Generative grammar

Generative artificial intelligence (GenAI) is increasingly embedded in English as a Foreign Language (EFL) instruction, with self-regulated learning (SRL) and learner autonomy positioned as key outcomes of interest. A growing evidence base reports positive effects of GenAI on self-regulatory strategies, alongside a parallel and largely separate literature warning that GenAI use may foster dependency, cognitive offloading and the externalization of self-monitoring. This scoping review maps this apparent paradox, in which GenAI appears simultaneously as scaffolding and as substitution, across the SRL and learner-autonomy literature, with particular attention to its implications for EFL learners. Following a PRISMA-ScR-informed approach, 12 empirical and review studies published between 2025 and 2026 were thematically synthesized alongside four foundational theoretical works. As a result, four thematic clusters emerged: (1) evidence of GenAI functioning as scaffolding for SRL; (2) evidence of GenAI functioning as substitution, fostering dependency and cognitive offloading; (3) design and timing features that moderate which role GenAI plays; and (4) existing reviews and meta-analyses, together with their methodological limitations. Across clusters, a consistent pattern emerges, in that nearly all studies rely on short-term or cross-sectional designs, and several recent reviews explicitly call for research measuring learners’ delayed, unsupported performance so as to distinguish durable internalization from temporary dependency. No identified study has applied a longitudinal design incorporating a structured AI-withdrawal phase to directly test this distinction among EFL learners. This review argues for such a design and outlines its theoretical and methodological implications for Vietnamese EFL contexts.

هوش مصنوعی مولد (GenAI) به طور فزاینده‌ای در آموزش زبان انگلیسی به‌عنوان زبان خارجی (EFL) به‌کار گرفته می‌شود و یادگیری خودتنظیمی (SRL) و خودمختاری یادگیرنده به‌عنوان پیامدهای کلیدی مورد توجه قرار گرفته‌اند. شواهد رو به رشدی از تأثیرات مثبت GenAI بر راهبردهای خودتنظیمی گزارش شده است، در حالی که ادبیات موازی و عمدتاً مجزایی هشدار می‌دهد که استفاده از GenAI ممکن است وابستگی، واگذاری شناختی و برون‌سپاری خودنظارتی را تقویت کند. این مرور گستره‌ای به ترسیم این پارادوکس ظاهری می‌پردازد که در آن GenAI به طور همزمان به‌عنوان داربست و جایگزین در ادبیات یادگیری خودتنظیمی و خودمختاری یادگیرنده ظاهر می‌شود، با تمرکز ویژه بر پیامدهای آن برای یادگیرندگان EFL. با پیروی از رویکرد مبتنی بر PRISMA-ScR، ۱۲ مطالعه تجربی و مروری منتشرشده بین سال‌های ۲۰۲۵ تا ۲۰۲۶ به همراه چهار اثر نظری بنیادی به‌صورت موضوعی ترکیب شدند. در نتیجه، چهار خوشه موضوعی پدیدار شد: (۱) شواهدی از عملکرد GenAI به‌عنوان داربست برای SRL؛ (۲) شواهدی از عملکرد GenAI به‌عنوان جایگزین که منجر به وابستگی و واگذاری شناختی می‌شود؛ (۳) ویژگی‌های طراحی و زمان‌بندی که نقش GenAI را تعدیل می‌کنند؛ و (۴) مرورها و فراتحلیل‌های موجود به همراه محدودیت‌های روش‌شناختی آن‌ها. در میان خوشه‌ها، الگوی ثابتی مشاهده می‌شود به‌طوری‌که تقریباً همه مطالعات بر طرح‌های کوتاه‌مدت یا مقطعی تکیه دارند و چندین مرور اخیر به‌صراحت خواستار پژوهش‌هایی شده‌اند که عملکرد یادگیرندگان را در شرایط تأخیری و بدون حمایت اندازه‌گیری کنند تا تمایز بین درونی‌سازی پایدار و وابستگی موقت مشخص شود. هیچ مطالعه‌ای که شناسایی شد، از طرح طولی با گنجاندن مرحله ساختارمندِ قطع استفاده از هوش مصنوعی برای آزمون مستقیم این تمایز در میان یادگیرندگان EFL بهره نبرده است. این مرور بر ضرورت چنین طرحی تأکید می‌کند و پیامدهای نظری و روش‌شناختی آن را برای بافت‌های آموزش زبان انگلیسی در ویتنام ترسیم می‌کند.

