Random forest

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.

Research on information and communication technology (ICT) use and educational outcomes has reported positive, negative, and null associations, and little is known about creative thinking, which Programme for International Student Assessment (PISA) assessed for the first time in 2022. This study examined how profiles of ICT use relate to creative thinking and whether profile membership predicts creative thinking beyond the dimensions of use from which the profiles are derived. Using data from a large international sample of PISA 2022 students, latent profile analysis of the six Organisation for Economic Co-operation and Development (OECD) dimensions of ICT use identified four profiles that differed mainly in the overall level of use. Creative thinking was compared across profiles using all plausible values, replicate weights and a bias-adjusted three-step approach, and random forest models compared the predictive value of the profiles and the dimensions. Students with below-average use scored highest, followed by those with above-average use, whereas students with very low and very high use scored lowest. The low scores at the two ends had different correlates: adjustment for socioeconomic status and gender substantially reduced the gap for very low use but left the gap for very high use almost unchanged. In the random forest models, the six dimensions predicted creative thinking better than profile membership did. Partial dependence plots showed higher predicted scores with more school activities outside the classroom and lower predicted scores with high weekday leisure use and more support or feedback via ICT. The findings suggest that the association between ICT use and creative thinking is not linear, and that profiles based on the level of use are useful for describing groups of students but carry less information than the dimensions of use.

Objective This study aimed to estimate the prevalence of musculoskeletal symptoms and work-related musculoskeletal disorders (WMSDs) among orthopedic nurses, identify demographic, occupational, and lifestyle characteristics associated with WMSDs, and explore whether routinely collected characteristics could discriminate nurses with WMSDs from those without. Method A single-center cross-sectional study was conducted among nurses at a tertiary orthopedic specialty hospital in China between March and November 2023. Conventional analyses included multivariable logistic regression, modified Poisson regression with robust standard errors, and negative binomial regression. Logistic regression as a benchmark, elastic-net logistic regression, random forest, XGBoost, and support vector machine were compared using repeated 5-fold cross-validation with fold-specific preprocessing. Prediction performance was assessed using AUC with bootstrap 95% CIs, PR-AUC, Brier score, calibration intercept and slope, and descriptive threshold metrics; TreeSHAP was used for model interpretation. Result Among 948 nurses with valid questionnaires, 654 reported musculoskeletal symptoms in the previous 12 months, irrespective of work attribution (68.99%). After excluding 44 participants with uncertain work-related attribution, 604/904 participants were classified as having work-related WMSDs (66.81%). Each 1-point increase in the strict ergonomic risk score was associated with WMSDs in logistic regression (adjusted OR = 2.631, 95% CI 2.039–3.432; p < 0.001) and modified Poisson regression (adjusted PR = 1.283, 95% CI 1.203–1.369; p < 0.001). The highest observed AUC was 0.752 (95% CI 0.721–0.791) for the domain random forest model; the domain XGBoost model had the highest PR-AUC (0.841). Conclusion Musculoskeletal symptoms and WMSDs were common among orthopedic nurses in this single-center sample. Occupational exposure and postural load were associated with WMSDs. The exploratory prediction models showed limited-to-moderate discrimination and warrant prospective multicenter external validation before practical application.

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.

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.

