Deep learning

Enhancing conceptual understanding and critical thinking in elementary science requires meaningful learning experiences supported by appropriate instructional media. Examining the effects of integrating Deep Learning approaches and audiovisual media on students’ conceptual understanding and critical thinking was the primary aim of this study. A quantitative approach with a quasi-experimental matching-only design involved 30 fifth-grade students, comprising 15 students in the experimental group and 15 in the control group. Data were collected using conceptual understanding and critical thinking tests, with reliability coefficients of 0.84 and 0.86, respectively. Data analysis employed ANCOVA and MANCOVA. Results showed that the experimental group obtained higher posttest means in conceptual understanding (91.47) and critical thinking (89.72) than the control group (72.47 and 68.47). ANCOVA indicated significant effects on conceptual understanding, F(1,56) = 86.57, p < 0.01, η²p = 0.59, and critical thinking, F(1,56) = 72.43, p < 0.01, η²p = 0.56. MANCOVA also revealed a significant simultaneous effect, Pillai’s Trace = 0.68, F(2,56) = 58.72, p < 0.01, η²p = 0.68. Overall, integrating Deep Learning approaches with audiovisual media substantially improved both outcomes within the studied context.

Traditional statistical models face the challenges of insufficient modeling capabilities and difficulty in interpreting complex, nonlinear, and high-dimensional data. Therefore, this paper combines fuzzy logic and deep learning methods to construct a framework model for identifying key factors for high-quality employment for college students. The model in this paper uses multi-channel encoding technology. We use the attention mechanism to fuse the features obtained from multi-channel encoding and input the self-organizing fuzzy inference structure for regression and classification analysis. The system can transform numerical prediction results into a semantic rule-driven decision-making process, which can significantly improve the model’s modeling capabilities and interpretability for uncertainty. Our experiments were conducted on 5,623 graduates. Experimental results on the data show that our model achieved an average mean square error of 0.831, a coefficient of determination of 0.892, and a classification accuracy of 0.865, which are significantly higher than traditional statistical and machine learning models. The corresponding experiments demonstrate the key role of cross-modal fusion and fuzzy reasoning modules in improving the results. Feature importance analysis shows that factors such as internship duration, GPA, and research participation have a key impact on high-quality employment, which is consistent with expert consensus.

Stress is an important physiological and psychological reaction which, when prolonged, has a negative impact on the health and well-being of humans. Traditional stress assessment methods tend to be subjective and are not scalable in real-time. In this research, a lightweight machine learning framework to predict stress from easily measurable environmental and activity-related features, temperature, humidity, and steps, is introduced. The proposed method is different from the approach that depends on complex physiological signals and uses minimal non-invasive inputs that can be applied in the wearable and IoT field. The stress level is considered as the target variable, and all the features used as input variables are independent from each other to prevent data leakage. There are several machine learning and deep learning models and their performances are measured, such as LightGBM, Support vector machine (SVM), AdaBoost, Gated Recurrent Unit (GRU). Bayesian hyperparameter optimization is used to improve the performance of the model and guarantee strong generalization. Experimental results show that LightGBM outperforms the other models, giving an accuracy of 97% and a balanced precision, recall and F1 score of 95%. The results demonstrate promising predictive performance on the evaluated dataset. However, since the model was validated on a relatively small publicly available dataset, further evaluation using larger and more diverse real-world datasets is required before practical deployment.

Stress is a major contributor to physical and mental health disorders, underscoring the need for reliable and interpretable detection systems. We present an interpretable multimodal deep learning framework that integrates electrocardiogram (ECG), electrodermal activity (EDA), and respiration signals using modality-specific neural architectures complemented by feature-based classical models. To ensure robustness and generalizability, the framework was evaluated under both subject-independent and subject-dependent protocols. Results show that multimodal fusion consistently outperformed single modalities, achieving 94.8% accuracy, 93.9% F1-score, and 0.97 AUC under subject-independent validation, compared with 86–91% accuracy for individual signals. In subject-dependent experiments, performance reached 97.2% accuracy and 96.8% F1-score. Comparative analysis with recent state-of-the-art methods demonstrated the competitiveness of our approach, while ablation studies confirmed the contribution of each modality and fusion strategy. Statistical significance testing with ( p < 0.05) further validated the reliability of these gains. Importantly, interpretability analyses using Grad-CAM and attention visualization provided physiological insights, revealing that the model emphasizes clinically meaningful regions such as ECG R-peaks and phasic EDA fluctuations. By uniting high performance, robustness, and interpretability, this work advances stress detection research and offers a physiologically grounded framework for continuous mental health monitoring.

This study aims to synthesize the relationship between deep learning strategies and students' critical thinking skills within the context of Economics education. Employing a Systematic Literature Review (SLR) methodology, we examined 24 scholarly publications. The synthesis reveals three key findings: (1) a deep learning approach has a significant influence on higher-order thinking skills (HOTS) and critical thinking abilities; however, this relationship is complex and mediated by variables such as epistemological beliefs, perceptions of the learning context, and intrinsic motivation. (2) The adoption of a deep learning approach does not automatically result in high-level critical thinking skills; therefore, such skills require explicit and structured development. (3) Inquiry-based learning strategies, structured collaboration, and the integration of technology as a cognitive scaffold have proven most effective in promoting both aspects synergistically. This study offers practical implications for the design of Economics instruction—specifically regarding the cultivation of deep knowledge and the development of critical thinking skills—within the framework of the Kurikulum Merdeka (Independent Curriculum).

This study aims to examine the effect of the CTL assisted by audiovisual with a deep learning approach on the critical thinking skills of tenth-grade students at SMA Negeri 2 Tasikmalaya. Although the effectiveness of CTL has been widely investigated, studies integrating CTL, audiovisual media, and a deep learning approach simultaneously in economics learning remain limited, creating a research gap that underpins this study. The novelty of this research lies in examining the synergistic effect of these three components as a unified instructional intervention. The study employed a quasi-experimental method using a non-equivalent control group design. The research instrument was an essay test measuring critical thinking skills based on Ennis's indicators. The results revealed a significant improvement in the experimental group, with the mean score increasing from 36.22 on the pretest to 85.84 on the posttest, while the control group improved from 35.55 to 73.13. The independent samples t-test showed a significance value of 0.000 (p < 0.05), with a Cohen's effect size of 1.29, indicating a very large effect. It can be concluded that the CTL model assisted by audiovisual media with a deep learning approach is effective in improving students' critical thinking skills in economics learning.

ABSTRACT Students’ active participation in expressing opinions is an important indicator of engagement in student-centered learning. Initial observations in Class III A at SD Negeri Kendangsari III/278 Surabaya revealed that only 8 out of 26 students (30.77%) actively participated in discussions, while the others tended to remain passive. This study aimed to improve students’ active participation in expressing opinions during Integrated Science and Social Studies (IPAS) lessons on the topic “Stories from the Hometown” through the Think Pair Share (TPS) model integrated with a deep learning approach. The study employed a classroom action research design conducted over two cycles, each consisting of three meetings, from July to August 2026. The participants were 26 students. Data were collected through observation and documentation and analyzed using descriptive quantitative and qualitative techniques. The individual achievement criterion was set at a minimum average participation score of 3.00, while the criterion for class-wide success required at least 80% participation. The results showed that the average percentage of active participation increased from 37.18% in the pre-cycle stage to 60.26% in Cycle I and 87.18% in Cycle II. The final achievement exceeded the predetermined success criterion. These findings indicate that integrating TPS with a deep learning approach may support students’ confidence in expressing ideas and enhance their participation in IPAS discussions. ABSTRAK Keaktifan murid dalam mengemukakan pendapat merupakan salah satu indikator keterlibatan dalam pembelajaran yang berpusat pada murid. Hasil observasi awal di kelas III A SD Negeri Kendangsari III/278 Surabaya menunjukkan bahwa hanya 8 dari 26 murid (30,77%) yang aktif berdiskusi, sedangkan sebagian lainnya cenderung pasif. Penelitian ini bertujuan meningkatkan keaktifan murid dalam mengemukakan pendapat pada pembelajaran IPAS dengan topik “Cerita dari Kampung Halaman” melalui model Think Pair Share (TPS) yang dipadukan dengan pendekatan pembelajaran mendalam. Penelitian menggunakan desain penelitian tindakan kelas yang dilaksanakan dalam dua siklus, masing-masing terdiri atas tiga pertemuan, pada Juli–Agustus 2026. Subjek penelitian berjumlah 26 murid. Data dikumpulkan melalui observasi dan dokumentasi, kemudian dianalisis menggunakan teknik deskriptif kuantitatif dan kualitatif. Kriteria keberhasilan individual ditetapkan berdasarkan skor rata-rata keaktifan minimal 3,00, sedangkan keberhasilan klasikal ditentukan apabila persentase keaktifan mencapai sekurang-kurangnya 80%. Hasil penelitian menunjukkan bahwa rata-rata persentase keaktifan meningkat dari 37,18% pada prasiklus menjadi 60,26% pada Siklus I dan 87,18% pada Siklus II. Capaian akhir tersebut melampaui indikator keberhasilan yang ditetapkan. Hasil ini menunjukkan bahwa penerapan TPS yang dipadukan dengan pendekatan pembelajaran mendalam berpotensi mendukung keberanian murid menyampaikan gagasan dan meningkatkan partisipasi dalam diskusi IPAS.

