Automation

This article examines the differences between human judgment and algorithmic decision-making in critical logistics systems, focusing on the implications for the concepts of trust and control. The aim of the study is to determine whether AI-based systems can perform functions equivalent to human judgment and what implications this has for operational safety and accountability in complex logistics systems. The study is based on an interdisciplinary analysis, including a review of the literature on artificial intelligence, system safety, and human factors research, as well as a philosophical analysis. This is supplemented by a case study of selected incidents related to the operation of automated systems in high-risk environments, which allows the identification of practical limitations in integrating humans and algorithmic systems. The results indicate that decisions generated by algorithmic systems are statistical and optimization-based, which distinguishes them from human judgment, which takes into account context, uncertainty, and emotions. Consequently, trust in AI systems takes the form of an indirect, user-dependent relationship rather than an autonomous property of the technology. At the same time, increasing levels of automation lead to a diffusion of responsibility and a reduction in direct control over decision-making processes. The findings indicate that full automation of decisions in critical safety systems. Consequently, trust in AI systems takes the form of an indirect, user-dependent relationship rather than an autonomous property of the technology.

این مقاله به بررسی تفاوت‌های میان قضاوت انسانی و تصمیم‌گیری الگوریتمی در سامانه‌های لجستیکی حساس به ایمنی می‌پردازد و پیامدهای آن را برای مفاهیم اعتماد و کنترل مورد تحلیل قرار می‌دهد. هدف این مطالعه تعیین این است که آیا سامانه‌های مبتنی بر هوش مصنوعی می‌توانند عملکردهایی معادل با قضاوت انسانی داشته باشند و این امر چه پیامدهایی برای ایمنی عملیاتی و پاسخگویی در سامانه‌های لجستیکی پیچیده دارد. این پژوهش مبتنی بر تحلیلی میان‌رشته‌ای است که شامل مرور ادبیات مرتبط با هوش مصنوعی، ایمنی سامانه و پژوهش‌های عوامل انسانی، همچنین تحلیل فلسفی می‌شود. این تحلیل با مطالعه موردی درباره برخی رخدادهای مرتبط با عملکرد سامانه‌های خودکار در محیط‌های پرخطر تکمیل شده است که امکان شناسایی محدودیت‌های عملی در یکپارچه‌سازی انسان و سامانه‌های الگوریتمی را فراهم می‌کند. نتایج نشان می‌دهد که تصمیمات تولیدشده توسط سامانه‌های الگوریتمی مبتنی بر آمار و بهینه‌سازی هستند که آن‌ها را از قضاوت انسانی که زمینه، عدم قطعیت و هیجانات را در نظر می‌گیرد، متمایز می‌کند. در نتیجه، اعتماد به سامانه‌های هوش مصنوعی به صورت یک رابطه غیرمستقیم و وابسته به کاربر شکل می‌گیرد و نه به عنوان یک ویژگی مستقل از فناوری. همزمان، افزایش سطوح خودکارسازی منجر به پخش مسئولیت و کاهش کنترل مستقیم بر فرایندهای تصمیم‌گیری می‌شود. یافته‌ها نشان می‌دهد که خودکارسازی کامل تصمیمات در سامانه‌های حساس به ایمنی... در نتیجه، اعتماد به سامانه‌های هوش مصنوعی به صورت یک رابطه غیرمستقیم و وابسته به کاربر شکل می‌گیرد و نه به عنوان یک ویژگی مستقل از فناوری.

This article examines the differences between human judgment and algorithmic decision-making in critical logistics systems, focusing on the implications for the concepts of trust and control. The aim of the study is to determine whether AI-based systems can perform functions equivalent to human judgment and what implications this has for operational safety and accountability in complex logistics systems. The study is based on an interdisciplinary analysis, including a review of the literature on artificial intelligence, system safety, and human factors research, as well as a philosophical analysis. This is supplemented by a case study of selected incidents related to the operation of automated systems in high-risk environments, which allows the identification of practical limitations in integrating humans and algorithmic systems. The results indicate that decisions generated by algorithmic systems are statistical and optimization-based, which distinguishes them from human judgment, which takes into account context, uncertainty, and emotions. Consequently, trust in AI systems takes the form of an indirect, user-dependent relationship rather than an autonomous property of the technology. At the same time, increasing levels of automation lead to a diffusion of responsibility and a reduction in direct control over decision-making processes. The findings indicate that full automation of decisions in critical safety systems. Consequently, trust in AI systems takes the form of an indirect, user-dependent relationship rather than an autonomous property of the technology.

