A foundational assumption in applying Ajzen's Theory of Planned Behavior (TPB) to STEM teacher education is that prospective teachers' perceived behavioural control reflects the actual enabling conditions of their institutional environment. This study tests that assumption empirically in the context of STEM integration in Karachi, Pakistan, one of the most understudied urban teacher education landscapes in South Asia. Using an explanatory sequential mixed-methods design, we surveyed 310 prospective teachers and interviewed 15 teacher educators. Findings reveal that while prospective teachers held strongly positive perceptions of integrated STEM education and available opportunities, teacher educators consistently reported that actual STEM infrastructure, such as laboratories, digital tools, and interdisciplinary planning time, is substantially more limited. Furthermore, knowledge of STEM education emerged as the strongest predictor of positive perceptions, with self-efficacy and behavioural intentions also making significant contributions. Ultimately, the study identifies a systematic opportunity-reality divergence in which prospective teachers overestimate institutional support. This pattern reframes the local policy problem: the barrier to STEM implementation in Pakistan is not insufficient teacher motivation, but the structural absence of the enabling conditions that motivated teachers assume exist.
یکی از فرض‌های بنیادی در به‌کارگیری نظریه رفتار برنامه‌ریزی‌شده آجزن (TPB) در آموزش معلمان STEM این است که کنترل رفتاری ادراک‌شده توسط معلمان آینده‌نگر، بازتاب‌دهنده شرایط واقعی تسهیل‌کننده در محیط نهادی آن‌ها است. این پژوهش به‌صورت تجربی این فرض را در زمینه‌ی ادغام STEM در کراچی، پاکستان، که یکی از کمتر مطالعه‌شده‌ترین بسترهای شهری آموزش معلمان در جنوب آسیا است، مورد آزمون قرار می‌دهد. با استفاده از طرح پژوهش ترکیبی تبیینی متوالی، از ۳۱۰ معلم آینده‌نگر پرسشنامه به‌عمل آمد و با ۱۵ مدرس معلم مصاحبه شد. یافته‌ها نشان می‌دهد که اگرچه معلمان آینده‌نگر نگرش‌های بسیار مثبتی نسبت به آموزش یکپارچه STEM و فرصت‌های موجود داشتند، مدرسان معلم به‌طور مداوم گزارش کردند که زیرساخت واقعی STEM، مانند آزمایشگاه‌ها، ابزارهای دیجیتال و زمان برنامه‌ریزی میان‌رشته‌ای، به‌طور قابل‌توجهی محدودتر است. افزون بر این، دانش آموزش STEM به‌عنوان قوی‌ترین پیش‌بینی‌کننده نگرش‌های مثبت ظاهر شد و خودکارآمدی و نیت‌های رفتاری نیز سهم معناداری داشتند. در نهایت، این پژوهش یک واگرایی نظام‌مند میان فرصت و واقعیت را شناسایی می‌کند که در آن معلمان آینده‌نگر حمایت نهادی را بیش از حد برآورد می‌کنند. این الگو مسئله سیاست‌گذاری محلی را بازتعریف می‌کند: مانع اجرای STEM در پاکستان، کمبود انگیزه معلم نیست، بلکه فقدان ساختاری شرایط تسهیل‌کننده‌ای است که معلمان باانگیزه فرض می‌کنند وجود دارد.
A foundational assumption in applying Ajzen's Theory of Planned Behavior (TPB) to STEM teacher education is that prospective teachers' perceived behavioural control reflects the actual enabling conditions of their institutional environment. This study tests that assumption empirically in the context of STEM integration in Karachi, Pakistan, one of the most understudied urban teacher education landscapes in South Asia. Using an explanatory sequential mixed-methods design, we surveyed 310 prospective teachers and interviewed 15 teacher educators. Findings reveal that while prospective teachers held strongly positive perceptions of integrated STEM education and available opportunities, teacher educators consistently reported that actual STEM infrastructure, such as laboratories, digital tools, and interdisciplinary planning time, is substantially more limited. Furthermore, knowledge of STEM education emerged as the strongest predictor of positive perceptions, with self-efficacy and behavioural intentions also making significant contributions. Ultimately, the study identifies a systematic opportunity-reality divergence in which prospective teachers overestimate institutional support. This pattern reframes the local policy problem: the barrier to STEM implementation in Pakistan is not insufficient teacher motivation, but the structural absence of the enabling conditions that motivated teachers assume exist.