Islamic Religious Education (PAI) is not only intended to provide an understanding of religious concepts, but also to develop students’ ability to comprehend, internalize, and apply religious values in everyday life. Therefore, the learning process needs to move beyond mere mastery of subject matter and provide meaningful and in-depth learning experiences. This study focuses on analyzing deep learning-based PAI instruction from the perspective of Robert E. Slavin’s QAIT model, which consists of Quality of Instruction, Appropriate Levels of Instruction, Incentive, and Time, at SMP Negeri 1 Blora. This study employed a qualitative approach with a case study design. The informants consisted of three PAI teachers and two students selected purposively. Data were collected through interviews, classroom observations, and documentation, and were analyzed using the Miles, Huberman, and Saldaña model through data condensation, data display, and conclusion drawing. The findings indicate that PAI instruction has reflected the principles of deep learning through three main aspects: meaningful learning, mindful learning, and joyful learning. In addition, analysis based on the QAIT model shows that the learning process is supported by instructional quality, the appropriateness of instruction to students’ abilities, learning motivation, and time management. Nevertheless, limited instructional time remains a challenge in providing sufficient opportunities for in-depth learning through discussion, presentation, and reflection. This study concludes that the implementation of deep learning in PAI can support a more contextual, reflective, and meaningful learning process when supported by instructional quality, appropriate strategies tailored to students’ needs, learning motivation, and adequate time management.

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.

Students' conceptual understanding of force is challenged by persistent difficulties in interpreting interactions, resultant forces, and changes in motion. This study examined the classroom implementation of a five-phase Experiential-Based Deep Learning (EBDL) instructional model designed to connect firsthand observation with reflection, evidence-based explanation, and transfer. A quasi-experimental nonequivalent pretest–posttest design involved 40 eighth-grade students at one Indonesian junior secondary school, with 20 students receiving EBDL and 20 receiving Direct Instruction. Conceptual understanding was assessed using five essay items on force; expert content ratings yielded an overall Aiken's V of 0.870 after recalculation. Available group-level posttest results favored the EBDL group (M = 85.85, SD = 5.51) over the control group (M = 81.30, SD = 7.00). The reported Mann–Whitney test indicated a between-group difference (U = 124.00, Z = −2.06, p = 0.039, r = 0.326). The model's distinctive instructional contribution is its explicit progression from discrepant experiences through reflective meaning-making and force-based reasoning to contextual application and transfer. However, aggregate posttest results do not establish which cognitive process benefited most, whether individual misconceptions were corrected, or the magnitude of pretest-to-posttest change. These findings support further testing of EBDL as a structured, context-sensitive alternative for junior secondary force instruction, with stronger item-level and implementation evidence required before wider causal or generalizable claims are made.

This research examines how deep learning is implemented in Social Studies (IPS) classes at SMP Negeri 28 Pontianak through a qualitative descriptive design. Data on classroom processes, student activities, and the experiences of teachers and students were gathered via observations and interviews. Analysis followed three stages: data reduction, data presentation, and drawing conclusions. The results reveal that the approach is reflected in group discussions, analysis of social problems, student presentations, utilization of the surrounding environment, and digital media. Such activities motivate students to take an active role, relate IPS topics to everyday life, and deepen their understanding of social phenomena. The study concludes that deep learning can support IPS classes that are more active, meaningful, and contextual.

این پژوهش به بررسی نحوه اجرای یادگیری عمیق در کلاس‌های مطالعات اجتماعی (IPS) در مدرسه SMP Negeri 28 Pontianak با استفاده از طرح توصیفی کیفی می‌پردازد. داده‌های مربوط به فرایندهای کلاسی، فعالیت‌های دانش‌آموزان و تجربیات معلمان و دانش‌آموزان از طریق مشاهده و مصاحبه جمع‌آوری شده‌اند. تحلیل داده‌ها در سه مرحله کاهش داده‌ها، ارائه داده‌ها و نتیجه‌گیری انجام شده است. نتایج نشان می‌دهد که این رویکرد در قالب بحث‌های گروهی، تحلیل مسائل اجتماعی، ارائه‌های دانش‌آموزی، استفاده از محیط پیرامون و رسانه‌های دیجیتال منعکس می‌شود. چنین فعالیت‌هایی دانش‌آموزان را به مشارکت فعال، ارتباط موضوعات IPS با زندگی روزمره و تعمیق درک آن‌ها از پدیده‌های اجتماعی ترغیب می‌کند. این مطالعه نتیجه می‌گیرد که یادگیری عمیق می‌تواند از کلاس‌های IPS فعال‌تر، معنادارتر و زمینه‌مندتر حمایت کند.

Background. Indonesian language instruction at the high school (SMA), vocational high school (SMK), and Islamic high school (MAN) levels still tends to be focused on mastering course content, resulting in students' in-depth understanding not yet being optimal. Aims. This study aims to describe the implementation of the deep learning approach in Indonesian language instruction at high schools, vocational high schools, and Islamic high schools in Cirebon City, examining aspects of planning, implementation, language use, instructional structure, as well as challenges and their solutions. Methods. The study employed a qualitative approach using descriptive methods; data were collected through observation, interviews, and documentation, then analyzed using the Miles and Huberman interactive model. Result. The results indicate that all three schools have applied the principles of meaningful learning, mindful learning, and joyful learning to varying degrees, with one school demonstrating the most optimal implementation due to consistency across all aspects of instruction. Challenges still faced include time constraints, variations in student abilities, and less-than-ideal classroom conditions, which teachers address through adaptive strategies such as the use of engaging learning media and adjustments to teaching methods. Conclusion. This study concludes that the successful implementation of deep learning depends not only on the planning and execution of instruction but also on strengthening teacher competencies and support from the learning environment.

Suicidal ideation is the consideration of self-inflicted death and has emerged as a serious and rising concern for worldwide public health systems, contributing to over 800,000 deaths annually worldwide. Individuals express intentions, distress, and thoughts of self-harm and death, thereby offering a crucial and unprecedented avenue for timely psychological intervention and surveillance. The core problem addressed by this research is the pronounced global insufficiency in detecting and mitigating suicidal ideation across linguistically diverse environments, specifically focusing on low-resource languages. Previous computational studies have primarily focused on English and other widely used languages, leaving a critical research gap for contexts such as Amharic. The main aim of this study was to investigate and to develop a robust and optimal deep learning model for identifying suicidal ideation in Amharic social media content. A total of 5,428 postings from social media such as Facebook and Telegram were carefully collected, manually annotated, and processed to provide the first publicly available dataset on Amharic suicidal ideation. After preprocessing, Word2Vec, GloVe, and FastText were among the word embedding techniques used for feature engineering. Five deep learning models and four machine learning models were then compared in this study. Based on the experimental results, ensemble learning models achieved slightly higher performance than the individual deep learning models in suicidal ideation detection. Specifically, hard voting ensemble learning models achieved the highest accuracy (83.3%) and precision (86.55%). CNN-BiLSTM achieved an accuracy of 81.45%, while the BiLSTM model achieved an accuracy of 81.4%, indicating that bidirectional sequence learning effectively captures contextual information in Amharic texts. Beyond its strong empirical performance, this study contributes a robust detection framework and introduces a public Amharic dataset, thereby establishing a foundational methodological resource for mental health research. Future studies should focus on developing scalable datasets and context-aware deep learning models that effectively handle multimodal data, multilingual transformer models, fusion-based features, and addressing bias in low-resource computational linguistics.

افکار خودکشی به معنای اندیشیدن به مرگ خودخواسته است و به عنوان یک نگرانی جدی و رو به افزایش برای نظام‌های سلامت عمومی در سراسر جهان مطرح شده است، به طوری که سالانه بیش از ۸۰۰٬۰۰۰ مرگ را در سطح جهانی رقم می‌زند. افراد، نیت‌ها، پریشانی و افکار آسیب به خود و مرگ را ابراز می‌کنند و بدین ترتیب، مسیر مهم و بی‌سابقه‌ای برای مداخله و پایش روان‌شناختی به موقع فراهم می‌شود. مسئله اصلی که این پژوهش به آن می‌پردازد، کمبود چشمگیر جهانی در شناسایی و کاهش افکار خودکشی در محیط‌های زبانی متنوع، به ویژه در زبان‌های کم‌منبع است. مطالعات محاسباتی پیشین عمدتاً بر زبان انگلیسی و سایر زبان‌های پرکاربرد تمرکز داشته‌اند و این امر موجب ایجاد شکاف پژوهشی مهمی در زمینه‌هایی مانند زبان آمهاریک شده است. هدف اصلی این مطالعه، بررسی و توسعه یک مدل یادگیری عمیق قوی و بهینه برای شناسایی افکار خودکشی در محتوای شبکه‌های اجتماعی به زبان آمهاریک بود. در مجموع، ۵٬۴۲۸ پست از شبکه‌های اجتماعی مانند فیس‌بوک و تلگرام با دقت جمع‌آوری، به صورت دستی برچسب‌گذاری و پردازش شدند تا نخستین مجموعه‌داده عمومی درباره افکار خودکشی به زبان آمهاریک فراهم شود. پس از پیش‌پردازش، تکنیک‌های تعبیه واژه مانند Word2Vec، GloVe و FastText برای مهندسی ویژگی‌ها به کار گرفته شدند. در این پژوهش، پنج مدل یادگیری عمیق و چهار مدل یادگیری ماشین با یکدیگر مقایسه شدند. بر اساس نتایج تجربی، مدل‌های یادگیری تجمعی (ensemble learning) عملکردی اندکی بهتر از مدل‌های یادگیری عمیق منفرد در شناسایی افکار خودکشی داشتند. به طور خاص، مدل‌های یادگیری تجمعی با رأی‌گیری سخت (hard voting) بالاترین دقت (۸۳/۳٪) و دقت مثبت (precision) (۸۶/۵۵٪) را به دست آوردند. مدل CNN-BiLSTM به دقت ۸۱/۴۵٪ و مدل BiLSTM به دقت ۸۱/۴٪ دست یافتند که نشان می‌دهد یادگیری دنباله‌ای دوسویه به طور مؤثری اطلاعات زمینه‌ای را در متون آمهاریک استخراج می‌کند. افزون بر عملکرد تجربی قوی، این پژوهش چارچوب شناسایی قابل اعتمادی ارائه داده و مجموعه‌داده عمومی آمهاریک را معرفی می‌کند و بدین ترتیب منبع روش‌شناختی بنیادی برای پژوهش‌های سلامت روان فراهم می‌آورد. مطالعات آتی باید بر توسعه مجموعه‌داده‌های مقیاس‌پذیر و مدل‌های یادگیری عمیق آگاه از زمینه که به طور مؤثر داده‌های چندوجهی، مدل‌های ترنسفورمر چندزبانه، ویژگی‌های مبتنی بر همجوشی و رفع سوگیری در زبان‌شناسی محاسباتی کم‌منبع را مدیریت می‌کنند، تمرکز کنند.

