Recall

Stress is an important physiological and psychological reaction which, when prolonged, has a negative impact on the health and well-being of humans. Traditional stress assessment methods tend to be subjective and are not scalable in real-time. In this research, a lightweight machine learning framework to predict stress from easily measurable environmental and activity-related features, temperature, humidity, and steps, is introduced. The proposed method is different from the approach that depends on complex physiological signals and uses minimal non-invasive inputs that can be applied in the wearable and IoT field. The stress level is considered as the target variable, and all the features used as input variables are independent from each other to prevent data leakage. There are several machine learning and deep learning models and their performances are measured, such as LightGBM, Support vector machine (SVM), AdaBoost, Gated Recurrent Unit (GRU). Bayesian hyperparameter optimization is used to improve the performance of the model and guarantee strong generalization. Experimental results show that LightGBM outperforms the other models, giving an accuracy of 97% and a balanced precision, recall and F1 score of 95%. The results demonstrate promising predictive performance on the evaluated dataset. However, since the model was validated on a relatively small publicly available dataset, further evaluation using larger and more diverse real-world datasets is required before practical deployment.

This study develops an approach to predict personality traits based on the Big Five model through essay text by combining global and contextual information using a Vocabulary Graph Convolutional Network (VGCN) and Bidirectional Encoder Representations from Transformers (BERT). VGCN is used to capture global relationships between words through a vocabulary graph representation built based on NPMI weights, while BERT plays a role in producing richer and more contextual text representations. Experimental results show that the integration of structural and contextual features can provide good performance in multi-label classification tasks. Based on the grid search process and 5-fold cross-validation, the best model configuration obtained a macro F1 score of 0.6827 and a weighted F1 score of 0.6829 in out-of-fold prediction. The evaluation results for each feature show that the recall value is close to 1.0, while the precision value ranges from 0.50 to 0.56. This condition indicates a tendency for the model to produce more positive predictions. Furthermore, the results of the study highlight the importance of optimizing the prediction threshold value to obtain a more optimal compromise between precision and recall. Overall, the integration of graph-based semantic information with contextual representations from BERT shows that the VGCN-BERT approach has good potential for application in multi-label personality classification

Background Eating-related behavioural factors may contribute to the complexity of glycaemic management in type 2 diabetes mellitus (T2DM), but their relationships with treatment context remain insufficiently understood. This study examined hedonic hunger and eating-disorder symptom dimensions in relation to glycaemic control across different treatment regimens in adults with T2DM. Methods This cross-sectional study included 203 adults with T2DM attending an outpatient diet clinic in southeastern Turkey between March and September 2025. Participants were receiving oral antidiabetic medication only ( n = 108), insulin only ( n = 32), or combined oral medication plus insulin therapy ( n = 63). Hedonic hunger was assessed using the Power of Food Scale (PFS), and eating-disorder symptom dimensions using the 13-item Eating Disorder Examination Questionnaire–Short Form (EDE-Q-13). Anthropometric measurements, 24-h dietary recall data, fasting plasma glucose (FPG), and glycated haemoglobin (HbA1c) were obtained. Hierarchical linear regression was used to examine factors associated with HbA1c. Results HbA1c differed substantially across treatment groups and was highest in the insulin-only group ( p < 0.001). Several PFS subscales and EDE-Q-13 symptom dimensions also differed between groups, although their effect sizes were small. Selected PFS dimensions were weakly positively correlated with glycaemic indicators, whereas the EDE-Q-13 eating-restraint subscale and total score showed weak inverse correlations with HbA1c. In the fully adjusted model, insulin-only and combination therapy were associated with higher HbA1c compared with oral medication only, while body mass index (BMI) was inversely associated with HbA1c. Neither the PFS food available subscale nor the EDE-Q-13 total score remained independently associated with HbA1c. The final model explained 27.2% of the variance in HbA1c (adjusted r 2 = 0.230). Conclusion Treatment context was more strongly related to glycaemic status than the behavioural measures assessed, although modest differences in hedonic hunger and eating-disorder symptom dimensions were evident across treatment regimens. These findings suggest that eating-related behavioural characteristics may provide complementary information in nutritional assessment and should be interpreted alongside the broader clinical context of T2DM management.

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.

Vocabulary (mufrodat) mastery underpins speaking skills (maharah kalam), yet elementary Islamic school students may struggle to use vocabulary in speech and retain memorized words after instruction. This study aimed to analyze the effectiveness of El-Syarif-based vocabulary instruction in improving speaking skills and memorization retention among students at MI Najahiyah Palembang. A quantitative approach was employed using a quasi-experimental one-group pretest-posttest design. The sample comprised 35 fifth-grade students selected through total sampling. Data were collected through oral speaking tests, an immediate memorization test, and a delayed memorization test. The data were analyzed using descriptive statistics, a paired-samples t-test, the Wilcoxon Signed Rank test, and N-Gain. The results showed that the mean speaking score increased from 57.37 to 81.63, with an N-Gain of 0.58, categorized as moderate, and a statistically significant difference (p < 0.001). The mean memorization score decreased from 83.37 to 79.31, while retention reached 95.1%. These findings indicate that El-Syarif-based instruction can improve students’ speaking skills and help maintain most memorized vocabulary. However, the decline in delayed-test scores indicates that some vocabulary was still forgotten over time. ABSTRAK Penguasaan mufrodat menjadi dasar keterampilan berbicara (maharah kalam), tetapi siswa madrasah ibtidaiyah masih menghadapi kesulitan menggunakan kosakata dalam ujaran dan mempertahankan hafalan setelah pembelajaran. Penelitian ini bertujuan menganalisis efektivitas pembelajaran mufrodat berbasis metode El-Syarif dalam meningkatkan maharah kalam dan retensi hafalan siswa di MI Najahiyah Palembang. Penelitian menggunakan pendekatan kuantitatif dengan metode eksperimen semu (quasi-experimental) berdesain one-group pretest-posttest. Sampel terdiri atas 35 siswa kelas V yang dipilih melalui teknik total sampling. Data dikumpulkan melalui tes lisan, tes hafalan segera, dan tes hafalan tunda, kemudian dianalisis menggunakan statistik deskriptif, uji paired-samples t-test, uji Wilcoxon Signed Rank, dan N-Gain. Hasil menunjukkan bahwa rata-rata maharah kalam meningkat dari 57,37 menjadi 81,63, dengan N-Gain 0,58 dalam kategori sedang dan perbedaan signifikan (p < 0,001). Rata-rata hafalan menurun dari 83,37 menjadi 79,31, tetapi retensi mencapai 95,1%. Disimpulkan bahwa metode El-Syarif berpotensi meningkatkan keterampilan berbicara sekaligus mempertahankan sebagian besar hafalan siswa, meskipun penurunan hafalan tetap terjadi.

