Information sharing

The rapid growth of social media has transformed communication and information sharing; however, excessive use can promote procrastination and avoidance of academic tasks, contributing to increased test anxiety among students. This study explores how social media use and procrastination contribute to test anxiety among the said population. A cross-sectional design was employed with sample of 284 university students (M = 110, F = 160) with a mean X age=20.8 years selected through convenience. Social media was measured through Social Media Use Questionnaire (Xanidis and Brignell, 2016), procrastination was assessed using the Lay Procrastination Scale (Lay, 1986) and test anxiety was evaluated by Westside Test Anxiety Scale (Driscoll, 2004). Data was analyzed using correlation and regression analysis. The results revealed significant positive correlation between social media use, procrastination, and test anxiety. Regression analysis showed that both the use of social media and procrastination significantly forecasted test anxiety, indicating that an increased occurrence of problematic digital engagement and reduced self-control leads to academic stress. These findings highlight the fact that university-level interventions encourage healthier digital habits and stronger individual control of students. Also, it emphasizes the need for parents and educators to promote effective study habits and self-regulation, as excessive social media use limits students’ available study time.

To be effective, adolescents' parents must have basic knowledge about what their children do, who they spend their time with, and what they care about. There is broad consensus that parental monitoring facilitates adolescent information sharing and that information sharing is the most important factor predicting parents' knowledge of their adolescents' lives (Liu et al. 2020). Nonetheless, under some circumstances, vicious cycles can develop in which adolescents react to parents' attempts to gain information by becoming more secretive and parents, in turn, respond to adolescents' secrecy by becoming more intrusive (Hawk et al. 2013, 2016). Despite developmentalists' fundamental interest in the study of change, most current conceptual models of monitoring are static. Specifically, theories have little to say about what would initiate change in stable family systems. This paper integrates what we have learned about parental monitoring, adolescent information sharing, and parents' knowledge in the last decades (e.g., Gingo 2024; Liu et al. 2020) with older models of parenting practice, style, and adolescents' willingness to be socialized (Cumsille et al. 2010; Darling and Steinberg 1993). It then incorporates insights from a model of monitoring borrowed from criminology (Hardie 2021a, 2022, 2024). This integrated model focuses attention on parents' goals and their ability to assess the success of their efforts as a mechanism driving change. A series of deterministic dynamic systems models illustrates predictions from this model about how parental monitoring and knowledge, adolescent information sharing, and outcomes unfold over time under different circumstances.

برای اثربخشی، والدین نوجوانان باید دانش پایه‌ای دربارهٔ فعالیت‌های فرزندان خود، افرادی که با آن‌ها وقت می‌گذرانند و علایق آن‌ها داشته باشند. اجماع گسترده‌ای وجود دارد که نظارت والدین موجب تسهیل به اشتراک‌گذاری اطلاعات توسط نوجوانان می‌شود و به اشتراک‌گذاری اطلاعات مهم‌ترین عامل پیش‌بینی‌کننده دانش والدین از زندگی نوجوانان است (Liu و همکاران، 2020). با این حال، در برخی شرایط، چرخه‌های معیوبی شکل می‌گیرد که در آن نوجوانان در واکنش به تلاش والدین برای کسب اطلاعات، رفتار پنهان‌کارانه‌تری اتخاذ می‌کنند و والدین نیز در پاسخ به پنهان‌کاری نوجوانان، مداخله‌گرتر می‌شوند (Hawk و همکاران، 2013، 2016). با وجود علاقه بنیادی پژوهشگران رشد به مطالعه تغییر، اغلب مدل‌های مفهومی فعلی درباره نظارت، ایستا هستند. به طور خاص، نظریه‌ها توضیح چندانی درباره عوامل آغازگر تغییر در نظام‌های خانوادگی پایدار ارائه نمی‌دهند. این مقاله، یافته‌های چند دهه اخیر درباره نظارت والدین، به اشتراک‌گذاری اطلاعات توسط نوجوانان و دانش والدین (برای مثال، Gingo، 2024؛ Liu و همکاران، 2020) را با مدل‌های قدیمی‌تر درباره شیوه‌های فرزندپروری، سبک‌های والدگری و تمایل نوجوانان به اجتماعی شدن (Cumsille و همکاران، 2010؛ Darling و Steinberg، 1993) تلفیق می‌کند. سپس، بینش‌هایی از یک مدل نظارت برگرفته از جرم‌شناسی (Hardie، 2021a، 2022، 2024) را نیز وارد بحث می‌کند. این مدل تلفیقی، توجه را به اهداف والدین و توانایی آن‌ها در ارزیابی موفقیت تلاش‌هایشان به عنوان سازوکاری برای ایجاد تغییر معطوف می‌سازد. مجموعه‌ای از مدل‌های سیستم‌های پویا و قطعی، پیش‌بینی‌های این مدل را درباره چگونگی تحول نظارت و دانش والدین، به اشتراک‌گذاری اطلاعات توسط نوجوانان و پیامدها در طول زمان و تحت شرایط مختلف نشان می‌دهد.

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.