The *Kurikulum Merdeka* (Emancipated Curriculum) is an educational approach that grants greater autonomy to schools, teachers, and students in designing, managing, and evaluating the learning process. Despite its many advantages—as discussed in a previous article—the implementation of *Kurikulum Merdeka* also faces a number of challenges and shortcomings that warrant consideration. This article employs a library research methodology, drawing data from diverse sources such as books and journal articles relevant to the topic. The study's findings indicate that *Kurikulum Merdeka* is an initiative launched by Indonesia’s Ministry of Education, Culture, Research, and Technology to address the learning crisis exacerbated by the COVID-19 pandemic. The curriculum is designed to provide more flexible and varied learning experiences, enabling students to explore ideas and develop their skills. By granting teachers the freedom to select teaching resources, *Kurikulum Merdeka* aims to tailor education to the interests and learning needs of each student. Introduced in 2019 by the Minister of Education and Culture, Nadiem Makarim, *Kurikulum Merdeka* replaces the 2013 Curriculum and emphasizes student independence in acquiring information from various sources, both formal and informal. It also focuses on developing students' potential and character in alignment with the *Profil Pelajar Pancasila* (Pancasila Student Profile). An education system centered on autonomy aims to foster student awareness and encourage the development of independent, responsible individuals. Furthermore, teachers are encouraged to engage in professional networks to advance their careers. Strategies include grouping students based on ability, adapting content, and employing diverse teaching methods suited to students' learning styles. Assessment within this differentiated learning framework is formative and authentic, moving beyond a reliance on traditional examinations. Therefore, teachers are expected to develop materials suited to students' varying levels of understanding, providing appropriate challenges for more capable students and additional support for those requiring assistance. Through this approach, it is hoped that the goals of religious education can be achieved in a more inclusive and relevant manner.

«کریکولوم مردکا» (Kurikulum Merdeka) رویکردی آموزشی است که اختیار بیشتری به مدارس، معلمان و دانش‌آموزان در طراحی، مدیریت و ارزیابی فرایند یادگیری اعطا می‌کند. علیرغم مزایای فراوان آن ــ که در مقاله‌ای پیشین مورد بحث قرار گرفته است ــ اجرای «کریکولوم مردکا» با چالش‌ها و کاستی‌هایی نیز مواجه است که شایسته توجه می‌باشد. این مقاله با بهره‌گیری از روش پژوهش کتابخانه‌ای و گردآوری داده‌ها از منابع متنوعی همچون کتاب‌ها و مقالات علمی مرتبط با موضوع، به بررسی این رویکرد می‌پردازد. یافته‌های پژوهش نشان می‌دهد که «کریکولوم مردکا» ابتکاری است که توسط وزارت آموزش، فرهنگ، پژوهش و فناوری اندونزی برای مقابله با بحران یادگیری تشدیدشده در پی همه‌گیری کووید-۱۹ راه‌اندازی شده است. این برنامه درسی با هدف فراهم‌کردن تجارب یادگیری انعطاف‌پذیرتر و متنوع‌تر طراحی شده و به دانش‌آموزان امکان می‌دهد ایده‌ها را کاوش کرده و مهارت‌های خود را توسعه دهند. با اعطای آزادی عمل به معلمان در انتخاب منابع آموزشی، «کریکولوم مردکا» در پی آن است که آموزش را متناسب با علایق و نیازهای یادگیری هر دانش‌آموز تنظیم کند. این برنامه که در سال ۲۰۱۹ توسط وزیر آموزش و فرهنگ، Nadiem Makarim، معرفی شد، جایگزین برنامه درسی ۲۰۱۳ گردیده و بر استقلال دانش‌آموزان در کسب اطلاعات از منابع مختلف رسمی و غیررسمی تأکید دارد. همچنین بر توسعه ظرفیت‌ها و شخصیت دانش‌آموزان در راستای «پروفیل دانش‌آموز پانچاسیلا» (Profil Pelajar Pancasila) تمرکز می‌کند. نظام آموزشی مبتنی بر خودمختاری، با هدف ارتقای آگاهی دانش‌آموزان و تشویق به پرورش افرادی مستقل و مسئولیت‌پذیر طراحی شده است. افزون بر این، معلمان به مشارکت در شبکه‌های حرفه‌ای برای پیشرفت شغلی خود ترغیب می‌شوند. راهبردها شامل گروه‌بندی دانش‌آموزان بر اساس توانایی، تطبیق محتوا و به‌کارگیری روش‌های تدریس متنوع متناسب با سبک‌های یادگیری دانش‌آموزان است. ارزیابی در چارچوب یادگیری تمایزیافته، ماهیتی تکوینی و اصیل دارد و فراتر از اتکای صرف به آزمون‌های سنتی است. بنابراین، انتظار می‌رود معلمان مواد آموزشی متناسب با سطوح مختلف درک دانش‌آموزان تهیه کنند و چالش‌های مناسب برای دانش‌آموزان توانمندتر و حمایت‌های اضافی برای دانش‌آموزان نیازمند ارائه دهند. از رهگذر این رویکرد، امید می‌رود اهداف آموزش دینی به شیوه‌ای فراگیرتر و مرتبط‌تر تحقق یابد.

This study aims to analyze the implementation of Problem Based Learning (PBL) in fostering deep learning on the human digestive system topic among fifth-grade students at SD Negeri Bulakan 02 and to identify its supporting and inhibiting factors. This study employed a descriptive qualitative approach, with data collected through observation, interviews, and documentation. Data were analyzed through data collection, data condensation, data presentation, and conclusion drawing. The results showed that the implementation of PBL through the stages of problem orientation, learning organization, investigation, presentation of results, and analysis and evaluation supported the development of mindful, meaningful, and joyful learning. Students were able to relate the digestive system concepts to everyday life, collaborate in groups, conduct investigations, and reflect on the learning process. Supporting factors included teacher preparedness, learning media, worksheets, group collaboration, and teacher guidance. Meanwhile, inhibiting factors included limited learning time, uneven student participation, and the need for guidance during the investigation process. Therefore, PBL can support deep learning, although students’ understanding has not yet been evenly achieved.

هدف این پژوهش تحلیل اجرای یادگیری مبتنی بر مسئله (PBL) در پرورش یادگیری عمیق در موضوع دستگاه گوارش انسان در میان دانش‌آموزان پایه پنجم دبستان SD Negeri Bulakan 02 و شناسایی عوامل حمایتی و بازدارنده آن است. این پژوهش با رویکرد کیفی توصیفی انجام شده و داده‌ها از طریق مشاهده، مصاحبه و اسناد جمع‌آوری شده‌اند. تحلیل داده‌ها از طریق جمع‌آوری داده، تلخیص داده، ارائه داده و نتیجه‌گیری صورت گرفته است. نتایج نشان داد که اجرای PBL از طریق مراحل جهت‌دهی به مسئله، سازماندهی یادگیری، تحقیق، ارائه نتایج و تحلیل و ارزیابی، به توسعه یادگیری آگاهانه، معنادار و لذت‌بخش کمک کرده است. دانش‌آموزان توانستند مفاهیم دستگاه گوارش را به زندگی روزمره مرتبط سازند، در گروه‌ها همکاری کنند، به تحقیق بپردازند و فرایند یادگیری را بازتاب دهند. عوامل حمایتی شامل آمادگی معلم، رسانه‌های آموزشی، برگه‌های کار، همکاری گروهی و راهنمایی معلم بودند. در مقابل، عوامل بازدارنده شامل محدودیت زمان یادگیری، مشارکت نامتوازن دانش‌آموزان و نیاز به راهنمایی در فرایند تحقیق بود. بنابراین، PBL می‌تواند از یادگیری عمیق حمایت کند، هرچند درک دانش‌آموزان هنوز به طور یکنواخت حاصل نشده است.