Background Depression and anxiety symptoms are common among college students. Behavioral and psychosocial indicators may support preventive campus mental health work, but risk-stratification frameworks require external validation. Methods We developed a construct-level model-explanation framework using questionnaire data from a development sample. The cleaned dataset included 1,267 students; internal-validation analyses included 1,096 students for depression risk and 1,095 for anxiety risk. Risk was defined as a Patient Health Questionnaire-9 (PHQ-9) or Generalized Anxiety Disorder-7 (GAD-7) score of 10 or higher. The primary Feature set C random-forest (RF) pipelines integrated demographic, traditional, and emerging behavioral and psychosocial indicators. Fold-specific preprocessing and percentile cutoffs were used for internal validation. Locked pipelines were applied without retraining, predictor reselection, optimization, recalibration, or threshold adjustment to an independent university sample of 1,468 students. Results External area under the receiver operating characteristic curve (AUROC), area under the precision–recall curve (PR-AUC), and Brier scores were 0.813 (95% CI, 0.776–0.848), 0.402 (0.325–0.491), and 0.090 (0.083–0.098), respectively, for depression and 0.809 (0.765–0.851), 0.205 (0.144–0.300), and 0.063 (0.056–0.070), respectively, for anxiety. Ordinary participant-level bootstrap was the primary approach, with stratified bootstrap as a sensitivity analysis. Depression calibration was close to the prevalence baseline (Brier 0.091; intercept −0.668; slope 1.401), whereas anxiety showed miscalibration (Brier 0.063 vs. baseline 0.051; intercept −1.227; slope 1.102). The models supported external discrimination and risk ranking but did not validate individual absolute-risk probabilities or clinical thresholds. Conclusion Behavioral and psychosocial indicators supported externally validated risk stratification in an independent university sample. Anxiety-risk findings should be interpreted as preliminary because the number of positive cases was limited. Further evaluation is needed before wider implementation.

Suicidal ideation (SI) fluctuates rapidly within individuals, but standard ecological momentary assessment (EMA) uses fixed schedules that miss critical risk windows. We present ARES-SI (Adaptive Reinforcement-Enhanced Sampling for Suicidal Ideation), a reinforcement learning system that personalizes EMA timing to individual risk patterns. ARES-SI combines random forest models to predict active SI probability and non-response likelihood with a Q-learning algorithm to determine optimal assessment intervals (30 min for high-risk states, 3 h for low-risk states, and next day to reduce burden). We trained the system using EMA data from 98 participants across three studies with varied sampling frequencies (4–15 assessments per day; 2359 positive active SI responses) over 28-day protocols. In validation testing ( N = 34; 374 positive active SI responses), the random forest models achieved an AUC of 0.865 for active SI and 0.750 for non-response. ARES-SI demonstrated 65% higher action selection accuracy than random scheduling (0.781 vs. 0.474; macro F1 = 0.650 vs. 0.377), with stronger detection of high-risk windows (30-min recall = 0.810 vs. 0.392) and efficient low-risk scheduling (3-h precision = 0.972 vs. 0.876). These findings provide initial evidence that reinforcement learning can adapt assessment timing to momentary risk.

افکار خودکشی (SI) به‌سرعت درون افراد نوسان می‌کند، اما ارزیابی لحظه‌ای بوم‌شناختی (EMA) استاندارد از برنامه‌های زمانی ثابت استفاده می‌کند که پنجره‌های بحرانی خطر را از دست می‌دهد. ما سامانه ARES-SI (نمونه‌برداری تقویت‌شده تطبیقی برای افکار خودکشی) را معرفی می‌کنیم که یک سامانه یادگیری تقویتی است و زمان‌بندی EMA را بر اساس الگوهای خطر فردی شخصی‌سازی می‌کند. ARES-SI مدل‌های جنگل تصادفی را برای پیش‌بینی احتمال SI فعال و احتمال عدم پاسخ‌دهی با الگوریتم Q-learning ترکیب می‌کند تا فواصل بهینه ارزیابی را تعیین کند (۳۰ دقیقه برای وضعیت‌های پرخطر، ۳ ساعت برای وضعیت‌های کم‌خطر و روز بعد برای کاهش بار). این سامانه با استفاده از داده‌های EMA از ۹۸ شرکت‌کننده در سه مطالعه با فرکانس‌های نمونه‌برداری متفاوت (۴ تا ۱۵ ارزیابی در روز؛ ۲۳۵۹ پاسخ مثبت SI فعال) طی پروتکل‌های ۲۸ روزه آموزش داده شد. در آزمون اعتبارسنجی (N = 34؛ ۳۷۴ پاسخ مثبت SI فعال)، مدل‌های جنگل تصادفی به AUC برابر با ۰.۸۶۵ برای SI فعال و ۰.۷۵۰ برای عدم پاسخ‌دهی دست یافتند. ARES-SI دقت انتخاب عمل را ۶۵٪ بالاتر از زمان‌بندی تصادفی نشان داد (۰.۷۸۱ در مقابل ۰.۴۷۴؛ F1 کلان = ۰.۶۵۰ در مقابل ۰.۳۷۷)، با شناسایی قوی‌تر پنجره‌های پرخطر (یادآوری ۳۰ دقیقه‌ای = ۰.۸۱۰ در مقابل ۰.۳۹۲) و زمان‌بندی کارآمد برای وضعیت‌های کم‌خطر (دقت ۳ ساعته = ۰.۹۷۲ در مقابل ۰.۸۷۶). این یافته‌ها شواهد اولیه‌ای ارائه می‌کنند که یادگیری تقویتی می‌تواند زمان‌بندی ارزیابی را با خطر لحظه‌ای تطبیق دهد.

Insomnia disorder (ID) is a common sleep-wake disorder marked by persistent dissatisfaction with sleep quality or quantity. Previous studies have shown that sleep plays a critical role in emotion regulation, particularly in fear extinction. This study aims to characterize ID using estimates of the sympathetic arousal state derived from skin conductance (SC)-based observations, and to compare two observation models: the marked point process (MPP) model and the MPP coupled with continuous (MPP+Cont) model. We utilize SC data from a fear conditioning and extinction procedure involving 24 individuals with ID and 24 good sleepers (GS). The SC measurements are deconvolved to extract autonomic nervous system (ANS) activations and the tonic component. The MPP observation model uses only the extracted ANS activations, while the MPP+Cont model incorporates both ANS activations and the tonic component. Both models are employed to estimate the underlying arousal state over time and compute a high arousal index (HAI). We compare the estimated arousal states and HAI between the ID and GS groups to assess alterations in arousal associated with ID. Our results reveal that ID may be associated with impaired fear extinction learning and recall. Notably, the distinction between ID and GS emerges only under the MPP+Cont model, indicating the critical role of the tonic component in arousal estimation. Overall, this study highlights the potential of arousal state estimation for understanding autonomic dysregulation in ID, thereby supporting interventions for fear-centered comorbidities and improving quality of life.

