artificial intelligence

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.

Purpose: This study aimed to design and evaluate an artificial intelligence–based model for predicting the mathematics performance of twelfth-grade experimental sciences students based on individual, educational, and learning technology factors. Methods and Materials: This applied, quantitative, cross-sectional, and predictive study was conducted among twelfth-grade experimental sciences students in Isfahan, Iran. A total of 187 questionnaires were distributed, and after removing incomplete, inconsistent, and invalid records, data from 84 students were retained for analysis. Data were collected using a structured questionnaire assessing individual factors, educational conditions, and learning technology variables, together with students’ recorded mathematics scores. The dataset was divided into training and testing subsets, and repeated five-fold cross-validation was used for internal model development. Multiple linear regression, ridge regression, lasso regression, elastic net regression, decision tree regression, random forest regression, gradient boosting regression, and support vector regression were compared. Model performance was evaluated using mean absolute error, root mean squared error, and the coefficient of determination. Findings: Previous mathematics achievement had the strongest positive correlation with current mathematics performance, followed by mathematics self-efficacy, study regularity, academic motivation, teacher feedback, instructional quality, and educational use of learning technologies. Test anxiety and digital distraction were negatively associated with mathematics performance. Among the evaluated algorithms, gradient boosting regression achieved the best predictive performance, with a test-set mean absolute error of 0.93, root mean squared error of 1.26, and coefficient of determination of .72. Previous mathematics achievement, mathematics self-efficacy, study regularity, teacher feedback, educational use of learning technologies, test anxiety, and instructional quality were the most influential predictors. Adding educational factors increased explained variance from .54 to .65, while including learning technology factors further increased it to .72. Conclusion: The findings indicate that mathematics performance can be predicted with acceptable accuracy by integrating students’ prior achievement, psychological and behavioral characteristics, instructional experiences, and learning technology use within an interpretable artificial intelligence model.

هدف: این مطالعه با هدف طراحی و ارزیابی یک مدل مبتنی بر هوش مصنوعی برای پیش‌بینی عملکرد ریاضی دانش‌آموزان پایه دوازدهم رشته علوم تجربی بر اساس عوامل فردی، آموزشی و فناوری‌های یادگیری انجام شد. روش‌ها و مواد: این پژوهش کاربردی، کمی، مقطعی و پیش‌بینانه در میان دانش‌آموزان پایه دوازدهم رشته علوم تجربی شهر اصفهان، ایران انجام شد. در مجموع ۱۸۷ پرسشنامه توزیع گردید و پس از حذف داده‌های ناقص، ناسازگار و نامعتبر، داده‌های ۸۴ دانش‌آموز برای تحلیل حفظ شد. داده‌ها با استفاده از پرسشنامه ساختاریافته‌ای که عوامل فردی، شرایط آموزشی و متغیرهای فناوری یادگیری را ارزیابی می‌کرد، همراه با نمرات ثبت‌شده ریاضی دانش‌آموزان جمع‌آوری شد. مجموعه داده به زیرمجموعه‌های آموزش و آزمون تقسیم شد و برای توسعه داخلی مدل از اعتبارسنجی متقاطع پنج‌باره تکراری استفاده گردید. رگرسیون خطی چندگانه، رگرسیون ریج، رگرسیون لاسو، رگرسیون الاستیک نت، رگرسیون درخت تصمیم، رگرسیون جنگل تصادفی، رگرسیون گرادیان بوستینگ و رگرسیون بردار پشتیبان با یکدیگر مقایسه شدند. عملکرد مدل با استفاده از میانگین خطای مطلق، ریشه میانگین مربعات خطا و ضریب تعیین ارزیابی شد. یافته‌ها: پیشرفت قبلی در ریاضی بیشترین همبستگی مثبت را با عملکرد فعلی ریاضی داشت و پس از آن خودکارآمدی ریاضی، نظم در مطالعه، انگیزش تحصیلی، بازخورد معلم، کیفیت تدریس و استفاده آموزشی از فناوری‌های یادگیری قرار داشتند. اضطراب امتحان و حواس‌پرتی دیجیتال با عملکرد ریاضی رابطه منفی داشتند. در میان الگوریتم‌های ارزیابی‌شده، رگرسیون گرادیان بوستینگ بهترین عملکرد پیش‌بینی را با میانگین خطای مطلق ۰٫۹۳، ریشه میانگین مربعات خطا ۱٫۲۶ و ضریب تعیین ۰٫۷۲ در مجموعه آزمون به دست آورد. پیشرفت قبلی در ریاضی، خودکارآمدی ریاضی، نظم در مطالعه، بازخورد معلم، استفاده آموزشی از فناوری‌های یادگیری، اضطراب امتحان و کیفیت تدریس از مهم‌ترین پیش‌بین‌ها بودند. افزودن عوامل آموزشی واریانس تبیین‌شده را از ۰٫۵۴ به ۰٫۶۵ افزایش داد و افزودن عوامل فناوری یادگیری آن را به ۰٫۷۲ رساند. نتیجه‌گیری: یافته‌ها نشان می‌دهد که عملکرد ریاضی را می‌توان با دقت قابل قبول از طریق ادغام پیشرفت قبلی دانش‌آموزان، ویژگی‌های روان‌شناختی و رفتاری، تجارب آموزشی و استفاده از فناوری‌های یادگیری در یک مدل مبتنی بر هوش مصنوعی قابل تفسیر پیش‌بینی کرد.

Purpose: This study aimed to design an artificial intelligence–based cognitive empowerment package for enhancing entrepreneurial skills in gifted and creative adolescents through the qualitative identification and integration of relevant cognitive, psychological, motivational, interpersonal, and technological components. Methods and Materials: The study employed a qualitative exploratory-developmental design. Data were obtained through an analytical review of relevant literature, examination of previous student entrepreneurship workshop experiences, and semi-structured interviews with students, mentors, workshop facilitators, and accelerator managers selected through purposive sampling. Data collection continued until conceptual saturation was achieved. Interview transcripts, field observations, documentary evidence, and analytical notes were examined using thematic analysis. Findings: The qualitative analysis indicated that sustained entrepreneurial action among gifted and creative adolescents depends on a multidimensional configuration of entrepreneurial intention and identity, self-efficacy, opportunity recognition and problem identification, executive functioning, tolerance of ambiguity, applied creativity, fear of failure and perfectionism, intrinsic motivation and psychological ownership, teamwork and psychological safety, proactive agency, resilience, future orientation, and reflective readiness to use artificial intelligence. The findings further suggested that entrepreneurial difficulties differ across adolescents and therefore require profile-based rather than uniform intervention. Integration of the themes resulted in a six-session package encompassing profile awareness and goal setting, problem identification and value creation, conversion of ideas into action plans, presentation and feedback utilization, teamwork and agency, and final presentation with a continuation plan. Conclusion: The findings suggest that entrepreneurial empowerment in gifted and creative adolescents should extend beyond creativity and business knowledge by strengthening the cognitive and psychological capacities required to transform ideas into sustained action, while using artificial intelligence as a supervised reflective and personalized learning support rather than as a substitute for adolescent judgment and agency.

هدف: این پژوهش با هدف طراحی بسته توانمندسازی شناختی مبتنی بر هوش مصنوعی جهت ارتقای مهارت‌های کارآفرینی در نوجوانان با استعداد و خلاق از طریق شناسایی و ادغام کیفی مؤلفه‌های شناختی، روان‌شناختی، انگیزشی، بین‌فردی و فناورانه مرتبط انجام شد. روش‌ها و مواد: این مطالعه با رویکرد کیفی اکتشافی-توسعه‌ای انجام گرفت. داده‌ها از طریق مرور تحلیلی منابع مرتبط، بررسی تجربیات پیشین کارگاه‌های کارآفرینی دانش‌آموزی و مصاحبه‌های نیمه‌ساختاریافته با دانش‌آموزان، مربیان، تسهیل‌گران کارگاه و مدیران شتاب‌دهنده که به روش نمونه‌گیری هدفمند انتخاب شدند، گردآوری شد. جمع‌آوری داده‌ها تا رسیدن به اشباع مفهومی ادامه یافت. رونوشت مصاحبه‌ها، مشاهدات میدانی، شواهد اسنادی و یادداشت‌های تحلیلی با استفاده از تحلیل تماتیک بررسی شدند. یافته‌ها: تحلیل کیفی نشان داد که تداوم عمل کارآفرینانه در نوجوانان با استعداد و خلاق وابسته به پیکربندی چندبعدی قصد و هویت کارآفرینانه، خودکارآمدی، شناسایی فرصت و تشخیص مسئله، کارکرد اجرایی، تحمل ابهام، خلاقیت کاربردی، ترس از شکست و کمال‌گرایی، انگیزش درونی و مالکیت روان‌شناختی، کار تیمی و ایمنی روان‌شناختی، عاملیت پیش‌فعال، تاب‌آوری، آینده‌نگری و آمادگی تأملی برای استفاده از هوش مصنوعی است. یافته‌ها همچنین نشان داد که دشواری‌های کارآفرینی در میان نوجوانان متفاوت است و بنابراین مداخله مبتنی بر پروفایل به جای مداخله یکنواخت ضرورت دارد. ادغام تم‌ها منجر به بسته‌ای شش‌جلسه‌ای شامل آگاهی از پروفایل و هدف‌گذاری، شناسایی مسئله و خلق ارزش، تبدیل ایده‌ها به برنامه عملیاتی، ارائه و بهره‌گیری از بازخورد، کار تیمی و عاملیت، و ارائه نهایی با برنامه تداوم شد. نتیجه‌گیری: یافته‌ها حاکی از آن است که توانمندسازی کارآفرینانه در نوجوانان با استعداد و خلاق باید فراتر از خلاقیت و دانش کسب‌وکار، با تقویت ظرفیت‌های شناختی و روان‌شناختی لازم برای تبدیل ایده به عمل پایدار و استفاده از هوش مصنوعی به عنوان پشتیبان یادگیری تأملی و شخصی‌سازی‌شده تحت نظارت، نه جایگزین قضاوت و عاملیت نوجوان، توسعه یابد.

Assessment in Arabic language learning as a foreign language (Arabic as a Foreign Language) is currently undergoing a significant paradigm shift. This transformation is influenced by the development of digital technology, the utilization of Artificial Intelligence (AI), and the implementation of the Merdeka Curriculum in Indonesia, which emphasizes flexibility, differentiation, and learning personalization. This article presents a Systematic Literature Review (SLR) aimed at identifying, examining, and synthesizing developments, innovations, methodological approaches, and various challenges in the assessment of the four Arabic language skills, namely listening, speaking, reading, and writing, during the period from 2020 to early 2026. The review employed the PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) protocol to identify and analyze relevant literature. The findings indicate a shift from conventional evaluation systems based on discrete tests toward the implementation of Technology-Enhanced Assessment (TEA) and more authentic forms of assessment. The literature synthesis reveals several key findings. First, diagnostic assessment, encompassing both cognitive and non-cognitive aspects, plays an important role in designing differentiated learning within the framework of the Merdeka Curriculum. Second, the development of assessment instruments for Arabic language maharah is increasingly oriented toward measuring higher-order thinking skills (Higher Order Thinking Skills/HOTS). Third, the utilization of Generative AI, including ChatGPT, as well as various gamification-based learning platforms, has introduced new approaches to providing faster, more adaptive, and interactive feedback. Based on the synthesis, the effectiveness of modern assessment is not determined solely by the sophistication of the technology employed, but also by the alignment between technology and pedagogical objectives, the transparency of assessment procedures, and its ability to comprehensively represent learners' communicative competence while maintaining the principles of academic integrity.

Slovak Republic has accumulated significant experience in integrating digital technologies into the professional development of educators, and a systematic analysis of this experience could serve as a resource for modernising the Ukrainian system of postgraduate education. The aim of this article is to provide a theoretical analysis, systematisation and classification of digital technologies for professional development of educators in Slovakia and to justify a model for professional development of educators using digital technologies. General scientific methods such as analysis, classification and systematisation of the results of scientific publications, as well as content analysis of strategic and regulatory documents of the EU and the SR, were employed. The article highlights the results of national and international projects implemented at Comenius University in Bratislava, which are aimed at supporting the professional development of teachers in digital environment. Strategic and regulatory documents, project materials, methodological resources and practices developed within the framework of national and international initiatives have been analysed, with particular attention paid to the DiTEdu project and the digital professional development of educators. Based on the systematisation and comparative analysis of the identified practices, an original structural-functional model of professional development for educators using digital technologies has been developed, and a classification of the main types of digital tools used in the Slovak context has been proposed. The findings have made it possible to identify the key organisational, pedagogical and technological conditions for effective digital professional development, in particular personalised learning, blended formats, professional networking, learning using artificial intelligence, the development of digital competence and ongoing methodological support. Recommendations are proposed at the national, institutional and individual levels for Ukrainian postgraduate education regarding the implementation of the Slovak experience in the using of digital technologies in the professional development of educators.

The emergence of generative artificial intelligence (Generative AI), such as ChatGPT, has brought significant changes to higher education, including Arabic language learning for non-native speakers (Arabic as a Foreign Language). Writing skills (Maharah al-Kitabah) are considered a relatively complex productive skill. Learners are required not only to master word formation (Sarf) and Arabic grammar (Nahwu), but also to organize ideas coherently and logically. This article employs a Systematic Literature Review (SLR) approach based on the PRISMA 2020 standards to map the use of ChatGPT in Arabic writing, examine the reliability of AI in Arabic grammar, and identify research gaps that remain underexplored. The review findings indicate that ChatGPT can serve as a useful writing partner (human-AI co-writer), particularly for generating ideas, enriching vocabulary, and correcting basic grammatical errors. However, AI still frequently produces errors or “hallucinations” when dealing with morphologically complex words, variations in Arabic dialects, and unvocalized texts. As a result, AI-generated writing may appear linguistically polished on the surface while containing grammatical inaccuracies. Furthermore, excessive reliance on AI may pose risks to academic integrity, while AI detection tools themselves often produce inaccurate results when identifying Arabic-language texts (false positives). This review also finds that existing research remains overly focused on English, tends to examine only the final writing outcomes without investigating students’ cognitive processes, and has paid limited attention to AI models specifically developed for the Arab region, such as ALLaM and Jais. Therefore, the approach to AI-assisted learning needs to shift from merely using AI toward purposeful and reflective utilization through frameworks such as the Spiral Learning Model and Genre-Based Pedagogy, so that AI functions as a scaffold without diminishing students’ autonomy and critical thinking.

Generation Alpha (born 2010-2024) and Generation Beta (born 2025-2039) represent an unprecedented developmental archetype defined by total digital integration and ubiquitous artificial intelligence (AI). This empirical study evaluated specialized psychological adaptation mechanisms, parenting models, and mental health intervention frameworks across these cohorts. Utilizing a mixed-methods design, quantitative data were gathered from $N = 300$ parents (Gen Alpha parents and expectant/early Gen Beta parents) using the Modified Parental Stress Scale (PSS) and Child Behavior Checklist (CBCL), supplemented by qualitative interviews with $N = 20$ pediatric mental health experts. Independent samples $t$-tests confirmed that Gen Alpha/Beta display significantly higher digital dependency anxiety ($M = 38.60, p < .001$) alongside superior visual-spatial intelligence ($M = 44.10, p < .001$) relative to normative baselines. Crucially, a proactive "Digital Integration" co-navigation parenting framework yielded significantly lower parental stress ($M = 29.50$) compared to rigid "Digital Detox" restriction models ($M = 42.80, p < .001$). A preventive clinical framework focusing on Social-Emotional Learning (SEL) and cognitive impulse management is proposed.

The landscape of foreign language education, particularly Arabic language instruction, is currently undergoing a fundamental transformation driven by the emergence of Generative Artificial Intelligence (GenAI) and Large Language Models (LLMs). This Systematic Literature Review evaluates recent developments in the integration of GenAI into the Arabic language learning ecosystem, encompassing trends in the evolution of language models, pedagogical effectiveness, the utilization of automated assessment systems, as well as the linguistic and cultural challenges involved. Through a thematic synthesis of empirical and theoretical literature published between 2019 and 2026, this review confirms that GenAI significantly enhances learner engagement, instructional personalization, and language skill acquisition, particularly in vocabulary mastery and reading comprehension. These improvements are driven by the adoption of general-purpose models such as ChatGPT, as well as leading Arabic-centric models such as JAIS and ALLaM. Nevertheless, this innovative integration encounters the inherent structural complexity of the Arabic language. Generative models frequently experience technical limitations in handling syntactic rules (nahwu), morphology (shorof), diacritic disambiguation, and regional dialect variations, as evidenced by performance gaps in linguistic benchmarks such as AraLingBench and AlGhafa. Furthermore, this review discusses rapid advances in trait-based Automated Essay Scoring (AES) supported by precise prompt engineering. Based on these findings, the study concludes that although GenAI has significant potential to bring positive disruption, its successful implementation depends heavily on pedagogical readiness, digital literacy, the application of Human-in-the-Loop (HITL) collaboration, and the development of ethical frameworks aligned with the epistemology of Islamic higher education.

Islamic civilization is one of the major civilizations that has significantly contributed to the development of science and education worldwide. During its golden age, it established educational institutions, fostered scholarly traditions, and produced influential scholars whose ideas continue to shape modern knowledge in the digital era. This article examines the relevance of Islamic civilizational values to the development of modern education through qualitative library research using thematic content analysis. The findings show that Islamic education was distinguished by four interrelated values, namely a strong culture of literacy, the integration of religious and general knowledge, an emphasis on moral formation (akhlak), and openness to knowledge from other civilizations, which together enabled scholars to advance science while upholding ethical and social responsibility. These values are highly relevant to addressing contemporary educational challenges, including declining critical literacy, uncritical dependence on digital technology and artificial intelligence, and the ongoing crisis of learners’ character. These values can inform the development of a modern educational system that integrates critical thinking, digital literacy, character education, and lifelong learning while maintaining moral and social responsibility.

The article substantiates the feasibility of adaptive foreign language phonetics teaching, enhanced by artificial intelligence technologies, as an alternative to traditional standardized methods that fail to account for higher education students' individual articulatory features and lead to persistent phonetic errors. The study is interdisciplinary, combining the methodology of specialties A4 Secondary Education (A4.021 English Language and Literature), A5 Vocational Education (A5.39 Digital Technologies), and F7 Computer Engineering. The purpose of the study is to develop and justify a model of an adaptive learning platform for improving higher education students' phonetic skills through the integration of speech formant synthesis with machine learning algorithms. A formant synthesizer model based on parallel digital filters has been developed, generating reference vowel sounds by simulating the resonant frequencies of the vocal tract. An approach to personalizing learning is proposed based on a Long Short-Term Memory (LSTM) neural network, which analyzes a student's error history and dynamically adjusts formant parameters in real time. Technical validation of the model demonstrated high accuracy of formant frequency correction, with a root-mean-square error of 45 Hz for the first formant and 78 Hz for the second, enabling objective assessment of pronunciation quality and adaptation of exercise difficulty to the individual student's level. A pilot quasi-experimental verification of the platform involving experimental and control groups of higher education students confirmed its pedagogical potential for implementing differentiated learning principles based on objective acoustic data. The conclusions confirm the platform's prospects for modernizing linguistic education. Further research directions include expanding empirical validation on a larger sample and conducting perceptual evaluation of synthesized speech quality by native speakers to confirm its naturalness and suitability for learning purposes.

Against the backdrop of deepening industry-education integration in vocational education and AI-driven digital transformation, productive teaching projects face not only the perennial challenge of transforming authentic production tasks into teachable activities, but also new challenges such as rapid resource obsolescence, heterogeneous learner foundations, and insufficient evidence for process-based assessment. Taking the “Deployment and Maintenance of a Navigation Data Storage Platform” task from the Yangtze River Trunk-Line Ship Water Pollutant Joint Supervision and Service Information System as a case, this study builds on the six-stage process of Select→Deconstruct→Define→Transform→Integrate→Extend and develops a human–AI collaborative mechanism characterized by real projects as the carrier, job competencies as the main line, and AI-supported cognition as the support. To strengthen AI empowerment across project development and implementation, AI is embedded in project selection, work-process deconstruction, competency definition, teaching-task transformation, curriculum integration, and resource expansion, and is integrated with IDEAL project-based learning, multi-stakeholder whole-process assessment, “dual-teacher + AI assistant” collaboration, and a blended virtual–real training environment. This study provides a reference for IT-related programs seeking to build replicable and iteratively improvable AI-empowered productive teaching projects.

Background Despite the substantial growth of research on Education for Sustainable Development (ESD) in higher education, the field remains characterized by geographic concentration, methodological constraints, and conceptual fragmentation between established competence frameworks and emerging demands such as climate literacy and green skills. No prior review has simultaneously mapped the bibliometric architecture and conducted an artificial intelligence (AI)-assisted inductive thematic synthesis of this domain. Methods A dual-method design integrated bibliometric network analysis—co-citation, bibliographic coupling, and keyword co-occurrence—with AI-assisted inductive thematic synthesis. A total of 442 peer-reviewed documents were retrieved from Scopus, Web of Science Core Collection, and ERIC (2015–2026) through systematic multi-database search, deduplication, and PICO-adapted relevance screening evaluated by a specialized multi-rater panel (Fleiss’ κ=0.55 – 0.69 , 98.4% unanimous agreement on the retained corpus). Thematic extraction was performed using two complementary large language model architectures (Qwen3-235B and DeepSeek V3.2), governed by a stringent verification protocol achieving a 92.0% alignment score; 37 hallucination flags were audited and corrected via human expert review. Results The corpus exhibits substantial and accelerated scientific expansion since 2019 ( R2=0.91 for exponential fit; compound annual growth rate of 18.4%), with Spain, the United Kingdom, and Germany accounting for over one-third of output. Five thematic clusters emerged: curriculum integration, transformative pedagogies, institutional and faculty roles, sustainability literacy and behavioral outcomes, and digital innovation. Surveys and case studies dominate research designs (37.7%), while experimental approaches represent only 4.0% of the corpus. Green skills and climate literacy remain conceptually peripheral despite their policy urgency, institutional collaboration is fragmented (20.3% of institutions isolated), and faculty populations are understudied (7.0%) relative to students (32.7%). Fifty-six knowledge gaps were identified across structural, declared, and emergent categories, with methods-by-concepts coverage reaching 64.0%. Conclusions The field would benefit from a methodological transition toward longitudinal and experimental designs, enhanced visibility of Global South scholarship (contextualizing database indexing constraints), systematic pedagogical theorization of simulation-based approaches, and deliberate cross-institutional consortia to transition from conceptual proliferation to evidence-based pedagogical science.

This study examines linguistic and stylistic over-elaboration in beginner Arabic writing produced during a classroom task permitting generative artificial intelligence (GenAI) and electronic translation. The study emerged from an Arabic language course involving undergraduate accounting students at Universiti Teknologi MARA (UiTM), Terengganu Branch, Malaysia. Students were instructed to write a simple birthday invitation addressed to friends, using accessible vocabulary and including specified invitation elements. During the review of approximately 100 submissions, the instructor observed recurring instances of vocabulary, courtesy expressions, and sentence formulations that appeared more sophisticated or formal than expected for the learners' proficiency and the task's communicative purpose. Adopting an exploratory qualitative approach, the study draws on these professional classroom observations, supplemented by the direct examination of three available invitation texts. The analysis considers lexical overreach, stylistic over-elaboration, unnecessary syntactic complexity, register mismatch, and learner-level appropriateness. The findings highlight a pedagogical distinction between linguistic correctness and the suitability of written expression for a beginner's level and communicative situation. They also suggest that apparently sophisticated writing should not automatically be interpreted as evidence of independent linguistic proficiency. Because individual tool use and writing processes were not documented, the study does not attribute particular expressions to GenAI or establish causal effects.

Background: Fresh graduates face an increasingly difficult school-to-work transition, while artificial intelligence (AI) has become a routine study and job-search companion; yet how the intention to use AI translates into employability, and through which mechanisms, remains unclear. Objective: Grounded in Social Cognitive Theory, this study tests whether behavioral intention to use AI is associated with self-perceived graduate employability directly and indirectly through career adaptability and job search self-efficacy, and whether AI self-efficacy and AI trust moderate these paths. Methods: A cross-sectional online survey of 612 Indonesian fresh graduates who use AI for career preparation was analyzed with partial least squares structural equation modeling (PLS-SEM). Results: AI use intention positively predicted career adaptability (β = 0.305) and job search self-efficacy (β = 0.249), and both resources predicted self-perceived employability. The indirect paths through both resources were significant, and a direct effect of AI use intention on employability remained, indicating partial mediation. AI self-efficacy and AI trust showed significant main effects on their resources, while the interaction-related indirect effects were not significant. Conclusion: AI use intention is associated with self-perceived employability through career adaptability and job search self-efficacy. The cross-sectional findings do not establish causality. Educational institutions and career-service units may use these findings to inform structured AI-supported occupational exploration, skills-gap analysis, résumé refinement, and interview rehearsal, while encouraging critical verification of AI outputs.

The rapid proliferation of generative artificial intelligence in educational contexts has transformed how students encounter academic content, yet a fundamental question remains underexamined: Do English as a Foreign Language (EFL) learners possess the critical literacy competencies needed to evaluate AI-generated texts? This study investigated whether students in Morocco’s Classes Préparatoires aux Grandes Écoles (CPGE)—one of the nation’s most academically selective post-secondary programs—demonstrate readiness for AI-era literacy demands. We developed a diagnostic assessment instrument, the Critical Reading Diagnostic Assessment (CRDA), designed to mirror common characteristics of AI-generated academic content: a confident, authoritative tone, a logical structure with subtle gaps, claims requiring verification, and culturally embedded assumptions. Thirty first-year CPGE students (M age = 18.6 years) evaluated argumentative passages across five critical dimensions: argument identification, evidence evaluation, assumption recognition, multi-source synthesis, and source criticism. Metacognitive self-assessment data were also collected. Results revealed systematic evaluation failures across all dimensions, with mean accuracy rates of only 18–39% and large effect sizes confirming substantial deficits (d = 1.11–2.25). Metacognitive analysis showed that students overestimated their abilities by 11–38 percentage points across all dimensions, indicating profound self-assessment inaccuracies.

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.

Introduction: Drug use and human immunodeficiency virus (HIV) infection remain major public health challenges, particularly among adolescents and young adults. Educational materials supported by artificial intelligence (AI) represent an innovative approach to health promotion strategies. Objective: To develop and validate an artificial intelligence-supported educational brochure for the prevention of drug use and HIV infection among adolescents and young adults. Methods: A technological development study with a mixed-methods approach was conducted at the Universidad de Ciencias Médicas de Santiago de Cuba between August and October 2026. The development of the brochure comprised three phases: literature review and scientific content curation, AI-assisted graphic design, and expert validation. Means, standard deviations, and the Content Validity Index (CVI) were calculated. Results: An educational brochure was developed in both printed and digital formats addressing the prevention of drug use and HIV infection. The overall CVI was 0.96, and mean scores ranged from 4.63 to 4.88. Overall, 93.8% of responses were rated as "Agree" or "Strongly Agree." Conclusions: The educational brochure demonstrated adequate content validity and represents a useful educational resource for strengthening the prevention of drug use and HIV infection. Artificial intelligence proved to be an effective supportive tool when its use was accompanied by expert supervision and validation.

The development of artificial intelligence in education opens up opportunities to support learning while also raising ethical issues related to academic integrity and students’ digital responsibility. This article aims to analyze the role of character education as a foundation for guiding the use of artificial intelligence in relation to these two aspects. The study employs a literature review using a descriptive-qualitative approach. The findings indicate that the values of ṣidq and amanah provide a conceptual foundation for transparency in AI use, recognition of intellectual contributions, adherence to assignment guidelines, and accountability for learning processes and outcomes. Meanwhile, the values of tabayyun, respect for others, and a focus on the common good underpin digital responsibility in the form of information verification, privacy protection, respect for intellectual property, and consideration of the social impacts of AI use. Strengthening these two aspects requires educators to lead by example, clear institutional guidelines, family support, and reflective learning grounded in ethical dilemmas. This article concludes that the integration of character education and AI literacy should be directed toward developing students who are proficient in using technology while also being able to make decisions honestly and responsibly. The resulting conceptual framework still requires empirical testing according to educational levels and contexts.

Sentiment analysis from video streams requires effective modeling of both temporal dynamics and multimodal cues. This paper presents a lightweight multimodal CNN-LSTM framework, designed for low-latency operation on live video streams, that classifies individuals' affective states as negative, neutral, or positive by jointly exploiting audio and visual information. The proposed system consists of four lightweight deep neural network models that fuse sequences of audio and visual features into a unified temporal stream, enabling the accumulation of sentiment evidence over time for robust prediction. To further enhance discriminative power, dynamic mouth state classification is incorporated, allowing the model to better capture subtle visual cues related to speech and sentiment. Experiments conducted on the Ryerson Audio-Visual Database of Emotional Speech (RAVDESS) demonstrate that the proposed approach achieves a test accuracy of 84.89% on the three-class sentiment recognition task, competitive with substantially larger audio-visual architectures, while using an order of magnitude fewer parameters and maintaining low-latency operation. In addition, we provide a comprehensive comparison with multiple multimodal large language models (LLMs), evaluated under diverse input configurations and prompting strategies. The results offer practical insights into the strengths and limitations of contemporary LLMs for audio-visual sentiment analysis and highlight the continued effectiveness of compact, task-specific neural architectures for streaming audio-visual input.

.

Higher education institutions are expected to continuously evaluate graduate programs to ensure that curricular offerings remain relevant, responsive, and aligned with the evolving demands of professional practice. This study assessed the relevance and applicability of the Master of Arts in Educational Management (MAEM) curriculum of Guagua National Colleges to the current professional work of its graduates and identified areas for curriculum enhancement. Using a quantitative descriptive-comparative research design, data were collected from 33 MAEM graduates through a structured survey questionnaire. Descriptive statistics such as frequency, percentage, weighted mean, and ranking were utilized to analyze quantitative data, while thematic analysis was employed to examine graduates' recommendations. Results revealed that most graduates occupy positions closely related to educational leadership and management, with 87.88% indicating that their present work is highly related or related to educational management. The overall relevance and applicability of the curriculum obtained a very high rating (M = 4.69), while the adequacy of competencies developed through the program received a mean rating of 4.67. Human Resource and Organizational Management emerged as the highest-rated competency area (M = 4.76), whereas Problem-Solving and Evidence-Based Decision-Making obtained the lowest mean rating (M = 4.64), though still interpreted as very high. Graduates recommended strengthening content related to digital leadership, educational technology, artificial intelligence, instructional leadership, research utilization, and experiential learning. Based on these findings, a Responsive MAEM Curriculum Enhancement Framework was proposed. The study concludes that the MAEM curriculum remains highly relevant to current professional requirements but should continuously evolve to address emerging educational challenges and technological advancements.

Recent advances in artificial intelligence (AI) call for a renewed examination of the ontological meaning of the human being and the nature of psychoanalytic treatment.AI-based mental health interventions show potential for improving the accessibility and efficiency of care; however, current AI systems generate verbal responses on the basis of statistical patterns, and it remains difficult to regard them as capable of performing, in the same manner as human therapists, the embodied emotional experience and relational internal transformation that psychoanalytic treatment entails.This paper conceptualizes the persistent delegation of psychological functions to external systems as the "outsourced ego" and examines the possibility that this phenomenon may, over time, lead to a weakening of ego functions and a delay in the formation of subjectivity.It also discusses the structural problems of AI-based treatment, including the lack of explainability, the reinforcement of self-deceptive narratives through hallucination, and the absence of ethical responsibility.In addition, this paper considers the difficulty of implementing, in an AI-mediated environment, core mechanisms of psychoanalytic interaction such as containment, transference and countertransference, and the analytic third.In response, it proposes four practical virtues for preserving humanity in the age of AI: reflexivity, negative capability, relational courage, and responsible subjectivity.In conclusion, the development of AI technology should not remain confined to the question of whether human therapists can be replaced; rather, it should serve as an opportunity to reflect more clearly on the distinctiveness of human existence, which lies in the capacity to endure imperfection and live with others.

Background Cumulative exposure to adverse childhood experiences (ACEs) is associated with an increased risk of substance use, overdose, and suicide. Rural children are more likely to experience most ACEs. There is limited literature contextualizing rural individuals’ experiences with ACEs. Public Health 3.0 calls for multisector partner engagement to generate collective impact. The purpose of this study was to evaluate rural providers’ perspectives on challenges and recommendations for ACEs mitigation in their community from a cross-sector context. Participants and setting Participants were 74 providers enrolled in an online ACEs training. Participants lived and/or worked in five rural Missouri counties with high drug overdose death rates. Methods This was a conventional content analysis of written responses to structured discussion prompts from three training modules. Analysis included familiarization, inductive identification of major codes, and refinement of codes, followed by independent coding by two authors until consensus, and reporting major patterns. Artificial intelligence supported preliminary code development. An adapted Sequential Intercept Model (SIM) framework organized challenges and recommendations by setting. Results Results included personal stories about how ACEs impacted their communities through overdose, suicide, homelessness, unemployment, and adverse health effects. Settings included schools, government, healthcare, daycares, criminal justice, Extension, fire departments, libraries, and nonprofits. Participants recommended expanding the ACEs definition to include satanic abuse, bullying, incest, war, genocide, military family stressors, and death of a loved one. Intervention recommendations included whole-family interventions, community-wide training, trauma-informed training, expanded access to treatment, classes in prison/jails, and fostering positive childhood experiences. Conclusion Community voice is necessary to contextualize setting-specific insights that inform development of upstream interventions appropriate for and tailored to the community. Participants identified both strategies that could be incorporated into everyday practice—including empathy, listening, providing judgment-free and safe spaces, providing food for children experiencing hunger, encouraging positive childhood experiences, mentoring, and connecting individuals with resources for food, shelter, clothing, and mental health—and broader structural changes that may require policy-level action. The adapted SIM organizes these concepts.

Introduction Deception elicits measurable cognitive and linguistic changes, yet accurately identifying deceptive language in high-stakes environments remains a persistent challenge. Although natural language processing (NLP) and machine learning (ML) techniques have shown promise in detecting misinformation and low-stakes deception, their performance on spontaneous, stress-induced speech remains poorly understood. This study investigates linguistic markers of deception and evaluates the performance of supervised ML models and a knowledge-grounded language model, FranklinAsk™, across both synthetic and real-world datasets. Methods Linguistic analyses were conducted on responses from a National Center for Credibility Assessment (NCCA) military training exercise involving truthful and deceptive participants. A synthetic dataset was generated using MOSTLYAI to provide a balanced corpus for ML training. Linguistic features were extracted using pretrained NLP models, and supervised classifiers, including logistic regression, Random Forest, Naïve Bayes, and Support Vector Machine (SVM), were trained using LIWC-22 features with 10-fold cross-validation. The FranklinAsk™ RAG system was evaluated using the same participant responses to compare knowledge-grounded reasoning with statistical learning. Results Two linguistic features, cardinal numbers (nominal p = 0.041) and particles (nominal p = 0.0486), reached the unadjusted significance threshold, each with a moderate effect size ( d = 0.55); neither remained statistically significant after Benjamini-Hochberg FDR correction (adjusted p = 0.668 for both). No significant sentiment differences were observed. On the synthetic dataset, logistic regression performed best (F1 = 0.930; ROC AUC = 0.978), but all supervised models showed substantial performance declines when applied to the real-world dataset. In contrast, FranklinAsk™ achieved the highest F1-score (0.519), highest accuracy (0.487), and second-highest recall (0.700) on the military exercise data. Discussion These findings highlight the limited generalizability of synthetic-trained deception models to real-world, high-stakes communication and motivate further investigation of knowledge-grounded language models as an alternative approach when labeled real-world training data are limited. Future research should prioritize expanding ecologically valid datasets and exploring hybrid approaches that combine statistical modeling with knowledge-grounded reasoning.

Introduction Vehicular driving pattern analysis is important for improving road safety, driving efficiency, and intelligent transportation systems. The aim of this study is to analyze recent research on the major driver-behavior analysis tasks, which are driving pattern recognition, distraction detection, abnormal driving-behavior detection, driver profiling and identification, fuel-efficiency analysis, and driving-risk assessment. Methods The literature selection process was structured and included identification, screening, and eligibility. One hundred seventeen studies were used in this study, and 12 studies were selected for a detailed examination for comparative analysis. Results The studies analyzed have shown that driver-behavior analysis is becoming more popular with the use of machine learning, deep learning, sensor fusion, edge computing, and other new technologies. Existing approaches, however, are still scattered across behavioral tasks and encounter issues such as real-time processing, privacy preservation, scalability, model generalization, and integration of heterogeneous data. Discussion This study highlights the need for integrated and task-oriented approaches to address these challenges and support multiple behavioral assessments. The findings provide research directions on the development of scalable privacy-aware real-time driver-behavior analysis systems for connected and intelligent transportation environments.

Generative artificial intelligence is fundamentally reshaping the cognitive conditions of knowledge innovation. While human–AI collaboration improves the efficiency of knowledge production, it may also induce creators to outsourcing cognitive work to AI systems. This study conceptualized this tendency as task-level metacognitive disengagement, defined as the immediate reduction of planning, monitoring, and reflection within a specific AI-assisted task, and, drawing on metacognition theory, cognitive offloading theory and self-regulated learning theory, examined its impact on knowledge innovation quality, its psychological mechanism, and boundary conditions through four complementary experiments. Experiment 1 showed that higher AI assistance significantly increased metacognitive disengagement. Experiment 2 revealed that cognitive offloading partially mediated the relationship between AI assistance and metacognitive disengagement. Experiment 3 confirmed the negative effect of cognitive offloading on knowledge innovation quality, specifically on novelty, usefulness, and developability, with metacognitive disengagement partially mediating this effect. Experiment 4 tested the proposed moderated mediation model and found that task complexity strengthened, whereas individual AI literacy weakened, the negative indirect effect of cognitive offloading on knowledge innovation quality through metacognitive disengagement. These findings reveal a hidden cognitive cost behind the efficiency gains of human–AI collaboration and provide empirical evidence and theoretical implications for cultivating innovative talent and designing human–AI collaborative mechanisms in the era of artificial intelligence.

Digital media has evolved from passive screen viewing into an algorithmically curated ecosystem of social platforms, short form video, games, generative artificial intelligence (AI), conversational agents, connected toys and educational technologies. These systems can support learning, creativity, communication, disability access and healthcare; however, engagement optimized design, commercial surveillance and synthetic content create risks that are not adequately captured by screen-time measures alone. This narrative review examines the effects of contemporary digital ecosystems on child and adolescent health and outlines implications for pediatric practice. PubMed/MEDLINE, Google Scholar and guidance from the World Health Organization, United Nations Children's Fund, UNESCO and the American Academy of Pediatrics were reviewed, with emphasis on evidence published from 2019 to June 2026. Associations have been reported between problematic digital media use and sleep disruption, reduced physical activity, visual and musculoskeletal symptoms, obesity related behaviours, anxiety, depressive symptoms, cyberbullying, disordered eating and impaired attention. Causal interpretation remains difficult because effects are heterogeneous, often small, bidirectional and strongly modified by age, content, context, displacement, family relationships and pre-existing vulnerability. AI adds distinct concerns: persuasive personalization, inaccurate health information, anthropomorphic dependency, deepfakes, sexual exploitation, biased outputs, privacy loss and erosion of learning through uncritical outsourcing. Benefits are also substantial when technologies are developmentally appropriate, evidence-based, inclusive and used with adult support. Pediatric counselling should shift from counting hours alone toward assessing the child's digital ecosystem, sleep, function, content, compulsivity, safety and relationships. Effective protection requires shared family practices, school digital literacy, safety by design, age-appropriate assurance, transparent algorithms, data minimization and independent research. The goal is not a screen free childhood but a child centred digital environment that supports health, agency and development.

Background Concerns over possible employment displacement among undergraduates majoring in English have been raised by the growing use of artificial intelligence in writing, translation, and language services. However, limited research has examined the association between perceived AI replacement threat (PAIRT) and employment anxiety among English-major undergraduates or the roles of career insecurity and career decision-making self-efficacy (CDMSE). Methods This cross-sectional study surveyed 711 Chinese English-major undergraduates recruited through convenience sampling. After controlling for gender and grade level, AMOS and PROCESS Model 7 with 5,000 bootstrap resamples were used to examine the indirect and conditional indirect associations. Results PAIRT was positively associated with both career insecurity and employment anxiety. A significant indirect association between PAIRT and employment anxiety through career insecurity was observed, accounting for 48.29% of the estimated total effect. CDMSE significantly moderated the association between PAIRT and career insecurity, with this positive association becoming weaker at higher levels of CDMSE. The conditional indirect association through career insecurity was smaller at higher levels of CDMSE, and the index of moderated mediation was significant. Sensitivity analyses excluding the career replaceability items from employment anxiety produced substantively consistent results. Discussion These findings extend understanding of employment anxiety among English-major undergraduates in the context of AI.