Background Predictive-processing accounts of BPD, including the hierarchical-prior-imbalance account proposed by Herzog, offer a framework for interpreting affective instability and impulsivity. The present task-fMRI study evaluates whether discriminative task-evoked patterns are consistent with this framework; because it does not directly estimate prediction errors, precision weighting, or hierarchical belief updating, it is not a mechanistic test of predictive processing. Methods To evaluate this question, this study developed a leakage-controlled multimodal machine learning framework for individualized classification of adolescents with BPD and healthy controls based on emotional Go/No-Go task-fMRI activity. Three feature domains were constructed: functional connectivity (FC), task-evoked general linear model (GLM)-derived temporal features, and clinical variables. Seven feature settings, including single-modality, dual-modality, and full multimodal combinations, were evaluated using multiple conventional machine learning classifiers, including logistic regression, support vector machine, k-nearest neighbors, Gaussian naive Bayes, multilayer perceptron, random forest, and XGBoost or gradient boosting. Results The results showed that task-evoked GLM-derived features provided the strongest single-modality discriminative information (AUC of 0.881 ± 0.055). SHAP analysis confirmed the predominance of GLM-derived features, accounting for 83.1% of total model attribution, compared to 9.5 and 7.5% for functional connectivity and clinical variables, respectively. At the neural level, discriminative features were distributed across visual/perceptual regions (calcarine, cuneus, occipital cortex), temporoparietal/default-mode hubs (angular and supramarginal gyri), frontal control regions (inferior frontal gyrus), and subcortical structures (putamen). This distributed pattern aligns with a hierarchical organization spanning perceptual input, contextual/self-referential processing, and top-down inhibitory control systems, consistent with the proposed model of hierarchical affective predictive imbalance. Conclusion Task-evoked GLM-derived features were the primary source of discriminative information for adolescent BPD, with functional connectivity and clinical variables providing modest additional value. The resulting classification pattern is consistent with hierarchical predictive-processing accounts but does not establish a specific predictive-processing mechanism. The same regional pattern may also reflect visual attention, salience processing, and executive inhibitory control.

زمینه: رویکردهای پردازش پیش‌بینانه در اختلال شخصیت مرزی، از جمله مدل عدم تعادل پیش‌فرض سلسله‌مراتبی ارائه‌شده توسط Herzog، چارچوبی برای تفسیر بی‌ثباتی عاطفی و تکانشگری فراهم می‌کنند. مطالعه حاضر با استفاده از fMRI برانگیخته‌شده توسط تکلیف، ارزیابی می‌کند که آیا الگوهای تمایزبخش برانگیخته‌شده توسط تکلیف با این چارچوب همخوانی دارند یا خیر؛ چرا که این مطالعه به طور مستقیم خطاهای پیش‌بینی، وزن‌دهی دقت یا به‌روزرسانی باور سلسله‌مراتبی را برآورد نمی‌کند و بنابراین آزمون مکانیکی پردازش پیش‌بینانه محسوب نمی‌شود. روش‌ها: برای ارزیابی این سؤال، این مطالعه یک چارچوب یادگیری ماشین چندوجهی با کنترل نشت برای طبقه‌بندی فردی نوجوانان مبتلا به اختلال شخصیت مرزی و افراد سالم بر اساس فعالیت fMRI تکلیف Go/No-Go عاطفی توسعه داد. سه حوزه ویژگی ساخته شد: اتصال عملکردی (FC)، ویژگی‌های زمانی مشتق‌شده از مدل خطی عمومی (GLM) برانگیخته‌شده توسط تکلیف، و متغیرهای بالینی. هفت تنظیم ویژگی، شامل ترکیب‌های تک‌وجهی، دووجهی و چندوجهی کامل، با استفاده از چندین طبقه‌بند متداول یادگیری ماشین از جمله رگرسیون لجستیک، ماشین بردار پشتیبان، نزدیک‌ترین همسایه، گوسی نایو بیز، پرسپترون چندلایه، جنگل تصادفی و XGBoost یا گرادیان بوستینگ ارزیابی شد. نتایج: نتایج نشان داد که ویژگی‌های مشتق‌شده از GLM برانگیخته‌شده توسط تکلیف قوی‌ترین اطلاعات تمایزبخش تک‌وجهی را فراهم کردند (AUC برابر با 0.881 ± 0.055). تحلیل SHAP برتری ویژگی‌های مشتق‌شده از GLM را تأیید کرد، به طوری که این ویژگی‌ها 83.1٪ از کل نسبت‌دهی مدل را به خود اختصاص دادند، در حالی که اتصال عملکردی و متغیرهای بالینی به ترتیب 9.5 و 7.5٪ را تشکیل دادند. در سطح عصبی، ویژگی‌های تمایزبخش در سراسر نواحی بینایی/ادراکی (کالکارین، کونئوس، قشر اکسیپیتال)، مراکز تمپورپاریتال/حالت پیش‌فرض (ژیروس زاویه‌ای و فوق‌حاشیه‌ای)، نواحی کنترل پیش‌فرونتال (ژیروس فرونتال تحتانی) و ساختارهای زیرقشری (پوتامن) توزیع شده بودند. این الگوی توزیعی با سازماندهی سلسله‌مراتبی که ورودی ادراکی، پردازش زمینه‌ای/خودارجاعی و سیستم‌های کنترل مهاری بالا به پایین را در بر می‌گیرد، همسو است و با مدل پیشنهادی عدم تعادل پیش‌بینی‌کننده عاطفی سلسله‌مراتبی مطابقت دارد. نتیجه‌گیری: ویژگی‌های مشتق‌شده از GLM برانگیخته‌شده توسط تکلیف، منبع اصلی اطلاعات تمایزبخش برای اختلال شخصیت مرزی نوجوانان بودند و اتصال عملکردی و متغیرهای بالینی ارزش افزوده متوسطی را ارائه دادند. الگوی طبقه‌بندی حاصل با رویکردهای پردازش پیش‌بینانه سلسله‌مراتبی سازگار است اما سازوکار خاصی از پردازش پیش‌بینانه را اثبات نمی‌کند. همین الگوی ناحیه‌ای ممکن است بازتاب‌دهنده توجه بینایی، پردازش برجستگی و کنترل مهاری اجرایی نیز باشد.