This study analyzes the impact of implementing a deep learning-based flipped classroom model on Fiqh madrasah students' learning outcomes in madrasah examinations, focusing on developing contextual and meaningful learning. The study uses a quantitative approach with a quasi-experimental pretest-posttest control group design. The research subjects consisted of 70 students divided into a group using the deep learning-based flipped classroom model and a group receiving conventional instruction. Data were collected through learning outcome tests, observation, and documentation. Data analysis used descriptive statistics, the N-Gain test, and the independent-samples t-test, after confirming normality and homogeneity assumptions. The results indicate a significant difference in learning outcomes between the deep learning-based flipped classroom group and the conventional group, with a significance value of 0.031 (<0.05). The experimental group achieved a mean posttest score of 87.65 with an N-Gain of 0.64, whereas the conventional group obtained a mean of 82.67 with an N-Gain of 0.54. The study's implications suggest that the deep learning-based flipped classroom model serves as an alternative instructional strategy for Fiqh that can enhance student engagement, strengthen conceptual understanding, and support the implementation of innovative learning practices in madrasah.

این پژوهش تأثیر اجرای مدل کلاس معکوس مبتنی بر یادگیری عمیق را بر نتایج یادگیری دانش‌آموزان فقه در آزمون‌های مدرسه دینی، با تمرکز بر توسعه یادگیری زمینه‌ای و معنادار، مورد تحلیل قرار می‌دهد. این مطالعه با رویکرد کمی و با طرح شبه‌آزمایشی پیش‌آزمون-پس‌آزمون با گروه کنترل انجام شده است. جامعه پژوهش شامل ۷۰ دانش‌آموز بود که به دو گروه تقسیم شدند: یک گروه از مدل کلاس معکوس مبتنی بر یادگیری عمیق استفاده کردند و گروه دیگر آموزش متداول را دریافت نمودند. داده‌ها از طریق آزمون‌های نتایج یادگیری، مشاهده و مستندسازی گردآوری شد. تحلیل داده‌ها با استفاده از آمار توصیفی، آزمون N-Gain و آزمون t مستقل پس از تأیید فرض نرمال بودن و همگنی انجام گرفت. نتایج نشان داد که بین نتایج یادگیری گروه کلاس معکوس مبتنی بر یادگیری عمیق و گروه متداول تفاوت معناداری وجود دارد (مقدار معناداری ۰.۰۳۱ < ۰.۰۵). گروه آزمایشی میانگین نمره پس‌آزمون ۸۷.۶۵ با N-Gain برابر با ۰.۶۴ را کسب کرد، در حالی که گروه متداول میانگین ۸۲.۶۷ و N-Gain برابر با ۰.۵۴ را به دست آورد. دلالت‌های پژوهش حاکی از آن است که مدل کلاس معکوس مبتنی بر یادگیری عمیق می‌تواند به عنوان یک راهبرد آموزشی جایگزین برای درس فقه، موجب افزایش مشارکت دانش‌آموزان، تقویت درک مفهومی و حمایت از اجرای شیوه‌های نوآورانه یادگیری در مدرسه دینی شود.

Digital transformation in vocational education necessitates practical learning that goes beyond mere skill mastery; it must also foster deep understanding, critical thinking, problem-solving, collaboration, and learner autonomy. This study aims to develop a digital-based vocational practical learning model utilizing a "deep learning" approach to enhance the quality of instruction at SMK Werdhi Sila Kumara. The study employs the Research and Development (R&D) method using the ADDIE model, comprising the stages of Analysis, Design, Development, Implementation, and Evaluation. Participants included teachers, 120 Grade X students, and expert validators. Data were collected through observations, interviews, questionnaires, practical skill assessments, and learning outcome tests, then analyzed using both descriptive and quantitative methods. The results indicate that the model was developed to meet the need for practical learning that is more active, contextual, digital, and reflective. The model integrates mindful, meaningful, and joyful learning through digital exploration, hands-on practice, problem-solving, collaboration, reflection, and evaluation. The model was deemed valid and practical, with average response scores of 4.17 from teachers and 4.04 from students (on a 5-point scale). Its effectiveness was demonstrated by an increase in average learning outcomes from 75 in the pre-test to 80 in the post-test. The final model is considered valid, practical, and effective in supporting the improvement of vocational practical learning quality.

تحول دیجیتال در آموزش‌های فنی و حرفه‌ای مستلزم یادگیری عملی است که فراتر از صرفاً تسلط بر مهارت‌ها باشد؛ بلکه باید درک عمیق، تفکر انتقادی، حل مسئله، همکاری و خودمختاری یادگیرنده را نیز تقویت کند. هدف این پژوهش، توسعه یک مدل آموزش عملی مهارت‌های فنی مبتنی بر دیجیتال با بهره‌گیری از رویکرد «یادگیری عمیق» به منظور ارتقای کیفیت آموزش در دبیرستان فنی حرفه‌ای Werdhi Sila Kumara است. این پژوهش با روش تحقیق و توسعه (R&D) و با استفاده از مدل ADDIE شامل مراحل تحلیل، طراحی، توسعه، اجرا و ارزیابی انجام شده است. شرکت‌کنندگان شامل معلمان، ۱۲۰ دانش‌آموز پایه دهم و ارزیابان خبره بودند. داده‌ها از طریق مشاهده، مصاحبه، پرسشنامه، ارزیابی مهارت‌های عملی و آزمون‌های نتایج یادگیری گردآوری و با روش‌های توصیفی و کمی تحلیل شدند. نتایج نشان می‌دهد که مدل توسعه‌یافته، نیاز به یادگیری عملی فعال‌تر، زمینه‌مند، دیجیتال و تأملی را برآورده می‌کند. این مدل یادگیری آگاهانه، معنادار و لذت‌بخش را از طریق کاوش دیجیتال، تمرین عملی، حل مسئله، همکاری، تأمل و ارزیابی ادغام می‌کند. مدل مذکور از نظر اعتبار و کاربردپذیری با میانگین امتیاز پاسخ ۴.۱۷ از معلمان و ۴.۰۴ از دانش‌آموزان (در مقیاس ۵ امتیازی) تأیید شد. اثربخشی مدل با افزایش میانگین نتایج یادگیری از ۷۵ در پیش‌آزمون به ۸۰ در پس‌آزمون نشان داده شد. مدل نهایی از نظر اعتبار، کاربردپذیری و اثربخشی در حمایت از ارتقای کیفیت آموزش عملی مهارت‌های فنی تأیید می‌شود.

This study aims to analyze the implementation of Deep Learning based on Teaching at the Right Level (TaRL) in creating meaningful learning in elementary schools. The diversity of students’ abilities requires teachers to provide learning experiences that are appropriate to students’ initial competencies, needs, and characteristics. TaRL focuses on identifying students’ actual learning levels through diagnostic assessment, flexible grouping, and appropriate learning interventions, while Deep Learning emphasizes three main principles: mindful, meaningful, and joyful learning. This study uses a literature review method to examine various previous studies on the implementation of Deep Learning based on Teaching at the Right Level (TaRL) in fostering meaningful learning in elementary schools. The findings indicate that the integration of TaRL and Deep Learning can support differentiated learning by aligning learning materials, activities, media, and assistance with students’ ability levels. Previous studies also report improvements in learning outcomes, student engagement, motivation, conceptual understanding, and participation. However, its implementation faces several challenges, including the accuracy of diagnostic assessments, limited instructional time, large class sizes, teacher readiness, preparation of differentiated learning resources, and students’ and parents’ acceptance of ability-based grouping. Therefore, the integration of Deep Learning and TaRL has the potential to create adaptive, active, contextual, and meaningful learning experiences in elementary schools through continuous assessment, flexible grouping, appropriate learning strategies, and strong teacher and school support.

هدف این پژوهش تحلیل اجرای یادگیری عمیق مبتنی بر آموزش در سطح مناسب (Teaching at the Right Level یا TaRL) در ایجاد یادگیری معنادار در مدارس ابتدایی است. تنوع توانایی‌های دانش‌آموزان ایجاب می‌کند که معلمان تجربیات یادگیری متناسب با شایستگی‌های اولیه، نیازها و ویژگی‌های دانش‌آموزان فراهم کنند. TaRL بر شناسایی سطح واقعی یادگیری دانش‌آموزان از طریق ارزیابی تشخیصی، گروه‌بندی انعطاف‌پذیر و مداخلات آموزشی مناسب تمرکز دارد، در حالی که یادگیری عمیق سه اصل اصلی را مورد تأکید قرار می‌دهد: یادگیری آگاهانه، معنادار و لذت‌بخش. این پژوهش با استفاده از روش مرور ادبیات به بررسی مطالعات پیشین درباره اجرای یادگیری عمیق مبتنی بر آموزش در سطح مناسب (TaRL) در تقویت یادگیری معنادار در مدارس ابتدایی می‌پردازد. یافته‌ها نشان می‌دهد که ادغام TaRL و یادگیری عمیق می‌تواند از یادگیری تفکیکی با همسویی مواد آموزشی، فعالیت‌ها، رسانه‌ها و حمایت‌ها با سطح توانایی دانش‌آموزان حمایت کند. مطالعات پیشین همچنین بهبود در نتایج یادگیری، مشارکت دانش‌آموزان، انگیزش، درک مفهومی و حضور را گزارش کرده‌اند. با این حال، اجرای آن با چالش‌هایی همچون دقت ارزیابی‌های تشخیصی، محدودیت زمان تدریس، تعداد زیاد دانش‌آموزان در کلاس، آمادگی معلمان، تهیه منابع یادگیری تفکیکی و پذیرش گروه‌بندی مبتنی بر توانایی توسط دانش‌آموزان و والدین مواجه است. بنابراین، ادغام یادگیری عمیق و TaRL این پتانسیل را دارد که از طریق ارزیابی مستمر، گروه‌بندی انعطاف‌پذیر، راهبردهای یادگیری مناسب و حمایت قوی معلم و مدرسه، تجربیات یادگیری سازگار، فعال، زمینه‌مند و معنادار را در مدارس ابتدایی ایجاد کند.

