Key (lock)

Researchers often want to measure a variety of constructs such as anxiety, discrimination, or loneliness in text data from surveys, interviews, social media, and electronic health records. Using large language models (LLMs)-although optimal for text classification-remain infeasible for some researchers due to concerns around computational expertise, cost, privacy, and compute requirements. Therefore, some researchers prefer to use lightweight models for large data sets or interpretable models to avoid mistakes in high-stakes scenarios. Lexicons offer simple baselines to LLMs by searching for relevant phrases and can be used together with LLMs to guarantee capturing specific keywords. However, building new lexicons is resource intensive. In this study, we found that GPT-4 Turbo was able to automatically create a lexicon for 49 known risk factors for suicidal thoughts and behaviors, which we release as the Suicide Risk Lexicon. Generating a lexicon with LLMs quickly measures most constructs relevant for suicide risk detection, resulting in high content validity. This lexicon was able to accurately predict risk in crisis counseling conversations. After validating the lexicon with clinician ratings, the lexicon modestly outperformed the linguistic inquiry and word count lexicon, which has low content validity for mental illness, and performed similarly to some black-box deep learning models. We discovered that active suicidal ideation and direct self-injury were stronger indicators of imminent risk than passive suicidal ideation and depressed mood in this ecological setting of crisis counseling conversations. To simplify creating new lexicons for other research domains, we introduce a Python package, construct-tracker. (PsycInfo Database Record (c) 2026 APA, all rights reserved).

پژوهشگران اغلب تمایل دارند انواع سازه‌هایی مانند اضطراب، تبعیض یا احساس تنهایی را در داده‌های متنی حاصل از پیمایش‌ها، مصاحبه‌ها، شبکه‌های اجتماعی و پرونده‌های سلامت الکترونیک اندازه‌گیری کنند. اگرچه استفاده از مدل‌های زبانی بزرگ (LLMs) برای طبقه‌بندی متن بهینه است، اما به دلیل نگرانی‌هایی درباره تخصص محاسباتی، هزینه، حریم خصوصی و نیازهای محاسباتی، برای برخی پژوهشگران عملی نمی‌باشد. بنابراین، برخی پژوهشگران ترجیح می‌دهند برای داده‌های بزرگ از مدل‌های سبک یا برای سناریوهای حساس از مدل‌های قابل تفسیر استفاده کنند تا از بروز خطا جلوگیری شود. واژگان‌ها با جستجوی عبارات مرتبط، مبنایی ساده در مقابل LLMها فراهم می‌کنند و می‌توانند همراه با LLMها برای تضمین شناسایی واژگان خاص به کار روند. با این حال، ساخت واژگان‌های جدید نیازمند منابع زیادی است. در این مطالعه، دریافتیم که GPT-4 Turbo قادر است به طور خودکار واژگانی برای ۴۹ عامل خطر شناخته‌شده برای افکار و رفتارهای خودکشی ایجاد کند که آن را به عنوان واژگان خطر خودکشی منتشر می‌کنیم. تولید واژگان با استفاده از LLMها امکان اندازه‌گیری سریع اغلب سازه‌های مرتبط با شناسایی خطر خودکشی را فراهم می‌کند و منجر به روایی محتوایی بالا می‌شود. این واژگان توانست خطر را در مکالمات مشاوره بحران به طور دقیق پیش‌بینی کند. پس از اعتبارسنجی واژگان با ارزیابی‌های بالینی، این واژگان نسبت به واژگان تحلیل واژگانی و شمارش واژه‌ها که روایی محتوایی پایینی برای بیماری روانی دارد، عملکرد بهتری داشت و عملکردی مشابه برخی مدل‌های یادگیری عمیق جعبه‌سیاه نشان داد. دریافتیم که افکار خودکشی فعال و خودآسیبی مستقیم، شاخص‌های قوی‌تری برای خطر قریب‌الوقوع نسبت به افکار خودکشی منفعل و خلق افسرده در این زمینه بوم‌شناختی مکالمات مشاوره بحران هستند. برای ساده‌سازی ایجاد واژگان جدید در حوزه‌های پژوهشی دیگر، یک بسته پایتون به نام construct-tracker معرفی می‌کنیم. (رکورد پایگاه داده PsycInfo (c) 2026 APA، کلیه حقوق محفوظ است).