اختلال بی‌خوابی (ID) یکی از اختلالات شایع خواب-بیداری است که با نارضایتی مداوم از کیفیت یا کمیت خواب مشخص می‌شود. پژوهش‌های پیشین نشان داده‌اند که خواب نقش حیاتی در تنظیم هیجان، به‌ویژه در خاموشی ترس ایفا می‌کند. هدف این مطالعه، توصیف اختلال بی‌خوابی با استفاده از برآوردهای وضعیت برانگیختگی سمپاتیک مبتنی بر مشاهدات هدایت پوست (SC) و مقایسه دو مدل مشاهده است: مدل فرآیند نقطه‌ای نشاندار (MPP) و مدل MPP همراه با جزء پیوسته (MPP+Cont). داده‌های SC از یک فرایند شرطی‌سازی و خاموشی ترس شامل ۲۴ فرد مبتلا به اختلال بی‌خوابی و ۲۴ فرد خواب خوب (GS) جمع‌آوری شد. اندازه‌گیری‌های SC به منظور استخراج فعال‌سازی‌های دستگاه عصبی خودمختار (ANS) و جزء تونیک، دیکانولوشن شدند. مدل مشاهده MPP تنها از فعال‌سازی‌های استخراج‌شده ANS استفاده می‌کند، در حالی که مدل MPP+Cont هر دو فعال‌سازی ANS و جزء تونیک را در بر می‌گیرد. هر دو مدل برای برآورد وضعیت برانگیختگی زمینه‌ای در طول زمان و محاسبه شاخص برانگیختگی بالا (HAI) به کار گرفته شدند. وضعیت‌های برانگیختگی برآوردشده و HAI بین گروه‌های ID و GS مقایسه شد تا تغییرات برانگیختگی مرتبط با اختلال بی‌خوابی ارزیابی شود. نتایج ما نشان می‌دهد که اختلال بی‌خوابی ممکن است با اختلال در یادگیری و یادآوری خاموشی ترس همراه باشد. به طور قابل توجهی، تمایز بین ID و GS تنها تحت مدل MPP+Cont آشکار می‌شود که نشان‌دهنده نقش حیاتی جزء تونیک در برآورد برانگیختگی است. به طور کلی، این مطالعه بر پتانسیل برآورد وضعیت برانگیختگی برای درک اختلال تنظیم خودمختار در اختلال بی‌خوابی تأکید می‌کند و از مداخلات برای همبودی‌های متمرکز بر ترس و بهبود کیفیت زندگی حمایت می‌کند.

Background: Indirect exposure to disasters and violence through continuous news and social media is increasingly common among adolescents. However, instruments designed to assess media-induced indirect trauma in this population remain limited and conceptually heterogeneous.Objective: This systematic review aims to synthesize the characteristics and psychometric evidence of instruments measuring media-induced indirect trauma and evaluate their suitability for adolescents.Methods: This review of outcome measurement instruments (OMIs) was conducted using the COnsensus-based Standards for the selection of health Measurement INstruments (COSMIN) methodology and reported in accordance with the Preferred Reporting Items for Systematic reviews and Meta-Analyses−COSMIN for OMIs 2024 guideline. Eight electronic databases were searched for peer-reviewed articles published between 1 January 2000 and 22 October 2025, in English or Korean. Reference list screening was also performed. Eligible studies used or developed self-report instruments assessing media-induced vicarious, secondary, or indirect trauma responses to potentially traumatic events. Methodological quality was evaluated using the COSMIN Risk of Bias checklist, and certainty of evidence was graded using a modified Grading of Recommendations Assessment, Development and Evaluation approach.Results: Seven instruments were evaluated, varying in conceptual focus, recall periods, and contextual framing. Evidence for structural validity and internal consistency was generally moderate, whereas content validity was rated very low across all instruments. Overall, while evidence for internal structure is relatively stronger, substantial gaps in content validity and longitudinal measurement properties limit confident application in adolescents.Conclusion: Future research should prioritize adolescent-inclusive validation; systematic content validity evaluations; and rigorous reporting of test–retest reliability, measurement error, responsiveness, and interpretability.

زمینه: مواجهه غیرمستقیم با بلایا و خشونت از طریق اخبار و رسانه‌های اجتماعی به طور فزاینده‌ای در میان نوجوانان رایج شده است. با این حال، ابزارهای طراحی‌شده برای سنجش تروماي غیرمستقیم ناشی از رسانه در این جمعیت محدود و از نظر مفهومی ناهمگون هستند. هدف: این مرور نظام‌مند با هدف تلفیق ویژگی‌ها و شواهد روان‌سنجی ابزارهای سنجش تروماي غیرمستقیم ناشی از رسانه و ارزیابی شایستگی آن‌ها برای نوجوانان انجام شده است. روش‌ها: این مرور ابزارهای سنجش پیامد (OMIs) با استفاده از روش‌شناسی COnsensus-based Standards for the selection of health Measurement INstruments (COSMIN) و مطابق با راهنمای Preferred Reporting Items for Systematic reviews and Meta-Analyses−COSMIN for OMIs 2024 گزارش شده است. هشت پایگاه داده الکترونیکی برای مقالات داوری‌شده منتشرشده بین ۱ ژانویه ۲۰۰۰ تا ۲۲ اکتبر ۲۰۲۵ به زبان انگلیسی یا کره‌ای جست‌وجو شد. غربالگری فهرست منابع نیز انجام شد. مطالعات واجد شرایط، ابزارهای خودگزارشی را که پاسخ‌های تروماي ویکاری، ثانویه یا غیرمستقیم ناشی از رسانه به رویدادهای بالقوه تروماتیک را ارزیابی می‌کردند، استفاده یا توسعه داده بودند. کیفیت روش‌شناختی با استفاده از چک‌لیست COSMIN Risk of Bias ارزیابی شد و قطعیت شواهد با رویکرد اصلاح‌شده Grading of Recommendations Assessment, Development and Evaluation درجه‌بندی گردید. یافته‌ها: هفت ابزار مورد ارزیابی قرار گرفت که از نظر تمرکز مفهومی، دوره‌های یادآوری و چارچوب زمینه‌ای متفاوت بودند. شواهد مربوط به روایی ساختاری و پایایی درونی عموماً در سطح متوسط بود، در حالی که روایی محتوا در همه ابزارها بسیار پایین ارزیابی شد. به طور کلی، اگرچه شواهد مربوط به ساختار درونی نسبتاً قوی‌تر است، اما شکاف‌های قابل توجهی در روایی محتوا و ویژگی‌های سنجش طولی، کاربرد مطمئن این ابزارها را در نوجوانان محدود می‌کند. نتیجه‌گیری: پژوهش‌های آتی باید اعتبارسنجی با مشارکت نوجوانان، ارزیابی‌های نظام‌مند روایی محتوا و گزارش دقیق پایایی آزمون–بازآزمون، خطای اندازه‌گیری، پاسخگویی و تفسیرپذیری را در اولویت قرار دهند.

