decision support

Final-year engineering students frequently face severe psychological stress driven by demanding capstone projects and rigorous accreditation standards. This research proposes a novel decision-support framework to objectively evaluate, categorize, and systematically manage academic stress among engineering undergraduates. By integrating automated non-parametric machine learning with a multi-criteria network decision model, the research bridges diagnostic psychological profiling and strategic institutional intervention. Data were gathered from six hundred eleven final-year students across four engineering departments using a validated psychometric questionnaire. The automated classification engine utilizes a nearest-neighbor algorithm based on spatial Euclidean proximity to categorize individual distress severity into depression, anxiety, and stress levels without relying on rigid parametric assumptions. Subsequently, a strategic situational assessment and a multi-perspective personal performance framework were established to translate abstract psychological findings into measurable indicators. Clinical experts and academic domain specialists evaluated these indicators using an analytical network process, incorporating complex interdependencies and feedback loops to compute steady-state priority weights. Empirical results revealed that over ninety percent of respondents experienced at least moderate psychological distress. Crucially, the mathematical prioritization demonstrated that the financial perspective holds the paramount priority weight, followed by internal cognitive resilience, continuous knowledge acquisition, and external social relationships. This proves that financial stability serves as a foundational prerequisite for academic recovery and intellectual execution. The primary contribution of this research lies in converting static psychometric evaluations into a dynamic, clinically validated decision-support tool. Higher education institutions and academic counselors can implement this prioritized framework to allocate institutional resources effectively, design targeted financial relief initiatives, and optimize student well-being alongside academic excellence.

As human–AI cooperation becomes increasingly prevalent, reliable instruments for assessing the subjective quality of cooperative human–AI interaction are needed. We introduce two theoretically grounded scales: the Perceived Cooperativity Scale (PCS), grounded in joint activity theory, and the Teaming Perception Scale (TPS), grounded in evolutionary cooperation theory. The PCS captures an agent’s perceived cooperative capability and practice within a single interaction sequence; the TPS captures the emergent sense of teaming arising from mutual contribution and support. Both scales were adapted for human–human cooperation to enable cross-agent comparisons. Across three studies (complete N=409) encompassing a cooperative card game (N1=94), LLM interaction (N2=182), and a decision-support system (N3=133), analyses of dimensionality, reliability, and validity indicated that both scales successfully differentiated between cooperation partners of varying cooperative quality and showed construct validity in line with expectations. The scales provide a basis for empirical investigation and system evaluation across a wide range of human–AI cooperation contexts.

با گسترش روزافزون همکاری انسان‌-هوش مصنوعی، ابزارهای قابل اعتماد برای سنجش کیفیت ذهنی تعاملات تعاونی انسان‌-هوش مصنوعی مورد نیاز است. ما دو مقیاس نظریه‌محور معرفی می‌کنیم: مقیاس ادراک همکاری (PCS) مبتنی بر نظریه فعالیت مشترک و مقیاس ادراک تیمی (TPS) مبتنی بر نظریه تکاملی همکاری. PCS توانمندی و عملکرد تعاونی ادراک‌شده یک عامل را در یک توالی تعامل منفرد اندازه‌گیری می‌کند؛ TPS حس پدیداری تیمی ناشی از مشارکت و حمایت متقابل را می‌سنجد. هر دو مقیاس برای همکاری انسان‌-انسان نیز تطبیق داده شده‌اند تا امکان مقایسه بین عامل‌ها فراهم شود. در سه مطالعه (کل N=409) شامل یک بازی کارتی تعاونی (N1=94)، تعامل با LLM (N2=182) و یک سامانه پشتیبان تصمیم‌گیری (N3=133)، تحلیل‌های ابعادی، پایایی و روایی نشان داد که هر دو مقیاس به طور موفقیت‌آمیزی میان شرکای همکاری با کیفیت تعاونی متفاوت تمایز قائل می‌شوند و روایی سازه‌ای مطابق با انتظارات را نشان می‌دهند. این مقیاس‌ها مبنایی برای پژوهش‌های تجربی و ارزیابی سامانه‌ها در طیف وسیعی از زمینه‌های همکاری انسان‌-هوش مصنوعی فراهم می‌کنند.

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.