یکی از فرض‌های بنیادی در به‌کارگیری نظریه رفتار برنامه‌ریزی‌شده آجزن (TPB) در آموزش معلمان STEM این است که کنترل رفتاری ادراک‌شده توسط معلمان آینده‌نگر، بازتاب‌دهنده شرایط واقعی تسهیل‌کننده در محیط نهادی آن‌ها است. این پژوهش به‌صورت تجربی این فرض را در زمینه‌ی ادغام STEM در کراچی، پاکستان، که یکی از کمتر مطالعه‌شده‌ترین بسترهای شهری آموزش معلمان در جنوب آسیا است، مورد آزمون قرار می‌دهد. با استفاده از طرح پژوهش ترکیبی تبیینی متوالی، از ۳۱۰ معلم آینده‌نگر پرسشنامه به‌عمل آمد و با ۱۵ مدرس معلم مصاحبه شد. یافته‌ها نشان می‌دهد که اگرچه معلمان آینده‌نگر نگرش‌های بسیار مثبتی نسبت به آموزش یکپارچه STEM و فرصت‌های موجود داشتند، مدرسان معلم به‌طور مداوم گزارش کردند که زیرساخت واقعی STEM، مانند آزمایشگاه‌ها، ابزارهای دیجیتال و زمان برنامه‌ریزی میان‌رشته‌ای، به‌طور قابل‌توجهی محدودتر است. افزون بر این، دانش آموزش STEM به‌عنوان قوی‌ترین پیش‌بینی‌کننده نگرش‌های مثبت ظاهر شد و خودکارآمدی و نیت‌های رفتاری نیز سهم معناداری داشتند. در نهایت، این پژوهش یک واگرایی نظام‌مند میان فرصت و واقعیت را شناسایی می‌کند که در آن معلمان آینده‌نگر حمایت نهادی را بیش از حد برآورد می‌کنند. این الگو مسئله سیاست‌گذاری محلی را بازتعریف می‌کند: مانع اجرای STEM در پاکستان، کمبود انگیزه معلم نیست، بلکه فقدان ساختاری شرایط تسهیل‌کننده‌ای است که معلمان باانگیزه فرض می‌کنند وجود دارد.
Developing meaningful and effective cognition-oriented treatments to enhance cognition and dementia prevention is a major public health need. This online randomized controlled trial assessed the effects of a new web-based cognitive training platform, the Breakfast Game (BG), which simulates real-life executive control/multitasking demands. Participants were randomized into 1) experimental group: BG using the Emphasis Change (EmCh), a strategy to facilitate flexible attention allocation, or 2) active control group: BG without EmCh. Thirty-eight cognitively unimpaired older adults, highly educated (mean 16.4 years) and mostly White (78%), were included in the study. Participants underwent pre- and post-assessments with 12 intervention sessions, three times per week. The intent-to-treat approach and linear-mixed models were implemented, and all models controlled for baseline performance. Both groups improved the game performance over the sessions, but the EmCh presented significantly greater improvement. There were time-by-group interactions in the game metrics and near-transfer outcomes on multitasking and executive/attention control, indicating greater training gains and transfer effects in the EmCh group. There were no distant-transfer effects on self-efficacy, mood, or cognitive activities in daily life. The BG with the EmCh is a promising online intervention tool to promote cognitive health and enhance executive control / multitasking abilities in aging.
