Reproducibility

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

Words and colors are intimately associated in humans, a sign of the close relationship between verbal, linguistic expression and cognition. Word-color association therefore plays an important role in areas of communication such as marketing and literature. Traditional efforts to build a general, scalable, and quantitative mapping of word-color association have often relied on surveys, experiencing difficulties in curating large-scale data sets, enrolling sufficient participants, and excising potential inherent researcher biases in the choice of the words and the colors to be mapped. Even the most recent computational efforts based on Large Language Models (LLMs) do not overcome these problems due to their near-complete lack of transparency in data and methodology that results in low confidence, consistency, and reliability. Here we propose a framework that overcomes these limitations via the use of freely accessible large-scale web image data, and fully transparent and reproducible methods that allow one to build color associations for almost any given word. We also showcase the methodology in action through analyses of color usage in corporate branding and 20th-century Anglo-American poetry. These show that our framework can help form new answers to and perspectives on long-standing questions in communication. Additionally, our framework by design can be readily adopted for use in any language supported by a web image search engine, and its code is freely available in open source; we therefore expect it to contribute towards achieving a universal, multilingual understanding of word-color association.

واژه‌ها و رنگ‌ها در انسان‌ها به طور نزدیکی با یکدیگر مرتبط‌اند که این امر نشانه‌ای از رابطه نزدیک میان بیان کلامی، زبانی و شناختی است. بنابراین، همبستگی واژه و رنگ نقش مهمی در حوزه‌هایی از ارتباطات مانند بازاریابی و ادبیات ایفا می‌کند. تلاش‌های سنتی برای ایجاد نگاشتی کلی، مقیاس‌پذیر و کمی از همبستگی واژه و رنگ اغلب متکی بر پیمایش‌ها بوده‌اند و در گردآوری مجموعه‌داده‌های وسیع، جذب مشارکت‌کنندگان کافی و حذف سوگیری‌های ذاتی پژوهشگر در انتخاب واژه‌ها و رنگ‌های مورد نگاشت با دشواری‌هایی مواجه بوده‌اند. حتی جدیدترین تلاش‌های محاسباتی مبتنی بر مدل‌های زبانی بزرگ (LLMs) نیز به دلیل فقدان تقریباً کامل شفافیت در داده‌ها و روش‌شناسی، که منجر به اعتماد، انسجام و پایایی پایین می‌شود، این مشکلات را برطرف نمی‌کنند. در این پژوهش، چارچوبی ارائه می‌شود که این محدودیت‌ها را از طریق استفاده از داده‌های تصویری وب در مقیاس وسیع و آزاد و روش‌های کاملاً شفاف و قابل بازتولید که امکان ساخت همبستگی رنگ برای تقریباً هر واژه‌ای را فراهم می‌کند، برطرف می‌سازد. همچنین، روش‌شناسی ارائه‌شده از طریق تحلیل کاربرد رنگ در برندینگ شرکتی و شعر انگلیسی-آمریکایی قرن بیستم به نمایش گذاشته می‌شود. این تحلیل‌ها نشان می‌دهند که چارچوب ما می‌تواند به ارائه پاسخ‌ها و دیدگاه‌های جدید نسبت به پرسش‌های دیرینه در حوزه ارتباطات کمک کند. افزون بر این، چارچوب ما به گونه‌ای طراحی شده است که به آسانی برای هر زبانی که توسط موتور جستجوی تصویر وب پشتیبانی می‌شود، قابل استفاده است و کد آن به صورت متن‌باز در دسترس قرار دارد؛ از این رو انتظار می‌رود که به دستیابی به درکی جهانی و چندزبانه از همبستگی واژه و رنگ کمک کند.