این مقاله به بررسی تفاوت‌های میان قضاوت انسانی و تصمیم‌گیری الگوریتمی در سامانه‌های لجستیکی حساس به ایمنی می‌پردازد و پیامدهای آن را برای مفاهیم اعتماد و کنترل مورد تحلیل قرار می‌دهد. هدف این مطالعه تعیین این است که آیا سامانه‌های مبتنی بر هوش مصنوعی می‌توانند عملکردهایی معادل با قضاوت انسانی داشته باشند و این امر چه پیامدهایی برای ایمنی عملیاتی و پاسخگویی در سامانه‌های لجستیکی پیچیده دارد. این پژوهش مبتنی بر تحلیلی میان‌رشته‌ای است که شامل مرور ادبیات مرتبط با هوش مصنوعی، ایمنی سامانه و پژوهش‌های عوامل انسانی، همچنین تحلیل فلسفی می‌شود. این تحلیل با مطالعه موردی درباره برخی رخدادهای مرتبط با عملکرد سامانه‌های خودکار در محیط‌های پرخطر تکمیل شده است که امکان شناسایی محدودیت‌های عملی در یکپارچه‌سازی انسان و سامانه‌های الگوریتمی را فراهم می‌کند. نتایج نشان می‌دهد که تصمیمات تولیدشده توسط سامانه‌های الگوریتمی مبتنی بر آمار و بهینه‌سازی هستند که آن‌ها را از قضاوت انسانی که زمینه، عدم قطعیت و هیجانات را در نظر می‌گیرد، متمایز می‌کند. در نتیجه، اعتماد به سامانه‌های هوش مصنوعی به صورت یک رابطه غیرمستقیم و وابسته به کاربر شکل می‌گیرد و نه به عنوان یک ویژگی مستقل از فناوری. همزمان، افزایش سطوح خودکارسازی منجر به پخش مسئولیت و کاهش کنترل مستقیم بر فرایندهای تصمیم‌گیری می‌شود. یافته‌ها نشان می‌دهد که خودکارسازی کامل تصمیمات در سامانه‌های حساس به ایمنی... در نتیجه، اعتماد به سامانه‌های هوش مصنوعی به صورت یک رابطه غیرمستقیم و وابسته به کاربر شکل می‌گیرد و نه به عنوان یک ویژگی مستقل از فناوری.

Mental health systems face a persistent gap in accessible, continuous, and person-centred support. Conversational AI can expand access to psychoeducation, emotional check-ins, self-management, and service navigation, but may also introduce risks of digital exclusion, cultural mismatch, privacy concerns, unsafe advice, and overreliance on automation. This paper develops a conceptual framework integrating Orange Technology, which promotes emotional wellbeing, cultural sensitivity, social connectedness, and resilience, with empathetic AI for mental health support. An integrative literature review examined peer-reviewed systematic reviews and WHO and UN guidance published from 2021 to 2026. Evidence suggests that conversational AI can improve depression, distress, anxiety, and engagement, although effects are heterogeneous and may decline over time. Personalization and empathic interaction may enhance engagement, while the framework's effects on community resilience, cultural sensitivity, and community resource integration require further empirical validation. The framework therefore positions AI as a supportive, human-in-the-loop layer rather than a replacement for clinicians, families, peers, or communities. It connects emotional sensing, empathetic dialogue, personalized support, escalation pathways, community connection, inclusive access, and governance, while aligning mental health innovation with SDG 3, 9, and 17.