توسعه درمان‌های معنادار و مؤثر با محوریت شناخت به منظور ارتقاء شناخت و پیشگیری از زوال عقل، یک نیاز عمده بهداشت عمومی است. این کارآزمایی تصادفی‌شده‌ی کنترل‌شده‌ی آنلاین، اثرات یک پلتفرم جدید آموزش شناختی مبتنی بر وب به نام بازی صبحانه (Breakfast Game یا BG) را که نیازهای واقعی کنترل اجرایی/چندوظیفگی را شبیه‌سازی می‌کند، ارزیابی کرد. شرکت‌کنندگان به طور تصادفی به دو گروه تقسیم شدند: ۱) گروه آزمایشی: BG با استفاده از Emphasis Change (EmCh)، یک راهبرد برای تسهیل تخصیص انعطاف‌پذیر توجه؛ یا ۲) گروه کنترل فعال: BG بدون EmCh. سی‌وهشت سالمند بدون اختلال شناختی، با تحصیلات بالا (میانگین ۱۶.۴ سال) و عمدتاً سفیدپوست (۷۸٪)، در این مطالعه شرکت کردند. شرکت‌کنندگان پیش و پس از مداخله مورد ارزیابی قرار گرفتند و ۱۲ جلسه مداخله، سه بار در هفته، دریافت کردند. رویکرد intent-to-treat و مدل‌های خطی آمیخته به کار گرفته شد و همه مدل‌ها برای عملکرد پایه کنترل شدند. هر دو گروه در طول جلسات عملکرد بازی را بهبود دادند، اما گروه EmCh بهبود معنادار بیشتری نشان داد. تعامل زمان-گروه در سنجه‌های بازی و پیامدهای انتقال نزدیک در چندوظیفگی و کنترل اجرایی/توجه مشاهده شد که نشان‌دهنده دستاوردهای آموزشی و اثرات انتقال بیشتر در گروه EmCh بود. هیچ اثر انتقال دوردستی بر خودکارآمدی، خلق‌وخو یا فعالیت‌های شناختی در زندگی روزمره مشاهده نشد. BG با EmCh یک ابزار مداخله‌ای آنلاین امیدبخش برای ارتقاء سلامت شناختی و بهبود توانایی‌های کنترل اجرایی/چندوظیفگی در سالمندی است.
Short video platforms require recommendation models that can adapt to rapidly changing user interests while optimizing engagement beyond immediate click feedback. Existing collaborative filtering and supervised deep learning methods are effective for static preference matching and short-term click-through-rate prediction, but they are less suited to sequential recommendation scenarios where each recommended item influences subsequent user behavior. To address this limitation, this paper proposes a deep reinforcement learning (DRL) framework for short video recommendation. The recommendation process is formulated as a Markov Decision Process (MDP), in which the user state is constructed from historical interactions and multimodal item features, the action corresponds to selecting candidate videos, and the reward integrates immediate feedback with delayed engagement signals. A Deep Q-Network (DQN)-based agent is trained in an offline simulation environment based on the KuaiRec short-video dataset and is compared with representative baselines, including popularity-based recommendation, matrix factorization, and supervised DNN models. The experimental results show that the DRL agent better balances click relevance, session duration, and recommendation diversity, particularly in long-term engagement-oriented metrics. Ablation results further confirm that combining immediate and delayed reward signals is important for learning a robust recommendation policy. This study provides a practical framework for developing intelligent short video recommendation systems that shift the optimization objective from short-term response maximization toward long-term user value.