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

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

Introduction College students’ psychological vulnerability assessment is constrained by data scarcity, high labeling cost, privacy sensitivity, and small, imbalanced samples, and existing frameworks typically treat vulnerability as a static judgment that cannot track how a student’s condition changes over time. This study examined whether a few-sample hierarchical grading model combined with meta-reinforcement-learning-based sequential decision-making could address both problems jointly. Methods A few-sample hierarchical grading model, combining meta-learning and transfer regularization with a prototype-based embedding and ordinal threshold assignment, quantified static risk from a handful of labeled examples per grade, while a sequential risk-identification method formulated dynamic assessment as a Markov decision process solved by a two-stage meta-reinforcement-learning policy. Case studies used a longitudinal, class-imbalanced cohort simulation calibrated to the documented statistics of a mobile-sensing mental-health study (no real participant data were used) and compared the proposed models against threshold-rule, supervised, fine-tuned, few-shot, and non-meta reinforcement-learning baselines, with sensitivity analyses on support-set size, reward weights, discount factor, and regularization weight, plus a regime-switching robustness check. Results The proposed grading model attained a macro-F1 of 0.847 with ten labeled examples per grade, over twenty percentage points above a conventional deep-learning classifier, though its edge over other episodic few-shot architectures was small and inconsistent, indicating episodic meta-learning as the main source of this gain. The meta-reinforcement-learning policy achieved a higher alert precision-recall area (0.514 vs. 0.380) than a non-meta baseline and avoided its degenerate always-escalate behavior, but neither the main study nor the regime-switching check showed the composite reward lengthening lead time versus a simpler accuracy-only reward, which matched its lead time at a much lower escalation rate. Sensitivity analyses showed the reward-weight ratio and discount factor shaping the early-identification versus intervention-cost trade-off. Conclusion These findings suggest that combining few-sample meta-learning with metareinforcement-learning-based sequential decision-making can improve vulnerability assessment under scarce, evolving data relative to conventional static and non-meta-adapted approaches, with an accuracy-only reward recommended as the practical default. The case studies relied on a calibrated simulation rather than raw longitudinal records, so prospective validation on real campus data under appropriate privacy safeguards is needed before responsible deployment.

مقدمه: ارزیابی آسیب‌پذیری روان‌شناختی دانشجویان دانشگاه با محدودیت‌هایی نظیر کمبود داده، هزینه بالای برچسب‌گذاری، حساسیت به حریم خصوصی و نمونه‌های کوچک و نامتوازن مواجه است و چارچوب‌های موجود معمولاً آسیب‌پذیری را به‌عنوان یک قضاوت ایستا در نظر می‌گیرند که قادر به پیگیری تغییر وضعیت دانشجو در طول زمان نیست. این مطالعه بررسی کرد که آیا مدل درجه‌بندی سلسله‌مراتبی با نمونه‌های اندک، در ترکیب با تصمیم‌گیری ترتیبی مبتنی بر یادگیری فرا-تقویتی، می‌تواند هر دو مشکل را به طور همزمان حل کند. روش‌ها: یک مدل درجه‌بندی سلسله‌مراتبی با نمونه‌های اندک، که یادگیری فراگیر و منظم‌سازی انتقال را با تعبیه مبتنی بر نمونه اولیه و تخصیص آستانه ترتیبی ترکیب می‌کند، ریسک ایستا را از تعداد محدودی نمونه برچسب‌خورده برای هر درجه کمی‌سازی کرد، در حالی که یک روش شناسایی ریسک ترتیبی، ارزیابی پویای ریسک را به‌صورت یک فرایند تصمیم‌گیری مارکوف مدل‌سازی کرد که توسط یک سیاست یادگیری فرا-تقویتی دو مرحله‌ای حل شد. مطالعات موردی از شبیه‌سازی هم‌گروهی نامتوازن و طولی استفاده کردند که بر اساس آمار مستند یک مطالعه سلامت روان مبتنی بر حسگرهای موبایلی کالیبره شده بود (هیچ داده واقعی شرکت‌کننده استفاده نشد) و مدل‌های پیشنهادی را با روش‌های آستانه‌ای، نظارت‌شده، تنظیم دقیق، یادگیری با نمونه‌های اندک و یادگیری تقویتی غیر فراگیر مقایسه کردند و تحلیل حساسیت بر اندازه مجموعه پشتیبان، وزن پاداش، ضریب تنزیل و وزن منظم‌سازی و همچنین بررسی پایداری تغییر رژیم انجام شد. نتایج: مدل درجه‌بندی پیشنهادی با ده نمونه برچسب‌خورده برای هر درجه، به مقدار macro-F1 برابر با 0.847 دست یافت که بیش از بیست درصد بالاتر از یک طبقه‌بند یادگیری عمیق متداول بود، هرچند برتری آن نسبت به سایر معماری‌های یادگیری با نمونه‌های اندک اپیزودیک اندک و ناسازگار بود که نشان‌دهنده نقش اصلی یادگیری فراگیر اپیزودیک در این بهبود است. سیاست یادگیری فرا-تقویتی به مساحت بالاتری در منحنی دقت-بازخوانی هشدار (0.514 در مقابل 0.380) نسبت به پایه غیر فراگیر دست یافت و از رفتار همواره تشدیدکننده آن اجتناب کرد، اما نه مطالعه اصلی و نه بررسی تغییر رژیم نشان نداد که پاداش مرکب، زمان پیش‌آگاهی را نسبت به پاداش صرفاً مبتنی بر دقت افزایش دهد، که زمان پیش‌آگاهی مشابهی را با نرخ تشدید بسیار پایین‌تر ارائه کرد. تحلیل حساسیت نشان داد که نسبت وزن پاداش و ضریب تنزیل، توازن بین شناسایی زودهنگام و هزینه مداخله را شکل می‌دهد. نتیجه‌گیری: این یافته‌ها نشان می‌دهد که ترکیب یادگیری فراگیر با نمونه‌های اندک و تصمیم‌گیری ترتیبی مبتنی بر یادگیری فرا-تقویتی می‌تواند ارزیابی آسیب‌پذیری را در شرایط داده‌های کمیاب و در حال تحول نسبت به رویکردهای ایستا و غیر فراگیر متداول بهبود بخشد و پاداش صرفاً مبتنی بر دقت به‌عنوان گزینه عملی توصیه می‌شود. مطالعات موردی مبتنی بر شبیه‌سازی کالیبره‌شده و نه داده‌های خام طولی بودند، بنابراین اعتبارسنجی آینده‌نگر بر داده‌های واقعی دانشگاهی با رعایت ملاحظات حریم خصوصی پیش از استقرار مسئولانه ضروری است.