This study was motivated by the low learning outcomes of third-grade students in Natural and Social Sciences (IPAS), caused in part by conventional, teacher-centered instruction. This classroom action research aimed to improve students’ IPAS learning outcomes through a Deep Learning approach integrated with the Problem-Based Learning (PBL) model. Deep Learning was implemented through mindful, meaningful, and joyful learning experiences that encouraged students to understand learning goals, connect concepts with real-life problems, collaborate in investigations, apply knowledge, and reflect on their learning. The study was conducted in two cycles, each consisting of planning, implementation, observation, and reflection, at SDN Tempel. Data were collected through observation, documentation, interviews, and learning-outcome tests, then analyzed using quantitative and qualitative descriptive techniques. The class average increased from 76.8 in Cycle I to 86.5 in Cycle II, while classical mastery improved from 70% to 100%. These findings indicate that the integration of Deep Learning and PBL can improve students’ IPAS learning outcomes.

این پژوهش با انگیزه نتایج پایین یادگیری دانش‌آموزان پایه سوم در درس علوم طبیعی و اجتماعی (IPAS) که بخشی از آن ناشی از آموزش سنتی و معلم‌محور بود، انجام شد. هدف این پژوهش اقدام‌پژوهی کلاسی، ارتقای نتایج یادگیری IPAS دانش‌آموزان از طریق رویکرد یادگیری عمیق تلفیق‌شده با مدل یادگیری مبتنی بر مسئله (PBL) بود. یادگیری عمیق از طریق تجارب یادگیری آگاهانه، معنادار و لذت‌بخش اجرا شد که دانش‌آموزان را به درک اهداف یادگیری، ارتباط مفاهیم با مسائل واقعی زندگی، همکاری در پژوهش، به‌کارگیری دانش و تأمل در یادگیری خود تشویق می‌کرد. این مطالعه در دو چرخه شامل برنامه‌ریزی، اجرا، مشاهده و تأمل در دبستان دولتی تمپل انجام شد. داده‌ها از طریق مشاهده، مستندسازی، مصاحبه و آزمون‌های نتایج یادگیری گردآوری و با روش‌های توصیفی کمی و کیفی تحلیل شدند. میانگین کلاس از ۷۶.۸ در چرخه اول به ۸۶.۵ در چرخه دوم افزایش یافت و تسلط کلاسیک از ۷۰٪ به ۱۰۰٪ بهبود یافت. این یافته‌ها نشان می‌دهد که ادغام یادگیری عمیق و PBL می‌تواند نتایج یادگیری IPAS دانش‌آموزان را بهبود بخشد.

This study examined the efficacy of a deep-learning pedagogy-based electrical installation practicum job sheet (DLPJ) in fostering students' learning autonomy within the context of technical and vocational education and training (TVET). The evolving demands of the TVET industry necessitate graduates who possess technical skills and demonstrate the capacity for independent learning, reflective practice, and adaptive problem-solving. Employing a convergent mixed-methods design grounded in deep learning pedagogy and self-regulated learning theory, this study investigated this phenomenon using a sample of 64 undergraduate students enrolled in an electrical installation practicum course. Data collection involved the administration of the Learning Autonomy Scale at both the pretest and posttest stages, with analysis conducted through analysis of covariance and mixed analysis of variance. Qualitative data were gathered via semi-structured interviews to gain insights into students' learning experiences and perceptions. The findings indicated a significant enhancement in learning autonomy among students utilizing the DLPJ, with very large effect sizes reflecting substantial improvements in planning, monitoring, and self-evaluation. Qualitative data further suggested increased reflective thinking and confidence in task performance, as well as greater independence in resolving practical electrical installation challenges. These results suggest that integrating reflective inquiry, conceptual thinking, and self-reflection into laboratory lessons can effectively merge cognitive and psychomotor learning in vocational training programs. The study concludes that immersive learning pedagogy can transform traditional procedural job sheet into autonomy-focused learning tools, offering a practical instructional model for preparing flexible and work-ready graduates in the technology and vocational education sectors.

این پژوهش اثربخشی برگه کار عملی نصب تأسیسات الکتریکی مبتنی بر پداگوژی یادگیری عمیق (DLPJ) را در پرورش خودمختاری یادگیری دانشجویان در زمینه آموزش و پرورش فنی و حرفه‌ای (TVET) مورد بررسی قرار داد. نیازهای در حال تحول صنعت TVET مستلزم فارغ‌التحصیلانی است که علاوه بر مهارت‌های فنی، توانایی یادگیری مستقل، تمرین تأملی و حل مسئله تطبیقی را نیز دارا باشند. با بهره‌گیری از طرح آمیخته همگرا مبتنی بر پداگوژی یادگیری عمیق و نظریه یادگیری خودتنظیمی، این پژوهش با نمونه‌ای متشکل از ۶۴ دانشجوی کارشناسی ثبت‌نام‌شده در درس عملی نصب تأسیسات الکتریکی انجام شد. گردآوری داده‌ها از طریق اجرای مقیاس خودمختاری یادگیری در مراحل پیش‌آزمون و پس‌آزمون صورت گرفت و تحلیل داده‌ها با استفاده از تحلیل کوواریانس و تحلیل واریانس آمیخته انجام شد. داده‌های کیفی نیز از طریق مصاحبه‌های نیمه‌ساختاریافته جهت کسب بینش نسبت به تجارب و ادراکات یادگیری دانشجویان گردآوری گردید. یافته‌ها نشان داد که استفاده از DLPJ منجر به افزایش معنادار خودمختاری یادگیری در دانشجویان شده است، به‌طوری که اندازه اثر بسیار بزرگ، بهبود چشمگیری را در برنامه‌ریزی، پایش و خودارزیابی نشان داد. داده‌های کیفی نیز حاکی از افزایش تفکر تأملی و اعتماد به نفس در انجام وظایف و همچنین استقلال بیشتر در حل چالش‌های عملی نصب تأسیسات الکتریکی بود. این نتایج نشان می‌دهد که ادغام پرسشگری تأملی، تفکر مفهومی و خودبازتابی در دروس آزمایشگاهی می‌تواند یادگیری شناختی و روان‌حرکتی را در برنامه‌های آموزش فنی و حرفه‌ای به‌طور مؤثری تلفیق کند. پژوهش نتیجه می‌گیرد که پداگوژی یادگیری فراگیر می‌تواند برگه کار عملی سنتی را به ابزاری متمرکز بر خودمختاری یادگیری تبدیل کند و مدل آموزشی عملی برای آماده‌سازی فارغ‌التحصیلان منعطف و آماده به کار در بخش آموزش فناوری و فنی و حرفه‌ای ارائه دهد.

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.

Exploration and reflection on problem-based learning building critical thinking. Implementation constrains problem-based learning in elementary schools, students' ability to understand problems is crucial. Media are needed to stimulate the ability to analyze real-world problems, express logical opinions, and implement solutions as critical thinking skills that foster an attitude of environmental concern. The purpose of this study was to analyze the influence of the use of storybooks and wordwall deep problem-based learning on critical thinking skills and environmental awareness simultaneously. The study used quantitative methods, with a quasi-experimental design. Partial Eta Squared 0.556, significance value (p = 0.000 < 0.05), proves that the use of storybooks and wordwall deep problem-based learning have a strong influence on critical thinking skills and environmental awareness simultaneously. There is a difference in partial influence between the two dependent variables based on the value in the tests of between-subjects’ effects, the use of storybooks and wordwalls contributed 49.8% to critical thinking skills, while the contribution to environmental awareness was 30.1%. Therefore, the critical thinking variable was the variable most affected using storybooks and wordwall in the problem-based learning compared to environmental concern attitude variables.

کاوش و تأمل در یادگیری مبتنی بر مسئله به منظور تقویت تفکر انتقادی صورت گرفته است. اجرای یادگیری مبتنی بر مسئله در مدارس ابتدایی با محدودیت‌هایی مواجه است و توانایی دانش‌آموزان در درک مسائل بسیار حیاتی است. به کارگیری رسانه‌هایی برای تحریک توانایی تحلیل مسائل واقعی، بیان نظرات منطقی و اجرای راه‌حل‌ها به عنوان مهارت‌های تفکر انتقادی که منجر به تقویت نگرش مسئولیت‌پذیری زیست‌محیطی می‌شود، ضروری است. هدف این پژوهش، تحلیل تأثیر استفاده از کتاب‌های داستانی و دیوارکلمات در یادگیری مبتنی بر مسئله عمیق بر مهارت‌های تفکر انتقادی و آگاهی زیست‌محیطی به طور همزمان بود. این پژوهش با روش کمی و طرح شبه‌آزمایشی انجام شد. مقدار Partial Eta Squared برابر با 0.556 و مقدار معناداری (p = 0.000 < 0.05) نشان می‌دهد که استفاده از کتاب‌های داستانی و دیوارکلمات در یادگیری مبتنی بر مسئله تأثیر قوی و معناداری بر مهارت‌های تفکر انتقادی و آگاهی زیست‌محیطی به طور همزمان دارد. بر اساس نتایج آزمون اثرات بین آزمودنی‌ها، بین دو متغیر وابسته تفاوت تأثیر جزئی وجود دارد؛ به طوری که استفاده از کتاب‌های داستانی و دیوارکلمات 49.8٪ به مهارت‌های تفکر انتقادی و 30.1٪ به آگاهی زیست‌محیطی کمک کرده است. بنابراین، متغیر تفکر انتقادی بیشترین تأثیر را از استفاده از کتاب‌های داستانی و دیوارکلمات در یادگیری مبتنی بر مسئله نسبت به متغیر نگرش مسئولیت‌پذیری زیست‌محیطی داشته است.