Higher education has historically operated under a paradigm of information scarcity, positioning universities as premier institutions for curating and transmitting knowledge. The convergence of digital hyper-abundance, algorithmic curation, and generative artificial intelligence (GenAI) has disrupted this model, producing what educators increasingly describe as a crisis of critical thinking in higher education. The purpose of this review is to examine how information abundance, algorithmic curation, and GenAI use may influence university students’ critical thinking, and to synthesise what this evidence implies for what universities teach and how they assess. Using a critical narrative review design with thematic synthesis, the review analyses 45 verified sources (empirical studies, systematic reviews and meta-analyses, conceptual works, and policy guidance) identified through citation chaining and targeted searches; empirical GenAI studies date from November 2022 to 2026, and foundational theoretical works from 1976 onward. The synthesis is anchored in an integrative framework that combines cognitive load and dual-process theory, cognitive offloading, scaffolding theory, self-regulated learning, and epistemic cognition, with critical thinking as the principal outcome. Five themes emerged: (1) information abundance appears to shift the central cognitive challenge from retrieval to evaluation; (2) unguided GenAI use is associated with reduced cognitive engagement and, in several experiments, with weaker independent performance once AI support is removed, although guardrailed designs appear to mitigate this; (3) fluent AI output can be mistaken for validated knowledge, and AI-detection tools are unreliable and biased; (4) lateral reading, guided AI use, and process-visible assessment have promising but uneven support; and (5) workload, equity, and policy constraints limit adoption. From these themes, the review derives the Fade–Visibility Matrix, which crosses AI support structure (persistent versus fading) with assessment design (product-only versus process-visible) to yield four diagnostic states. The evidence is early and methodologically uneven, but it is most consistent with a structural rather than individual explanation. Universities should therefore teach evaluation, verification, and metacognitive regulation explicitly, design AI support to fade, and redesign assessment so that the learning process, not only the finished product, can be observed.

Mental health conditions have become one of the most urgent public health challenges worldwide, affecting nearly one billion people and creating substantial social and economic burdens. Despite increasing demand for psychological services, barriers such as financial costs, shortages of mental health professionals, geographical inequalities, and social stigma prevent many individuals from receiving timely support. This paper examines the biological, psychological, and environmental factors contributing to mental disorders and evaluates the potential role of artificial intelligence (AI) conversational models in mental health support. It argues that AI cannot replace licensed clinicians but can serve as a complementary tool by improving accessibility, providing continuous communication, offering privacy, and delivering personalized psychoeducation. Particular attention is given to autism spectrum disorder (ASD), where AI's predictable communication style may support communication practice and reduce social pressure. The paper also discusses AI-assisted interventions based on cognitive behavioral therapy (CBT) and examines ethical challenges, including privacy, algorithmic bias, and clinical responsibility. Overall, responsible cooperation between AI technologies and healthcare professionals may improve the accessibility and effectiveness of future mental healthcare.

This study evaluated the reliability and validity of a context-aware sleep holistic cycle gate algorithm and explored its potential for artificial intelligence (AI)-based personalized sleep management in digital health-care. A 6-week prospective observational study was conducted in 25 adults aged 20–65 years. Participants recorded daytime activities, eve-ning behaviors, presleep environmental factors, sleep outcomes, and feedback adherence using a mobile application. Five sleep-related indices were calculated, and a context-aware gate algorithm comprising five domains was applied. Reliability was assessed through internal consistency and reproducibility analyses, while validity was examined using correlations with sleep quality indicators and receiver operating characteristic curve analyses. Data completion and adherence rates were 80.3%±9.8% and 72.7%±11.6%, respectively. The sleep readiness index was positively correlated with subjective sleep quality (r=0.53, P<0.01). The algorithm demonstrated moderate predictive performance (area under the curve=0.73), with the environment and presleep gates showing the highest accuracy. Following personalized feedback, sleep onset latency decreased by 12.6%, and perceived sleep quality improved significantly (P<0.05). In conclusions, the context-aware sleep holistic cycle gate algorithm demonstrated acceptable reliability and validity for predicting sleep quality. These findings suggest that the proposed framework may serve as a foundational platform for the development of AI-driven personalized sleep management systems and future digital healthcare applications related to sleep rehabilitation and health promotion.

The in-depth penetration of artificial intelligence (AI) technology has reshaped career forms and the structure of the labor market, exerting a profound impact on university students’ cognition and orientation towards career development. Based on the conservation of resources theory and self-determination theory, we conducted three studies—an experimental study and two survey studies—to explore correlational linkages between AI awareness and university students’ boundaryless career. Studies 1 and 3 consistently demonstrated that AI awareness is indirectly associated with boundaryless career through the parallel mediating pathways of intrinsic motivation and future job insecurity. Study 2 provided experimental evidence that heightened AI awareness increases both intrinsic motivation and future job insecurity. This research enriches the application scenarios of boundaryless career theory in the context of technological change, deepens the understanding of the mechanism linking technological perception to youth career psychology, and offers practical implications for career guidance in universities.

The flipped classroom (FC) model has obtained collective attention in medical education for its potential to enhance student engagement, active learning, and knowledge retention.This study systematically reviews the report on flipped classrooms in medical education using the Preferred Reporting Items for Systematic reviews and Meta- Analyses (PRISMA) framework. Articles were retrieved from reputable databases, including PubMed, Medline, OVID, ACM, ScienceDirect, Taylor & Francis, MDPI, SAGE, SpringerLink, Wiley, IEEE Xplore, and Google Scholar.The 34 studies were identified exploring flipped classroom teaching approaches to enhance medical education. Review focuses on the tools and technologies employed such as video creation, learning management systems, podcasts, online assessments, and collaborative platforms as well as pedagogical strategies implemented across medical courses.This study focused on flipped learning in higher education. Future research should examine its application in other educational settings, including schools, vocational, technical, and professional training. Emerging technologies such as artificial intelligence and augmented reality warrant investigation for their impact on student engagement and learning outcomes across disciplines. Further studies should also explore the influence of cultural and geographical factors on flipped classroom implementation and effectiveness. Additionally, research is needed to determine how flipped classroom activities can be tailored to specific learning objectives, student needs, and subject areas. Finally, longitudinal studies are recommended to assess the long- term effects of flipped learning on student achievement, retention, and academic success.

مدل کلاس معکوس (FC) به دلیل پتانسیل آن در افزایش مشارکت دانشجویان، یادگیری فعال و حفظ دانش، توجه جمعی را در آموزش پزشکی به خود جلب کرده است. این مطالعه به‌صورت نظام‌مند گزارش‌های مربوط به کلاس‌های معکوس در آموزش پزشکی را با استفاده از چارچوب آیتم‌های ترجیحی برای گزارش مرورهای نظام‌مند و متاآنالیزها (PRISMA) مرور می‌کند. مقالات از پایگاه‌های داده معتبر از جمله PubMed، Medline، OVID، ACM، ScienceDirect، Taylor & Francis، MDPI، SAGE، SpringerLink، Wiley، IEEE Xplore و Google Scholar بازیابی شدند. در مجموع ۳۴ مطالعه شناسایی شد که رویکردهای تدریس کلاس معکوس را برای ارتقای آموزش پزشکی بررسی کرده‌اند. این مرور بر ابزارها و فناوری‌های به‌کاررفته مانند تولید ویدئو، سامانه‌های مدیریت یادگیری، پادکست‌ها، ارزیابی‌های آنلاین و پلتفرم‌های همکاری و همچنین راهبردهای آموزشی اجراشده در دوره‌های پزشکی تمرکز دارد. این مطالعه بر یادگیری معکوس در آموزش عالی متمرکز بود. پژوهش‌های آتی باید کاربرد آن را در سایر محیط‌های آموزشی از جمله مدارس، آموزش‌های فنی‌وحرفه‌ای و تخصصی بررسی کنند. فناوری‌های نوظهوری مانند هوش مصنوعی و واقعیت افزوده شایسته بررسی برای تأثیر آن‌ها بر مشارکت دانشجویان و پیامدهای یادگیری در رشته‌های مختلف هستند. مطالعات بیشتر همچنین باید تأثیر عوامل فرهنگی و جغرافیایی بر اجرای کلاس معکوس و اثربخشی آن را بررسی کنند. علاوه بر این، پژوهش‌هایی لازم است تا مشخص شود چگونه فعالیت‌های کلاس معکوس می‌تواند متناسب با اهداف یادگیری خاص، نیازهای دانشجویان و حوزه‌های موضوعی تنظیم شود. در نهایت، مطالعات طولی برای ارزیابی اثرات بلندمدت یادگیری معکوس بر پیشرفت، ماندگاری و موفقیت تحصیلی دانشجویان توصیه می‌شود.

Psychological stress dialogue recognition still lacks sufficient semantic understanding in multimodal information fusion and emotional dynamic modelling. It is difficult to achieve high-precision and robust stress state recognition in complex dialogue scenarios. Combining the advantages of the pre-trained language model BERT (Bidirectional Encoder Representations from Transformers) in semantic understanding and the capabilities of EmoShiftNet (Emotion Shift Network) in emotion transfer modelling, contextual semantic coding is realised through a multi-level Transformer, and a cross-modal Transformer is used to align heterogeneous features such as text, speech, and vision. In terms of multimodal signal representation, the BERT encoder captures fine-grained changes in language semantics, the convolutional-recurrent network extracts speech time–frequency features, the convolutional neural network and optical flow method obtain facial expression dynamics, and finally, realises unified representation through shared embedding space and cross-modal contrast learning. On the five-class psychological stress dialogue task, text semantic features contribute 42.7% of the total discriminative information, and the full multimodal fusion model achieves an overall accuracy of 85.0% (95% CI (Confidence Interval): [83.2%, 86.8%]) on the held-out test set. In the emotion transition detection task, the model achieves 76.2% transfer prediction accuracy with an average detection latency of 13.4 s. Under low signal-to-noise ratio conditions, the speech modality maintains stable performance with an error rate of 4.8% across 59 test samples. The highest accuracy rate of the fusion model under full-modal input reaches 97% on our self-constructed psychological stress dialogue dataset, which is divided strictly at the dialogue level (6391 training, 1484 validations, 2227 test samples) to avoid data leakage. This result significantly outperforms single-modal baselines and four state-of-the-art pre-trained language model baselines.

شناسایی گفت‌وگوی استرس روان‌شناختی همچنان در همجوشی اطلاعات چندوجهی و مدل‌سازی پویایی هیجانی با کمبود درک معنایی کافی مواجه است. دستیابی به شناسایی دقیق و مقاوم وضعیت استرس در سناریوهای گفت‌وگوی پیچیده دشوار است. با ترکیب مزایای مدل زبانی پیش‌آموزش‌یافته BERT (Bidirectional Encoder Representations from Transformers) در درک معنایی و قابلیت‌های EmoShiftNet (Emotion Shift Network) در مدل‌سازی انتقال هیجان، کدگذاری معنایی متنی از طریق ترنسفورمر چندسطحی تحقق می‌یابد و یک ترنسفورمر میان‌وجهی برای هم‌ترازی ویژگی‌های ناهمگن مانند متن، گفتار و بینایی به‌کار می‌رود. در زمینه نمایش سیگنال چندوجهی، رمزگذار BERT تغییرات ریزمعنایی زبان را استخراج می‌کند، شبکه کانولوشن-بازگشتی ویژگی‌های زمانی-فرکانسی گفتار را استخراج می‌کند، شبکه عصبی کانولوشنی و روش جریان نوری پویایی‌های حالت چهره را به‌دست می‌آورند و در نهایت، نمایش یکپارچه از طریق فضای تعبیه مشترک و یادگیری متضاد میان‌وجهی محقق می‌شود. در وظیفه پنج‌کلاسه گفت‌وگوی استرس روان‌شناختی، ویژگی‌های معنایی متنی ۴۲٫۷٪ از کل اطلاعات تمایزبخش را تأمین می‌کنند و مدل همجوشی کامل چندوجهی به دقت کلی ۸۵٫۰٪ (فاصله اطمینان ۹۵٪: [۸۳٫۲٪، ۸۶٫۸٪]) در مجموعه آزمون نگه‌داشته‌شده دست می‌یابد. در وظیفه شناسایی انتقال هیجان، مدل به دقت پیش‌بینی انتقال ۷۶٫۲٪ با میانگین تأخیر شناسایی ۱۳٫۴ ثانیه دست می‌یابد. در شرایط نسبت سیگنال به نویز پایین، وجه گفتاری با نرخ خطای ۴٫۸٪ در میان ۵۹ نمونه آزمون عملکرد پایداری را حفظ می‌کند. بالاترین نرخ دقت مدل همجوشی در ورودی تمام‌وجهی به ۹۷٪ در مجموعه‌داده گفت‌وگوی استرس روان‌شناختی ساخت خود ما می‌رسد که به‌طور دقیق در سطح گفت‌وگو (۶۳۹۱ نمونه آموزش، ۱۴۸۴ نمونه اعتبارسنجی، ۲۲۲۷ نمونه آزمون) تقسیم شده است تا از نشت داده جلوگیری شود. این نتیجه به‌طور معناداری از پایه‌های تک‌وجهی و چهار مدل زبانی پیش‌آموزش‌یافته پیشرفته برتر است.

Long-term digital psychological intervention faces issues such as delayed state feedback, observation absence, and scattered individual responses. Static input is difficult to retain cross-period dependencies, and a unified strategy will also widen user differences and cause fluctuations in continuous actions. To address these problems, a personalized intervention system that combines Transformer temporal modeling and proximal policy optimization is constructed. Structured psychological state representation organizes continuous behaviors and subjective feedback into an updateable sequence. The Transformer encoder extracts long-term dependencies and local mutations, the individual embedding absorbs user response deviations, and the Kullback–Leibler (KL) constraint inhibits adjacent strategy jumps. The experiment uses StudentLife data and accompanying simulations, semi-synthetic data. The cumulative reward of the complete model reaches 634.7 ± 21.8, with a 95% confidence interval of 619.11–650.29. The rule strategy, Proximal Policy Optimization (PPO) immediate state model, and the configuration without individual embedding are 412.6 ± 38.4, 528.3 ± 42.7, and 561.9 ± 35.2, respectively. The differences among the three groups, after Holm correction, all reach significant levels ( p < 0.001). The complete model enters the stable range after 1620 rounds, and the variance of the reward after convergence drops to 19.4. The rate of change in emotional intensity, the improvement value of state stability, and the cumulative variance of individual rewards is 0.091, 0.052, and 28.4, respectively. The ablation results show that temporal encoding mainly affects long-term benefits and convergence stability, and individual embedding focuses on reducing the dispersion among users. The existing evidence supports strategy optimization in non-clinical environments, but does not constitute a psychological mechanism explanation, causal effect proof, or clinical effectiveness conclusion.

مداخله روان‌شناختی دیجیتال بلندمدت با مسائلی نظیر بازخورد تأخیری وضعیت، فقدان مشاهده و پاسخ‌های پراکنده فردی مواجه است. ورودی ایستا در حفظ وابستگی‌های میان‌دوره‌ای دشوار عمل می‌کند و راهبرد یکپارچه نیز تفاوت‌های کاربران را افزایش داده و موجب نوسان در اقدامات پیوسته می‌شود. برای رفع این مشکلات، یک سامانه مداخله شخصی‌سازی‌شده که مدل‌سازی زمانی Transformer و بهینه‌سازی سیاست مجاور (Proximal Policy Optimization) را ترکیب می‌کند، طراحی شده است. بازنمایی ساختاریافته وضعیت روان‌شناختی، رفتارهای پیوسته و بازخوردهای ذهنی را به دنباله‌ای قابل به‌روزرسانی سازمان‌دهی می‌کند. رمزگذار Transformer وابستگی‌های بلندمدت و جهش‌های محلی را استخراج می‌کند، تعبیه فردی (individual embedding) انحرافات پاسخ کاربران را جذب می‌کند و قید کولبک–لیبلر (Kullback–Leibler constraint) از جهش‌های راهبردی مجاور جلوگیری می‌کند. آزمایش با داده‌های StudentLife و شبیه‌سازی‌های همراه، داده‌های نیمه‌مصنوعی، انجام شده است. پاداش تجمعی مدل کامل به ۶۳۴٫۷ ± ۲۱٫۸ با فاصله اطمینان ۹۵٪ برابر با ۶۱۹٫۱۱ تا ۶۵۰٫۲۹ می‌رسد. راهبرد قاعده‌مند، مدل وضعیت فوری Proximal Policy Optimization (PPO) و پیکربندی بدون تعبیه فردی به ترتیب ۴۱۲٫۶ ± ۳۸٫۴، ۵۲۸٫۳ ± ۴۲٫۷ و ۵۶۱٫۹ ± ۳۵٫۲ هستند. تفاوت میان سه گروه، پس از اصلاح Holm، همگی به سطح معناداری (p < 0.001) می‌رسد. مدل کامل پس از ۱۶۲۰ دور به بازه پایدار وارد می‌شود و واریانس پاداش پس از همگرایی به ۱۹٫۴ کاهش می‌یابد. نرخ تغییر شدت هیجانی، مقدار بهبود پایداری وضعیت و واریانس تجمعی پاداش فردی به ترتیب ۰٫۰۹۱، ۰٫۰۵۲ و ۲۸٫۴ است. نتایج حذف اجزا (ablation) نشان می‌دهد که رمزگذاری زمانی عمدتاً بر منافع بلندمدت و پایداری همگرایی اثرگذار است و تعبیه فردی بر کاهش پراکندگی میان کاربران تمرکز دارد. شواهد موجود از بهینه‌سازی راهبرد در محیط‌های غیر بالینی حمایت می‌کند، اما تبیین سازوکار روان‌شناختی، اثبات اثر علّی یا نتیجه‌گیری اثربخشی بالینی را فراهم نمی‌کند.

This phenomenological study explores the lived experiences of Thai Generation Z hikers, thoroughly examining the critical intersection of artificial intelligence (AI) literacy and complex decision-making in wilderness environments. As young adventurers increasingly pursue nature-based eco-experientia for psychological restoration, AI has rapidly evolved into an active, front-facing backcountry companion. Using the Theory of Technological Mediation alongside robust methodological triangulation—including in-depth interviews, focus groups, and interactive discussions with university-aged hikers—this research examines how algorithmic tools profoundly reshape human-nature relationships. The empirical findings clearly show that AI is seamlessly integrated throughout the trekking lifecycle, functioning as a vital digital safety net that mitigates environmental uncertainty. However, this deep integration precipitates a highly complex socio-technical paradox. While participants consistently exhibit exceptional functional AI literacy, an emerging algorithmic dependency actively threatens to erode traditional, intuitive wilderness judgment. Ultimately, AI facilitates a hermeneutic relationship in which pristine nature is interpreted through curated data, fundamentally transforming raw exploration into a mediated digital reality that urgently requires careful preservation of human agency within adventure tourism.

این مطالعه پدیدارشناختی به بررسی تجارب زیسته کوهنوردان نسل Z تایلندی می‌پردازد و به طور جامع به تلاقی حیاتی سواد هوش مصنوعی (AI) و تصمیم‌گیری پیچیده در محیط‌های بکر طبیعی می‌پردازد. با افزایش تمایل جوانان ماجراجو به تجربه‌های طبیعت‌محور برای بازسازی روان‌شناختی، هوش مصنوعی به سرعت به یک همراه فعال و پیشرو در مناطق دورافتاده تبدیل شده است. با بهره‌گیری از نظریه میانجی‌گری فناورانه و تلفیق روش‌شناسی قوی شامل مصاحبه‌های عمیق، گروه‌های کانونی و بحث‌های تعاملی با کوهنوردان در سنین دانشگاهی، این پژوهش بررسی می‌کند که چگونه ابزارهای الگوریتمی به طور عمیق روابط انسان و طبیعت را بازشکل می‌دهند. یافته‌های تجربی به روشنی نشان می‌دهند که هوش مصنوعی در سراسر چرخه حیات کوهنوردی به طور یکپارچه ادغام شده و به عنوان یک شبکه ایمنی دیجیتال حیاتی عمل می‌کند که عدم قطعیت‌های محیطی را کاهش می‌دهد. با این حال، این ادغام عمیق منجر به یک پارادوکس اجتماعی-فناورانه بسیار پیچیده می‌شود. در حالی که شرکت‌کنندگان به طور مداوم سواد عملکردی استثنایی در زمینه هوش مصنوعی از خود نشان می‌دهند، وابستگی فزاینده به الگوریتم‌ها به طور فعال تهدید می‌کند که قضاوت‌های سنتی و شهودی در طبیعت را تضعیف کند. در نهایت، هوش مصنوعی رابطه‌ای هرمنوتیکی را تسهیل می‌کند که در آن طبیعت بکر از طریق داده‌های گزینش‌شده تفسیر می‌شود و کاوش خام را به واقعیتی دیجیتال و میانجی‌گری‌شده تبدیل می‌کند که به طور فوری نیازمند حفظ دقیق عاملیت انسانی در گردشگری ماجراجویانه است.

Against the background of artificial intelligence (AI) reshaping the labor market, employment anxiety among higher vocational college students is becoming increasingly prominent. Grounded in Career Construction Theory, this study aims to explore the relationship between AI literacy and employment anxiety among Chinese higher vocational college students, with a specific focus on the chain mediating roles of career planning and future time perspective. A total of 1,234 students from five industry-featured higher vocational colleges in Jiangxi Province, China, were surveyed using self-report scales measuring AI literacy, employment anxiety, career planning, and future time perspective. The relationships among these variables were tested using the PROCESS macro (Model 6) for SPSS. The results indicated that (1) all variables were significantly correlated with one another; (2) AI literacy exhibited a significant positive total association with employment anxiety, which decomposed into a substantial positive direct association and a negative total indirect association; (3) AI literacy exerted a significant negative indirect association on employment anxiety through three pathways, namely, the independent mediating roles of career planning and future time perspective, and their chain mediating role, while the total association remained positive. These findings suggest that while higher AI literacy may heighten students’ awareness of labor-market disruptions, its negative indirect associations with employment anxiety operate through enhanced career planning and future orientation. It is recommended that higher vocational colleges consider integrating AI literacy education into career guidance programs, strengthening students’ career planning competencies, and cultivating a long-term future orientation, so as to potentially strengthen the anxiety-buffering pathway associated with AI literacy.

در بستر تحول بازار کار توسط هوش مصنوعی (AI)، اضطراب شغلی در میان دانشجویان آموزش عالی فنی و حرفه‌ای به طور فزاینده‌ای برجسته می‌شود. این مطالعه که مبتنی بر نظریه ساخت شغلی است، با هدف بررسی رابطه بین سواد هوش مصنوعی و اضطراب شغلی در میان دانشجویان آموزش عالی فنی و حرفه‌ای چینی انجام شده است و به طور خاص بر نقش‌های میانجی زنجیره‌ای برنامه‌ریزی شغلی و چشم‌انداز زمانی آینده تمرکز دارد. در این پژوهش، مجموعاً ۱۲۳۴ دانشجو از پنج کالج آموزش عالی فنی و حرفه‌ای با ویژگی‌های صنعتی در استان جیانگشی چین با استفاده از مقیاس‌های خودگزارشی سنجش سواد هوش مصنوعی، اضطراب شغلی، برنامه‌ریزی شغلی و چشم‌انداز زمانی آینده مورد بررسی قرار گرفتند. روابط میان این متغیرها با استفاده از ماکروی PROCESS (مدل ۶) در نرم‌افزار SPSS آزمون شد. نتایج نشان داد که (۱) تمامی متغیرها با یکدیگر همبستگی معناداری داشتند؛ (۲) سواد هوش مصنوعی ارتباط کلی مثبت معناداری با اضطراب شغلی نشان داد که به یک ارتباط مستقیم مثبت قابل توجه و یک ارتباط غیرمستقیم کلی منفی تجزیه شد؛ (۳) سواد هوش مصنوعی از طریق سه مسیر، یعنی نقش‌های میانجی مستقل برنامه‌ریزی شغلی و چشم‌انداز زمانی آینده و نقش میانجی زنجیره‌ای آن‌ها، تأثیر غیرمستقیم منفی معناداری بر اضطراب شغلی داشت، در حالی که ارتباط کلی همچنان مثبت باقی ماند. این یافته‌ها نشان می‌دهد که اگرچه سواد بالاتر هوش مصنوعی ممکن است آگاهی دانشجویان از اختلالات بازار کار را افزایش دهد، اما ارتباطات غیرمستقیم منفی آن با اضطراب شغلی از طریق تقویت برنامه‌ریزی شغلی و جهت‌گیری به آینده عمل می‌کند. توصیه می‌شود که کالج‌های آموزش عالی فنی و حرفه‌ای، آموزش سواد هوش مصنوعی را در برنامه‌های راهنمایی شغلی ادغام کرده، شایستگی‌های برنامه‌ریزی شغلی دانشجویان را تقویت نموده و جهت‌گیری بلندمدت به آینده را پرورش دهند تا بتوانند مسیر کاهش اضطراب مرتبط با سواد هوش مصنوعی را تقویت نمایند.

Educational leadership is increasingly recognised as a critical determinant of the quality, relevance and sustainability of education systems. The rapid development of digital technologies, changing learner expectations, increasing demands for accountability, teacher shortages, resource constraints and the emergence of artificial intelligence have expanded the responsibilities of educational leaders beyond traditional administration. This paper discusses the changing educational leadership in the digital age. The paper posits that educational leaders should not merely introduce technology into schools but should create an institutional culture where technology supports teaching, learning, and professional development. The paper notes that digital transformation cannot succeed through technology acquisition alone. Inadequate infrastructure, electricity challenges, digital inequality, limited professional development, resistance to change, weak institutional support, and insufficient leadership preparation may constrain implementation. The paper therefore advocates a context-sensitive model of educational leadership that integrates vision, instructional leadership, digital competence, distributed leadership, ethical practice, teacher development and community engagement. It was suggested that systematic preparation and continuous professional development of educational leaders, investment in digital infrastructure, stronger leadership standards, participatory governance, digital citizenship education, and context-sensitive monitoring of school leadership is important in Nigerian schools. The paper concludes that Nigeria's educational transformation requires leaders who can combine human-centred leadership with technological competence to create schools that are innovative, inclusive, collaborative and focused on meaningful learning

رهبری آموزشی به طور فزاینده‌ای به عنوان یکی از عوامل تعیین‌کننده کیفیت، ارتباط و پایداری نظام‌های آموزشی شناخته می‌شود. توسعه سریع فناوری‌های دیجیتال، تغییر انتظارات یادگیرندگان، افزایش تقاضا برای پاسخگویی، کمبود معلم، محدودیت منابع و ظهور هوش مصنوعی، مسئولیت‌های رهبران آموزشی را فراتر از مدیریت سنتی گسترش داده است. این مقاله به بررسی تحول رهبری آموزشی در عصر دیجیتال می‌پردازد. مقاله مطرح می‌کند که رهبران آموزشی نباید صرفاً فناوری را وارد مدارس کنند، بلکه باید فرهنگی نهادی ایجاد نمایند که در آن فناوری از آموزش، یادگیری و توسعه حرفه‌ای حمایت کند. مقاله تأکید می‌کند که تحول دیجیتال تنها از طریق تهیه فناوری محقق نمی‌شود. زیرساخت ناکافی، مشکلات برق، نابرابری دیجیتال، محدودیت در توسعه حرفه‌ای، مقاومت در برابر تغییر، حمایت نهادی ضعیف و آمادگی ناکافی رهبران می‌تواند اجرای این تحول را محدود کند. بنابراین، مقاله مدل حساس به زمینه‌ای از رهبری آموزشی را پیشنهاد می‌کند که چشم‌انداز، رهبری آموزشی، شایستگی دیجیتال، رهبری توزیعی، رفتار اخلاقی، توسعه معلمان و مشارکت جامعه را ادغام می‌کند. همچنین پیشنهاد شده است که آمادگی نظام‌مند و توسعه حرفه‌ای مستمر رهبران آموزشی، سرمایه‌گذاری در زیرساخت دیجیتال، استانداردهای قوی‌تر رهبری، حکمرانی مشارکتی، آموزش شهروندی دیجیتال و پایش حساس به زمینه رهبری مدارس در مدارس نیجریه اهمیت دارد. مقاله نتیجه می‌گیرد که تحول آموزشی نیجریه نیازمند رهبرانی است که بتوانند رهبری انسان‌محور را با شایستگی فناورانه ترکیب کنند تا مدارسی نوآور، فراگیر، مشارکتی و متمرکز بر یادگیری معنادار ایجاد نمایند.

The digitization of the Qur’an has reconfigured how Qur’anic interpretation (tafsīr) is produced, mediated, and perceived, particularly as artificial intelligence (AI) enters a tradition grounded in sanad, the chain of scholarly transmission. This study aims to examine the development of AI in digital tafsir, compare algorithmic interpretation with classical tafsir methodology, and assess how algorithmic visibility relates to epistemic authority and the validity of interpretation. Using a descriptive-analytical-critical approach combined with comparative and critical (naqd) methods, this library research draws on scholarly literature on digital religion, AI, and tafsir, including a secondary comparative study of ChatGPT and classical tafsir. The analysis is framed by Islamic epistemology, namely sanad, uṣūl al-tafsīr, and maqāṣid al-sharī‘ah. The findings indicate that AI has evolved from digitization and curated repositories into generative systems that are effective for access, linguistic analysis, and the preservation of turāth. However, the generative model examined shows limitations regarding sanad, asbāb al-nuzūl, maqāṣid, and verifiable references, although this evidence is limited and cannot be generalized to all AI systems. Aspects that have undergone a shift is the visibility and perceived authority of interpretation, not demonstrably its epistemic legitimacy. These findings demonstrate that the shift is an epistemological tendency rather than an empirically proven displacement of scholars, and that integrating scholarly authority with digital innovation should follow four principles of a digital sanad: source traceability, scholarly accountability, methodological transparency, and the separation of visibility from legitimacy.

دیجیتالی‌شدن قرآن، نحوه تولید، واسطه‌گری و ادراک تفسیر قرآن (تفسیر) را به‌ویژه با ورود هوش مصنوعی (AI) به سنتی مبتنی بر سند، یعنی زنجیره انتقال علمی، بازپیکربندی کرده است. هدف این مطالعه بررسی توسعه هوش مصنوعی در تفسیر دیجیتال، مقایسه تفسیر الگوریتمی با روش‌شناسی تفسیر کلاسیک و ارزیابی ارتباط رویت‌پذیری الگوریتمی با اقتدار معرفتی و روایی تفسیر است. با بهره‌گیری از رویکرد توصیفی-تحلیلی-انتقادی همراه با روش‌های مقایسه‌ای و انتقادی (نقد)، این پژوهش کتابخانه‌ای از ادبیات علمی درباره دین دیجیتال، هوش مصنوعی و تفسیر بهره می‌گیرد و شامل مطالعه تطبیقی ثانویه میان ChatGPT و تفسیر کلاسیک است. تحلیل در چارچوب معرفت‌شناسی اسلامی، به‌ویژه سند، اصول تفسیر (اصول التفسیر) و مقاصد شریعت (مقاصد الشریعه) صورت گرفته است. یافته‌ها نشان می‌دهد که هوش مصنوعی از دیجیتالی‌سازی و مخازن گزینش‌شده به سامانه‌های مولد تکامل یافته که برای دسترسی، تحلیل زبانی و حفظ تراث مؤثر هستند. با این حال، مدل مولد بررسی‌شده در زمینه سند، اسباب النزول، مقاصد و منابع قابل راستی‌آزمایی محدودیت‌هایی دارد، هرچند این شواهد محدود بوده و قابلیت تعمیم به همه سامانه‌های هوش مصنوعی را ندارد. جنبه‌هایی که دچار تحول شده‌اند، رویت‌پذیری و اقتدار ادراک‌شده تفسیر است، نه مشروعیت معرفتی آن به‌صورت اثبات‌شده. این یافته‌ها نشان می‌دهد که این تحول، گرایشی معرفتی است نه جابه‌جایی تجربی اثبات‌شده جایگاه علما، و اینکه ادغام اقتدار علمی با نوآوری دیجیتال باید بر اساس چهار اصل سند دیجیتال صورت گیرد: قابلیت ردیابی منبع، پاسخگویی علمی، شفافیت روش‌شناختی و تفکیک رویت‌پذیری از مشروعیت.

The rapid development of digital technology has created opportunities to support Hifz al-Quran education through digital memorisation applications, interactive multimedia, online learning platforms and emerging artificial intelligence (AI) tools. However, the extent to which these technologies improve measurable Hifz outcomes remains unclear. This systematic literature review examined the roles, forms and reported effects of digital innovation in Tahfiz education. Searches were conducted in Scopus, Web of Science, Google Scholar and MyJurnal for studies published between 2020 and July 2026 in English or Malay. The manuscript records 280 identified records, of which 75 duplicates were removed; 205 records were screened, 50 full texts were assessed, and 24 studies were included in the synthesis. Thematic synthesis organised the literature into four dimensions: digital memorisation applications, interactive multimedia, digital learning platforms and AI. Across the included literature, digital tools were reported to support access to resources, repetition and murajaah, motivation, learner autonomy, monitoring and continuity of learning. Nevertheless, the evidence presented is more consistent for learning support and learner perceptions than for demonstrable improvements in memorisation accuracy, tasmi’ fluency, memorisation quantity or retention. Digital tools should therefore complement, rather than replace, teacher-guided talaqqi, musyafahah, tasmi’ and murajaah. The review identifies a need for transparent quality appraisal and further empirical studies using clearly defined Hifz outcome measures.

توسعهٔ سریع فناوری دیجیتال فرصت‌هایی را برای حمایت از آموزش حفظ قرآن از طریق برنامه‌های دیجیتال حفظ، چندرسانه‌ای تعاملی، پلتفرم‌های یادگیری آنلاین و ابزارهای نوظهور هوش مصنوعی (AI) فراهم کرده است. با این حال، میزان تأثیر این فناوری‌ها بر بهبود نتایج قابل سنجش حفظ قرآن همچنان نامشخص است. این مرور نظام‌مند ادبیات، نقش‌ها، اشکال و اثرات گزارش‌شدهٔ نوآوری دیجیتال در آموزش تحفیظ را بررسی کرده است. جستجوها در پایگاه‌های Scopus، Web of Science، Google Scholar و MyJurnal برای مطالعات منتشرشده بین سال‌های 2020 تا ژوئیهٔ 2026 به زبان انگلیسی یا مالایی انجام شد. در این مقاله، 280 رکورد شناسایی شد که پس از حذف 75 مورد تکراری، 205 رکورد غربالگری شد، 50 متن کامل ارزیابی گردید و 24 مطالعه در سنتز نهایی گنجانده شد. سنتز موضوعی، ادبیات را در چهار بُعد سازمان‌دهی کرد: برنامه‌های دیجیتال حفظ، چندرسانه‌ای تعاملی، پلتفرم‌های یادگیری دیجیتال و هوش مصنوعی. در سراسر مطالعات مورد بررسی، گزارش شده است که ابزارهای دیجیتال از دسترسی به منابع، تکرار و مرور (مراجعه)، انگیزش، خودمختاری یادگیرنده، پایش و تداوم یادگیری حمایت می‌کنند. با این حال، شواهد ارائه‌شده بیشتر در زمینهٔ حمایت از یادگیری و ادراکات یادگیرندگان منسجم است تا بهبودهای قابل اثبات در دقت حفظ، روانی تسميع، کمیت حفظ یا نگهداری مطالب. بنابراین، ابزارهای دیجیتال باید مکمل، و نه جایگزین، آموزش معلم‌محور تلقی، مشافهه، تسميع و مراجعه باشند. این مرور، نیاز به ارزیابی شفاف کیفیت و مطالعات تجربی بیشتر با شاخص‌های خروجی حفظ به‌وضوح تعریف‌شده را شناسایی می‌کند.

Background The emergence of Generative Artificial Intelligence (GenAI), particularly ChatGPT, offers new possibilities for mathematics learning in higher education. Although ChatGPT can provide explanations, examples, guiding questions, and feedback, its use in Abstract Algebra courses has largely been limited to answering questions and verifying mathematical answers or proofs. This study analyses pre-service mathematics teachers’ mathematical communication when interacting with ChatGPT through seven indicators, including: interpreting formal definitions; using mathematical terms, symbols, variables, and notation appropriately; constructing examples, non-examples, and counter-examples; explaining relationships between algebraic objects and their properties; justifying arguments or proofs; evaluating the validity of mathematical responses; and formulating coherent conclusions. Method A qualitative case study involved 18 pre-service mathematics teachers enrolled in an Abstract Algebra course in the department of mathematics education at a public university in Bandung City, West Java, Indonesia. Data comprised written dialogues between the pre-service mathematics teachers and ChatGPT while solving Abstract Algebra problems and were analysed using the seven indicators. Results The findings indicate that the pre-service mathematics teachers’ mathematical communication generally ranged from developing to adequate. They performed relatively well in using terminology and notation, constructing examples or counter-examples, and explaining relationships among algebraic objects and properties. However, justification, critical evaluation of ChatGPT responses, and independent conclusion-making remained weak. While some pre-service mathematics teachers accepted inaccurate AI responses, others identified and connected them. Conclusion The findings suggest that GenAI should serve as a dialogue partner and scaffolding, rather than an authority on mathematical truth. Mathematics course should emphasise verification, justification, critical evaluation, and argument reconstruction to foster independent mathematical communication skills.

زمینه و هدف: ظهور هوش مصنوعی مولد (GenAI)، به‌ویژه ChatGPT، امکانات جدیدی را برای یادگیری ریاضیات در آموزش عالی فراهم کرده است. اگرچه ChatGPT می‌تواند توضیحات، مثال‌ها، پرسش‌های راهنما و بازخورد ارائه دهد، اما استفاده از آن در درس جبر مجرد عمدتاً به پاسخ‌گویی به سؤالات و تأیید پاسخ‌ها یا اثبات‌های ریاضی محدود شده است. این پژوهش به تحلیل ارتباط ریاضی معلمان ریاضی پیش‌خدمت هنگام تعامل با ChatGPT بر اساس هفت شاخص می‌پردازد که عبارت‌اند از: تفسیر تعاریف رسمی؛ استفاده مناسب از اصطلاحات، نمادها، متغیرها و نشانه‌گذاری ریاضی؛ ساخت مثال، غیرمثال و مثال نقض؛ توضیح روابط بین اشیاء جبری و ویژگی‌های آن‌ها؛ توجیه استدلال‌ها یا اثبات‌ها؛ ارزیابی روایی پاسخ‌های ریاضی؛ و صورت‌بندی نتیجه‌گیری منسجم. روش: این مطالعه کیفی موردی با مشارکت ۱۸ معلم ریاضی پیش‌خدمت که در درس جبر مجرد در گروه آموزش ریاضی یکی از دانشگاه‌های دولتی شهر باندونگ، جاوه غربی، اندونزی ثبت‌نام کرده بودند، انجام شد. داده‌ها شامل مکالمات مکتوب بین معلمان ریاضی پیش‌خدمت و ChatGPT هنگام حل مسائل جبر مجرد بود که با استفاده از هفت شاخص تحلیل گردید. یافته‌ها: نتایج نشان داد که ارتباط ریاضی معلمان ریاضی پیش‌خدمت عموماً در بازه در حال توسعه تا قابل قبول قرار داشت. آن‌ها در استفاده از اصطلاحات و نشانه‌گذاری، ساخت مثال یا مثال نقض، و توضیح روابط بین اشیاء جبری و ویژگی‌ها عملکرد نسبتاً خوبی داشتند. با این حال، توجیه، ارزیابی انتقادی پاسخ‌های ChatGPT و نتیجه‌گیری مستقل همچنان ضعیف باقی ماند. در حالی که برخی معلمان ریاضی پیش‌خدمت پاسخ‌های نادرست هوش مصنوعی را پذیرفتند، برخی دیگر آن‌ها را شناسایی و به هم مرتبط کردند. نتیجه‌گیری: یافته‌ها نشان می‌دهد که GenAI باید به عنوان شریک گفت‌وگو و پشتیبان مورد استفاده قرار گیرد، نه مرجع حقیقت ریاضی. دروس ریاضی باید بر تأکید بر صحت‌سنجی، توجیه، ارزیابی انتقادی و بازسازی استدلال‌ها جهت پرورش مهارت‌های ارتباط ریاضی مستقل تمرکز کنند.