Play-based parent-child interaction offers preschoolers rich opportunities for everyday foreign language learning, yet many parents struggle to turn open-ended play into effective English-as-a-Foreign-Language (EFL) learning experiences at home. To explore how AI might support this process, we conducted formative studies through interviews and a Wizard-of-Oz study. We identified four key challenges: content selection, language expression, balancing instruction and play, and problem solving. To address these challenges, we present PAPEL, a parent–AI collaborative system that grounds suggestions in the ongoing play scene and organizes support into four core modules: content generation, language adaptation, balance assessment, and extended response. In a counterbalanced within-subjects study with 16 parent–child dyads, PAPEL was associated with more integrated parent utterances that combined playful and instructional content, as well as more parent–child conversational turns, than the lightweight chatbot baseline used in our study.

تعامل والد-کودک مبتنی بر بازی، فرصت‌های غنی‌ای برای یادگیری زبان خارجی در زندگی روزمره کودکان پیش‌دبستانی فراهم می‌کند، اما بسیاری از والدین در تبدیل بازی‌های باز به تجربیات مؤثر یادگیری زبان انگلیسی به‌عنوان زبان خارجی (EFL) در خانه با دشواری مواجه هستند. به‌منظور بررسی نقش هوش مصنوعی در حمایت از این فرایند، مطالعات شکل‌دهنده‌ای از طریق مصاحبه‌ها و مطالعهٔ ویزارد آو آز انجام دادیم. چهار چالش کلیدی شناسایی شد: انتخاب محتوا، بیان زبانی، ایجاد تعادل میان آموزش و بازی، و حل مسئله. برای پاسخ به این چالش‌ها، سامانهٔ PAPEL را معرفی می‌کنیم که یک سامانهٔ مشارکتی والد-هوش مصنوعی است و پیشنهادها را بر اساس صحنهٔ جاری بازی ارائه می‌دهد و حمایت را در قالب چهار ماژول اصلی سازمان‌دهی می‌کند: تولید محتوا، سازگاری زبانی، ارزیابی تعادل، و پاسخ‌دهی گسترده. در یک مطالعهٔ درون‌گروهی متقابل با ۱۶ زوج والد-کودک، استفاده از PAPEL با اظهارات والدین یکپارچه‌تر که محتوای بازیگوشانه و آموزشی را ترکیب می‌کردند و همچنین تعداد بیشتری از نوبت‌های مکالمهٔ والد-کودک نسبت به چت‌بات سبک‌وزن مبنا در پژوهش ما همراه بود.

Generative artificial intelligence (GenAI), including large language models and large multimodal models, is increasingly used to support psychological assessment and digital mental health measurement. This review proposes a lifecycle framework for evaluating these uses without weakening psychometric standards. The framework covers construct definition; item, prompt, indicator, or signal generation; evaluation of content, response processes, usability, and data quality; piloting and calibration; validation; fairness and measurement invariance; scoring and interpretation; documentation; and post-deployment monitoring. We argue that digital traces from smartphones, chatbots, ecological momentary assessment, wearables, social media, clinical notes, and multimodal systems should not be treated as psychometric measures by default. They should remain raw data, candidate indicators, or algorithmic scores until their construct interpretation and intended use are theoretically specified, technically verified, empirically calibrated, and validated with human data. GenAI may help generate candidate items, refine wording, classify open-text responses, extract structured information, support multimodal integration, and assist scoring under explicit rules. These uses may improve efficiency and scale, but they do not establish validity, objectivity, fairness, or clinical meaning. We distinguish two complementary facets: GenAI for psychometrics, in which models support measurement development and scoring, and psychometrics for GenAI, in which psychometric methods evaluate model behavior when LLMs are part of measurement workflows. Key risks include construct drift, face validity without structural validity, compressed variability in synthetic respondents, algorithmic bias, lack of invariance, prompt sensitivity, model drift, automation bias, data-security and privacy failures, and loss of subjectivity and disagreement. Responsible use requires human oversight, transparent reporting, validation with human data, fairness evaluation, secure data governance, and continuous monitoring. GenAI should augment, not replace, psychometric science.