Context. Automated analysis of sports movements is an important area of modern intelligent computer systems and sports science. In gymnastics, assessing the quality of a performance depends largely on subjective judgment, which limits the accuracy and reproducibility of results. The use of image analysis and artificial intelligence methods opens up the possibility of creating automated systems for recognizing gymnastic elements, but the high dimensionality of visual data complicates the practical implementation of such solutions. This necessitates the search for approaches that increase accuracy and reduce computational complexity.Objective. The purpose of the work is to determine the impact of using the method of main components in combination with deep neural networks on the accuracy, speed and generalization ability of models for classifying gymnastic elements by images.Method. The paper uses an approach that combines the preliminary reduction of the dimensionality of images by the method of main components and subsequent classification using neural networks of different architectures. The study was performed on a set of images of gymnastic elements with preliminary normalization and unification of data. A comparative experimental analysis of models with full and reduced dimensionality of the input space was carried out.Results. The results obtained show that the reduction of dimensionality allows to significantly reduce the computational complexity of models without a significant loss of classification quality. It has been established that the combination of the principal component method with a fully connected neural network provides accuracy comparable to resource-intensive convolutional architectures with significantly lower requirements for computing resources. An optimal balance between preserving the information content of data and noise filtering has been revealed.Conclusions. The scientific novelty of the work lies in the complex experimental substantiation of the effectiveness of the hybrid approach to the classification of gymnastic elements in the compressed feature space. The practical significance of the results lies in the possibility of creating compact and high-speed systems for automated analysis of sports movements, suitable for use in mobile and embedded applications. further work in this direction

زمینه: تحلیل خودکار حرکات ورزشی یکی از حوزه‌های مهم سامانه‌های هوشمند رایانه‌ای و علم ورزش مدرن است. در ژیمناستیک، ارزیابی کیفیت اجرا تا حد زیادی به قضاوت ذهنی وابسته است که این امر دقت و قابلیت تکرار نتایج را محدود می‌کند. استفاده از روش‌های تحلیل تصویر و هوش مصنوعی امکان ایجاد سامانه‌های خودکار برای شناسایی عناصر ژیمناستیکی را فراهم می‌سازد، اما ابعاد بالای داده‌های بصری، پیاده‌سازی عملی چنین راه‌حل‌هایی را پیچیده می‌کند. این امر ضرورت جستجوی رویکردهایی را ایجاب می‌کند که دقت را افزایش داده و پیچیدگی محاسباتی را کاهش دهند. هدف: هدف این پژوهش تعیین تأثیر استفاده از روش مؤلفه‌های اصلی در ترکیب با شبکه‌های عصبی عمیق بر دقت، سرعت و قابلیت تعمیم مدل‌ها برای طبقه‌بندی عناصر ژیمناستیک بر اساس تصاویر است. روش: در این مقاله رویکردی به کار رفته است که کاهش ابعاد اولیه تصاویر با روش مؤلفه‌های اصلی را با طبقه‌بندی پسین با استفاده از شبکه‌های عصبی با معماری‌های مختلف ترکیب می‌کند. مطالعه بر روی مجموعه‌ای از تصاویر عناصر ژیمناستیک با نرمال‌سازی و یکسان‌سازی اولیه داده‌ها انجام شده است. تحلیل تجربی مقایسه‌ای مدل‌ها با فضای ورودی کامل و کاهش‌یافته ابعاد صورت گرفته است. یافته‌ها: نتایج به‌دست‌آمده نشان می‌دهد که کاهش ابعاد به طور معناداری پیچیدگی محاسباتی مدل‌ها را بدون افت قابل توجه کیفیت طبقه‌بندی کاهش می‌دهد. مشخص شد که ترکیب روش مؤلفه‌های اصلی با شبکه عصبی کاملاً متصل، دقتی قابل مقایسه با معماری‌های پیچیده مبتنی بر شبکه عصبی کانولوشنی با نیاز به منابع محاسباتی بسیار کمتر فراهم می‌کند. تعادل بهینه‌ای میان حفظ محتوای اطلاعاتی داده‌ها و پالایش نویز شناسایی شد. نتیجه‌گیری: نوآوری علمی این پژوهش در اثبات تجربی جامع اثربخشی رویکرد ترکیبی برای طبقه‌بندی عناصر ژیمناستیک در فضای ویژگی فشرده نهفته است. اهمیت عملی نتایج در امکان ایجاد سامانه‌های فشرده و پرسرعت برای تحلیل خودکار حرکات ورزشی است که برای استفاده در کاربردهای موبایل و نهفته مناسب می‌باشند. ادامه پژوهش در این زمینه پیشنهاد می‌شود.