Generative AI, and more precisely large language models, have nowadays rapidly become useful in education, professional work, and everyday tasks. While these systems offer notable benefits to make work efficient and improved accessibility, the recent evidence suggests that their usage has cognitive costs. This paper presents a structured review of 16 reviewed studies investigating the impact of Gen AI usage on cognitive offloading, metacognitive engagement, automation bias, and human skill. By studying experimental, survey-based, qualitative, and theoretical research, this review synthesizes several findings across several fields to identify recurring mechanisms through which GenAI usage reshapes cognition. Our analysis reveals a consistent pattern, where GenAI often improves short-term task performance, but it frequently minimizes effortful cognitive processing, diminishes self-regulation, and changes skill developments. Rather than constant de-skilling, this paper points out reconfiguration of skills, favoring efficiency-oriented competencies such as prompting and verification over generative reasoning and critical reflection. Our study further highlights these outcomes are not unavoidable but are strongly mediated by interaction design, educational practices, and socio-technical environments. By showing these effects as the “cost of convenience,” this paper contributes an integrative perspective on the cognitive effects of Gen AI and highlighting the ways to make AI design, education, and governance cognitively sustainable.

This community service activity is motivated by the gap in practical competence among students at SMKS Binong Permai in facing the 2026 Vocational Competency Examination compared to industry standards. The primary objective of this program is to enhance the technical readiness and professionalism of students in Office Automation and Governance (OTKP) as well as Accounting and Institutional Finance (AKL) through the synchronization of academic expertise and practical needs. The activity was conducted on April 25 and 30, 2026, involving all 95 final-year students, consisting of 65 OTKP students and 30 AKL students. The method applied was Vocational Intensive Mentoring, consisting of intensive technical guidance (technical coaching) and independent competency test simulations with service excellence role-play involving lecturers and peer student tutors. Evaluation results demonstrated a significant increase in material comprehension, with average post-test scores exceeding 80. Furthermore, a 100% passing rate was achieved (95 out of 95 students were declared competent), successfully producing systematic executive work agenda drafts and accurate financial reports following junior accounting technician standards. In conclusion, this simulation mentorship not only achieved the 100% passing rate target but also fostered a strategic mindset and digital proficiency relevant to modern workforce requirements.

The role and responsibilities of pilots have been evolving as advanced automation systems are being integrated for flight operations. Operator state monitoring (OSM) helps ensure safety and improve performance by detecting and predicting degraded operator state during operations. Despite growing interest in OSM, no unified framework exists that integrates impairment definitions, sensor criteria, and interface design requirements. This work is presented as a conceptual analysis that establishes a foundational framework for operator state monitoring system (OSMS) development, addressing what an OSMS should monitor, what types of operator state changes should be detected, the characteristics of sensing and communication needed to support these functions and the operational considerations that should inform future development. A literature review establishes potential impairment and incapacitation events for pilots, identifies relevant physiological features to support detection of these events, and assess the possible impact of such events on flight operations to inform a system response. Existing work concentrates on military and automotive contexts and on workload, fatigue, and drowsiness rather than the acute-event end of the impairment continuum; the framework developed here spans the normal to impaired to incapacitated range required for in-flight operations. OSMSs should be developed based on a multi-modal data approach consisting of physiological features, pilot performance and activity, aircraft state and environmental data, as well as contain a means for pilots to self-report input. Heart, breathing, and behavioral features are affected across the widest range of events, making them broad-coverage candidates for sensor selection, though breadth of coverage is distinct from diagnostic specificity and no single feature is treated as a standalone indicator. The remaining recommendations address the engineering of sensing and processing for the flight deck. Design guidance for the alert and notification interface is presented alongside the recommendations. As OSMSs mature, this framework can serve as a critical reference for developing robust, reliable, and widely accepted solutions in aviation.