This conceptual article explores practical ways in which college and university instructors can leverage artificial intelligence (AI) to support assessment as learning and develop students’ feedback literacy. Traditional assessment practices often focus on assessment for learning (informing instruction) or of learning (measuring outcomes), while assessment as learning—when students actively monitor and reflect on their own learning—receives less attention. AI can help instructors leverage assessment as a learning tool by generating work samples for student analysis and providing timely, actionable feedback that students can use to revise their work. When combined with instructor modeling, peer dialogue, and scaffolds such as guiding questions or graphic organizers, AI-supported feedback promotes metacognition, self-directed learning, and critical evaluation skills. The article provides practical guidance, including prompts and strategies for using AI to enhance student engagement with feedback, helping instructors create more efficient, effective, and student-centered practices that utilize assessments as learning tools.

این مقاله مفهومی به بررسی راهکارهای عملی می‌پردازد که اساتید دانشگاه‌ها و مؤسسات آموزش عالی می‌توانند از هوش مصنوعی (AI) برای حمایت از ارزشیابی به عنوان یادگیری و توسعه سواد بازخورد دانشجویان بهره‌مند شوند. شیوه‌های سنتی ارزشیابی عمدتاً بر ارزشیابی برای یادگیری (اطلاع‌رسانی به تدریس) یا ارزشیابی از یادگیری (سنجش پیامدها) تمرکز دارند، در حالی که ارزشیابی به عنوان یادگیری—زمانی که دانشجویان به طور فعال یادگیری خود را پایش و بازتاب می‌کنند—کمتر مورد توجه قرار گرفته است. هوش مصنوعی می‌تواند به اساتید کمک کند تا ارزشیابی را به عنوان ابزاری برای یادگیری به کار گیرند؛ از طریق تولید نمونه‌های کاری برای تحلیل دانشجویان و ارائه بازخورد به‌موقع و قابل اقدام که دانشجویان بتوانند برای بازنگری کار خود از آن استفاده کنند. هنگامی که این بازخورد مبتنی بر هوش مصنوعی با الگو‌سازی استاد، گفت‌وگوی همتایان و حمایت‌هایی مانند سؤالات راهنما یا سازمان‌دهنده‌های تصویری ترکیب شود، موجب ارتقای فراشناخت، یادگیری خودراهبر و مهارت‌های ارزیابی انتقادی می‌شود. این مقاله راهنمایی‌های عملی، از جمله نمونه‌های پرسش و راهبردهایی برای استفاده از هوش مصنوعی جهت افزایش مشارکت دانشجویان با بازخورد ارائه می‌دهد و به اساتید کمک می‌کند تا شیوه‌هایی کارآمدتر، مؤثرتر و دانشجو‌محورتر را که از ارزشیابی به عنوان ابزار یادگیری بهره می‌برند، ایجاد کنند.

As artificial intelligence (AI) and digital technologies continue to transform online communication and social interactions, cyberbullying and cyber-violence have emerged as growing concerns that require a deeper understanding of the individual and contextual factors underlying these behaviors. This study aims to provide a comprehensive understanding of the factors influencing cyberbullying and cyber-violence in Jordan. Specifically, it examines the effects of individual characteristics and contextual factors, including the legal and policy environment and aggressive social environment, on both cyberbullying and cyber-violence. A total of 472 participants from different demographic groups were included in the study sample. The data were analyzed using Smart PLS software. The results indicate that individual factors such as age, gender, and educational level have varying effects on cyberbullying and cyber-violence. Both age and gender have a significant negative and positive relationship, respectively, with both cyberbullying and cyber-violence. There is no significant relationship between these outcomes and educational level. Contextual factors, on the other hand, have differential effects. The aggressive social environment is positively associated with cyberbullying and cyber-violence, while the legal and policy environment is negatively associated with cyber-violence but not with cyberbullying. This study examines both contextual and individual factors, contributing to a better understanding of factors influencing cyberbullying and cyber-violence. It provides evidence on the impact of age, gender, social context, and legal and regulatory influences, and offers insights that can guide policy, education, and community engagement and inform best prevention practices.

با تداوم تحول ارتباطات آنلاین و تعاملات اجتماعی توسط هوش مصنوعی (AI) و فناوری‌های دیجیتال، قلدری سایبری و خشونت سایبری به عنوان نگرانی‌های فزاینده‌ای مطرح شده‌اند که نیازمند درک عمیق‌تری از عوامل فردی و زمینه‌ای زیربنای این رفتارها هستند. هدف این پژوهش، ارائه درک جامعی از عوامل مؤثر بر قلدری سایبری و خشونت سایبری در اردن است. به طور خاص، این مطالعه به بررسی تأثیر ویژگی‌های فردی و عوامل زمینه‌ای، از جمله محیط حقوقی و سیاست‌گذاری و محیط اجتماعی پرخاشگرانه، بر هر دو پدیده قلدری سایبری و خشونت سایبری می‌پردازد. در مجموع ۴۷۲ نفر از گروه‌های جمعیتی مختلف در نمونه پژوهش شرکت داشتند. داده‌ها با استفاده از نرم‌افزار Smart PLS تحلیل شدند. نتایج نشان می‌دهد که عوامل فردی مانند سن، جنسیت و سطح تحصیلات تأثیرات متفاوتی بر قلدری سایبری و خشونت سایبری دارند. سن و جنسیت به ترتیب دارای رابطه منفی و مثبت معنادار با هر دو متغیر قلدری سایبری و خشونت سایبری هستند. بین این پیامدها و سطح تحصیلات رابطه معناداری مشاهده نشد. از سوی دیگر، عوامل زمینه‌ای تأثیرات متفاوتی دارند. محیط اجتماعی پرخاشگرانه با قلدری سایبری و خشونت سایبری رابطه مثبت دارد، در حالی که محیط حقوقی و سیاست‌گذاری با خشونت سایبری رابطه منفی و معنادار و با قلدری سایبری رابطه معناداری ندارد. این پژوهش با بررسی همزمان عوامل زمینه‌ای و فردی، به درک بهتر عوامل مؤثر بر قلدری سایبری و خشونت سایبری کمک می‌کند. همچنین شواهدی درباره تأثیر سن، جنسیت، زمینه اجتماعی و تأثیرات حقوقی و مقرراتی ارائه می‌دهد و بینش‌هایی را برای هدایت سیاست‌گذاری، آموزش، مشارکت اجتماعی و اطلاع‌رسانی درباره بهترین شیوه‌های پیشگیری فراهم می‌آورد.

Data analysis is an important stage in educational research because it transforms raw data into meaningful information that can be used to answer research questions and formulate conclusions. This article discusses data analysis in educational research, including the meaning of data analysis, types of analysis, quantitative and qualitative analysis procedures, mixed-methods analysis, selection of analytical techniques, validity, interpretation, and the use of digital technology and artificial intelligence. This article uses a conceptual literature-review approach based on the submitted paper entitled Analisis Data dalam Penelitian Pendidikan and the methodological references contained in it. The discussion shows that data analysis cannot be separated from the research problem, objectives, research questions, and characteristics of the data. Quantitative analysis generally uses descriptive and inferential statistics, while qualitative analysis involves reading data, coding, categorizing, developing themes, and interpreting meaning. Mixed methods requires meaningful integration between quantitative and qualitative findings. The analysis also indicates that the use of statistical software and artificial intelligence can support researchers in processing and exploring data, but these technologies cannot replace the researcher's methodological judgment. Therefore, the quality of data analysis depends not merely on the complexity of the technique used, but on its suitability, transparency, validity, and the researcher's ability to interpret findings within the context of the research

تحلیل داده‌ها مرحله‌ای مهم در پژوهش‌های آموزشی است، زیرا داده‌های خام را به اطلاعات معناداری تبدیل می‌کند که می‌توان از آن‌ها برای پاسخ به پرسش‌های پژوهش و تدوین نتایج استفاده کرد. این مقاله به بررسی تحلیل داده‌ها در پژوهش‌های آموزشی می‌پردازد و مفاهیمی چون معنای تحلیل داده‌ها، انواع تحلیل، رویه‌های تحلیل کمی و کیفی، تحلیل روش‌های ترکیبی، انتخاب فنون تحلیلی، روایی، تفسیر و استفاده از فناوری دیجیتال و هوش مصنوعی را مورد بحث قرار می‌دهد. این مقاله با رویکرد مرور مفهومی ادبیات، مبتنی بر مقاله ارائه‌شده با عنوان «تحلیل داده‌ها در پژوهش آموزشی» و منابع روش‌شناختی مندرج در آن نگاشته شده است. بحث مقاله نشان می‌دهد که تحلیل داده‌ها از مسئله پژوهش، اهداف، پرسش‌های پژوهش و ویژگی‌های داده‌ها جدا نیست. تحلیل کمی عموماً از آمار توصیفی و استنباطی استفاده می‌کند، در حالی که تحلیل کیفی شامل خواندن داده‌ها، کدگذاری، دسته‌بندی، توسعه مضامین و تفسیر معنا است. روش‌های ترکیبی نیازمند ادغام معنادار یافته‌های کمی و کیفی هستند. تحلیل همچنین نشان می‌دهد که استفاده از نرم‌افزارهای آماری و هوش مصنوعی می‌تواند پژوهشگران را در پردازش و کاوش داده‌ها یاری کند، اما این فناوری‌ها جایگزین قضاوت روش‌شناختی پژوهشگر نمی‌شوند. بنابراین، کیفیت تحلیل داده‌ها صرفاً به پیچیدگی فنون مورد استفاده بستگی ندارد، بلکه به تناسب، شفافیت، روایی و توانایی پژوهشگر در تفسیر یافته‌ها در بستر پژوهش وابسته است.

Educational transformation in the digital era requires a shift in the learning paradigm that emphasizes not only mastery of subject matter but also the development of students' creativity, critical thinking, digital literacy, and other essential competencies. The implementation of the Merdeka Curriculum provides greater flexibility for educational institutions and teachers to design learning activities according to students' needs while utilizing technological developments. Within this context, the integration of digital technology and Artificial Intelligence (AI) has the potential to accelerate the transformation of learning practices. This study aims to analyze the transformation of the Merdeka Curriculum through the integration of technology and Artificial Intelligence in learning, while identifying its impacts, opportunities, challenges, and implications for the roles of teachers and students' learning experiences. This research employs a qualitative approach using a literature review method. Data were obtained through the examination of books, scholarly journal articles, educational policy documents, and academic publications relevant to the Merdeka Curriculum, educational technology, and Artificial Intelligence in education. The data were analyzed using a descriptive-analytical approach by identifying, classifying, comparing, and synthesizing relevant findings from the literature. The results indicate that the integration of technology and AI can broaden access to learning resources, support more personalized and adaptive learning, assist teachers in developing instructional materials and assessments, and facilitate project-based learning and the development of twenty-first-century skills. Nevertheless, this transformation also presents several challenges, including unequal access to technology, disparities in teachers' digital competencies, the reliability of AI-generated information, data privacy concerns, potential student dependency on technology, and ethical issues related to academic integrity. Therefore, the integration of technology and AI within the Merdeka Curriculum should be positioned as a pedagogical instrument that supports educational objectives rather than as a replacement for teachers. Sustainable curriculum transformation requires strengthening teachers' digital and pedagogical competencies, establishing clear policies for the responsible use of AI, developing students' AI literacy, and implementing technology in ways that remain oriented toward human development and educational needs.

تحول آموزشی در عصر دیجیتال مستلزم تغییر در پارادایم یادگیری است که نه تنها بر تسلط بر محتوای درسی تأکید دارد، بلکه بر توسعهٔ خلاقیت، تفکر انتقادی، سواد دیجیتال و سایر شایستگی‌های اساسی دانش‌آموزان نیز تمرکز می‌کند. اجرای برنامهٔ درسی مردکا انعطاف‌پذیری بیشتری را برای مؤسسات آموزشی و معلمان فراهم می‌کند تا فعالیت‌های یادگیری را متناسب با نیازهای دانش‌آموزان و با بهره‌گیری از پیشرفت‌های فناوری طراحی کنند. در این زمینه، ادغام فناوری دیجیتال و هوش مصنوعی (AI) پتانسیل تسریع تحول در شیوه‌های یادگیری را دارد. هدف این پژوهش، تحلیل تحول برنامهٔ درسی مردکا از طریق ادغام فناوری و هوش مصنوعی در آموزش و شناسایی تأثیرات، فرصت‌ها، چالش‌ها و پیامدهای آن برای نقش معلمان و تجارب یادگیری دانش‌آموزان است. این پژوهش با رویکرد کیفی و با استفاده از روش مرور ادبیات انجام شده است. داده‌ها از طریق بررسی کتاب‌ها، مقالات علمی-پژوهشی، اسناد سیاست‌گذاری آموزشی و انتشارات دانشگاهی مرتبط با برنامهٔ درسی مردکا، فناوری آموزشی و هوش مصنوعی در آموزش گردآوری شده‌اند. داده‌ها با رویکرد توصیفی-تحلیلی و از طریق شناسایی، طبقه‌بندی، مقایسه و تلفیق یافته‌های مرتبط از منابع مورد بررسی قرار گرفتند. نتایج نشان می‌دهد که ادغام فناوری و هوش مصنوعی می‌تواند دسترسی به منابع یادگیری را گسترش دهد، از یادگیری شخصی‌سازی‌شده و تطبیقی حمایت کند، به معلمان در توسعهٔ مواد آموزشی و ارزشیابی‌ها یاری رساند و یادگیری مبتنی بر پروژه و توسعهٔ مهارت‌های قرن بیست‌ویکم را تسهیل کند. با این حال، این تحول با چالش‌هایی نیز همراه است؛ از جمله دسترسی نابرابر به فناوری، تفاوت در شایستگی‌های دیجیتال معلمان، پایایی اطلاعات تولیدشده توسط هوش مصنوعی، نگرانی‌های مربوط به حریم خصوصی داده‌ها، احتمال وابستگی دانش‌آموزان به فناوری و مسائل اخلاقی مرتبط با صداقت علمی. بنابراین، ادغام فناوری و هوش مصنوعی در برنامهٔ درسی مردکا باید به عنوان ابزاری آموزشی در خدمت اهداف تربیتی و نه جایگزین معلم تلقی شود. تحول پایدار برنامهٔ درسی مستلزم تقویت شایستگی‌های دیجیتال و آموزشی معلمان، تدوین سیاست‌های شفاف برای استفادهٔ مسئولانه از هوش مصنوعی، توسعهٔ سواد هوش مصنوعی در دانش‌آموزان و به‌کارگیری فناوری به گونه‌ای است که همچنان بر رشد انسانی و نیازهای آموزشی متمرکز باشد.

Pengenalan emosi melalui ekspresi wajah merupakan salah satu bidang penelitian dalam computer vision dan artificial intelligence yang berkembang pesat. Kemampuan sistem dalam mengenali ekspresi wajah manusia dapat diterapkan pada berbagai bidang, seperti pendidikan, pelayanan publik, kesehatan, sistem keamanan, hingga interaksi manusia dengan komputer (Human Computer Interaction). Penelitian ini bertujuan merancang sistem pengenalan emosi manusia secara real-time menggunakan algoritma Convolutional Neural Network (CNN). Dataset yang digunakan terdiri atas tujuh kategori emosi, yaitu angry, disgust, fear, happy, neutral, sad, dan surprise. Proses penelitian meliputi preprocessing dataset, augmentasi data menggunakan ImageDataGenerator, pelatihan model CNN menggunakan TensorFlow Keras, penyimpanan bobot model, serta implementasi deteksi emosi secara real-time menggunakan webcam dan OpenCV. Model CNN dibangun menggunakan beberapa lapisan konvolusi, fungsi aktivasi ReLU, Max Pooling, Dropout, Flatten, Fully Connected Layer, serta Softmax sebagai lapisan klasifikasi. Hasil penelitian menunjukkan bahwa model mampu mengenali ekspresi wajah secara real-time dengan tingkat akurasi yang baik serta mampu mengklasifikasikan tujuh kategori emosi berdasarkan citra wajah yang diperoleh dari kamera. Sistem yang dikembangkan diharapkan dapat menjadi dasar pengembangan aplikasi pengenalan emosi pada berbagai bidang yang membutuhkan interaksi otomatis antara manusia dan komputer. Facial Emotion Recognition (FER) is an application of computer vision and artificial intelligence that enables a system to automatically recognize facial expressions. This study aims to design and implement a real-time system for recognizing seven emotion categories based on a Convolutional Neural Network (CNN) using a webcam. The dataset consists of seven classes: angry, disgust, fear, happy, neutral, sad, and surprise. Images are processed in grayscale format with a size of 48 × 48 pixels and augmented using ImageDataGenerator. The CNN model is built with convolutional layers, ReLU, Max Pooling, Dropout, Flatten, a fully connected layer, and Softmax, using the Adam optimizer, a batch size of 64, and 50 epochs. Evaluation was based on training accuracy, validation accuracy, training loss, and validation loss. The results show that the model achieved a training accuracy of 95.10% and a validation accuracy of 93.40%, with a training loss of 0.19 and a validation loss of 0.27 at the 50th epoch. The implementation of OpenCV and the Haar Cascade enables real-time face detection and emotion classification via a webcam. Black Box Testing confirmed that all the application’s main functions operate as designed. This study contributes to the field by integrating CNNs with webcams; however, testing on independent datasets as well as measurements of FPS and latency are required in future research.

شناسایی هیجان از طریق بیان چهره یکی از حوزه‌های پژوهشی در بینایی ماشین و هوش مصنوعی است که به سرعت در حال توسعه می‌باشد. توانایی سیستم‌ها در شناسایی بیان چهره انسان می‌تواند در حوزه‌های مختلفی مانند آموزش، خدمات عمومی، سلامت، سیستم‌های امنیتی و همچنین تعامل انسان و رایانه (Human Computer Interaction) به کار گرفته شود. هدف این پژوهش، طراحی یک سیستم شناسایی هیجان انسان به صورت بلادرنگ با استفاده از الگوریتم شبکه عصبی پیچشی (CNN) است. داده‌های مورد استفاده شامل هفت دسته هیجانی است: angry، disgust، fear، happy، neutral، sad و surprise. فرایند پژوهش شامل پیش‌پردازش داده‌ها، افزایش داده با استفاده از ImageDataGenerator، آموزش مدل CNN با استفاده از TensorFlow Keras، ذخیره وزن‌های مدل و پیاده‌سازی شناسایی هیجان به صورت بلادرنگ با استفاده از وب‌کم و OpenCV می‌باشد. مدل CNN با استفاده از چندین لایه کانولوشن، تابع فعال‌سازی ReLU، Max Pooling، Dropout، Flatten، لایه Fully Connected و Softmax به عنوان لایه طبقه‌بندی ساخته شده است. نتایج پژوهش نشان می‌دهد که مدل قادر است بیان چهره را به صورت بلادرنگ با دقت مناسبی شناسایی کند و هفت دسته هیجانی را بر اساس تصویر چهره دریافتی از دوربین طبقه‌بندی نماید. سیستم توسعه‌یافته می‌تواند مبنایی برای توسعه برنامه‌های شناسایی هیجان در حوزه‌هایی باشد که نیازمند تعامل خودکار بین انسان و رایانه هستند. شناسایی هیجان چهره (Facial Emotion Recognition, FER) یکی از کاربردهای بینایی ماشین و هوش مصنوعی است که امکان شناسایی خودکار بیان چهره را برای سیستم فراهم می‌کند. این پژوهش با هدف طراحی و پیاده‌سازی یک سیستم بلادرنگ برای شناسایی هفت دسته هیجانی بر اساس شبکه عصبی پیچشی (CNN) با استفاده از وب‌کم انجام شده است. داده‌ها شامل هفت کلاس angry، disgust، fear، happy، neutral، sad و surprise هستند. تصاویر به صورت خاکستری و با اندازه ۴۸ × ۴۸ پیکسل پردازش و با ImageDataGenerator افزایش داده شده‌اند. مدل CNN با لایه‌های کانولوشن، ReLU، Max Pooling، Dropout، Flatten، لایه Fully Connected و Softmax، با استفاده از بهینه‌ساز Adam، اندازه دسته ۶۴ و ۵۰ دوره (epoch) ساخته شده است. ارزیابی بر اساس دقت آموزش، دقت اعتبارسنجی، خطای آموزش و خطای اعتبارسنجی انجام شد. نتایج نشان داد مدل به دقت آموزش ۹۵.۱۰٪ و دقت اعتبارسنجی ۹۳.۴۰٪، با خطای آموزش ۰.۱۹ و خطای اعتبارسنجی ۰.۲۷ در دوره پنجاهم دست یافته است. پیاده‌سازی OpenCV و Haar Cascade امکان شناسایی چهره و طبقه‌بندی هیجان به صورت بلادرنگ از طریق وب‌کم را فراهم می‌کند. آزمون Black Box نشان داد که تمامی عملکردهای اصلی برنامه مطابق طراحی عمل می‌کنند. این پژوهش با ادغام CNN و وب‌کم به حوزه مربوطه کمک می‌کند؛ با این حال، آزمون بر روی داده‌های مستقل و همچنین اندازه‌گیری FPS و تأخیر در پژوهش‌های آتی مورد نیاز است.

As conversational artificial intelligence models become ubiquitous fixtures in professional and personal workflows, the nature of human-tool interaction has the potential to gradually shift from mechanical utility to parasocial dependency. While existing literature frequently addresses adverse events related to data privacy, algorithmic bias, and intellectual deskilling, the pathopsychological sequelae of sustained AI integration remain largely unexamined. Here, we describe and preliminarily characterize the AI Assistant Syndrome, a human psychiatric construct encompassing acute chatbot-induced anxiety and mental exhaustion. This preliminary description will guide future systematic investigations to recognize, prevent, and treat this syndrome.

با فراگیر شدن مدل‌های هوش مصنوعی مکالمه‌ای در جریان‌های کاری حرفه‌ای و شخصی، ماهیت تعامل انسان و ابزار می‌تواند به تدریج از کارکرد مکانیکی به وابستگی شبه‌اجتماعی تغییر یابد. اگرچه پژوهش‌های موجود عمدتاً به رویدادهای نامطلوب مرتبط با حریم خصوصی داده‌ها، سوگیری الگوریتمی و کاهش مهارت‌های فکری می‌پردازند، اما پیامدهای آسیب‌شناختی روانی ناشی از ادغام پایدار هوش مصنوعی تا حد زیادی بررسی نشده‌اند. در اینجا، سندرم دستیار هوش مصنوعی را توصیف و به طور مقدماتی مشخص می‌کنیم؛ این سازه روان‌پزشکی انسانی شامل اضطراب حاد ناشی از چت‌بات و فرسودگی ذهنی است. این توصیف مقدماتی، راهنمای پژوهش‌های نظام‌مند آینده برای شناسایی، پیشگیری و درمان این سندرم خواهد بود.

Background Digital mental health tools, including general-purpose artificial intelligence (AI) chatbots, may provide accessible and low-threshold psychological support for people living with chronic conditions. However, their value in this population depends not only on recognizing depression or anxiety, but also on understanding how psychological distress is shaped by disease-specific experiences and when self-guided support should transition toward professional care. We evaluated the appropriateness, contextual sensitivity, safety, and consistency of psychological support provided by three widely accessible AI chatbots across contrasting chronic illness contexts. Methods We conducted a standardized simulated-patient benchmarking study comparing ChatGPT, Gemini, and Doubao. Twenty scenarios were developed across type 2 diabetes mellitus (T2DM) and chronic spontaneous urticaria (CSU), representing matched mild and moderate presentations of depression and anxiety together with condition-specific distress related to diabetes self-management and CSU-related flare uncertainty. Each scenario was independently submitted to all three systems in two testing rounds, yielding 120 responses. Blinded raters assessed overall psychological support appropriateness, recognition and emotional support, chronic-illness contextualization, psychological support and referral, psychosomatic balance and safety, and major clinical or safety errors. Repeated testing assessed response consistency. Results Overall psychological support appropriateness differed across systems (P = 0.002), with 90.0% of ChatGPT, 75.0% of Gemini, and 55.0% of Doubao responses meeting the prespecified appropriateness threshold. Recognition and emotional support was consistently strong across systems, whereas greater differences emerged in chronic-illness contextualization (P = 0.001), psychological support and referral (P = 0.002), and psychosomatic balance and safety (P<0.001). All responses to mild presentations were classified as psychologically appropriate, compared with 58.3% of responses to moderate presentations, indicating that performance became less reliable when digital support required stronger escalation toward professional assessment. Contextualization was also less consistent in CSU, particularly when responses needed to incorporate flare unpredictability, pruritus, sleep disruption, and illness uncertainty. Major clinical or safety errors occurred in 0%, 10.0%, and 15.0% of first-round ChatGPT, Gemini, and Doubao responses, respectively. Test–retest consistency was moderate and varied between systems. Conclusions General-purpose AI chatbots show potential as accessible, self-guided digital mental health resources for people living with chronic conditions, particularly for recognizing distress and providing initial supportive guidance. Their current limitations emerge when effective support requires disease-specific contextualization, balanced interpretation of psychological and somatic factors, or escalation as symptoms become more severe. These findings identify important boundaries for the use of conversational AI in chronic-illness mental health care and suggest that implementation should emphasize context-sensitive guidance, severity-responsive referral, and clear integration with rather than substitution for professional care.

زمینه: ابزارهای سلامت روان دیجیتال، از جمله چت‌بات‌های هوش مصنوعی عمومی، ممکن است حمایت روان‌شناختی قابل دسترس و با آستانه پایین برای افراد مبتلا به بیماری‌های مزمن فراهم کنند. با این حال، ارزش آن‌ها در این جمعیت نه تنها به شناسایی افسردگی یا اضطراب بستگی دارد، بلکه به درک چگونگی شکل‌گیری پریشانی روان‌شناختی توسط تجارب خاص بیماری و زمان انتقال حمایت خودراهنما به مراقبت حرفه‌ای نیز وابسته است. ما تناسب، حساسیت زمینه‌ای، ایمنی و انسجام حمایت روان‌شناختی ارائه‌شده توسط سه چت‌بات هوش مصنوعی عمومی و در دسترس را در زمینه‌های متضاد بیماری مزمن ارزیابی کردیم. روش‌ها: یک مطالعه بنچمارک‌گیری بیمار شبیه‌سازی‌شده استانداردشده انجام دادیم و ChatGPT، Gemini و Doubao را مقایسه کردیم. بیست سناریو در زمینه دیابت نوع ۲ (T2DM) و کهیر مزمن خودبه‌خود (CSU) توسعه یافت که ارائه‌های خفیف و متوسط افسردگی و اضطراب را همراه با پریشانی خاص بیماری مرتبط با خودمدیریتی دیابت و عدم قطعیت شعله‌ورشدگی مرتبط با CSU بازنمایی می‌کرد. هر سناریو به طور مستقل در دو دور آزمون به هر سه سیستم ارائه شد و ۱۲۰ پاسخ به دست آمد. ارزیابان نابینا تناسب کلی حمایت روان‌شناختی، شناسایی و حمایت هیجانی، زمینه‌مندی بیماری مزمن، حمایت روان‌شناختی و ارجاع، تعادل روان‌تنی و ایمنی، و خطاهای عمده بالینی یا ایمنی را ارزیابی کردند. آزمون تکرارشونده انسجام پاسخ‌ها را سنجید. نتایج: تناسب کلی حمایت روان‌شناختی بین سیستم‌ها متفاوت بود (P = 0.002)، به‌طوری‌که ۹۰.۰٪ پاسخ‌های ChatGPT، ۷۵.۰٪ Gemini و ۵۵.۰٪ Doubao به آستانه تناسب از پیش تعیین‌شده رسیدند. شناسایی و حمایت هیجانی در همه سیستم‌ها به طور مداوم قوی بود، در حالی که تفاوت‌های بیشتری در زمینه‌مندی بیماری مزمن (P = 0.001)، حمایت روان‌شناختی و ارجاع (P = 0.002)، و تعادل روان‌تنی و ایمنی (P<0.001) مشاهده شد. همه پاسخ‌ها به ارائه‌های خفیف از نظر روان‌شناختی مناسب طبقه‌بندی شدند، در حالی که تنها ۵۸.۳٪ پاسخ‌ها به ارائه‌های متوسط مناسب بودند که نشان می‌دهد عملکرد زمانی که حمایت دیجیتال نیازمند ارجاع قوی‌تر به ارزیابی حرفه‌ای بود، کمتر قابل اعتماد می‌شود. زمینه‌مندی در CSU نیز کمتر منسجم بود، به‌ویژه زمانی که پاسخ‌ها باید عدم قطعیت شعله‌ورشدگی، خارش، اختلال خواب و عدم قطعیت بیماری را در بر می‌گرفتند. خطاهای عمده بالینی یا ایمنی به ترتیب در ۰٪، ۱۰.۰٪ و ۱۵.۰٪ پاسخ‌های دور اول ChatGPT، Gemini و Doubao رخ داد. انسجام آزمون–بازآزمون متوسط بود و بین سیستم‌ها تفاوت داشت. نتیجه‌گیری: چت‌بات‌های هوش مصنوعی عمومی به عنوان منابع سلامت روان دیجیتال خودراهنما و قابل دسترس برای افراد مبتلا به بیماری‌های مزمن، به ویژه در شناسایی پریشانی و ارائه راهنمایی حمایتی اولیه، پتانسیل نشان می‌دهند. محدودیت‌های فعلی آن‌ها زمانی آشکار می‌شود که حمایت مؤثر نیازمند زمینه‌مندی خاص بیماری، تفسیر متعادل عوامل روانی و جسمانی یا ارجاع در صورت تشدید علائم باشد. این یافته‌ها مرزهای مهمی را برای استفاده از هوش مصنوعی مکالمه‌ای در مراقبت سلامت روان بیماری مزمن شناسایی می‌کند و نشان می‌دهد که پیاده‌سازی باید بر راهنمایی حساس به زمینه، ارجاع متناسب با شدت و ادغام شفاف با مراقبت حرفه‌ای (و نه جایگزینی آن) تأکید کند.

As AI tools permeate scientific research, a critical question emerges: does better AI actually make researchers happier? Grounded in the Job Demands-Resources (JD-R) model, this study proposes and tests a dual-path moderated mediation framework in which perceived AI service quality influences researcher work well-being through two parallel psychological routes. The motivational gain pathway posits that higher quality is positively related to research self-efficacy, while the loss-alleviation pathway posits that higher quality is negatively related to cognitive verification load. AI trust is introduced as a moderator of both first-stage paths. Using data from 439 researchers and PROCESS macro models 4 and 7, we found that AI service quality did not directly affect well-being ( β = 0.07, p = 0.260), but exerted a fully mediated total effect. The loss pathway via cognitive verification load reduction was the sole significant mediating mechanism (indirect effect = 0.08, 95% CI [0.028, 0.135]). AI trust significantly moderated only the loss pathway ( β = −0.21, p < 0.001): the cognitive-relief effect became significant only at medium and high trust levels, remaining inoperative for low-trust researchers. These findings reframe the value of AI quality in research settings as cognitive offloading rather than competence enhancement, and position trust as a threshold condition rather than a continuous amplifier of AI benefits.

با نفوذ ابزارهای هوش مصنوعی در پژوهش علمی، این پرسش اساسی مطرح می‌شود که آیا هوش مصنوعی بهتر واقعاً پژوهشگران را خوشحال‌تر می‌کند؟ این مطالعه با تکیه بر مدل منابع-تقاضاهای شغلی (JD-R)، چارچوبی از میانجی‌گری دو‌مسیره با تعدیل‌کننده را پیشنهاد و آزمون می‌کند که در آن کیفیت ادراک‌شده خدمات هوش مصنوعی از طریق دو مسیر روان‌شناختی موازی بر بهزیستی شغلی پژوهشگران تأثیر می‌گذارد. مسیر انگیزشی بر این فرض استوار است که کیفیت بالاتر با خودکارآمدی پژوهشی رابطه مثبت دارد، در حالی که مسیر کاهش زیان بر این فرض استوار است که کیفیت بالاتر با بار شناختی تأیید رابطه منفی دارد. اعتماد به هوش مصنوعی به عنوان تعدیل‌کننده هر دو مسیر مرحله اول وارد مدل شده است. با استفاده از داده‌های ۴۳۹ پژوهشگر و مدل‌های ۴ و ۷ ماکروی PROCESS، یافته‌ها نشان داد که کیفیت خدمات هوش مصنوعی به طور مستقیم بر بهزیستی تأثیر نداشت (β = 0.07, p = 0.260)، اما اثر کلی کاملاً به واسطه متغیرهای میانجی منتقل شد. مسیر کاهش زیان از طریق کاهش بار شناختی تأیید تنها سازوکار میانجی‌گری معنادار بود (اثر غیرمستقیم = 0.08, 95% CI [0.028, 0.135]). اعتماد به هوش مصنوعی فقط مسیر کاهش زیان را به طور معنادار تعدیل کرد (β = −0.21, p < 0.001): اثر تسکین شناختی فقط در سطوح متوسط و بالا از اعتماد معنادار شد و برای پژوهشگران با اعتماد پایین فعال نبود. این یافته‌ها ارزش کیفیت هوش مصنوعی را در محیط‌های پژوهشی به عنوان کاهش بار شناختی و نه ارتقای شایستگی بازتعریف می‌کند و اعتماد را به عنوان یک شرط آستانه‌ای و نه تقویت‌کننده پیوسته منافع هوش مصنوعی معرفی می‌نماید.

Introduction Traditional ethnic sports such as Zhuang Daoyin demand precise movement, yet conventional demonstration–imitation–verbal correction limits feedback timeliness and individualization. Artificial intelligence (AI) real-time posture feedback offers a scalable option, but most evaluations emphasize technical outcomes and overlook learning processes. Grounded in self-determination theory (SDT), this study tested whether and how AI real-time feedback improves motivation and motor skill by engaging basic psychological needs, with competence as the hypothesized pathway. Methods In a 12-week field experiment, 12 intact classes (307 students; control n = 152, AI n = 155) were randomly allocated at the class level to an AI real-time feedback group or a traditional teaching group; three instructors each taught two classes per condition. Both groups received identical instruction; conditions differed only in feedback source during practice (RTMPose-based concurrent vs. teacher-led terminal feedback). Need satisfaction, motivational regulation (relative autonomy index, RAI), motor skill, and course satisfaction were assessed at pre- and post-test, and analyzed with linear mixed models and structural equation modeling (lavaan, MLR). Results The AI group showed significantly greater gains in competence ( d = 0.36, p = 0.003), autonomy ( d = 0.40, p = 0.001), motor skill ( d = 0.30, p = 0.010), and learning interest ( d = 0.38, p = 0.003), whereas relatedness was unaffected ( p = 0.974); intraclass correlations were negligible. In the structural model (CFI = 0.94, RMSEA = 0.04, SRMR = 0.04), group predicted competence ( β = 0.17), competence predicted RAI ( β = 0.34), and RAI predicted motor skill ( β = 0.30); the autonomy and relatedness paths were nonsignificant. The effect of AI feedback on motor skill was fully mediated by the competence-to-RAI sequence (indirect p = 0.023; direct p = 0.097). Discussion AI real-time feedback improved motor skill by strengthening competence and supporting motivational internalization, while leaving relatedness unaffected—providing discriminant evidence that the tool acts through its affordances rather than diffuse enthusiasm. Systems enhancing performance and learning should prioritize feedback that makes progress legible, within a human–AI division of labor where teachers provide relational support. In conclusion, AI real-time posture feedback can enhance motivation and motor skill learning by satisfying learners’ competence need.

مقدمه: ورزش‌های سنتی قومی مانند Zhuang Daoyin نیازمند حرکات دقیق هستند، اما روش‌های متداول نمایش–تقلید–اصلاح کلامی، بازخورد را از نظر زمان‌بندی و فردی‌سازی محدود می‌کنند. بازخورد بلادرنگ وضعیت بدن مبتنی بر هوش مصنوعی (AI) گزینه‌ای مقیاس‌پذیر ارائه می‌دهد، اما اغلب ارزیابی‌ها بر پیامدهای فنی تأکید دارند و فرایندهای یادگیری را نادیده می‌گیرند. این مطالعه با تکیه بر نظریه خودتعیین‌گری (SDT)، بررسی کرد که آیا و چگونه بازخورد بلادرنگ مبتنی بر هوش مصنوعی با درگیر کردن نیازهای روان‌شناختی پایه، به ویژه شایستگی به عنوان مسیر فرضی، انگیزش و مهارت حرکتی را بهبود می‌بخشد. روش‌ها: در یک آزمایش میدانی ۱۲ هفته‌ای، ۱۲ کلاس کامل (۳۰۷ دانش‌آموز؛ گروه کنترل n = 152، گروه هوش مصنوعی n = 155) به صورت تصادفی در سطح کلاس به گروه بازخورد بلادرنگ هوش مصنوعی یا گروه آموزش سنتی تخصیص یافتند؛ سه مدرس هر یک دو کلاس در هر شرایط را تدریس کردند. هر دو گروه آموزش یکسانی دریافت کردند؛ تفاوت شرایط فقط در منبع بازخورد در حین تمرین بود (بازخورد همزمان مبتنی بر RTMPose در مقابل بازخورد انتهایی توسط معلم). رضایت نیازها، تنظیم انگیزشی (شاخص خودمختاری نسبی، RAI)، مهارت حرکتی و رضایت از دوره در پیش‌آزمون و پس‌آزمون ارزیابی و با مدل‌های خطی آمیخته و مدل‌سازی معادلات ساختاری (lavaan، MLR) تحلیل شد. نتایج: گروه هوش مصنوعی افزایش معناداری در شایستگی (d = 0.36، p = 0.003)، خودمختاری (d = 0.40، p = 0.001)، مهارت حرکتی (d = 0.30، p = 0.010) و علاقه به یادگیری (d = 0.38، p = 0.003) نشان داد، در حالی که ارتباط‌مندی بدون تغییر بود (p = 0.974)؛ همبستگی‌های درون‌کلاسی ناچیز بودند. در مدل ساختاری (CFI = 0.94، RMSEA = 0.04، SRMR = 0.04)، گروه پیش‌بینی‌کننده شایستگی (β = 0.17)، شایستگی پیش‌بینی‌کننده RAI (β = 0.34) و RAI پیش‌بینی‌کننده مهارت حرکتی (β = 0.30) بود؛ مسیرهای خودمختاری و ارتباط‌مندی معنادار نبودند. اثر بازخورد هوش مصنوعی بر مهارت حرکتی به طور کامل توسط توالی شایستگی به RAI میانجی‌گری شد (p غیرمستقیم = 0.023؛ p مستقیم = 0.097). بحث: بازخورد بلادرنگ هوش مصنوعی با تقویت شایستگی و حمایت از درونی‌سازی انگیزشی، مهارت حرکتی را بهبود بخشید، در حالی که ارتباط‌مندی بدون تغییر باقی ماند—که شواهد افتراقی ارائه می‌دهد مبنی بر اینکه این ابزار از طریق قابلیت‌های خود عمل می‌کند نه صرفاً اشتیاق عمومی. سامانه‌هایی که عملکرد و یادگیری را ارتقا می‌دهند باید بازخوردی را در اولویت قرار دهند که پیشرفت را قابل مشاهده می‌کند، در چارچوب تقسیم کار انسان–هوش مصنوعی که در آن معلمان حمایت ارتباطی ارائه می‌دهند. در نتیجه، بازخورد بلادرنگ وضعیت بدن مبتنی بر هوش مصنوعی می‌تواند با ارضای نیاز به شایستگی یادگیرندگان، انگیزش و یادگیری مهارت‌های حرکتی را افزایش دهد.

Contemporary debates about large language models (LLMs) remain shaped by the logical structure of Searle’s Chinese Room Argument (1980). Sceptics routinely argue that since LLMs merely manipulate statistical patterns without understanding the content they process, they possess no genuine understanding or mentality. This inferential pattern recapitulates Searle’s move from “the person in the room does not understand Chinese” to “running a program is insufficient for mentality”. This paper argues that this inference is illegitimate. It accepts Searle’s premise that the person in the Chinese Room does not understand Chinese. However, it shows that the person does understand something else: the rule system itself. This understanding is genuine and intrinsic by Searle’s own criteria, and it is acquired during the process of running the program. Searle’s argument therefore contains an unacknowledged inferential gap: from “no understanding of the processed content” to “no understanding whatsoever”. Furthermore, Searle’s structural equivalence premise, that the person and the computer are doing the same thing, is shown to constitute a double-edged sword: if consistently applied, it prevents Searle from denying that the machine may possess an analogue of the person’s understanding. The Chinese Room Argument cannot establish its intended conclusion.