Understanding the emotional vulnerability of cancer patients and caregivers is critical for improving psychological support and clinical intervention strategies. With the rapid growth of online health communities, large volumes of textual narratives describing treatment experiences and emotional struggles have become available for computational analysis. However, accurately capturing emotional intensity and contextual sentiment in such narratives remains challenging due to the complex linguistic patterns present in health-related discussions. This study proposes an attention-guided hybrid transformer-ensemble learning framework for emotional vulnerability detection in cancer-related social media posts. The proposed architecture integrates domain-adapted contextual representations generated by BioBERT with linguistic intensity features to capture both semantic context and emotional strength. An attention-based feature fusion mechanism dynamically combines these heterogeneous features to produce enriched representations of patient narratives. The fused representations are subsequently utilized by multiple optimized machine learning classifiers, including XGBoost, LightGBM, Random Forest, and CatBoost. Hyperparameter optimization is performed using the Optuna framework to improve predictive performance. Furthermore, ensemble learning strategies such as soft voting, hard voting, and stacking are employed to combine the predictions of the base classifiers. Experiments conducted on a held-out split of a publicly available dataset of 10,391 posts from cancer patients and caregivers demonstrate that ensemble approaches consistently outperform individual classifiers on this data. The stacking ensemble achieves an accuracy of 0.76 and an ROC-AUC of 0.91, outperforming its own individual base classifiers but not a fine-tuned BioBERT baseline (accuracy 0.77, ROC-AUC 0.92) evaluated on the same split; a TF-IDF with linear SVM baseline is also competitive (accuracy 0.763). The framework’s practical advantage over full BioBERT fine-tuning is therefore computational rather than purely predictive: it reuses frozen BioBERT features and adds a lightweight, interpretable attention-fusion and tree-ensemble stage at a fraction of the training cost, while an ablation study confirms that the attention-based fusion of contextual and lexical-intensity signals meaningfully outperforms either signal alone or their simple concatenation. The proposed framework thus provides a scalable, lower-cost computational approach that can support mental health monitoring and early intervention systems in online healthcare communities, at a modest accuracy cost relative to full transformer fine-tuning.