Driving can be enhanced if the vehicle quickly responds to the driver’s emotions. Accurate recognition of the driver’s emotional state is essential for advanced driver assistance systems (ADAS). The existing models restrict to single-modal data and fail to acquire hidden emotions which affects the prediction accuracy. Also, they lack real time data integration with self driving vehicles. Thus, a more robust multimodal model is needed to combine driver’s vital metrics and emotional behaviors for enhanced safety and dynamic vehicle-human interactivity. The proposed model ‘Emo-Aware’ blends real-time data from multiple sensors, including face emotion detection cameras, speech emotion detection microphones, heart rate sensors, and blood pressure sensors. The captured data are preprocessed to remove noise, retrieve relevant features and amplify to the desired state. Further, it processes this integrated data using a CNN model with hard voting method to precisely assess driver’s sentiments. The proposed framework is validated in a simulator using benchmark multimodal datasets, demonstrating its effectiveness for driver emotion assessment and laying groundwork for future real-world ADAS deployment. The robustness of model lies in its capability to adjust driving constraints on basis of the emotion quotient of driver thereby providing a personalized driving environment. Upon model’s implementation, there is a notable rise in accuracy and fall in the loss function. The diagonal values in the confusion matrix represent class-wise emotion detection accuracies of 0.92, 0.93, 0.91, 0.95, 0.92, and 0.86, corresponding to the emotions of disgust, fear, happiness, neutrality, sadness, and surprise, respectively. The results for discrete functional modules are also gauged. The speech-sentiment module recorded the optimal values, 0.94, 0.93, 0.91, and 0.92, respectively, for accuracy, precision, recall, and f-score. The blood pressure module reported the MSE, RMSE, MAE, and R-squared values as 6 mmHg² and 2.6 mmHg, 2.2 mmHg, and 0.96, respectively. Furthermore, the Face module also recorded the optimum values of 0.95, 0.94, 0.93, and 0.93 for accuracy, precision, recall, and f-score, respectively. Therefore, the model can be beneficial for advanced driver emotion detection that not only emphasizes safety but also examines the relationship between drivers and their vehicles through personalized emotionally aware interactions.

رانندگی می‌تواند در صورتی بهبود یابد که وسیله نقلیه به سرعت به هیجانات راننده واکنش نشان دهد. شناسایی دقیق وضعیت هیجانی راننده برای سامانه‌های پیشرفته کمک‌راننده (ADAS) ضروری است. مدل‌های موجود به داده‌های تک‌وجهی محدود می‌شوند و قادر به شناسایی هیجانات پنهان نیستند که این امر بر دقت پیش‌بینی تأثیر می‌گذارد. همچنین، این مدل‌ها فاقد یکپارچه‌سازی داده‌های بلادرنگ با خودروهای خودران هستند. بنابراین، نیاز به یک مدل چندوجهی مقاوم‌تر وجود دارد تا شاخص‌های حیاتی و رفتارهای هیجانی راننده را برای افزایش ایمنی و تعامل پویای انسان و خودرو ترکیب کند. مدل پیشنهادی «Emo-Aware» داده‌های بلادرنگ را از حسگرهای متعدد، از جمله دوربین‌های شناسایی هیجان چهره، میکروفون‌های شناسایی هیجان گفتار، حسگرهای ضربان قلب و حسگرهای فشار خون ترکیب می‌کند. داده‌های جمع‌آوری‌شده پیش‌پردازش می‌شوند تا نویز حذف، ویژگی‌های مرتبط استخراج و به وضعیت مطلوب تقویت شوند. سپس این داده‌های یکپارچه با استفاده از مدل CNN و روش hard voting برای ارزیابی دقیق احساسات راننده پردازش می‌شوند. چارچوب پیشنهادی در شبیه‌ساز با استفاده از داده‌مجموعه‌های چندوجهی مرجع اعتبارسنجی شده و اثربخشی آن برای ارزیابی هیجان راننده و فراهم‌سازی زمینه برای استقرار آتی در ADAS واقعی را نشان می‌دهد. پایداری مدل در توانایی آن برای تنظیم محدودیت‌های رانندگی بر اساس ضریب هیجانی راننده نهفته است و بدین ترتیب محیط رانندگی شخصی‌سازی‌شده‌ای فراهم می‌شود. با پیاده‌سازی مدل، افزایش قابل توجهی در دقت و کاهش تابع خطا مشاهده می‌شود. مقادیر قطری ماتریس سردرگمی دقت شناسایی هیجان به تفکیک کلاس را به ترتیب 0.92، 0.93، 0.91، 0.95، 0.92 و 0.86 برای هیجانات انزجار، ترس، شادی، خنثی، غم و شگفتی نشان می‌دهد. نتایج ماژول‌های عملکردی مجزا نیز ارزیابی شده‌اند. ماژول احساس-گفتار مقادیر بهینه 0.94، 0.93، 0.91 و 0.92 را به ترتیب برای دقت، دقت مثبت، یادآوری و f-score ثبت کرده است. ماژول فشار خون مقادیر MSE، RMSE، MAE و R-squared را به ترتیب 6 mmHg² و 2.6 mmHg، 2.2 mmHg و 0.96 گزارش کرده است. همچنین، ماژول چهره نیز مقادیر بهینه 0.95، 0.94، 0.93 و 0.93 را به ترتیب برای دقت، دقت مثبت، یادآوری و f-score ثبت کرده است. بنابراین، این مدل می‌تواند برای شناسایی پیشرفته هیجان راننده مفید باشد که نه تنها بر ایمنی تأکید دارد بلکه رابطه بین رانندگان و خودروهایشان را از طریق تعاملات شخصی‌سازی‌شده و آگاه از هیجان بررسی می‌کند.