Reflective freewriting holds a distinctive place in ESL writing pedagogy as a low-stakes, exploratory practice in which learners articulate tentative thinking before it is shaped by evaluative demands. The rapid integration of generative AI (GenAI) into second language (L2) writing now threatens to absorb reflective freewriting into a wider regime of AI-mediated production, reducing reflection to one more output to be generated, polished or summarised. This article argues that this loss is not only pedagogical but ontological. Drawing on Biesta’s theory of subjectification, the article conceptualises reflective freewriting as subjectifying writing, functioning as a site of existential encounter with the world, where the learner uses language to respond in their own name. The article introduces the construct of algorithmic foreclosure to describe the structural tendency of GenAI systems to short-circuit this existential response, substituting generated text for the indeterminate work of subjectification. Together, these constructs support a case for protecting reflective freewriting as a non-AI-mediated space within L2 writing pedagogy.

نوشتار آزاد تأملی جایگاهی متمایز در آموزش نگارش زبان انگلیسی به عنوان زبان دوم دارد و به عنوان یک تمرین کم‌خطر و اکتشافی، به زبان‌آموزان امکان می‌دهد تا اندیشه‌های اولیهٔ خود را پیش از آن‌که تحت تأثیر الزامات ارزشیابی قرار گیرد، بیان کنند. ادغام سریع هوش مصنوعی مولد (GenAI) در نگارش زبان دوم (L2) اکنون تهدید می‌کند که نوشتار آزاد تأملی را در یک نظام گسترده‌تر تولید مبتنی بر هوش مصنوعی جذب کند و تأمل را به یکی دیگر از خروجی‌هایی که باید تولید، ویرایش یا خلاصه شود، تقلیل دهد. این مقاله استدلال می‌کند که این فقدان نه تنها آموزشی بلکه وجودی است. با بهره‌گیری از نظریهٔ سوژه‌سازی بیستا (Biesta)، مقاله نوشتار آزاد تأملی را به عنوان نوشتاری سوژه‌ساز مفهوم‌پردازی می‌کند که به عنوان عرصه‌ای برای مواجههٔ وجودی با جهان عمل می‌کند، جایی که زبان‌آموز با زبان به نام خود پاسخ می‌دهد. مقاله سازهٔ «انسداد الگوریتمی» را معرفی می‌کند تا گرایش ساختاری سامانه‌های GenAI را برای کوتاه‌کردن این پاسخ وجودی و جایگزینی متن تولیدشده به جای کار نامعین سوژه‌سازی توصیف کند. این مفاهیم در مجموع از ضرورت حفظ نوشتار آزاد تأملی به عنوان فضایی غیرمبتنی بر هوش مصنوعی در آموزش نگارش زبان دوم حمایت می‌کنند.

Abstract Discreteness of representations is a core commitment of classical generative phonology. However, one of the biggest arguments levelled against discreteness has come from the phenomenon of incomplete neutralisation – where the output of some phonological process on a feature [F] is phonetically distinct from underived [±F]. A sizeable body of work has contended that incomplete neutralisation crucially undermines the sufficiency of discrete representations, arguing instead for the inclusion of gradient representations. In this article, we investigate backness harmony in Uyghur, evaluating recent claims of incomplete neutralisation. Results from two production studies replicate findings from previous work on the language, but we show that, with proper experimental controls, the pattern is derivable without recourse to gradient phonological representations. We then discuss the conceptual and theoretical challenges for gradient representations along with criteria for true phonologically relevant gradience.