درک آسیب‌پذیری هیجانی بیماران سرطانی و مراقبان آنان برای بهبود حمایت روان‌شناختی و راهبردهای مداخله بالینی اهمیت اساسی دارد. با رشد سریع جوامع سلامت آنلاین، حجم زیادی از روایت‌های متنی که تجارب درمانی و چالش‌های هیجانی را توصیف می‌کنند، برای تحلیل محاسباتی در دسترس قرار گرفته‌اند. با این حال، شناسایی دقیق شدت هیجانی و احساسات زمینه‌ای در این روایت‌ها به دلیل الگوهای زبانی پیچیده در مباحث مرتبط با سلامت، همچنان چالش‌برانگیز است. این پژوهش چارچوبی هیبریدی مبتنی بر یادگیری تجمعی و ترنسفورمر هدایت‌شده با مکانیزم توجه را برای شناسایی آسیب‌پذیری هیجانی در پست‌های شبکه‌های اجتماعی مرتبط با سرطان پیشنهاد می‌کند. معماری پیشنهادی، بازنمایی‌های زمینه‌ای سازگار با حوزه که توسط BioBERT تولید شده‌اند را با ویژگی‌های شدت زبانی ترکیب می‌کند تا هم زمینه معنایی و هم قدرت هیجانی را استخراج نماید. مکانیزم ادغام ویژگی مبتنی بر توجه، این ویژگی‌های ناهمگن را به صورت پویا ترکیب می‌کند تا بازنمایی‌های غنی‌شده‌ای از روایت‌های بیماران ارائه دهد. این بازنمایی‌های ادغام‌شده سپس توسط چندین طبقه‌بند یادگیری ماشین بهینه‌شده شامل XGBoost، LightGBM، Random Forest و CatBoost مورد استفاده قرار می‌گیرند. بهینه‌سازی ابرپارامترها با استفاده از چارچوب Optuna برای بهبود عملکرد پیش‌بینی انجام می‌شود. افزون بر این، راهبردهای یادگیری تجمعی مانند رأی‌دهی نرم، رأی‌دهی سخت و استکینگ برای ترکیب پیش‌بینی‌های طبقه‌بندهای پایه به کار گرفته می‌شوند. آزمایش‌های انجام‌شده بر روی بخش جداگانه‌ای از یک مجموعه داده عمومی شامل ۱۰٬۳۹۱ پست از بیماران سرطانی و مراقبان آنان نشان می‌دهد که رویکردهای تجمعی به طور پیوسته عملکرد بهتری نسبت به طبقه‌بندهای منفرد در این داده‌ها دارند. استکینگ تجمعی به دقت ۰٫۷۶ و ROC-AUC برابر با ۰٫۹۱ دست می‌یابد که نسبت به طبقه‌بندهای پایه خود عملکرد بهتری دارد، اما نسبت به خط‌مبنای BioBERT تنظیم‌شده (دقت ۰٫۷۷، ROC-AUC برابر با ۰٫۹۲) که بر روی همان بخش ارزیابی شده است، برتری ندارد؛ همچنین خط‌مبنای TF-IDF با SVM خطی نیز رقابتی است (دقت ۰٫۷۶۳). بنابراین، مزیت عملی چارچوب پیشنهادی نسبت به تنظیم کامل BioBERT، بیشتر محاسباتی است تا صرفاً پیش‌بینی: این چارچوب از ویژگی‌های ثابت‌شده BioBERT استفاده می‌کند و مرحله‌ای سبک، قابل تفسیر و مبتنی بر ادغام توجه و یادگیری تجمعی درختی را با کسری از هزینه آموزش اضافه می‌کند، در حالی که مطالعه حذف اجزا تأیید می‌کند که ادغام مبتنی بر توجه سیگنال‌های زمینه‌ای و شدت واژگانی به طور معناداری بهتر از هر یک به تنهایی یا ادغام ساده آن‌ها عمل می‌کند. بدین ترتیب، چارچوب پیشنهادی رویکردی مقیاس‌پذیر و کم‌هزینه برای پشتیبانی از پایش سلامت روان و سامانه‌های مداخله زودهنگام در جوامع سلامت آنلاین فراهم می‌کند، هرچند با هزینه اندکی در دقت نسبت به تنظیم کامل ترنسفورمر.