Introduction: The Convention on the Rights of Persons with Disabilities (CRPD) enumerates a broad, heterogeneous set of rights and requires their monitoring.The Human Rights-Based Well-Being Checklist (HRWC) is a 39-item instrument aligned with the CRPD; it covers this heterogeneous content, and no subscales were defined at its development.Using exploratory network analysis, we examined the response structure of the HRWC to clarify its descriptive interpretation and to assess whether empirically detected item communities were sufficiently stable to justify subscale construction or item removal.The focal case was a set of eight items that are reverse-keyed in the scoring scheme and framed in terms of adverse rightsrelated experiences (Items 1-4, 12, 14, 17, and 18).This set was defined by the scoring scheme independently of the network results; the decision to focus on it was post hoc.Methods: This secondary analysis used registry data from adults with disabilities in Muntinlupa, Philippines (N = 1,014).The HRWC is a self-report instrument whose items describe day-to-day situations corresponding to CRPD rights; each item is scored 0-4, giving a possible total of 0-156.Regularized partial-correlation networks, in which each edge represents the association between two items after accounting for all the other items, were estimated under two parallel specifications: rank-based Spearman correlations, which use only the rank order of the responses, and polychoric correlations, which treat each response as a coarsened observation of an underlying continuous variable.Item communities, that is, groups of items more densely interconnected with one another than with the rest of the network, were detected with the Walktrap algorithm, and their reproducibility was examined in 1,000 bootstrap resamples per specification.Results: Under Spearman estimation, the eight items formed one community containing no other items (27 of 28 possible within-set edges positive and nonzero; one absent), were retained across algorithms, regularization settings, and the nonparanormal network, and were reproduced in 885 of the 1,000 resamples (88.5%).Under polychoric estimation, the Walktrap point estimate divided the eight items along a shared stem (Items 1-4 versus 12, 14, 17, 18), although three alternative detection algorithms recovered that single community; the same eight-item-only community recurred under Walktrap in 333 of the 1,000 resamples (33.3%).Whether the eight items formed one community or two subgroups, thus, varied with the correlation method, the detection algorithm, and the resample.Conclusions: Item-level profiles and the existing unweighted total serve different descriptive functions.Item-level profiles preserve information on the distinct CRPD-related conditions represented by individual items, whereas the unweighted total can provide a concise summary across all 39 responses.Substantive content could not be separated from keying, shared stems, item position, or response distributions, and the findings provide no empirical support from these analyses for constructing subscales or removing items on the basis of the observed network communities.