This Hypothesis and Theory paper addresses a design problem at the center of AI-assisted research writing: which cognitive demands should AI reduce, and which must remain the writer’s own work. Generative AI can absorb the effort of drafting, organizing, and synthesizing prose, but that same effort is where understanding takes shape. Recent empirical work documents reduced neural engagement, weaker recall of one’s own writing, and a diminished sense of authorship among writers who rely heavily on AI assistance. The paper grounds this problem in cognitive load theory, which distinguishes intrinsic load (the element interactivity a task inherently requires) from extraneous load (demands that do not contribute to learning), and which treats germane processes as the working memory resources a writer allocates to intrinsic load. It draws on productive struggle and generative processing to explain why germane processing cannot be offloaded: when a tool performs the work, the processing does not transfer to the writer; it does not occur. Two research questions are posed. First, which cognitive demands in research writing constitute extraneous load that AI could reduce, and which require germane processing that must remain the writer’s own. Second, how can human-in-the-loop AI collaboration be designed across the phases of research writing so that this distinction is operationalized through human judgment? The contribution is a nine-phase conceptual framework mapped to the sections of a research paper, from curiosity and inquiry through references and submission. Each phase specifies the dominant cognitive demand, the AI role (ranging from minimal involvement to full collaboration), and design guidelines for tools and interactions. The framework addresses research writing from secondary school (grades 9–12) through postdoctoral and professional research, across disciplines. It treats phase-aware AI use as responsive pedagogy applied to research writing: instruction and tool design that respond to the cognitive demands of the task rather than to the tool’s capabilities. The paper draws implications for the design of responsive digital education, including tool selection, assessment, equity, and support for writers with cognitive differences. The framework is intended to preserve the cognitive work that makes research meaningful.

این مقاله از نوع فرضیه و نظریه به یک مسئله طراحی در مرکز نگارش پژوهشی با کمک هوش مصنوعی می‌پردازد: کدام مطالبات شناختی باید توسط هوش مصنوعی کاهش یابد و کدام باید همچنان کار خود نویسنده باقی بماند. هوش مصنوعی مولد می‌تواند تلاش مربوط به پیش‌نویس‌نویسی، سازماندهی و ترکیب نثر را بر عهده گیرد، اما همین تلاش جایی است که فهم شکل می‌گیرد. پژوهش‌های تجربی اخیر کاهش درگیری عصبی، یادآوری ضعیف‌تر نوشته‌های خود و کاهش حس مالکیت نویسندگی را در میان نویسندگانی که به شدت به کمک هوش مصنوعی متکی هستند، مستند کرده‌اند. مقاله این مسئله را در نظریه بار شناختی ریشه‌یابی می‌کند که بار ذاتی (تعامل عناصر مورد نیاز ذاتی یک وظیفه) را از بار زائد (مطالباتی که به یادگیری کمک نمی‌کنند) متمایز می‌سازد و فرایندهای مرتبط را به عنوان منابع حافظه فعال که نویسنده به بار ذاتی اختصاص می‌دهد، تلقی می‌کند. مقاله با بهره‌گیری از مفاهیم تلاش مولد و پردازش مولد توضیح می‌دهد که چرا پردازش مرتبط را نمی‌توان واگذار کرد: زمانی که یک ابزار کار را انجام می‌دهد، پردازش به نویسنده منتقل نمی‌شود؛ بلکه اصلاً رخ نمی‌دهد. دو پرسش پژوهشی مطرح می‌شود. نخست، کدام مطالبات شناختی در نگارش پژوهشی بار زائد محسوب می‌شوند که هوش مصنوعی می‌تواند آن را کاهش دهد و کدام نیازمند پردازش مرتبط است که باید کار خود نویسنده باقی بماند. دوم، چگونه می‌توان همکاری هوش مصنوعی با حضور انسان در حلقه را در مراحل مختلف نگارش پژوهشی به گونه‌ای طراحی کرد که این تمایز از طریق قضاوت انسانی عملیاتی شود؟ دستاورد مقاله، یک چارچوب مفهومی نه‌مرحله‌ای است که با بخش‌های یک مقاله پژوهشی، از کنجکاوی و پرسشگری تا منابع و ارسال، تطبیق یافته است. هر مرحله، مطالبه شناختی غالب، نقش هوش مصنوعی (از حداقل مداخله تا همکاری کامل) و راهنمای طراحی برای ابزارها و تعاملات را مشخص می‌کند. این چارچوب نگارش پژوهشی را از دبیرستان (پایه‌های ۹ تا ۱۲) تا پژوهش‌های فوق‌دکتری و حرفه‌ای، در رشته‌های مختلف پوشش می‌دهد. استفاده مرحله‌محور از هوش مصنوعی را به عنوان آموزش پاسخگو در نگارش پژوهشی تلقی می‌کند: آموزش و طراحی ابزار که به مطالبات شناختی وظیفه پاسخ می‌دهد نه به قابلیت‌های ابزار. مقاله پیامدهایی برای طراحی آموزش دیجیتال پاسخگو، از جمله انتخاب ابزار، ارزیابی، عدالت و حمایت از نویسندگان با تفاوت‌های شناختی ارائه می‌دهد. هدف چارچوب، حفظ کار شناختی است که پژوهش را معنادار می‌کند.

Although critical thinking is a vital 21st-century skill, Ethiopian English as Foreign Language (EFL) classrooms remain largely teacher-centered and dominated by low-order questioning. The link between teachers’ questioning strategies and students’ critical thinking development has been insufficiently studied in Ethiopia. This study investigated the types of questions used by EFL teachers, the levels of students’ critical thinking, and the predictive relationship between questioning practices and critical thinking outcomes. A convergent parallel mixed-methods design (primarily quantitative) was employed with 342 secondary students and 28 EFL teachers from six schools in Central Ethiopia. Data were collected using a classroom observation checklist, a Teacher Questioning Strategy Inventory, and a Critical Thinking Test. Quantitative analyses included descriptive statistics, multilevel modeling, and multiple linear regression with cluster-robust standard errors. Qualitative data from 15 stimulated recall interviews supplemented the findings. Results showed that teachers predominantly used lower-order questions (78%), with only 22% requiring higher-order thinking. Students’ mean critical thinking score was 41.6/100 (SD = 12.3), below proficiency benchmarks. Multilevel analysis identified wait time ( β = 0.38, p < 0.001) and follow-up probing ( β = 0.31, p = 0.003) as the strongest predictors of critical thinking, with all teacher-level variables collectively explaining 52% of the between-teacher variance. Qualitatively, teachers reported that higher-order questions would “slow down the syllabus” and that students lacked sufficient English proficiency to respond effectively. These findings suggest that pre-service and in-service training should explicitly teach questioning taxonomies and wait-time techniques. Therefore, the Ministry of Education should train secondary school teachers to allocate lesson time for higher-order questioning and integrate critical thinking as an essential part of their lessons .