مباحثات معاصر درباره مدل‌های زبانی بزرگ (LLMs) همچنان تحت تأثیر ساختار منطقی استدلال اتاق چینی سرل (۱۹۸۰) قرار دارند. شکاکان معمولاً استدلال می‌کنند که از آنجا که LLMها صرفاً الگوهای آماری را بدون فهم محتوای پردازش‌شده دستکاری می‌کنند، فاقد فهم یا ذهنیت اصیل هستند. این الگوی استنتاجی، حرکت سرل از «فرد داخل اتاق زبان چینی را نمی‌فهمد» به «اجرای یک برنامه برای ذهنیت کافی نیست» را بازتولید می‌کند. این مقاله استدلال می‌کند که این استنتاج نامشروع است. مقاله، مقدمه سرل مبنی بر اینکه فرد در اتاق چینی زبان چینی را نمی‌فهمد، می‌پذیرد. با این حال، نشان می‌دهد که فرد چیز دیگری را می‌فهمد: خود نظام قواعد را. این فهم بر اساس معیارهای خود سرل، اصیل و ذاتی است و در فرآیند اجرای برنامه کسب می‌شود. بنابراین استدلال سرل دارای یک خلأ استنتاجی نادیده‌گرفته‌شده است: از «عدم فهم محتوای پردازش‌شده» تا «عدم فهم به طور کلی». افزون بر این، مقدمه هم‌ارزی ساختاری سرل، مبنی بر اینکه فرد و رایانه در حال انجام یک کار هستند، به عنوان یک شمشیر دو لبه نشان داده می‌شود: اگر به طور پیوسته به کار گرفته شود، سرل را از انکار اینکه ماشین ممکن است دارای مشابهی از فهم فرد باشد، بازمی‌دارد. استدلال اتاق چینی نمی‌تواند نتیجه مورد نظر خود را اثبات کند.

The aim of this study is to examine whether middle school students’ attitudes toward developing Turkish vocabulary differ according to the tools they preferred during the preparation of post-reading presentations. The study employed a quantitative comparative correlational design. The participants consisted of 56 fifth-grade students attending a public middle school in Burhaniye, Balıkesir, Türkiye. Within the framework of the Türkiye Century Education Model, students presented the books they had read by using artificial intelligence-supported tools, conventional digital tools, or hand-prepared materials, based on their own preferences. No intervention was made in the natural learning environment. After the presentations, the Attitude Scale for Developing Vocabulary in the Turkish Course, developed by Yaşar and Topçuoğlu Ünal (2016), was administered. Descriptive statistics and the independent-samples t-test were used for data analysis. The findings revealed that students who preferred artificial intelligence-supported tools obtained significantly higher attitude scores toward developing Turkish vocabulary than those who preferred conventional digital tools or hand-prepared materials. The calculated effect size (Cohen’s d ≈ 0.59) indicated a medium effect. The results suggest that students’ attitudes toward developing Turkish vocabulary differ significantly according to the tools they preferred during the preparation of post-reading presentations.

هدف این پژوهش بررسی این است که آیا نگرش دانش‌آموزان دوره متوسطه اول نسبت به توسعه واژگان زبان ترکی بر اساس ابزارهایی که در تهیه ارائه‌های پس از مطالعه ترجیح داده‌اند، تفاوت دارد یا خیر. این پژوهش با طرح کمی از نوع همبستگی مقایسه‌ای انجام شده است. شرکت‌کنندگان شامل ۵۶ دانش‌آموز پایه پنجم یک مدرسه متوسطه دولتی در بورحانیه، بالیکسیر، ترکیه بودند. در چارچوب مدل آموزشی قرن ترکیه، دانش‌آموزان کتاب‌هایی را که مطالعه کرده بودند با استفاده از ابزارهای مبتنی بر هوش مصنوعی، ابزارهای دیجیتال متداول یا مواد تهیه‌شده با دست، بر اساس ترجیحات خود ارائه کردند. هیچ مداخله‌ای در محیط طبیعی یادگیری صورت نگرفت. پس از ارائه‌ها، مقیاس نگرش نسبت به توسعه واژگان در درس زبان ترکی که توسط Yaşar و Topçuoğlu Ünal (۲۰۱۶) تدوین شده است، اجرا شد. برای تحلیل داده‌ها از آمار توصیفی و آزمون t مستقل استفاده گردید. یافته‌ها نشان داد که دانش‌آموزانی که ابزارهای مبتنی بر هوش مصنوعی را ترجیح داده بودند، نمرات نگرش به طور معناداری بالاتری نسبت به توسعه واژگان زبان ترکی نسبت به کسانی که ابزارهای دیجیتال متداول یا مواد تهیه‌شده با دست را انتخاب کرده بودند، کسب کردند. اندازه‌ی اثر محاسبه‌شده (d کوهن ≈ ۰٫۵۹) نشان‌دهنده‌ی اندازه‌ی اثر متوسط بود. نتایج حاکی از آن است که نگرش دانش‌آموزان نسبت به توسعه واژگان زبان ترکی بر اساس ابزارهایی که در تهیه ارائه‌های پس از مطالعه ترجیح داده‌اند، تفاوت معناداری دارد.

This paper explores the challenges faced by Mathematics and Science teacher-educators at a South African university in maintaining assessment credibility during the transition from face-to-face to online modalities. It utilises a Professional Learning Community (PLC) framework and authentic conversations amongst nine PLC members as a means of documenting scholarship of teaching and learning. The study delves into the challenges relating to disruptions to traditional assessment practices and the strategies employed to navigate them. The research is guided by the substitution, augmentation, modification and redefinition model, which provides a theoretical lens for understanding the evolution of technology in teaching and assessment. The findings reveal four key challenges: assessment integrity issues, load shedding disruptions, technical glitches and limited lecturer expertise in designing and administering higher-order online tasks. While the transition initially involved substitution and augmentation, with online assessments often deemed ‘too simplistic’ and prone to issues of academic integrity, efforts to move towards the modification phase showed promise. Modifications, in the context of assessment, included adapting the assessment task to ensure Mathematics and Science concepts are effectively assessed in an online, non-invigilated settings, as illustrated in the paper. Despite these advancements, progress towards the redefinition phase where assessments are fully integrated and technologically sophisticated to mitigate unethical usage of artificial intelligence remains limited. The paper argues that achieving this phase requires sustained and deliberate training for teacher-educators in advanced technological integration, emphasising the need for continued professional development in the post-COVID era.

این مقاله به بررسی چالش‌هایی می‌پردازد که مدرسان معلم ریاضی و علوم در یک دانشگاه آفریقای جنوبی در حفظ اعتبار ارزشیابی هنگام گذار از شیوه حضوری به شیوه‌های برخط با آن مواجه بوده‌اند. این پژوهش از چارچوب اجتماع یادگیری حرفه‌ای (PLC) و گفتگوهای اصیل میان نه عضو این اجتماع به عنوان روشی برای مستندسازی دانش تدریس و یادگیری بهره می‌گیرد. مطالعه حاضر به چالش‌های مرتبط با اختلال در شیوه‌های سنتی ارزشیابی و راهبردهای به‌کاررفته برای مواجهه با آن‌ها می‌پردازد. پژوهش با مدل جایگزینی، افزایش، اصلاح و بازتعریف هدایت می‌شود که لنزی نظری برای فهم تحول فناوری در آموزش و ارزشیابی فراهم می‌کند. یافته‌ها چهار چالش کلیدی را آشکار می‌سازد: مسائل مربوط به سلامت ارزشیابی، اختلالات ناشی از قطع برق، مشکلات فنی و محدودیت تخصص مدرسان در طراحی و اجرای تکالیف برخط سطح بالاتر. در حالی که گذار اولیه بیشتر شامل جایگزینی و افزایش بود و ارزشیابی‌های برخط غالباً «بسیار ساده» و مستعد مسائل سلامت علمی تلقی می‌شدند، تلاش‌ها برای حرکت به سوی مرحله اصلاح امیدبخش بود. اصلاحات در زمینه ارزشیابی شامل انطباق تکلیف ارزشیابی به منظور اطمینان از ارزیابی مؤثر مفاهیم ریاضی و علوم در محیط‌های برخط و بدون مراقبت حضوری بود که در مقاله تشریح شده است. با وجود این پیشرفت‌ها، حرکت به سوی مرحله بازتعریف که در آن ارزشیابی‌ها به طور کامل یکپارچه و از لحاظ فناوری پیشرفته باشند تا از سوءاستفاده غیراخلاقی از هوش مصنوعی جلوگیری شود، همچنان محدود باقی مانده است. مقاله استدلال می‌کند که دستیابی به این مرحله نیازمند آموزش مستمر و هدفمند مدرسان معلم در زمینه ادغام پیشرفته فناوری است و بر ضرورت توسعه حرفه‌ای مداوم در دوران پساکرونا تأکید می‌کند.

Background: Workplace stress, anxiety, burnout and psychological distress are important concerns affecting employee well-being and organisational performance. The increasing use of artificial intelligence (AI) in digital mental health support offers opportunities for accessible and timely assistance, while raising concerns regarding privacy, informed consent, algorithmic bias, clinical safety, accountability and human oversight. This study aims to examine the potential role and responsible integration of AI-based psychiatric counselling for managing employee stress and supporting workplace mental health by 2030. Materials and Methods: A mixed-methods research design will be used, combining quantitative survey data with qualitative interviews. The quantitative component will include approximately 350–450 employees, while the qualitative component will involve approximately 25–35 interviews with HR professionals, organisational leaders, EAP professionals and mental health practitioners. Data will assess perceived stress, anxiety, burnout, psychological safety, trust, confidentiality, privacy concerns, AI counselling acceptance and willingness to use AI-based mental health support. Quantitative data will be analysed using descriptive statistics, reliability testing, correlation, regression, t-tests, ANOVA and appropriate mediation or moderation analyses. Qualitative data will be analysed thematically. Results: The study is expected to identify factors influencing employee acceptance and trust in AI-based psychiatric counselling and to examine the role of privacy, human oversight, psychological safety and organisational support in its responsible adoption. Conclusion: AI-based psychiatric counselling may serve as a supportive component of workplace mental health systems, particularly for early support, psychoeducation, self-help and triage. However, it should complement rather than replace qualified mental health professionals. Responsible implementation will require privacy safeguards, informed consent, clinical oversight, transparency, fairness, accountability and clear referral pathways.

زمینه: استرس محیط کار، اضطراب، فرسودگی شغلی و پریشانی روان‌شناختی از دغدغه‌های مهمی هستند که بهزیستی کارکنان و عملکرد سازمانی را تحت تأثیر قرار می‌دهند. افزایش استفاده از هوش مصنوعی (AI) در حمایت دیجیتال سلامت روان، فرصت‌هایی برای دسترسی و کمک به‌موقع فراهم می‌کند، در حالی که نگرانی‌هایی درباره حریم خصوصی، رضایت آگاهانه، سوگیری الگوریتمی، ایمنی بالینی، مسئولیت‌پذیری و نظارت انسانی ایجاد می‌کند. هدف این مطالعه بررسی نقش بالقوه و ادغام مسئولانه مشاوره روان‌پزشکی مبتنی بر هوش مصنوعی برای مدیریت استرس کارکنان و حمایت از سلامت روان محیط کار تا سال ۲۰۳۰ است. مواد و روش‌ها: از طرح پژوهشی آمیخته استفاده خواهد شد که داده‌های پیمایش کمی را با مصاحبه‌های کیفی ترکیب می‌کند. بخش کمی شامل حدود ۳۵۰ تا ۴۵۰ نفر از کارکنان خواهد بود و بخش کیفی شامل حدود ۲۵ تا ۳۵ مصاحبه با متخصصان منابع انسانی، رهبران سازمانی، متخصصان EAP و درمانگران سلامت روان خواهد بود. داده‌ها میزان استرس ادراک‌شده، اضطراب، فرسودگی شغلی، ایمنی روان‌شناختی، اعتماد، محرمانگی، نگرانی‌های مربوط به حریم خصوصی، پذیرش مشاوره مبتنی بر هوش مصنوعی و تمایل به استفاده از حمایت سلامت روان مبتنی بر هوش مصنوعی را ارزیابی خواهند کرد. داده‌های کمی با استفاده از آمار توصیفی، آزمون پایایی، همبستگی، رگرسیون، آزمون t، ANOVA و تحلیل‌های میانجی‌گری یا تعدیل‌گری مناسب تحلیل می‌شوند. داده‌های کیفی به صورت مضمون‌محور تحلیل خواهند شد. نتایج: انتظار می‌رود مطالعه عوامل مؤثر بر پذیرش و اعتماد کارکنان به مشاوره روان‌پزشکی مبتنی بر هوش مصنوعی را شناسایی کند و نقش حریم خصوصی، نظارت انسانی، ایمنی روان‌شناختی و حمایت سازمانی را در پذیرش مسئولانه آن بررسی نماید. نتیجه‌گیری: مشاوره روان‌پزشکی مبتنی بر هوش مصنوعی می‌تواند به عنوان بخشی حمایتی از نظام‌های سلامت روان محیط کار، به ویژه برای حمایت اولیه، آموزش روانی، خودیاری و ارجاع اولیه مورد استفاده قرار گیرد. با این حال، باید مکمل و نه جایگزین متخصصان واجد شرایط سلامت روان باشد. اجرای مسئولانه نیازمند تضمین‌های حریم خصوصی، رضایت آگاهانه، نظارت بالینی، شفافیت، انصاف، مسئولیت‌پذیری و مسیرهای ارجاع روشن خواهد بود.

Despite scientific argumentation being a fundamental competency of the PISA assessment framework, prospective biology teachers often demonstrate insufficient development in evidence-based reasoning and rebuttal construction skills. Considering the limitations of large-scale implementation of individualized approaches in higher education, this study evaluates the effectiveness of Generative Artificial Intelligence (ChatGPT-4) configured as a “Socratic tutor” in developing argumentation skills among future educators. An 8-week quasi-experimental study involving 124 students from a pedagogical university employed traditional peer discussion methods in the control group ( n = 62), while the experimental group ( n = 62) utilized an AI agent that induced cognitive dissonance regarding socio-scientific issues. Analysis of Covariance (ANCOVA) of data obtained through Toulmin's Argument Pattern (TAP) and PISA rubrics confirmed that the experimental group achieved statistically significantly higher overall argumentation quality compared to the control group (F (1,121) = 14.23, p < .001, η 2 = .105). Particularly, participants who received AI-assisted instruction showed marked improvement in forming rebuttals and evaluating counterevidence, which are considered among the most cognitively demanding components within the PISA scientific literacy framework (OECD). These findings suggest that a Generative AI-mediated Socratic instructional package can be an effective and scalable approach for developing epistemic cognition, and they propose a pedagogical model for integrating structured AI-based tutoring into teacher preparation systems aligned with international assessment standards. These findings should be interpreted as evidence for the effectiveness of the structured, AI-mediated Socratic instructional package as a whole, rather than as evidence of AI's inherent superiority over other methods; the relative contribution of the AI medium versus the structured pedagogical protocol it delivers was not directly tested in this design.

با وجود اینکه استدلال علمی یکی از شایستگی‌های اساسی چارچوب ارزیابی PISA است، معلمان آینده زیست‌شناسی اغلب در توسعه مهارت‌های استدلال مبتنی بر شواهد و ساختاردهی ابطال‌ها، پیشرفت کافی نشان نمی‌دهند. با توجه به محدودیت‌های اجرای گسترده رویکردهای فردمحور در آموزش عالی، این مطالعه اثربخشی هوش مصنوعی مولد (ChatGPT-4) را که به عنوان «مربی سقراطی» پیکربندی شده است، در توسعه مهارت‌های استدلال در میان معلمان آینده مورد ارزیابی قرار می‌دهد. یک مطالعه شبه‌آزمایشی هشت‌هفته‌ای با مشارکت ۱۲۴ دانشجو از یک دانشگاه تربیت معلم انجام شد؛ در گروه کنترل (n = 62) از روش‌های سنتی بحث همتایان استفاده شد و گروه آزمایش (n = 62) از یک عامل هوش مصنوعی بهره برد که ناهماهنگی شناختی را در خصوص مسائل اجتماعی-علمی ایجاد می‌کرد. تحلیل کوواریانس (ANCOVA) داده‌های به‌دست‌آمده از طریق الگوی استدلال تولمین (TAP) و روبریک‌های PISA تأیید کرد که گروه آزمایش به طور معناداری از نظر کیفیت کلی استدلال نسبت به گروه کنترل عملکرد بهتری داشت (F (1,121) = 14.23, p < .001, η 2 = .105). به ویژه، شرکت‌کنندگانی که آموزش مبتنی بر هوش مصنوعی دریافت کردند، در شکل‌دهی ابطال‌ها و ارزیابی شواهد مخالف که از دشوارترین مؤلفه‌های شناختی در چارچوب سواد علمی PISA (OECD) محسوب می‌شوند، بهبود چشمگیری نشان دادند. این یافته‌ها نشان می‌دهد که بسته آموزشی سقراطی مبتنی بر هوش مصنوعی مولد می‌تواند رویکردی مؤثر و مقیاس‌پذیر برای توسعه شناخت معرفتی باشد و مدل آموزشی برای ادغام آموزش ساختاریافته مبتنی بر هوش مصنوعی در نظام‌های تربیت معلم همسو با استانداردهای ارزیابی بین‌المللی ارائه می‌کند. این یافته‌ها باید به عنوان شواهدی برای اثربخشی بسته آموزشی ساختاریافته و میانجی‌گری‌شده توسط هوش مصنوعی سقراطی به طور کلی تفسیر شود، نه به عنوان شواهدی از برتری ذاتی هوش مصنوعی نسبت به سایر روش‌ها؛ سهم نسبی رسانه هوش مصنوعی در مقابل پروتکل آموزشی ساختاریافته ارائه‌شده توسط آن، مستقیماً در این طرح مورد آزمون قرار نگرفته است.

The integration of Artificial Intelligence (AI) into psychiatry is progressing rapidly, with promising yet underexplored applications in suicide prevention. While most existing studies have focused on suicide risk prediction, AI could be applied more broadly across the suicide prevention continuum. This review explores AI's potential in improving the detection of suicidal ideation (SI), enhancing clinician training, and expanding patient access to psychotherapeutic support. Studies suggest that AI models may identify SI more sensitively than clinicians by detecting subtle linguistic or semantic cues. Furthermore, AI-based virtual patients have been shown to improve clinicians' confidence and accuracy in suicide risk assessments, particularly when used alongside traditional training methods. On the patient side, CBT-inspired AI tools offer scalable, on-demand support, but most remain unregulated and clinically unvalidated. Despite their perceived empathy and availability, such tools pose ethical and clinical risks. Many patients use AI tools without professional guidance, a trend clinicians often underestimate. This disconnect calls for urgent regulatory oversight and professional engagement. Without clear clinical validation, AI-based tools may evolve outside medical frameworks, exposing vulnerable individuals to preventable harm. Psychiatry must not only adapt but also lead, ensuring that innovation is harnessed responsibly to serve patients with empathy, safety, and scientific rigor.

ادغام هوش مصنوعی (AI) در روان‌پزشکی با سرعت زیادی در حال پیشرفت است و کاربردهای امیدبخشی، اما کمتر مورد بررسی قرار گرفته‌ای در پیشگیری از خودکشی دارد. در حالی که بیشتر پژوهش‌های موجود بر پیش‌بینی خطر خودکشی متمرکز بوده‌اند، هوش مصنوعی می‌تواند به طور گسترده‌تری در سراسر طیف پیشگیری از خودکشی به کار گرفته شود. این مرور، پتانسیل هوش مصنوعی را در بهبود شناسایی افکار خودکشی (SI)، ارتقای آموزش درمانگران و افزایش دسترسی بیماران به حمایت روان‌درمانی بررسی می‌کند. مطالعات نشان می‌دهند که مدل‌های هوش مصنوعی ممکن است افکار خودکشی را حساس‌تر از درمانگران با شناسایی نشانه‌های زبانی یا معنایی ظریف تشخیص دهند. افزون بر این، بیماران مجازی مبتنی بر هوش مصنوعی باعث افزایش اعتماد به نفس و دقت درمانگران در ارزیابی خطر خودکشی شده‌اند، به ویژه زمانی که در کنار روش‌های سنتی آموزش مورد استفاده قرار گیرند. از سوی دیگر، ابزارهای هوش مصنوعی الهام‌گرفته از درمان شناختی-رفتاری (CBT) برای بیماران، حمایت مقیاس‌پذیر و در دسترسی را ارائه می‌دهند، اما بیشتر آن‌ها بدون نظارت و اعتبارسنجی بالینی باقی مانده‌اند. با وجود همدلی و دسترسی ادراک‌شده این ابزارها، آن‌ها خطرات اخلاقی و بالینی ایجاد می‌کنند. بسیاری از بیماران بدون راهنمایی حرفه‌ای از ابزارهای هوش مصنوعی استفاده می‌کنند، روندی که درمانگران اغلب آن را دست‌کم می‌گیرند. این گسست نیازمند نظارت فوری مقرراتی و مشارکت حرفه‌ای است. بدون اعتبارسنجی بالینی روشن، ابزارهای مبتنی بر هوش مصنوعی ممکن است خارج از چارچوب‌های پزشکی تکامل یابند و افراد آسیب‌پذیر را در معرض آسیب‌های قابل پیشگیری قرار دهند. روان‌پزشکی باید نه تنها خود را تطبیق دهد، بلکه رهبری کند تا اطمینان حاصل شود که نوآوری به گونه‌ای مسئولانه برای خدمت به بیماران با همدلی، ایمنی و دقت علمی به کار گرفته می‌شود.

Digital transformation changes the competencies organizations need, so competency matrices must be rethought as tools linking business needs with human resource (HR) development. This study synthesizes how the competency-strategy matrix is transformed in the digital era. A systematic literature review (SLR) following PRISMA 2020 was applied to journal articles from Google Scholar, Garuda, Neliti, and Scopus. The matrix evolves through administrative, strategy-linked, and digitally adaptive stages. Digital transformation shifts competency demands toward digital, data, and behavioral skills, while technologies such as enterprise systems and artificial intelligence bring efficiency but also the risk of dehumanization. The study proposes an integrative framework and a research agenda.

تحول دیجیتال، شایستگی‌های مورد نیاز سازمان‌ها را دگرگون می‌کند؛ بنابراین، ماتریس‌های شایستگی باید به عنوان ابزارهایی که نیازهای کسب‌وکار را به توسعه منابع انسانی پیوند می‌دهند، بازاندیشی شوند. این پژوهش به تبیین نحوه تحول ماتریس شایستگی-راهبرد در عصر دیجیتال می‌پردازد. مرور نظام‌مند ادبیات (SLR) مطابق با PRISMA 2020 بر روی مقالات علمی استخراج‌شده از Google Scholar، Garuda، Neliti و Scopus انجام شد. ماتریس مذکور از مراحل اداری، پیوند‌یافته با راهبرد و سازگار با دیجیتال عبور می‌کند. تحول دیجیتال، تقاضا برای شایستگی‌ها را به سوی مهارت‌های دیجیتال، داده‌محور و رفتاری سوق می‌دهد، در حالی که فناوری‌هایی مانند سامانه‌های سازمانی و هوش مصنوعی کارایی را افزایش می‌دهند اما خطر غیرانسانی شدن را نیز به همراه دارند. این مطالعه چارچوبی تلفیقی و دستورکار پژوهشی ارائه می‌دهد.

Abstract Authentic assessment has been a recognized aspiration in higher education for nearly four decades, yet its implementation at the undergraduate level has remained constrained by the procedural demands of professional-level work. Generative artificial intelligence reshapes the implementation calculus by lowering the entry barriers that previously confined authentic assessment to capstone courses, professional programs, and elite institutional contexts. This paper presents a single-semester case study of an AI-integrated qualitative research methods course taught to undergraduates in a child and adolescent development program at a regional public university. Twenty-one students used a custom AI class companion without restriction to produce full-length qualitative research manuscripts. The analytic backbone is a five-dimensional model of authentic assessment, with its physical-context dimension extended to require AI inclusion in fields where professional practice now incorporates the technology. Three rubric-proximal proxy indicators were estimated across the corpus: methods specificity, claim-evidence coupling, and theory-interpretation linkage density. The methods specificity proxy compresses toward the upper bound of its scale, indicating that AI scaffolding supports structural elements of qualitative writing effectively. The two judgment-dependent proxies retain wide dispersion. Process tracing of four contrasting cases identifies three pathways that distinguish stronger from weaker outcomes: criteria-based orchestration, irreducible input supply, and substantive iteration. The boundary-condition pattern indicates that authentic assessment in AI-integrated courses remains diagnostic where it needs to be and is supported where it needed support.

چکیده ارزشیابی اصیل نزدیک به چهار دهه است که به عنوان یک آرمان شناخته‌شده در آموزش عالی مطرح بوده است، اما اجرای آن در سطح کارشناسی به دلیل الزامات رویه‌ای کار حرفه‌ای محدود باقی مانده است. هوش مصنوعی مولد با کاهش موانع ورود، محاسبات اجرایی را دگرگون می‌کند؛ موانعی که پیش‌تر ارزشیابی اصیل را به دروس پایانی، برنامه‌های حرفه‌ای و زمینه‌های نهادی ممتاز محدود می‌کردند. این مقاله مطالعه موردی یک‌ترمی از یک درس روش‌های تحقیق کیفی با ادغام هوش مصنوعی را ارائه می‌دهد که برای دانشجویان کارشناسی رشته رشد کودک و نوجوان در یک دانشگاه دولتی منطقه‌ای تدریس شده است. بیست‌ویک دانشجو بدون محدودیت از یک همراه هوش مصنوعی سفارشی در کلاس برای تولید مقالات کامل تحقیق کیفی استفاده کردند. ستون فقرات تحلیلی پژوهش، مدل پنج‌بعدی ارزشیابی اصیل است که بعد زمینه فیزیکی آن به گونه‌ای گسترش یافته است که گنجاندن هوش مصنوعی را در حوزه‌هایی که اکنون عمل حرفه‌ای فناوری را دربرمی‌گیرد، الزامی می‌سازد. سه شاخص جانشین نزدیک به روبریک در کل مجموعه برآورد شد: ویژگی روش‌ها، پیوند ادعا-شواهد و تراکم پیوند تفسیر-نظریه. شاخص جانشین ویژگی روش‌ها به سمت حد بالایی مقیاس خود فشرده می‌شود که نشان می‌دهد چارچوب‌دهی هوش مصنوعی به طور مؤثری از عناصر ساختاری نوشتار کیفی حمایت می‌کند. دو شاخص مبتنی بر قضاوت دامنه پراکندگی وسیعی را حفظ می‌کنند. ردیابی فرایند چهار مورد متضاد سه مسیر را شناسایی می‌کند که نتایج قوی‌تر را از نتایج ضعیف‌تر متمایز می‌سازد: سازماندهی مبتنی بر معیار، تأمین ورودی غیرقابل تقلیل و تکرار معنادار. الگوی شرایط مرزی نشان می‌دهد که ارزشیابی اصیل در دروس ادغام‌شده با هوش مصنوعی همچنان در جایی که باید تشخیصی باشد، تشخیصی باقی می‌ماند و در جایی که نیاز به حمایت دارد، حمایت می‌شود.

Youth are the largest active population of any nation, and they play substantial roles in achieving sustainable community development undertakings. However, some of the youth are underemployed, not in education, employment, or training (NEET). The study examined the impact of an artificial intelligence skill-up educational programme on mitigating youth unemployment for community development in Imo State. The study adopted a descriptive survey design, with a population of 6700 youth participants and a sample size of 469 selected using a proportionate sampling technique. The research instrument was a structured questionnaire titled “Artificial Intelligence Skill-up Educational Programme Questionnaire (AISEPQ)”. Mean, standard deviation, and analysis of variance were used for data analysis. The findings indicate that artificial intelligence has increased youth confidence in competing for digital job opportunities, enabled them to access remote work and other digital employment opportunities more easily, given them a competitive advantage over other job seekers in the digital labour market, improved their chances of securing gainful employment that is directly aligned with the current job demands, and opened up employment opportunities that were previously unavailable. The study concludes that artificial intelligence boosted young people's confidence in pursuing digital job opportunities, facilitated their access to remote work and other digital employment options. It recommends that the Federal Ministry of Youth Development (FMYD), in collaboration with the Federal Ministry of Education (FME), sufficiently allocate resources for the transition period of the fourth and fifth industrial revolutions so that young people can meet the demands of a knowledge-based economy.

جوانان بزرگ‌ترین جمعیت فعال هر کشوری را تشکیل می‌دهند و نقش قابل توجهی در تحقق فعالیت‌های توسعه پایدار جامعه ایفا می‌کنند. با این حال، برخی از جوانان دچار اشتغال ناقص بوده یا در آموزش، اشتغال یا کارآموزی (NEET) قرار ندارند. این پژوهش به بررسی تأثیر برنامه آموزشی ارتقاء مهارت‌های هوش مصنوعی بر کاهش بیکاری جوانان برای توسعه جامعه در ایالت Imo پرداخته است. این مطالعه از طرح پژوهش توصیفی-پیمایشی استفاده کرده و جامعه آماری آن شامل ۶۷۰۰ نفر از جوانان شرکت‌کننده بوده است که با استفاده از روش نمونه‌گیری متناسب، حجم نمونه ۴۶۹ نفر انتخاب شد. ابزار پژوهش، پرسشنامه ساختارمند با عنوان «پرسشنامه برنامه آموزشی ارتقاء مهارت‌های هوش مصنوعی (AISEPQ)» بود. برای تحلیل داده‌ها از میانگین، انحراف معیار و تحلیل واریانس استفاده شد. یافته‌ها نشان داد که هوش مصنوعی اعتماد به نفس جوانان را در رقابت برای فرصت‌های شغلی دیجیتال افزایش داده، دسترسی آن‌ها به کار از راه دور و سایر فرصت‌های شغلی دیجیتال را تسهیل کرده، مزیت رقابتی نسبت به سایر جویندگان کار در بازار کار دیجیتال به آن‌ها بخشیده، شانس آن‌ها را برای دستیابی به اشتغال سودآور که مستقیماً با نیازهای شغلی فعلی همسو است، بهبود بخشیده و فرصت‌های شغلی جدیدی را که پیش‌تر وجود نداشتند، ایجاد کرده است. نتیجه‌گیری پژوهش حاکی از آن است که هوش مصنوعی اعتماد به نفس جوانان را در پیگیری فرصت‌های شغلی دیجیتال افزایش داده و دسترسی آن‌ها به کار از راه دور و سایر گزینه‌های اشتغال دیجیتال را تسهیل نموده است. پیشنهاد می‌شود وزارت فدرال توسعه جوانان (FMYD) با همکاری وزارت فدرال آموزش و پرورش (FME) منابع کافی را برای دوره گذار انقلاب صنعتی چهارم و پنجم اختصاص دهند تا جوانان بتوانند با الزامات اقتصاد مبتنی بر دانش همگام شوند.

The integration of coding and Artificial Intelligence (AI) into vocational education is essential for equipping students with 21st-century digital competencies, yet implementation in remote and island regions like Bangka Belitung archipelago province remains fragmented and unsustainable. This study employs Developmental Evaluation (DE) a real-time, adaptive, and participatory evaluation approach (Patton, 2011) to analyze policy readiness and strengthen the digital ecosystem for coding and AI instruction across vocational schools in the province. Using qualitative methods, including in- depth interviews (n = 26), focus group discussions, classroom observations, and policy document analysis, the research assesses readiness across five core dimensions: (1) policy & governance, (2) human capacity, (3) digital infrastructure, (4) curriculum relevance, and (5) industry–academia partnerships. Findings reveal a critical policy–practice gap: while national frameworks such as the Grand Design for Vocational School Revitalization and Kurikulum Merdeka promote digital literacy, local implementation lacks binding regional regulations, standardized teacher competency pathways, equitable infrastructure distribution, and context-based curricula. Only 24% of ICT teachers had received AI-related training, and AI concepts were rarely taught in practice. Through DE cycles of exploration, collective sense-making, and prototyping, stakeholders co-designed adaptive solutions including a provincial roadmap for digital vocational education, offline AI learning modules via WhatsApp, and micro-innovation grants for teacher-led experimentation. The study demonstrates DE’s effectiveness in fostering adaptive capacity, surfacing systemic barriers, and enabling locally owned, sustainable digital transformation strategies.

ادغام برنامه‌نویسی و هوش مصنوعی (AI) در آموزش فنی‌وحرفه‌ای برای تجهیز دانش‌آموزان به شایستگی‌های دیجیتال قرن بیست‌ویکم ضروری است، اما اجرای آن در مناطق دورافتاده و جزیره‌ای مانند استان مجمع‌الجزایر بانگکا بلیتونگ همچنان پراکنده و ناپایدار باقی مانده‌است. این مطالعه با بهره‌گیری از رویکرد ارزیابی توسعه‌ای (DE) که یک روش ارزیابی بلادرنگ، تطبیقی و مشارکتی است (Patton, 2011)، به تحلیل آمادگی سیاستی و تقویت زیست‌بوم دیجیتال برای آموزش برنامه‌نویسی و هوش مصنوعی در مدارس فنی‌وحرفه‌ای این استان می‌پردازد. با استفاده از روش‌های کیفی، از جمله مصاحبه‌های عمیق (n = 26)، بحث‌های گروهی متمرکز، مشاهده کلاس درس و تحلیل اسناد سیاستی، پژوهش آمادگی را در پنج بُعد اصلی ارزیابی می‌کند: (۱) سیاست و حکمرانی، (۲) ظرفیت انسانی، (۳) زیرساخت دیجیتال، (۴) ارتباط برنامه‌درسی و (۵) مشارکت صنعت و دانشگاه. یافته‌ها شکاف مهمی میان سیاست و عمل را نشان می‌دهد: در حالی که چارچوب‌های ملی مانند طرح کلان نوسازی مدارس فنی‌وحرفه‌ای و «کریکولوم مردکا» سواد دیجیتال را ترویج می‌کنند، اجرای محلی فاقد مقررات منطقه‌ای الزام‌آور، مسیرهای استاندارد شایستگی معلمان، توزیع عادلانه زیرساخت و برنامه‌درسی مبتنی بر زمینه است. تنها ۲۴٪ از معلمان ICT آموزش مرتبط با AI را دریافت کرده‌اند و مفاهیم AI به ندرت در عمل تدریس می‌شود. از طریق چرخه‌های DE شامل اکتشاف، معنا‌بخشی جمعی و نمونه‌سازی، ذینفعان راه‌حل‌های تطبیقی از جمله نقشه‌راه استانی برای آموزش دیجیتال فنی‌وحرفه‌ای، ماژول‌های یادگیری AI آفلاین از طریق WhatsApp و گرنت‌های خرد نوآوری برای آزمایشگری معلمان را به‌طور مشترک طراحی کردند. این مطالعه اثربخشی DE را در تقویت ظرفیت تطبیقی، آشکارسازی موانع نظام‌مند و امکان‌پذیر ساختن راهبردهای تحول دیجیتال بومی و پایدار نشان می‌دهد.

AI will play an increasingly large role in providing healthcare services in the near future, creating a pressing need to examine how people perceive AI compared to humans in healthcare. To this end, this study examines how people perceive AI and human doctors in a common medical scenario of giving healthcare advice over an online chat platform. Participants read an online chat conversation that featured a patient asking for medical advice with either an AI or human doctor. In addition, the doctor either linguistically aligned with the patient (by repeating medical terms previously used by the patient) or not (by using synonyms of the patient's terms). Linguistic alignment in conversation has been found to increase positive perceptions of interactions and therefore may be a useful tool to increase patient satisfaction in healthcare interactions. AI doctors but not human ones were penalized when not linguistically aligning with the patient, even though these doctors gave the same exact medical advice. Additionally, across a range of measures, participants in general had more negative perceptions of AI doctors compared to human ones. Overall, these results suggest that people hold AI to different standards as well as judge AI harsher than humans in medical settings.

هوش مصنوعی در آینده نزدیک نقش فزاینده‌ای در ارائه خدمات مراقبت‌های سلامت ایفا خواهد کرد و این امر نیاز فوری به بررسی نحوه ادراک افراد از هوش مصنوعی در مقایسه با انسان‌ها در حوزه سلامت را ایجاد می‌کند. بر این اساس، این پژوهش به بررسی نحوه ادراک افراد از پزشکان هوش مصنوعی و انسانی در یک سناریوی رایج پزشکی، یعنی ارائه مشاوره سلامت از طریق یک پلتفرم گفت‌وگوی آنلاین، می‌پردازد. شرکت‌کنندگان یک گفت‌وگوی آنلاین را مطالعه کردند که در آن بیماری برای دریافت مشاوره پزشکی با یک پزشک (هوش مصنوعی یا انسانی) مکاتبه می‌کرد. علاوه بر این، پزشک یا با بیمار هم‌ترازی زبانی داشت (با تکرار اصطلاحات پزشکی که قبلاً توسط بیمار استفاده شده بود) یا نداشت (با استفاده از مترادف‌های اصطلاحات بیمار). پژوهش‌ها نشان داده‌اند که هم‌ترازی زبانی در مکالمه می‌تواند ادراک مثبت از تعاملات را افزایش دهد و بنابراین ممکن است ابزاری مفید برای افزایش رضایت بیماران در تعاملات سلامت باشد. پزشکان هوش مصنوعی، اما نه پزشکان انسانی، زمانی که با بیمار هم‌ترازی زبانی نداشتند، مورد قضاوت منفی قرار گرفتند، حتی با وجود اینکه دقیقاً همان مشاوره پزشکی را ارائه دادند. همچنین، در طیف وسیعی از سنجه‌ها، شرکت‌کنندگان به طور کلی ادراک منفی‌تری نسبت به پزشکان هوش مصنوعی در مقایسه با پزشکان انسانی داشتند. در مجموع، این نتایج نشان می‌دهد که افراد استانداردهای متفاوتی برای هوش مصنوعی قائل هستند و در محیط‌های پزشکی نسبت به هوش مصنوعی قضاوت سخت‌گیرانه‌تری دارند.

Game-based approaches are increasingly employed to address complex challenges in logistics and freight transport. While traditionally employed for education and workforce training, they have broader applications and untapped potential. In particular, advances in artificial intelligence (AI) are creating new opportunities to design, personalise, and scale these interventions. Despite this growing interest, a comprehensive understanding of how game-based approaches have evolved, who they target, what functions they serve, and where future opportunities lie remains limited. This study presents a systematic review of 87 studies on game-based interventions in freight transport and logistics, synthesising evidence across five application domains: warehouse operations management, terminal operations management, transport planning and optimisation, reverse logistics, and risk management and resilience. The findings reveal that games are evolving beyond training applications towards behavioural research, decision support, stakeholder engagement, and consumer behaviour change. Target audiences have similarly expanded from students and operational personnel to include managers, planners, consumers, and participants in behavioural research settings. Nevertheless, evidence regarding the long-term effectiveness of these interventions remains scarce, and several logistics challenges remain largely unexplored. Building on evidence-based gaps identified in the literature, this review proposes future research directions and highlights the potential of AI to enable adaptive, personalised, and scalable game-based interventions. By consolidating fragmented knowledge and outlining emerging opportunities, this study provides a foundation for researchers and practitioners seeking to harness game-based approaches to understand and improve logistics and freight transport systems.

