آن است که رهبری تحولی نبوی، فرمول‌بندی رهبری سازگارپذیری را ارائه می‌دهد که به PTKI امکان می‌دهد به چالش‌های معاصر پاسخ دهد و در عین حال هویت اسلامی و ارزش‌های بنیادین خود را حفظ کند.

This paper explores the challenges faced by Mathematics and Science teacher-educators at a South African university in maintaining assessment credibility during the transition from face-to-face to online modalities. It utilises a Professional Learning Community (PLC) framework and authentic conversations amongst nine PLC members as a means of documenting scholarship of teaching and learning. The study delves into the challenges relating to disruptions to traditional assessment practices and the strategies employed to navigate them. The research is guided by the substitution, augmentation, modification and redefinition model, which provides a theoretical lens for understanding the evolution of technology in teaching and assessment. The findings reveal four key challenges: assessment integrity issues, load shedding disruptions, technical glitches and limited lecturer expertise in designing and administering higher-order online tasks. While the transition initially involved substitution and augmentation, with online assessments often deemed ‘too simplistic’ and prone to issues of academic integrity, efforts to move towards the modification phase showed promise. Modifications, in the context of assessment, included adapting the assessment task to ensure Mathematics and Science concepts are effectively assessed in an online, non-invigilated settings, as illustrated in the paper. Despite these advancements, progress towards the redefinition phase where assessments are fully integrated and technologically sophisticated to mitigate unethical usage of artificial intelligence remains limited. The paper argues that achieving this phase requires sustained and deliberate training for teacher-educators in advanced technological integration, emphasising the need for continued professional development in the post-COVID era.

این مقاله به بررسی چالش‌هایی می‌پردازد که مدرسان معلم ریاضی و علوم در یک دانشگاه آفریقای جنوبی در حفظ اعتبار ارزشیابی هنگام گذار از شیوه حضوری به شیوه‌های برخط با آن مواجه بوده‌اند. این پژوهش از چارچوب اجتماع یادگیری حرفه‌ای (PLC) و گفتگوهای اصیل میان نه عضو این اجتماع به عنوان روشی برای مستندسازی دانش تدریس و یادگیری بهره می‌گیرد. مطالعه حاضر به چالش‌های مرتبط با اختلال در شیوه‌های سنتی ارزشیابی و راهبردهای به‌کاررفته برای مواجهه با آن‌ها می‌پردازد. پژوهش با مدل جایگزینی، افزایش، اصلاح و بازتعریف هدایت می‌شود که لنزی نظری برای فهم تحول فناوری در آموزش و ارزشیابی فراهم می‌کند. یافته‌ها چهار چالش کلیدی را آشکار می‌سازد: مسائل مربوط به سلامت ارزشیابی، اختلالات ناشی از قطع برق، مشکلات فنی و محدودیت تخصص مدرسان در طراحی و اجرای تکالیف برخط سطح بالاتر. در حالی که گذار اولیه بیشتر شامل جایگزینی و افزایش بود و ارزشیابی‌های برخط غالباً «بسیار ساده» و مستعد مسائل سلامت علمی تلقی می‌شدند، تلاش‌ها برای حرکت به سوی مرحله اصلاح امیدبخش بود. اصلاحات در زمینه ارزشیابی شامل انطباق تکلیف ارزشیابی به منظور اطمینان از ارزیابی مؤثر مفاهیم ریاضی و علوم در محیط‌های برخط و بدون مراقبت حضوری بود که در مقاله تشریح شده است. با وجود این پیشرفت‌ها، حرکت به سوی مرحله بازتعریف که در آن ارزشیابی‌ها به طور کامل یکپارچه و از لحاظ فناوری پیشرفته باشند تا از سوءاستفاده غیراخلاقی از هوش مصنوعی جلوگیری شود، همچنان محدود باقی مانده است. مقاله استدلال می‌کند که دستیابی به این مرحله نیازمند آموزش مستمر و هدفمند مدرسان معلم در زمینه ادغام پیشرفته فناوری است و بر ضرورت توسعه حرفه‌ای مداوم در دوران پساکرونا تأکید می‌کند.

A comprehensive meta-analysis of vector-correlation tests of Spearman’s Hypothesis (SH) with respect to US White-Black (W-B) cognitive performance differences is conducted. Thirty-one usable studies yielding 44 independent effect sizes were identified, with a total harmonic N of 1,039,379. A random-effects model, using subtest number to estimate inverse-variance weights, yielded a large-magnitude positive mean vector correlation, r = .745, 95% CI [.699, .792], with a prediction interval of .628 to .862, and modest between-study heterogeneity, I² = 25.61%, 95% CI [0.00%, 50.5%]. Sampling error accounted for 46.3% to 82.7% of between-study variance, depending on estimator, suggesting that some variance in those data is potentially due to moderators rather than sampling error. A three-moderator meta-regression including harmonic N , sample mean age, and study year yielded evidence of negative moderation by sample age. SH therefore appears to be weaker in older samples. No quadratic effect of age was detected. Funnel-plot diagnostics using Fisher- z -transformed effects indicated significant unadjusted Egger’s asymmetry, but this became non-significant after adjustment for the moderators. Trim-and-fill imputed no missing effect sizes. The presence of age-dependent moderation, including both reversals and attenuation of effect sizes in older samples, makes claimed isomorphism between g and W-B differences difficult to sustain. The results instead suggest complex environmental confounding potentiating, attenuating, or even reversing the g -dependence of W-B differences.

یک فراتحلیل جامع از آزمون‌های همبستگی برداری فرضیه اسپیرمن (SH) در ارتباط با تفاوت‌های عملکرد شناختی میان سفیدپوستان و سیاه‌پوستان آمریکایی (W-B) انجام شده است. سی‌ویک مطالعه قابل استفاده که ۴۴ اندازه اثر مستقل را ارائه داده‌اند شناسایی شد و مجموع حجم نمونه هارمونیک برابر با ۱٬۰۳۹٬۳۷۹ بود. مدل اثرات تصادفی با استفاده از تعداد خرده‌آزمون‌ها برای برآورد وزن‌های معکوس واریانس، میانگین همبستگی برداری مثبت و با اندازه بزرگ را نشان داد: r = .745، فاصله اطمینان ۹۵٪ [.699، .792]، با بازه پیش‌بینی از .628 تا .862 و ناهمگنی بین‌مطالعه‌ای متوسط، I² = ۲۵.۶۱٪، فاصله اطمینان ۹۵٪ [۰.۰۰٪، ۵۰.۵٪]. خطای نمونه‌گیری بسته به برآوردگر، ۴۶.۳٪ تا ۸۲.۷٪ از واریانس بین‌مطالعه‌ای را توضیح داد که نشان می‌دهد بخشی از این واریانس احتمالاً ناشی از تعدیل‌گرها و نه صرفاً خطای نمونه‌گیری است. فراتحلیل رگرسیون با سه تعدیل‌گر شامل حجم نمونه هارمونیک، میانگین سنی نمونه و سال مطالعه، شواهدی از تعدیل‌گری منفی سن نمونه را نشان داد. بنابراین، به نظر می‌رسد SH در نمونه‌های مسن‌تر ضعیف‌تر است. هیچ اثر درجه‌دوم (quadratic) سن مشاهده نشد. تشخیص‌های نمودار قیفی با استفاده از اثرات تبدیل‌شده Fisher-z، عدم تقارن معنادار Egger را در حالت بدون تعدیل نشان داد، اما پس از تعدیل برای تعدیل‌گرها این عدم تقارن معنادار نبود. روش trim-and-fill هیچ اندازه اثر گمشده‌ای را برآورد نکرد. وجود تعدیل‌گری وابسته به سن، از جمله وارونگی و تضعیف اندازه اثر در نمونه‌های مسن‌تر، ادعای هم‌ریختی (isomorphism) میان g و تفاوت‌های W-B را دشوار می‌سازد. نتایج در عوض نشان می‌دهد که عوامل محیطی پیچیده می‌توانند وابستگی تفاوت‌های W-B به g را تقویت، تضعیف یا حتی معکوس کنند.

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

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

Background: Workplace stress, anxiety, burnout and psychological distress are important concerns affecting employee well-being and organisational performance. The increasing use of artificial intelligence (AI) in digital mental health support offers opportunities for accessible and timely assistance, while raising concerns regarding privacy, informed consent, algorithmic bias, clinical safety, accountability and human oversight. This study aims to examine the potential role and responsible integration of AI-based psychiatric counselling for managing employee stress and supporting workplace mental health by 2030. Materials and Methods: A mixed-methods research design will be used, combining quantitative survey data with qualitative interviews. The quantitative component will include approximately 350–450 employees, while the qualitative component will involve approximately 25–35 interviews with HR professionals, organisational leaders, EAP professionals and mental health practitioners. Data will assess perceived stress, anxiety, burnout, psychological safety, trust, confidentiality, privacy concerns, AI counselling acceptance and willingness to use AI-based mental health support. Quantitative data will be analysed using descriptive statistics, reliability testing, correlation, regression, t-tests, ANOVA and appropriate mediation or moderation analyses. Qualitative data will be analysed thematically. Results: The study is expected to identify factors influencing employee acceptance and trust in AI-based psychiatric counselling and to examine the role of privacy, human oversight, psychological safety and organisational support in its responsible adoption. Conclusion: AI-based psychiatric counselling may serve as a supportive component of workplace mental health systems, particularly for early support, psychoeducation, self-help and triage. However, it should complement rather than replace qualified mental health professionals. Responsible implementation will require privacy safeguards, informed consent, clinical oversight, transparency, fairness, accountability and clear referral pathways.