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.

Emotion recognition from EEG signals has become a central task in affective computing, offering non-invasive insight into human emotional states. Due to the nonlinear and nonstationary nature of EEG, entropy-based features have gained prominence as reliable indicators of brain complexity. However, traditional entropy metrics—such as Shannon entropy (ShanEn) and its variants—often lack sensitivity to transient dynamics and multiscale irregularities in the brain’s electrical activity. This study introduces a novel application of Entropy of Entropy (EoE) to EEG phase series (EoE – phase), aiming to enhance the detection of emotional states by capturing second-order variability in signal complexity. Unlike conventional measures, EoE quantifies not just signal unpredictability, but also the fluctuation of that unpredictability over time, offering a more dynamic representation of neural information flow. Using the GAMEEMO dataset, which includes EEG recordings from 28 participants during four emotion-evoking game scenarios (funny, boring, horror, calm), we computed and compared four feature sets: Phase Entropy, EoE – phase, ShanEn, and EoE applied to EEG amplitude time series. These features were classified using six machine learning models, including AdaBoost, SVM, and Random Forest. Our results demonstrate that EoE applied to phase dynamics significantly outperforms other entropy-based features, achieving a classification accuracy of 71.7% and AUC of 0.869 using the RF classifier with mixed PhaseEn and EoE-phase features, while traditional Shannon-based features reached only ~59% accuracy. This study provides the first systematic evaluation of EoE on EEG phase signals for emotion recognition, revealing its strong discriminative power and potential for integration into next-generation brain-computer interfaces.

شناسایی احساسات از سیگنال‌های EEG به یکی از وظایف محوری در رایانش عاطفی تبدیل شده است و بینشی غیرتهاجمی نسبت به وضعیت‌های عاطفی انسان ارائه می‌دهد. به دلیل ماهیت غیرخطی و غیرایستا بودن EEG، ویژگی‌های مبتنی بر آنتروپی به عنوان شاخص‌های قابل اعتماد پیچیدگی مغز مورد توجه قرار گرفته‌اند. با این حال، معیارهای سنتی آنتروپی—مانند آنتروپی شانون (ShanEn) و انواع آن—اغلب نسبت به پویایی‌های گذرا و بی‌نظمی‌های چندمقیاسی در فعالیت الکتریکی مغز حساسیت کافی ندارند. این مطالعه کاربرد نوینی از آنتروپیِ آنتروپی (EoE) را بر سری‌های فاز EEG (EoE – phase) معرفی می‌کند که هدف آن ارتقاء شناسایی وضعیت‌های عاطفی از طریق ثبت تغییرپذیری مرتبه دوم در پیچیدگی سیگنال است. برخلاف سنجه‌های متعارف، EoE نه تنها غیرقابل پیش‌بینی بودن سیگنال، بلکه نوسان این غیرقابل پیش‌بینی بودن را در طول زمان کمی‌سازی می‌کند و بازنمایی پویاتری از جریان اطلاعات عصبی ارائه می‌دهد. با استفاده از پایگاه داده GAMEEMO که شامل ثبت‌های EEG از ۲۸ شرکت‌کننده در چهار سناریوی بازی برانگیزاننده احساس (خنده‌دار، کسل‌کننده، ترسناک، آرام) است، چهار مجموعه ویژگی شامل آنتروپی فاز، EoE – phase، ShanEn و EoE اعمال‌شده بر سری زمانی دامنه EEG محاسبه و مقایسه شد. این ویژگی‌ها با استفاده از شش مدل یادگیری ماشین از جمله AdaBoost، SVM و Random Forest طبقه‌بندی شدند. نتایج ما نشان می‌دهد که EoE اعمال‌شده بر پویایی فاز به طور معناداری عملکرد بهتری نسبت به سایر ویژگی‌های مبتنی بر آنتروپی دارد و با استفاده از طبقه‌بند RF و ترکیب ویژگی‌های PhaseEn و EoE-phase، دقت طبقه‌بندی ۷۱.۷٪ و AUC معادل ۰.۸۶۹ را به دست می‌آورد، در حالی که ویژگی‌های مبتنی بر شانون تنها به دقت حدود ۵۹٪ می‌رسند. این مطالعه نخستین ارزیابی نظام‌مند EoE بر سیگنال‌های فاز EEG برای شناسایی احساسات را ارائه می‌دهد و قدرت تمایزبخشی بالای آن و پتانسیل ادغام در رابط‌های مغز-رایانه نسل آینده را آشکار می‌سازد.

