Task (project management)

A major challenge for quantum workforce development is the need to both understand and reliably assess student learning of quantum information science (QIS) fundamentals. Yet student thinking is notoriously difficult to probe, even for seasoned education researchers. This article presents the story of Item 15 on the Quantum Computing Conceptual Survey (QCCS). This assessment item underwent more revision and discussion within the team than the remaining 19 assessment questions combined. This paper provides a behind-the-scenes look at the development of this assessment question: a story that both reveals interesting findings about student reasoning in quantum computing and illustrates why quantum education researchers insist on triangulating diverse quantitative and qualitative data sources when developing and refining assessment items, with implications for any researcher looking to understand and measure student conceptual reasoning in quantum computing, as well as for QIS curriculum and workforce development more broadly.

یکی از چالش‌های اصلی در توسعه نیروی کار کوانتومی، نیاز به درک و ارزیابی قابل اعتماد یادگیری دانشجویان در مبانی علم اطلاعات کوانتومی (QIS) است. با این حال، بررسی تفکر دانشجویان حتی برای پژوهشگران باتجربه آموزش نیز به‌طور berجسته‌ای دشوار است. این مقاله به شرح داستان سؤال ۱۵ در «پیمایش مفهومی محاسبات کوانتومی» (QCCS) می‌پردازد. این سؤال ارزیابی نسبت به ۱۹ سؤال دیگر این آزمون، بازنگری و بحث بیشتری را در تیم پژوهشی به خود اختصاص داد. این مقاله نگاهی پشت‌صحنه به فرآیند توسعه این سؤال ارزیابی ارائه می‌دهد: روایتی که هم یافته‌های جالبی درباره استدلال دانشجویان در محاسبات کوانتومی آشکار می‌کند و هم نشان می‌دهد چرا پژوهشگران آموزش کوانتومی بر مثلث‌بندی منابع متنوع داده‌های کمی و کیفی در هنگام توسعه و اصلاح سؤالات ارزیابی تأکید دارند؛ این موضوع پیامدهایی برای هر پژوهشگری دارد که به دنبال درک و سنجش استدلال مفهومی دانشجویان در محاسبات کوانتومی است و همچنین برای توسعه برنامه درسی QIS و نیروی کار در سطحی گسترده‌تر اهمیت دارد.

Gameful work design is increasingly used to make tasks, feedback, performance systems, and workplace interaction more engaging, yet its consequences remain double-edged. Existing research has largely explained these differences in terms of motivation, technology acceptance, or performance outcomes, offering limited insight into why similar features are interpreted differently across employees and contexts. Drawing on cognitive appraisal theory and a bounded integrative evidence base of 52 publications, this conceptual analysis develops an emotional appraisal framework of gameful work design. The framework analytically distinguishes five interrelated appraisal domains—system characteristics, task design, self-evaluation and identity, social interaction, and organizational meaning—and explains how external design cues acquire supportive or threatening meanings through appraisal. These meanings shape emotional reactions, which may subsequently influence individual, team, and organizational outcomes. Eight propositions translate the framework into domain-focused, cross-pathway, multilevel, and temporal relationships for future testing. By clarifying what employees appraise and how appraisal processes link similar gameful features to divergent consequences, the framework extends cognitive-emotional explanations of work gamification. It provides a focused agenda for future research.

طراحی بازی‌گونه کار به طور فزاینده‌ای برای جذاب‌تر کردن وظایف، بازخورد، سیستم‌های عملکرد و تعاملات محیط کار به کار می‌رود، اما پیامدهای آن همچنان دو‌سویه باقی مانده است. پژوهش‌های موجود عمدتاً این تفاوت‌ها را بر اساس انگیزش، پذیرش فناوری یا پیامدهای عملکردی تبیین کرده‌اند و بینش محدودی درباره اینکه چرا ویژگی‌های مشابه توسط کارکنان و در زمینه‌های مختلف به گونه‌ای متفاوت تفسیر می‌شوند، ارائه داده‌اند. با اتکا بر نظریه ارزیابی شناختی و شواهد تلفیقی محدود از ۵۲ منبع، این تحلیل مفهومی چارچوبی برای ارزیابی هیجانی در طراحی بازی‌گونه کار توسعه می‌دهد. این چارچوب به طور تحلیلی پنج حوزه ارزیابی مرتبط با یکدیگر—ویژگی‌های سیستم، طراحی وظیفه، ارزیابی و هویت فردی، تعامل اجتماعی و معنای سازمانی—را متمایز می‌کند و توضیح می‌دهد که چگونه نشانه‌های طراحی بیرونی از طریق ارزیابی، معانی حمایتی یا تهدیدآمیز پیدا می‌کنند. این معانی واکنش‌های هیجانی را شکل می‌دهند که ممکن است به نوبه خود بر پیامدهای فردی، تیمی و سازمانی تأثیر بگذارند. هشت گزاره، چارچوب را به روابط متمرکز بر حوزه، میان‌مسیر، چندسطحی و زمانی برای آزمون‌های آتی ترجمه می‌کنند. با روشن ساختن اینکه کارکنان چه چیزی را ارزیابی می‌کنند و چگونه فرایندهای ارزیابی ویژگی‌های بازی‌گونه مشابه را به پیامدهای متفاوت پیوند می‌دهد، این چارچوب تبیین‌های شناختی-هیجانی از بازی‌وارسازی کار را گسترش می‌دهد و دستورکار متمرکزی برای پژوهش‌های آینده فراهم می‌کند.