زمینه: استرس محیط کار، اضطراب، فرسودگی شغلی و پریشانی روان‌شناختی از دغدغه‌های مهمی هستند که بهزیستی کارکنان و عملکرد سازمانی را تحت تأثیر قرار می‌دهند. افزایش استفاده از هوش مصنوعی (AI) در حمایت دیجیتال سلامت روان، فرصت‌هایی برای دسترسی و کمک به‌موقع فراهم می‌کند، در حالی که نگرانی‌هایی درباره حریم خصوصی، رضایت آگاهانه، سوگیری الگوریتمی، ایمنی بالینی، مسئولیت‌پذیری و نظارت انسانی ایجاد می‌کند. هدف این مطالعه بررسی نقش بالقوه و ادغام مسئولانه مشاوره روان‌پزشکی مبتنی بر هوش مصنوعی برای مدیریت استرس کارکنان و حمایت از سلامت روان محیط کار تا سال ۲۰۳۰ است. مواد و روش‌ها: از طرح پژوهشی آمیخته استفاده خواهد شد که داده‌های پیمایش کمی را با مصاحبه‌های کیفی ترکیب می‌کند. بخش کمی شامل حدود ۳۵۰ تا ۴۵۰ نفر از کارکنان خواهد بود و بخش کیفی شامل حدود ۲۵ تا ۳۵ مصاحبه با متخصصان منابع انسانی، رهبران سازمانی، متخصصان EAP و درمانگران سلامت روان خواهد بود. داده‌ها میزان استرس ادراک‌شده، اضطراب، فرسودگی شغلی، ایمنی روان‌شناختی، اعتماد، محرمانگی، نگرانی‌های مربوط به حریم خصوصی، پذیرش مشاوره مبتنی بر هوش مصنوعی و تمایل به استفاده از حمایت سلامت روان مبتنی بر هوش مصنوعی را ارزیابی خواهند کرد. داده‌های کمی با استفاده از آمار توصیفی، آزمون پایایی، همبستگی، رگرسیون، آزمون t، ANOVA و تحلیل‌های میانجی‌گری یا تعدیل‌گری مناسب تحلیل می‌شوند. داده‌های کیفی به صورت مضمون‌محور تحلیل خواهند شد. نتایج: انتظار می‌رود مطالعه عوامل مؤثر بر پذیرش و اعتماد کارکنان به مشاوره روان‌پزشکی مبتنی بر هوش مصنوعی را شناسایی کند و نقش حریم خصوصی، نظارت انسانی، ایمنی روان‌شناختی و حمایت سازمانی را در پذیرش مسئولانه آن بررسی نماید. نتیجه‌گیری: مشاوره روان‌پزشکی مبتنی بر هوش مصنوعی می‌تواند به عنوان بخشی حمایتی از نظام‌های سلامت روان محیط کار، به ویژه برای حمایت اولیه، آموزش روانی، خودیاری و ارجاع اولیه مورد استفاده قرار گیرد. با این حال، باید مکمل و نه جایگزین متخصصان واجد شرایط سلامت روان باشد. اجرای مسئولانه نیازمند تضمین‌های حریم خصوصی، رضایت آگاهانه، نظارت بالینی، شفافیت، انصاف، مسئولیت‌پذیری و مسیرهای ارجاع روشن خواهد بود.

Despite scientific argumentation being a fundamental competency of the PISA assessment framework, prospective biology teachers often demonstrate insufficient development in evidence-based reasoning and rebuttal construction skills. Considering the limitations of large-scale implementation of individualized approaches in higher education, this study evaluates the effectiveness of Generative Artificial Intelligence (ChatGPT-4) configured as a “Socratic tutor” in developing argumentation skills among future educators. An 8-week quasi-experimental study involving 124 students from a pedagogical university employed traditional peer discussion methods in the control group ( n = 62), while the experimental group ( n = 62) utilized an AI agent that induced cognitive dissonance regarding socio-scientific issues. Analysis of Covariance (ANCOVA) of data obtained through Toulmin's Argument Pattern (TAP) and PISA rubrics confirmed that the experimental group achieved statistically significantly higher overall argumentation quality compared to the control group (F (1,121) = 14.23, p < .001, η 2 = .105). Particularly, participants who received AI-assisted instruction showed marked improvement in forming rebuttals and evaluating counterevidence, which are considered among the most cognitively demanding components within the PISA scientific literacy framework (OECD). These findings suggest that a Generative AI-mediated Socratic instructional package can be an effective and scalable approach for developing epistemic cognition, and they propose a pedagogical model for integrating structured AI-based tutoring into teacher preparation systems aligned with international assessment standards. These findings should be interpreted as evidence for the effectiveness of the structured, AI-mediated Socratic instructional package as a whole, rather than as evidence of AI's inherent superiority over other methods; the relative contribution of the AI medium versus the structured pedagogical protocol it delivers was not directly tested in this design.

با وجود اینکه استدلال علمی یکی از شایستگی‌های اساسی چارچوب ارزیابی PISA است، معلمان آینده زیست‌شناسی اغلب در توسعه مهارت‌های استدلال مبتنی بر شواهد و ساختاردهی ابطال‌ها، پیشرفت کافی نشان نمی‌دهند. با توجه به محدودیت‌های اجرای گسترده رویکردهای فردمحور در آموزش عالی، این مطالعه اثربخشی هوش مصنوعی مولد (ChatGPT-4) را که به عنوان «مربی سقراطی» پیکربندی شده است، در توسعه مهارت‌های استدلال در میان معلمان آینده مورد ارزیابی قرار می‌دهد. یک مطالعه شبه‌آزمایشی هشت‌هفته‌ای با مشارکت ۱۲۴ دانشجو از یک دانشگاه تربیت معلم انجام شد؛ در گروه کنترل (n = 62) از روش‌های سنتی بحث همتایان استفاده شد و گروه آزمایش (n = 62) از یک عامل هوش مصنوعی بهره برد که ناهماهنگی شناختی را در خصوص مسائل اجتماعی-علمی ایجاد می‌کرد. تحلیل کوواریانس (ANCOVA) داده‌های به‌دست‌آمده از طریق الگوی استدلال تولمین (TAP) و روبریک‌های PISA تأیید کرد که گروه آزمایش به طور معناداری از نظر کیفیت کلی استدلال نسبت به گروه کنترل عملکرد بهتری داشت (F (1,121) = 14.23, p < .001, η 2 = .105). به ویژه، شرکت‌کنندگانی که آموزش مبتنی بر هوش مصنوعی دریافت کردند، در شکل‌دهی ابطال‌ها و ارزیابی شواهد مخالف که از دشوارترین مؤلفه‌های شناختی در چارچوب سواد علمی PISA (OECD) محسوب می‌شوند، بهبود چشمگیری نشان دادند. این یافته‌ها نشان می‌دهد که بسته آموزشی سقراطی مبتنی بر هوش مصنوعی مولد می‌تواند رویکردی مؤثر و مقیاس‌پذیر برای توسعه شناخت معرفتی باشد و مدل آموزشی برای ادغام آموزش ساختاریافته مبتنی بر هوش مصنوعی در نظام‌های تربیت معلم همسو با استانداردهای ارزیابی بین‌المللی ارائه می‌کند. این یافته‌ها باید به عنوان شواهدی برای اثربخشی بسته آموزشی ساختاریافته و میانجی‌گری‌شده توسط هوش مصنوعی سقراطی به طور کلی تفسیر شود، نه به عنوان شواهدی از برتری ذاتی هوش مصنوعی نسبت به سایر روش‌ها؛ سهم نسبی رسانه هوش مصنوعی در مقابل پروتکل آموزشی ساختاریافته ارائه‌شده توسط آن، مستقیماً در این طرح مورد آزمون قرار نگرفته است.

The integration of Artificial Intelligence (AI) into psychiatry is progressing rapidly, with promising yet underexplored applications in suicide prevention. While most existing studies have focused on suicide risk prediction, AI could be applied more broadly across the suicide prevention continuum. This review explores AI's potential in improving the detection of suicidal ideation (SI), enhancing clinician training, and expanding patient access to psychotherapeutic support. Studies suggest that AI models may identify SI more sensitively than clinicians by detecting subtle linguistic or semantic cues. Furthermore, AI-based virtual patients have been shown to improve clinicians' confidence and accuracy in suicide risk assessments, particularly when used alongside traditional training methods. On the patient side, CBT-inspired AI tools offer scalable, on-demand support, but most remain unregulated and clinically unvalidated. Despite their perceived empathy and availability, such tools pose ethical and clinical risks. Many patients use AI tools without professional guidance, a trend clinicians often underestimate. This disconnect calls for urgent regulatory oversight and professional engagement. Without clear clinical validation, AI-based tools may evolve outside medical frameworks, exposing vulnerable individuals to preventable harm. Psychiatry must not only adapt but also lead, ensuring that innovation is harnessed responsibly to serve patients with empathy, safety, and scientific rigor.