This cross-sectional study aimed to develop and preliminarily validate a machine learning model for preliminary forward head posture (FHP) screening and deploy the final model as an online tool. Among 825 university students, 625 comprised the development dataset (training set, n = 437; test set, n = 188), and 200 the exploratory external validation dataset. FHP was defined as a craniovertebral angle < 50°. Six machine learning models were compared through nested cross-validation. Restricted cubic splines and Shapley additive explanations analysis were used for exploratory association analysis and model interpretation, respectively. Random forest (RF) achieved the highest sensitivity in nested cross-validation (0.748, 95% CI 0.661–0.825) and was therefore selected as the final model based on the prespecified priority of reducing missed cases. In the external validation, RF achieved an AUC of 0.827 (0.751–0.896), sensitivity of 0.745 (0.615–0.865), specificity of 0.784 (0.715–0.845), and Brier score of 0.125 (0.097–0.154). Body mass index contributed most to model output and showed a significant nonlinear association with FHP (adjusted p = 0.017). The model showed moderate-to-good discrimination for FHP among university students and may offer a relatively accessible approach to preliminary FHP screening.

این مطالعه مقطعی با هدف توسعه و اعتبارسنجی اولیه یک مدل یادگیری ماشین برای غربالگری اولیه وضعیت سر به جلو (FHP) و پیاده‌سازی مدل نهایی به عنوان یک ابزار آنلاین انجام شد. از میان ۸۲۵ دانشجوی دانشگاه، ۶۲۵ نفر مجموعه داده توسعه (مجموعه آموزش، n = ۴۳۷؛ مجموعه آزمون، n = ۱۸۸) و ۲۰۰ نفر مجموعه داده اعتبارسنجی اکتشافی خارجی را تشکیل دادند. FHP به عنوان زاویه کرانیوورتبرال کمتر از ۵۰ درجه تعریف شد. شش مدل یادگیری ماشین از طریق اعتبارسنجی متقاطع تو در تو مقایسه شدند. برای تحلیل اکتشافی ارتباط و تفسیر مدل به ترتیب از اسپلاین‌های مکعبی محدود و تحلیل توضیحات افزایشی Shapley استفاده شد. مدل جنگل تصادفی (RF) بالاترین حساسیت را در اعتبارسنجی متقاطع تو در تو (۰.۷۴۸، ۹۵٪ CI: ۰.۶۶۱–۰.۸۲۵) به دست آورد و بر اساس اولویت از پیش تعیین‌شده برای کاهش موارد از دست رفته به عنوان مدل نهایی انتخاب شد. در اعتبارسنجی خارجی، RF به AUC برابر با ۰.۸۲۷ (۰.۷۵۱–۰.۸۹۶)، حساسیت ۰.۷۴۵ (۰.۶۱۵–۰.۸۶۵)، ویژگی ۰.۷۸۴ (۰.۷۱۵–۰.۸۴۵) و امتیاز Brier معادل ۰.۱۲۵ (۰.۰۹۷–۰.۱۵۴) دست یافت. شاخص توده بدنی بیشترین سهم را در خروجی مدل داشت و ارتباط غیرخطی معناداری با FHP نشان داد (p تعدیل‌شده = ۰.۰۱۷). مدل مذکور تمایز متوسط تا خوبی را برای FHP در میان دانشجویان دانشگاه نشان داد و ممکن است رویکردی نسبتاً در دسترس برای غربالگری اولیه FHP ارائه دهد.