Background Optimizing self-care decision-making is important for healthy aging, chronic disease management, and health promotion in rapidly aging populations. However, the absence of culturally validated instruments limits the systematic assessment of decision-making styles and the development of person-centered health management strategies for older adults in China. This study aimed to translate and culturally adapt the Inventory of Self-Care Decision-Making Styles of Older Adults (DECIDE) and evaluate its psychometric properties among Chinese older adults. Methods This study was conducted in two phases. In phase 1, the DECIDE was translated and cross-culturally adapted into Chinese using Brislin’s forward-backward translation procedure. Expert review and pilot testing were conducted to refine linguistic clarity and cultural relevance. In phase 2, a multicenter cross-sectional validation study was conducted from November 2025 to January 2026. A total of 3,470 older adults were recruited through multicenter convenience sampling from 15 cities in Sichuan, Liaoning, Zhejiang, and Hunan provinces, China. Psychometric evaluation included item analysis, validity assessment, and reliability testing. Results All 20 items met the prespecified retention criteria, and the Chinese version retained the four-dimensional structure of the original DECIDE. Content validity was satisfactory, with I-CVI values ranging from 0.800 to 1.000 and an S-CVI of 0.950. Exploratory factor analysis yielded four factors explaining 65.73% of the common variance, and confirmatory factor analysis supported the resulting model (CMIN/DF = 2.513, RMSEA = 0.028). The AVE and CR values ranged from 0.502 to 0.588 and from 0.834 to 0.877, respectively, and the findings supported both convergent and discriminant validity. Cronbach’s α, split-half reliability, and 2-week retest reliability for the total inventory were 0.896, 0.790, and 0.861, respectively. Conclusion The C-DECIDE demonstrated satisfactory psychometric properties in this multicenter convenience sample of older adults from four Chinese provinces. It may support the assessment of self-care decision-making styles and inform individualized health education, decision-support strategies, and public health-oriented chronic disease management for older adults.

زمینه و هدف: بهینه‌سازی تصمیم‌گیری خودمراقبتی برای سالمندی سالم، مدیریت بیماری‌های مزمن و ارتقای سلامت در جمعیت‌های در حال سالمند شدن سریع اهمیت دارد. با این حال، فقدان ابزارهای اعتبارسنجی‌شده فرهنگی، ارزیابی نظام‌مند سبک‌های تصمیم‌گیری و توسعه راهبردهای مدیریت سلامت فردمحور برای سالمندان در چین را محدود می‌کند. هدف این مطالعه ترجمه و انطباق فرهنگی پرسشنامه سبک‌های تصمیم‌گیری خودمراقبتی سالمندان (DECIDE) و ارزیابی ویژگی‌های روان‌سنجی آن در میان سالمندان چینی بود. روش‌ها: این مطالعه در دو مرحله انجام شد. در مرحله اول، پرسشنامه DECIDE با استفاده از روش ترجمه پیشرو-پسرو Brislin به زبان چینی ترجمه و به صورت بین‌فرهنگی انطباق داده شد. بازبینی توسط خبرگان و آزمون مقدماتی جهت بهبود وضوح زبانی و تناسب فرهنگی انجام شد. در مرحله دوم، یک مطالعه اعتبارسنجی مقطعی چندمرکزی از نوامبر 2025 تا ژانویه 2026 انجام شد. در مجموع ۳۴۷۰ سالمند از طریق نمونه‌گیری در دسترس چندمرکزی از ۱۵ شهر در استان‌های سیچوان، لیائونینگ، ژجیانگ و هونان چین جذب شدند. ارزیابی روان‌سنجی شامل تحلیل ماده، ارزیابی روایی و آزمون پایایی بود. یافته‌ها: هر ۲۰ ماده معیارهای نگهداری از پیش تعیین‌شده را برآورده کردند و نسخه چینی ساختار چهاربعدی نسخه اصلی DECIDE را حفظ کرد. روایی محتوا رضایت‌بخش بود، به طوری که مقادیر I-CVI بین ۰٫۸۰۰ تا ۱٫۰۰۰ و S-CVI برابر با ۰٫۹۵۰ بود. تحلیل عاملی اکتشافی چهار عامل استخراج کرد که ۶۵٫۷۳٪ از واریانس مشترک را تبیین کردند و تحلیل عاملی تأییدی مدل حاصل را تأیید کرد (CMIN/DF = 2.513، RMSEA = 0.028). مقادیر AVE و CR به ترتیب بین ۰٫۵۰۲ تا ۰٫۵۸۸ و ۰٫۸۳۴ تا ۰٫۸۷۷ بود و یافته‌ها از روایی همگرا و متمایز حمایت کردند. آلفای کرونباخ، پایایی دو نیمه و پایایی بازآزمایی دو هفته‌ای برای کل پرسشنامه به ترتیب ۰٫۸۹۶، ۰٫۷۹۰ و ۰٫۸۶۱ بود. نتیجه‌گیری: نسخه چینی DECIDE ویژگی‌های روان‌سنجی رضایت‌بخشی را در این نمونه در دسترس چندمرکزی از سالمندان چهار استان چین نشان داد. این ابزار می‌تواند از ارزیابی سبک‌های تصمیم‌گیری خودمراقبتی و اطلاع‌رسانی به آموزش سلامت فردی، راهبردهای حمایت از تصمیم‌گیری و مدیریت بیماری‌های مزمن مبتنی بر سلامت عمومی برای سالمندان حمایت کند.