ادغام هوش مصنوعی (AI) در روان‌پزشکی با سرعت زیادی در حال پیشرفت است و کاربردهای امیدبخشی، اما کمتر مورد بررسی قرار گرفته‌ای در پیشگیری از خودکشی دارد. در حالی که بیشتر پژوهش‌های موجود بر پیش‌بینی خطر خودکشی متمرکز بوده‌اند، هوش مصنوعی می‌تواند به طور گسترده‌تری در سراسر طیف پیشگیری از خودکشی به کار گرفته شود. این مرور، پتانسیل هوش مصنوعی را در بهبود شناسایی افکار خودکشی (SI)، ارتقای آموزش درمانگران و افزایش دسترسی بیماران به حمایت روان‌درمانی بررسی می‌کند. مطالعات نشان می‌دهند که مدل‌های هوش مصنوعی ممکن است افکار خودکشی را حساس‌تر از درمانگران با شناسایی نشانه‌های زبانی یا معنایی ظریف تشخیص دهند. افزون بر این، بیماران مجازی مبتنی بر هوش مصنوعی باعث افزایش اعتماد به نفس و دقت درمانگران در ارزیابی خطر خودکشی شده‌اند، به ویژه زمانی که در کنار روش‌های سنتی آموزش مورد استفاده قرار گیرند. از سوی دیگر، ابزارهای هوش مصنوعی الهام‌گرفته از درمان شناختی-رفتاری (CBT) برای بیماران، حمایت مقیاس‌پذیر و در دسترسی را ارائه می‌دهند، اما بیشتر آن‌ها بدون نظارت و اعتبارسنجی بالینی باقی مانده‌اند. با وجود همدلی و دسترسی ادراک‌شده این ابزارها، آن‌ها خطرات اخلاقی و بالینی ایجاد می‌کنند. بسیاری از بیماران بدون راهنمایی حرفه‌ای از ابزارهای هوش مصنوعی استفاده می‌کنند، روندی که درمانگران اغلب آن را دست‌کم می‌گیرند. این گسست نیازمند نظارت فوری مقرراتی و مشارکت حرفه‌ای است. بدون اعتبارسنجی بالینی روشن، ابزارهای مبتنی بر هوش مصنوعی ممکن است خارج از چارچوب‌های پزشکی تکامل یابند و افراد آسیب‌پذیر را در معرض آسیب‌های قابل پیشگیری قرار دهند. روان‌پزشکی باید نه تنها خود را تطبیق دهد، بلکه رهبری کند تا اطمینان حاصل شود که نوآوری به گونه‌ای مسئولانه برای خدمت به بیماران با همدلی، ایمنی و دقت علمی به کار گرفته می‌شود.

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

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

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

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

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

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

Abstract Authentic assessment has been a recognized aspiration in higher education for nearly four decades, yet its implementation at the undergraduate level has remained constrained by the procedural demands of professional-level work. Generative artificial intelligence reshapes the implementation calculus by lowering the entry barriers that previously confined authentic assessment to capstone courses, professional programs, and elite institutional contexts. This paper presents a single-semester case study of an AI-integrated qualitative research methods course taught to undergraduates in a child and adolescent development program at a regional public university. Twenty-one students used a custom AI class companion without restriction to produce full-length qualitative research manuscripts. The analytic backbone is a five-dimensional model of authentic assessment, with its physical-context dimension extended to require AI inclusion in fields where professional practice now incorporates the technology. Three rubric-proximal proxy indicators were estimated across the corpus: methods specificity, claim-evidence coupling, and theory-interpretation linkage density. The methods specificity proxy compresses toward the upper bound of its scale, indicating that AI scaffolding supports structural elements of qualitative writing effectively. The two judgment-dependent proxies retain wide dispersion. Process tracing of four contrasting cases identifies three pathways that distinguish stronger from weaker outcomes: criteria-based orchestration, irreducible input supply, and substantive iteration. The boundary-condition pattern indicates that authentic assessment in AI-integrated courses remains diagnostic where it needs to be and is supported where it needed support.

چکیده ارزشیابی اصیل نزدیک به چهار دهه است که به عنوان یک آرمان شناخته‌شده در آموزش عالی مطرح بوده است، اما اجرای آن در سطح کارشناسی به دلیل الزامات رویه‌ای کار حرفه‌ای محدود باقی مانده است. هوش مصنوعی مولد با کاهش موانع ورود، محاسبات اجرایی را دگرگون می‌کند؛ موانعی که پیش‌تر ارزشیابی اصیل را به دروس پایانی، برنامه‌های حرفه‌ای و زمینه‌های نهادی ممتاز محدود می‌کردند. این مقاله مطالعه موردی یک‌ترمی از یک درس روش‌های تحقیق کیفی با ادغام هوش مصنوعی را ارائه می‌دهد که برای دانشجویان کارشناسی رشته رشد کودک و نوجوان در یک دانشگاه دولتی منطقه‌ای تدریس شده است. بیست‌ویک دانشجو بدون محدودیت از یک همراه هوش مصنوعی سفارشی در کلاس برای تولید مقالات کامل تحقیق کیفی استفاده کردند. ستون فقرات تحلیلی پژوهش، مدل پنج‌بعدی ارزشیابی اصیل است که بعد زمینه فیزیکی آن به گونه‌ای گسترش یافته است که گنجاندن هوش مصنوعی را در حوزه‌هایی که اکنون عمل حرفه‌ای فناوری را دربرمی‌گیرد، الزامی می‌سازد. سه شاخص جانشین نزدیک به روبریک در کل مجموعه برآورد شد: ویژگی روش‌ها، پیوند ادعا-شواهد و تراکم پیوند تفسیر-نظریه. شاخص جانشین ویژگی روش‌ها به سمت حد بالایی مقیاس خود فشرده می‌شود که نشان می‌دهد چارچوب‌دهی هوش مصنوعی به طور مؤثری از عناصر ساختاری نوشتار کیفی حمایت می‌کند. دو شاخص مبتنی بر قضاوت دامنه پراکندگی وسیعی را حفظ می‌کنند. ردیابی فرایند چهار مورد متضاد سه مسیر را شناسایی می‌کند که نتایج قوی‌تر را از نتایج ضعیف‌تر متمایز می‌سازد: سازماندهی مبتنی بر معیار، تأمین ورودی غیرقابل تقلیل و تکرار معنادار. الگوی شرایط مرزی نشان می‌دهد که ارزشیابی اصیل در دروس ادغام‌شده با هوش مصنوعی همچنان در جایی که باید تشخیصی باشد، تشخیصی باقی می‌ماند و در جایی که نیاز به حمایت دارد، حمایت می‌شود.

Youth are the largest active population of any nation, and they play substantial roles in achieving sustainable community development undertakings. However, some of the youth are underemployed, not in education, employment, or training (NEET). The study examined the impact of an artificial intelligence skill-up educational programme on mitigating youth unemployment for community development in Imo State. The study adopted a descriptive survey design, with a population of 6700 youth participants and a sample size of 469 selected using a proportionate sampling technique. The research instrument was a structured questionnaire titled “Artificial Intelligence Skill-up Educational Programme Questionnaire (AISEPQ)”. Mean, standard deviation, and analysis of variance were used for data analysis. The findings indicate that artificial intelligence has increased youth confidence in competing for digital job opportunities, enabled them to access remote work and other digital employment opportunities more easily, given them a competitive advantage over other job seekers in the digital labour market, improved their chances of securing gainful employment that is directly aligned with the current job demands, and opened up employment opportunities that were previously unavailable. The study concludes that artificial intelligence boosted young people's confidence in pursuing digital job opportunities, facilitated their access to remote work and other digital employment options. It recommends that the Federal Ministry of Youth Development (FMYD), in collaboration with the Federal Ministry of Education (FME), sufficiently allocate resources for the transition period of the fourth and fifth industrial revolutions so that young people can meet the demands of a knowledge-based economy.

جوانان بزرگ‌ترین جمعیت فعال هر کشوری را تشکیل می‌دهند و نقش قابل توجهی در تحقق فعالیت‌های توسعه پایدار جامعه ایفا می‌کنند. با این حال، برخی از جوانان دچار اشتغال ناقص بوده یا در آموزش، اشتغال یا کارآموزی (NEET) قرار ندارند. این پژوهش به بررسی تأثیر برنامه آموزشی ارتقاء مهارت‌های هوش مصنوعی بر کاهش بیکاری جوانان برای توسعه جامعه در ایالت Imo پرداخته است. این مطالعه از طرح پژوهش توصیفی-پیمایشی استفاده کرده و جامعه آماری آن شامل ۶۷۰۰ نفر از جوانان شرکت‌کننده بوده است که با استفاده از روش نمونه‌گیری متناسب، حجم نمونه ۴۶۹ نفر انتخاب شد. ابزار پژوهش، پرسشنامه ساختارمند با عنوان «پرسشنامه برنامه آموزشی ارتقاء مهارت‌های هوش مصنوعی (AISEPQ)» بود. برای تحلیل داده‌ها از میانگین، انحراف معیار و تحلیل واریانس استفاده شد. یافته‌ها نشان داد که هوش مصنوعی اعتماد به نفس جوانان را در رقابت برای فرصت‌های شغلی دیجیتال افزایش داده، دسترسی آن‌ها به کار از راه دور و سایر فرصت‌های شغلی دیجیتال را تسهیل کرده، مزیت رقابتی نسبت به سایر جویندگان کار در بازار کار دیجیتال به آن‌ها بخشیده، شانس آن‌ها را برای دستیابی به اشتغال سودآور که مستقیماً با نیازهای شغلی فعلی همسو است، بهبود بخشیده و فرصت‌های شغلی جدیدی را که پیش‌تر وجود نداشتند، ایجاد کرده است. نتیجه‌گیری پژوهش حاکی از آن است که هوش مصنوعی اعتماد به نفس جوانان را در پیگیری فرصت‌های شغلی دیجیتال افزایش داده و دسترسی آن‌ها به کار از راه دور و سایر گزینه‌های اشتغال دیجیتال را تسهیل نموده است. پیشنهاد می‌شود وزارت فدرال توسعه جوانان (FMYD) با همکاری وزارت فدرال آموزش و پرورش (FME) منابع کافی را برای دوره گذار انقلاب صنعتی چهارم و پنجم اختصاص دهند تا جوانان بتوانند با الزامات اقتصاد مبتنی بر دانش همگام شوند.