نقش‌ها و مسئولیت‌های خلبانان با ادغام سامانه‌های پیشرفته خودکارسازی در عملیات پروازی در حال تحول است. پایش وضعیت اپراتور (OSM) به تضمین ایمنی و بهبود عملکرد از طریق شناسایی و پیش‌بینی افت وضعیت اپراتور در حین عملیات کمک می‌کند. با وجود افزایش علاقه به OSM، هنوز چارچوب یکپارچه‌ای که تعاریف اختلال، معیارهای حسگر و الزامات طراحی رابط را ادغام کند، وجود ندارد. این پژوهش به‌عنوان یک تحلیل مفهومی ارائه می‌شود که چارچوبی بنیادی برای توسعه سامانه پایش وضعیت اپراتور (OSMS) ایجاد می‌کند و به این پرسش‌ها می‌پردازد که یک OSMS باید چه مواردی را پایش کند، چه نوع تغییراتی در وضعیت اپراتور باید شناسایی شود، ویژگی‌های حسگری و ارتباطی مورد نیاز برای پشتیبانی از این کارکردها چیست و ملاحظات عملیاتی که باید توسعه آینده را هدایت کند کدام‌اند. مرور ادبیات، رویدادهای بالقوه اختلال و ناتوانی خلبانان را شناسایی می‌کند، ویژگی‌های فیزیولوژیکی مرتبط برای پشتیبانی از شناسایی این رویدادها را معرفی می‌کند و تأثیر احتمالی چنین رویدادهایی بر عملیات پروازی را برای اطلاع‌رسانی به پاسخ سامانه ارزیابی می‌کند. پژوهش‌های موجود عمدتاً بر زمینه‌های نظامی و خودرویی و بر بارکاری، خستگی و خواب‌آلودگی متمرکز شده‌اند تا انتهای حاد طیف اختلال؛ چارچوب ارائه‌شده در اینجا دامنه طبیعی تا اختلال‌یافته تا ناتوان‌شده مورد نیاز برای عملیات پروازی را پوشش می‌دهد. OSMSها باید بر اساس رویکرد داده‌های چندوجهی شامل ویژگی‌های فیزیولوژیکی، عملکرد و فعالیت خلبان، وضعیت هواپیما و داده‌های محیطی توسعه یابند و همچنین باید امکان ورود داده‌های خودگزارشی توسط خلبان را فراهم کنند. ویژگی‌های قلبی، تنفسی و رفتاری در گسترده‌ترین دامنه رویدادها تحت تأثیر قرار می‌گیرند و آن‌ها را به گزینه‌هایی با پوشش وسیع برای انتخاب حسگر تبدیل می‌کند، هرچند گستره پوشش با ویژگی تشخیصی متفاوت است و هیچ ویژگی به‌تنهایی به‌عنوان شاخص مستقل تلقی نمی‌شود. سایر توصیه‌ها به مهندسی حسگری و پردازش برای کابین پرواز می‌پردازد. راهنمای طراحی برای رابط هشدار و اعلان همراه با توصیه‌ها ارائه شده است. با بلوغ OSMSها، این چارچوب می‌تواند به‌عنوان مرجعی حیاتی برای توسعه راهکارهای مقاوم، قابل‌اعتماد و مورد پذیرش گسترده در هوانوردی مورد استفاده قرار گیرد.

Automated vehicles (AV) can exhibit diverse driving behaviors that deviate from driver expectations. More research is needed to understand drivers’ preferred driving styles when navigating safety-critical situations as well as their responses to unexpected AV driving behaviors. Forty-eight participants experienced simulated automated driving scenarios where an AV navigated a construction zone while exhibiting four different predefined driving styles that varied in terms of cautiousness and efficiency. After each trial, participants provided feedback to adjust the AV’s driving style toward their preferences, which was successfully implemented in 80% cases. Drivers’ trust, workload, voluntary takeover decisions, eye movements, and skin conductance were measured. Overall, participants preferred driving styles balancing cautiousness and efficiency. When AV behavior matched driver preferences, they reported higher trust and more stable visual scanning patterns, while unexpected behaviors were associated with broader ocular scanning. Findings can inform the development of adaptive systems that intelligently modify AV behaviors.