اگرچه تفکر انتقادی یکی از مهارت‌های حیاتی قرن بیست‌ویکم است، کلاس‌های زبان انگلیسی به عنوان زبان خارجی (EFL) در اتیوپی عمدتاً معلم‌محور بوده و با پرسش‌های سطح پایین غالب هستند. ارتباط میان راهبردهای پرسشگری معلمان و رشد تفکر انتقادی دانش‌آموزان در اتیوپی به اندازه کافی مورد مطالعه قرار نگرفته است. این پژوهش انواع پرسش‌های مورد استفاده معلمان EFL، سطوح تفکر انتقادی دانش‌آموزان و رابطه پیش‌بین میان شیوه‌های پرسشگری و پیامدهای تفکر انتقادی را بررسی کرد. طرح پژوهش آمیخته همگرا و موازی (با غلبه کمی) با مشارکت ۳۴۲ دانش‌آموز دبیرستانی و ۲۸ معلم EFL از شش مدرسه در مرکز اتیوپی اجرا شد. داده‌ها با استفاده از چک‌لیست مشاهده کلاس، فهرست راهبرد پرسشگری معلم و آزمون تفکر انتقادی گردآوری شد. تحلیل‌های کمی شامل آمار توصیفی، مدل‌سازی چندسطحی و رگرسیون خطی چندگانه با خطاهای استاندارد مقاوم به خوشه بود. داده‌های کیفی حاصل از ۱۵ مصاحبه یادآوری تحریک‌شده یافته‌ها را تکمیل کرد. نتایج نشان داد که معلمان عمدتاً از پرسش‌های سطح پایین (۷۸٪) استفاده کردند و تنها ۲۲٪ پرسش‌ها نیازمند تفکر سطح بالاتر بودند. میانگین نمره تفکر انتقادی دانش‌آموزان ۴۱٫۶ از ۱۰۰ (انحراف معیار = ۱۲٫۳) بود که پایین‌تر از معیارهای شایستگی است. تحلیل چندسطحی، زمان انتظار (β = ۰٫۳۸، p < ۰٫۰۰۱) و پیگیری پرسش‌های کاوشگرانه (β = ۰٫۳۱، p = ۰٫۰۰۳) را به عنوان قوی‌ترین پیش‌بین‌های تفکر انتقادی شناسایی کرد و همه متغیرهای سطح معلم در مجموع ۵۲٪ از واریانس بین‌معلمی را تبیین کردند. به طور کیفی، معلمان گزارش دادند که پرسش‌های سطح بالاتر «برنامه درسی را کند می‌کند» و دانش‌آموزان مهارت کافی در زبان انگلیسی برای پاسخ مؤثر ندارند. این یافته‌ها نشان می‌دهد که آموزش‌های پیش‌خدمت و ضمن خدمت باید به طور صریح طبقه‌بندی پرسشگری و تکنیک‌های زمان انتظار را آموزش دهند. بنابراین، وزارت آموزش و پرورش باید معلمان دبیرستان را برای تخصیص زمان درس به پرسشگری سطح بالاتر و ادغام تفکر انتقادی به عنوان بخشی اساسی از دروس آموزش دهد.

Background Hikikomori, a form of prolonged social withdrawal, has been widely studied in East Asia but remains underexplored in the Middle East. Cultural and social factors may influence its cognitive profile, necessitating localized research. Aim To compare cognitive performance between Hikikomori cases and non-cases in Oman using the Cambridge Neuropsychological Test Automated Battery (CANTAB), focusing on executive function, memory recall, and processing speed. Methods A case-control study was conducted in 2024 with 150 participants (54 Hikikomori cases, 96 controls) recruited from a tertiary hospital in Oman. Hikikomori cases were classified using a broad HiDE-I definition, which included pathological, at-risk, and resemblance Hikikomori categories. CANTAB was used to assess key cognitive domains. Independent t-tests and linear regression analyses were performed to compare outcomes. Results Hikikomori cases showed significant impairments in visual processing accuracy (p < 0.001), response latency (p = 0.004), immediate recall (p = 0.031), delayed recall (p = 0.009), and planning efficiency (p < 0.001) compared to non-cases. Adjusted regression analyses—controlling for age, gender, education, income, employment, marital status, and governorate—confirmed that Hikikomori status was significantly associated with lower visual processing accuracy (β = −0.453, p = 0.001), slower response latency (β = 0.266, p = 0.001), poorer immediate (β = −0.201, p = 0.019) and delayed recall (β = −0.255, p = 0.003), and reduced planning efficiency (β = −0.453, p = 0.001). No significant differences were found for spatial working memory tasks. Conclusion Hikikomori individuals in Oman exhibit significant deficits in executive function, memory recall, processing speed, and visual attention, even after adjusting for socio-demographic factors. These findings underscore the importance of early neurocognitive screening and tailored interventions. This is one of the first studies to explore Hikikomori’s cognitive profile in the Middle East.