Logical-mathematical reasoning is essential for interpreting representations, applying procedures, justifying relationships, and solving problems; however, evidence regarding students’ performance in Ecuadorian school contexts remains limited. The aim of this study was to characterize students’ diagnostic performance in logical-mathematical reasoning and to examine differences in its distribution across the participating educational institutions. A descriptive, exploratory, non-experimental study with a quantitative approach was conducted. A total of 843 third-year upper secondary school students, aged 15 to 17 years, from 21 educational institutions in Chone Canton, Ecuador, participated in the study. Logical-mathematical reasoning was assessed using a five-task diagnostic test, with each task scored from 0 to 4 points and aggregated into an overall score ranging from 0 to 20 points. Of the participants, 76.39% were classified at the low level, 17.08% at the regular level, 5.93% at the good level, and 0.59% at the very good level; no student reached the excellent level. Statistically significant differences were identified among institutions, χ²(60) = 392.62, p_MC = 0.00001, Cramer’s V = 0.394; H(20) = 208.51, p < 0.001, ε² = 0.229. The study provides a multi-institutional baseline of logical-mathematical reasoning in a relatively understudied Ecuadorian context. The findings may support the identification of educational needs and the planning of differentiated support according to students’ initial performance. Because no comparison group or quantitative pretest–posttest measurement was available, it was not possible to evaluate changes in logical-mathematical reasoning or attribute the results to the use of GeoGebra.

استدلال منطقی-ریاضی برای تفسیر بازنمایی‌ها، به‌کارگیری رویه‌ها، توجیه روابط و حل مسئله ضروری است؛ با این حال، شواهد مربوط به عملکرد دانش‌آموزان در زمینه‌های مدرسه‌ای اکوادور محدود باقی مانده است. هدف این پژوهش، توصیف عملکرد تشخیصی دانش‌آموزان در استدلال منطقی-ریاضی و بررسی تفاوت‌های توزیع آن در میان مؤسسات آموزشی شرکت‌کننده بود. این مطالعه به صورت توصیفی، اکتشافی، غیرآزمایشی و با رویکرد کمی انجام شد. در مجموع، ۸۴۳ دانش‌آموز سال سوم متوسطه، در بازه سنی ۱۵ تا ۱۷ سال، از ۲۱ مؤسسه آموزشی شهرستان چونه، اکوادور، در پژوهش شرکت کردند. استدلال منطقی-ریاضی با استفاده از یک آزمون تشخیصی شامل پنج تکلیف ارزیابی شد که هر تکلیف از ۰ تا ۴ امتیاز داشته و مجموع امتیازات بین ۰ تا ۲۰ بود. از میان شرکت‌کنندگان، ۷۶٫۳۹٪ در سطح پایین، ۱۷٫۰۸٪ در سطح متوسط، ۵٫۹۳٪ در سطح خوب و ۰٫۵۹٪ در سطح بسیار خوب طبقه‌بندی شدند؛ هیچ دانش‌آموزی به سطح عالی دست نیافت. تفاوت‌های معنادار آماری میان مؤسسات شناسایی شد، χ²(60) = 392.62, p_MC = 0.00001, V کرامر = 0.394؛ H(20) = 208.51, p < 0.001, ε² = 0.229. این پژوهش خط پایه‌ای چندمؤسسه‌ای از استدلال منطقی-ریاضی در زمینه‌ای نسبتاً کمتر مطالعه‌شده در اکوادور ارائه می‌دهد. یافته‌ها می‌تواند به شناسایی نیازهای آموزشی و برنامه‌ریزی حمایت‌های تفکیک‌شده بر اساس عملکرد اولیه دانش‌آموزان کمک کند. به دلیل نبود گروه مقایسه یا سنجش کمی پیش‌آزمون-پس‌آزمون، امکان ارزیابی تغییرات در استدلال منطقی-ریاضی یا نسبت دادن نتایج به استفاده از GeoGebra وجود نداشت.