رویکردهای مبتنی بر بازی به طور فزاینده‌ای برای مواجهه با چالش‌های پیچیده در لجستیک و حمل‌ونقل بار به کار گرفته می‌شوند. اگرچه این رویکردها به طور سنتی برای آموزش و تربیت نیروی کار مورد استفاده قرار می‌گرفتند، اما کاربردهای گسترده‌تر و ظرفیت‌های استفاده‌نشده‌ای دارند. به ویژه، پیشرفت‌های هوش مصنوعی (AI) فرصت‌های جدیدی برای طراحی، شخصی‌سازی و مقیاس‌پذیری این مداخلات ایجاد کرده است. با وجود این علاقه رو به رشد، درک جامعی از نحوه تحول رویکردهای مبتنی بر بازی، مخاطبان هدف، کارکردهای آن‌ها و فرصت‌های آینده همچنان محدود است. این مطالعه با ارائه یک مرور نظام‌مند از ۸۷ پژوهش درباره مداخلات مبتنی بر بازی در حوزه حمل‌ونقل بار و لجستیک، شواهد را در پنج حوزه کاربردی شامل مدیریت عملیات انبار، مدیریت عملیات ترمینال، برنامه‌ریزی و بهینه‌سازی حمل‌ونقل، لجستیک معکوس و مدیریت ریسک و تاب‌آوری، تلفیق می‌کند. یافته‌ها نشان می‌دهد که بازی‌ها فراتر از کاربردهای آموزشی، به سمت پژوهش‌های رفتاری، پشتیبانی تصمیم‌گیری، مشارکت ذینفعان و تغییر رفتار مصرف‌کننده در حال تحول هستند. مخاطبان هدف نیز از دانشجویان و کارکنان عملیاتی به مدیران، برنامه‌ریزان، مصرف‌کنندگان و شرکت‌کنندگان در محیط‌های پژوهش رفتاری گسترش یافته‌اند. با این حال، شواهد مربوط به اثربخشی بلندمدت این مداخلات همچنان اندک است و برخی چالش‌های لجستیکی تا حد زیادی بررسی نشده باقی مانده‌اند. با اتکا به شکاف‌های مبتنی بر شواهد شناسایی‌شده در ادبیات، این مرور جهت‌گیری‌های پژوهشی آینده را پیشنهاد می‌کند و بر پتانسیل هوش مصنوعی برای امکان‌پذیر ساختن مداخلات مبتنی بر بازی تطبیقی، شخصی‌سازی‌شده و مقیاس‌پذیر تأکید دارد. با یکپارچه‌سازی دانش پراکنده و ترسیم فرصت‌های نوظهور، این مطالعه بنیانی برای پژوهشگران و متخصصانی فراهم می‌کند که به دنبال بهره‌گیری از رویکردهای مبتنی بر بازی برای درک و بهبود سامانه‌های لجستیک و حمل‌ونقل بار هستند.

Artificial intelligence (AI) is now part of everyday academic work in higher education, including feedback. However, AI feedback does not automatically lead to learning. It can help students rethink a concept, improve a draft, and notice gaps in their work, but it can also create a false sense of progress when students accept suggestions without understanding them. This Perspective article argues that responsible AI feedback depends on faculty readiness and students’ evaluative judgement. Readiness is not mainly technical. It involves pedagogical judgement: knowing how to design tasks in which students work with feedback, compare it with evidence, revise with purpose, explain their choices, and remain responsible for the final submission. The article focuses on generative AI feedback and uses metacognitive calibration as a central concept. Calibration refers to the relationship between students’ confidence or self-judgement and independently evaluated evidence of performance. Evaluative judgement concerns students’ capacity to judge the quality and relevance of feedback and work, whereas calibration concerns the accuracy of their judgements relative to independently evaluated performance evidence. The article shows how ideas from feedback literacy, evaluative judgement, and self-regulated learning need to be adapted when feedback comes from systems whose accuracy and educational value cannot be assumed. It proposes a conceptual responsible AI feedback design cycle linked to assessment integrity, university policy, and faculty development. Although the cycle requires empirical testing, it offers a practical way to support reflection, calibrated judgement, and accountability without replacing students’ thinking.

هوش مصنوعی (AI) اکنون بخشی از فعالیت‌های روزمره دانشگاهی در آموزش عالی، از جمله بازخورد، است. با این حال، بازخورد هوش مصنوعی به طور خودکار منجر به یادگیری نمی‌شود. این بازخورد می‌تواند به دانشجویان کمک کند تا یک مفهوم را بازاندیشی کنند، پیش‌نویسی را بهبود دهند و شکاف‌های موجود در کار خود را تشخیص دهند، اما همچنین ممکن است حس کاذبی از پیشرفت ایجاد کند زمانی که دانشجویان پیشنهادها را بدون درک آن‌ها می‌پذیرند. این مقاله دیدگاه بیان می‌کند که بازخورد مسئولانه هوش مصنوعی وابسته به آمادگی اعضای هیئت علمی و قضاوت ارزشیابانه دانشجویان است. آمادگی عمدتاً فنی نیست، بلکه شامل قضاوت آموزشی است: دانستن اینکه چگونه وظایفی طراحی شوند که در آن دانشجویان با بازخورد کار کنند، آن را با شواهد مقایسه کنند، با هدف بازنگری کنند، انتخاب‌های خود را توضیح دهند و همچنان مسئولیت ارسال نهایی را بر عهده داشته باشند. این مقاله بر بازخورد مولد هوش مصنوعی تمرکز دارد و از کالیبراسیون فراشناختی به عنوان یک مفهوم مرکزی استفاده می‌کند. کالیبراسیون به رابطه بین اعتماد به نفس یا خودقضاوت دانشجویان و شواهد ارزیابی‌شده مستقل از عملکرد اشاره دارد. قضاوت ارزشیابانه به ظرفیت دانشجویان برای قضاوت درباره کیفیت و ارتباط بازخورد و کار مربوط است، در حالی که کالیبراسیون به دقت قضاوت‌های آن‌ها نسبت به شواهد عملکرد ارزیابی‌شده مستقل مربوط می‌شود. مقاله نشان می‌دهد که چگونه ایده‌های سواد بازخورد، قضاوت ارزشیابانه و یادگیری خودتنظیمی باید زمانی که بازخورد از سیستم‌هایی می‌آید که دقت و ارزش آموزشی آن‌ها مفروض نیست، تطبیق یابد. این مقاله یک چرخه مفهومی طراحی بازخورد مسئولانه هوش مصنوعی را پیشنهاد می‌کند که به سلامت ارزیابی، سیاست دانشگاه و توسعه اعضای هیئت علمی مرتبط است. اگرچه این چرخه نیازمند آزمون تجربی است، اما راهکاری عملی برای حمایت از تأمل، قضاوت کالیبره‌شده و پاسخگویی بدون جایگزینی تفکر دانشجویان ارائه می‌دهد.

While Artificial Intelligence (AI) has become undeniably important in modern sales management, scholarly focus has remained disproportionately fixed on productivity and efficiency outcomes rather than mental health and wellness. This paper addresses that imbalance by examining the impact of AI-coaching on salesperson well-being. After exploring the limited scholarship available, we incorporate the theory of tools to scrutinize when AI is ready-to-hand (where the tool is transparently integrated), unready-to-hand (where the tool fails), and present-at-hand (where the user analytically observes the tool’s properties). The primary contribution of this work is a comprehensive future research agenda that moves beyond performance metrics to investigate the lived experience of salespeople and possible well-being outcomes, both positive and negative. The agenda identifies four critical dimensions—the user, the tool, the delivery, and the context—as potential moderators in the framework. This manuscript is a call to action for researchers to investigate how AI-coaching can be implemented as a catalyst for employee empowerment rather than a source of technostress and burnout for salespeople and sales managers.

در حالی که هوش مصنوعی (AI) به طور غیرقابل انکاری در مدیریت فروش مدرن اهمیت یافته است، تمرکز پژوهشی به طور نامتناسبی بر پیامدهای بهره‌وری و کارایی باقی مانده و به سلامت روان و بهزیستی توجه کمتری شده است. این مقاله به منظور رفع این عدم توازن، به بررسی تأثیر مربیگری مبتنی بر هوش مصنوعی بر بهزیستی فروشندگان می‌پردازد. پس از مرور پژوهش‌های محدود موجود، نظریه ابزارها را به کار می‌گیریم تا بررسی کنیم که چه زمانی هوش مصنوعی «آماده به کار» است (ابزاری که به طور شفاف یکپارچه شده است)، «آماده به کار نیست» (ابزاری که دچار نقص می‌شود)، و «حاضر در دست» (زمانی که کاربر به طور تحلیلی ویژگی‌های ابزار را مشاهده می‌کند). مهم‌ترین دستاورد این پژوهش، ارائه یک دستور کار جامع برای تحقیقات آینده است که فراتر از سنجه‌های عملکردی، به تجربه زیسته فروشندگان و پیامدهای بهزیستی، اعم از مثبت و منفی، می‌پردازد. این دستور کار چهار بُعد کلیدی—کاربر، ابزار، شیوه ارائه و زمینه—را به عنوان تعدیل‌گرهای احتمالی در این چارچوب شناسایی می‌کند. این مقاله فراخوانی است برای پژوهشگران تا بررسی کنند که چگونه مربیگری مبتنی بر هوش مصنوعی می‌تواند به عنوان محرکی برای توانمندسازی کارکنان اجرا شود و نه منبعی برای تکنواسترس و فرسودگی شغلی در میان فروشندگان و مدیران فروش.

This study aims to test and analyze the effectiveness of the Problem-Based Learning (PBL) Model in improving argumentation writing skills in elementary school students, and to determine any significant differences between the group taught using PBL and the group taught using the conventional model. The background of this study is the low ability of sixth-grade students to construct logical, evidence-supported arguments, which is suspected to be due to a lack of critical thinking stimulation in the conventional learning process. This study uses a quantitative approach with a quasi-experimental design (Quasi-Experimental Design) model of Non Equivalent Control Group Design. The subjects of the study were sixth grade students of SDN 12 Bilah Barat, Labuhanbatu Regency, Academic Year 2025-2026, which were divided into two groups, namely the Experimental Group (taught with PBL, N = 25) and the Control Group (taught with conventional models, N = 25). The instrument used was a test of argumentative text writing skills in the form of a pretest and posttest. Data were analyzed using the t-Independent Sample T-Test. The results of the prerequisite test showed that the data were normally distributed and had homogeneous variance. The results of the hypothesis test showed that the t-count of the posttest score (2.850) was greater than the t-table (2.011) with a significance value of P of 0.007 (less than 0.05). In addition, there was an increase in the average (Gain Score) in the experimental group of 1.60, much greater than the control group of 0.32. These results confirm a significant difference in argumentative writing skills between the two groups. The problem-based learning (PBL) model encourages students to identify problems, conduct investigations, and develop arguments based on evidence, which directly supports their argumentative writing skills. It is recommended that teachers implement PBL as an alternative learning model capable of stimulating students'

هدف این پژوهش، آزمون و تحلیل اثربخشی مدل یادگیری مبتنی بر مسئله (Problem-Based Learning یا PBL) در بهبود مهارت‌های نگارش استدلالی در دانش‌آموزان دبستان و تعیین تفاوت معنادار بین گروه آموزش‌دیده با PBL و گروه آموزش‌دیده با مدل متداول است. زمینه این پژوهش، پایین بودن توانایی دانش‌آموزان پایه ششم در ساخت استدلال‌های منطقی و مبتنی بر شواهد است که علت آن کمبود تحریک تفکر انتقادی در فرایند یادگیری متداول فرض می‌شود. این پژوهش با رویکرد کمی و با طرح شبه‌آزمایشی (Quasi-Experimental Design) از نوع Non Equivalent Control Group Design انجام شده است. جامعه پژوهش شامل دانش‌آموزان پایه ششم دبستان SDN 12 Bilah Barat، شهرستان Labuhanbatu، سال تحصیلی 2025-2026 بود که به دو گروه تقسیم شدند: گروه آزمایش (آموزش با PBL، N = 25) و گروه کنترل (آموزش با مدل متداول، N = 25). ابزار مورد استفاده، آزمون مهارت نگارش متن استدلالی به صورت پیش‌آزمون و پس‌آزمون بود. داده‌ها با استفاده از آزمون t مستقل (Independent Sample T-Test) تحلیل شدند. نتایج آزمون پیش‌نیازها نشان داد داده‌ها دارای توزیع نرمال و واریانس همگن هستند. نتایج آزمون فرضیه نشان داد که مقدار t محاسبه‌شده برای نمره پس‌آزمون (2.850) بزرگ‌تر از مقدار t جدول (2.011) با مقدار معناداری P برابر با 0.007 (کمتر از 0.05) است. همچنین، افزایش میانگین (Gain Score) در گروه آزمایش برابر با 1.60 بود که به‌مراتب بیشتر از گروه کنترل با مقدار 0.32 است. این نتایج تفاوت معنادار در مهارت نگارش استدلالی بین دو گروه را تأیید می‌کند. مدل یادگیری مبتنی بر مسئله (PBL) دانش‌آموزان را به شناسایی مسئله، انجام تحقیق و توسعه استدلال مبتنی بر شواهد ترغیب می‌کند که مستقیماً از مهارت‌های نگارش استدلالی آن‌ها حمایت می‌کند. توصیه می‌شود معلمان از PBL به عنوان یک مدل یادگیری جایگزین که قادر به تحریک تفکر انتقادی دانش‌آموزان است، استفاده کنند.

This paper presents an innovative interdisciplinary teaching model based on the integration of acoustic phonetics into STEAM education (Science, Technology, Engineering, Arts, Mathematics). This study is based on the premise that the interdisciplinary nature of acoustic phonetics, connecting language with physics, mathematics, and digital technologies, provides a suitable basis for designing STEAM-oriented educational activities that engage students in scientific inquiry, acoustic measurement, data analysis and programming. The paper presents a pilot classroom implementation in English language instruction in which students used Praat-based acoustic analysis together with a Python-based supervised machine-learning classifier to investigate whether speakers could be differentiated on the basis of measurable acoustic characteristics. The computational component employed a Random Forest classifier based on selected acoustic features, while supplementary manual analysis of the F3–F2 distance was used to examine/r/ realizations in cases of acoustic overlap. The classroom implementation involved 30 seventh-grade students, while the acoustic speaker dataset consisted of recordings from six students selected for the speaker-differentiation component of the project. A special section of the paper is devoted to the development of educational projects combining phonetic analysis, physical models of the vocal tract, and artificial intelligence algorithms, with the aim of bringing the scientific method closer to students and enabling active learning through research. The paper demonstrates that phonetic research can serve not only as a component of language teaching but also as a powerful instrument of interdisciplinary education. The conclusion emphasizes that phonetics represents an authentic STEAM discipline in miniature and that its systematic implementation in teaching contributes to the development of functional knowledge, an investigative mindset, and students' digital competencies.

این مقاله الگویی نوآورانه برای آموزش میان‌رشته‌ای مبتنی بر ادغام آواشناسی آکوستیکی در آموزش STEAM (علوم، فناوری، مهندسی، هنر، ریاضیات) ارائه می‌دهد. این مطالعه بر این فرض استوار است که ماهیت میان‌رشته‌ای آواشناسی آکوستیکی که زبان را با فیزیک، ریاضیات و فناوری‌های دیجیتال پیوند می‌دهد، بستر مناسبی برای طراحی فعالیت‌های آموزشی مبتنی بر STEAM فراهم می‌کند که دانش‌آموزان را درگیر پژوهش علمی، اندازه‌گیری آکوستیکی، تحلیل داده‌ها و برنامه‌نویسی می‌سازد. مقاله حاضر اجرای آزمایشی این مدل را در کلاس زبان انگلیسی ارائه می‌کند که در آن دانش‌آموزان با استفاده از تحلیل آکوستیکی مبتنی بر Praat و یک طبقه‌بند یادگیری ماشین نظارت‌شده مبتنی بر Python بررسی کردند که آیا می‌توان گویندگان را بر اساس ویژگی‌های آکوستیکی قابل اندازه‌گیری از یکدیگر تمییز داد یا خیر. بخش محاسباتی از طبقه‌بند Random Forest مبتنی بر ویژگی‌های آکوستیکی منتخب بهره برد، در حالی که تحلیل دستی مکمل فاصله F3–F2 برای بررسی تحقق /r/ در موارد همپوشانی آکوستیکی به کار رفت. اجرای کلاسی با حضور ۳۰ دانش‌آموز پایه هفتم انجام شد و مجموعه داده‌های آکوستیکی گویندگان شامل ضبط‌های شش دانش‌آموز منتخب برای مؤلفه تمییز گوینده پروژه بود. بخشی ویژه از مقاله به توسعه پروژه‌های آموزشی ترکیبی از تحلیل آوایی، مدل‌های فیزیکی مجرای صوتی و الگوریتم‌های هوش مصنوعی اختصاص یافته است تا روش علمی را به دانش‌آموزان نزدیک‌تر کند و یادگیری فعال از طریق پژوهش را ممکن سازد. مقاله نشان می‌دهد که پژوهش آوایی نه‌تنها می‌تواند به‌عنوان بخشی از آموزش زبان بلکه به‌عنوان ابزاری قدرتمند برای آموزش میان‌رشته‌ای عمل کند. نتیجه‌گیری تأکید می‌کند که آواشناسی به‌مثابه یک رشته اصیل STEAM در مقیاس کوچک است و اجرای نظام‌مند آن در آموزش به توسعه دانش کاربردی، ذهنیت پژوهشگرانه و شایستگی‌های دیجیتال دانش‌آموزان کمک می‌کند.

Introduction The rapid integration of artificial intelligence (AI) into education requires teachers to develop new competencies and manage their own learning. While research has examined teachers’ AI attitudes, acceptance, and literacy, less is known about how they regulate their learning in AI contexts. This study examined teachers’ self-regulated learning (SRL) profiles and their associations with demographic characteristics and AI-related experience. Methods In a descriptive survey, 213 in-service teachers completed the Artificial Intelligence Self-Regulated Learning Scale for Teachers (AI-SRLS). Two-Step Cluster Analysis was conducted using five dimensions: task planning, self-monitoring, help seeking, institutional support, and self-evaluation. Results Two profiles emerged: High Strategic Learners, who scored consistently higher across all five dimensions, and Limited Strategy Users, who reported comparatively lower strategy use. Profile membership was significantly associated with prior AI experience and AI-related training. Gender, age, and professional experience did not significantly differentiate the profiles. Discussion Teachers’ AI-related SRL strategies co-occur in distinct profiles, supporting a differentiated approach to professional development. Teachers with limited strategy use may benefit from structured guidance, scaffolded AI learning opportunities, and stronger institutional support, while highly strategic learners may benefit from more autonomous and advanced learning opportunities.

مقدمه: ادغام سریع هوش مصنوعی (AI) در آموزش و پرورش، معلمان را ملزم می‌کند تا شایستگی‌های جدیدی را توسعه دهند و یادگیری خود را مدیریت کنند. در حالی که پژوهش‌ها نگرش‌ها، پذیرش و سواد هوش مصنوعی معلمان را بررسی کرده‌اند، اطلاعات کمتری درباره نحوه تنظیم یادگیری آن‌ها در زمینه‌های هوش مصنوعی وجود دارد. این مطالعه به بررسی نمایه‌های یادگیری خودتنظیمی (SRL) معلمان و ارتباط آن‌ها با ویژگی‌های جمعیت‌شناختی و تجربه مرتبط با هوش مصنوعی پرداخت. روش‌ها: در یک پژوهش توصیفی-پیمایشی، 213 معلم شاغل مقیاس یادگیری خودتنظیمی هوش مصنوعی برای معلمان (AI-SRLS) را تکمیل کردند. تحلیل خوشه‌ای دو مرحله‌ای با استفاده از پنج بُعد شامل برنامه‌ریزی وظیفه، خودنظارتی، کمک‌خواهی، حمایت نهادی و خودارزیابی انجام شد. یافته‌ها: دو نمایه شناسایی شد: یادگیرندگان راهبردی بالا که در تمامی ابعاد پنج‌گانه به طور مداوم امتیاز بالاتری کسب کردند و کاربران راهبرد محدود که استفاده نسبتاً کمتری از راهبردها را گزارش دادند. عضویت در نمایه به طور معناداری با تجربه قبلی هوش مصنوعی و آموزش مرتبط با هوش مصنوعی ارتباط داشت. جنسیت، سن و سابقه حرفه‌ای تفاوت معناداری میان نمایه‌ها ایجاد نکرد. بحث: راهبردهای یادگیری خودتنظیمی معلمان مرتبط با هوش مصنوعی در نمایه‌های متمایز همزمان رخ می‌دهد و از رویکرد تفکیک‌شده در توسعه حرفه‌ای حمایت می‌کند. معلمانی که استفاده محدودی از راهبردها دارند، ممکن است از راهنمایی ساختاریافته، فرصت‌های یادگیری هوش مصنوعی با پشتیبانی و حمایت نهادی قوی‌تر بهره‌مند شوند، در حالی که یادگیرندگان بسیار راهبردی می‌توانند از فرصت‌های یادگیری خودگردان و پیشرفته‌تر سود ببرند.

Digital platforms have become a primary route through which Indonesian students encounter religious knowledge, and teachers of Islamic education increasingly meet classroom questions whose answers students have already obtained from sources carrying no chain of transmission. This study examines how the digital transformation of Islamic education reconfigures the relationship between teacher, text, and learner, and asks what verification practice becomes possible when the volume of accessible religious content exceeds any teacher’s capacity to authenticate it. The study is a conceptual synthesis of peer-reviewed literature, policy documents, and institutional reports, selected purposively and analysed thematically across accessibility, content authenticity, pedagogical innovation, teacher role, ethics, and institutional readiness. The analysis finds that digitalisation expands access decisively but redistributes interpretive authority in ways existing teacher preparation does not address; that content generated by artificial intelligence intensifies rather than creates this problem, since fluency without sanad is already characteristic of much online religious material; and that blended learning models developed for school-age learners transfer poorly to the adult and para-professional audiences that dominate Islamic non-formal education without andragogical adjustment. The study argues that the practical task facing institutions is not the adoption of technology but the design of verification competence, and proposes three design principles: teaching provenance rather than conclusions, making the limits of teacher authority explicit, and building institutional review of digital content into curriculum governance rather than leaving it to individual discretion.

سکوهای دیجیتال به مسیر اصلی دسترسی دانش‌آموزان اندونزیایی به دانش دینی بدل شده‌اند و معلمان آموزش اسلامی با پرسش‌هایی در کلاس مواجه می‌شوند که پاسخ آن‌ها را دانش‌آموزان پیش‌تر از منابعی بدون زنجیره نقل دریافت کرده‌اند. این مطالعه بررسی می‌کند که چگونه تحول دیجیتال در آموزش اسلامی رابطه میان معلم، متن و یادگیرنده را بازپیکربندی می‌کند و می‌پرسد که در شرایطی که حجم محتوای دینی قابل دسترس از ظرفیت هر معلم برای اعتبارسنجی فراتر می‌رود، چه شیوه‌ای از راستی‌آزمایی ممکن می‌شود. این پژوهش، سنتز مفهومی از ادبیات داوری‌شده، اسناد سیاستی و گزارش‌های نهادی است که به‌صورت هدفمند انتخاب و بر اساس دسترسی‌پذیری، اصالت محتوا، نوآوری آموزشی، نقش معلم، اخلاق و آمادگی نهادی به‌صورت موضوعی تحلیل شده‌اند. تحلیل نشان می‌دهد که دیجیتالی‌شدن به‌طور قاطع دسترسی را گسترش می‌دهد اما اقتدار تفسیری را به شیوه‌هایی بازتوزیع می‌کند که در آموزش معلمان فعلی مورد توجه قرار نگرفته است؛ همچنین محتوای تولیدشده توسط هوش مصنوعی این مسئله را تشدید می‌کند نه ایجاد، چرا که روانی بدون سند پیش‌تر نیز ویژگی غالب بسیاری از مواد دینی آنلاین بوده است؛ و مدل‌های یادگیری ترکیبی که برای یادگیرندگان سن مدرسه توسعه یافته‌اند، بدون تعدیل اندراگوژیک به‌خوبی به مخاطبان بزرگسال و شبه‌حرفه‌ای که در آموزش غیررسمی اسلامی غالب‌اند، منتقل نمی‌شوند. این مطالعه استدلال می‌کند که وظیفه عملی پیش‌روی نهادها نه پذیرش فناوری بلکه طراحی شایستگی راستی‌آزمایی است و سه اصل طراحی را پیشنهاد می‌دهد: آموزش منشأ به‌جای نتیجه‌گیری، صراحت‌بخشی به حدود اقتدار معلم، و ادغام بازبینی نهادی محتوای دیجیتال در حکمرانی برنامه درسی به‌جای واگذاری آن به صلاحدید فردی.

Generative artificial intelligence (GenAI) creates a distinctive problem for outdoor geoscience learning: it can broaden questioning and explanation, yet it can also pre-structure what learners notice and displace their interpretation of field evidence. Existing field-learning frameworks explain how conceptual, geographical, psychological, technical, and social novelty shape participation, but they do not fully explain this redistribution of epistemic work and authority. Extending established accounts of technological mediation to field settings, this Hypothesis and Theory article interprets GenAI as an epistemic reorganization of field inquiry rather than as technical novelty alone. It advances the central hypothesis that GenAI is more likely to augment, rather than displace, learners’ epistemic agency when it is introduced after direct observation and an initial learner interpretation, restricted to generating questions and candidate explanations, and subjected to human adjudication against field evidence. On this basis, the article proposes a six-stage human-centered model: preparing for field and GenAI use; attending to and recording field evidence; constructing an initial learner interpretation; engaging GenAI as a dialogic challenger; conducting human evidence-based adjudication; and completing reflective synthesis and epistemic accounting. Field evidence functions as an epistemic constraint, GenAI outputs remain provisional objects of scrutiny, and learners and teachers retain interpretive authority and responsibility. Six testable propositions specify expected effects of sequencing, initial interpretation, challenger-oriented prompting, explicit adjudication, substitution, and teacher orchestration. Operational criteria for distinguishing support, mediation, and substitution, and a thought experiment at a basalt outcrop, show how the model can be applied and tested. The model offers a falsifiable agenda for research in physical, hybrid, and virtual geoscience field learning while defining conditions under which GenAI use should be limited or withheld.

هوش مصنوعی مولد (GenAI) مسئله‌ای متمایز برای یادگیری علوم زمین در فضای باز ایجاد می‌کند: این فناوری می‌تواند دامنه پرسشگری و تبیین را گسترش دهد، اما همچنین ممکن است آنچه را که یادگیرندگان مشاهده می‌کنند پیش‌ساختاردهی کند و تفسیر آنان از شواهد میدانی را جابه‌جا نماید. چارچوب‌های موجود یادگیری میدانی توضیح می‌دهند که چگونه نوآوری مفهومی، جغرافیایی، روان‌شناختی، فنی و اجتماعی مشارکت را شکل می‌دهد، اما به طور کامل این بازتوزیع کار و اقتدار معرفتی را تبیین نمی‌کنند. با گسترش رویکردهای تثبیت‌شده میانجی‌گری فناورانه به محیط‌های میدانی، این مقاله فرضیه و نظریه، GenAI را به عنوان سازماندهی مجدد معرفتی پژوهش میدانی تفسیر می‌کند، نه صرفاً به عنوان یک نوآوری فنی. این مقاله فرضیه مرکزی را مطرح می‌کند که GenAI زمانی که پس از مشاهده مستقیم و تفسیر اولیه یادگیرنده معرفی شود، به تولید پرسش‌ها و تبیین‌های پیشنهادی محدود گردد و در معرض داوری انسانی مبتنی بر شواهد میدانی قرار گیرد، احتمالاً عاملیت معرفتی یادگیرندگان را تقویت می‌کند تا آن را جایگزین نماید. بر این اساس، مقاله یک مدل انسان‌محور شش‌مرحله‌ای پیشنهاد می‌کند: آمادگی برای کار میدانی و استفاده از GenAI؛ توجه و ثبت شواهد میدانی؛ ساخت تفسیر اولیه توسط یادگیرنده؛ به‌کارگیری GenAI به عنوان چالشگر دیالوژیک؛ انجام داوری انسانی مبتنی بر شواهد؛ و تکمیل ترکیب بازتابی و حسابرسی معرفتی. شواهد میدانی به عنوان یک محدودیت معرفتی عمل می‌کند، خروجی‌های GenAI همچنان به عنوان موضوعات موقتی بررسی باقی می‌مانند و یادگیرندگان و معلمان اقتدار و مسئولیت تفسیر را حفظ می‌کنند. شش گزاره قابل آزمون، آثار مورد انتظار توالی، تفسیر اولیه، تحریک چالشگرمحور، داوری صریح، جایگزینی و سازماندهی معلم را مشخص می‌کند. معیارهای عملیاتی برای تمایز حمایت، میانجی‌گری و جایگزینی و یک آزمایش ذهنی در یک برون‌زد بازالتی نشان می‌دهد که چگونه می‌توان مدل را به کار برد و آزمود. این مدل دستورکاری ابطال‌پذیر برای پژوهش در یادگیری میدانی علوم زمین فیزیکی، ترکیبی و مجازی ارائه می‌دهد و شرایطی را تعریف می‌کند که در آن استفاده از GenAI باید محدود یا متوقف شود.

Artificial intelligence (AI) is increasingly embedded in second language (L2) learning, yet the cognitive demands of AI-mediated environments, particularly for logographic languages such as Chinese, remain underexplored. This study investigated the interrelationships among executive function (EF), reading-related linguistic skills, AI literacy, and Chinese L2 reading comprehension in 155 Form 4 Southeast Asian ethnic minority students in Hong Kong. Using a quantitative design, we validated a three-factor EF model (working memory, cognitive flexibility, inhibitory control) and examined how these components, together with orthographic and morphological skills, relate to L2 reading outcomes. Structural equation modeling showed that all three EF components significantly predicted reading comprehension, underscoring the importance of executive control for processing a complex logographic script. AI literacy significantly supported both foundational reading skills and overall reading comprehension. A key finding of the integrated model is that cognitive flexibility significantly predicted AI literacy, which in turn significantly predicted reading comprehension, indicating an indirect pathway from EF to reading via AI literacy. This pattern highlights the cognitive underpinnings of digital engagement in L2 learning. The study extends the Reading Systems Framework by positioning AI literacy as an external scaffold that interacts with learners’ cognitive resources, and offers practical implications for designing cognitively supportive, AI-enhanced Chinese L2 instruction for ethnic minority learners.

هوش مصنوعی (AI) به طور فزاینده‌ای در یادگیری زبان دوم (L2) ادغام می‌شود، اما الزامات شناختی محیط‌های مبتنی بر هوش مصنوعی، به ویژه برای زبان‌های لوگوگرافی مانند چینی، همچنان کمتر مورد بررسی قرار گرفته‌اند. این پژوهش به بررسی روابط متقابل میان کارکرد اجرایی (EF)، مهارت‌های زبانی مرتبط با خواندن، سواد هوش مصنوعی و درک مطلب خواندن زبان چینی به عنوان زبان دوم در ۱۵۵ دانش‌آموز اقلیت قومی جنوب شرق آسیا در پایه چهارم متوسطه در هنگ‌کنگ پرداخت. با استفاده از طرح کمی، یک مدل سه‌عاملی کارکرد اجرایی (حافظه کاری، انعطاف‌پذیری شناختی، کنترل بازداری) اعتبارسنجی شد و بررسی گردید که این مؤلفه‌ها، همراه با مهارت‌های املایی و واژگانی، چگونه با پیامدهای خواندن زبان دوم مرتبط هستند. مدل‌یابی معادلات ساختاری نشان داد که هر سه مؤلفه کارکرد اجرایی به طور معناداری درک مطلب خواندن را پیش‌بینی می‌کنند و اهمیت کنترل اجرایی برای پردازش خط لوگوگرافی پیچیده را برجسته می‌سازند. سواد هوش مصنوعی به طور معناداری از هر دو مهارت پایه‌ای خواندن و درک مطلب کلی حمایت کرد. یافته کلیدی مدل یکپارچه این است که انعطاف‌پذیری شناختی به طور معناداری سواد هوش مصنوعی را پیش‌بینی می‌کند و سواد هوش مصنوعی نیز به طور معناداری درک مطلب خواندن را پیش‌بینی می‌کند، که به یک مسیر غیرمستقیم از کارکرد اجرایی به خواندن از طریق سواد هوش مصنوعی اشاره دارد. این الگو بر بنیان‌های شناختی مشارکت دیجیتال در یادگیری زبان دوم تأکید می‌کند. این پژوهش چارچوب سیستم‌های خواندن را با قرار دادن سواد هوش مصنوعی به عنوان یک تکیه‌گاه بیرونی که با منابع شناختی یادگیرندگان تعامل دارد، گسترش می‌دهد و پیامدهای عملی برای طراحی آموزش زبان چینی به عنوان زبان دوم مبتنی بر هوش مصنوعی و حمایت‌کننده شناختی برای یادگیرندگان اقلیت قومی ارائه می‌دهد.

This study examines human–AI collaboration in Qur’anic interpretation by reconsidering the epistemological role of the mufassir within the emerging ecosystem of algorithmic religious knowledge. The development of generative artificial intelligence, particularly large language models (LLMs), has transformed how Qur’anic knowledge is accessed, produced, and disseminated. Although AI demonstrates significant capabilities in generating coherent interpretations, synthesizing information, and retrieving textual references, its outputs raise critical questions concerning interpretive authority, methodological validity, source reliability, and epistemic accountability. This study employs a qualitative approach with an analytical-comparative design to investigate the relationship between AI-generated interpretations and established classical and contemporary Qur’anic exegesis. Data are analyzed through three interconnected stages: AI interpretation generation, human critical evaluation, and exegetical validation. The study argues that AI should not be positioned as a replacement for the mufassir, but rather as a computational instrument that facilitates textual exploration, source retrieval, and interpretive synthesis. Accordingly, this research proposes the concept of Human-Centered Algorithmic Tafsir, which repositions the mufassir as an epistemic validator, contextualizer, curator, and ethical supervisor. This framework emphasizes that technological efficiency cannot independently establish interpretive legitimacy, as Qur’anic interpretation requires methodological competence, contextual awareness, and human responsibility.

این پژوهش به بررسی همکاری انسان و هوش مصنوعی در تفسیر قرآن با بازنگری نقش معرفت‌شناختی مفسر در اکوسیستم نوظهور دانش دینی الگوریتمی می‌پردازد. توسعه هوش مصنوعی مولد، به‌ویژه مدل‌های زبانی بزرگ (LLMs)، شیوه‌های دسترسی، تولید و انتشار دانش قرآنی را دگرگون کرده است. اگرچه هوش مصنوعی توانمندی‌های قابل توجهی در تولید تفسیرهای منسجم، تلفیق اطلاعات و بازیابی منابع متنی از خود نشان می‌دهد، اما خروجی‌های آن پرسش‌های مهمی درباره مرجعیت تفسیری، روایی روشی، پایایی منابع و مسئولیت معرفتی ایجاد می‌کند. این پژوهش با رویکرد کیفی و طراحی تحلیلی-مقایسه‌ای، به بررسی رابطه میان تفسیرهای تولیدشده توسط هوش مصنوعی و تفسیرهای کلاسیک و معاصر قرآن می‌پردازد. داده‌ها در سه مرحله به‌هم‌پیوسته تحلیل می‌شوند: تولید تفسیر توسط هوش مصنوعی، ارزیابی انتقادی انسانی و اعتبارسنجی تفسیری. پژوهش استدلال می‌کند که هوش مصنوعی نباید جایگزین مفسر تلقی شود، بلکه باید به‌عنوان ابزاری محاسباتی برای تسهیل کاوش متنی، بازیابی منابع و تلفیق تفسیری مورد استفاده قرار گیرد. بر این اساس، این پژوهش مفهوم «تفسیر الگوریتمی انسان‌محور» را پیشنهاد می‌کند که در آن مفسر به‌عنوان اعتبارسنج معرفتی، زمینه‌ساز، گزینشگر و ناظر اخلاقی بازتعریف می‌شود. این چارچوب تأکید می‌کند که کارآمدی فناورانه به‌تنهایی نمی‌تواند مشروعیت تفسیری را تثبیت کند، چراکه تفسیر قرآن مستلزم شایستگی روشی، آگاهی زمینه‌ای و مسئولیت انسانی است.

This study aims to map the global development of Arabic language education research through a bibliometric analysis of publication trends, journal sources, contributing institutions, countries of corresponding authors, and the most-cited documents. It also analyses keyword co-occurrence to identify major research themes, emerging trends, and potential future directions. Data were collected from the Scopus database using a structured search query, resulting in 166 documents after a rigorous screening process. Prior to analysis, metadata were cleaned using OpenRefine to ensure consistency and accuracy by standardizing author names, institutional affiliations, and keyword variations. Bibliometric analysis was conducted using Biblioshiny (R) and VOSviewer. In the VOSviewer analysis, a thesaurus file was applied to standardize terminology and eliminate duplication, ensuring accurate thematic mapping. The findings indicate a significant increase in publications over the past decade, reflecting growing academic interest in Arabic language education. The results show a strong dominance of technology-oriented journals, particularly in artificial intelligence and natural language processing. Research productivity is concentrated in the Middle East, especially in Saudi Arabia and Egypt, although international collaboration is gradually increasing. Highly cited documents tend to focus on computational approaches and the development of linguistic resources, highlighting their central role in advancing the field. Thematic analysis reveals five major research clusters, including machine learning, pedagogy, computational linguistics, speech processing, and natural language processing. The evolution of research topics shows a shift from traditional teaching approaches to advanced technologies such as deep learning and large language models. These patterns indicate an increasing integration of pedagogical and technological perspectives in the field. Future research directions include the development of large-scale Arabic datasets, the integration of explainable artificial intelligence, adaptive learning systems, and ethical considerations in AI-based education. These findings provide empirical insights for researchers and policymakers to support evidence-based development in Arabic language education.

این مطالعه با هدف نقشه‌برداری از روند جهانی توسعه پژوهش‌های آموزش زبان عربی از طریق تحلیل کتاب‌سنجی روندهای انتشار، منابع مجلات، نهادهای مشارکت‌کننده، کشورهای نویسندگان مسئول و اسناد پرارجاع انجام شده است. همچنین، هم‌رخدادی واژگان کلیدی برای شناسایی محورهای اصلی پژوهش، روندهای نوظهور و جهت‌گیری‌های آینده مورد تحلیل قرار گرفته است. داده‌ها با استفاده از یک پرسش ساختاریافته از پایگاه داده Scopus گردآوری شد که پس از فرایند غربالگری دقیق، ۱۶۶ سند به دست آمد. پیش از تحلیل، فراداده‌ها با استفاده از OpenRefine برای اطمینان از یکنواختی و دقت، از طریق استانداردسازی نام نویسندگان، وابستگی‌های سازمانی و گونه‌های واژگان کلیدی پاک‌سازی شد. تحلیل کتاب‌سنجی با استفاده از Biblioshiny (R) و VOSviewer انجام گرفت. در تحلیل VOSviewer، یک فایل اصطلاحنامه برای استانداردسازی واژگان و حذف تکرار به کار رفت تا نقشه‌برداری موضوعی با دقت انجام شود. یافته‌ها نشان‌دهنده افزایش قابل توجه انتشارات در دهه گذشته و بازتاب‌دهنده رشد علاقه علمی به آموزش زبان عربی است. نتایج حاکی از غلبه چشمگیر مجلات فناوری‌محور، به ویژه در حوزه هوش مصنوعی و پردازش زبان طبیعی است. تولید پژوهش عمدتاً در خاورمیانه، به ویژه عربستان سعودی و مصر متمرکز است، هرچند همکاری‌های بین‌المللی به تدریج در حال افزایش است. اسناد پرارجاع عمدتاً بر رویکردهای محاسباتی و توسعه منابع زبانی متمرکزند و نقش محوری آن‌ها در پیشبرد این حوزه را برجسته می‌کنند. تحلیل موضوعی پنج خوشه اصلی پژوهشی شامل یادگیری ماشین، آموزش، زبان‌شناسی محاسباتی، پردازش گفتار و پردازش زبان طبیعی را نشان می‌دهد. تحول موضوعات پژوهشی، گذار از رویکردهای سنتی آموزش به فناوری‌های پیشرفته‌ای چون یادگیری عمیق و مدل‌های زبانی بزرگ را آشکار می‌سازد. این الگوها نشان‌دهنده ادغام فزاینده دیدگاه‌های آموزشی و فناورانه در این حوزه است. جهت‌گیری‌های آینده پژوهش شامل توسعه داده‌مجموعه‌های بزرگ زبان عربی، ادغام هوش مصنوعی قابل تبیین، سامانه‌های یادگیری تطبیقی و ملاحظات اخلاقی در آموزش مبتنی بر هوش مصنوعی است. این یافته‌ها بینش‌های تجربی برای پژوهشگران و سیاست‌گذاران به منظور حمایت از توسعه مبتنی بر شواهد در آموزش زبان عربی فراهم می‌کند.