Large-group lectures (150 students and upwards) remain a central component of healthcare professions education despite longstanding concerns about passivity, limited interaction, and difficulties in providing formative feedback at scale. These concerns have acquired renewed relevance as educators face digitally connected student cohorts, ubiquitous smartphones, and growing concerns about digital distraction. Student response systems (SRS), initially introduced through dedicated “clickers” and now commonly accessed through students’ own digital devices, offer one approach to transforming the large lecture from a predominantly transmission-oriented format into an interactive learning environment. Meta-analytic evidence indicates positive effects of SRS on cognitive and non-cognitive learning outcomes, while research across psychology, nursing, medicine, dentistry, and other higher education settings suggests that their educational value depends less on the technology itself than on the pedagogical processes it enables. In this Perspective , we argue for a shift from viewing SRS primarily as engagement technology towards understanding it as pedagogical infrastructure for retrieval, formative assessment, peer discussion, feedback, self-monitoring, and metacognitive calibration in large lectures. Drawing on nearly two decades of research and educational experience with response technology, we propose an evolution from SRS 1.0 , centred on response and participation, through SRS 2.0 , centred on formative feedback and dialogue, towards SRS 3.0 , where artificial intelligence may enable adaptive questioning, misconception detection, personalised feedback, and instructor decision support. This development creates new opportunities for healthcare professions education, but also requires renewed attention to pedagogy, digital competence, privacy, cognitive offloading, and the role of the educator.

سخنرانی‌های گروهی بزرگ (۱۵۰ دانشجو و بیشتر) همچنان بخش مرکزی آموزش حرفه‌های سلامت را تشکیل می‌دهند، با وجود نگرانی‌های دیرینه درباره انفعالی بودن، تعامل محدود و دشواری در ارائه بازخورد تکوینی در مقیاس وسیع. این نگرانی‌ها با مواجهه مربیان با نسل‌های دانشجویی متصل به فضای دیجیتال، تلفن‌های هوشمند فراگیر و نگرانی‌های فزاینده درباره حواس‌پرتی دیجیتال، اهمیت تازه‌ای یافته‌اند. سامانه‌های پاسخ‌دهی دانشجویی (SRS)، که ابتدا از طریق «کلیکر»های اختصاصی معرفی شدند و اکنون معمولاً از طریق دستگاه‌های دیجیتال شخصی دانشجویان قابل دسترسی هستند، رویکردی برای تبدیل سخنرانی‌های بزرگ از قالب عمدتاً انتقال‌محور به محیط یادگیری تعاملی ارائه می‌کنند. شواهد فراتحلیلی نشان‌دهنده تأثیرات مثبت SRS بر پیامدهای یادگیری شناختی و غیرشناختی است، در حالی که پژوهش‌ها در حوزه‌های روان‌شناسی، پرستاری، پزشکی، دندان‌پزشکی و سایر محیط‌های آموزش عالی حاکی از آن است که ارزش آموزشی این سامانه‌ها بیش از آنکه به خود فناوری وابسته باشد، به فرایندهای آموزشی که امکان‌پذیر می‌سازند بستگی دارد. در این مقاله دیدگاه، ما بر لزوم تغییر نگرش از SRS به‌عنوان فناوری تعامل به‌سوی درک آن به‌عنوان زیرساخت آموزشی برای بازیابی، ارزشیابی تکوینی، بحث همتایان، بازخورد، خودپایشگری و کالیبراسیون فراشناختی در سخنرانی‌های بزرگ تأکید می‌کنیم. با اتکا به نزدیک به دو دهه پژوهش و تجربه آموزشی با فناوری پاسخ‌دهی، سیر تحول از SRS 1.0 با محوریت پاسخ‌دهی و مشارکت، به SRS 2.0 با محوریت بازخورد تکوینی و گفت‌وگو، و نهایتاً به SRS 3.0 که در آن هوش مصنوعی می‌تواند امکان پرسش‌گری تطبیقی، شناسایی سوءبرداشت‌ها، بازخورد شخصی‌سازی‌شده و پشتیبانی تصمیم‌گیری برای مدرس را فراهم کند، پیشنهاد می‌کنیم. این تحول فرصت‌های جدیدی برای آموزش حرفه‌های سلامت ایجاد می‌کند، اما مستلزم توجه مجدد به آموزش، شایستگی دیجیتال، حریم خصوصی، برون‌سپاری شناختی و نقش مدرس نیز هست.