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

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

This article argues that the persistent burden of burnout reflects a fundamental conceptual problem—burnout continues to be framed primarily as an individual condition rather than as an occupational phenomenon shaped by interacting structural, organizational, and leadership conditions. Burnout has emerged as a major occupational health challenge. In a 2024 survey across eight predominantly high and upper-middle-income countries, 48% of respondents reported currently grappling with burnout. Separately, depression and anxiety cost the global economy approximately one trillion dollars annually in lost productivity. Drawing on evidence from neuroimaging, stress biology, cognitive neuroscience, and organizational research, this article examines plausible pathways through which leadership behavior may influence conditions that contribute to or protect against burnout, including social threat–reward processing, cognitive flexibility, emotional intelligence, psychological safety, emotional contagion, and stress-related neurobiological responses. Among physicians, burnout has been associated with depression and anxiety, while evidence regarding substance abuse is less consistent. These proposed mechanisms are proximal and potentially modifiable, but operate within broader structural conditions that constrain or enable their effects. Human-centered work design and neuroleadership-informed leadership practices are proposed as complements to broader structural interventions, with implications for health systems, workforce sustainability, and policy design.

این مقاله استدلال می‌کند که تداوم بار فرسودگی شغلی نشان‌دهنده یک مشکل مفهومی اساسی است—فرسودگی شغلی همچنان عمدتاً به عنوان یک وضعیت فردی در نظر گرفته می‌شود، نه به عنوان یک پدیده شغلی که توسط شرایط ساختاری، سازمانی و رهبری متقابل شکل می‌گیرد. فرسودگی شغلی به عنوان یک چالش عمده سلامت شغلی مطرح شده است. در یک پیمایش در سال ۲۰۲۴ در هشت کشور عمدتاً با درآمد بالا و متوسط رو به بالا، ۴۸٪ از پاسخ‌دهندگان گزارش کردند که در حال حاضر با فرسودگی شغلی دست و پنجه نرم می‌کنند. به طور جداگانه، افسردگی و اضطراب سالانه حدود یک تریلیون دلار هزینه به اقتصاد جهانی از طریق کاهش بهره‌وری وارد می‌کنند. با استناد به شواهدی از تصویربرداری عصبی، زیست‌شناسی استرس، علوم اعصاب شناختی و پژوهش‌های سازمانی، این مقاله مسیرهای محتملی را بررسی می‌کند که از طریق آن‌ها رفتار رهبری می‌تواند شرایطی را که به فرسودگی شغلی منجر می‌شود یا از آن محافظت می‌کند، تحت تأثیر قرار دهد؛ از جمله پردازش تهدید–پاداش اجتماعی، انعطاف‌پذیری شناختی، هوش هیجانی، ایمنی روان‌شناختی، سرایت هیجانی و پاسخ‌های نوروبیولوژیک مرتبط با استرس. در میان پزشکان، فرسودگی شغلی با افسردگی و اضطراب مرتبط بوده است، در حالی که شواهد مربوط به سوءمصرف مواد کمتر منسجم است. این سازوکارهای پیشنهادی، نزدیک و بالقوه قابل تغییر هستند، اما در چارچوب شرایط ساختاری گسترده‌تری عمل می‌کنند که اثرات آن‌ها را محدود یا تسهیل می‌کند. طراحی کار انسان‌محور و شیوه‌های رهبری مبتنی بر نورورهبری به عنوان مکمل‌هایی برای مداخلات ساختاری گسترده‌تر پیشنهاد می‌شوند که پیامدهایی برای نظام‌های سلامت، پایداری نیروی کار و طراحی سیاست دارند.

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

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

Game-based approaches are increasingly employed to address complex challenges in logistics and freight transport. While traditionally employed for education and workforce training, they have broader applications and untapped potential. In particular, advances in artificial intelligence (AI) are creating new opportunities to design, personalise, and scale these interventions. Despite this growing interest, a comprehensive understanding of how game-based approaches have evolved, who they target, what functions they serve, and where future opportunities lie remains limited. This study presents a systematic review of 87 studies on game-based interventions in freight transport and logistics, synthesising evidence across five application domains: warehouse operations management, terminal operations management, transport planning and optimisation, reverse logistics, and risk management and resilience. The findings reveal that games are evolving beyond training applications towards behavioural research, decision support, stakeholder engagement, and consumer behaviour change. Target audiences have similarly expanded from students and operational personnel to include managers, planners, consumers, and participants in behavioural research settings. Nevertheless, evidence regarding the long-term effectiveness of these interventions remains scarce, and several logistics challenges remain largely unexplored. Building on evidence-based gaps identified in the literature, this review proposes future research directions and highlights the potential of AI to enable adaptive, personalised, and scalable game-based interventions. By consolidating fragmented knowledge and outlining emerging opportunities, this study provides a foundation for researchers and practitioners seeking to harness game-based approaches to understand and improve logistics and freight transport systems.

رویکردهای مبتنی بر بازی به طور فزاینده‌ای برای مواجهه با چالش‌های پیچیده در لجستیک و حمل‌ونقل بار به کار گرفته می‌شوند. اگرچه این رویکردها به طور سنتی برای آموزش و تربیت نیروی کار مورد استفاده قرار می‌گرفتند، اما کاربردهای گسترده‌تر و ظرفیت‌های استفاده‌نشده‌ای دارند. به ویژه، پیشرفت‌های هوش مصنوعی (AI) فرصت‌های جدیدی برای طراحی، شخصی‌سازی و مقیاس‌پذیری این مداخلات ایجاد کرده است. با وجود این علاقه رو به رشد، درک جامعی از نحوه تحول رویکردهای مبتنی بر بازی، مخاطبان هدف، کارکردهای آن‌ها و فرصت‌های آینده همچنان محدود است. این مطالعه با ارائه یک مرور نظام‌مند از ۸۷ پژوهش درباره مداخلات مبتنی بر بازی در حوزه حمل‌ونقل بار و لجستیک، شواهد را در پنج حوزه کاربردی شامل مدیریت عملیات انبار، مدیریت عملیات ترمینال، برنامه‌ریزی و بهینه‌سازی حمل‌ونقل، لجستیک معکوس و مدیریت ریسک و تاب‌آوری، تلفیق می‌کند. یافته‌ها نشان می‌دهد که بازی‌ها فراتر از کاربردهای آموزشی، به سمت پژوهش‌های رفتاری، پشتیبانی تصمیم‌گیری، مشارکت ذینفعان و تغییر رفتار مصرف‌کننده در حال تحول هستند. مخاطبان هدف نیز از دانشجویان و کارکنان عملیاتی به مدیران، برنامه‌ریزان، مصرف‌کنندگان و شرکت‌کنندگان در محیط‌های پژوهش رفتاری گسترش یافته‌اند. با این حال، شواهد مربوط به اثربخشی بلندمدت این مداخلات همچنان اندک است و برخی چالش‌های لجستیکی تا حد زیادی بررسی نشده باقی مانده‌اند. با اتکا به شکاف‌های مبتنی بر شواهد شناسایی‌شده در ادبیات، این مرور جهت‌گیری‌های پژوهشی آینده را پیشنهاد می‌کند و بر پتانسیل هوش مصنوعی برای امکان‌پذیر ساختن مداخلات مبتنی بر بازی تطبیقی، شخصی‌سازی‌شده و مقیاس‌پذیر تأکید دارد. با یکپارچه‌سازی دانش پراکنده و ترسیم فرصت‌های نوظهور، این مطالعه بنیانی برای پژوهشگران و متخصصانی فراهم می‌کند که به دنبال بهره‌گیری از رویکردهای مبتنی بر بازی برای درک و بهبود سامانه‌های لجستیک و حمل‌ونقل بار هستند.

This study investigates the relationships among Organisational Ethics (ETH), Interpersonal Relationships (IR), Job Autonomy (AUT), Support from Top Management (STM), Job Demands, Job Resources, Emotional Intelligence (EI) and Empathy (EMP) and Employee Performance (EP) within the IT (Information Technology) Industry through the JD-R (Job Demands-Resources) theory. This study examines how organisational and job-related factors are associated with Job demands and Job resources which are subsequently associated with Emotional Intelligence, Empathy and Employee Performance. Given the limitations from the previous empirical studies on EI and EMP as personal resources in IT industry context, this research aims to fill this gap by investigating the association of these personal resources with EP with a special focus on the IT industry. A quantitative research design was adopted using a structured questionnaire administered through a survey among IT employees working in different management and technical positions in Bengaluru, India. Around 318 valid responses were collected and analysed using SPSS and Jamovi. Structural Equation Modelling (SEM) was used to analyse the relationships among the constructs. The findings indicate that Emotional Intelligence and Empathy are significantly positively associated with Employee Performance in the IT industry. Further, the significant association of Job demands and Job resources with EI and EMP indicates the significance of workplace conditions in shaping employees’ emotional capabilities. This study applies the JD-R framework to examine EI and EMP as personal resources connecting job characteristics with employee performance outcomes in the IT industry. These research findings contribute to the literature of EP by providing practical insights for the IT industry seeking to enhance employee performance by developing emotional competencies and creating a supportive work culture.