خودروهای خودران (AV) می‌توانند رفتارهای رانندگی متنوعی از خود نشان دهند که ممکن است با انتظارات رانندگان متفاوت باشد. پژوهش‌های بیشتری برای درک سبک‌های رانندگی ترجیحی رانندگان در موقعیت‌های بحرانی ایمنی و همچنین واکنش‌های آنان به رفتارهای غیرمنتظره خودروهای خودران مورد نیاز است. چهل‌وهشت شرکت‌کننده سناریوهای شبیه‌سازی‌شده رانندگی خودکار را تجربه کردند که در آن خودرو خودران از یک منطقه ساخت‌وساز عبور می‌کرد و چهار سبک رانندگی از پیش تعیین‌شده با سطوح مختلف احتیاط و کارایی را به نمایش می‌گذاشت. پس از هر آزمون، شرکت‌کنندگان بازخوردهایی برای تنظیم سبک رانندگی خودرو مطابق با ترجیحات خود ارائه دادند که در ۸۰٪ موارد با موفقیت اجرا شد. اعتماد رانندگان، بارکاری، تصمیمات داوطلبانه برای در دست گرفتن کنترل، حرکات چشمی و هدایت الکتریکی پوست اندازه‌گیری شد. به طور کلی، شرکت‌کنندگان سبک‌های رانندگی متعادل میان احتیاط و کارایی را ترجیح دادند. زمانی که رفتار خودرو با ترجیحات راننده مطابقت داشت، اعتماد بیشتری گزارش شد و الگوهای اسکن بصری پایدارتری مشاهده گردید، در حالی که رفتارهای غیرمنتظره با اسکن چشمی گسترده‌تر همراه بود. یافته‌ها می‌تواند به توسعه سامانه‌های تطبیقی که رفتار خودروهای خودران را به‌صورت هوشمندانه تعدیل می‌کنند، کمک نماید.

To enhance traffic safety, automated vehicles (AVs) are usually programmed to operate more smoothly and follow traffic rules better. Whether these operational characteristics achieve their intended safety benefits, however, also depends on how non-human-like AVs influence nearby human drivers. Using three real-world datasets of Lyft and Waymo driverless AVs and adaptive cruise control-driven vehicles, we assess their safety impacts in car-following scenarios. Unlike previous studies, we align car-following events by similarities in lead-vehicle speed profiles and conduct quasi-experiments. Lyft AVs exhibit smoother and safer car-following, with longer time-headways and higher time-to-collision than human drivers when following aligned manual vehicles. Paradoxically, human drivers behave more riskily, with shorter time-headways and smaller time-to-collision when following aligned Lyft AVs versus manual vehicles, partly due to AV leaders’ greater stability. Similar changes appear in the other two datasets. Our work provides an in-depth understanding of how AVs influence traffic safety. Yueying Chu, Ying Gao and colleagues analyze three real-world datasets of automated vehicles using a quasi-experimental design that aligns lead-vehicle speed profiles in car-following scenarios. They found that automated vehicles drive more smoothly and safely but paradoxically induce riskier car-following behavior in human followers.

برای ارتقای ایمنی ترافیک، وسایل نقلیه خودران (AVs) معمولاً به گونه‌ای برنامه‌ریزی می‌شوند که روان‌تر عمل کنند و بهتر از قوانین ترافیکی پیروی نمایند. با این حال، تحقق مزایای ایمنی مورد نظر این ویژگی‌های عملیاتی، همچنین به این بستگی دارد که وسایل نقلیه خودران غیرانسانی چگونه بر رانندگان انسانی اطراف خود تأثیر می‌گذارند. با استفاده از سه مجموعه‌داده واقعی از وسایل نقلیه خودران Lyft و Waymo و وسایل نقلیه دارای کنترل تطبیقی سرعت، تأثیرات ایمنی آن‌ها را در سناریوهای دنبال‌کردن خودرو ارزیابی می‌کنیم. برخلاف پژوهش‌های پیشین، رویدادهای دنبال‌کردن خودرو را بر اساس شباهت در پروفایل‌های سرعت خودروی پیشرو هم‌تراز می‌کنیم و آزمایش‌های شبه‌تجربی انجام می‌دهیم. وسایل نقلیه خودران Lyft رفتار دنبال‌کردن خودرو را روان‌تر و ایمن‌تر نشان می‌دهند، با فاصله زمانی طولانی‌تر و زمان تا برخورد بالاتر نسبت به رانندگان انسانی هنگام دنبال‌کردن وسایل نقلیه دستی هم‌تراز. به طور متناقض، رانندگان انسانی رفتار پرخطرتر از خود نشان می‌دهند، با فاصله زمانی کوتاه‌تر و زمان تا برخورد کمتر هنگام دنبال‌کردن وسایل نقلیه خودران Lyft هم‌تراز در مقایسه با وسایل نقلیه دستی، که بخشی از آن به دلیل پایداری بیشتر رهبران خودران است. تغییرات مشابهی در دو مجموعه‌داده دیگر نیز مشاهده می‌شود. این پژوهش درک عمیقی از نحوه تأثیرگذاری وسایل نقلیه خودران بر ایمنی ترافیک ارائه می‌دهد. Yueying Chu، Ying Gao و همکاران سه مجموعه‌داده واقعی از وسایل نقلیه خودران را با استفاده از طراحی شبه‌تجربی که پروفایل‌های سرعت خودروی پیشرو را در سناریوهای دنبال‌کردن خودرو هم‌تراز می‌کند، تحلیل کردند. آن‌ها دریافتند که وسایل نقلیه خودران روان‌تر و ایمن‌تر رانندگی می‌کنند اما به طور متناقض رفتار دنبال‌کردن خودرو پرخطرتر را در دنبال‌کنندگان انسانی القا می‌کنند.

