Identification (biology)

Logical-mathematical reasoning is essential for interpreting representations, applying procedures, justifying relationships, and solving problems; however, evidence regarding students’ performance in Ecuadorian school contexts remains limited. The aim of this study was to characterize students’ diagnostic performance in logical-mathematical reasoning and to examine differences in its distribution across the participating educational institutions. A descriptive, exploratory, non-experimental study with a quantitative approach was conducted. A total of 843 third-year upper secondary school students, aged 15 to 17 years, from 21 educational institutions in Chone Canton, Ecuador, participated in the study. Logical-mathematical reasoning was assessed using a five-task diagnostic test, with each task scored from 0 to 4 points and aggregated into an overall score ranging from 0 to 20 points. Of the participants, 76.39% were classified at the low level, 17.08% at the regular level, 5.93% at the good level, and 0.59% at the very good level; no student reached the excellent level. Statistically significant differences were identified among institutions, χ²(60) = 392.62, p_MC = 0.00001, Cramer’s V = 0.394; H(20) = 208.51, p < 0.001, ε² = 0.229. The study provides a multi-institutional baseline of logical-mathematical reasoning in a relatively understudied Ecuadorian context. The findings may support the identification of educational needs and the planning of differentiated support according to students’ initial performance. Because no comparison group or quantitative pretest–posttest measurement was available, it was not possible to evaluate changes in logical-mathematical reasoning or attribute the results to the use of GeoGebra.

استدلال منطقی-ریاضی برای تفسیر بازنمایی‌ها، به‌کارگیری رویه‌ها، توجیه روابط و حل مسئله ضروری است؛ با این حال، شواهد مربوط به عملکرد دانش‌آموزان در زمینه‌های مدرسه‌ای اکوادور محدود باقی مانده است. هدف این پژوهش، توصیف عملکرد تشخیصی دانش‌آموزان در استدلال منطقی-ریاضی و بررسی تفاوت‌های توزیع آن در میان مؤسسات آموزشی شرکت‌کننده بود. این مطالعه به صورت توصیفی، اکتشافی، غیرآزمایشی و با رویکرد کمی انجام شد. در مجموع، ۸۴۳ دانش‌آموز سال سوم متوسطه، در بازه سنی ۱۵ تا ۱۷ سال، از ۲۱ مؤسسه آموزشی شهرستان چونه، اکوادور، در پژوهش شرکت کردند. استدلال منطقی-ریاضی با استفاده از یک آزمون تشخیصی شامل پنج تکلیف ارزیابی شد که هر تکلیف از ۰ تا ۴ امتیاز داشته و مجموع امتیازات بین ۰ تا ۲۰ بود. از میان شرکت‌کنندگان، ۷۶٫۳۹٪ در سطح پایین، ۱۷٫۰۸٪ در سطح متوسط، ۵٫۹۳٪ در سطح خوب و ۰٫۵۹٪ در سطح بسیار خوب طبقه‌بندی شدند؛ هیچ دانش‌آموزی به سطح عالی دست نیافت. تفاوت‌های معنادار آماری میان مؤسسات شناسایی شد، χ²(60) = 392.62, p_MC = 0.00001, V کرامر = 0.394؛ H(20) = 208.51, p < 0.001, ε² = 0.229. این پژوهش خط پایه‌ای چندمؤسسه‌ای از استدلال منطقی-ریاضی در زمینه‌ای نسبتاً کمتر مطالعه‌شده در اکوادور ارائه می‌دهد. یافته‌ها می‌تواند به شناسایی نیازهای آموزشی و برنامه‌ریزی حمایت‌های تفکیک‌شده بر اساس عملکرد اولیه دانش‌آموزان کمک کند. به دلیل نبود گروه مقایسه یا سنجش کمی پیش‌آزمون-پس‌آزمون، امکان ارزیابی تغییرات در استدلال منطقی-ریاضی یا نسبت دادن نتایج به استفاده از GeoGebra وجود نداشت.

When an individual is harmed by someone in power, such as a workplace manager, it can help to identify allies—people who would offer advice or supportive action. However, ally discovery is fraught because the very people who might be most relevant—e.g., someone who reports to the same manager—might not be sympathetic and could exacerbate the harm. We examine this problem in the context of PhD students navigating advising challenges and present a social media platform called “Moa” that brings together a number of features for facilitating ally discovery. Moa’s most novel element is an audience selection process that uses what we call consent boundaries , which allow users to flexibly define each post or comment’s audience based on factors such as common social identity or lived experience, all while preserving mutual anonymity. A 3-week field study with 47 real-world users showed that Moa’s features in combination facilitated sensitive conversations about advising, with 7 out of 31 posters (22.6%) using consent boundaries. We discuss both our overall “recipe” for systems for ally discovery and the benefits of a consent-centered approach to design.