چکیده: گسستگی بازنمایی‌ها یکی از تعهدات اصلی واج‌شناسی زایشی کلاسیک است. با این حال، یکی از مهم‌ترین انتقادها به گسستگی، از پدیده خنثی‌سازی ناقص ناشی می‌شود؛ جایی که خروجی برخی فرایندهای واجی بر روی یک ویژگی [F] از لحاظ آوایی با [±F] غیرمشتق تفاوت دارد. حجم قابل توجهی از پژوهش‌ها استدلال کرده‌اند که خنثی‌سازی ناقص، کفایت بازنمایی‌های گسسته را به طور اساسی زیر سؤال می‌برد و در عوض، بر ضرورت گنجاندن بازنمایی‌های گرادیانی تأکید می‌کنند. در این مقاله، هماهنگی پسین در زبان اویغوری را مورد بررسی قرار می‌دهیم و ادعاهای اخیر درباره خنثی‌سازی ناقص را ارزیابی می‌کنیم. نتایج حاصل از دو مطالعه تولیدی، یافته‌های پژوهش‌های پیشین در این زبان را تکرار می‌کند، اما نشان می‌دهیم که با کنترل‌های آزمایشی مناسب، این الگو بدون نیاز به بازنمایی‌های واجی گرادیانی قابل استخراج است. سپس، چالش‌های مفهومی و نظری بازنمایی‌های گرادیانی و همچنین معیارهای گرادیان واقعی مرتبط با واج‌شناسی را مورد بحث قرار می‌دهیم.

With the widespread integration of Generative Artificial Intelligence (GAI) into higher education, its relationship with students’ creativity has become a growing focus of scholarly inquiry. Drawing on data from 424 survey responses and in-depth interviews with eight students, this study constructs and examines a chain path model of Exploration–Exploitation–Co-Creation–Reflection to investigate how GAI-assisted learning processes are associated with students’ creativity. Quantitative analyses indicate that exploratory and exploitative behaviors are positively associated with creativity, and these associations are observed alongside perceived cognitive stimulation. Furthermore, co-creation and reflection are significantly associated with flow experience and creative self-efficacy, which are related to students’ creative performance. The qualitative findings complement the quantitative results by showing that students’ engagement in exploration, knowledge utilization, collaborative co-creation, and reflection during GAI-assisted learning is accompanied by cognitive inspiration and psychological engagement. Overall, this study provides insight into how GAI-assisted learning processes may be associated with creativity development in higher education through the interplay of behavioral, cognitive, and psychological mechanisms, offering implications for educational practice and theoretical advancement.

با ادغام گسترده هوش مصنوعی مولد (GAI) در آموزش عالی، رابطه آن با خلاقیت دانشجویان به کانون توجه فزاینده پژوهش‌های علمی تبدیل شده است. این مطالعه با استفاده از داده‌های ۴۲۴ پرسشنامه و مصاحبه‌های عمیق با هشت دانشجو، یک مدل مسیر زنجیره‌ای اکتشاف–بهره‌برداری–هم‌آفرینی–تأمل را ساخته و بررسی می‌کند تا چگونگی ارتباط فرایندهای یادگیری با کمک GAI با خلاقیت دانشجویان را مورد مطالعه قرار دهد. تحلیل‌های کمی نشان می‌دهد که رفتارهای اکتشافی و بهره‌بردارانه با خلاقیت رابطه مثبت دارند و این ارتباطات همراه با تحریک شناختی ادراک‌شده مشاهده می‌شوند. افزون بر این، هم‌آفرینی و تأمل به طور معناداری با تجربه جریان و خودکارآمدی خلاقانه مرتبط هستند که این عوامل نیز با عملکرد خلاقانه دانشجویان ارتباط دارند. یافته‌های کیفی، نتایج کمی را تکمیل می‌کند و نشان می‌دهد که مشارکت دانشجویان در اکتشاف، بهره‌گیری از دانش، هم‌آفرینی مشارکتی و تأمل در طول یادگیری با کمک GAI با الهام شناختی و درگیری روان‌شناختی همراه است. در مجموع، این مطالعه بینشی درباره چگونگی ارتباط فرایندهای یادگیری با کمک GAI با رشد خلاقیت در آموزش عالی از طریق تعامل سازوکارهای رفتاری، شناختی و روان‌شناختی ارائه می‌دهد و پیامدهایی برای عمل آموزشی و پیشرفت نظری مطرح می‌کند.