این مطالعه به بررسی روابط میان اخلاق سازمانی (ETH)، روابط بین‌فردی (IR)، خودمختاری شغلی (AUT)، حمایت مدیریت عالی (STM)، تقاضاهای شغلی، منابع شغلی، هوش هیجانی (EI) و همدلی (EMP) و عملکرد کارکنان (EP) در صنعت فناوری اطلاعات (IT) از طریق نظریه تقاضاها و منابع شغلی (JD-R) می‌پردازد. این پژوهش بررسی می‌کند که چگونه عوامل سازمانی و مرتبط با شغل با تقاضاها و منابع شغلی مرتبط هستند که به نوبه خود با هوش هیجانی، همدلی و عملکرد کارکنان ارتباط دارند. با توجه به محدودیت‌های مطالعات تجربی پیشین درباره EI و EMP به‌عنوان منابع فردی در زمینه صنعت IT، این پژوهش با هدف پر کردن این خلأ، به بررسی ارتباط این منابع فردی با EP با تمرکز ویژه بر صنعت IT می‌پردازد. طرح پژوهش کمی با استفاده از پرسشنامه ساختاریافته و از طریق نظرسنجی در میان کارکنان IT شاغل در موقعیت‌های مدیریتی و فنی مختلف در بنگلور هند اجرا شد. حدود ۳۱۸ پاسخ معتبر جمع‌آوری و با استفاده از نرم‌افزارهای SPSS و Jamovi تحلیل گردید. برای تحلیل روابط میان سازه‌ها از مدل‌سازی معادلات ساختاری (SEM) استفاده شد. یافته‌ها نشان داد که هوش هیجانی و همدلی با عملکرد کارکنان در صنعت IT ارتباط مثبت و معناداری دارند. همچنین، ارتباط معنادار تقاضاها و منابع شغلی با EI و EMP اهمیت شرایط محیط کار را در شکل‌دهی قابلیت‌های هیجانی کارکنان نشان می‌دهد. این مطالعه با به‌کارگیری چارچوب JD-R، EI و EMP را به‌عنوان منابع فردی که ویژگی‌های شغلی را به پیامدهای عملکرد کارکنان در صنعت IT پیوند می‌دهد، بررسی می‌کند. یافته‌های این پژوهش با ارائه بینش‌های عملی برای صنعت IT در جهت ارتقای عملکرد کارکنان از طریق توسعه شایستگی‌های هیجانی و ایجاد فرهنگ کاری حمایتی، به ادبیات EP کمک می‌کند.

Artificial intelligence (AI) is now part of everyday academic work in higher education, including feedback. However, AI feedback does not automatically lead to learning. It can help students rethink a concept, improve a draft, and notice gaps in their work, but it can also create a false sense of progress when students accept suggestions without understanding them. This Perspective article argues that responsible AI feedback depends on faculty readiness and students’ evaluative judgement. Readiness is not mainly technical. It involves pedagogical judgement: knowing how to design tasks in which students work with feedback, compare it with evidence, revise with purpose, explain their choices, and remain responsible for the final submission. The article focuses on generative AI feedback and uses metacognitive calibration as a central concept. Calibration refers to the relationship between students’ confidence or self-judgement and independently evaluated evidence of performance. Evaluative judgement concerns students’ capacity to judge the quality and relevance of feedback and work, whereas calibration concerns the accuracy of their judgements relative to independently evaluated performance evidence. The article shows how ideas from feedback literacy, evaluative judgement, and self-regulated learning need to be adapted when feedback comes from systems whose accuracy and educational value cannot be assumed. It proposes a conceptual responsible AI feedback design cycle linked to assessment integrity, university policy, and faculty development. Although the cycle requires empirical testing, it offers a practical way to support reflection, calibrated judgement, and accountability without replacing students’ thinking.

هوش مصنوعی (AI) اکنون بخشی از فعالیت‌های روزمره دانشگاهی در آموزش عالی، از جمله بازخورد، است. با این حال، بازخورد هوش مصنوعی به طور خودکار منجر به یادگیری نمی‌شود. این بازخورد می‌تواند به دانشجویان کمک کند تا یک مفهوم را بازاندیشی کنند، پیش‌نویسی را بهبود دهند و شکاف‌های موجود در کار خود را تشخیص دهند، اما همچنین ممکن است حس کاذبی از پیشرفت ایجاد کند زمانی که دانشجویان پیشنهادها را بدون درک آن‌ها می‌پذیرند. این مقاله دیدگاه بیان می‌کند که بازخورد مسئولانه هوش مصنوعی وابسته به آمادگی اعضای هیئت علمی و قضاوت ارزشیابانه دانشجویان است. آمادگی عمدتاً فنی نیست، بلکه شامل قضاوت آموزشی است: دانستن اینکه چگونه وظایفی طراحی شوند که در آن دانشجویان با بازخورد کار کنند، آن را با شواهد مقایسه کنند، با هدف بازنگری کنند، انتخاب‌های خود را توضیح دهند و همچنان مسئولیت ارسال نهایی را بر عهده داشته باشند. این مقاله بر بازخورد مولد هوش مصنوعی تمرکز دارد و از کالیبراسیون فراشناختی به عنوان یک مفهوم مرکزی استفاده می‌کند. کالیبراسیون به رابطه بین اعتماد به نفس یا خودقضاوت دانشجویان و شواهد ارزیابی‌شده مستقل از عملکرد اشاره دارد. قضاوت ارزشیابانه به ظرفیت دانشجویان برای قضاوت درباره کیفیت و ارتباط بازخورد و کار مربوط است، در حالی که کالیبراسیون به دقت قضاوت‌های آن‌ها نسبت به شواهد عملکرد ارزیابی‌شده مستقل مربوط می‌شود. مقاله نشان می‌دهد که چگونه ایده‌های سواد بازخورد، قضاوت ارزشیابانه و یادگیری خودتنظیمی باید زمانی که بازخورد از سیستم‌هایی می‌آید که دقت و ارزش آموزشی آن‌ها مفروض نیست، تطبیق یابد. این مقاله یک چرخه مفهومی طراحی بازخورد مسئولانه هوش مصنوعی را پیشنهاد می‌کند که به سلامت ارزیابی، سیاست دانشگاه و توسعه اعضای هیئت علمی مرتبط است. اگرچه این چرخه نیازمند آزمون تجربی است، اما راهکاری عملی برای حمایت از تأمل، قضاوت کالیبره‌شده و پاسخگویی بدون جایگزینی تفکر دانشجویان ارائه می‌دهد.

Purpose: Learning through games in education allows students to learn in an interactive environment while having fun, making logical inferences, and solving problems. The games are created by arranging numbers in 3x3 squares using consecutive terms of a fixed, increasing number pattern so that the sums of the numbers horizontally, vertically, and diagonally are equal. While playing the games, skills such as establishing relationships between numbers, performing operations, reasoning, and recognizing patterns are used. This study aims to reveal the knowledge, skills, and thoughts acquired by students regarding intelligence and reasoning games obtained from consecutive terms of number patterns with constant differences, by consulting their opinions. Method: The research was conducted using case study design, a qualitative research method. Four participants were selected from different schools at each grade level, from 5th to 8th grade. A semi-structured interview form developed by the researcher was applied in the study. The data obtained were analyzed using content analysis, which is more commonly preferred in qualitative research and provides detailed information. Findings: It was observed that students initially struggled to decipher the strategy of the games, but as the games progressed, they arrived at the solution by discovering the correct strategy. Some students developed similar games using close or distant consecutive terms of new number patterns. Conclusion: As a result, interviews with students who played the game revealed that they acquired skills such as problem-solving, establishing relationships between numbers, discovering number patterns, making logical inferences, reasoning, and performing calculations.