زمینه: هیکیکوموری، نوعی کناره‌گیری اجتماعی طولانی‌مدت، عمدتاً در شرق آسیا مورد مطالعه قرار گرفته اما در خاورمیانه کمتر بررسی شده‌است. عوامل فرهنگی و اجتماعی ممکن است بر نمایه شناختی آن تأثیرگذار باشند و انجام پژوهش‌های بومی را ضروری می‌سازند. هدف: مقایسه عملکرد شناختی بین موارد هیکیکوموری و غیرموارد در عمان با استفاده از مجموعه آزمون‌های عصب‌روان‌شناختی خودکار کمبریج (CANTAB)، با تمرکز بر عملکرد اجرایی، یادآوری حافظه و سرعت پردازش. روش‌ها: یک مطالعه مورد-شاهدی در سال ۲۰۲۴ با ۱۵۰ شرکت‌کننده (۵۴ مورد هیکیکوموری، ۹۶ شاهد) که از یک بیمارستان سطح سوم در عمان جذب شدند، انجام شد. موارد هیکیکوموری با استفاده از تعریف گسترده HiDE-I که شامل دسته‌های هیکیکوموری آسیب‌شناختی، در معرض خطر و مشابه بود، طبقه‌بندی شدند. CANTAB برای ارزیابی حوزه‌های کلیدی شناختی به‌کار رفت. برای مقایسه نتایج، آزمون t مستقل و تحلیل رگرسیون خطی انجام شد. یافته‌ها: موارد هیکیکوموری در مقایسه با غیرموارد، نارسایی‌های معناداری در دقت پردازش دیداری (p < 0.001)، تأخیر واکنش (p = 0.004)، یادآوری فوری (p = 0.031)، یادآوری با تأخیر (p = 0.009) و کارآمدی برنامه‌ریزی (p < 0.001) نشان دادند. تحلیل‌های رگرسیون تعدیل‌شده—با کنترل سن، جنسیت، تحصیلات، درآمد، اشتغال، وضعیت تأهل و استان—تأیید کرد که وضعیت هیکیکوموری به طور معناداری با دقت پایین‌تر پردازش دیداری (β = −0.453, p = 0.001)، تأخیر واکنش بیشتر (β = 0.266, p = 0.001)، یادآوری فوری ضعیف‌تر (β = −0.201, p = 0.019) و یادآوری با تأخیر ضعیف‌تر (β = −0.255, p = 0.003) و کاهش کارآمدی برنامه‌ریزی (β = −0.453, p = 0.001) مرتبط بود. تفاوت معناداری در تکالیف حافظه کاری فضایی مشاهده نشد. نتیجه‌گیری: افراد هیکیکوموری در عمان حتی پس از تعدیل عوامل جمعیت‌شناختی، نارسایی‌های معناداری در عملکرد اجرایی، یادآوری حافظه، سرعت پردازش و توجه دیداری نشان می‌دهند. این یافته‌ها بر اهمیت غربالگری زودهنگام عصب‌روان‌شناختی و مداخلات متناسب تأکید می‌کند. این پژوهش از نخستین مطالعاتی است که نمایه شناختی هیکیکوموری را در خاورمیانه بررسی می‌کند.

This qualitative case study explored how field dependence-independence shaped students’ access to Action-Process-Object-Schema (APOS)-based scaffolding and how stage-specific support contributed to the qualitative development of advanced mathematical thinking (AMT) on function limits. In this study, developing denotes the observable emergence or reorganization of mathematical constructions during scaffolded activity, not a statistically measured learning gain. The bounded classroom case involved 24 mathematics education students at an Islamic university in Sumatra, Indonesia. The Group Embedded Figures Test classified 6 students as field-independent (FI) and 18 as field-dependent (FD); four information-rich cases, comprising 2 FI and 2 FD students, were selected for cross-case analysis. APOS-based scaffolding was implemented in four 135-minute Calculus I sessions and examined further through stimulated-recall interviews. Initial written solutions provided the primary evidence, post-prompt explanations and revisions documented students’ responses to Action-, Process-, Object-, and Schema-oriented support, and classroom observation records verified the enactment and gradual fading of the planned scaffolds. FI-1 constructed a complete Schema and required only fading prompts. FI-2 moved from correct but disconnected Objects toward an integrated Schema after a Schema-oriented prompt. FD-1 corrected an invalid limit value after Process-oriented prompts stabilized the transformation sequence. FD-2 moved from direct substitution and 0/0 toward guided algebraic Actions and an emerging Process after explicit Action-oriented cues. The findings indicate that cognitive style influenced task entry and the amount of external structure used, whereas APOS identified the construction that support needed to target. The observed shifts support a diagnostic account of AMT development while avoiding causal or long-term claims.

این مطالعه موردی کیفی به بررسی چگونگی تأثیر وابستگی-استقلال میدانی بر دسترسی دانشجویان به پشتیبانی مبتنی بر کنش-فرآیند-شیء-طرحواره (APOS) و نحوه مشارکت حمایت‌های مرحله‌محور در توسعه کیفی تفکر ریاضی پیشرفته (AMT) درباره حد تابع پرداخت. در این پژوهش، توسعه به معنای ظهور یا سازمان‌دهی مجدد قابل مشاهده ساخت‌های ریاضی در جریان فعالیت همراه با پشتیبانی است و نه افزایش یادگیری که به صورت آماری سنجیده شده باشد. مورد محدودشده کلاسی شامل ۲۴ دانشجوی آموزش ریاضی در یک دانشگاه اسلامی در سوماترا، اندونزی بود. آزمون Group Embedded Figures شش دانشجو را به عنوان مستقل از میدان (FI) و ۱۸ نفر را به عنوان وابسته به میدان (FD) طبقه‌بندی کرد؛ چهار مورد غنی از اطلاعات، شامل ۲ دانشجوی FI و ۲ دانشجوی FD برای تحلیل مقایسه‌ای انتخاب شدند. پشتیبانی مبتنی بر APOS در چهار جلسه ۱۳۵ دقیقه‌ای حسابان ۱ اجرا شد و از طریق مصاحبه‌های یادآوری تحریک‌شده بیشتر بررسی گردید. راه‌حل‌های کتبی اولیه شواهد اصلی را فراهم کردند، توضیحات و اصلاحات پس از ارائه محرک‌ها پاسخ دانشجویان به حمایت‌های مبتنی بر کنش، فرآیند، شیء و طرحواره را مستندسازی نمود و سوابق مشاهده کلاسی اجرای پشتیبانی‌های برنامه‌ریزی‌شده و محو تدریجی آن‌ها را تأیید کرد. FI-1 یک طرحواره کامل ساخت و تنها به محرک‌های محو شونده نیاز داشت. FI-2 پس از دریافت محرک مبتنی بر طرحواره، از اشیای صحیح اما جداگانه به سوی یک طرحواره یکپارچه حرکت کرد. FD-1 پس از دریافت محرک‌های مبتنی بر فرآیند که توالی تبدیل را تثبیت کردند، مقدار نادرست حد را اصلاح نمود. FD-2 از جایگذاری مستقیم و ۰/۰ به سوی کنش‌های جبری هدایت‌شده و ظهور یک فرآیند پس از دریافت نشانه‌های صریح مبتنی بر کنش حرکت کرد. یافته‌ها نشان می‌دهد که سبک شناختی بر ورود به تکلیف و میزان استفاده از ساختار بیرونی تأثیرگذار بود، در حالی که APOS ساختاری را که حمایت باید هدف قرار دهد، شناسایی کرد. تغییرات مشاهده‌شده از یک رویکرد تشخیصی به توسعه AMT حمایت می‌کند، بدون آنکه ادعای علی یا بلندمدت داشته باشد.