پلتفرم‌های ویدئوی کوتاه به مدل‌های توصیه‌گری نیاز دارند که بتوانند خود را با علایق به‌سرعت متغیر کاربران تطبیق دهند و در عین حال، بهینه‌سازی تعامل را فراتر از بازخوردهای فوری کلیک انجام دهند. روش‌های موجود فیلترینگ مشارکتی و یادگیری عمیق نظارت‌شده برای تطبیق ترجیحات ایستا و پیش‌بینی نرخ کلیک کوتاه‌مدت مؤثر هستند، اما برای سناریوهای توصیه‌گری دنباله‌دار که در آن هر آیتم توصیه‌شده بر رفتار بعدی کاربر تأثیر می‌گذارد، کمتر مناسب‌اند. برای رفع این محدودیت، این مقاله چارچوبی مبتنی بر یادگیری تقویتی عمیق (DRL) برای توصیه‌گری ویدئوی کوتاه پیشنهاد می‌کند. فرایند توصیه‌گری به صورت یک فرایند تصمیم‌گیری مارکوف (MDP) مدل‌سازی شده است که در آن وضعیت کاربر از تعاملات پیشین و ویژگی‌های چندوجهی آیتم‌ها ساخته می‌شود، عمل معادل انتخاب ویدئوهای کاندید است و پاداش، بازخورد فوری را با سیگنال‌های تعامل تأخیری ادغام می‌کند. یک عامل مبتنی بر شبکه عصبی Q عمیق (DQN) در محیط شبیه‌سازی آفلاین مبتنی بر مجموعه‌داده KuaiRec آموزش داده شده و با مبناهای نماینده از جمله توصیه‌گر مبتنی بر محبوبیت، تجزیه ماتریسی و مدل‌های DNN نظارت‌شده مقایسه می‌شود. نتایج تجربی نشان می‌دهد که عامل DRL تعادل بهتری میان ارتباط کلیک، مدت زمان نشست و تنوع توصیه برقرار می‌کند، به‌ویژه در شاخص‌های مبتنی بر تعامل بلندمدت. نتایج حذف مؤلفه‌ها نیز تأیید می‌کند که ترکیب سیگنال‌های پاداش فوری و تأخیری برای یادگیری سیاست توصیه‌گری مقاوم اهمیت دارد. این مطالعه چارچوبی عملی برای توسعه سامانه‌های هوشمند توصیه‌گر ویدئوی کوتاه ارائه می‌دهد که هدف بهینه‌سازی را از حداکثرسازی پاسخ کوتاه‌مدت به سوی ارزش بلندمدت کاربر تغییر می‌دهد.
This study examined the impact of an artificial intelligence (AI)-enhanced multimodal instructional approach on students' grammatical knowledge and motivation. Therefore, 70 Omani English as a Foreign Language (EFL) learners were divided into a control group (in-class training and feedback) and an experimental group (AI feedback), with 35 students in each group. The researcher used grammar tests and a motivation questionnaire adapted from Li et al. (2025) to collect data. After a five-week treatment period, the posttest findings showed that both groups increased their scores, but the experimental group performed significantly better than the control group. In the delayed posttest, the control group showed no progress, but the experimental group increased their scores and significantly outperformed the control group. Additionally, the experimental group was the only group in which the motivation questionnaire was administered, and it was found that their motivation levels were considerably positive. The findings of the study are helpful for teachers, syllabus designers, students, and policymakers by suggesting that integrating an AI-enhanced multimodal instructional approach into grammar teaching could be a viable method to improve educational outcomes, enhance student engagement, provide personalized feedback, and also inform subsequent curriculum planning and the implementation of educational strategies.
این پژوهش تأثیر رویکرد آموزشی چندوجهی تقویت‌شده با هوش مصنوعی (AI) را بر دانش دستوری و انگیزش دانش‌آموزان بررسی کرد. بدین منظور، ۷۰ زبان‌آموز عمانی زبان انگلیسی به عنوان زبان خارجی (EFL) به دو گروه کنترل (آموزش و بازخورد کلاسی) و آزمایش (بازخورد مبتنی بر هوش مصنوعی) تقسیم شدند که هر گروه شامل ۳۵ نفر بود. پژوهشگر برای گردآوری داده‌ها از آزمون‌های دستور زبان و پرسشنامه انگیزش اقتباس‌شده از Li و همکاران (۲۰۲۵) استفاده کرد. پس از یک دوره درمانی پنج‌هفته‌ای، یافته‌های پس‌آزمون نشان داد که هر دو گروه نمرات خود را افزایش دادند، اما گروه آزمایش به طور معناداری عملکرد بهتری نسبت به گروه کنترل داشت. در پس‌آزمون تأخیری، گروه کنترل پیشرفتی نشان نداد، اما گروه آزمایش نمرات خود را افزایش داد و به طور معناداری از گروه کنترل پیشی گرفت. همچنین، تنها در گروه آزمایش پرسشنامه انگیزش اجرا شد و مشخص شد که سطح انگیزش آن‌ها به طور قابل توجهی مثبت است. یافته‌های این پژوهش برای معلمان، طراحان برنامه درسی، دانش‌آموزان و سیاست‌گذاران مفید است و پیشنهاد می‌کند که ادغام رویکرد آموزشی چندوجهی تقویت‌شده با هوش مصنوعی در آموزش دستور زبان می‌تواند روشی مؤثر برای بهبود نتایج آموزشی، افزایش مشارکت دانش‌آموزان، ارائه بازخورد شخصی‌سازی‌شده و همچنین اطلاع‌رسانی برای برنامه‌ریزی درسی و اجرای راهبردهای آموزشی باشد.