Background Against the backdrop of digital empowerment, generative artificial intelligence has been widely applied in school-age children’s reading education, and digital reading has become one of the primary types of environmental exposure for school-age children. However, school-age children face challenges such as insufficient age-appropriate content and uncontrollable physical and mental strain. There is an urgent demand for a public health intervention model that balances reading-related health benefits, prevents and controls digital exposure risks, avoids physical and mental health impairments, and adapts to school-age children from diverse socioeconomic backgrounds. Methods A retrospective control study design was used in this study. A total of 100 cases of school-age children aged 6–12 were collected from the standardized intervention archive of our institution from September 2025 to December 2025. According to the intervention plan actually accepted in the archive records, they were divided into the collaborative intervention group and the AI-only reading group with 50 cases in each group. In the AI-only reading group, the recorded intervention is purely generative AI independent reading intervention (college students are only responsible for equipment operation and maintenance, and do not participate in reading guidance and emotional intervention), while in the collaborative intervention group, the recorded intervention is the structured auxiliary collaborative intervention of the whole process of generative AI voice multi-round interactive reading combined with standardized training for college students. The intervention period is 12 weeks, three times a week, and each time is 20–25 min. Retrospective analysis of longitudinal data at baseline, 6 weeks of intervention, 12 weeks of follow-up and 4 weeks of follow-up, with the comprehensive score of early reading as the only preset main outcome index, repeated measurement analysis of variance, independent sample t -test and chi-square test were used to analyze the inter-group and time effects, Cohen’s d was used to evaluate the effect, and the test level was α = 0.05. Results Retrospective archive data shows that, after intervention, the collaborative intervention group achieved significantly higher composite early reading scores, phonological awareness, vocabulary comprehension accuracy, reading attention duration and reading interest scores than the AI-only reading group ( p < 0.05). The main effects of group, time and the group-time interaction were all highly statistically significant ( p < 0.01), with an effect size of Cohen’s d = 0.50 representing a moderate intervention effect. The collaborative intervention group also showed significantly higher intervention adherence rate, AI interaction completion rate, reading task completion rate and frequency of active participation than the AI-only reading group ( p < 0.05). In terms of digital health-related outcomes, the collaborative intervention group had significantly lower incidence of adverse psychological states, incidence of prodromal signs of visual fatigue and digital eye strain symptoms, and study dropout rate ( p < 0.05). Among the digital health-related safety indicators, the incidence of negative emotions, visual fatigue and research dropout rate were significantly lower than those of the AI-only reading group ( p < 0.05). The archived records showed that the whole screen duration was strictly in compliance, and there was no privacy leakage and serious adverse events. The 10% lost visit rate was controllable, and the complete rate of informed consent and the qualified rate of implementation were all 100%, and there was no privacy leakage and serious adverse events. Conclusion The generative AI interaction mode paired with college student auxiliary support is associated with sustained improvement school-age children’s core early reading ability via cumulative short-term follow-up effects. Meanwhile, this collaborative model enables effective management of digital environmental exposure risks and may reduce risks related to visual and psychological health among school-age children. The intergroup differences remained stable with reliable effect sizes. This intervention model can be may provide a reference for future implementation as a digital public health intervention targeting school-age children’s early reading, and provides preliminary empirical evidence for the standardized application of AI-supported education for school-age children. This retrospective study only reflects the differences between groups of compound intervention programs in archived cases, and cannot establish strong causal inference.