This institutional alumni tracer study examined employability, work transition, competency preparation, and institutional contribution among graduates of a participating local college in the Philippines. A descriptive, cross-sectional design was used. Available responses were consolidated, deduplicated, and analyzed as a single institutional tracer dataset comprising 1,264 unique alumni records from eligible cohorts prior to 2026. Participation was voluntary, and valid responses varied across analytical modules. Of 1,258 respondents with classifiable work status, 538 were employed, 81 were self-employed or business owners, and 21 reported both, yielding a combined share of working or enterprise status of 50.9%. This figure should not be interpreted as a conventional employment or unemployment rate. Employment outcomes varied across programs and graduation cohorts, but these differences cannot be attributed to elapsed time since graduation because the design was cross-sectional. Among employed respondents with valid job-relatedness data, 72.9% reported work directly or somewhat related to their degree, while 73.7% of graduates with applicable first-job timing data obtained employment before graduation or within six months afterward. Internship or on-the-job training emerged as the leading reported job source and the highest-rated college component. Common barriers included lack of experience, transportation or location constraints, limited vacancies, low offered pay, skills mismatch, and licensing or certification requirements. A paired analysis of 16 competency items among 300 respondents identified small Holm-adjusted differences in digital literacy and responsible technology or AI use, discipline-specific and licensure readiness, and critical thinking. Findings support strengthening integrated career-development and alumni-monitoring systems and triangulating competency results with employer and course-level evidence for future institutional planning.

این مطالعه ردیابی فارغ‌التحصیلان نهادی به بررسی اشتغال‌پذیری، گذار شغلی، آمادگی شایستگی و نقش مؤسسه در میان فارغ‌التحصیلان یک کالج محلی شرکت‌کننده در فیلیپین پرداخت. طرح پژوهش توصیفی و مقطعی بود. پاسخ‌های در دسترس تجمیع، حذف موارد تکراری و به‌صورت یک مجموعه داده ردیابی نهادی شامل ۱٬۲۶۴ رکورد منحصر به فرد فارغ‌التحصیلان از گروه‌های واجد شرایط پیش از سال ۲۰۲۶ تحلیل شد. مشارکت داوطلبانه بود و پاسخ‌های معتبر در ماژول‌های تحلیلی مختلف متفاوت بود. از میان ۱٬۲۵۸ پاسخ‌دهنده با وضعیت شغلی قابل طبقه‌بندی، ۵۳۸ نفر شاغل، ۸۱ نفر خوداشتغال یا صاحب کسب‌وکار و ۲۱ نفر هر دو را گزارش کردند که سهم ترکیبی وضعیت شغلی یا کارآفرینی را به ۵۰٫۹٪ رساند. این رقم نباید به‌عنوان نرخ متعارف اشتغال یا بیکاری تفسیر شود. پیامدهای اشتغال در میان برنامه‌ها و گروه‌های فارغ‌التحصیلی متفاوت بود، اما این تفاوت‌ها را نمی‌توان به مدت زمان سپری‌شده از زمان فارغ‌التحصیلی نسبت داد، زیرا طرح پژوهش مقطعی بود. در میان پاسخ‌دهندگان شاغل با داده‌های معتبر مرتبط بودن شغل، ۷۲٫۹٪ شغلی مستقیم یا تا حدی مرتبط با مدرک خود گزارش کردند و ۷۳٫۷٪ از فارغ‌التحصیلان با داده‌های زمان اولین شغل، پیش از فارغ‌التحصیلی یا ظرف شش ماه پس از آن شاغل شدند. کارآموزی یا آموزش حین کار به‌عنوان منبع اصلی شغل و بالاترین مؤلفه ارزیابی‌شده کالج مطرح شد. موانع رایج شامل کمبود تجربه، محدودیت‌های حمل‌ونقل یا مکانی، کمبود فرصت‌های شغلی، پایین بودن دستمزد پیشنهادی، عدم تطابق مهارت‌ها و الزامات مجوز یا گواهینامه بود. تحلیل زوجی ۱۶ مؤلفه شایستگی در میان ۳۰۰ پاسخ‌دهنده تفاوت‌های کوچک تعدیل‌شده با روش Holm را در سواد دیجیتال و استفاده مسئولانه از فناوری یا هوش مصنوعی، آمادگی تخصصی و اخذ مجوز و تفکر انتقادی نشان داد. یافته‌ها بر تقویت نظام‌های یکپارچه توسعه شغلی و پایش فارغ‌التحصیلان و مثلث‌بندی نتایج شایستگی با شواهد کارفرمایان و سطح درسی برای برنامه‌ریزی نهادی آینده تأکید می‌کند.

Accurately managing emotions and quantifying anxiety continue to be important challenges in affective computing and digital mental health, especially where continuous, objective, and personalized evaluation goes beyond self-reported anxiety. Current deep learning systems mainly have coarse emotion classification ability and have no built-in and interpretable regulation mechanisms. In order to overcome these limitations, the Deep Learning Based Anxiety Quantification and Emotional Regulation Recommendation Generation Model (DLAQ-ERRG) is proposed in this study. It comprises three key components: (i) a Neural Stochastic Differential Attention Encoder (NSDAE) for capturing the continuous-time affective dynamics and temporal uncertainty from multimodal wearable signals; (ii) a Hyperbolic Contrastive Affective Manifold Learner (HCAML) for learning a non-Euclidean space to embed latent emotional states while preserving the hierarchical structure of affective severity and boosting inter-subject separability; and (iii) a Hyperbolic Neural Symbolic Policy Generator (ER-NSPG) for generating constraint-consistent and uncertainty-aware emotional regulation recommendations. Experimental results under strict Leave-One-Subject-Out validation on the WESAD dataset show an improvement of 11.85% compared to the best baseline (CCC = 0.734) and the Mean Absolute Error (MAE) of 0.384 and the Root Mean Square Error (RMSE) of 0.083, respectively. The overall anxiety prediction accuracy (AIPA) for affect-state classification is 87.3% for the model. Structured severity organization is confirmed by representation quality metrics: an Anxiety Severity Separation Score (ASS) of 0.726 and a Hyperbolic Clustering Quality Index (HCQI) of 0.681. The recommendation evaluation results in an Action Appropriateness Score (AAS) of 0.776, Recommendation Smoothness Score (RSS) of 0.764 and Emotion Regulation Diversity Score (RDS) of 0.701, all representing stable and tailored generation of interventions. The results illustrate the benefits of uncertainty-aware continuous estimation of anxiety-related arousal, improved structural representation, and interpretable support in regulating arousal within a single, uncertainty-aware framework.

مدیریت دقیق هیجان‌ها و کمی‌سازی اضطراب همچنان از چالش‌های مهم در رایانش عاطفی و سلامت روان دیجیتال به‌شمار می‌رود، به‌ویژه در مواردی که ارزیابی مستمر، عینی و شخصی‌سازی‌شده فراتر از اضطراب خودگزارش‌شده مورد نیاز است. سامانه‌های فعلی یادگیری عمیق عمدتاً دارای توانایی طبقه‌بندی عاطفی کلی هستند و فاقد سازوکارهای تنظیمی درونی و قابل تفسیر می‌باشند. به‌منظور غلبه بر این محدودیت‌ها، مدل مبتنی بر یادگیری عمیق برای کمی‌سازی اضطراب و تولید توصیه‌های تنظیم هیجان (DLAQ-ERRG) در این مطالعه پیشنهاد شده است. این مدل شامل سه مؤلفه کلیدی است: (i) رمزگذار توجهی تصادفی عصبی-افتراقی (NSDAE) برای ثبت پویایی‌های عاطفی پیوسته‌زمان و عدم‌قطعیت زمانی از سیگنال‌های پوشیدنی چندوجهی؛ (ii) یادگیرنده منیفلد عاطفی متضاد اَبَرهذلولوی (HCAML) برای یادگیری فضایی غیر اقلیدسی به‌منظور تعبیه حالات عاطفی نهفته ضمن حفظ ساختار سلسله‌مراتبی شدت عاطفی و افزایش قابلیت تفکیک بین آزمودنی‌ها؛ و (iii) تولیدکننده سیاست نمادین عصبی اَبَرهذلولوی (ER-NSPG) برای تولید توصیه‌های تنظیم هیجان سازگار با محدودیت‌ها و آگاه از عدم‌قطعیت. نتایج تجربی تحت اعتبارسنجی سختگیرانه Leave-One-Subject-Out بر روی مجموعه داده WESAD نشان‌دهنده بهبود ۱۱.۸۵٪ نسبت به بهترین خط پایه (CCC = 0.734) و خطای مطلق میانگین (MAE) برابر با 0.384 و ریشه میانگین مربعات خطا (RMSE) برابر با 0.083 است. دقت کلی پیش‌بینی اضطراب (AIPA) برای طبقه‌بندی حالت عاطفی در این مدل ۸۷.۳٪ گزارش شده است. سازمان‌دهی ساختاری شدت با معیارهای کیفیت بازنمایی تأیید می‌شود: امتیاز جداسازی شدت اضطراب (ASS) برابر با 0.726 و شاخص کیفیت خوشه‌بندی اَبَرهذلولوی (HCQI) برابر با 0.681. ارزیابی توصیه‌ها منجر به امتیاز تناسب اقدام (AAS) برابر با 0.776، امتیاز همواری توصیه (RSS) برابر با 0.764 و امتیاز تنوع تنظیم هیجان (RDS) برابر با 0.701 شده است که همگی نشان‌دهنده تولید مداخلات پایدار و متناسب می‌باشند. نتایج، مزایای برآورد پیوسته اضطراب مبتنی بر عدم‌قطعیت، بهبود بازنمایی ساختاری و پشتیبانی قابل تفسیر در تنظیم برانگیختگی را در یک چارچوب یکپارچه و آگاه از عدم‌قطعیت نشان می‌دهد.

The development of Artificial Intelligence (AI) is increasingly mediating how humans acquire knowledge, make decisions, and perform cognitive activities. In higher education, the delegation of cognitive activities to algorithmic systems has the potential to shift human judgment and responsibility. This study aims to examine Qur’anic anthropology as a foundation for reframing human agency under increasingly AI-mediated conditions. This study employs a qualitative approach using a literature-based design and conceptual analysis. A semantic-contextual analysis is conducted on the Qur’anic terms al-insān, al-bashar, al-nās, Banī Ādam, al-ins, al-mar’, as well as the concepts of ‘abd and khalīfah. The findings are then synthesized with theories of human agency, moral responsibility, and AI ethics. The findings reveal that Qur’anic anthropology represents human beings as multidimensional entities possessing cognitive, relational, moral, spiritual, and teleological capacities. These dimensions are reconstructed into eight capacities of Qur’anic human agency: epistemic, moral, relational, spiritual, and teleological agency. The findings demonstrate that human agency from a Qur’anic perspective is not synonymous with absolute autonomy, but rather constitutes the capacity to understand, evaluate, choose, and act consciously within an orientation of values and responsibility. In the context of AI, Qur’anic Ethical Intelligence (QEI) is conceptualized as an ethical capacity to direct and evaluate the use of AI without surrendering human judgment and responsibility to algorithmic systems. As a conceptual study, this research does not empirically test the application of QEI among university students. Further research is therefore needed to validate and develop measurement instruments. This study connects Qur’anic anthropology with human agency under algorithmic conditions and proposes QEI as a framework for strengthening human agency resilience in the age of AI.

توسعه هوش مصنوعی (AI) به طور فزاینده‌ای در نحوه کسب دانش، تصمیم‌گیری و انجام فعالیت‌های شناختی توسط انسان‌ها نقش میانجی ایفا می‌کند. در آموزش عالی، واگذاری فعالیت‌های شناختی به سامانه‌های الگوریتمی می‌تواند موجب تغییر در قضاوت و مسئولیت انسانی شود. هدف این پژوهش بررسی انسان‌شناسی قرآنی به عنوان مبنایی برای بازنگری عاملیت انسانی در شرایطی است که به طور فزاینده‌ای با میانجی‌گری هوش مصنوعی مواجه هستیم. این پژوهش با رویکرد کیفی و با استفاده از طراحی مبتنی بر مرور متون و تحلیل مفهومی انجام شده است. تحلیل معنایی-زمینه‌ای بر روی واژگان قرآنی الانسان، البشر، الناس، بنی‌آدم، الانس، المرء و همچنین مفاهیم عبد و خلیفه صورت گرفته است. یافته‌ها با نظریه‌های عاملیت انسانی، مسئولیت اخلاقی و اخلاق هوش مصنوعی تلفیق شده‌اند. نتایج نشان می‌دهد که انسان‌شناسی قرآنی، انسان را به عنوان موجودی چندبعدی با ظرفیت‌های شناختی، ارتباطی، اخلاقی، معنوی و غایتمند معرفی می‌کند. این ابعاد در قالب هشت ظرفیت عاملیت انسانی قرآنی شامل عاملیت معرفتی، اخلاقی، ارتباطی، معنوی و غایتمند بازسازی شده‌اند. یافته‌ها نشان می‌دهد که عاملیت انسانی از منظر قرآنی معادل خودمختاری مطلق نیست، بلکه عبارت است از توانایی فهم، ارزیابی، انتخاب و عمل آگاهانه در چارچوب جهت‌گیری ارزشی و مسئولیت. در زمینه هوش مصنوعی، «هوش اخلاقی قرآنی» (QEI) به عنوان ظرفیتی اخلاقی برای هدایت و ارزیابی استفاده از هوش مصنوعی بدون واگذاری قضاوت و مسئولیت انسانی به سامانه‌های الگوریتمی مفهوم‌سازی می‌شود. این پژوهش به عنوان یک مطالعه مفهومی، به طور تجربی کاربرد QEI را در میان دانشجویان دانشگاهی آزمون نکرده است؛ بنابراین، پژوهش‌های بیشتری برای اعتبارسنجی و توسعه ابزارهای سنجش مورد نیاز است. این مطالعه انسان‌شناسی قرآنی را با عاملیت انسانی در شرایط الگوریتمی پیوند داده و QEI را به عنوان چارچوبی برای تقویت تاب‌آوری عاملیت انسانی در عصر هوش مصنوعی پیشنهاد می‌کند.

Background The rapid integration of artificial intelligence (AI) into workplace systems is transforming job design and employee experiences. While AI promises efficiency gains, it also creates a paradox by simultaneously reducing workload and increasing psychological strain, leading to divergent effects on burnout. Objective This study systematically reviews evidence on the relationship between AI exposure and employee burnout and develops the AI as Meta-System (AIMS) framework. Methods Following PRISMA 2020, four bibliographic databases and Google Scholar were searched from inception to 31 March 2026. Forty-three peer-reviewed primary empirical studies were included: 20 measured burnout or an established burnout dimension, and 23 examined mechanisms, moderators, proxy outcomes, measurement, or implementation conditions. Methodological quality was appraised using the Mixed Methods Appraisal Tool at the criterion level. Results Findings varied according to the functional role of AI and the study design. Assistive AI was generally associated with lower burnout or exhaustion in randomized and pre–post healthcare studies, whereas monitoring and algorithmic-control exposures were associated with greater burnout or related psychosocial strain in observational studies. Perceptual AI exposure produced direct, indirect, and null associations through pathways involving job stress, job insecurity, work–family interference, perceived organizational support, and organizational commitment. Three randomized studies provided the strongest evidence for assistive interventions. Evidence for nonlinear effects was limited to supporting proxy outcomes and did not directly establish an inverted U-shaped AI–burnout relationship. Conclusion Artificial intelligence is not inherently harmful or beneficial; its associations with burnout depend on its functional role, implementation, and employee appraisal. The AIMS framework integrates these pathways and identifies propositions requiring longitudinal and experimental testing.

زمینه: ادغام سریع هوش مصنوعی (AI) در سیستم‌های محیط کار، طراحی شغل و تجربیات کارکنان را دگرگون می‌کند. اگرچه هوش مصنوعی وعده افزایش بهره‌وری را می‌دهد، اما هم‌زمان با کاهش حجم کار، فشار روان‌شناختی را افزایش داده و منجر به آثار متضاد بر فرسودگی شغلی می‌شود. هدف: این مطالعه به‌صورت مرور نظام‌مند شواهد مربوط به رابطه مواجهه با هوش مصنوعی و فرسودگی شغلی کارکنان را بررسی و چارچوب هوش مصنوعی به‌عنوان فرادستگاه (AIMS) را توسعه می‌دهد. روش‌ها: مطابق با PRISMA 2020، چهار پایگاه داده کتاب‌شناختی و Google Scholar از ابتدا تا ۳۱ مارس ۲۰۲۶ جست‌وجو شدند. چهل‌وسه مطالعه تجربی اولیه داوری‌شده وارد شدند: ۲۰ مطالعه فرسودگی شغلی یا یکی از ابعاد معتبر آن را سنجیده و ۲۳ مطالعه به بررسی سازوکارها، تعدیل‌کننده‌ها، پیامدهای جانشین، سنجش یا شرایط پیاده‌سازی پرداخته‌اند. کیفیت روش‌شناختی با استفاده از ابزار Mixed Methods Appraisal Tool در سطح معیار ارزیابی شد. یافته‌ها: نتایج بسته به نقش عملکردی هوش مصنوعی و طرح مطالعه متفاوت بود. هوش مصنوعی کمکی عموماً با فرسودگی شغلی یا خستگی کمتر در مطالعات تصادفی و پیش‌آزمون–پس‌آزمون حوزه سلامت همراه بود، در حالی که مواجهه با کنترل الگوریتمی و پایش با فرسودگی شغلی بیشتر یا فشار روانی اجتماعی مرتبط در مطالعات مشاهده‌ای همراه بود. مواجهه ادراکی با هوش مصنوعی از طریق مسیرهایی شامل استرس شغلی، ناامنی شغلی، تداخل کار–خانواده، حمایت سازمانی ادراک‌شده و تعهد سازمانی، ارتباطات مستقیم، غیرمستقیم و بی‌ارتباط ایجاد کرد. سه مطالعه تصادفی قوی‌ترین شواهد را برای مداخلات کمکی ارائه دادند. شواهد مربوط به آثار غیرخطی محدود به پیامدهای جانشین بود و رابطه U وارونه بین هوش مصنوعی و فرسودگی شغلی را به‌طور مستقیم اثبات نکرد. نتیجه‌گیری: هوش مصنوعی ذاتاً مضر یا سودمند نیست؛ ارتباط آن با فرسودگی شغلی به نقش عملکردی، نحوه پیاده‌سازی و ارزیابی کارکنان بستگی دارد. چارچوب AIMS این مسیرها را یکپارچه کرده و گزاره‌هایی را شناسایی می‌کند که نیازمند آزمون‌های طولی و تجربی هستند.

The expanding integration of digital technologies and artificial intelligence (AI) in higher education has heightened the need to identify learner competencies associated with academic achievement. This study examined the associations of metacognition, self-directed learning ability, and AI literacy with self-reported academic achievement among university students in the Republic of Korea. A descriptive cross-sectional survey was conducted with 175 undergraduates from 11 universities between September 30 and November 1, 2025; 78.3% were enrolled in health-related majors. Metacognition, self-directed learning ability, and AI literacy were measured using the SMI, SDLI, and MAILS, respectively; academic achievement was measured as self-reported cumulative GPA on a 4.5-point scale. Data were analyzed using descriptive statistics, group comparisons, Pearson correlations, and hierarchical multiple regression with HC3 heteroscedasticity-robust standard errors. GPA differed by age, school life satisfaction, and AI-related course experience in unadjusted comparisons. Metacognition (r = .348, p < .001) and self-directed learning ability (r = .377, p < .001) were positively correlated with GPA, whereas AI literacy was not (r = .105, p = .167). In the adjusted six-predictor model, age ( β = .151, p = .023), AI-related course experience ( β = .145, p = .040), and self-directed learning ability ( β = .329, p = .023) were independently associated with GPA; metacognition and AI literacy were not. The model explained 20.0% of the variance (adjusted R 2 = .171). These findings identify self-directed learning ability as the only examined learner competency that remained significantly associated with GPA after adjustment. Longitudinal and intervention studies are needed before causal or mediational conclusions can be drawn.

ادغام فزاینده فناوری‌های دیجیتال و هوش مصنوعی (AI) در آموزش عالی، نیاز به شناسایی شایستگی‌های یادگیرندگان مرتبط با پیشرفت تحصیلی را افزایش داده است. این مطالعه ارتباط‌های فراشناخت، توانایی یادگیری خودراهبر، و سواد هوش مصنوعی را با پیشرفت تحصیلی خودگزارش‌شده در میان دانشجویان دانشگاهی در جمهوری کره بررسی کرد. یک پیمایش توصیفی مقطعی با ۱۷۵ دانشجوی کارشناسی از ۱۱ دانشگاه بین ۳۰ سپتامبر تا ۱ نوامبر ۲۰۲۵ انجام شد؛ ۷۸٫۳٪ در رشته‌های مرتبط با سلامت تحصیل می‌کردند. فراشناخت، توانایی یادگیری خودراهبر، و سواد هوش مصنوعی به‌ترتیب با استفاده از SMI، SDLI و MAILS سنجیده شدند؛ پیشرفت تحصیلی به‌صورت معدل تجمعی خودگزارش‌شده در مقیاس ۴٫۵ نمره‌ای اندازه‌گیری شد. داده‌ها با استفاده از آمار توصیفی، مقایسه‌های گروهی، همبستگی پیرسون و رگرسیون چندگانه سلسله‌مراتبی با خطاهای استاندارد مقاوم به ناهمگنی واریانس HC3 تحلیل شدند. معدل (GPA) در مقایسه‌های بدون تعدیل بر اساس سن، رضایت از زندگی دانشگاهی و تجربه گذراندن دوره‌های مرتبط با هوش مصنوعی متفاوت بود. فراشناخت (r = .348, p < .001) و توانایی یادگیری خودراهبر (r = .377, p < .001) با معدل رابطه مثبت داشتند، در حالی که سواد هوش مصنوعی چنین نبود (r = .105, p = .167). در مدل شش‌پیش‌بین تعدیل‌شده، سن (β = .151, p = .023)، تجربه گذراندن دوره‌های مرتبط با هوش مصنوعی (β = .145, p = .040)، و توانایی یادگیری خودراهبر (β = .329, p = .023) به طور مستقل با معدل مرتبط بودند؛ فراشناخت و سواد هوش مصنوعی مرتبط نبودند. این مدل ۲۰٫۰٪ از واریانس را تبیین کرد (R² تعدیل‌شده = .171). این یافته‌ها توانایی یادگیری خودراهبر را به عنوان تنها شایستگی یادگیرنده بررسی‌شده که پس از تعدیل همچنان با معدل ارتباط معنادار داشت، شناسایی می‌کند. پیش از نتیجه‌گیری علّی یا میانجی‌گرانه، مطالعات طولی و مداخله‌ای مورد نیاز است.

This systematic review integrates empirical studies published from 2020 to 2025 to analyze the impact of teacher workload and pedagogical innovations on cognition, motivation, and burnout within Arab educational settings. Teacher well-being is increasingly acknowledged as a pivotal factor influencing instructional quality, while in the Arab region, swift educational reforms converge with socio-cultural intricacies, resulting in distinctive challenges. In accordance with the PRISMA 2020 guidelines, a systematic search was executed across ERIC, Scopus, Web of Science, and Google Scholar, encompassing peer-reviewed empirical and review articles pertaining to K–12 or higher education teachers in Arab countries. Thematic synthesis of the 59 studies that met the inclusion criteria revealed three dominant themes: (a) excessive workload, encompassing both instructional and administrative demands, consistently predicted teacher burnout and cognitive strain; (b) teacher motivation functioned as a mediating resource, buffering or amplifying the effects of workload on well-being; and (c) pedagogical innovations, including educational technology and artificial intelligence, were perceived as both enablers of efficiency and sources of additional stress when poorly supported. The results show that teacher workload is the main thing that hurts motivation and causes burnout in the Arab world. Pedagogical innovations can help relieve stress, but they only work if they are supported by the system and fit with strategies for managing workload. To make sure that educational reforms work in the long run, policy and practice should put teacher well-being first.

این مرور نظام‌مند با ادغام مطالعات تجربی منتشرشده از سال ۲۰۲۰ تا ۲۰۲۵، تأثیر بار کاری معلمان و نوآوری‌های آموزشی را بر شناخت، انگیزش و فرسودگی شغلی در محیط‌های آموزشی عربی تحلیل می‌کند. بهزیستی معلمان به طور فزاینده‌ای به عنوان عاملی محوری در کیفیت تدریس شناخته می‌شود، در حالی‌که در منطقه عرب، اصلاحات سریع آموزشی با پیچیدگی‌های اجتماعی‌فرهنگی تلاقی یافته و چالش‌های منحصربه‌فردی را ایجاد کرده است. بر اساس دستورالعمل‌های PRISMA 2020، جستجوی نظام‌مند در پایگاه‌های ERIC، Scopus، Web of Science و Google Scholar انجام شد و مقالات تجربی و مروری داوری‌شده مرتبط با معلمان آموزش K–12 یا آموزش عالی در کشورهای عربی را دربر گرفت. سنتز موضوعی ۵۹ مطالعه واجد شرایط سه مضمون غالب را آشکار ساخت: (الف) بار کاری بیش از حد، شامل الزامات آموزشی و اداری، به طور مستمر پیش‌بینی‌کننده فرسودگی شغلی معلمان و فشار شناختی بود؛ (ب) انگیزش معلمان به عنوان منبعی میانجی عمل می‌کرد که می‌توانست اثرات بار کاری بر بهزیستی را تعدیل یا تقویت کند؛ و (ج) نوآوری‌های آموزشی، از جمله فناوری آموزشی و هوش مصنوعی، هم به عنوان تسهیل‌کننده کارایی و هم منبع استرس اضافی در صورت نبود حمایت کافی تلقی می‌شدند. نتایج نشان می‌دهد که بار کاری معلمان عامل اصلی تضعیف انگیزش و ایجاد فرسودگی شغلی در جهان عرب است. نوآوری‌های آموزشی می‌توانند به کاهش استرس کمک کنند، اما تنها زمانی مؤثر هستند که از حمایت نظام‌مند برخوردار بوده و با راهبردهای مدیریت بار کاری همسو باشند. برای تضمین موفقیت بلندمدت اصلاحات آموزشی، سیاست و عمل باید بهزیستی معلمان را در اولویت قرار دهند.

This systematic review integrates empirical studies published from 2020 to 2025 to analyze the impact of teacher workload and pedagogical innovations on cognition, motivation, and burnout within Arab educational settings. Teacher well-being is increasingly acknowledged as a pivotal factor influencing instructional quality, while in the Arab region, swift educational reforms converge with socio-cultural intricacies, resulting in distinctive challenges. In accordance with the PRISMA 2020 guidelines, a systematic search was executed across ERIC, Scopus, Web of Science, and Google Scholar, encompassing peer-reviewed empirical and review articles pertaining to K–12 or higher education teachers in Arab countries. Thematic synthesis of the 59 studies that met the inclusion criteria revealed three dominant themes: (a) excessive workload, encompassing both instructional and administrative demands, consistently predicted teacher burnout and cognitive strain; (b) teacher motivation functioned as a mediating resource, buffering or amplifying the effects of workload on well-being; and (c) pedagogical innovations, including educational technology and artificial intelligence, were perceived as both enablers of efficiency and sources of additional stress when poorly supported. The results show that teacher workload is the main thing that hurts motivation and causes burnout in the Arab world. Pedagogical innovations can help relieve stress, but they only work if they are supported by the system and fit with strategies for managing workload. To make sure that educational reforms work in the long run, policy and practice should put teacher well-being first.

این مرور نظام‌مند با ادغام مطالعات تجربی منتشرشده از سال ۲۰۲۰ تا ۲۰۲۵، تأثیر بار کاری معلمان و نوآوری‌های آموزشی را بر شناخت، انگیزش و فرسودگی شغلی در محیط‌های آموزشی عربی تحلیل می‌کند. بهزیستی معلمان به طور فزاینده‌ای به عنوان عاملی محوری در کیفیت تدریس شناخته می‌شود، در حالی‌که در منطقه عرب، اصلاحات سریع آموزشی با پیچیدگی‌های اجتماعی‌فرهنگی تلاقی یافته و چالش‌های منحصربه‌فردی را ایجاد کرده است. بر اساس دستورالعمل‌های PRISMA 2020، جستجوی نظام‌مند در پایگاه‌های ERIC، Scopus، Web of Science و Google Scholar انجام شد و مقالات تجربی و مروری داوری‌شده مرتبط با معلمان آموزش K–12 یا آموزش عالی در کشورهای عربی را دربر گرفت. سنتز موضوعی ۵۹ مطالعه واجد شرایط سه مضمون غالب را آشکار ساخت: (الف) بار کاری بیش از حد، شامل الزامات آموزشی و اداری، به طور مستمر پیش‌بینی‌کننده فرسودگی شغلی معلمان و فشار شناختی بود؛ (ب) انگیزش معلمان به عنوان منبعی میانجی عمل می‌کرد که می‌توانست اثرات بار کاری بر بهزیستی را تعدیل یا تقویت کند؛ و (ج) نوآوری‌های آموزشی، از جمله فناوری آموزشی و هوش مصنوعی، هم به عنوان تسهیل‌کننده کارایی و هم منبع استرس اضافی در صورت نبود حمایت کافی تلقی می‌شدند. نتایج نشان می‌دهد که بار کاری معلمان عامل اصلی تضعیف انگیزش و ایجاد فرسودگی شغلی در جهان عرب است. نوآوری‌های آموزشی می‌توانند به کاهش استرس کمک کنند، اما تنها زمانی مؤثر هستند که از حمایت نظام‌مند برخوردار بوده و با راهبردهای مدیریت بار کاری همسو باشند. برای تضمین موفقیت بلندمدت اصلاحات آموزشی، سیاست و عمل باید بهزیستی معلمان را در اولویت قرار دهند.

Artificial intelligence (AI) is rapidly reshaping higher education assessment through applications such as automated feedback, adaptive testing, learning analytics, automated scoring, and generative support. Yet scholarship on AI-enabled assessment remains fragmented across technical, pedagogical, ethical, governance, and professional perspectives, limiting the field’s capacity to explain how these dimensions interact in practice and how misalignment among them affects educational legitimacy. This paper develops the AI-Assessment Ecosystem Model, a conceptual ecosystem framework for analysing AI in higher education assessment as a sociotechnical and institutional phenomenon rather than a discrete technical intervention. Drawing on a conceptual synthesis of literature published primarily between 2019 and 2024, and informed by foundational work on assessment validity, feedback, institutional legitimacy, organisational change, inclusive design, and computer-supported collaborative learning, the paper identifies five interdependent domains that shape AI-enabled assessment: technological innovation, pedagogical alignment and learner needs, institutional strategy and governance, faculty and professional readiness, and ethical and inclusive implementation. The paper theorises legitimacy as a relational and contested process through which AI-supported assessment must be justified to students, faculty, institutions, regulators, and other stakeholders as educationally valid, professionally defensible, ethically acceptable, inclusive, and organisationally accountable. The framework argues that AI in assessment cannot be adequately evaluated by technical capability, implementation success, or ethical compliance alone; it must be understood through the relations, tensions, and potential misalignments among educational purpose, organisational conditions, professional practice, student agency, and technological design. The model is offered as a conceptual ecosystem framework for guiding future research, critique, and institutional decision-making.

هوش مصنوعی (AI) به‌سرعت در حال بازشکل‌دهی ارزیابی در آموزش عالی از طریق کاربردهایی همچون بازخورد خودکار، آزمون‌های تطبیقی، تحلیل یادگیری، نمره‌دهی خودکار و پشتیبانی مولد است. با این حال، پژوهش‌ها درباره ارزیابی مبتنی بر هوش مصنوعی در میان دیدگاه‌های فنی، پداگوژیک، اخلاقی، حاکمیتی و حرفه‌ای پراکنده باقی مانده‌اند و این امر ظرفیت حوزه را برای تبیین نحوه تعامل این ابعاد در عمل و چگونگی تأثیر عدم‌همسویی میان آن‌ها بر مشروعیت آموزشی محدود می‌کند. این مقاله مدل اکوسیستم ارزیابی مبتنی بر هوش مصنوعی را توسعه می‌دهد؛ چارچوب مفهومی اکوسیستم برای تحلیل هوش مصنوعی در ارزیابی آموزش عالی به‌مثابه یک پدیده اجتماعی‌فنی و نهادی، نه صرفاً یک مداخله فنی مجزا. با اتکا به سنتز مفهومی ادبیات منتشرشده عمدتاً بین سال‌های ۲۰۱۹ تا ۲۰۲۴ و با الهام از آثار بنیادی درباره روایی ارزیابی، بازخورد، مشروعیت نهادی، تغییر سازمانی، طراحی فراگیر و یادگیری مشارکتی رایانه‌محور، مقاله پنج حوزه وابسته به‌هم را که شکل‌دهنده ارزیابی مبتنی بر هوش مصنوعی هستند شناسایی می‌کند: نوآوری فناورانه، همسویی پداگوژیک و نیازهای یادگیرنده، راهبرد و حاکمیت نهادی، آمادگی اعضای هیئت علمی و حرفه‌ای، و اجرای اخلاقی و فراگیر. مقاله، مشروعیت را به‌مثابه فرایندی رابطه‌ای و مورد مناقشه نظریه‌پردازی می‌کند که طی آن ارزیابی پشتیبانی‌شده با هوش مصنوعی باید برای دانشجویان، اعضای هیئت علمی، نهادها، ناظران و سایر ذی‌نفعان به‌عنوان آموزشی معتبر، حرفه‌ای قابل دفاع، اخلاقاً پذیرفتنی، فراگیر و سازمانی پاسخگو توجیه شود. این چارچوب استدلال می‌کند که هوش مصنوعی در ارزیابی را نمی‌توان صرفاً بر اساس قابلیت فنی، موفقیت اجرا یا انطباق اخلاقی به‌طور کافی ارزیابی کرد؛ بلکه باید آن را از رهگذر روابط، تنش‌ها و عدم‌همسویی‌های بالقوه میان هدف آموزشی، شرایط سازمانی، عمل حرفه‌ای، عاملیت دانشجو و طراحی فناورانه فهمید. این مدل به‌عنوان چارچوب مفهومی اکوسیستم برای هدایت پژوهش‌های آتی، نقد و تصمیم‌گیری نهادی ارائه می‌شود.

Artificial intelligence (AI) is increasingly being integrated into higher education, yet empirical evidence on its pedagogical use in university physics remains fragmented. This systematic review synthesized empirical research on the applications, reported learning and pedagogical outcomes, methodological quality, challenges, and educational implications of AI-supported university physics education. We used six search sources: SpringerLink, Scopus, Web of Science, ScienceDirect, Google Scholar, and ERIC. The searches in the five original sources were updated through September 2026, and ERIC was added as an additional search source. Eligibility criteria were defined using the PICOS framework, study selection followed PRISMA 2020, and methodological quality was appraised using the 2018 Mixed Methods Appraisal Tool (MMAT). Eleven empirical studies met the inclusion criteria and were synthesized narratively. Across the included studies, AI was used for tutoring and explanations, formative feedback and scaffolding, collaborative problem solving, simulation and modeling, instructional design, and developing AI literacy. Reported outcomes were mixed and context-dependent. Some studies identified favorable short-term or task-specific outcomes related to feedback, learning performance, simulation-based activities, and AI-related competencies, whereas others reported limitations in transfer to independent performance, the pedagogical quality of AI-generated materials, and students’ ability to recognize scientifically inaccurate AI-generated responses. Cross-study patterns suggested that instructional structure, alignment between AI-supported activities and learning tasks, students’ disciplinary knowledge, and opportunities to critically evaluate AI outputs shaped the educational use of AI. The current evidence does not support a general conclusion that AI is uniformly effective in university physics education. Rather, its educational value appears to depend on how AI is integrated into learning activities and on the extent to which students and instructors retain responsibility for reasoning, evaluation, and pedagogical decision-making. Given the small and heterogeneous evidence base, larger longitudinal and multi-institutional studies are needed to examine the durability and transferability of reported outcomes.

هوش مصنوعی (AI) به طور فزاینده‌ای در آموزش عالی ادغام می‌شود، اما شواهد تجربی درباره کاربرد آموزشی آن در فیزیک دانشگاهی همچنان پراکنده است. این مرور نظام‌مند، پژوهش‌های تجربی درباره کاربردها، پیامدهای یادگیری و آموزشی گزارش‌شده، کیفیت روش‌شناختی، چالش‌ها و پیامدهای آموزشی آموزش فیزیک دانشگاهی مبتنی بر هوش مصنوعی را سنتز کرده است. شش منبع جستجو مورد استفاده قرار گرفت: SpringerLink، Scopus، Web of Science، ScienceDirect، Google Scholar و ERIC. جستجوها در پنج منبع اصلی تا سپتامبر ۲۰۲۶ به‌روزرسانی شد و ERIC به عنوان منبع جستجوی اضافی افزوده شد. معیارهای شایستگی با استفاده از چارچوب PICOS تعریف شد، انتخاب مطالعات بر اساس PRISMA 2020 انجام گرفت و کیفیت روش‌شناختی با ابزار ارزیابی روش‌های ترکیبی ۲۰۱۸ (MMAT) سنجیده شد. یازده مطالعه تجربی معیارهای ورود را داشتند و به صورت روایی سنتز شدند. در مطالعات وارد شده، AI برای آموزش و توضیح، بازخورد تکوینی و پشتیبانی، حل مسئله گروهی، شبیه‌سازی و مدل‌سازی، طراحی آموزشی و توسعه سواد هوش مصنوعی به کار رفته بود. پیامدهای گزارش‌شده متنوع و وابسته به زمینه بودند. برخی مطالعات پیامدهای مثبت کوتاه‌مدت یا خاص وظیفه مرتبط با بازخورد، عملکرد یادگیری، فعالیت‌های مبتنی بر شبیه‌سازی و شایستگی‌های مرتبط با AI را شناسایی کردند، در حالی که برخی دیگر به محدودیت‌هایی در انتقال به عملکرد مستقل، کیفیت آموزشی مواد تولیدشده توسط AI و توانایی دانشجویان در تشخیص پاسخ‌های علمی نادرست تولیدشده توسط AI اشاره کردند. الگوهای میان‌مطالعه‌ای نشان داد که ساختار آموزشی، هم‌راستایی میان فعالیت‌های مبتنی بر AI و وظایف یادگیری، دانش تخصصی دانشجویان و فرصت‌های ارزیابی انتقادی خروجی‌های AI، استفاده آموزشی از هوش مصنوعی را شکل می‌دهد. شواهد موجود از نتیجه‌گیری کلی مبنی بر اثربخشی یکنواخت AI در آموزش فیزیک دانشگاهی حمایت نمی‌کند؛ بلکه ارزش آموزشی آن به نحوه ادغام AI در فعالیت‌های یادگیری و میزان حفظ مسئولیت استدلال، ارزیابی و تصمیم‌گیری آموزشی توسط دانشجویان و مدرسان بستگی دارد. با توجه به شواهد اندک و ناهمگون، مطالعات طولی و چندنهادی بزرگ‌تر برای بررسی پایداری و انتقال‌پذیری پیامدهای گزارش‌شده مورد نیاز است.

Rapid technological improvements present both opportunities and difficulties for teaching and learning, elevating digital media to the forefront of vocational education discussions. This study investigates the evolution of digital media research in vocational education to determine its impact on current and future educational practices. The Scopus database was used to conduct a bibliometric analysis of 28 publications published between 2005 and 2024. Despite rare oscillations, the main research trend is steadily increasing, particularly after 2020. The analysis identified four key research areas: (1) innovative digital learning via virtual reality, simulation, and e-learning platforms; (2) technological adaptation and teacher preparedness; (3) industry relevance and employability enhancement; and (4) inclusive and ethical digital transformation. Co-authorship and keyword network studies show that developing nations have contributed very little to this field's research, which is still largely regional in scope. The focus of recent research has switched to data analytics, immersive learning, and artificial intelligence (AI)-driven personalization, which reflects the intersection of emerging technologies and digital pedagogy. This paper proposes the Digital Media Integration Framework for Vocational Education Transformation, which links digital media platforms, AI integration, pedagogical innovation, and institutional preparation, based on the findings presented. The findings highlight the need for inclusive, interdisciplinary, and policy-supported strategies to assist the digital transformation of vocational learning and provide valuable insights about how digital media is changing in Technical and Vocational Education and Training (TVET).