Introduction The increasing integration of digital and artificial intelligence-supported systems into sport organizations has transformed managerial processes such as performance monitoring, evaluation, planning, scheduling, and decision-making. This study examined the association between algorithmic management and technostress among sport science professionals and investigated the moderating role of techno-related control. Methods A quantitative cross-sectional design was employed with 372 sport science professionals working in sport-related organizations where digital or AI-supported systems were used to perform or support managerial functions. Algorithmic management was assessed using the Algorithmic Management Questionnaire, technostress was measured using the Turkish version of the Technostress Creators Scale, and techno-related control was assessed using the Techno-related Control subscale of the Technology-Related Moderator Scale. The measurement model was evaluated through confirmatory factor analysis, and the hypothesized moderation model was tested using Hayes’ PROCESS Macro Model 1. Results Algorithmic management was positively associated with technostress (B = 0.38, p < 0.001), whereas techno-related control was negatively associated with technostress (B = −0.17, p < 0.001). In addition, the interaction between algorithmic management and techno-related control was negative and statistically significant (B = −0.12, SE = 0.038, p = 0.002, 95% CI [−0.19, −0.05]). The interaction explained an additional 2.1% of the variance in technostress (ΔR² = 0.021), indicating that the positive association between algorithmic management and technostress became weaker as techno-related control increased. Discussion These findings suggest that techno-related control may represent a meaningful, although modest, boundary condition in the relationship between algorithmic management and technostress and may help explain differences in how sport science professionals experience technology-mediated managerial demands.
مقدمه: ادغام فزاینده سامانه‌های دیجیتال و مبتنی بر هوش مصنوعی در سازمان‌های ورزشی، فرایندهای مدیریتی نظیر پایش عملکرد، ارزیابی، برنامه‌ریزی، زمان‌بندی و تصمیم‌گیری را دگرگون ساخته است. این مطالعه به بررسی ارتباط بین مدیریت الگوریتمی و تکنواسترس در میان متخصصان علوم ورزشی پرداخت و نقش تعدیل‌گری کنترل مرتبط با فناوری را مورد بررسی قرار داد. روش‌ها: یک طرح کمی مقطعی با مشارکت ۳۷۲ متخصص علوم ورزشی شاغل در سازمان‌های مرتبط با ورزش که در آن‌ها سامانه‌های دیجیتال یا مبتنی بر هوش مصنوعی برای انجام یا پشتیبانی از وظایف مدیریتی به کار گرفته می‌شود، اجرا شد. مدیریت الگوریتمی با استفاده از پرسشنامه مدیریت الگوریتمی، تکنواسترس با نسخه ترکی استانبولی مقیاس ایجادکنندگان تکنواسترس، و کنترل مرتبط با فناوری با زیرمقیاس کنترل مرتبط با فناوری از مقیاس تعدیل‌گر مرتبط با فناوری ارزیابی شد. مدل اندازه‌گیری از طریق تحلیل عاملی تأییدی ارزیابی شد و مدل فرضی تعدیل‌گری با استفاده از مدل ۱ ماکروی PROCESS Hayes آزمون گردید. یافته‌ها: مدیریت الگوریتمی با تکنواسترس رابطه مثبت داشت (B = 0.38, p < 0.001)، در حالی که کنترل مرتبط با فناوری با تکنواسترس رابطه منفی داشت (B = −0.17, p < 0.001). همچنین، تعامل بین مدیریت الگوریتمی و کنترل مرتبط با فناوری منفی و از لحاظ آماری معنادار بود (B = −0.12, SE = 0.038, p = 0.002, 95% CI [−0.19, −0.05]). این تعامل ۲.۱٪ واریانس اضافی تکنواسترس را تبیین کرد (ΔR² = 0.021)، که نشان می‌دهد با افزایش کنترل مرتبط با فناوری، ارتباط مثبت بین مدیریت الگوریتمی و تکنواسترس تضعیف می‌شود. بحث: این یافته‌ها نشان می‌دهد که کنترل مرتبط با فناوری می‌تواند به عنوان یک شرط مرزی معنادار، هرچند نسبتاً کوچک، در رابطه بین مدیریت الگوریتمی و تکنواسترس مطرح باشد و به تبیین تفاوت‌های تجربه متخصصان علوم ورزشی از الزامات مدیریتی مبتنی بر فناوری کمک کند.