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.

Research on emotional recognition from images is advancing across computer vision, psychology, and neuroscience. Even though computer vision has come a long way, emotion detection still faces many challenges. For example, facial-centric models trained on small datasets don't always get the right results, and there aren't enough image collections that show emotions in the right context to show how complicated they really are. This work proposes an innovative approach for contextual emotional detection by integrating bodily sensations with environmental data. We created LEMOTIC, a large, diverse dataset that covers a 116,034 images; wide range of emotional situations. We constructed our methodology utilising a deep convolutional neural network (DCNN) architecture. To better understand emotions in context, we connect 26 different emotional categories to three continuous emotional dimensions: valence, arousal, and dominance. After extensive hyperparameter tuning, our model demonstrated accurate emotion recognition from full-body postures and ambient data. Our Sentiment Recognition Model surpasses earlier techniques in both accuracy and generalisation for continuous and discrete emotional variables. Our study reveals that somatic and contextual emotions are particularly important when examining emotions in images. Our method improves context-aware emotion recognition by using deep learning and a carefully chosen dataset. This makes it easier to use in social robotics, affective computing, and human-computer interaction.

پژوهش‌ها در زمینه شناسایی هیجان از تصاویر در حوزه‌های بینایی ماشین، روان‌شناسی و علوم اعصاب در حال پیشرفت است. با وجود پیشرفت‌های قابل توجه در بینایی ماشین، شناسایی هیجان همچنان با چالش‌های متعددی مواجه است. به عنوان مثال، مدل‌های مبتنی بر چهره که با داده‌های محدود آموزش دیده‌اند، همواره نتایج دقیقی ارائه نمی‌دهند و مجموعه تصاویر کافی که هیجان‌ها را در زمینه مناسب نمایش دهند و پیچیدگی آن‌ها را نشان دهند، وجود ندارد. این پژوهش رویکردی نوآورانه برای شناسایی هیجان زمینه‌مند با ادغام احساسات بدنی و داده‌های محیطی ارائه می‌دهد. ما مجموعه داده LEMOTIC را ایجاد کردیم که شامل ۱۱۶٬۰۳۴ تصویر و دامنه وسیعی از موقعیت‌های هیجانی است. روش‌شناسی ما مبتنی بر معماری شبکه عصبی کانولوشنی عمیق (DCNN) طراحی شده است. به منظور درک بهتر هیجان‌ها در زمینه، ۲۶ دسته هیجانی مختلف را به سه بعد پیوسته هیجان شامل والانس، برانگیختگی و سلطه متصل کردیم. پس از تنظیم گسترده ابرپارامترها، مدل ما توانست شناسایی دقیقی از هیجان بر اساس وضعیت‌های بدنی کامل و داده‌های محیطی ارائه دهد. مدل شناسایی هیجان ما از نظر دقت و تعمیم‌پذیری در متغیرهای هیجانی پیوسته و گسسته، عملکرد بهتری نسبت به روش‌های پیشین نشان داد. یافته‌های پژوهش نشان می‌دهد که هیجان‌های جسمانی و زمینه‌ای در بررسی هیجان‌ها در تصاویر اهمیت ویژه‌ای دارند. روش ما با بهره‌گیری از یادگیری عمیق و مجموعه داده‌ای منتخب، شناسایی هیجان آگاه از زمینه را بهبود می‌بخشد و کاربرد آن را در رباتیک اجتماعی، محاسبات عاطفی و تعامل انسان و رایانه تسهیل می‌کند.

This study developed and tested a Deep Learning-Based Character-Strengthening Education Model for Pancasila Education at the junior high school level in Bandar Lampung City, Indonesia. Using a mixed-methods design integrated with Research and Development (R&D), the study proceeded through six stages, from preliminary participatory observation and prototype development to expert and teacher validation, quasi-experimental testing, multilevel statistical analysis, and final model refinement. Participants comprised teachers and students from junior high schools across Bandar Lampung City, selected through random sampling. The results showed that understanding of Pancasila concepts increased by 25% in the experimental group, compared with 10% in the control group, with character-strengthening indicators – tolerance, integrity, responsibility and cooperation – also registering significantly greater gains (p < 0.05). Teacher implementation quality, school environmental support and student engagement emerged as key mediators of the model’s effectiveness. The findings indicate that embedding mindful, meaningful and joyful learning principles within Pancasila Education strengthens both conceptual understanding and student character more effectively than conventional, teacher-centred approaches. The model offers a practical, empirically validated framework for character-based citizenship education in Indonesian schools and contributes to broader debates on deep-learning pedagogies in civic and moral education.

این پژوهش، یک الگوی آموزش تقویت‌کننده شخصیت مبتنی بر یادگیری عمیق را برای آموزش پانچاسیلا در سطح مدارس متوسطه اول در شهر باندار لامپونگ اندونزی توسعه داده و مورد آزمون قرار داده است. این مطالعه با بهره‌گیری از طرح آمیخته و ادغام آن با روش تحقیق و توسعه (R&D)، در شش مرحله از مشاهده مشارکتی مقدماتی و توسعه نمونه اولیه تا اعتبارسنجی توسط خبرگان و معلمان، آزمون شبه‌آزمایشی، تحلیل آماری چندسطحی و اصلاح نهایی مدل پیش رفته است. شرکت‌کنندگان شامل معلمان و دانش‌آموزان مدارس متوسطه اول سراسر شهر باندار لامپونگ بودند که به روش نمونه‌گیری تصادفی انتخاب شدند. نتایج نشان داد که میزان درک مفاهیم پانچاسیلا در گروه آزمایش ۲۵٪ افزایش یافت، در حالی که این میزان در گروه کنترل ۱۰٪ بود و شاخص‌های تقویت شخصیت شامل مدارا، صداقت، مسئولیت‌پذیری و همکاری نیز افزایش معنادار بیشتری را نشان دادند (p < 0.05). کیفیت اجرای معلمان، حمایت محیط مدرسه و مشارکت دانش‌آموزان به عنوان میانجی‌های کلیدی اثربخشی مدل شناسایی شدند. یافته‌ها حاکی از آن است که ادغام اصول یادگیری آگاهانه، معنادار و لذت‌بخش در آموزش پانچاسیلا، هم درک مفهومی و هم شخصیت دانش‌آموزان را مؤثرتر از رویکردهای سنتی مبتنی بر معلم تقویت می‌کند. این مدل، چارچوبی عملی و مبتنی بر شواهد تجربی برای آموزش شهروندی مبتنی بر شخصیت در مدارس اندونزی ارائه می‌دهد و به مباحث گسترده‌تر درباره رویکردهای یادگیری عمیق در آموزش مدنی و اخلاقی کمک می‌کند.

How can civic education move beyond transmitting knowledge to cultivating the critical thinking young citizens need for democratic life? This study addresses that question by examining a deep learning-oriented problem-based learning (DL-PBL) model designed to develop critical thinking and support civic learning within primary Civic Education. Using a convergent mixed-methods design, we worked with 112 fourth-grade students from two primary schools in Palembang, South Sumatra, employing a quasi-experimental pre-test–post-test design with intact classes, complemented by classroom observations and students’ reflective journals. Because the total-score distribution was non-normal, between-group differences were analysed using an independent-samples Mann–Whitney U test, which indicated a statistically significant difference in total critical-thinking scores between the two groups, U = 0.000, z = −9.142, p < .001, with a very large standardised effect size, r = .864. The five critical-thinking aspect scores showed high internal consistency (Cronbach’s α = .888), and descriptive results showed consistently higher achievement percentages in the DL-PBL group across all assessed aspects. Qualitative findings revealed meaningful engagement with local civic issues, collaborative inquiry, reflective thinking, and active participation throughout the learning process. Together, these findings suggest that DL-PBL offers a promising instructional framework for connecting critical thinking with civic reasoning, Pancasila values, and community-based learning, providing a practical pathway for strengthening civic education in primary schools.