Physical interior elements are increasingly becoming roboticised to support occupant needs. Partitions, ceilings, and furniture can now physically and autonomously change shape or move to architecturally “adapt” indoor spaces, with the aim of improving occupant comfort, satisfaction, and wellbeing. However, occupants sometimes reject these adaptations when they are perceived as disruptive, unpredictable, or difficult to control. Motivated by the goal of making architectural robots more acceptable, we involved an interdisciplinary team of experts in human-building interaction, human-robot interaction, psychology, anthropology, and human comfort to qualitatively re-analyze how occupants accepted adaptations across three previous studies on robotic partitions. We found that an occupant tended to accept an adaptation when they recognized a personal need that the architectural robot was capable of addressing in a socially justifiable way. Accordingly, we developed the Architectural Robot Acceptance Model (ARAM), in which three qualitative thresholds along a continuum of perceived stress severity define four distinct acceptance responses to a specific adaptation. As the positions of these thresholds may vary across occupants and situations, ARAM supports testable estimates of how an occupant may respond to different appraisal states of personal need, adaptation capability, and social justification. Because architectural robot adaptations may simultaneously be experienced as robotic behaviors, building automation, and socially situated environmental adjustments, ARAM is particularly relevant to individual adaptations that enter occupants' spatial experience and may affect co-located others. We then discuss how the model can inform situated estimates of occupant acceptance of architectural robot adaptations, and outline how its broader relevance to other robotic, automated, intelligent, and smart technologies embedded in the built environment may be evaluated in future work.

عناصر فیزیکی داخلی به طور فزاینده‌ای رباتیک می‌شوند تا نیازهای ساکنان را پشتیبانی کنند. دیوارهای جداکننده، سقف‌ها و مبلمان اکنون می‌توانند به صورت فیزیکی و خودکار شکل خود را تغییر دهند یا جابه‌جا شوند تا فضاهای داخلی را به طور معماری «سازگار» کنند، با هدف بهبود راحتی، رضایت و سلامت روانی ساکنان. با این حال، گاهی ساکنان این سازگاری‌ها را زمانی که آن‌ها را مخرب، غیرقابل پیش‌بینی یا دشوار برای کنترل درک می‌کنند، رد می‌کنند. با انگیزه افزایش پذیرش ربات‌های معماری، یک تیم میان‌رشته‌ای از متخصصان تعامل انسان-ساختمان، تعامل انسان-ربات، روان‌شناسی، انسان‌شناسی و راحتی انسان را درگیر کردیم تا به طور کیفی بازتحلیل کنیم که چگونه ساکنان در سه پژوهش پیشین درباره دیوارهای جداکننده رباتیک، سازگاری‌ها را پذیرفته‌اند. دریافتیم که یک ساکن زمانی تمایل به پذیرش یک سازگاری دارد که یک نیاز شخصی را تشخیص دهد که ربات معماری قادر به پاسخگویی به آن به شیوه‌ای اجتماعی-قابل توجیه باشد. بر این اساس، مدل پذیرش ربات معماری (ARAM) را توسعه دادیم که در آن سه آستانه کیفی در امتداد یک پیوستار شدت استرس ادراک‌شده، چهار پاسخ پذیرش متمایز نسبت به یک سازگاری خاص را تعریف می‌کند. از آنجا که موقعیت این آستانه‌ها ممکن است در میان ساکنان و موقعیت‌ها متفاوت باشد، آرام امکان برآوردهای آزمون‌پذیر از نحوه واکنش یک ساکن به وضعیت‌های ارزیابی نیاز شخصی، قابلیت سازگاری و توجیه اجتماعی را فراهم می‌کند. از آنجا که سازگاری‌های رباتیک معماری ممکن است همزمان به عنوان رفتارهای رباتیک، خودکارسازی ساختمان و تنظیمات محیطی اجتماعی-موقعیتی تجربه شوند، آرام به ویژه برای سازگاری‌های فردی که وارد تجربه فضایی ساکنان می‌شوند و ممکن است بر دیگران هم‌مکان تأثیر بگذارند، مرتبط است. سپس بحث می‌کنیم که چگونه این مدل می‌تواند برآوردهای موقعیتی از پذیرش ساکنان نسبت به سازگاری‌های رباتیک معماری را اطلاع‌رسانی کند و چگونگی ارزیابی ارتباط گسترده‌تر آن با سایر فناوری‌های رباتیک، خودکار، هوشمند و هوش‌مند تعبیه‌شده در محیط ساخته‌شده را در پژوهش‌های آتی ترسیم می‌کنیم.