هوش مصنوعی مولد (GenAI)، شامل مدل‌های زبانی بزرگ و مدل‌های چندوجهی بزرگ، به طور فزاینده‌ای برای پشتیبانی از ارزیابی روان‌شناختی و سنجش سلامت روان دیجیتال مورد استفاده قرار می‌گیرد. این مرور، چارچوبی مبتنی بر چرخه عمر را برای ارزیابی این کاربردها بدون تضعیف استانداردهای روان‌سنجی پیشنهاد می‌کند. این چارچوب شامل تعریف سازه؛ تولید ماده، محرک، شاخص یا سیگنال؛ ارزیابی محتوا، فرآیندهای پاسخ‌دهی، قابلیت استفاده و کیفیت داده؛ اجرای آزمایشی و کالیبراسیون؛ روایی؛ انصاف و ناوریانس سنجش؛ نمره‌گذاری و تفسیر؛ مستندسازی؛ و پایش پس از استقرار است. ما استدلال می‌کنیم که ردپاهای دیجیتال از تلفن‌های هوشمند، چت‌بات‌ها، ارزیابی لحظه‌ای بوم‌شناختی، پوشیدنی‌ها، شبکه‌های اجتماعی، یادداشت‌های بالینی و سامانه‌های چندوجهی نباید به طور پیش‌فرض به عنوان مقیاس‌های روان‌سنجی تلقی شوند. آن‌ها باید تا زمانی که تفسیر سازه‌ای و کاربرد مورد نظرشان به طور نظری مشخص، به لحاظ فنی تأیید، به طور تجربی کالیبره و با داده انسانی روایی‌یابی نشده‌اند، به عنوان داده خام، شاخص‌های پیشنهادی یا نمرات الگوریتمی باقی بمانند. GenAI می‌تواند در تولید مواد پیشنهادی، اصلاح واژگان، طبقه‌بندی پاسخ‌های متنی باز، استخراج اطلاعات ساختاریافته، پشتیبانی از ادغام چندوجهی و کمک به نمره‌گذاری بر اساس قواعد صریح نقش‌آفرینی کند. این کاربردها ممکن است کارایی و مقیاس را بهبود بخشند، اما روایی، عینیت، انصاف یا معنای بالینی را تضمین نمی‌کنند. ما دو جنبه مکمل را متمایز می‌کنیم: GenAI برای روان‌سنجی، که در آن مدل‌ها از توسعه سنجش و نمره‌گذاری پشتیبانی می‌کنند، و روان‌سنجی برای GenAI، که در آن روش‌های روان‌سنجی رفتار مدل را زمانی که LLMها بخشی از جریان‌های کاری سنجش هستند، ارزیابی می‌کنند. مخاطرات کلیدی شامل رانش سازه، روایی صوری بدون روایی ساختاری، کاهش تنوع در پاسخ‌دهندگان مصنوعی، سوگیری الگوریتمی، فقدان ناوریانس، حساسیت به محرک، رانش مدل، سوگیری اتوماسیون، شکست‌های امنیت و حریم خصوصی داده و از دست رفتن ذهنیت و اختلاف نظر است. استفاده مسئولانه مستلزم نظارت انسانی، گزارش‌دهی شفاف، روایی‌یابی با داده انسانی، ارزیابی انصاف، حاکمیت امن داده و پایش مستمر است. GenAI باید مکمل علم روان‌سنجی باشد، نه جایگزین آن.