زمانی که فردی توسط شخصی صاحب قدرت، مانند مدیر محل کار، آسیب می‌بیند، شناسایی متحدان—افرادی که می‌توانند مشاوره یا اقدام حمایتی ارائه دهند—می‌تواند مفید باشد. با این حال، کشف متحدان با دشواری‌هایی همراه است، زیرا افرادی که ممکن است بیشترین ارتباط را داشته باشند—برای مثال، کسی که به همان مدیر گزارش می‌دهد—ممکن است همدل نباشند و حتی آسیب را تشدید کنند. ما این مسئله را در زمینه دانشجویان دکتری که با چالش‌های راهنمایی مواجه‌اند بررسی می‌کنیم و یک بستر شبکه اجتماعی به نام «Moa» را معرفی می‌کنیم که مجموعه‌ای از ویژگی‌ها را برای تسهیل کشف متحدان فراهم می‌آورد. نوآورانه‌ترین عنصر Moa فرایند انتخاب مخاطب است که از آنچه ما «مرزهای رضایت» می‌نامیم استفاده می‌کند؛ این امکان را به کاربران می‌دهد تا برای هر پست یا نظر، مخاطب را به طور انعطاف‌پذیر بر اساس عواملی مانند هویت اجتماعی مشترک یا تجربه زیسته تعریف کنند، در حالی که ناشناسی متقابل حفظ می‌شود. یک مطالعه میدانی سه‌هفته‌ای با ۴۷ کاربر واقعی نشان داد که ترکیب ویژگی‌های Moa گفتگوهای حساس درباره راهنمایی را تسهیل کرده است، به طوری که ۷ نفر از ۳۱ ارسال‌کننده (۲۲.۶٪) از مرزهای رضایت استفاده کردند. ما هم «دستورالعمل» کلی خود برای سیستم‌های کشف متحدان و هم مزایای رویکرد مبتنی بر رضایت در طراحی را مورد بحث قرار می‌دهیم.

For more than seven decades, Alan Turing’s imitation game has shaped how the AI community discusses machine intelligence, although it was never a psychometric instrument. AI systems now outperform humans in strategic games, scientific prediction, and pattern recognition, achievements better described as domain-specific superhuman performance than as general intelligence unless a novelty condition is enforced. This paper argues that imitation-based evaluation is misaligned with such systems and introduces the Reversed Turing Test (RTT), which asks whether a machine can be identified precisely because its performance is measurably superhuman. The test combines a standardized superhuman index (SI), expressed in standard-deviation units relative to a human reference sample, with a panel of judges whose identifications are verified against the performance evidence. The paper provides a formal definition of the RTT, a taxonomy of novelty types with verification methods, a worked example in protein structure prediction, and a pre-registered text-generation study (n = 500; composite SI ≈ 3.2; 90% identification accuracy grounded in stylometric cues), interpreted as superhuman stylometric performance rather than superhuman intelligence. The RTT is compared against established benchmarks, its philosophical limits are stated, and implications for trust, creativity, governance, and evaluation design are discussed.

بیش از هفت دهه است که بازی تقلید آلن تورینگ نحوه بحث جامعه هوش مصنوعی درباره هوشمندی ماشین را شکل داده است، هرچند که هرگز یک ابزار روان‌سنجی نبوده است. سامانه‌های هوش مصنوعی اکنون در بازی‌های راهبردی، پیش‌بینی علمی و شناسایی الگو از انسان‌ها پیشی گرفته‌اند؛ دستاوردهایی که بهتر است به‌عنوان عملکرد فرابشری خاص حوزه توصیف شوند تا هوشمندی عمومی، مگر آنکه شرط نوآوری اعمال شود. این مقاله استدلال می‌کند که ارزیابی مبتنی بر تقلید با چنین سامانه‌هایی هم‌راستا نیست و آزمون تورینگ معکوس (RTT) را معرفی می‌کند که می‌پرسد آیا می‌توان یک ماشین را دقیقاً به این دلیل شناسایی کرد که عملکرد آن به‌طور قابل سنجشی فرابشری است. این آزمون شاخص فرابشری استانداردشده (SI) را که بر حسب واحدهای انحراف معیار نسبت به نمونه مرجع انسانی بیان می‌شود، با هیئتی از داوران که شناسایی‌های آنان بر اساس شواهد عملکردی راستی‌آزمایی می‌شود، ترکیب می‌کند. مقاله تعریف رسمی RTT، طبقه‌بندی انواع نوآوری با روش‌های راستی‌آزمایی، یک مثال عملی در پیش‌بینی ساختار پروتئین و یک مطالعه از پیش ثبت‌شده در تولید متن (n = 500؛ SI ترکیبی ≈ 3.2؛ دقت شناسایی ۹۰٪ مبتنی بر نشانه‌های سبک‌شناختی) را ارائه می‌دهد که به‌عنوان عملکرد سبک‌شناختی فرابشری تفسیر می‌شود نه هوشمندی فرابشری. آزمون RTT با معیارهای تثبیت‌شده مقایسه می‌شود، حدود فلسفی آن بیان می‌شود و پیامدهای آن برای اعتماد، خلاقیت، حکمرانی و طراحی ارزیابی مورد بحث قرار می‌گیرد.