Introduction Educational automation is increasingly used in teaching, but its implications for teachers' tasks, responsibilities, and professional agency remain insufficiently synthesised across educational levels. This review examined how automated and intelligent technologies are transforming the teaching role. Methods Empirical studies indexed in Scopus and Web of Science from 2020 to 2024 were reviewed following PRISMA 2020. Eligibility was structured using PICO, and methodological quality was appraised with the 2018 Mixed Methods Appraisal Tool (MMAT). Results Fifty-eight studies met the eligibility and quality threshold: 41 quantitative, eight qualitative, and nine mixed-methods studies. Three domains emerged: teachers' adoption perspectives and constraints; technology-mediated models that redistribute teaching work; and educational outcomes conditioned by teacher competence, institutional support, and governance. Twenty-four studies met five MMAT criteria, 20 met four, and 14 met three. Sensitivity analysis retained the three domains but reduced confidence in claims about performance, motivation, and inclusion. Discussion Educational automation primarily redistributes teaching tasks rather than replacing teachers. Its educational value depends on teacher competence and agency, institutional support, and governance.

مقدمه: خودکارسازی آموزشی به طور فزاینده‌ای در آموزش مورد استفاده قرار می‌گیرد، اما پیامدهای آن برای وظایف، مسئولیت‌ها و عاملیت حرفه‌ای معلمان در سطوح مختلف آموزشی به طور کافی تلفیق نشده است. این مرور بررسی کرد که چگونه فناوری‌های خودکار و هوشمند در حال دگرگون‌سازی نقش تدریس هستند. روش‌ها: مطالعات تجربی نمایه‌شده در Scopus و Web of Science از سال ۲۰۲۰ تا ۲۰۲۴ بر اساس دستورالعمل PRISMA 2020 مرور شدند. معیارهای شمول با استفاده از PICO ساختاردهی شد و کیفیت روش‌شناختی با ابزار ارزیابی مطالعات روش‌های مختلط ۲۰۱۸ (MMAT) سنجیده شد. نتایج: پنجاه‌و‌هشت مطالعه معیارهای شمول و کیفیت را احراز کردند: ۴۱ مطالعه کمی، هشت مطالعه کیفی و نه مطالعه با روش‌های مختلط. سه حوزه اصلی شناسایی شد: دیدگاه‌ها و محدودیت‌های پذیرش معلمان؛ مدل‌های مبتنی بر فناوری که کار تدریس را بازتوزیع می‌کنند؛ و پیامدهای آموزشی که به شایستگی معلم، حمایت نهادی و حکمرانی وابسته است. بیست‌و‌چهار مطالعه هر پنج معیار MMAT، بیست مطالعه چهار معیار و چهارده مطالعه سه معیار را احراز کردند. تحلیل حساسیت سه حوزه را حفظ کرد اما اطمینان نسبت به ادعاهای مربوط به عملکرد، انگیزش و شمول را کاهش داد. بحث: خودکارسازی آموزشی عمدتاً وظایف تدریس را بازتوزیع می‌کند و جایگزین معلمان نمی‌شود. ارزش آموزشی آن وابسته به شایستگی و عاملیت معلم، حمایت نهادی و حکمرانی است.

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.