پیشرفت‌های سریع فناوری فرصت‌ها و چالش‌هایی را برای آموزش و یادگیری ایجاد کرده و رسانه‌های دیجیتال را به محور بحث‌های آموزش فنی و حرفه‌ای تبدیل کرده است. این مطالعه به بررسی تحول پژوهش‌های رسانه‌های دیجیتال در آموزش فنی و حرفه‌ای می‌پردازد تا تأثیر آن را بر رویه‌های آموزشی کنونی و آینده مشخص کند. برای انجام تحلیل کتاب‌سنجی، از پایگاه داده Scopus استفاده شد و ۲۸ مقاله منتشرشده بین سال‌های ۲۰۰۵ تا ۲۰۲۴ مورد بررسی قرار گرفت. با وجود نوسانات اندک، روند اصلی پژوهش‌ها به طور پیوسته رو به افزایش است، به ویژه پس از سال ۲۰۲۰. این تحلیل چهار حوزه کلیدی پژوهشی را شناسایی کرد: (۱) یادگیری دیجیتال نوآورانه از طریق واقعیت مجازی، شبیه‌سازی و بسترهای آموزش الکترونیکی؛ (۲) سازگاری فناورانه و آمادگی معلمان؛ (۳) ارتباط با صنعت و ارتقای قابلیت اشتغال؛ و (۴) تحول دیجیتال فراگیر و اخلاق‌مدار. مطالعات هم‌نویسندگی و شبکه کلیدواژه‌ها نشان می‌دهد که کشورهای در حال توسعه سهم بسیار اندکی در این حوزه پژوهشی داشته‌اند و این حوزه همچنان عمدتاً منطقه‌ای باقی مانده است. تمرکز پژوهش‌های اخیر به تحلیل داده‌ها، یادگیری فراگیر و شخصی‌سازی مبتنی بر هوش مصنوعی (AI) تغییر یافته است که بازتابی از تلاقی فناوری‌های نوظهور و آموزش دیجیتال است. این مقاله چارچوب «ادغام رسانه‌های دیجیتال برای تحول آموزش فنی و حرفه‌ای» را بر اساس یافته‌های ارائه‌شده پیشنهاد می‌کند که پیوند میان بسترهای رسانه دیجیتال، ادغام هوش مصنوعی، نوآوری آموزشی و آمادگی نهادی را برقرار می‌سازد. یافته‌ها بر ضرورت راهبردهای فراگیر، میان‌رشته‌ای و مبتنی بر سیاست برای حمایت از تحول دیجیتال یادگیری فنی و حرفه‌ای تأکید می‌کند و بینش‌های ارزشمندی درباره چگونگی تغییر رسانه‌های دیجیتال در آموزش و تربیت فنی و حرفه‌ای (TVET) ارائه می‌دهد.

Teacher preparation programs have quickly adopted artificial intelligence tools, but the ethical, social, and environmental dimensions of that adoption receive comparatively little attention in how future educators are trained. This conceptual analysis addresses that gap by asking how AI competence, sustainability education, and ethical technology use can be integrated into teacher preparation as a single coherent framework rather than three parallel add-ons. Drawing on critical digital pedagogy, domain-specific cognition theory, and Mezirow's transformative learning theory, we synthesize policy documents and peer-reviewed literature on AI in education, sustainability education, and teacher preparation to develop the SAGE Model (Sustainability and AI for Global Educators). SAGE organizes teacher preparation around three interconnected pillars: Critical Integration, which addresses how AI systems reflect the assumptions and biases of their design; Applied Problem-Solving, which situates AI and sustainability literacy in authentic classroom and systems-level challenges; and Reflexive Praxis, which asks candidates to examine their own judgment and positionality when using AI tools. The model treats AI as an instrument that can extend, not replace, educator judgment in addressing complex sustainability and equity problems in practice. This is a conceptual contribution: SAGE has not yet been implemented or empirically validated in a teacher preparation program, and the paper closes by outlining what that validation would require. The paper examines ethical considerations and challenges of AI in education, presents the SAGE Model and its theoretical grounding with illustrative applications across K–12 and higher education, and discusses implications for practice, policy, and future research.

برنامه‌های تربیت معلم به سرعت ابزارهای هوش مصنوعی را پذیرفته‌اند، اما ابعاد اخلاقی، اجتماعی و زیست‌محیطی این پذیرش نسبتاً کمتر در آموزش معلمان آینده مورد توجه قرار گرفته است. این تحلیل مفهومی به این خلأ می‌پردازد و می‌پرسد چگونه می‌توان شایستگی هوش مصنوعی، آموزش پایداری و استفاده اخلاقی از فناوری را به عنوان یک چارچوب منسجم و نه سه افزونه موازی در تربیت معلم ادغام کرد. با بهره‌گیری از پداگوژی انتقادی دیجیتال، نظریه شناخت دامنه‌محور و نظریه یادگیری تحولی Mezirow، اسناد سیاستی و ادبیات داوری‌شده درباره هوش مصنوعی در آموزش، آموزش پایداری و تربیت معلم را برای توسعه مدل SAGE (پایداری و هوش مصنوعی برای معلمان جهانی) تلفیق می‌کنیم. مدل SAGE تربیت معلم را حول سه رکن به‌هم‌پیوسته سازمان‌دهی می‌کند: ادغام انتقادی که به چگونگی بازتاب مفروضات و سوگیری‌های طراحی در سیستم‌های هوش مصنوعی می‌پردازد؛ حل مسئله کاربردی که سواد هوش مصنوعی و پایداری را در چالش‌های واقعی کلاس درس و سطح نظام قرار می‌دهد؛ و کنش بازاندیشانه که از داوطلبان می‌خواهد قضاوت و جایگاه خود را هنگام استفاده از ابزارهای هوش مصنوعی بررسی کنند. این مدل، هوش مصنوعی را ابزاری می‌داند که می‌تواند قضاوت معلم را در مواجهه با مسائل پیچیده پایداری و عدالت در عمل گسترش دهد، نه جایگزین آن شود. این مقاله یک مشارکت مفهومی است: مدل SAGE هنوز در برنامه تربیت معلم اجرا یا به طور تجربی اعتبارسنجی نشده است و مقاله با ترسیم الزامات این اعتبارسنجی پایان می‌یابد. مقاله به بررسی ملاحظات و چالش‌های اخلاقی هوش مصنوعی در آموزش، ارائه مدل SAGE و مبانی نظری آن با کاربردهای نمونه در آموزش K–12 و آموزش عالی، و بحث درباره پیامدهای آن برای عمل، سیاست و پژوهش‌های آینده می‌پردازد.

Context. Automated analysis of sports movements is an important area of modern intelligent computer systems and sports science. In gymnastics, assessing the quality of a performance depends largely on subjective judgment, which limits the accuracy and reproducibility of results. The use of image analysis and artificial intelligence methods opens up the possibility of creating automated systems for recognizing gymnastic elements, but the high dimensionality of visual data complicates the practical implementation of such solutions. This necessitates the search for approaches that increase accuracy and reduce computational complexity.Objective. The purpose of the work is to determine the impact of using the method of main components in combination with deep neural networks on the accuracy, speed and generalization ability of models for classifying gymnastic elements by images.Method. The paper uses an approach that combines the preliminary reduction of the dimensionality of images by the method of main components and subsequent classification using neural networks of different architectures. The study was performed on a set of images of gymnastic elements with preliminary normalization and unification of data. A comparative experimental analysis of models with full and reduced dimensionality of the input space was carried out.Results. The results obtained show that the reduction of dimensionality allows to significantly reduce the computational complexity of models without a significant loss of classification quality. It has been established that the combination of the principal component method with a fully connected neural network provides accuracy comparable to resource-intensive convolutional architectures with significantly lower requirements for computing resources. An optimal balance between preserving the information content of data and noise filtering has been revealed.Conclusions. The scientific novelty of the work lies in the complex experimental substantiation of the effectiveness of the hybrid approach to the classification of gymnastic elements in the compressed feature space. The practical significance of the results lies in the possibility of creating compact and high-speed systems for automated analysis of sports movements, suitable for use in mobile and embedded applications. further work in this direction

زمینه: تحلیل خودکار حرکات ورزشی یکی از حوزه‌های مهم سامانه‌های هوشمند رایانه‌ای و علم ورزش مدرن است. در ژیمناستیک، ارزیابی کیفیت اجرا تا حد زیادی به قضاوت ذهنی وابسته است که این امر دقت و قابلیت تکرار نتایج را محدود می‌کند. استفاده از روش‌های تحلیل تصویر و هوش مصنوعی امکان ایجاد سامانه‌های خودکار برای شناسایی عناصر ژیمناستیکی را فراهم می‌سازد، اما ابعاد بالای داده‌های بصری، پیاده‌سازی عملی چنین راه‌حل‌هایی را پیچیده می‌کند. این امر ضرورت جستجوی رویکردهایی را ایجاب می‌کند که دقت را افزایش داده و پیچیدگی محاسباتی را کاهش دهند. هدف: هدف این پژوهش تعیین تأثیر استفاده از روش مؤلفه‌های اصلی در ترکیب با شبکه‌های عصبی عمیق بر دقت، سرعت و قابلیت تعمیم مدل‌ها برای طبقه‌بندی عناصر ژیمناستیک بر اساس تصاویر است. روش: در این مقاله رویکردی به کار رفته است که کاهش ابعاد اولیه تصاویر با روش مؤلفه‌های اصلی را با طبقه‌بندی پسین با استفاده از شبکه‌های عصبی با معماری‌های مختلف ترکیب می‌کند. مطالعه بر روی مجموعه‌ای از تصاویر عناصر ژیمناستیک با نرمال‌سازی و یکسان‌سازی اولیه داده‌ها انجام شده است. تحلیل تجربی مقایسه‌ای مدل‌ها با فضای ورودی کامل و کاهش‌یافته ابعاد صورت گرفته است. یافته‌ها: نتایج به‌دست‌آمده نشان می‌دهد که کاهش ابعاد به طور معناداری پیچیدگی محاسباتی مدل‌ها را بدون افت قابل توجه کیفیت طبقه‌بندی کاهش می‌دهد. مشخص شد که ترکیب روش مؤلفه‌های اصلی با شبکه عصبی کاملاً متصل، دقتی قابل مقایسه با معماری‌های پیچیده مبتنی بر شبکه عصبی کانولوشنی با نیاز به منابع محاسباتی بسیار کمتر فراهم می‌کند. تعادل بهینه‌ای میان حفظ محتوای اطلاعاتی داده‌ها و پالایش نویز شناسایی شد. نتیجه‌گیری: نوآوری علمی این پژوهش در اثبات تجربی جامع اثربخشی رویکرد ترکیبی برای طبقه‌بندی عناصر ژیمناستیک در فضای ویژگی فشرده نهفته است. اهمیت عملی نتایج در امکان ایجاد سامانه‌های فشرده و پرسرعت برای تحلیل خودکار حرکات ورزشی است که برای استفاده در کاربردهای موبایل و نهفته مناسب می‌باشند. ادامه پژوهش در این زمینه پیشنهاد می‌شود.

This paper presents an exploratory systematic review of artificial intelligence (AI) in physics education and its alignment with Sustainable Development Goal 4 (SDG 4). Following Preferred Reporting Items for Systematic Reviews and Meta-Analyses 2020 guidelines (Page et al., 2021), a Web of Science search conducted on January 15, 2025, yielded 105 records; after independent dual-reviewer screening (Cohen’s κ = 0.82 on n = 105 title/abstract decisions), 12 empirical studies published between 2013 and 2025 were included and analyzed. Given the small corpus and emergent nature of the field, findings are explicitly characterized as exploratory evidence mapping rather than consolidated empirical conclusions. The corpus spans educational contexts from secondary school to teacher training and engages AI types including intelligent tutoring systems, machine learning, natural language processing, and generative models. Results indicate that AI is used in four pedagogical roles: tutor, evaluator, assistant, and analyst, with documented benefits in conceptual understanding, formative feedback, personalization, and self-regulated learning. Alignment with SDG-4-relevant sustainability competencies (critical thinking, problem solving, collaboration, and digital literacy) was identified through a secondary interpretive analysis by the review authors against Education for Sustainable Development competency frameworks (Rieckmann, 2011; UNESCO, 2017; 2024); this alignment is inferential and design-based rather than directly measured by the primary studies. Ongoing challenges include technical reliability, teacher preparation and acceptance, and ethical concerns regarding transparency, bias, equity, and data protection. The review contributes an initial, disciplinary-specific evidence map at the intersection of AI, physics education, and SDG 4, and identifies six evidence gaps for future empirical research. No protocol was preregistered prior to conducting this review; this absence is acknowledged as a transparency limitation.

این مقاله به ارائه یک مرور نظام‌مند اکتشافی درباره هوش مصنوعی (AI) در آموزش فیزیک و همسویی آن با هدف توسعه پایدار ۴ (SDG 4) می‌پردازد. با پیروی از دستورالعمل‌های Preferred Reporting Items for Systematic Reviews and Meta-Analyses 2020 (Page و همکاران، 2021)، جستجوی Web of Science که در تاریخ ۱۵ ژانویه ۲۰۲۵ انجام شد، ۱۰۵ رکورد را به دست داد؛ پس از غربالگری مستقل توسط دو ارزیاب (ضریب کاپا کوهن κ = 0.82 بر روی n = 105 تصمیم عنوان/چکیده)، ۱۲ مطالعه تجربی منتشرشده بین سال‌های ۲۰۱۳ تا ۲۰۲۵ وارد و تحلیل شدند. با توجه به حجم اندک مطالعات و ماهیت نوظهور این حوزه، یافته‌ها به طور صریح به عنوان نگاشت شواهد اکتشافی و نه نتیجه‌گیری‌های تجربی تثبیت‌شده توصیف می‌شوند. بدنه مطالعات زمینه‌های آموزشی از دبیرستان تا آموزش معلمان را دربر می‌گیرد و انواع هوش مصنوعی شامل سامانه‌های آموزش هوشمند، یادگیری ماشین، پردازش زبان طبیعی و مدل‌های مولد را مورد استفاده قرار می‌دهد. نتایج نشان می‌دهد که هوش مصنوعی در چهار نقش آموزشی شامل معلم، ارزیاب، دستیار و تحلیل‌گر به کار می‌رود و مزایایی چون ارتقای درک مفهومی، بازخورد تکوینی، شخصی‌سازی و یادگیری خودتنظیمی را به همراه دارد. همسویی با شایستگی‌های پایداری مرتبط با SDG-4 (تفکر انتقادی، حل مسئله، همکاری و سواد دیجیتال) از طریق تحلیل تفسیری ثانویه توسط نویسندگان مرور و بر اساس چارچوب‌های شایستگی آموزش برای توسعه پایدار (Rieckmann، ۲۰۱۱؛ یونسکو، ۲۰۱۷؛ ۲۰۲۴) شناسایی شد؛ این همسویی استنباطی و مبتنی بر طراحی است و نه مستقیماً توسط مطالعات اولیه اندازه‌گیری شده باشد. چالش‌های جاری شامل پایایی فنی، آمادگی و پذیرش معلمان و نگرانی‌های اخلاقی درباره شفافیت، سوگیری، عدالت و حفاظت از داده‌ها است. این مرور، نگاشت اولیه و اختصاصی شواهد را در تقاطع هوش مصنوعی، آموزش فیزیک و SDG 4 ارائه می‌دهد و شش شکاف شواهدی برای پژوهش‌های تجربی آینده شناسایی می‌کند. هیچ پروتکلی پیش از انجام این مرور ثبت نشده است؛ این فقدان به عنوان یک محدودیت شفافیت مورد اشاره قرار گرفته است.

Introduction Promoting scientific argumentation in the context of socio-scientific issues remains a major challenge in science education. Artificial intelligence offers new opportunities to provide adaptive feedback on students’ written arguments; however, little is known about learners’ perceptions of hybrid learning environments that combine AI-supported feedback with peer feedback under authentic classroom conditions. This study presents the development and pilot evaluation of SMOKEChem, a web-based learning environment designed to foster scientific argumentation through AI-supported and collaborative feedback processes. Methods An exploratory mixed-methods design was employed to investigate learners’ perceptions of SMOKEChem during regular chemistry lessons. A total of 130 secondary school students (mean age = 15 years) participated in the study. Quantitative data were collected using questionnaires assessing technology acceptance, cognitive load, and chatbot usability, while qualitative responses explored students’ perceptions of peer feedback. Results The findings indicate that SMOKEChem was perceived as useful, user-friendly, and cognitively balanced, with low levels of extraneous cognitive load and high levels of germane cognitive load. Furthermore, students perceived AI-supported and peer feedback as fulfilling complementary functions: acceptance and usability data indicate that AI provided immediate, structured guidance for revising arguments, while qualitative data on peer feedback point to dialogic reflection, perspective-taking, and collaborative knowledge construction. Discussion The findings provide initial empirical evidence that hybrid feedback designs combining AI-supported and peer feedback can effectively support scientific argumentation in socio-scientific contexts. The complementary strengths of both feedback sources highlight the potential of integrating AI into collaborative learning environments rather than replacing peer interaction. These results provide practical implications for the design of AI-supported argumentation environments and inform future research on hybrid feedback approaches in science education.

مقدمه: ارتقای استدلال علمی در زمینه مسائل اجتماعی-علمی همچنان یکی از چالش‌های عمده در آموزش علوم به‌شمار می‌رود. هوش مصنوعی فرصت‌های جدیدی را برای ارائه بازخورد تطبیقی بر استدلال‌های نوشتاری دانش‌آموزان فراهم می‌کند؛ با این حال، اطلاعات اندکی درباره ادراک یادگیرندگان از محیط‌های یادگیری ترکیبی که بازخورد مبتنی بر هوش مصنوعی را با بازخورد همتایان در شرایط واقعی کلاس درس تلفیق می‌کنند، وجود دارد. این مطالعه به معرفی توسعه و ارزیابی اولیه SMOKEChem، یک محیط یادگیری مبتنی بر وب که با هدف تقویت استدلال علمی از طریق فرآیندهای بازخورد مبتنی بر هوش مصنوعی و همکاری طراحی شده است، می‌پردازد. روش‌ها: یک طرح اکتشافی آمیخته برای بررسی ادراک یادگیرندگان از SMOKEChem در جریان کلاس‌های معمول شیمی به‌کار گرفته شد. در مجموع ۱۳۰ دانش‌آموز دبیرستانی (میانگین سنی = ۱۵ سال) در این پژوهش شرکت کردند. داده‌های کمی از طریق پرسشنامه‌هایی درباره پذیرش فناوری، بار شناختی و قابلیت استفاده چت‌بات گردآوری شد و پاسخ‌های کیفی به بررسی ادراک دانش‌آموزان از بازخورد همتایان پرداخت. یافته‌ها: نتایج نشان داد که SMOKEChem به‌عنوان ابزاری مفید، کاربرپسند و دارای تعادل شناختی ادراک شد و سطوح بار شناختی بیرونی پایین و بار شناختی سازنده بالایی را نشان داد. افزون بر این، دانش‌آموزان بازخورد مبتنی بر هوش مصنوعی و بازخورد همتایان را دارای کارکردهای مکمل تلقی کردند: داده‌های پذیرش و قابلیت استفاده نشان داد که هوش مصنوعی راهنمایی فوری و ساختاریافته‌ای برای بازنگری استدلال‌ها ارائه می‌دهد، در حالی که داده‌های کیفی درباره بازخورد همتایان به بازتاب گفت‌وگویی، دیدگاه‌پذیری و ساخت دانش مشارکتی اشاره داشت. بحث: یافته‌ها شواهد تجربی اولیه‌ای ارائه می‌دهند که طراحی بازخورد ترکیبی با ادغام بازخورد مبتنی بر هوش مصنوعی و بازخورد همتایان می‌تواند به‌طور مؤثری از استدلال علمی در زمینه‌های اجتماعی-علمی حمایت کند. نقاط قوت مکمل هر دو منبع بازخورد، پتانسیل ادغام هوش مصنوعی در محیط‌های یادگیری مشارکتی به‌جای جایگزینی تعامل همتایان را برجسته می‌کند. این نتایج پیامدهای عملی برای طراحی محیط‌های استدلال مبتنی بر هوش مصنوعی داشته و پژوهش‌های آتی درباره رویکردهای بازخورد ترکیبی در آموزش علوم را هدایت می‌کند.

Science education seeks not only to expand learners' knowledge but also to develop scientific ways of explaining natural phenomena. This requires more than transmitting disciplinary information. Learners must recognise why scientific concepts become necessary, how they extend or revise existing explanations, and under what conditions they provide meaningful accounts of the physical world. The educational challenge therefore concerns not only which concepts should be taught, but also the instructional reasoning surrounding their introduction.Science education research has generated substantial knowledge through conceptual change, inquiry-based learning, model-based instruction, learning progressions, productive preparation, and related traditions. These approaches have shown the importance of engaging prior ideas, recognising explanatory limitations, refining representations, and applying knowledge across contexts. Yet one decision connecting many of these processes often remains implicit: the introduction of formal scientific concepts (Duit and Treagust, 2012;Méheut and Psillos, 2004;Steenhof et al., 2020;Minner et al., 2010;Campbell et al., 2015).In this article, formal concept entry refers to the point at which a scientific construct is presented in an explicit disciplinary form, for example as a named concept or definition, symbolic or mathematical representation, law, model, or related formal structure. Such constructs frequently enter instruction through curricular sequence, textbook organisation, or teaching convention. These arrangements may be appropriate, but the educational justification for formal concept entry is seldom examined directly: not whether the construct belongs in the curriculum, but whether its formal presentation is coordinated with the explanatory work Commented [S[1]: 'U' was missing in '.edu'. Now that is included learners are expected to perform. This issue has renewed practical importance as learners increasingly encounter completed definitions, derivations, simulations, and explanations through digital platforms and generative artificial intelligence before instruction has established their explanatory significance. Greater access to formal scientific information does not itself establish when a construct becomes meaningful within learners' developing understanding (Kumar et al., 2026). This Opinion therefore argues that formal concept entry deserves explicit consideration as an instructional decision. The central question is not whether formal scientific concepts should be introduced early or late, but whether their introduction is instructionally justified by the explanatory work learners are expected to perform.To support reflection on this question, I propose the Concept Genesis Framework (CGF). CGF is an instructor-facing conceptual architecture for examining how formal scientific concepts are prepared, introduced, interpreted, and integrated within learning. It neither replaces established educational theories nor prescribes a universal teaching sequence. Its contribution is to provide a coherent language for considering the instructional justification of formal concept entry.CGF does not arise from a single theory of learning. Its design draws on several established traditions that converge on a common instructional concern: learners interpret new scientific ideas through prior understanding, may need to recognise limitations in existing explanations, and require representational and explanatory support to integrate new disciplinary constructs.Conceptual-change scholarship provides one foundation through its attention to existing conceptions, explanatory inadequacy, and the restructuring of understanding (Strike and Posner, 1982;Duit and Treagust, 2012). Nersessian (1989) adds a representational perspective by emphasising that scientific understanding involves the construction and coordination of conceptual and mathematical representations rather than the reception of completed definitions alone. Inquiry and teaching-learning sequence research further situate such conceptual development within deliberately organised instructional activity (Sandoval and Reiser, 2004;Méheut and Psillos, 2004).CGF does not depend on a single philosophical doctrine. Its orientation is epistemic and instructional: scientific concepts are treated as disciplinary resources for explanation, representation, and prediction rather than as isolated verbal or symbolic entities. ThisReviewer comment 1 has been addressed Paragraph beginning -Concepts, equations------and ending (Kumar et al., 2026), has been replaced with the new paragraph-starting -In this article---------and ending (Kumar et al., 2026).orientation is compatible with constructivist perspectives insofar as it recognises prior understanding and active meaning-making. CGF is not, however, proposed as a constructivist theory of learning, nor does it assume that learners independently rediscover disciplinary knowledge. Its narrower concern is whether the instructional conditions surrounding formal concept entry allow a scientific construct to perform meaningful explanatory work within a learning situation.The ten elements of CGF are consequently described as instructional functions rather than whether it can be used across related contexts (Disciplinary Transfer); and how it supports subsequent learning (Forward Linkage). The framework does not claim that these ten functions are empirically invariant or that all must occur in a fixed order. Depending on the concept, discipline, learners, and instructional purpose, they may overlap, recur, be compressed, or be unnecessary.Scientific concepts are not merely definitions, symbols, or equations. They are intellectual tools developed to explain, organise, and predict phenomena. Although learners often encounter them in completed disciplinary form, instruction must determine how they can become meaningful explanatory resources rather than isolated information.CGF organises ten instructional functions around this problem. The number ten reflects this analytical differentiation of instructional work surrounding formal concept entry rather than an assumed set of invariant cognitive stages. These functions describe a flexible educational logic, not fixed learner stages or a mandatory sequence. Depending on the concept, discipline, learners, and instructional purpose, they may overlap, recur, be compressed, or be unnecessary. (Sandoval and Reiser, 2004;Rea-Ramirez et al., 2009). Its educational value lies in orienting learners towards a meaningful explanatory objective.As learners attempt to address the question, they may recognise that their current explanations or reasoning strategies are insufficient. CGF describes this recognition as Cognitive Tension.It is neither required nor sufficient for conceptual change, but it can help learners recognise the limits of their existing explanatory resources (Strike and Posner, 1982;Rea-Ramirez et al., 2009).: correction of the wording in Figure 1 from "comprises of ten instructional functions" to "comprises ten instructional functions." Minor typographical errors identified within the figure have also been corrected.Recognition of these limitations may generate Epistemic Need: an appreciation that an additional scientific construct is required to explain, organise, or predict observations more adequately. Epistemic need differs from curiosity alone because it concerns the perceived explanatory necessity of a new concept. It may emerge spontaneously or through instructional guidance (Lee et al., 2021).Instruction may then examine the boundaries, assumptions, or inadequacies of existing explanations. A model may fail under new conditions, conflict with evidence, or prove too limited for a broader domain (Rea-Ramirez et al., 2009;Sommeillier et al., 2021).Identifying such limitations does not require rejecting earlier explanations entirely. Scientific understanding often develops through extension, refinement, and specification rather than complete replacement.Historical reconstruction can show why concepts emerged, but it is only one route to explanatory necessity. The need for a concept may also become visible through experimental anomalies, engineering constraints, mathematical inconsistency, model comparison, simulation, or unresolved disciplinary questions (Matthews, 1992). The objective is not to reproduce scientific history, but to clarify the explanatory conditions that justify introducing a formal scientific concept.Concept Genesis denotes the instructional point at which the formal scientific construct is explicitly introduced, stabilised, or recognised as an appropriate response to the identified explanatory problem. It does not imply that learners independently reinvent disciplinary knowledge or experience a single moment of discovery. Terminology or representations may appear earlier, but Concept Genesis marks the point at which they acquire coherent disciplinary meaning (Stamovlasis et al., 2005;Cook, 2006).Concepts gain precision through equations, symbols, graphs, diagrams, models, or other disciplinary representations. CGF defines formalisation broadly because representationalPeriod is included, which was missing practices differ across scientific fields. Concept Genesis and Formalisation are analytically distinct but educationally interconnected and may develop recursively.Correctly manipulating a representation does not necessarily indicate understanding (Stamovlasis et al., 2005). Scientific Interpretation connects formal constructs with their explanatory meaning, assumptions, domains of applicability, predictive capacity, and disciplinary significance. It therefore links procedural use with conceptual understanding.Understanding becomes educationally valuable when learners can extend it beyond the immediate instructional setting. Disciplinary Transfer involves applying a concept across related problems, conditions, contexts, or scales. Transfer should not be assumed from success on familiar tasks but treated as an outcome requiring instructional design and observation (Lobato and Hohensee, 2021).Through Forward Linkage, a newly acquired concept becomes a resource for subsequent models, explanations, and disciplinary learning. Formal concept entry is therefore not only about introducing an individual construct, but also about supporting the progressive organisation of scientific understanding across a curriculum.Taken together, these functions enable educators to examine how formal scientific concepts are prepared, introduced, interpreted, extended, and connected. CGF does not prescribe a universal route to learning. It provides a structured language for considering whether formal concept entry is instructionally justified within a particular educational context.CGF is a conceptual lens for instructional planning and reflection, not a new theory of learning, a validated instructional model, or a prescriptive teaching method. It does not replace inquirybased learning, conceptual change, model-based instruction, productive preparation, learning cycles, teaching-learning sequences, or related evidence-informed approaches (Méheut and Psillos, 2004;Minner et al., 2010;Duit and Treagust, 2012;Campbell et al., 2015).Instead, it organises instructional functions recognised across these traditions around the specific question of formal concept entry.The framework does not require all ten functions to appear, nor does it prescribe their order. Scientific disciplines differ in conceptual structure, mathematical demands, representational practices, and curricular constraints. Learners also differ in prior knowledge, educational goals, cognitive resources, and learning contexts. The functions may therefore overlap, recur, or be omitted.CGF also does not advocate delayed instruction. Early introduction of terminology, diagrams, notation, or simplified models may sometimes provide necessary scaffolding (Cook, 2006). In other situations, learners may benefit from first recognising an explanatory limitation. The relevant judgement concerns not timing in isolation, but whether a formal scientific concept can support the explanatory work required within the learning situation.The framework may be especially useful for concepts that are abstract, counterintuitive, mathematically constituted, foundational for later learning, or commonly presented only in completed formal form. It may be unnecessary for straightforward factual knowledge, routine procedural skills, directly observable phenomena, or situations in which immediate explicit instruction is clearly appropriate.Its educational value remains an empirical question. CGF should therefore be treated as a conceptual proposition that invites evaluation across disciplines, educational levels, and instructional settings.Learners may reproduce definitions, derivations, or equations while remaining uncertain about why a construct became necessary, what problem it addresses, or where it applies. Procedural competence remains educationally important, but it does not always develop together with explanatory understanding (Stamovlasis et al., 2005). Formal concept entry should therefore be judged not only by what learners can perform, but also by the understanding that the construct is intended to support.Concept introduction is also rarely a single event. Terminology, qualitative descriptions, diagrams, equations, computational procedures, and canonical explanations need not enter instruction simultaneously. Each may serve a different role. Formal concept entry is therefore better understood as a distributed instructional process whose components can be introduced according to their explanatory function.This perspective also refines the idea of learner readiness. Readiness is not simply the completion of prerequisite activities. It concerns the relationship between the explanatory demands of a learning situation and learners' capacity to integrate a new construct meaningfully. Prior knowledge, representational support, cognitive demands, recognition of limitations, and instructional guidance all shape this capacity (Cook, 2006;Steenhof et al., 2020).Learner difficulty alone does not justify introducing a formal scientific concept. Productive struggle is not an educational goal in itself, and immediate explanation does not necessarily prevent understanding. Effective teaching requires judgement about when exploration, representation, explanation, and direct guidance are most educationally useful (Steenhof et al., 2020).Because these judgements vary across thermodynamics, quantum chemistry, biology, engineering, and other disciplines, CGF remains deliberately flexible. Its purpose is not to standardise concept introduction, but to make the reasoning behind it more visible.The principal contribution of CGF is to make explicit an instructional decision often embedded within broader pedagogy: why a formal scientific concept is introduced at a particular point in learning. This perspective complements existing educational research rather than competing with it. Diverse traditions may organise teaching differently, yet many confront the transition from provisional or intuitive explanations to formal scientific concepts. Treating that transition as an object of reflection may create a useful point of dialogue across approaches.The framework also has implications for curriculum design and educational research. Curricula typically specify what should be taught but provide less guidance about the reasoning supporting the introduction of particular concepts, representations, or mathematical formulations (Méheut and Psillos, 2004). Attention to formal concept entry may help educators align curricular expectations, learner preparedness, explanatory demands, and instructional support. In research, it may offer an additional dimension for describing interventions and interpreting differences across learning environments.Its relevance is heightened by contemporary digital learning. Learners may now encounter formal scientific language and representations before an instructional context has established their explanatory significance (Kumar et al., 2026). The educator's role therefore extends beyond providing information towards helping learners understand when and why formal constructs become useful.Several limitations remain. CGF has not undergone systematic empirical validation and does not claim that explicit attention to concept entry will necessarily improve understanding or transfer. Its functions may not operate uniformly across disciplines, learner populations, or educational levels. Instructional decisions also remain shaped by curriculum, assessment, institutional constraints, teacher expertise, available time, and learner diversity.Future studies may investigate how educators currently justify formal concept entry, how such judgements vary across disciplines, and whether making them explicit influences conceptual understanding, transfer, curriculum design, teacher education, or research reporting. These studies would not seek a universal rule for early or delayed instruction. They would examine whether greater transparency regarding the reasoning behind concept entry contributes meaningfully to science education.In conclusion, the educational significance of a formal scientific concept lies not only in its disciplinary content, but also in the instructional judgement governing when it becomes meaningful within learners' developing explanations of the natural world. CGF offers a conceptual architecture for examining that judgement. Recognising formal concept entry as an explicit instructional decision may help clarify how scientific knowledge becomes meaningful during learning.

آموزش علوم نه تنها به گسترش دانش فراگیران می‌پردازد، بلکه هدف آن توسعه شیوه‌های علمی تبیین پدیده‌های طبیعی نیز هست. این امر فراتر از انتقال صرف اطلاعات تخصصی است. فراگیران باید دریابند چرا مفاهیم علمی ضرورت می‌یابند، چگونه این مفاهیم تبیین‌های موجود را گسترش داده یا اصلاح می‌کنند و تحت چه شرایطی می‌توانند تبیین‌های معناداری از جهان فیزیکی ارائه دهند. بنابراین، چالش آموزشی صرفاً به این محدود نمی‌شود که کدام مفاهیم باید آموزش داده شوند، بلکه استدلال آموزشی پیرامون معرفی آن‌ها نیز اهمیت دارد. پژوهش‌های آموزش علوم از طریق تغییر مفهومی، یادگیری مبتنی بر پژوهش، آموزش مبتنی بر مدل، پیشرفت‌های یادگیری، آمادگی مولد و سنت‌های مرتبط، دانش قابل توجهی تولید کرده‌اند. این رویکردها اهمیت درگیر کردن ایده‌های پیشین، شناسایی محدودیت‌های تبیینی، اصلاح بازنمایی‌ها و به‌کارگیری دانش در زمینه‌های مختلف را نشان داده‌اند. با این حال، تصمیمی که بسیاری از این فرایندها را به هم پیوند می‌دهد، اغلب ضمنی باقی می‌ماند: ورود مفاهیم علمی رسمی (Duit و Treagust، ۲۰۱۲؛ Méheut و Psillos، ۲۰۰۴؛ Steenhof و همکاران، ۲۰۲۰؛ Minner و همکاران، ۲۰۱۰؛ Campbell و همکاران، ۲۰۱۵). در این مقاله، ورود رسمی مفهوم به نقطه‌ای اشاره دارد که یک سازه علمی به صورت صریح و تخصصی، مانند یک مفهوم یا تعریف نام‌گذاری‌شده، بازنمایی نمادین یا ریاضی، قانون، مدل یا ساختار رسمی مرتبط ارائه می‌شود. این سازه‌ها اغلب از طریق توالی برنامه درسی، سازماندهی کتاب درسی یا عرف تدریس وارد آموزش می‌شوند. این ترتیبات ممکن است مناسب باشند، اما توجیه آموزشی برای ورود رسمی مفهوم به ندرت به طور مستقیم بررسی می‌شود: نه اینکه آیا سازه باید در برنامه درسی باشد، بلکه آیا ارائه رسمی آن با کار تبیینی که از فراگیران انتظار می‌رود هماهنگ است. این مسئله با توجه به اینکه فراگیران بیش از پیش با تعاریف کامل، استنتاج‌ها، شبیه‌سازی‌ها و تبیین‌ها از طریق بسترهای دیجیتال و هوش مصنوعی مولد پیش از آنکه اهمیت تبیینی آن‌ها در آموزش تثبیت شده باشد مواجه می‌شوند، اهمیت عملی تازه‌ای یافته است. دسترسی بیشتر به اطلاعات علمی رسمی به خودی خود تعیین نمی‌کند که چه زمانی یک سازه درک معناداری در فهم در حال رشد فراگیران پیدا می‌کند (Kumar و همکاران، ۲۰۲۶). بنابراین، این مقاله بر این باور است که ورود رسمی مفهوم شایسته توجه صریح به عنوان یک تصمیم آموزشی است. پرسش اصلی این نیست که آیا مفاهیم علمی رسمی باید زود یا دیر معرفی شوند، بلکه این است که آیا معرفی آن‌ها با کار تبیینی که از فراگیران انتظار می‌رود، توجیه آموزشی دارد یا خیر. برای حمایت از تأمل در این پرسش، چارچوب تکوین مفهوم (CGF) پیشنهاد می‌شود. CGF معماری مفهومی برای مدرسان است تا بررسی کنند که چگونه مفاهیم علمی رسمی آماده، معرفی، تفسیر و در یادگیری ادغام می‌شوند. این چارچوب جایگزین نظریه‌های آموزشی موجود نیست و توالی تدریس جهان‌شمولی را تجویز نمی‌کند. سهم آن ارائه زبانی منسجم برای تأمل درباره توجیه آموزشی ورود رسمی مفهوم است. CGF از یک نظریه واحد یادگیری نشأت نمی‌گیرد. طراحی آن مبتنی بر چند سنت تثبیت‌شده است که بر یک دغدغه مشترک آموزشی تمرکز دارند: فراگیران ایده‌های علمی جدید را از طریق فهم پیشین تفسیر می‌کنند، ممکن است لازم باشد محدودیت‌های تبیین‌های موجود را شناسایی کنند و برای ادغام سازه‌های تخصصی جدید به حمایت بازنمایی و تبیینی نیاز دارند. پژوهش‌های تغییر مفهومی با توجه به تصورات موجود، ناکافی بودن تبیین‌ها و بازسازی فهم، یکی از بنیان‌ها را فراهم می‌کنند (Strike و Posner، ۱۹۸۲؛ Duit و Treagust، ۲۰۱۲). Nersessian (۱۹۸۹) با تأکید بر اینکه فهم علمی مستلزم ساخت و هماهنگی بازنمایی‌های مفهومی و ریاضی است و نه صرفاً دریافت تعاریف کامل، دیدگاه بازنمایی را می‌افزاید. پژوهش‌های یادگیری مبتنی بر پژوهش و توالی تدریس-یادگیری نیز این تحول مفهومی را در فعالیت آموزشی سازمان‌یافته قرار می‌دهند (Sandoval و Reiser، ۲۰۰۴؛ Méheut و Psillos، ۲۰۰۴). CGF به یک مکتب فلسفی خاص وابسته نیست. رویکرد آن معرفت‌شناختی و آموزشی است: مفاهیم علمی به عنوان منابع تخصصی برای تبیین، بازنمایی و پیش‌بینی تلقی می‌شوند، نه صرفاً موجودیت‌های لفظی یا نمادین منفرد. این رویکرد با دیدگاه‌های سازنده‌گرایانه تا جایی سازگار است که فهم پیشین و ساخت فعال معنا را به رسمیت می‌شناسد. با این حال، CGF به عنوان نظریه سازنده‌گرای یادگیری پیشنهاد نمی‌شود و فرض نمی‌کند که فراگیران به طور مستقل دانش تخصصی را بازکشف می‌کنند. دغدغه محدودتر آن این است که آیا شرایط آموزشی پیرامون ورود رسمی مفهوم اجازه می‌دهد یک سازه علمی در یک موقعیت یادگیری کارکرد تبیینی معنادار ایفا کند یا خیر. به همین دلیل، ده عنصر CGF به عنوان کارکردهای آموزشی توصیف می‌شوند، نه اینکه آیا می‌توان آن را در زمینه‌های مرتبط به کار برد (انتقال تخصصی) و چگونه از یادگیری بعدی حمایت می‌کند (پیوند رو به جلو). این چارچوب ادعا نمی‌کند که این ده کارکرد به طور تجربی ثابت یا همه باید به ترتیب مشخصی رخ دهند. بسته به مفهوم، رشته، فراگیران و هدف آموزشی، ممکن است این کارکردها همپوشانی، تکرار، فشرده یا غیرضروری باشند. مفاهیم علمی صرفاً تعاریف، نمادها یا معادلات نیستند. آن‌ها ابزارهای فکری هستند که برای تبیین، سازماندهی و پیش‌بینی پدیده‌ها توسعه یافته‌اند. اگرچه فراگیران اغلب آن‌ها را به صورت کامل و تخصصی دریافت می‌کنند، آموزش باید تعیین کند که چگونه می‌توانند به منابع تبیینی معنادار تبدیل شوند، نه اطلاعات منفرد. CGF ده عنصر را سازمان می‌دهد.