آموزش شهروندی چگونه می‌تواند فراتر از انتقال دانش رفته و به پرورش تفکر انتقادی مورد نیاز شهروندان جوان برای زندگی دموکراتیک بپردازد؟ این پژوهش با بررسی یک مدل یادگیری مبتنی بر مسئله با رویکرد یادگیری عمیق (DL-PBL) که با هدف توسعه‌ی تفکر انتقادی و حمایت از یادگیری شهروندی در آموزش شهروندی ابتدایی طراحی شده است، به این پرسش می‌پردازد. با استفاده از طرح آمیخته‌ی همگرا، با ۱۱۲ دانش‌آموز پایه چهارم از دو مدرسه ابتدایی در پالمبانگ، سوماترای جنوبی همکاری شد و از طرح شبه‌آزمایشی پیش‌آزمون–پس‌آزمون با کلاس‌های دست‌نخورده، به همراه مشاهده‌های کلاسی و یادداشت‌های تأملی دانش‌آموزان بهره گرفته شد. با توجه به غیرنرمال بودن توزیع نمرات کل، تفاوت‌های بین گروهی با استفاده از آزمون U من–ویتنی برای نمونه‌های مستقل تحلیل شد که تفاوت معنادار آماری در نمرات کل تفکر انتقادی بین دو گروه را نشان داد (U = 0.000، z = −9.142، p < .001) و اندازه‌ی اثر استاندارد شده بسیار بزرگ بود (r = .864). نمرات پنج جنبه‌ی تفکر انتقادی از پایایی درونی بالایی برخوردار بودند (آلفای کرونباخ = .888) و نتایج توصیفی نشان داد که درصد موفقیت در گروه DL-PBL در تمامی جنبه‌های ارزیابی شده به طور پیوسته بالاتر بوده است. یافته‌های کیفی نیز مشارکت معنادار با مسائل شهروندی محلی، پژوهش مشارکتی، تفکر تأملی و مشارکت فعال در سراسر فرایند یادگیری را آشکار ساخت. این یافته‌ها در مجموع نشان می‌دهند که DL-PBL چارچوب آموزشی امیدبخشی برای پیوند تفکر انتقادی با استدلال شهروندی، ارزش‌های پنج‌گانه‌ی پانچاسیلا و یادگیری مبتنی بر جامعه فراهم می‌کند و مسیر عملی برای تقویت آموزش شهروندی در مدارس ابتدایی ارائه می‌دهد.

Pembelajaran Biologi pada Kurikulum Merdeka menekankan pendekatan deep learning untuk membentuk dimensi profil lulusan, khususnya penalaran kritis, yang selaras dengan tuntutan keterampilan abad ke-21 meliputi critical thinking, communication, collaboration, dan creativity. Namun, bahan ajar di sekolah masih terbatas dan belum optimal mendukung pembelajaran berbasis masalah serta pemanfaatan teknologi pembelajaran interaktif, khususnya pada materi Sistem Pencernaan Manusia. Penelitian ini memiliki tujuan merancang serta menilai kelayakan buku saku interaktif berbasis Problem Based Learning yang dilengkapi dengan Augmented Reality guna meningkatkan kemampuan berpikir kritis siswa kelas XI SMA. Penelitian menggunakan model pengembangan 4D dengan uji coba skala terbatas dilakukan pada 25 siswa kelas XI di SMA Negeri 7 Surabaya. Instrumen meliputi validasi ahli, angket respon siswa, observasi keterlaksanaan pembelajaran, uji keterbacaan grafik Fry, serta soal pretest dan posttest. Hasil menunjukkan tingkat validitas sangat valid dengan nilai 98.38%, kepraktisan sangat praktis berdasarkan respon siswa mendapatkan nilai 98.4% dan keterlaksanaan pembelajaran mendapatkan nilai 97.47%, serta keterbacaan yang sesuai dengan tingkat kelas XI. Keefektifan ditunjukkan oleh peningkatan nilai rata-rata dari 54 menjadi 93.2 dengan nilai N-gain sebesar 0,8 yang termasuk dalam kategori tinggi serta tingkat ketuntasan belajar mencapai 100%, dan peningkatan ketercapaian indikator berpikir kritis dari 52% cukup tuntas menjadi 94.33% sangat tuntas. Dengan demikian, buku saku interaktif dinyatakan layak, praktis, dan efektif sebagai media pembelajaran Biologi untuk meningkatkan kemampuan berpikir kritis siswa. Kata Kunci: buku saku, PBL, pembelajaran abad-21, berpikir kritis. Biology learning in the Independent Curriculum emphasizes a deep learning approach to shape graduate profile dimensions, particularly critical reasoning, which aligns with the demands of 21st-century skills including critical thinking, communication, collaboration, and creativity. However, teaching materials in schools are still limited and do not optimally support problem-based learning and the use of interactive learning technology, especially in the Human Digestive System material. This study aims to design and assess the feasibility of an interactive pocketbook based on Problem Based Learning equipped with Augmented Reality to improve the critical thinking skills of 11th-grade high school students. The study used a 4D development model with a limited-scale trial conducted on 25 11th-grade students at SMA Negeri 7 Surabaya. Instruments included expert validation, student response questionnaires, learning implementation observations, Fry graph readability tests, and pretest and posttest questions. The results showed a very valid level of validity with a value of 98.38%, very practicality based on student responses obtained a value of 98.4% and learning implementation obtained a value of 97.47%, as well as readability appropriate for the 11th-grade level. Effectiveness is demonstrated by an increase in the average score from 54 to 93.2, with an N-gain of 0.8, which is considered high. The learning completion rate reached 100%. The critical thinking indicator achievement increased from 52% (quite complete) to 94.33% (very complete). Therefore, the interactive pocketbook is deemed feasible, practical, and effective as a Biology learning medium to enhance students' critical thinking skills. Keywords: pocket books, PBL, 21st-century learning, critical thinking.

یادگیری زیست‌شناسی در برنامه درسی مستقل بر رویکرد یادگیری عمیق برای شکل‌دهی ابعاد پروفایل فارغ‌التحصیلان، به ویژه استدلال انتقادی، تأکید دارد که با الزامات مهارت‌های قرن بیست و یکم شامل تفکر انتقادی، ارتباط، همکاری و خلاقیت همسو است. با این حال، مواد آموزشی در مدارس هنوز محدود بوده و به طور بهینه از یادگیری مبتنی بر مسئله و استفاده از فناوری یادگیری تعاملی، به ویژه در مبحث دستگاه گوارش انسان، پشتیبانی نمی‌کنند. هدف این پژوهش طراحی و ارزیابی شایستگی کتابچه تعاملی مبتنی بر یادگیری مبتنی بر مسئله مجهز به واقعیت افزوده به منظور ارتقاء مهارت‌های تفکر انتقادی دانش‌آموزان پایه یازدهم دبیرستان است. این پژوهش از مدل توسعه 4D استفاده کرده و آزمون مقیاس محدود بر روی ۲۵ دانش‌آموز پایه یازدهم در دبیرستان دولتی شماره ۷ سورابایا انجام شد. ابزارها شامل روایی خبرگان، پرسشنامه پاسخ دانش‌آموزان، مشاهده اجرای یادگیری، آزمون خوانایی نمودار Fry و سؤالات پیش‌آزمون و پس‌آزمون بود. نتایج نشان داد سطح روایی بسیار بالا با مقدار ۹۸٫۳۸٪، میزان کاربردپذیری بسیار بالا بر اساس پاسخ دانش‌آموزان با مقدار ۹۸٫۴٪ و اجرای یادگیری با مقدار ۹۷٫۴۷٪ و همچنین خوانایی متناسب با سطح پایه یازدهم به دست آمد. اثربخشی با افزایش میانگین نمره از ۵۴ به ۹۳٫۲ و مقدار N-gain برابر با ۰٫۸ که در دسته بالا قرار می‌گیرد، نشان داده شد. نرخ تکمیل یادگیری به ۱۰۰٪ رسید. میزان دستیابی به شاخص تفکر انتقادی از ۵۲٪ (نسبتاً کامل) به ۹۴٫۳۳٪ (کاملاً کامل) افزایش یافت. بنابراین، کتابچه تعاملی به عنوان رسانه یادگیری زیست‌شناسی برای ارتقاء مهارت‌های تفکر انتقادی دانش‌آموزان، شایسته، کاربردی و مؤثر ارزیابی می‌شود.

Kurikulum Merdeka yang diterapkan di Indonesia menekankan pendekatan pembelajaran mendalam yang relevan dengan tuntutan pendidikan abad ke-21, khususnya dalam mengembangkan keterampilan berpikir tingkat tinggi (HOTS). Salah satu solusi untuk mewujudkan hal tersebut adalah dengan mengaplikasikan model pembelajaran yang sistematis, seperti Guided Inquiry. Keberhasilan penerapan model ini didukung oleh penggunaan bahan ajar yang tepat, yaitu Elektronik Lembar Kerja Peserta Didik (E-LKPD). Penelitian ini bertujuan untuk mendeskripsikan validitas E-LKPD berbasis Guided Inquiry pada materi sistem sirkulasi dalam melatihkan kompetensi HOTS siswa kelas XI SMA. Pengembangan E-LKPD dilakukan dengan menggunakan model 4D (Define, Design, Develop, dan Disseminate). Teknik pengumpulan data dilakukan melalui metode validasi. Hasil pengembangan menunjukkan bahwa E-LKPD yang dihasilkan tergolong sangat valid dengan persentase sebesar 98,75% berdasarkan aspek penyajian, isi, kebahasaan, dan syarat teknis. Dengan demikian, E-LKPD berbasis Guided Inquiry pada materi sistem sirkulasi dinyatakan layak digunakan dalam kegiatan pembelajaran. Kata Kunci: Keterampilan Berpikir Tingkat Tinggi, E-LKPD, Guided Inquiry The Merdeka Curriculum implemented in Indonesia emphasizes a deep learning approach that is relevant to the demands of 21st-century education, particularly in developing higher-order thinking skills (HOTS). One solution to address this need is the application of a systematic learning model, such as the Guided Inquiry model. The success of this approach is supported by the use of appropriate teaching materials, namely the Electronic Student Worksheet (E-LKPD). This study aims to describe the validity of a Guided Inquiry-based E-LKPD on the circulatory system material to train the HOTS competencies of eleventh-grade high school students. The development of the E-LKPD was conducted using the 4D model (Define, Design, Develop, and Disseminate). Data were collected through a validation method. The results show that the developed E-LKPD is categorized as highly valid, with a validity score of 98.75% based on aspects of presentation, content, language, and technical requirements. Therefore, the Guided Inquiry-based E-LKPD on circulatory system material is considered feasible for use in learning activities. Keywords: High Order Thinking Skills, E-LKPD, Guided Inquiry