هدف: یادگیری از طریق بازی‌ها در آموزش به دانش‌آموزان این امکان را می‌دهد که در محیطی تعاملی ضمن لذت بردن، استنتاج منطقی انجام دهند و مسائل را حل کنند. این بازی‌ها با چیدمان اعداد در مربع‌های ۳×۳ با استفاده از جملات متوالی یک الگوی عددی ثابت و افزایشی به گونه‌ای ساخته می‌شوند که مجموع اعداد در سطرها، ستون‌ها و قطرها برابر باشد. در حین انجام بازی‌ها، مهارت‌هایی مانند برقراری ارتباط بین اعداد، انجام عملیات، استدلال و شناسایی الگوها به کار گرفته می‌شود. این پژوهش با هدف آشکار ساختن دانش، مهارت‌ها و افکاری که دانش‌آموزان در خصوص بازی‌های هوش و استدلال مبتنی بر جملات متوالی الگوهای عددی با اختلاف ثابت کسب کرده‌اند، از طریق اخذ نظرات آنان انجام شده است. روش: این پژوهش با استفاده از طرح مطالعه موردی، که روشی کیفی است، انجام شد. چهار شرکت‌کننده از مدارس مختلف در هر پایه تحصیلی از پایه پنجم تا هشتم انتخاب شدند. در این مطالعه از فرم مصاحبه نیمه‌ساختاریافته که توسط پژوهشگر تدوین شده بود، استفاده شد. داده‌های به‌دست‌آمده با استفاده از تحلیل محتوا که در پژوهش‌های کیفی رایج‌تر است و اطلاعات دقیقی ارائه می‌دهد، تحلیل شدند. یافته‌ها: مشاهده شد که دانش‌آموزان در ابتدا برای کشف راهبرد بازی‌ها با دشواری مواجه بودند، اما با پیشرفت بازی‌ها، با کشف راهبرد صحیح به راه‌حل دست یافتند. برخی دانش‌آموزان بازی‌های مشابهی با استفاده از جملات متوالی نزدیک یا دور الگوهای عددی جدید طراحی کردند. نتیجه‌گیری: در نهایت، مصاحبه با دانش‌آموزانی که بازی را انجام دادند نشان داد که آن‌ها مهارت‌هایی مانند حل مسئله، برقراری ارتباط بین اعداد، کشف الگوهای عددی، انجام استنتاج منطقی، استدلال و انجام محاسبات را کسب کرده‌اند.

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

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

While Artificial Intelligence (AI) has become undeniably important in modern sales management, scholarly focus has remained disproportionately fixed on productivity and efficiency outcomes rather than mental health and wellness. This paper addresses that imbalance by examining the impact of AI-coaching on salesperson well-being. After exploring the limited scholarship available, we incorporate the theory of tools to scrutinize when AI is ready-to-hand (where the tool is transparently integrated), unready-to-hand (where the tool fails), and present-at-hand (where the user analytically observes the tool’s properties). The primary contribution of this work is a comprehensive future research agenda that moves beyond performance metrics to investigate the lived experience of salespeople and possible well-being outcomes, both positive and negative. The agenda identifies four critical dimensions—the user, the tool, the delivery, and the context—as potential moderators in the framework. This manuscript is a call to action for researchers to investigate how AI-coaching can be implemented as a catalyst for employee empowerment rather than a source of technostress and burnout for salespeople and sales managers.

در حالی که هوش مصنوعی (AI) به طور غیرقابل انکاری در مدیریت فروش مدرن اهمیت یافته است، تمرکز پژوهشی به طور نامتناسبی بر پیامدهای بهره‌وری و کارایی باقی مانده و به سلامت روان و بهزیستی توجه کمتری شده است. این مقاله به منظور رفع این عدم توازن، به بررسی تأثیر مربیگری مبتنی بر هوش مصنوعی بر بهزیستی فروشندگان می‌پردازد. پس از مرور پژوهش‌های محدود موجود، نظریه ابزارها را به کار می‌گیریم تا بررسی کنیم که چه زمانی هوش مصنوعی «آماده به کار» است (ابزاری که به طور شفاف یکپارچه شده است)، «آماده به کار نیست» (ابزاری که دچار نقص می‌شود)، و «حاضر در دست» (زمانی که کاربر به طور تحلیلی ویژگی‌های ابزار را مشاهده می‌کند). مهم‌ترین دستاورد این پژوهش، ارائه یک دستور کار جامع برای تحقیقات آینده است که فراتر از سنجه‌های عملکردی، به تجربه زیسته فروشندگان و پیامدهای بهزیستی، اعم از مثبت و منفی، می‌پردازد. این دستور کار چهار بُعد کلیدی—کاربر، ابزار، شیوه ارائه و زمینه—را به عنوان تعدیل‌گرهای احتمالی در این چارچوب شناسایی می‌کند. این مقاله فراخوانی است برای پژوهشگران تا بررسی کنند که چگونه مربیگری مبتنی بر هوش مصنوعی می‌تواند به عنوان محرکی برای توانمندسازی کارکنان اجرا شود و نه منبعی برای تکنواسترس و فرسودگی شغلی در میان فروشندگان و مدیران فروش.

This study aims to test and analyze the effectiveness of the Problem-Based Learning (PBL) Model in improving argumentation writing skills in elementary school students, and to determine any significant differences between the group taught using PBL and the group taught using the conventional model. The background of this study is the low ability of sixth-grade students to construct logical, evidence-supported arguments, which is suspected to be due to a lack of critical thinking stimulation in the conventional learning process. This study uses a quantitative approach with a quasi-experimental design (Quasi-Experimental Design) model of Non Equivalent Control Group Design. The subjects of the study were sixth grade students of SDN 12 Bilah Barat, Labuhanbatu Regency, Academic Year 2025-2026, which were divided into two groups, namely the Experimental Group (taught with PBL, N = 25) and the Control Group (taught with conventional models, N = 25). The instrument used was a test of argumentative text writing skills in the form of a pretest and posttest. Data were analyzed using the t-Independent Sample T-Test. The results of the prerequisite test showed that the data were normally distributed and had homogeneous variance. The results of the hypothesis test showed that the t-count of the posttest score (2.850) was greater than the t-table (2.011) with a significance value of P of 0.007 (less than 0.05). In addition, there was an increase in the average (Gain Score) in the experimental group of 1.60, much greater than the control group of 0.32. These results confirm a significant difference in argumentative writing skills between the two groups. The problem-based learning (PBL) model encourages students to identify problems, conduct investigations, and develop arguments based on evidence, which directly supports their argumentative writing skills. It is recommended that teachers implement PBL as an alternative learning model capable of stimulating students'

هدف این پژوهش، آزمون و تحلیل اثربخشی مدل یادگیری مبتنی بر مسئله (Problem-Based Learning یا PBL) در بهبود مهارت‌های نگارش استدلالی در دانش‌آموزان دبستان و تعیین تفاوت معنادار بین گروه آموزش‌دیده با PBL و گروه آموزش‌دیده با مدل متداول است. زمینه این پژوهش، پایین بودن توانایی دانش‌آموزان پایه ششم در ساخت استدلال‌های منطقی و مبتنی بر شواهد است که علت آن کمبود تحریک تفکر انتقادی در فرایند یادگیری متداول فرض می‌شود. این پژوهش با رویکرد کمی و با طرح شبه‌آزمایشی (Quasi-Experimental Design) از نوع Non Equivalent Control Group Design انجام شده است. جامعه پژوهش شامل دانش‌آموزان پایه ششم دبستان SDN 12 Bilah Barat، شهرستان Labuhanbatu، سال تحصیلی 2025-2026 بود که به دو گروه تقسیم شدند: گروه آزمایش (آموزش با PBL، N = 25) و گروه کنترل (آموزش با مدل متداول، N = 25). ابزار مورد استفاده، آزمون مهارت نگارش متن استدلالی به صورت پیش‌آزمون و پس‌آزمون بود. داده‌ها با استفاده از آزمون t مستقل (Independent Sample T-Test) تحلیل شدند. نتایج آزمون پیش‌نیازها نشان داد داده‌ها دارای توزیع نرمال و واریانس همگن هستند. نتایج آزمون فرضیه نشان داد که مقدار t محاسبه‌شده برای نمره پس‌آزمون (2.850) بزرگ‌تر از مقدار t جدول (2.011) با مقدار معناداری P برابر با 0.007 (کمتر از 0.05) است. همچنین، افزایش میانگین (Gain Score) در گروه آزمایش برابر با 1.60 بود که به‌مراتب بیشتر از گروه کنترل با مقدار 0.32 است. این نتایج تفاوت معنادار در مهارت نگارش استدلالی بین دو گروه را تأیید می‌کند. مدل یادگیری مبتنی بر مسئله (PBL) دانش‌آموزان را به شناسایی مسئله، انجام تحقیق و توسعه استدلال مبتنی بر شواهد ترغیب می‌کند که مستقیماً از مهارت‌های نگارش استدلالی آن‌ها حمایت می‌کند. توصیه می‌شود معلمان از PBL به عنوان یک مدل یادگیری جایگزین که قادر به تحریک تفکر انتقادی دانش‌آموزان است، استفاده کنند.

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.

In the digital era, prospective Islamic Religious Education (PAI) teachers are expected to integrate religious knowledge with the ability to design appropriate technology-supported instruction. Preliminary observations at Universitas Singaperbangsa Karawang indicated a gap between students’ coursework experiences and their perceived readiness to develop interactive instructional media. This study examined the structural relationships among Learning Media Course Effectiveness, Emotional Intelligence, Media Design Competence, and Teaching Readiness, positioning Media Design Competence as a proposed mediating variable. A quantitative, cross-sectional design was employed, with structured questionnaire data collected from 58 third-semester PAI students and analyzed using Partial Least Squares Structural Equation Modeling (PLS-SEM). Course Effectiveness (β = 0.295) and Emotional Intelligence (β = 0.411) were positively and significantly associated with Media Design Competence, jointly explaining 35.0% of its variance. Emotional Intelligence exhibited a numerically larger path coefficient, although the statistical significance of the difference between the coefficients was not established. Media Design Competence was strongly associated with Teaching Readiness (β = 0.728; f² = 1.126), with the model explaining 53.0% of the variance in readiness. These findings highlight the relevance of academic experiences and emotional abilities to media design competence and its association with teaching readiness. However, these findings do not establish full mediation because the corresponding direct paths are not reported, and the cross-sectional design precludes definitive causal conclusions.The study suggests integrating practical media design activities with support for managing learning challenges in PAI teacher education, while further research should test the proposed indirect effects and evaluate the effectiveness of such instructional approaches.