Understanding students' cost perceptions in introductory science, technology, engineering, and mathematics (STEM) courses and what precedes them is critical in preventing the considerable loss of talent in STEM.In this study, we examined the extent to which students' fixed mindset at the beginning of a semester predicts their weekly task effort and emotional cost perceptions.We also examined indirect associations of a fixed mindset with weekly perceived learning, STEM career intentions at the end of the semester, and final achievement, via weekly cost perceptions.Participants were 694 college students in introductory chemistry at a large midwestern university in the United States.Using multilevel structural equation modeling, we found that students with a greater endorsement of a fixed mindset tended to perceive higher task effort cost.Furthermore, students' fixed mindset indirectly predicted lower perceived learning, STEM career intentions, and achievement via higher perceived task effort cost.Fixed mindset did not significantly predict emotional cost perceptions.This study offers both theoretical insights and practical implications by demonstrating the differential predictions of mindsets across cost dimensions and identifying mindsets as a precursor of task effort cost. Educational Impact and Implications StatementCost is a key motivational factor contributing to college student attrition from science, technology, engineering, and mathematics (STEM) majors.This study shows that college students' beliefs in the innateness and fixedness of intelligence (i.e., fixed mindset) predicted their higher effort cost perceptions in an introductory chemistry course over a semester, which in turn was linked to lower perceived learning, STEM career intentions, and achievement.These findings underscore the potential of lowering a fixed mindset in STEM college students to enhance student learning and achievement by mitigating their perceptions of effort cost.Such efforts should also promote retention in STEM fields.

درک ادراک هزینه دانشجویان در دوره‌های مقدماتی علوم، فناوری، مهندسی و ریاضیات (STEM) و عوامل پیشین آن‌ها، برای جلوگیری از از دست رفتن قابل توجه استعدادها در حوزه STEM حیاتی است. در این مطالعه، میزان پیش‌بینی ذهنیت ثابت دانشجویان در ابتدای ترم برای ادراک هفتگی هزینه تلاش وظیفه و هزینه هیجانی آن‌ها بررسی شد. همچنین ارتباطات غیرمستقیم ذهنیت ثابت با یادگیری ادراک‌شده هفتگی، قصد ادامه مسیر شغلی در STEM در پایان ترم و دستاورد نهایی، از طریق ادراک هفتگی هزینه، مورد بررسی قرار گرفت. شرکت‌کنندگان شامل ۶۹۴ دانشجوی دانشگاهی در درس شیمی مقدماتی در یک دانشگاه بزرگ در منطقه غرب میانه ایالات متحده بودند. با استفاده از مدل‌سازی معادلات ساختاری چندسطحی، مشخص شد دانشجویانی که ذهنیت ثابت بیشتری داشتند، هزینه تلاش وظیفه بالاتری را ادراک می‌کردند. علاوه بر این، ذهنیت ثابت دانشجویان به طور غیرمستقیم، یادگیری ادراک‌شده پایین‌تر، قصد ادامه مسیر شغلی در STEM و دستاورد پایین‌تر را از طریق ادراک بالاتر هزینه تلاش وظیفه پیش‌بینی می‌کرد. ذهنیت ثابت، پیش‌بینی معناداری برای ادراک هزینه هیجانی نداشت. این مطالعه با نشان دادن پیش‌بینی‌های افتراقی ذهنیت‌ها در ابعاد مختلف هزینه و شناسایی ذهنیت به عنوان پیش‌زمینه هزینه تلاش وظیفه، بینش‌های نظری و پیامدهای عملی ارائه می‌دهد. بیانیه تأثیر و پیامدهای آموزشی: هزینه، عامل انگیزشی کلیدی در ترک تحصیل دانشجویان دانشگاهی از رشته‌های علوم، فناوری، مهندسی و ریاضیات (STEM) است. این مطالعه نشان می‌دهد باور دانشجویان دانشگاهی به ذاتی و ثابت بودن هوش (یعنی ذهنیت ثابت)، ادراک هزینه تلاش بالاتر را در طول یک ترم در درس شیمی مقدماتی پیش‌بینی می‌کند که به نوبه خود با یادگیری ادراک‌شده پایین‌تر، قصد ادامه مسیر شغلی در STEM و دستاورد پایین‌تر مرتبط بود. این یافته‌ها بر اهمیت کاهش ذهنیت ثابت در دانشجویان STEM برای ارتقای یادگیری و دستاورد دانشجویان از طریق کاهش ادراک هزینه تلاش تأکید می‌کند. چنین تلاش‌هایی باید به افزایش ماندگاری در حوزه‌های STEM نیز کمک کند.

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.

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.