This paper presents a model to guide speech-language pathologists (SLPs) to effectively respond to social determinants of health and protective factors that shape early communication development for Australian children. Aligned with contemporary early years policy frameworks, we discuss the SLP’s role in strategically strengthening the protective factors that enable language development across three ecological levels: child and family, community, and systems and society. By embracing this scope of practice, SLPs move beyond traditional service boundaries to partner with families, mobilise community resources, and advocate for systemic change that addresses health inequities. Developed with input from practicing SLPs working across diverse contexts, this work demonstrates both the necessity and feasibility of place-based innovation in speech-language pathology. It serves as a practical resource and catalyst for ongoing professional dialogue, inviting SLPs to consider how they can create meaningful, equitable impact on early communication development by addressing the social determinants that matter most.

این مقاله مدلی را ارائه می‌دهد که به آسیب‌شناسان گفتار و زبان (SLPs) کمک می‌کند تا به‌طور مؤثر به تعیین‌کننده‌های اجتماعی سلامت و عوامل محافظتی که رشد اولیه ارتباطات کودکان استرالیایی را شکل می‌دهند، پاسخ دهند. در راستای چارچوب‌های سیاستی معاصر سال‌های اولیه، نقش آسیب‌شناس گفتار و زبان در تقویت راهبردی عوامل محافظتی که رشد زبان را در سه سطح بوم‌شناختی کودک و خانواده، جامعه و نظام‌ها و جامعه امکان‌پذیر می‌سازد، مورد بحث قرار می‌گیرد. با پذیرش این دامنه عملکرد، آسیب‌شناسان گفتار و زبان فراتر از مرزهای سنتی خدمات حرکت می‌کنند تا با خانواده‌ها همکاری کنند، منابع جامعه را بسیج نمایند و برای تغییرات نظام‌مند که به نابرابری‌های سلامت می‌پردازد، حمایت کنند. این مدل با مشارکت آسیب‌شناسان گفتار و زبان شاغل در زمینه‌های متنوع تدوین شده است و هم ضرورت و هم امکان‌پذیری نوآوری مبتنی بر مکان در آسیب‌شناسی گفتار و زبان را نشان می‌دهد. این مقاله به عنوان منبعی عملی و محرکی برای گفت‌وگوی حرفه‌ای مستمر عمل می‌کند و آسیب‌شناسان گفتار و زبان را دعوت می‌کند تا بیندیشند چگونه می‌توانند با پرداختن به تعیین‌کننده‌های اجتماعی مهم، تأثیری معنادار و عادلانه بر رشد اولیه ارتباطات ایجاد کنند.

Mathematics education is an area of concern across multiple countries, and, while reflective practice is a recommended skill for improved teaching, research has found it a rare and difficult skill to develop. This has resulted in increased research into ways for developing both pre- and in-service teachers’ reflective practice skills. Using a four-level reflection model, our interpretive case study analysed the initial reflections of 18 pre-service teachers at the start of their journey towards becoming reflective practitioners. These student teachers were in the third year of their 4 year Bachelor of Education degree at a South African university. As part of their Mathematics Education Methods course, they participated in three lectures designed for developing both reflective practice and mathematical knowledge for teaching. Our analysis of the students’ written reflections from each lecture session indicated that reflections were predominantly general rather than mathematical, and at the first (descriptive) level of the model with only minor movement towards higher levels of reflectivity across sessions. The article contributes South African data on pre-service teacher reflections when using frameworks that focus reflections of various aspects of mathematics lessons.