در عصر دیجیتال، انتظار می‌رود معلمان آینده آموزش دینی اسلامی (PAI) دانش دینی را با توانایی طراحی آموزش مناسب مبتنی بر فناوری تلفیق کنند. مشاهدات اولیه در دانشگاه Singaperbangsa Karawang نشان داد که بین تجربیات درسی دانشجویان و ادراک آن‌ها از آمادگی برای توسعه رسانه‌های آموزشی تعاملی، شکاف وجود دارد. این پژوهش به بررسی روابط ساختاری میان اثربخشی درس رسانه‌های آموزشی، هوش هیجانی، شایستگی طراحی رسانه و آمادگی تدریس پرداخت و شایستگی طراحی رسانه را به عنوان متغیر میانجی پیشنهادی در نظر گرفت. این مطالعه با رویکرد کمی و طرح مقطعی انجام شد و داده‌های پرسشنامه ساختاریافته از ۵۸ دانشجوی ترم سوم PAI جمع‌آوری و با استفاده از مدل‌یابی معادلات ساختاری حداقل مربعات جزئی (PLS-SEM) تحلیل گردید. اثربخشی درس (β = ۰.۲۹۵) و هوش هیجانی (β = ۰.۴۱۱) با شایستگی طراحی رسانه رابطه مثبت و معناداری داشتند و به طور مشترک ۳۵.۰٪ از واریانس آن را تبیین کردند. ضریب مسیر هوش هیجانی از نظر عددی بزرگ‌تر بود، اگرچه معناداری آماری تفاوت بین ضرایب تأیید نشد. شایستگی طراحی رسانه با آمادگی تدریس ارتباط قوی داشت (β = ۰.۷۲۸؛ f² = ۱.۱۲۶) و مدل ۵۳.۰٪ از واریانس آمادگی را تبیین نمود. این یافته‌ها اهمیت تجربیات دانشگاهی و توانایی‌های هیجانی را در شایستگی طراحی رسانه و ارتباط آن با آمادگی تدریس نشان می‌دهد. با این حال، این یافته‌ها میانجی‌گری کامل را اثبات نمی‌کنند، زیرا مسیرهای مستقیم مربوطه گزارش نشده‌اند و طرح مقطعی امکان نتیجه‌گیری قطعی علی را فراهم نمی‌کند. مطالعه حاضر پیشنهاد می‌کند که فعالیت‌های عملی طراحی رسانه با حمایت برای مدیریت چالش‌های یادگیری در آموزش معلمان PAI تلفیق شود و پژوهش‌های آتی باید اثرات غیرمستقیم پیشنهادی را آزمون و اثربخشی چنین رویکردهای آموزشی را ارزیابی کنند.

Introduction The rapid integration of artificial intelligence (AI) into education requires teachers to develop new competencies and manage their own learning. While research has examined teachers’ AI attitudes, acceptance, and literacy, less is known about how they regulate their learning in AI contexts. This study examined teachers’ self-regulated learning (SRL) profiles and their associations with demographic characteristics and AI-related experience. Methods In a descriptive survey, 213 in-service teachers completed the Artificial Intelligence Self-Regulated Learning Scale for Teachers (AI-SRLS). Two-Step Cluster Analysis was conducted using five dimensions: task planning, self-monitoring, help seeking, institutional support, and self-evaluation. Results Two profiles emerged: High Strategic Learners, who scored consistently higher across all five dimensions, and Limited Strategy Users, who reported comparatively lower strategy use. Profile membership was significantly associated with prior AI experience and AI-related training. Gender, age, and professional experience did not significantly differentiate the profiles. Discussion Teachers’ AI-related SRL strategies co-occur in distinct profiles, supporting a differentiated approach to professional development. Teachers with limited strategy use may benefit from structured guidance, scaffolded AI learning opportunities, and stronger institutional support, while highly strategic learners may benefit from more autonomous and advanced learning opportunities.

مقدمه: ادغام سریع هوش مصنوعی (AI) در آموزش و پرورش، معلمان را ملزم می‌کند تا شایستگی‌های جدیدی را توسعه دهند و یادگیری خود را مدیریت کنند. در حالی که پژوهش‌ها نگرش‌ها، پذیرش و سواد هوش مصنوعی معلمان را بررسی کرده‌اند، اطلاعات کمتری درباره نحوه تنظیم یادگیری آن‌ها در زمینه‌های هوش مصنوعی وجود دارد. این مطالعه به بررسی نمایه‌های یادگیری خودتنظیمی (SRL) معلمان و ارتباط آن‌ها با ویژگی‌های جمعیت‌شناختی و تجربه مرتبط با هوش مصنوعی پرداخت. روش‌ها: در یک پژوهش توصیفی-پیمایشی، 213 معلم شاغل مقیاس یادگیری خودتنظیمی هوش مصنوعی برای معلمان (AI-SRLS) را تکمیل کردند. تحلیل خوشه‌ای دو مرحله‌ای با استفاده از پنج بُعد شامل برنامه‌ریزی وظیفه، خودنظارتی، کمک‌خواهی، حمایت نهادی و خودارزیابی انجام شد. یافته‌ها: دو نمایه شناسایی شد: یادگیرندگان راهبردی بالا که در تمامی ابعاد پنج‌گانه به طور مداوم امتیاز بالاتری کسب کردند و کاربران راهبرد محدود که استفاده نسبتاً کمتری از راهبردها را گزارش دادند. عضویت در نمایه به طور معناداری با تجربه قبلی هوش مصنوعی و آموزش مرتبط با هوش مصنوعی ارتباط داشت. جنسیت، سن و سابقه حرفه‌ای تفاوت معناداری میان نمایه‌ها ایجاد نکرد. بحث: راهبردهای یادگیری خودتنظیمی معلمان مرتبط با هوش مصنوعی در نمایه‌های متمایز همزمان رخ می‌دهد و از رویکرد تفکیک‌شده در توسعه حرفه‌ای حمایت می‌کند. معلمانی که استفاده محدودی از راهبردها دارند، ممکن است از راهنمایی ساختاریافته، فرصت‌های یادگیری هوش مصنوعی با پشتیبانی و حمایت نهادی قوی‌تر بهره‌مند شوند، در حالی که یادگیرندگان بسیار راهبردی می‌توانند از فرصت‌های یادگیری خودگردان و پیشرفته‌تر سود ببرند.

Digital platforms have become a primary route through which Indonesian students encounter religious knowledge, and teachers of Islamic education increasingly meet classroom questions whose answers students have already obtained from sources carrying no chain of transmission. This study examines how the digital transformation of Islamic education reconfigures the relationship between teacher, text, and learner, and asks what verification practice becomes possible when the volume of accessible religious content exceeds any teacher’s capacity to authenticate it. The study is a conceptual synthesis of peer-reviewed literature, policy documents, and institutional reports, selected purposively and analysed thematically across accessibility, content authenticity, pedagogical innovation, teacher role, ethics, and institutional readiness. The analysis finds that digitalisation expands access decisively but redistributes interpretive authority in ways existing teacher preparation does not address; that content generated by artificial intelligence intensifies rather than creates this problem, since fluency without sanad is already characteristic of much online religious material; and that blended learning models developed for school-age learners transfer poorly to the adult and para-professional audiences that dominate Islamic non-formal education without andragogical adjustment. The study argues that the practical task facing institutions is not the adoption of technology but the design of verification competence, and proposes three design principles: teaching provenance rather than conclusions, making the limits of teacher authority explicit, and building institutional review of digital content into curriculum governance rather than leaving it to individual discretion.

سکوهای دیجیتال به مسیر اصلی دسترسی دانش‌آموزان اندونزیایی به دانش دینی بدل شده‌اند و معلمان آموزش اسلامی با پرسش‌هایی در کلاس مواجه می‌شوند که پاسخ آن‌ها را دانش‌آموزان پیش‌تر از منابعی بدون زنجیره نقل دریافت کرده‌اند. این مطالعه بررسی می‌کند که چگونه تحول دیجیتال در آموزش اسلامی رابطه میان معلم، متن و یادگیرنده را بازپیکربندی می‌کند و می‌پرسد که در شرایطی که حجم محتوای دینی قابل دسترس از ظرفیت هر معلم برای اعتبارسنجی فراتر می‌رود، چه شیوه‌ای از راستی‌آزمایی ممکن می‌شود. این پژوهش، سنتز مفهومی از ادبیات داوری‌شده، اسناد سیاستی و گزارش‌های نهادی است که به‌صورت هدفمند انتخاب و بر اساس دسترسی‌پذیری، اصالت محتوا، نوآوری آموزشی، نقش معلم، اخلاق و آمادگی نهادی به‌صورت موضوعی تحلیل شده‌اند. تحلیل نشان می‌دهد که دیجیتالی‌شدن به‌طور قاطع دسترسی را گسترش می‌دهد اما اقتدار تفسیری را به شیوه‌هایی بازتوزیع می‌کند که در آموزش معلمان فعلی مورد توجه قرار نگرفته است؛ همچنین محتوای تولیدشده توسط هوش مصنوعی این مسئله را تشدید می‌کند نه ایجاد، چرا که روانی بدون سند پیش‌تر نیز ویژگی غالب بسیاری از مواد دینی آنلاین بوده است؛ و مدل‌های یادگیری ترکیبی که برای یادگیرندگان سن مدرسه توسعه یافته‌اند، بدون تعدیل اندراگوژیک به‌خوبی به مخاطبان بزرگسال و شبه‌حرفه‌ای که در آموزش غیررسمی اسلامی غالب‌اند، منتقل نمی‌شوند. این مطالعه استدلال می‌کند که وظیفه عملی پیش‌روی نهادها نه پذیرش فناوری بلکه طراحی شایستگی راستی‌آزمایی است و سه اصل طراحی را پیشنهاد می‌دهد: آموزش منشأ به‌جای نتیجه‌گیری، صراحت‌بخشی به حدود اقتدار معلم، و ادغام بازبینی نهادی محتوای دیجیتال در حکمرانی برنامه درسی به‌جای واگذاری آن به صلاحدید فردی.