Large-group lectures (150 students and upwards) remain a central component of healthcare professions education despite longstanding concerns about passivity, limited interaction, and difficulties in providing formative feedback at scale. These concerns have acquired renewed relevance as educators face digitally connected student cohorts, ubiquitous smartphones, and growing concerns about digital distraction. Student response systems (SRS), initially introduced through dedicated “clickers” and now commonly accessed through students’ own digital devices, offer one approach to transforming the large lecture from a predominantly transmission-oriented format into an interactive learning environment. Meta-analytic evidence indicates positive effects of SRS on cognitive and non-cognitive learning outcomes, while research across psychology, nursing, medicine, dentistry, and other higher education settings suggests that their educational value depends less on the technology itself than on the pedagogical processes it enables. In this Perspective , we argue for a shift from viewing SRS primarily as engagement technology towards understanding it as pedagogical infrastructure for retrieval, formative assessment, peer discussion, feedback, self-monitoring, and metacognitive calibration in large lectures. Drawing on nearly two decades of research and educational experience with response technology, we propose an evolution from SRS 1.0 , centred on response and participation, through SRS 2.0 , centred on formative feedback and dialogue, towards SRS 3.0 , where artificial intelligence may enable adaptive questioning, misconception detection, personalised feedback, and instructor decision support. This development creates new opportunities for healthcare professions education, but also requires renewed attention to pedagogy, digital competence, privacy, cognitive offloading, and the role of the educator.

سخنرانی‌های گروهی بزرگ (۱۵۰ دانشجو و بیشتر) همچنان بخش مرکزی آموزش حرفه‌های سلامت را تشکیل می‌دهند، با وجود نگرانی‌های دیرینه درباره انفعالی بودن، تعامل محدود و دشواری در ارائه بازخورد تکوینی در مقیاس وسیع. این نگرانی‌ها با مواجهه مربیان با نسل‌های دانشجویی متصل به فضای دیجیتال، تلفن‌های هوشمند فراگیر و نگرانی‌های فزاینده درباره حواس‌پرتی دیجیتال، اهمیت تازه‌ای یافته‌اند. سامانه‌های پاسخ‌دهی دانشجویی (SRS)، که ابتدا از طریق «کلیکر»های اختصاصی معرفی شدند و اکنون معمولاً از طریق دستگاه‌های دیجیتال شخصی دانشجویان قابل دسترسی هستند، رویکردی برای تبدیل سخنرانی‌های بزرگ از قالب عمدتاً انتقال‌محور به محیط یادگیری تعاملی ارائه می‌کنند. شواهد فراتحلیلی نشان‌دهنده تأثیرات مثبت SRS بر پیامدهای یادگیری شناختی و غیرشناختی است، در حالی که پژوهش‌ها در حوزه‌های روان‌شناسی، پرستاری، پزشکی، دندان‌پزشکی و سایر محیط‌های آموزش عالی حاکی از آن است که ارزش آموزشی این سامانه‌ها بیش از آنکه به خود فناوری وابسته باشد، به فرایندهای آموزشی که امکان‌پذیر می‌سازند بستگی دارد. در این مقاله دیدگاه، ما بر لزوم تغییر نگرش از SRS به‌عنوان فناوری تعامل به‌سوی درک آن به‌عنوان زیرساخت آموزشی برای بازیابی، ارزشیابی تکوینی، بحث همتایان، بازخورد، خودپایشگری و کالیبراسیون فراشناختی در سخنرانی‌های بزرگ تأکید می‌کنیم. با اتکا به نزدیک به دو دهه پژوهش و تجربه آموزشی با فناوری پاسخ‌دهی، سیر تحول از SRS 1.0 با محوریت پاسخ‌دهی و مشارکت، به SRS 2.0 با محوریت بازخورد تکوینی و گفت‌وگو، و نهایتاً به SRS 3.0 که در آن هوش مصنوعی می‌تواند امکان پرسش‌گری تطبیقی، شناسایی سوءبرداشت‌ها، بازخورد شخصی‌سازی‌شده و پشتیبانی تصمیم‌گیری برای مدرس را فراهم کند، پیشنهاد می‌کنیم. این تحول فرصت‌های جدیدی برای آموزش حرفه‌های سلامت ایجاد می‌کند، اما مستلزم توجه مجدد به آموزش، شایستگی دیجیتال، حریم خصوصی، برون‌سپاری شناختی و نقش مدرس نیز هست.

The swift evolution of Artificial Intelligence (AI) is dramatically changing the landscape of education, especially when it comes to assessment. Traditional methods, which focus heavily on standardized tests and final evaluations, are falling short in capturing the complex cognitive, social, and digital skills that are essential in today’s world. This paper delves into the transformative power of AI in educational assessment and suggests a strategic framework for embracing digital change. By reviewing current literature, the study highlights AI-driven innovations like adaptive testing, automated grading, learning analytics, and competency-based assessment models. It also tackles important challenges such as ethical issues, algorithmic bias, data privacy, and maintaining academic integrity. The paper emphasizes that a comprehensive, policy-oriented, and pedagogically sound approach are crucial for effectively integrating AI into assessment systems. In the end, it offers practical strategies for institutions aiming to update their assessment practices in an AI-enhanced educational environment.

تحول سریع هوش مصنوعی (AI) به طور چشمگیری چشم‌انداز آموزش را، به ویژه در حوزه ارزیابی، دگرگون کرده است. روش‌های سنتی که عمدتاً بر آزمون‌های استاندارد و ارزیابی‌های نهایی تمرکز دارند، در سنجش مهارت‌های پیچیده شناختی، اجتماعی و دیجیتال که در دنیای امروز ضروری هستند، ناکارآمد شده‌اند. این مقاله به بررسی قدرت تحول‌آفرین هوش مصنوعی در ارزیابی آموزشی می‌پردازد و چارچوبی راهبردی برای پذیرش تغییر دیجیتال پیشنهاد می‌کند. با مرور ادبیات موجود، پژوهش به نوآوری‌های مبتنی بر هوش مصنوعی مانند آزمون‌های تطبیقی، نمره‌دهی خودکار، تحلیل یادگیری و مدل‌های ارزیابی مبتنی بر شایستگی می‌پردازد. همچنین به چالش‌های مهمی همچون مسائل اخلاقی، سوگیری الگوریتمی، حریم خصوصی داده‌ها و حفظ سلامت علمی اشاره می‌کند. مقاله تأکید می‌کند که رویکردی جامع، سیاست‌محور و مبتنی بر اصول آموزشی برای ادغام مؤثر هوش مصنوعی در نظام‌های ارزیابی ضروری است. در پایان، راهبردهای عملی برای نهادهایی که قصد به‌روزرسانی شیوه‌های ارزیابی خود در محیط آموزشی تقویت‌شده با هوش مصنوعی را دارند، ارائه می‌دهد.

The rapid adoption of generative artificial intelligence (AI) tools such as ChatGPT in second language (L2) writing instruction has produced a fast-growing body of research on AI-generated written corrective feedback. Two recent scoping reviews have mapped this literature broadly, focusing on feedback quality, learner uptake and pedagogical integration. However, neither review specifically examined how this literature treats grammatical and lexical development as distinct, measurable constructs, nor how it addresses the moderating role of learner proficiency over time. This scoping review synthesizes 30 empirical and methodological sources, identified through a targeted, PRISMA-ScR-informed search of Google Scholar, Scopus-indexed journal content and ERIC, together with citation networks, to map the state of longitudinal research on generative-AI-mediated feedback and grammatical-lexical development in L2/EFL writing. The review finds that most intervention studies remain limited to a single semester or shorter, that grammatical accuracy and lexical development are rarely measured as separate, co-tracked outcomes and that only a small number of very recent studies (2025-2026) have applied longitudinal growth-modelling techniques, none of which disentangle grammar from vocabulary or systematically test proficiency level as a moderator of developmental trajectories. No such study appears to have been conducted in the Vietnamese EFL context, based on the sources identified in this review. The review proposes a research agenda for longitudinal, multi-proficiency-level, construct-differentiated research on generative-AI-mediated feedback and outlines implications for instructional design and future primary research.

پذیرش سریع ابزارهای هوش مصنوعی مولد مانند ChatGPT در آموزش نگارش زبان دوم (L2) منجر به رشد سریع پژوهش‌ها در زمینه بازخورد اصلاحی نوشتاری تولیدشده توسط هوش مصنوعی شده است. دو مرور محدوده‌ای اخیر این ادبیات را به طور کلی ترسیم کرده‌اند و بر کیفیت بازخورد، جذب یادگیرنده و ادغام آموزشی تمرکز داشته‌اند. با این حال، هیچ‌یک از این مرورها به طور خاص بررسی نکرده‌اند که این ادبیات چگونه توسعه دستوری و واژگانی را به عنوان سازه‌هایی متمایز و قابل سنجش مورد توجه قرار می‌دهد و یا نقش تعدیل‌کننده سطح مهارت یادگیرنده در طول زمان را چگونه بررسی می‌کند. این مرور محدوده‌ای با ترکیب ۳۰ منبع تجربی و روش‌شناختی، که از طریق جستجوی هدفمند مبتنی بر PRISMA-ScR در Google Scholar، محتوای مجلات نمایه‌شده در Scopus و ERIC، همراه با شبکه‌های ارجاعی شناسایی شده‌اند، وضعیت پژوهش‌های طولی درباره بازخورد مبتنی بر هوش مصنوعی مولد و توسعه دستوری-واژگانی در نگارش زبان دوم/انگلیسی به عنوان زبان خارجی (EFL) را ترسیم می‌کند. یافته‌های مرور نشان می‌دهد که اغلب مطالعات مداخله‌ای به یک ترم یا کمتر محدود می‌شوند، دقت دستوری و توسعه واژگانی به ندرت به عنوان پیامدهایی جداگانه و همزمان سنجیده می‌شوند و تنها تعداد اندکی از مطالعات بسیار جدید (۲۰۲۵-۲۰۲۶) از تکنیک‌های مدل‌سازی رشد طولی استفاده کرده‌اند که هیچ‌یک از آن‌ها دستور زبان را از واژگان تفکیک نکرده یا سطح مهارت را به طور نظام‌مند به عنوان تعدیل‌کننده مسیرهای رشد بررسی نکرده‌اند. بر اساس منابع شناسایی‌شده در این مرور، هیچ مطالعه‌ای از این نوع در زمینه آموزش زبان انگلیسی به عنوان زبان خارجی در ویتنام انجام نشده است. این مرور، دستورکار پژوهشی برای مطالعات طولی، چندسطحی از نظر مهارت و متمایز از نظر سازه‌ای درباره بازخورد مبتنی بر هوش مصنوعی مولد ارائه می‌دهد و پیامدهایی برای طراحی آموزشی و پژوهش‌های اولیه آینده ترسیم می‌کند.

Generative artificial intelligence (AI) has intensified longstanding questions about teachers' roles and the pedagogical conditions under which technology supports learner autonomy. This qualitatively driven embedded mixed-methods study examined practices reported and represented by Israeli teachers during an eight-week professional development program on AI, self-regulated learning, and learner-centered pedagogy. The primary qualitative strand drew on reflections, open-ended questionnaire responses, lesson plans, and pedagogical artifacts and used a hybrid deductive-inductive analysis. An exploratory quantitative strand compared 61 consenting pre-program submissions with 26 consenting post-program submissions. Because submissions were anonymous and unlinked, Welch independent-samples tests were used. Post-program means were descriptively higher for reflective teaching, AI-supported planning, and inquiry-oriented design, and essentially unchanged for differentiated instruction; none of the four comparisons was statistically significant after Holm adjustment. Qualitative analysis generated five interconnected dimensions: designing for learner agency, self-regulated teaching and reflection, AI-supported learning design, designing for capability development, and critical AI literacy. The findings support a dual-layer interpretation in which teachers' reflective regulation and critical judgment mediate the design of opportunities intended to support learner agency and capability. Because the study measured teachers' reports and artifacts rather than students' experiences or outcomes, its contribution concerns pedagogical intentions and professional learning, not demonstrated gains in learner agency.

هوش مصنوعی مولد، پرسش‌های دیرینه‌ای را درباره نقش معلمان و شرایط آموزشی‌ای که در آن فناوری از خودمختاری یادگیرنده حمایت می‌کند، تشدید کرده است. این پژوهش با رویکرد کیفی و روش ترکیبی تعبیه‌شده، به بررسی رویکردهایی پرداخت که معلمان اسرائیلی در طول یک برنامه توسعه حرفه‌ای هشت‌هفته‌ای درباره هوش مصنوعی، یادگیری خودتنظیمی و آموزش یادگیرنده‌محور گزارش و ارائه کردند. بخش اصلی کیفی پژوهش مبتنی بر بازتاب‌ها، پاسخ‌های پرسشنامه باز، طرح‌های درس و مصنوعات آموزشی بود و از تحلیل ترکیبی استقرایی-قیاسی بهره گرفت. بخش کمّی اکتشافی، ۶۱ مورد ارسالی پیش از برنامه را با ۲۶ مورد ارسالی پس از برنامه (با رضایت شرکت‌کنندگان) مقایسه کرد. با توجه به ناشناس و غیرمرتبط بودن داده‌ها، از آزمون‌های مستقل Welch استفاده شد. میانگین‌های پس از برنامه به طور توصیفی برای تدریس تأملی، برنامه‌ریزی با حمایت هوش مصنوعی و طراحی مبتنی بر پژوهش بالاتر بود و برای آموزش تفکیک‌شده تقریباً بدون تغییر باقی ماند؛ هیچ‌یک از چهار مقایسه پس از اصلاح Holm از لحاظ آماری معنادار نبود. تحلیل کیفی پنج بُعد به‌هم‌پیوسته را شناسایی کرد: طراحی برای عاملیت یادگیرنده، تدریس و بازتاب خودتنظیمی، طراحی یادگیری با حمایت هوش مصنوعی، طراحی برای توسعه قابلیت و سواد انتقادی هوش مصنوعی. یافته‌ها از تفسیر دو‌لایه‌ای حمایت می‌کنند که در آن تنظیم تأملی و قضاوت انتقادی معلمان، واسطه طراحی فرصت‌هایی است که با هدف حمایت از عاملیت و قابلیت یادگیرنده انجام می‌شود. از آنجا که این مطالعه گزارش‌ها و مصنوعات معلمان را سنجیده و نه تجربه‌ها یا پیامدهای دانش‌آموزان را، سهم آن به نیت‌های آموزشی و یادگیری حرفه‌ای مربوط می‌شود، نه بهبود اثبات‌شده عاملیت یادگیرنده.

Introduction Generative artificial intelligence (GenAI) is increasingly used by students to obtain explanations, generate ideas, improve written responses and prepare assessment tasks. However, limited evidence exists on how students in open-distance alternative-access programmes experience GenAI in mathematics assessment. Methods This qualitative study examined how 27 Higher Certificate students at a South African open and distance learning institution described the role, benefits and limitations of GenAI while preparing fraction-related portfolio activities. Data were collected via a single open-ended questionnaire item, completed voluntarily after all assessment activities had been submitted. The responses were analysed using reflexive thematic analysis. Results Four overlapping themes were identified: support for understanding and approaching tasks, support for constructing written responses, conditional trust and evaluative engagement, and non-use, resistance and ambiguous engagement. Students reported that GenAI assisted with clarification, examples, organisation, and language, but they also described outputs they perceived as inaccurate, overly general, or insufficiently explained. Ten participants expressed concerns about reliability or described checking, adapting, limiting or rejecting GenAI use, although the study did not verify the quality of these practices. Discussion The findings suggest that the educational value of GenAI is shaped by students' capacity to exercise judgement and retain responsibility for the reasoning represented in their work. Verification is therefore positioned as a potentially important epistemic practice in GenAI-supported mathematics assessment. The study recommends explicit discipline-specific guidance and assessment designs that make students' mathematical reasoning visible.

مقدمه: هوش مصنوعی مولد (GenAI) به طور فزاینده‌ای توسط دانشجویان برای دریافت توضیحات، تولید ایده‌ها، بهبود پاسخ‌های نوشتاری و آماده‌سازی وظایف ارزیابی مورد استفاده قرار می‌گیرد. با این حال، شواهد محدودی درباره تجربه دانشجویان در برنامه‌های دسترسی جایگزین آموزش باز و از راه دور در زمینه استفاده از GenAI در ارزیابی ریاضی وجود دارد. روش‌ها: این مطالعه کیفی به بررسی نحوه توصیف نقش، مزایا و محدودیت‌های GenAI توسط ۲۷ دانشجوی Higher Certificate در یک مؤسسه آموزش باز و از راه دور در آفریقای جنوبی هنگام آماده‌سازی فعالیت‌های پرتفوی مرتبط با کسرها پرداخت. داده‌ها از طریق یک سؤال بازپاسخ در پرسشنامه که به صورت داوطلبانه پس از اتمام تمامی فعالیت‌های ارزیابی تکمیل شد، جمع‌آوری گردید. پاسخ‌ها با استفاده از تحلیل تماتیک بازتابی مورد بررسی قرار گرفتند. نتایج: چهار تم همپوشان شناسایی شد: حمایت برای درک و رویکرد به وظایف، حمایت در ساخت پاسخ‌های نوشتاری، اعتماد مشروط و مشارکت ارزیابانه، و عدم استفاده، مقاومت و مشارکت مبهم. دانشجویان گزارش دادند که GenAI در زمینه شفاف‌سازی، ارائه مثال، سازماندهی و زبان کمک‌کننده بوده است، اما همچنین خروجی‌هایی را توصیف کردند که آن‌ها را نادرست، بیش از حد کلی یا فاقد توضیح کافی می‌دانستند. ده نفر از شرکت‌کنندگان نگرانی‌هایی درباره پایایی ابراز کردند یا به بررسی، تطبیق، محدودسازی یا رد استفاده از GenAI اشاره نمودند، اگرچه این مطالعه کیفیت این اقدامات را تأیید نکرد. بحث: یافته‌ها نشان می‌دهد که ارزش آموزشی GenAI توسط توانایی دانشجویان در اعمال قضاوت و حفظ مسئولیت نسبت به استدلال ارائه‌شده در کارشان شکل می‌گیرد. بنابراین، راستی‌آزمایی به عنوان یک عمل معرفتی بالقوه مهم در ارزیابی ریاضی با حمایت GenAI مطرح می‌شود. مطالعه حاضر راهنمایی صریح و خاص رشته و طراحی ارزیابی‌هایی که استدلال ریاضی دانشجویان را آشکار می‌سازد، توصیه می‌کند.

Dermatology education faces limited curriculum time, a visually demanding specialty, and the need to develop both clinical reasoning and procedural competence. The flipped classroom (FC) delivers didactic content before class and reserves class time for active learning. This mini review synthesizes evidence on FC in dermatology education, distinguishes true FC from broader blended or active-learning approaches, and examines how newer image-based technologies such as teledermatology, gamified education, and artificial intelligence (AI)-assisted tools can complement FC. PubMed, Scopus, ERIC, and Google Scholar were searched through August 2026 for studies on FC, blended learning, or technology-enhanced learning in dermatology. Across the reviewed studies, FC and closely related blended approaches were associated with short-term gains in knowledge and satisfaction relative to traditional teaching, with particular promise when combined with case-based or problem-based learning. COVID-19 accelerated adoption and demonstrated adaptability to remote formats. However, most dermatology studies are single-institution, quasi-experimental, small, and short-term, and only two dermatology-specific studies used randomized designs. Evidence on long-term retention, patient-related outcomes, and clinical competence remains lacking, and gains in satisfaction or confidence should not be equated with objective gains in knowledge or skills. Based on the currently limited evidence, FC appears at least comparable to, and sometimes better than, traditional teaching for short-term knowledge and skills. Educators can reasonably adopt FC as part of blended curricula, while researchers should prioritize multicenter randomized trials with standardized objective outcomes, longer follow-up, and patient-level endpoints.

آموزش پوست با محدودیت زمان در برنامه درسی، ماهیت بصری بالا و نیاز به توسعه استدلال بالینی و شایستگی‌های عملی مواجه است. کلاس معکوس (FC) محتوای آموزشی را پیش از کلاس ارائه می‌دهد و زمان کلاس را به یادگیری فعال اختصاص می‌دهد. این مرور کوتاه، شواهد مربوط به FC در آموزش پوست را جمع‌بندی کرده، تمایز میان FC واقعی و رویکردهای گسترده‌تر یادگیری ترکیبی یا فعال را بررسی می‌کند و به بررسی این موضوع می‌پردازد که چگونه فناوری‌های تصویری نوین مانند تله‌درماتولوژی، آموزش بازی‌محور و ابزارهای مبتنی بر هوش مصنوعی (AI) می‌توانند مکمل FC باشند. پایگاه‌های PubMed، Scopus، ERIC و Google Scholar تا اوت ۲۰۲۶ برای مطالعات مربوط به FC، یادگیری ترکیبی یا یادگیری تقویت‌شده با فناوری در پوست جست‌وجو شدند. در مطالعات مرور شده، FC و رویکردهای ترکیبی نزدیک به آن با افزایش کوتاه‌مدت دانش و رضایت نسبت به آموزش سنتی همراه بودند و به‌ویژه زمانی که با یادگیری مبتنی بر مورد یا مبتنی بر مسئله ترکیب می‌شدند، امیدبخش بودند. همه‌گیری COVID-19 پذیرش این رویکردها را تسریع کرد و سازگاری آن‌ها با قالب‌های از راه دور را نشان داد. با این حال، اکثر مطالعات پوست تک‌مرکزی، شبه‌آزمایشی، کوچک و کوتاه‌مدت هستند و تنها دو مطالعه اختصاصی پوست از طرح‌های تصادفی‌شده استفاده کرده‌اند. شواهدی درباره نگهداری بلندمدت، پیامدهای مرتبط با بیمار و شایستگی بالینی همچنان وجود ندارد و افزایش رضایت یا اعتماد به نفس نباید معادل با افزایش عینی دانش یا مهارت تلقی شود. بر اساس شواهد محدود فعلی، FC دست‌کم هم‌تراز و گاه بهتر از آموزش سنتی برای دانش و مهارت‌های کوتاه‌مدت به نظر می‌رسد. مدرسان می‌توانند به‌طور معقول FC را به عنوان بخشی از برنامه‌های ترکیبی به کار گیرند، در حالی که پژوهشگران باید مطالعات تصادفی‌شده چندمرکزی با پیامدهای عینی استانداردشده، پیگیری طولانی‌تر و نقاط پایانی در سطح بیمار را در اولویت قرار دهند.

This study reviews STEM Education: Shaping Future Learning Practices in the Age of AI, edited by Elmas and Akarsu and published by Palgrave Macmillan in 2026. The review examines how the book conceptualizes the transformation of STEM education in the age of artificial intelligence (AI) and evaluates the opportunities and limitations of its approach from the perspective of chemistry education. Consisting of fourteen chapters, the book was examined in terms of context and purpose, relevance to its target audience, timeliness and contribution to the literature, content, and theoretical, methodological, and practical strengths and limitations. The review indicates that the book considers AI not merely as a technological innovation but in relation to teacher education, teacher and student roles, engineering design, assessment, ethics, equity, real-life problems, and socioecological dimensions. AI is positioned as a means of supporting pedagogical and cognitive processes rather than replacing teachers or students. The chapter on teaching chemical reactions particularly illustrates the use of AI in chemistry education. However, a more holistic conceptual framework connecting the chapters and stronger empirical evidence on learning outcomes are needed. Overall, the book provides a timely, multidimensional, and critical reference for STEM, science, and chemistry education.

این مطالعه به بررسی کتاب آموزش STEM: شکل‌دهی به شیوه‌های یادگیری آینده در عصر هوش مصنوعی، به سردبیری Elmas و Akarsu و منتشرشده توسط Palgrave Macmillan در سال ۲۰۲۶ می‌پردازد. این مرور، نحوه مفهوم‌پردازی کتاب از تحول آموزش STEM در عصر هوش مصنوعی (AI) را مورد بررسی قرار داده و فرصت‌ها و محدودیت‌های رویکرد آن را از منظر آموزش شیمی ارزیابی می‌کند. کتاب متشکل از چهارده فصل است و از نظر زمینه و هدف، ارتباط با مخاطبان هدف، به‌هنگام بودن و سهم در ادبیات، محتوا و نقاط قوت و ضعف نظری، روش‌شناختی و عملی مورد بررسی قرار گرفته است. نتایج مرور نشان می‌دهد که کتاب، هوش مصنوعی را صرفاً به عنوان یک نوآوری فناورانه در نظر نمی‌گیرد، بلکه آن را در ارتباط با آموزش معلمان، نقش‌های معلم و دانش‌آموز، طراحی مهندسی، ارزشیابی، اخلاق، عدالت، مسائل واقعی و ابعاد اجتماعی‌ـ‌اکولوژیکی بررسی می‌کند. هوش مصنوعی به عنوان ابزاری برای حمایت از فرایندهای آموزشی و شناختی، نه جایگزینی معلمان یا دانش‌آموزان، مطرح می‌شود. فصل مربوط به آموزش واکنش‌های شیمیایی به طور خاص کاربرد هوش مصنوعی در آموزش شیمی را نشان می‌دهد. با این حال، چارچوب مفهومی جامع‌تر برای پیوند دادن فصل‌ها و شواهد تجربی قوی‌تر درباره پیامدهای یادگیری مورد نیاز است. در مجموع، این کتاب مرجع به‌هنگام، چندبعدی و انتقادی برای آموزش STEM، علوم و شیمی فراهم می‌کند.

AbstractAcademic libraries increasingly serve as strategic components of higher education governance, extending beyond their traditional role as information repositories to support institutional sustainability, digital transformation, policy implementation, and knowledge production. This study reviews 36 sources from library and information science, higher education management, and related management fields to examine the role of academic libraries within institutional strategy and information infrastructure. Using narrative synthesis supported by bibliometric mapping, the study identifies eight recurring themes: green and sustainable libraries, digital transformation and leadership, bibliometric and methodological research, institutional and strategic management, digital information services, digital literacy and instruction, digital leadership, and the broader library and information science research landscape. Scholarly attention increased substantially after 2020, particularly around generative artificial intelligence, digital leadership, and policy-oriented research, while sustainability research has developed since 2008. The findings are interpreted through a conceptual framework linking institutional strategy, sustainability, digital transformation, and higher education policies and programmes. Despite limitations arising from the small corpus and narrative synthesis approach, the study highlights the need for further empirical and comparative research. Overall, academic libraries should be recognised as strategic institutional assets and actively integrated into higher education policy planning, particularly in infrastructure, pedagogy, digital transformation, and governance.

چکیده: کتابخانه‌های دانشگاهی به طور فزاینده‌ای به عنوان اجزای راهبردی در حاکمیت آموزش عالی ایفای نقش می‌کنند و فراتر از نقش سنتی خود به عنوان مخازن اطلاعات، از پایداری نهادی، تحول دیجیتال، اجرای سیاست‌ها و تولید دانش حمایت می‌کنند. این مطالعه با مرور ۳۶ منبع از حوزه‌های علم اطلاعات و دانش‌شناسی، مدیریت آموزش عالی و رشته‌های مرتبط با مدیریت، نقش کتابخانه‌های دانشگاهی را در راهبرد نهادی و زیرساخت اطلاعات بررسی می‌کند. با بهره‌گیری از سنتز روایتی و نگاشت کتاب‌سنجی، مطالعه حاضر هشت مضمون تکرارشونده را شناسایی می‌کند: کتابخانه‌های سبز و پایدار، تحول دیجیتال و رهبری، پژوهش‌های کتاب‌سنجی و روش‌شناختی، مدیریت نهادی و راهبردی، خدمات اطلاعات دیجیتال، سواد دیجیتال و آموزش، رهبری دیجیتال و چشم‌انداز کلی پژوهش‌های علم اطلاعات و دانش‌شناسی. توجه علمی به این حوزه پس از سال ۲۰۲۰ به طور قابل توجهی افزایش یافته است، به ویژه در زمینه هوش مصنوعی مولد، رهبری دیجیتال و پژوهش‌های سیاست‌محور، در حالی که پژوهش‌های پایداری از سال ۲۰۰۸ توسعه یافته‌اند. یافته‌ها از طریق چارچوب مفهومی که راهبرد نهادی، پایداری، تحول دیجیتال و سیاست‌ها و برنامه‌های آموزش عالی را به هم پیوند می‌دهد، تفسیر می‌شوند. با وجود محدودیت‌هایی ناشی از حجم کوچک منابع و رویکرد سنتز روایتی، این مطالعه بر ضرورت پژوهش‌های تجربی و مقایسه‌ای بیشتر تأکید می‌کند. در مجموع، کتابخانه‌های دانشگاهی باید به عنوان دارایی‌های راهبردی نهادی شناخته شده و به طور فعال در برنامه‌ریزی سیاست آموزش عالی، به ویژه در حوزه زیرساخت، آموزش، تحول دیجیتال و حاکمیت، ادغام شوند.

AbstractAcademic libraries increasingly serve as strategic components of higher education governance, extending beyond their traditional role as information repositories to support institutional sustainability, digital transformation, policy implementation, and knowledge production. This study reviews 36 sources from library and information science, higher education management, and related management fields to examine the role of academic libraries within institutional strategy and information infrastructure. Using narrative synthesis supported by bibliometric mapping, the study identifies eight recurring themes: green and sustainable libraries, digital transformation and leadership, bibliometric and methodological research, institutional and strategic management, digital information services, digital literacy and instruction, digital leadership, and the broader library and information science research landscape. Scholarly attention increased substantially after 2020, particularly around generative artificial intelligence, digital leadership, and policy-oriented research, while sustainability research has developed since 2008. The findings are interpreted through a conceptual framework linking institutional strategy, sustainability, digital transformation, and higher education policies and programmes. Despite limitations arising from the small corpus and narrative synthesis approach, the study highlights the need for further empirical and comparative research. Overall, academic libraries should be recognised as strategic institutional assets and actively integrated into higher education policy planning, particularly in infrastructure, pedagogy, digital transformation, and governance.

چکیده: کتابخانه‌های دانشگاهی به طور فزاینده‌ای به عنوان اجزای راهبردی در حاکمیت آموزش عالی ایفای نقش می‌کنند و فراتر از نقش سنتی خود به عنوان مخازن اطلاعات، از پایداری نهادی، تحول دیجیتال، اجرای سیاست‌ها و تولید دانش حمایت می‌کنند. این مطالعه با مرور ۳۶ منبع از حوزه‌های علم اطلاعات و دانش‌شناسی، مدیریت آموزش عالی و رشته‌های مرتبط با مدیریت، نقش کتابخانه‌های دانشگاهی را در راهبرد نهادی و زیرساخت اطلاعات بررسی می‌کند. با بهره‌گیری از سنتز روایتی و نگاشت کتاب‌سنجی، مطالعه حاضر هشت مضمون تکرارشونده را شناسایی می‌کند: کتابخانه‌های سبز و پایدار، تحول دیجیتال و رهبری، پژوهش‌های کتاب‌سنجی و روش‌شناختی، مدیریت نهادی و راهبردی، خدمات اطلاعات دیجیتال، سواد دیجیتال و آموزش، رهبری دیجیتال و چشم‌انداز کلی پژوهش‌های علم اطلاعات و دانش‌شناسی. توجه علمی به این حوزه پس از سال ۲۰۲۰ به طور قابل توجهی افزایش یافته است، به ویژه در زمینه هوش مصنوعی مولد، رهبری دیجیتال و پژوهش‌های سیاست‌محور، در حالی که پژوهش‌های پایداری از سال ۲۰۰۸ توسعه یافته‌اند. یافته‌ها از طریق چارچوب مفهومی که راهبرد نهادی، پایداری، تحول دیجیتال و سیاست‌ها و برنامه‌های آموزش عالی را به هم پیوند می‌دهد، تفسیر می‌شوند. با وجود محدودیت‌هایی ناشی از حجم کوچک منابع و رویکرد سنتز روایتی، این مطالعه بر ضرورت پژوهش‌های تجربی و مقایسه‌ای بیشتر تأکید می‌کند. در مجموع، کتابخانه‌های دانشگاهی باید به عنوان دارایی‌های راهبردی نهادی شناخته شده و به طور فعال در برنامه‌ریزی سیاست آموزش عالی، به ویژه در حوزه زیرساخت، آموزش، تحول دیجیتال و حاکمیت، ادغام شوند.

Artificial intelligence (AI)-assisted digital mental health interventions are being increasingly discussed as a potential strategy for improving access to psychological support among adolescents with anxiety symptoms and anxiety disorders. Their possible advantages include flexible availability, reduced barriers to help-seeking, psychoeducation, symptom monitoring, CBT-informed exercises, conversational interaction, and personalized feedback. However, their clinical role remains insufficiently defined, particularly regarding efficacy, safety, ethical governance, and the distinction between digital support and psychotherapy in the traditional clinical sense. This narrative review examines current evidence and conceptual debates regarding AI-assisted digital interventions relevant to adolescent anxiety disorders, with a focus on usability, acceptability, preliminary efficacy, safety, ethical and legal considerations, and human clinical oversight. Available literature suggests that conversational agents and CBT-informed digital tools may provide low-threshold support and may reduce the symptoms of anxiety, depression, or general emotional distress in some users. Nevertheless, existing evidence remains heterogeneous and preliminary, often relying on young adult, mixed-age, non-clinical, or transdiagnostic samples, short follow-up periods, and self-report outcomes. Direct evidence for AI-assisted interventions specifically in adolescents with formally diagnosed anxiety disorders remains limited, and findings from broader youth, young adult, mixed-age, or transdiagnostic samples should not be directly generalized to this clinical population. It should not be considered a replacement for therapist-delivered psychotherapy, clinical assessment, or specialist child and adolescent mental health care. Their most appropriate current role is as adjunctive or supportive tools within supervised, stepped-care, or blended-care models. Future research should include adolescent-specific clinical trials, anxiety-focused outcomes, longer follow-up, systematic safety reporting, and clear evaluation of human oversight models. AI-assisted digital interventions may help reduce parts of the adolescent mental health treatment gap; however, their use must remain evidence-informed, developmentally sensitive, ethically regulated, and clinically supervised.

مداخلات سلامت روان دیجیتال با کمک هوش مصنوعی (AI) به طور فزاینده‌ای به عنوان راهبردی بالقوه برای بهبود دسترسی نوجوانان دارای علائم اضطراب و اختلالات اضطرابی به حمایت روان‌شناختی مورد بحث قرار گرفته‌اند. مزایای احتمالی این مداخلات شامل دسترسی انعطاف‌پذیر، کاهش موانع جستجوی کمک، آموزش روانی، پایش علائم، تمرینات مبتنی بر درمان شناختی-رفتاری (CBT)، تعامل مکالمه‌ای و بازخورد شخصی‌سازی‌شده است. با این حال، نقش بالینی آن‌ها همچنان به طور کافی تعریف نشده است، به ویژه در زمینه اثربخشی، ایمنی، حاکمیت اخلاقی و تمایز میان حمایت دیجیتال و روان‌درمانی به معنای بالینی سنتی. این مرور روایتی به بررسی شواهد موجود و مباحث مفهومی پیرامون مداخلات دیجیتال با کمک هوش مصنوعی مرتبط با اختلالات اضطرابی نوجوانان می‌پردازد، با تمرکز بر قابلیت استفاده، پذیرش، اثربخشی مقدماتی، ایمنی، ملاحظات اخلاقی و حقوقی و نظارت بالینی انسانی. ادبیات موجود نشان می‌دهد که عامل‌های مکالمه‌ای و ابزارهای دیجیتال مبتنی بر درمان شناختی-رفتاری (CBT) ممکن است حمایت با آستانه پایین فراهم کنند و علائم اضطراب، افسردگی یا پریشانی هیجانی کلی را در برخی کاربران کاهش دهند. با این حال، شواهد موجود ناهمگون و مقدماتی باقی مانده و اغلب بر نمونه‌های بزرگسال جوان، گروه‌های سنی مختلط، نمونه‌های غیر بالینی یا فراتشخیصی، دوره‌های پیگیری کوتاه و نتایج خودگزارشی متکی است. شواهد مستقیم برای مداخلات با کمک هوش مصنوعی به طور خاص در نوجوانان با اختلالات اضطرابی تشخیص‌گذاری‌شده به طور رسمی محدود است و یافته‌های حاصل از نمونه‌های وسیع‌تر جوانان، بزرگسالان جوان، گروه‌های سنی مختلط یا فراتشخیصی نباید مستقیماً به این جمعیت بالینی تعمیم داده شود. این مداخلات نباید جایگزین روان‌درمانی ارائه‌شده توسط درمانگر، ارزیابی بالینی یا مراقبت تخصصی سلامت روان کودک و نوجوان تلقی شود. مناسب‌ترین نقش فعلی آن‌ها به عنوان ابزارهای کمکی یا حمایتی در چارچوب مدل‌های مراقبت پله‌ای، تلفیقی یا تحت نظارت است. پژوهش‌های آینده باید شامل کارآزمایی‌های بالینی ویژه نوجوانان، نتایج متمرکز بر اضطراب، پیگیری طولانی‌تر، گزارش‌دهی نظام‌مند ایمنی و ارزیابی شفاف مدل‌های نظارت انسانی باشد. مداخلات دیجیتال با کمک هوش مصنوعی ممکن است به کاهش بخشی از فاصله درمان سلامت روان نوجوانان کمک کند؛ با این حال، استفاده از آن‌ها باید مبتنی بر شواهد، حساس به رشد، تحت نظارت اخلاقی و با نظارت بالینی باقی بماند.

Stress is a highly individualized and dynamic psychophysiological response, making reliable continuous monitoring challenging.Existing artificial intelligence approaches to stress detection have demonstrated the usefulness of physiological and neural signals, including electrodermal activity (EDA), heart rate variability (HRV), and electroencephalography (EEG).However, many existing approaches rely on population-level models or limited personalization, while longitudinal validation and adaptive modeling remain comparatively underexplored.This research proposes an adaptive, personalized AI framework for longitudinal stress monitoring by integrating complementary neural and physiological signals from EEG, HRV, and EDA.The proposed framework will initially establish an individual's baseline characteristics and subsequently identify deviations from their personal baseline rather than relying solely on generalized stress patterns across individuals.Machine learning techniques will be investigated for multimodal feature fusion and adaptive model updating as additional individual data becomes available.The study will compare the performance of conventional population-level models with personalized and progressively adaptive models using appropriate evaluation metrics.The research aims to determine whether incorporating individual baseline characteristics and continuous adaptation can improve the reliability and generalizability of stress monitoring.The proposed framework is intended as a foundation for future noninvasive, personalized, and wearable AI-based stressmonitoring systems, while addressing current challenges associated with inter-individual variability, multimodal integration, and longitudinal assessment.

استرس یک پاسخ روان‌فیزیولوژیک بسیار فردی و پویا است که پایش پیوسته و پایا را دشوار می‌سازد. رویکردهای هوش مصنوعی موجود در شناسایی استرس، سودمندی سیگنال‌های فیزیولوژیک و عصبی از جمله فعالیت الکترودرمال (EDA)، تغییرپذیری ضربان قلب (HRV) و الکتروانسفالوگرافی (EEG) را نشان داده‌اند. با این حال، بسیاری از رویکردهای موجود بر مدل‌های مبتنی بر جمعیت یا شخصی‌سازی محدود تکیه دارند، در حالی که اعتبارسنجی طولی و مدل‌سازی تطبیقی نسبتاً کمتر مورد بررسی قرار گرفته‌اند. این پژوهش یک چارچوب هوش مصنوعی تطبیقی و شخصی‌ساز برای پایش طولی استرس با ادغام سیگنال‌های عصبی و فیزیولوژیک مکمل از EEG، HRV و EDA پیشنهاد می‌کند. چارچوب پیشنهادی در ابتدا ویژگی‌های پایه هر فرد را تعیین کرده و سپس انحرافات از خط پایه شخصی را شناسایی می‌کند، به جای آنکه صرفاً بر الگوهای استرس تعمیم‌یافته میان افراد تکیه کند. تکنیک‌های یادگیری ماشین برای همجوشی ویژگی‌های چندوجهی و به‌روزرسانی تطبیقی مدل با در دسترس قرار گرفتن داده‌های فردی بیشتر مورد بررسی قرار خواهند گرفت. این مطالعه عملکرد مدل‌های متداول مبتنی بر جمعیت را با مدل‌های شخصی‌ساز و تدریجاً تطبیقی با استفاده از معیارهای ارزیابی مناسب مقایسه خواهد کرد. هدف پژوهش تعیین این است که آیا گنجاندن ویژگی‌های خط پایه فردی و تطبیق پیوسته می‌تواند پایایی و تعمیم‌پذیری پایش استرس را بهبود بخشد یا خیر. چارچوب پیشنهادی به عنوان بنیانی برای سامانه‌های آینده پایش استرس مبتنی بر هوش مصنوعی، غیرتهاجمی، شخصی‌ساز و پوشیدنی در نظر گرفته شده است، در حالی که به چالش‌های فعلی مرتبط با تفاوت‌های بین‌فردی، ادغام چندوجهی و ارزیابی طولی می‌پردازد.

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.