مقدمه: کنوانسیون حقوق افراد دارای معلولیت (CRPD) مجموعه‌ای گسترده و ناهمگون از حقوق را برمی‌شمارد و نظارت بر آن‌ها را الزامی می‌داند. چک‌لیست بهزیستی مبتنی بر حقوق بشر (HRWC) یک ابزار ۳۹ گویه‌ای منطبق با CRPD است؛ این ابزار محتوای ناهمگون مذکور را پوشش می‌دهد و در زمان تدوین آن هیچ زیرمقیاسی تعریف نشده است. با استفاده از تحلیل شبکه‌ای اکتشافی، ساختار پاسخ‌های HRWC را به منظور روشن‌سازی تفسیر توصیفی آن و ارزیابی این‌که آیا خوشه‌های گویه‌ای شناسایی‌شده به طور تجربی به اندازه کافی پایدار هستند تا ساخت زیرمقیاس یا حذف گویه را توجیه کنند، بررسی کردیم. مورد کانونی، مجموعه‌ای از هشت گویه بود که در طرح نمره‌گذاری به صورت معکوس‌کلید هستند و با چارچوب تجارب منفی مرتبط با حقوق بیان شده‌اند (گویه‌های ۱ تا ۴، ۱۲، ۱۴، ۱۷ و ۱۸). این مجموعه به طور مستقل از نتایج شبکه و صرفاً بر اساس طرح نمره‌گذاری تعریف شده بود؛ تصمیم برای تمرکز بر آن پس از تحلیل اتخاذ شد. روش‌ها: این تحلیل ثانویه از داده‌های ثبتی بزرگسالان دارای معلولیت در مونتینلوپا، فیلیپین (N = 1,014) استفاده کرد. HRWC یک ابزار خودگزارشی است که گویه‌های آن موقعیت‌های روزمره متناظر با حقوق CRPD را توصیف می‌کند؛ هر گویه از ۰ تا ۴ نمره می‌گیرد و مجموع کل ممکن ۰ تا ۱۵۶ است. شبکه‌های همبستگی جزئی منظم‌شده، که در آن هر یال نمایانگر ارتباط بین دو گویه پس از کنترل سایر گویه‌ها است، تحت دو مشخصه موازی برآورد شد: همبستگی‌های اسپیرمن مبتنی بر رتبه که فقط ترتیب رتبه پاسخ‌ها را لحاظ می‌کند، و همبستگی‌های پلی‌کوریک که هر پاسخ را به عنوان مشاهده‌ای رده‌بندی‌شده از یک متغیر پیوسته زیربنایی در نظر می‌گیرد. خوشه‌های گویه‌ای، یعنی گروه‌هایی از گویه‌ها که به طور متراکم‌تری با یکدیگر نسبت به سایر شبکه مرتبط‌اند، با الگوریتم Walktrap شناسایی شد و قابلیت بازتولید آن‌ها در ۱٬۰۰۰ نمونه‌گیری بوت‌استرپ برای هر مشخصه بررسی گردید. یافته‌ها: در برآورد اسپیرمن، هشت گویه یک خوشه تشکیل دادند که هیچ گویه دیگری در آن نبود (۲۷ از ۲۸ یال ممکن درون‌مجموعه‌ای مثبت و غیرصفر؛ یکی غایب)، این خوشه در الگوریتم‌ها، تنظیمات منظم‌سازی و شبکه نانورمال نیز حفظ شد و در ۸۸۵ از ۱٬۰۰۰ نمونه‌گیری (۸۸٫۵٪) بازتولید گردید. در برآورد پلی‌کوریک، برآورد نقطه‌ای Walktrap این هشت گویه را بر اساس ساقه مشترک به دو گروه تقسیم کرد (گویه‌های ۱ تا ۴ در مقابل ۱۲، ۱۴، ۱۷، ۱۸)، هرچند سه الگوریتم شناسایی جایگزین همان خوشه واحد را بازیابی کردند؛ همان خوشه هشت‌گویه‌ای در ۳۳۳ از ۱٬۰۰۰ نمونه‌گیری (۳۳٫۳٪) با Walktrap تکرار شد. بنابراین، این‌که هشت گویه یک خوشه یا دو زیرگروه تشکیل دهند، به روش همبستگی، الگوریتم شناسایی و نمونه‌گیری بستگی داشت. نتیجه‌گیری: پروفایل‌های سطح گویه و مجموع بدون وزن عملکرد توصیفی متفاوتی دارند. پروفایل‌های سطح گویه اطلاعات مربوط به شرایط متمایز مرتبط با CRPD را که هر گویه نمایندگی می‌کند حفظ می‌کنند، در حالی که مجموع بدون وزن می‌تواند خلاصه‌ای فشرده از کل ۳۹ پاسخ ارائه دهد. محتوای مفهومی از کلیدگذاری، ساقه مشترک، موقعیت گویه یا توزیع پاسخ‌ها قابل تفکیک نبود و یافته‌ها هیچ شواهد تجربی برای ساخت زیرمقیاس یا حذف گویه‌ها بر اساس خوشه‌های شبکه مشاهده‌شده ارائه نمی‌دهند.