Group decision-making often suffers from uneven information sharing, hindering decision quality. While large language models (LLMs) have been widely studied as aids for individuals, their potential to support groups of users, potentially as facilitators, is relatively underexplored. We present a pre-registered randomized experiment with 1,475 participants assigned to 281 live groups completing a hidden profile task—selecting an optimal city for a hypothetical sporting event—under one of four facilitation conditions: no facilitation, a one-time message prompting information sharing, a human facilitator, or an LLM (GPT-4o) facilitator. We find that LLM facilitation increased information shared within a discussion by raising the minimum level of engagement with the task among group members, and that these gains came at limited cost in terms of participants’ attitudes towards the task, their group, or their facilitator. Whether by human or AI, there was no significant effect of facilitation on the final decision outcome, suggesting that even substantial but partial increases in information sharing were insufficient to overcome the hidden profile effect studied. To support the design and evaluation of LLM-mediated group decision-making systems, we release our data and our experimental platform, the Group-AI Interaction Laboratory (GRAIL), as an open-source tool.

تصمیم‌گیری گروهی اغلب به دلیل به اشتراک‌گذاری نامتوازن اطلاعات، از کیفیت تصمیم آسیب می‌بیند. در حالی که مدل‌های زبانی بزرگ (LLMs) به طور گسترده به عنوان ابزار کمکی برای افراد مورد مطالعه قرار گرفته‌اند، ظرفیت آن‌ها برای حمایت از گروه‌های کاربران، به ویژه به عنوان تسهیل‌گر، نسبتاً کمتر مورد بررسی قرار گرفته است. در این پژوهش، یک آزمایش تصادفی پیش‌ثبت‌شده با ۱۴۷۵ شرکت‌کننده که به ۲۸۱ گروه زنده تقسیم شده‌اند و یک وظیفه پروفایل پنهان—انتخاب شهر بهینه برای یک رویداد ورزشی فرضی—را تحت یکی از چهار وضعیت تسهیل‌گری انجام داده‌اند، ارائه می‌شود: بدون تسهیل‌گری، پیام یک‌باره برای تشویق به اشتراک‌گذاری اطلاعات، تسهیل‌گر انسانی، یا تسهیل‌گر مدل زبانی بزرگ (GPT-4o). یافته‌ها نشان می‌دهد که تسهیل‌گری توسط مدل زبانی بزرگ با افزایش حداقل سطح مشارکت اعضای گروه در وظیفه، میزان اطلاعات به اشتراک‌گذاشته‌شده در بحث را افزایش داده است و این دستاوردها با هزینه اندکی در نگرش شرکت‌کنندگان نسبت به وظیفه، گروه یا تسهیل‌گر همراه بوده است. چه توسط انسان و چه توسط هوش مصنوعی، تسهیل‌گری تأثیر معناداری بر نتیجه نهایی تصمیم نداشته است که نشان می‌دهد حتی افزایش قابل توجه اما جزئی در به اشتراک‌گذاری اطلاعات برای غلبه بر اثر پروفایل پنهان کافی نبوده است. به منظور حمایت از طراحی و ارزیابی سامانه‌های تصمیم‌گیری گروهی مبتنی بر مدل‌های زبانی بزرگ، داده‌ها و بستر آزمایشی خود، آزمایشگاه تعامل گروه-هوش مصنوعی (GRAIL)، را به عنوان ابزاری متن‌باز منتشر می‌کنیم.