زمینه: در بستر توانمندسازی دیجیتال، هوش مصنوعی مولد به طور گسترده‌ای در آموزش خواندن کودکان سن مدرسه به کار گرفته شده است و خواندن دیجیتال به یکی از انواع اصلی مواجهه‌ی محیطی برای کودکان سن مدرسه تبدیل شده است. با این حال، کودکان سن مدرسه با چالش‌هایی مانند کمبود محتوای متناسب با سن و فشارهای جسمی و روانی غیرقابل کنترل مواجه هستند. نیاز فوری به یک الگوی مداخله‌ی سلامت عمومی وجود دارد که منافع سلامت مرتبط با خواندن را متعادل کند، خطرات مواجهه‌ی دیجیتال را پیشگیری و کنترل نماید، از آسیب‌های سلامت جسمی و روانی جلوگیری کند و با کودکان سن مدرسه از زمینه‌های اجتماعی-اقتصادی متنوع سازگار باشد. روش‌ها: در این مطالعه از طرح کنترل گذشته‌نگر استفاده شد. در مجموع ۱۰۰ مورد از کودکان سن مدرسه ۶ تا ۱۲ ساله از آرشیو مداخله‌ی استانداردشده‌ی مؤسسه‌ی ما از سپتامبر ۲۰۲۵ تا دسامبر ۲۰۲۵ جمع‌آوری شد. بر اساس برنامه‌ی مداخله‌ای که واقعاً در سوابق آرشیو پذیرفته شده بود، آن‌ها به دو گروه مداخله‌ی مشارکتی و گروه خواندن صرفاً با هوش مصنوعی تقسیم شدند که هر گروه شامل ۵۰ نفر بود. در گروه خواندن صرفاً با هوش مصنوعی، مداخله‌ی ثبت‌شده صرفاً مداخله‌ی خواندن مستقل با هوش مصنوعی مولد بود (دانشجویان دانشگاه فقط مسئول راه‌اندازی و نگهداری تجهیزات بودند و در راهنمایی خواندن و مداخله‌ی عاطفی شرکت نداشتند)، در حالی که در گروه مداخله‌ی مشارکتی، مداخله‌ی ثبت‌شده، مداخله‌ی ساختاریافته‌ی کمکی مشارکتی در کل فرایند خواندن تعاملی چندمرحله‌ای صوتی با هوش مصنوعی مولد همراه با آموزش استانداردشده برای دانشجویان دانشگاه بود. دوره‌ی مداخله ۱۲ هفته، سه بار در هفته و هر بار ۲۰ تا ۲۵ دقیقه بود. تحلیل گذشته‌نگر داده‌های طولی در خط پایه، ۶ هفته مداخله، ۱۲ هفته پیگیری و ۴ هفته پیگیری انجام شد و امتیاز جامع خواندن اولیه به عنوان تنها شاخص اصلی از پیش تعیین‌شده در نظر گرفته شد. برای تحلیل اثرات بین‌گروهی و زمانی از تحلیل واریانس اندازه‌گیری مکرر، آزمون t مستقل و آزمون کای-دو استفاده شد، اندازه‌ی اثر با Cohen’s d ارزیابی شد و سطح آزمون α = ۰٫۰۵ بود. نتایج: داده‌های آرشیوی گذشته‌نگر نشان داد که پس از مداخله، گروه مداخله‌ی مشارکتی در امتیاز ترکیبی خواندن اولیه، آگاهی واجی، دقت درک واژگان، مدت زمان توجه به خواندن و امتیاز علاقه به خواندن به طور معناداری بالاتر از گروه خواندن صرفاً با هوش مصنوعی بود (p < 0.05). اثرات اصلی گروه، زمان و تعامل گروه-زمان همگی از نظر آماری بسیار معنادار بودند (p < 0.01) و اندازه‌ی اثر Cohen’s d = 0.50 نشان‌دهنده‌ی اثر مداخله‌ای متوسط بود. گروه مداخله‌ی مشارکتی همچنین نرخ پایبندی به مداخله، نرخ تکمیل تعامل با هوش مصنوعی، نرخ تکمیل وظیفه‌ی خواندن و فراوانی مشارکت فعال به طور معناداری بالاتری نسبت به گروه خواندن صرفاً با هوش مصنوعی نشان داد (p < 0.05). از نظر پیامدهای مرتبط با سلامت دیجیتال، گروه مداخله‌ی مشارکتی شیوع معناداری کمتری از وضعیت‌های روانی نامطلوب، نشانه‌های پیش‌درآمد خستگی بینایی و علائم خستگی چشمی دیجیتال و نرخ ترک تحصیل داشت (p < 0.05). در میان شاخص‌های ایمنی مرتبط با سلامت دیجیتال، شیوع هیجانات منفی، خستگی بینایی و نرخ ترک پژوهش به طور معناداری کمتر از گروه خواندن صرفاً با هوش مصنوعی بود (p < 0.05). سوابق آرشیوی نشان داد که مدت زمان کل استفاده از صفحه نمایش کاملاً مطابق با مقررات بوده و هیچ نشتی حریم خصوصی و رویداد نامطلوب جدی وجود نداشته است. نرخ مراجعه‌ی از دست رفته ۱۰٪ قابل کنترل بود و نرخ کامل بودن رضایت آگاهانه و نرخ اجرای واجد شرایط هر دو ۱۰۰٪ بود و هیچ نشتی حریم خصوصی و رویداد نامطلوب جدی وجود نداشت. نتیجه‌گیری: شیوه‌ی تعاملی هوش مصنوعی مولد همراه با حمایت کمکی دانشجویان دانشگاه با بهبود پایدار توانایی خواندن اولیه‌ی هسته‌ای کودکان سن مدرسه از طریق اثرات تجمعی پیگیری کوتاه‌مدت مرتبط است. در عین حال، این مدل مشارکتی امکان مدیریت مؤثر خطرات مواجهه با محیط دیجیتال را فراهم می‌کند و ممکن است خطرات مرتبط با سلامت بینایی و روانی کودکان سن مدرسه را کاهش دهد. تفاوت‌های بین‌گروهی با اندازه‌های اثر قابل اعتماد پایدار باقی ماندند. این مدل مداخله می‌تواند به عنوان مرجعی برای اجرای آینده به عنوان یک مداخله‌ی سلامت عمومی دیجیتال با هدف خواندن اولیه‌ی کودکان سن مدرسه مورد استفاده قرار گیرد و شواهد تجربی مقدماتی برای کاربرد استاندارد آموزش مبتنی بر هوش مصنوعی برای کودکان سن مدرسه فراهم می‌کند. این مطالعه‌ی گذشته‌نگر فقط تفاوت‌های بین گروه‌های برنامه‌های مداخله‌ی ترکیبی در موارد آرشیوی را منعکس می‌کند و نمی‌تواند استنباط علّی قوی ایجاد 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.