The South African Open Science Policy 2026, published by the Department of Science, Technology, and Innovation, is formally committed to the democratisation of knowledge and epistemic equity. Yet a critical reading reveals that the Policy reproduces, through its own discursive architecture, the epistemological hierarchy it claims to dismantle. This article analyses the Policy as a discursive text, drawing on Laclau and Mouffe’s discourse theory and Foucault’s concept of the regime of truth to explain how a policy committed to democratisation can simultaneously enact epistemic exclusion. The primary argument is threefold. First, the Policy constructs “Open Science” as a nodal point around which a chain of equivalences is built from STEM-derived norms, including reproducibility, FAIR data principles, journal metrics, and natural science models of citizen science. Second, we argue that this hegemonic articulation reconstitutes a hidden antagonism between positivist and interpretivist epistemological traditions, reawakening a binary opposition that the paradigm wars of the twentieth century had ostensibly resolved. Third, the incommensurability between these traditions means that applying STEM-derived criteria universally to all research constitutes not evaluation but category error institutionalised as governance. Six dimensions of epistemological closure are examined: the reproducibility criterion, the FAIR data mandate, the marginalisation of CARE principles, the protective rather than epistemic treatment of indigenous knowledge, the structural absence of humanistic output forms, and the natural-science-centred design of the citizen science framework and its consequences for participatory research traditions. Five policy interventions are proposed through which the Policy’s stated commitment to epistemic equity could be made operational across the full disciplinary spectrum.

سیاست علم باز آفریقای جنوبی ۲۰۲۶ که توسط وزارت علوم، فناوری و نوآوری منتشر شده است، به طور رسمی متعهد به دموکراتیزه‌کردن دانش و برابری معرفتی است. با این حال، خوانشی انتقادی نشان می‌دهد که این سیاست از طریق معماری گفتمانی خود، همان سلسله‌مراتب معرفتی را بازتولید می‌کند که مدعی برچیدن آن است. این مقاله سیاست مذکور را به عنوان یک متن گفتمانی تحلیل می‌کند و با بهره‌گیری از نظریه گفتمان Laclau و Mouffe و مفهوم رژیم حقیقت نزد Foucault، توضیح می‌دهد که چگونه یک سیاست متعهد به دموکراتیزاسیون می‌تواند همزمان به طرد معرفتی منجر شود. استدلال اصلی مقاله سه‌وجهی است: نخست، سیاست «علم باز» را به عنوان نقطه گره‌ای می‌سازد که زنجیره‌ای از هم‌ارزی‌ها حول هنجارهای برگرفته از STEM، از جمله معیار بازتولیدپذیری، اصول داده FAIR، شاخص‌های نشریات و مدل‌های علوم طبیعی از علم شهروندی ایجاد می‌کند. دوم، ما استدلال می‌کنیم که این مفصل‌بندی هژمونیک، خصومت پنهانی میان سنت‌های معرفتی پوزیتیویستی و تفسیرگرایانه را بازسازی می‌کند و دوگانگی‌ای را احیا می‌کند که به ظاهر جنگ‌های پارادایمی قرن بیستم آن را حل کرده بودند. سوم، نامقیاسی میان این سنت‌ها به این معناست که تعمیم معیارهای برگرفته از STEM به همه پژوهش‌ها، نه ارزیابی بلکه خطای مقوله‌ای است که به صورت حکمرانی نهادینه می‌شود. شش بُعد انسداد معرفتی بررسی می‌شود: معیار بازتولیدپذیری، الزام داده FAIR، به حاشیه‌راندن اصول CARE، برخورد حفاظتی به جای معرفتی با دانش بومی، فقدان ساختاری اشکال تولیدات علوم انسانی و طراحی چارچوب علم شهروندی با محوریت علوم طبیعی و پیامدهای آن برای سنت‌های پژوهش مشارکتی. پنج مداخله سیاستی پیشنهاد می‌شود که از طریق آن‌ها تعهد اعلام‌شده سیاست به برابری معرفتی می‌تواند در سراسر طیف رشته‌ای عملیاتی شود.