آموزش ریاضی یکی از حوزه‌های مورد توجه در کشورهای مختلف است و اگرچه تمرین بازتابی به عنوان مهارتی توصیه‌شده برای بهبود تدریس مطرح می‌شود، پژوهش‌ها نشان داده‌اند که این مهارت نادر و دشوار برای توسعه است. این امر منجر به افزایش پژوهش‌ها در زمینه‌ی روش‌های توسعه‌ی مهارت‌های تمرین بازتابی معلمان پیش‌خدمت و در خدمت شده است. در این مطالعه‌ی موردی تفسیری، با استفاده از مدل بازتاب چهارسطحی، بازتاب‌های اولیه‌ی ۱۸ معلم پیش‌خدمت در آغاز مسیرشان به سوی تبدیل شدن به کنشگران بازتابی تحلیل شد. این دانشجویان معلم در سال سوم دوره‌ی کارشناسی آموزش چهار ساله در یکی از دانشگاه‌های آفریقای جنوبی بودند. به عنوان بخشی از درس روش‌های آموزش ریاضی، آن‌ها در سه جلسه‌ی سخنرانی که با هدف توسعه‌ی هر دو مهارت تمرین بازتابی و دانش ریاضی برای تدریس طراحی شده بود، شرکت کردند. تحلیل بازتاب‌های مکتوب دانشجویان از هر جلسه نشان داد که بازتاب‌ها عمدتاً کلی و نه ریاضیاتی بوده و در سطح اول (توصیفی) مدل قرار داشته‌اند و تنها حرکت اندکی به سوی سطوح بالاتر بازتابی در طول جلسات مشاهده شد. این مقاله داده‌های آفریقای جنوبی درباره‌ی بازتاب‌های معلمان پیش‌خدمت هنگام استفاده از چارچوب‌هایی که بر بازتاب جنبه‌های مختلف درس‌های ریاضی تمرکز دارند، ارائه می‌دهد.

This study aimed to examine how design strategies used by science communicators in informal learning environments (ILEs) could be adapted to develop a framework that supports scientific inquiry in under-resourced science classes. Using the analytic induction research strategy, a multiple-case study was conducted involving science communicators from three ILEs: National Science Museum (Thailand), Sci-Bono Discovery Centre (South Africa), and Tūhura Otago Museum (New Zealand). The Delphi technique was then used to validate the findings. Findings from the cases were reconciled with the literature from both formal and informal science education to develop a new inquiry learning design framework. The new framework, referred to as the Complementarity of Learning Framework (Colfram), consists of four simplified inquiry stages that are strengthened by design strategies from informal science learning environments. The Colfram is proposed as a design tool to assist teachers operating in under-resourced settings to develop their own inquiry learning materials. By combining the strengths of both formal and informal science learning viewpoints, we argue that the Colfram can better support teachers to develop material that achieves the broader goals of inquiry learning, which include cultivating STEM identities and sustained interest in science.

این مطالعه با هدف بررسی چگونگی تطبیق راهبردهای طراحی مورد استفاده توسط ارتباط‌دهندگان علم در محیط‌های یادگیری غیررسمی (ILEs) جهت توسعه یک چارچوب حمایتی برای پژوهش علمی در کلاس‌های علوم با منابع محدود انجام شد. با بهره‌گیری از راهبرد پژوهشی استقرا تحلیلی، یک مطالعه چندموردی با مشارکت ارتباط‌دهندگان علم از سه محیط یادگیری غیررسمی شامل موزه ملی علوم (تایلند)، مرکز اکتشاف Sci-Bono (آفریقای جنوبی) و موزه Tūhura Otago (نیوزیلند) انجام گرفت. سپس، جهت اعتبارسنجی یافته‌ها از تکنیک دلفی استفاده شد. یافته‌های حاصل از موارد موردی با ادبیات علمی آموزش علوم رسمی و غیررسمی تطبیق داده شد تا چارچوب جدیدی برای طراحی یادگیری پژوهشی تدوین گردد. چارچوب جدید که با عنوان چارچوب مکمل یادگیری (Colfram) معرفی می‌شود، شامل چهار مرحله ساده‌شده پژوهش است که با راهبردهای طراحی برگرفته از محیط‌های یادگیری علوم غیررسمی تقویت شده‌اند. Colfram به عنوان ابزاری طراحی برای کمک به معلمان در محیط‌های با منابع محدود جهت توسعه مواد یادگیری پژوهشی خود پیشنهاد می‌شود. با ترکیب نقاط قوت دیدگاه‌های آموزش علوم رسمی و غیررسمی، استدلال می‌شود که Colfram می‌تواند حمایت بهتری از معلمان در توسعه موادی که اهداف گسترده‌تر یادگیری پژوهشی از جمله پرورش هویت‌های STEM و علاقه پایدار به علم را محقق می‌سازد، فراهم آورد.