Generative artificial intelligence (GenAI) creates a distinctive problem for outdoor geoscience learning: it can broaden questioning and explanation, yet it can also pre-structure what learners notice and displace their interpretation of field evidence. Existing field-learning frameworks explain how conceptual, geographical, psychological, technical, and social novelty shape participation, but they do not fully explain this redistribution of epistemic work and authority. Extending established accounts of technological mediation to field settings, this Hypothesis and Theory article interprets GenAI as an epistemic reorganization of field inquiry rather than as technical novelty alone. It advances the central hypothesis that GenAI is more likely to augment, rather than displace, learners’ epistemic agency when it is introduced after direct observation and an initial learner interpretation, restricted to generating questions and candidate explanations, and subjected to human adjudication against field evidence. On this basis, the article proposes a six-stage human-centered model: preparing for field and GenAI use; attending to and recording field evidence; constructing an initial learner interpretation; engaging GenAI as a dialogic challenger; conducting human evidence-based adjudication; and completing reflective synthesis and epistemic accounting. Field evidence functions as an epistemic constraint, GenAI outputs remain provisional objects of scrutiny, and learners and teachers retain interpretive authority and responsibility. Six testable propositions specify expected effects of sequencing, initial interpretation, challenger-oriented prompting, explicit adjudication, substitution, and teacher orchestration. Operational criteria for distinguishing support, mediation, and substitution, and a thought experiment at a basalt outcrop, show how the model can be applied and tested. The model offers a falsifiable agenda for research in physical, hybrid, and virtual geoscience field learning while defining conditions under which GenAI use should be limited or withheld.

هوش مصنوعی مولد (GenAI) مسئله‌ای متمایز برای یادگیری علوم زمین در فضای باز ایجاد می‌کند: این فناوری می‌تواند دامنه پرسشگری و تبیین را گسترش دهد، اما همچنین ممکن است آنچه را که یادگیرندگان مشاهده می‌کنند پیش‌ساختاردهی کند و تفسیر آنان از شواهد میدانی را جابه‌جا نماید. چارچوب‌های موجود یادگیری میدانی توضیح می‌دهند که چگونه نوآوری مفهومی، جغرافیایی، روان‌شناختی، فنی و اجتماعی مشارکت را شکل می‌دهد، اما به طور کامل این بازتوزیع کار و اقتدار معرفتی را تبیین نمی‌کنند. با گسترش رویکردهای تثبیت‌شده میانجی‌گری فناورانه به محیط‌های میدانی، این مقاله فرضیه و نظریه، GenAI را به عنوان سازماندهی مجدد معرفتی پژوهش میدانی تفسیر می‌کند، نه صرفاً به عنوان یک نوآوری فنی. این مقاله فرضیه مرکزی را مطرح می‌کند که GenAI زمانی که پس از مشاهده مستقیم و تفسیر اولیه یادگیرنده معرفی شود، به تولید پرسش‌ها و تبیین‌های پیشنهادی محدود گردد و در معرض داوری انسانی مبتنی بر شواهد میدانی قرار گیرد، احتمالاً عاملیت معرفتی یادگیرندگان را تقویت می‌کند تا آن را جایگزین نماید. بر این اساس، مقاله یک مدل انسان‌محور شش‌مرحله‌ای پیشنهاد می‌کند: آمادگی برای کار میدانی و استفاده از GenAI؛ توجه و ثبت شواهد میدانی؛ ساخت تفسیر اولیه توسط یادگیرنده؛ به‌کارگیری GenAI به عنوان چالشگر دیالوژیک؛ انجام داوری انسانی مبتنی بر شواهد؛ و تکمیل ترکیب بازتابی و حسابرسی معرفتی. شواهد میدانی به عنوان یک محدودیت معرفتی عمل می‌کند، خروجی‌های GenAI همچنان به عنوان موضوعات موقتی بررسی باقی می‌مانند و یادگیرندگان و معلمان اقتدار و مسئولیت تفسیر را حفظ می‌کنند. شش گزاره قابل آزمون، آثار مورد انتظار توالی، تفسیر اولیه، تحریک چالشگرمحور، داوری صریح، جایگزینی و سازماندهی معلم را مشخص می‌کند. معیارهای عملیاتی برای تمایز حمایت، میانجی‌گری و جایگزینی و یک آزمایش ذهنی در یک برون‌زد بازالتی نشان می‌دهد که چگونه می‌توان مدل را به کار برد و آزمود. این مدل دستورکاری ابطال‌پذیر برای پژوهش در یادگیری میدانی علوم زمین فیزیکی، ترکیبی و مجازی ارائه می‌دهد و شرایطی را تعریف می‌کند که در آن استفاده از GenAI باید محدود یا متوقف شود.

Artificial intelligence (AI) is increasingly embedded in second language (L2) learning, yet the cognitive demands of AI-mediated environments, particularly for logographic languages such as Chinese, remain underexplored. This study investigated the interrelationships among executive function (EF), reading-related linguistic skills, AI literacy, and Chinese L2 reading comprehension in 155 Form 4 Southeast Asian ethnic minority students in Hong Kong. Using a quantitative design, we validated a three-factor EF model (working memory, cognitive flexibility, inhibitory control) and examined how these components, together with orthographic and morphological skills, relate to L2 reading outcomes. Structural equation modeling showed that all three EF components significantly predicted reading comprehension, underscoring the importance of executive control for processing a complex logographic script. AI literacy significantly supported both foundational reading skills and overall reading comprehension. A key finding of the integrated model is that cognitive flexibility significantly predicted AI literacy, which in turn significantly predicted reading comprehension, indicating an indirect pathway from EF to reading via AI literacy. This pattern highlights the cognitive underpinnings of digital engagement in L2 learning. The study extends the Reading Systems Framework by positioning AI literacy as an external scaffold that interacts with learners’ cognitive resources, and offers practical implications for designing cognitively supportive, AI-enhanced Chinese L2 instruction for ethnic minority learners.

هوش مصنوعی (AI) به طور فزاینده‌ای در یادگیری زبان دوم (L2) ادغام می‌شود، اما الزامات شناختی محیط‌های مبتنی بر هوش مصنوعی، به ویژه برای زبان‌های لوگوگرافی مانند چینی، همچنان کمتر مورد بررسی قرار گرفته‌اند. این پژوهش به بررسی روابط متقابل میان کارکرد اجرایی (EF)، مهارت‌های زبانی مرتبط با خواندن، سواد هوش مصنوعی و درک مطلب خواندن زبان چینی به عنوان زبان دوم در ۱۵۵ دانش‌آموز اقلیت قومی جنوب شرق آسیا در پایه چهارم متوسطه در هنگ‌کنگ پرداخت. با استفاده از طرح کمی، یک مدل سه‌عاملی کارکرد اجرایی (حافظه کاری، انعطاف‌پذیری شناختی، کنترل بازداری) اعتبارسنجی شد و بررسی گردید که این مؤلفه‌ها، همراه با مهارت‌های املایی و واژگانی، چگونه با پیامدهای خواندن زبان دوم مرتبط هستند. مدل‌یابی معادلات ساختاری نشان داد که هر سه مؤلفه کارکرد اجرایی به طور معناداری درک مطلب خواندن را پیش‌بینی می‌کنند و اهمیت کنترل اجرایی برای پردازش خط لوگوگرافی پیچیده را برجسته می‌سازند. سواد هوش مصنوعی به طور معناداری از هر دو مهارت پایه‌ای خواندن و درک مطلب کلی حمایت کرد. یافته کلیدی مدل یکپارچه این است که انعطاف‌پذیری شناختی به طور معناداری سواد هوش مصنوعی را پیش‌بینی می‌کند و سواد هوش مصنوعی نیز به طور معناداری درک مطلب خواندن را پیش‌بینی می‌کند، که به یک مسیر غیرمستقیم از کارکرد اجرایی به خواندن از طریق سواد هوش مصنوعی اشاره دارد. این الگو بر بنیان‌های شناختی مشارکت دیجیتال در یادگیری زبان دوم تأکید می‌کند. این پژوهش چارچوب سیستم‌های خواندن را با قرار دادن سواد هوش مصنوعی به عنوان یک تکیه‌گاه بیرونی که با منابع شناختی یادگیرندگان تعامل دارد، گسترش می‌دهد و پیامدهای عملی برای طراحی آموزش زبان چینی به عنوان زبان دوم مبتنی بر هوش مصنوعی و حمایت‌کننده شناختی برای یادگیرندگان اقلیت قومی ارائه می‌دهد.