Inconclusive evidence for leading third-person theories of consciousness has renewed scientific interest in its first-person nature. Self-inquiry, a first-person method from Advaita Vedanta, can be operationalized to meet this need, though it has not received prior empirical study, likely owing to Advaita’s idealism. By bracketing Advaita’s metaphysical commitments and mapping its characterization of consciousness onto the distinctions drawn by consciousness science, self-inquiry can be understood as a systematic phenomenology of selfhood. The method’s rationale is that mental contents perpetuate the “narrative self,” or one’s personal identity, so tracing such contents back to the sense of “I” to which they are referred attenuates the narrative self and discloses the “minimal self.” The minimal self is the pre-reflective first-person perspective of experience that carries a sense of “for-me-ness.” Sustained attention to the minimal self may then facilitate a selfless mode of awareness, or nondual awareness, marked by the absence of felt division between self and world. On this account, the narrative self and the appropriative ownership underlying the minimal self are seen as illusory, while an impersonal, reflexive consciousness remains. This deconstruction of selfhood already has neurophenomenological precedent, though from studies confined to Buddhist practice and reliant on idiosyncratic techniques. Self-inquiry thus holds empirical significance: its stepwise structure offers potential reproducibility across participants, a within-practice control, and a target attentional operation whose proposed distinctiveness can be empirically tested. It may also hold clinical relevance, having been proposed for incorporation into psychotherapy amid growing research into the therapeutic potential of self-attenuation.

شواهد نامشخص برای نظریه‌های برجسته‌ی شخص سوم درباره‌ی آگاهی، علاقه‌ی علمی را به ماهیت شخص اول آن تجدید کرده است. خودپرسش‌گری، روشی شخص اول از آدوایتا وِدانتا، می‌تواند به‌صورت عملیاتی برای پاسخ به این نیاز به‌کار رود، هرچند پیش‌تر مورد مطالعه‌ی تجربی قرار نگرفته است که احتمالاً به دلیل ایده‌آلیسم آدوایتا باشد. با کنار گذاشتن تعهدات مابعدالطبیعی آدوایتا و نگاشت توصیف آن از آگاهی بر تمایزات مطرح‌شده در علم آگاهی، خودپرسش‌گری می‌تواند به‌عنوان پدیدارشناسی نظام‌مند خودبودگی درک شود. منطق این روش آن است که محتوای ذهنی، «خود روایی» یا هویت شخصی فرد را تداوم می‌بخشد؛ بنابراین، ردیابی این محتواها تا حس «من» که به آن‌ها ارجاع داده می‌شود، خود روایی را تضعیف کرده و «خود حداقلی» را آشکار می‌سازد. خود حداقلی، منظر پیش‌تأملی شخص اول تجربه است که حامل حس «برای من بودن» است. توجه پایدار به خود حداقلی ممکن است سپس حالت آگاهی بی‌خود یا آگاهی غیردوگانه را تسهیل کند که با فقدان احساس جدایی میان خود و جهان مشخص می‌شود. بر این اساس، خود روایی و مالکیت تخصیصی زیربنای خود حداقلی، موهوم تلقی می‌شوند، در حالی که آگاهی غیرشخصی و بازتابی باقی می‌ماند. این واسازی خودبودگی، پیشینه‌ی عصب‌پدیدارشناختی دارد، هرچند در مطالعاتی محدود به تمرینات بودایی و متکی بر تکنیک‌های خاص. بنابراین، خودپرسش‌گری اهمیت تجربی دارد: ساختار گام‌به‌گام آن امکان بازتولید بالقوه در میان شرکت‌کنندگان، کنترل درون‌روشی و عملیات توجهی هدفمند با قابلیت آزمون تجربی تمایز پیشنهادی را فراهم می‌کند. همچنین ممکن است اهمیت بالینی داشته باشد، چراکه برای ادغام در روان‌درمانی در بحبوحه‌ی پژوهش‌های فزاینده درباره‌ی پتانسیل درمانی تضعیف خود پیشنهاد شده است.