Introduction AI-supported writing assessment can provide rapid scores and issue-level comments, yet its formative value depends on how students and teachers interpret and act on that information. This study examined this process in a university English writing course. Methods Two pre-existing intact classes comprising 96 students (48 per class) completed three writing-feedback-revision cycles. The Control class received AI scores/standard feedback, routine teacher checking, and revision. The Diagnostic Review class received DeepSeek-R1 issue-level diagnoses, completed an interpretation sheet, revised independently, underwent structured teacher review and reassessment, and recorded a reflection. Measures included diagnostic accuracy, feedback actionability, feedback comprehension, self-assessment accuracy, revision quality, reflection quality, misunderstanding codes, and teacher review activity. Mixed-effects models with student random intercepts were used for analysis. Results The Diagnostic Review class showed higher scores for diagnostic accuracy, actionability, comprehension, revision quality, and self-assessment accuracy. Group-by-cycle interactions were significant for diagnostic accuracy, comprehension, revision quality, and self-assessment accuracy, whereas the actionability interaction was not. Feedback comprehension showed the strongest bivariate association with revision quality. Exploratory indirect associations through actionability and comprehension remained positive after adjustment for condition and cycle using student-cluster bootstrap confidence intervals. Teacher records documented confirmation, correction, supplementation, and re-explanation, with greater review time in the Diagnostic Review class. Discussion The findings indicate that the formative value of AI-supported writing assessment extends beyond automated diagnosis to the subsequent processes of student interpretation, revision, and teacher review. Repeated classroom assessment may therefore benefit from integrating AI-generated diagnostic feedback with structured learner reflection and context-sensitive teacher judgment.
مقدمه: ارزیابی نوشتار با پشتیبانی هوش مصنوعی می‌تواند نمرات سریع و بازخوردهای سطح مسئله ارائه دهد، اما ارزش تکوینی آن وابسته به نحوه تفسیر و واکنش دانشجویان و معلمان به این اطلاعات است. این پژوهش این فرایند را در یک درس دانشگاهی نوشتار انگلیسی مورد بررسی قرار داد. روش‌ها: دو کلاس موجود متشکل از ۹۶ دانشجو (۴۸ نفر در هر کلاس) سه چرخه نوشتار-بازخورد-بازنگری را تکمیل کردند. کلاس کنترل نمرات هوش مصنوعی/بازخورد استاندارد، بررسی معمول معلم و بازنگری را دریافت کرد. کلاس بازبینی تشخیصی، تشخیص‌های سطح مسئله DeepSeek-R1، تکمیل برگه تفسیر، بازنگری مستقل، بازبینی ساختاریافته معلم و ارزیابی مجدد و ثبت تأمل را انجام داد. سنجه‌ها شامل دقت تشخیصی، قابلیت اقدام بازخورد، درک بازخورد، دقت خودارزیابی، کیفیت بازنگری، کیفیت تأمل، کدهای سوءتفاهم و فعالیت بازبینی معلم بود. برای تحلیل از مدل‌های اثرات مختلط با انقطاع تصادفی دانشجو استفاده شد. نتایج: کلاس بازبینی تشخیصی نمرات بالاتری در دقت تشخیصی، قابلیت اقدام، درک، کیفیت بازنگری و دقت خودارزیابی نشان داد. تعامل گروه-چرخه برای دقت تشخیصی، درک، کیفیت بازنگری و دقت خودارزیابی معنادار بود، در حالی که تعامل قابلیت اقدام معنادار نبود. درک بازخورد قوی‌ترین ارتباط دومتغیره را با کیفیت بازنگری نشان داد. ارتباطات غیرمستقیم اکتشافی از طریق قابلیت اقدام و درک، پس از تعدیل بر اساس وضعیت و چرخه با استفاده از فاصله اطمینان بوت‌استرپ خوشه‌ای دانشجو، مثبت باقی ماند. سوابق معلم تأیید، تصحیح، تکمیل و توضیح مجدد را مستند کرد و زمان بازبینی بیشتری در کلاس بازبینی تشخیصی صرف شد. بحث: یافته‌ها نشان می‌دهد که ارزش تکوینی ارزیابی نوشتار با پشتیبانی هوش مصنوعی فراتر از تشخیص خودکار بوده و به فرایندهای بعدی تفسیر دانشجو، بازنگری و بازبینی معلم نیز گسترش می‌یابد. بنابراین، ارزیابی مکرر کلاسی می‌تواند از ادغام بازخورد تشخیصی تولیدشده توسط هوش مصنوعی با تأمل ساختاریافته یادگیرنده و قضاوت حساس به زمینه معلم سود ببرد.
BACKGROUND: Central Sterile Supply Department (CSSD) staff members' mastery of professional knowledge and skills is associated with the quality of their work. OBJECTIVES: This study aimed to investigate the effect of problem-based learning in the training of CSSD nurses. METHODS: This study was conducted from April to October 2024. Forty CSSD nurses at our hospital were randomly assigned to the observation group (n = 20) or the control group (n = 20) using a random number table. The observation group received problem-based learning, while the control group received traditional training methods. After six months of training, the two groups were compared in terms of theoretical knowledge, practical skills, self-directed learning competence, teamwork skills and satisfaction with training. RESULTS: Scores for theoretical knowledge, practical skills, self-directed learning competence, teamwork skills and satisfaction with training were higher in the observation group than in the control group (P < 0.05). CONCLUSION: Problem-based learning could improve CSSD nurses' professional knowledge, practical skills and satisfaction with training.
زمینه: تسلط کارکنان بخش مرکزی استریل و تأمین ملزومات (CSSD) بر دانش و مهارت‌های حرفه‌ای با کیفیت کار آن‌ها مرتبط است. اهداف: این مطالعه با هدف بررسی تأثیر یادگیری مبتنی بر مسئله در آموزش پرستاران CSSD انجام شد. روش‌ها: این پژوهش از آوریل تا اکتبر ۲۰۲۴ انجام شد. چهل پرستار CSSD در بیمارستان ما با استفاده از جدول اعداد تصادفی به طور تصادفی به گروه مشاهده (n = 20) یا گروه کنترل (n = 20) تقسیم شدند. گروه مشاهده آموزش مبتنی بر مسئله دریافت کرد، در حالی که گروه کنترل از روش‌های سنتی آموزش بهره‌مند شد. پس از شش ماه آموزش، دو گروه از نظر دانش نظری، مهارت‌های عملی، شایستگی یادگیری خودراهبر، مهارت‌های کار تیمی و رضایت از آموزش مقایسه شدند. نتایج: امتیازات دانش نظری، مهارت‌های عملی، شایستگی یادگیری خودراهبر، مهارت‌های کار تیمی و رضایت از آموزش در گروه مشاهده بالاتر از گروه کنترل بود (P < 0.05). نتیجه‌گیری: یادگیری مبتنی بر مسئله می‌تواند دانش حرفه‌ای، مهارت‌های عملی و رضایت از آموزش پرستاران CSSD را بهبود بخشد.