Large Language Models (LLMs) have demonstrated significant capabilities in generating human-like and contextually relevant responses across a wide range of applications.However, their reliability is affected not only by factual hallucinations but also by failures to correctly understand and follow user instructions.This emerging issue, referred to as intent hallucination, occurs when an LLM omits, misinterprets, or fails to satisfy one or more requirements contained in a user's request, even when the generated response may be factually correct.Such failures can reduce the reliability and usefulness of LLM-based systems, particularly in complex tasks involving multiple constraints.This paper proposes a systematic review of existing research on intent hallucination and instructionfollowing capabilities in Large Language Models.The study will examine major types and causes of instructionfollowing failures, existing benchmarks and evaluation techniques, methods for detecting such failures, and approaches proposed to mitigate them.The review will also compare current evaluation frameworks and investigate limitations in existing research, particularly concerning complex, multi-constraint, and dynamic user instructions.Based on the reviewed literature, the study aims to organize existing approaches into a structured taxonomy covering instruction-following failures, detection and evaluation methods, and mitigation strategies.Finally, the paper will highlight open research challenges and future directions for developing more reliable and intent-aligned LLM systems.The study aims to provide a consolidated understanding of intent hallucination and support future research toward more dependable human-AI interaction.

مدل‌های زبانی بزرگ (LLMs) توانایی‌های قابل توجهی در تولید پاسخ‌های مشابه انسان و مرتبط با زمینه در طیف وسیعی از کاربردها نشان داده‌اند. با این حال، پایایی آن‌ها نه تنها تحت تأثیر توهمات واقعی بلکه همچنین به دلیل ناتوانی در درک و پیروی صحیح از دستورالعمل‌های کاربر قرار می‌گیرد. این مسئله نوظهور که به آن توهم نیت گفته می‌شود، زمانی رخ می‌دهد که یک مدل زبانی بزرگ یک یا چند الزام موجود در درخواست کاربر را حذف، تفسیر نادرست یا برآورده نمی‌کند، حتی اگر پاسخ تولیدشده از نظر واقعی صحیح باشد. چنین شکست‌هایی می‌تواند پایایی و سودمندی سامانه‌های مبتنی بر مدل‌های زبانی بزرگ را به ویژه در وظایف پیچیده با محدودیت‌های متعدد کاهش دهد. این مقاله مرور نظام‌مندی از پژوهش‌های موجود درباره توهم نیت و قابلیت‌های پیروی از دستورالعمل در مدل‌های زبانی بزرگ ارائه می‌دهد. این مطالعه انواع اصلی و علل شکست‌های پیروی از دستورالعمل، معیارها و تکنیک‌های ارزیابی موجود، روش‌های شناسایی این شکست‌ها و رویکردهای پیشنهادی برای کاهش آن‌ها را بررسی خواهد کرد. همچنین این مرور چارچوب‌های ارزیابی فعلی را مقایسه و محدودیت‌های پژوهش‌های موجود، به ویژه در ارتباط با دستورالعمل‌های پیچیده، چندمحدوده‌ای و پویا را بررسی می‌کند. بر اساس ادبیات مرورشده، مطالعه حاضر تلاش دارد رویکردهای موجود را در قالب یک طبقه‌بندی ساختاریافته شامل شکست‌های پیروی از دستورالعمل، روش‌های شناسایی و ارزیابی و راهبردهای کاهش سازماندهی کند. در نهایت، مقاله چالش‌های پژوهشی باز و مسیرهای آینده برای توسعه سامانه‌های مدل زبانی بزرگ پایاتر و هم‌راستا با نیت کاربر را برجسته خواهد کرد. هدف این مطالعه ارائه درکی یکپارچه از توهم نیت و حمایت از پژوهش‌های آتی به سوی تعامل انسان-هوش مصنوعی قابل اعتمادتر است.