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.

Community-engaged Work-Integrated Learning (WIL) is increasingly positioned as a mechanism for advancing graduate employability and social responsibility, yet the frameworks used to evaluate it remain anchored to countable proxies: employment rates, satisfaction scores, and placement completions. This provocation argues that these metrics are structurally misaligned with what WIL practitioners actually know about placement quality: knowledge that is relational, contextually rich, and routinely invisible in institutional reporting. As Generative AI enters WIL evaluation, this misalignment becomes urgent. Automating existing frameworks will not resolve their limitations, and risks further marginalising the evidence that most reliably signals whether community-engaged WIL is working. Drawing on research into practitioner agency in learning analytics, this provocation calls for evaluation frameworks that legitimise practitioner judgement, centre community partner perspectives, and deploy GenAI in service of relational knowledge rather than as a substitute for it. Effective WIL evaluation is not primarily a measurement problem, it is a question of whose evidence counts.

یادگیری تلفیقی با کار (WIL) مبتنی بر مشارکت جامعه، به طور فزاینده‌ای به عنوان سازوکاری برای ارتقای اشتغال‌پذیری فارغ‌التحصیلان و مسئولیت اجتماعی مطرح می‌شود، اما چارچوب‌هایی که برای ارزیابی آن به کار می‌روند همچنان به شاخص‌های قابل شمارش مانند نرخ اشتغال، امتیازات رضایت و تکمیل دوره‌های کارورزی متکی هستند. این مقاله استدلال می‌کند که این سنجه‌ها به طور ساختاری با آنچه متخصصان WIL درباره کیفیت دوره‌های کارورزی می‌دانند، ناسازگار است؛ دانشی که رابطه‌محور، غنی از زمینه و اغلب در گزارش‌های نهادی نامرئی است. با ورود هوش مصنوعی مولد به ارزیابی WIL، این ناسازگاری فوریت می‌یابد. خودکارسازی چارچوب‌های موجود، محدودیت‌های آن‌ها را رفع نخواهد کرد و خطر به حاشیه راندن بیشتر شواهدی را دارد که به طور قابل اعتماد نشان می‌دهد آیا WIL مبتنی بر جامعه مؤثر است یا خیر. با استناد به پژوهش‌ها درباره عاملیت متخصصان در تحلیل یادگیری، این مقاله خواستار چارچوب‌های ارزیابی است که داوری متخصصان را مشروعیت ببخشد، دیدگاه‌های شرکای جامعه را در مرکز قرار دهد و از هوش مصنوعی مولد در خدمت دانش رابطه‌ای بهره گیرد، نه به عنوان جایگزین آن. ارزیابی مؤثر WIL در درجه اول مسئله اندازه‌گیری نیست، بلکه پرسشی است درباره اینکه شواهد چه کسانی اهمیت دارد.