برنامه درسی «مرده‌کا» که در اندونزی اجرا می‌شود، بر رویکرد یادگیری عمیق تأکید دارد که با الزامات آموزش قرن بیست‌ویکم، به ویژه در توسعه مهارت‌های تفکر سطح بالا (HOTS)، مرتبط است. یکی از راه‌حل‌های تحقق این هدف، به‌کارگیری مدل یادگیری نظام‌مند مانند مدل راهنمایی اکتشافی است. موفقیت این رویکرد با استفاده از مواد آموزشی مناسب، یعنی برگه کار الکترونیکی دانش‌آموز (E-LKPD)، حمایت می‌شود. هدف این پژوهش توصیف روایی E-LKPD مبتنی بر راهنمایی اکتشافی در مبحث دستگاه گردش خون به منظور آموزش شایستگی‌های HOTS دانش‌آموزان پایه یازدهم دبیرستان است. توسعه E-LKPD با استفاده از مدل 4D (تعریف، طراحی، توسعه و انتشار) انجام شد. داده‌ها از طریق روش اعتبارسنجی گردآوری گردید. نتایج توسعه نشان داد که E-LKPD تولیدشده بر اساس جنبه‌های ارائه، محتوا، زبان و الزامات فنی با درصد ۹۸٫۷۵٪ بسیار معتبر ارزیابی شد. بنابراین، E-LKPD مبتنی بر راهنمایی اکتشافی در مبحث دستگاه گردش خون برای استفاده در فعالیت‌های آموزشی مناسب تشخیص داده می‌شود.

Kurikulum saat ini menekankan pada penerapan pendekatan pembelajaran mendalam (deep learning), di mana proses belajar tidak hanya sekedar hafalan, melainkan memahami konsep secara mendalam. Namun, kenyataan yang terjadi menunjukkan kesenjangan. Murid masih banyak mengalami miskonsepsi pada materi kompleks seperti transpor membran. Penelitian ini bertujuan menghasilkan media slide PowerPoint interaktif berbasis learning cycle 5E (Engagement, Exploration, Explanation, Elaboration dan Evaluation) guna mengurangi miskonsepsi pada sub materi transpor membran, yang layak berdasarkan kevalidan, kepraktisan dan keefektifan. Selain itu, media PowerPoint yang dikembangkan juga mendukung SDG 4 dengan membantu menciptakan pembelajaran yang lebih berkualitas. Penelitian ini menerapkan model 4D (Define, Design, Development dan Disseminate). Kevalidan media PowerPoint diperoleh dari validasi para ahli dan guru biologi. Kepraktisan media PowerPoint diperoleh dari hasil observasi murid dan angket respon murid. Keefektifan media PowerPoint diperoleh dari hasil belajar murid melalui pretest dan posttest. Subjek penelitian ini berjumlah 32 murid kelas XI-H MA Negeri 4 Jombang. Hasil penelitian menunjukkan bahwa media PowerPoint memperoleh rata-rata validitas sebesar 98,4% dengan hasil sangat valid. Hasil kepraktisan berdasarkan observasi aktivitas murid memperoleh rata-rata sebesar 100% dan angket respon memperoleh rata-rata sebesar 99,69% dengan tingkatan sangat praktis. Hasil keefektifan dari pretest-posttest mendapatkan rata-rata pergeseran konsep dari miskonsepsi menjadi paham konsep sebesar 79,70% dengan kategori efektif serta penurunan miskonsepsi paling tinggi terjadi pada konsep proses osmosis yaitu dari 71,88% menjadi 6,25%. Hasil tersebut mengindikasikan bahwa media PowerPoint interaktif berbasis learning cycle 5E yang dikembangkan valid, praktis dan efektif untuk mengurangi miskonsepsi pada sub materi transpor membran. Kata Kunci: PowerPoint, Learning Cycle 5E, Miskonsepsi, Transpor Membran, Kualitas Pendidikan. The current curriculum emphasizes deep learning, focusing on understanding concepts rather than memorization. However, many students still experience misconceptions, especially in complex topics like membrane transport. This study aimed to develop an interactive PowerPoint slide media based on the 5E learning cycle (Engagement, Exploration, Explanation, Elaboration and Evaluation) to reduce misconceptions in the membrane transport subtopic and to examine its feasibility in terms of validity, practicality, and effectiveness. Additionally, the developed PowerPoint media supports SDG 4 by enhancing learning quality. The study employed the 4D development model (Define, Design, Develop, and Disseminate). The validity of the PowerPoint media was determined through validation by media experts, subject matter experts, and biology teachers, while its practicality was assessed through observations of student involvement and response surveys. Effectiveness was measured based on students’ learning outcomes obtained from pretest and posttest results. The research subjects consisted of 32 eleventh-grade students of class XI-H at MA Negeri 4 Jombang. The results showed that the PowerPoint media achieved an average validity score of 98.4% (very valid), practicality scores of 100% based on student activity observations and 99.69% based on student responses (very practical), and an average conceptual shift from misconception to correct understanding of 79.70% (effective). The greatest reduction in misconceptions occurred in the concept of osmosis, decreasing from 71.88% to 6.25%. Therefore, it can be concluded that the interactive PowerPoint media based on the 5E learning cycle is valid, practical, and effective in reducing misconceptions in the membrane transport subtopic Keywords: PowerPoint, 5E Learning Cycle, Misconceptions, Membrane Transport, Education Quality.

برنامه درسی کنونی بر به‌کارگیری رویکرد یادگیری عمیق تأکید دارد، به‌گونه‌ای که فرایند یادگیری صرفاً به حفظ کردن محدود نمی‌شود، بلکه بر درک عمیق مفاهیم تمرکز دارد. با این حال، واقعیت موجود نشان‌دهنده وجود شکاف است؛ دانش‌آموزان همچنان در مباحث پیچیده‌ای مانند انتقال غشایی دچار تصورات نادرست می‌شوند. هدف این پژوهش، تولید رسانه اسلاید پاورپوینت تعاملی مبتنی بر چرخه یادگیری 5E (درگیری، کاوش، توضیح، بسط و ارزیابی) به‌منظور کاهش تصورات نادرست در زیرمبحث انتقال غشایی و بررسی شایستگی آن بر اساس روایی، کاربردپذیری و اثربخشی است. افزون بر این، رسانه پاورپوینت توسعه‌یافته از SDG 4 نیز پشتیبانی می‌کند و به ارتقای کیفیت یادگیری کمک می‌نماید. این پژوهش از مدل توسعه 4D (تعریف، طراحی، توسعه و انتشار) بهره گرفته است. روایی رسانه پاورپوینت از طریق اعتبارسنجی توسط متخصصان رسانه، متخصصان موضوع و معلمان زیست‌شناسی تعیین شد؛ کاربردپذیری آن از طریق مشاهده مشارکت دانش‌آموزان و پرسشنامه پاسخ‌های آنان ارزیابی گردید. اثربخشی بر اساس نتایج یادگیری دانش‌آموزان از طریق پیش‌آزمون و پس‌آزمون سنجیده شد. جامعه پژوهش شامل ۳۲ دانش‌آموز پایه یازدهم کلاس XI-H دبیرستان MA Negeri 4 Jombang بود. نتایج نشان داد رسانه پاورپوینت میانگین امتیاز روایی ۹۸/۴٪ (بسیار معتبر)، کاربردپذیری ۱۰۰٪ بر اساس مشاهده فعالیت دانش‌آموزان و ۹۹/۶۹٪ بر اساس پاسخ دانش‌آموزان (بسیار کاربردی) و میانگین تغییر مفهومی از تصور نادرست به درک صحیح ۷۹/۷۰٪ (موثر) را کسب کرد. بیشترین کاهش تصورات نادرست در مفهوم اسمز مشاهده شد که از ۷۱/۸۸٪ به ۶/۲۵٪ کاهش یافت. بنابراین، می‌توان نتیجه گرفت که رسانه پاورپوینت تعاملی مبتنی بر چرخه یادگیری 5E از روایی، کاربردپذیری و اثربخشی لازم برای کاهش تصورات نادرست در زیرمبحث انتقال غشایی برخوردار است.

Introduction: Effective clinical teaching depends on managing cognitive load. Contextual vertical integration (CVI), which interweaves basic-science mechanisms with clinical content within a teaching session, was associated with lower self-reported Intrinsic Cognitive Load (ICL) and Extraneous Cognitive Load (ECL) scores and higher self-reported Germane Cognitive Load (GCL) scores in the CONVINCED-OG cluster-randomized crossover trial. Whether baseline deep and surface learning approaches are associated with cognitive load, or moderate CVI’s benefits, is unknown. This prespecified secondary analysis addressed both questions. Materials & Methods: The dataset comprised 103 third-year MBBS students (824 student-topic observations) taught eight core obstetrics and gynecology topics across two teaching hospitals, each topic delivered under CVI-enabled and non-integrated conditions in a topic-level crossover. Baseline deep and surface learning approaches were measured once using the Revised Two-Factor Study Process Questionnaire; ICL, ECL and GCL were self-reported after each session using the Cognitive Load Questionnaire. For each outcome, two linear mixed-effects models were fitted with random intercepts for participant and cluster-period: a main-effects model, and an interaction model adding condition-by-approach interaction terms. Results: Averaged across instructional conditions, a deeper learning approach was associated with lower ICL (b = − 0.040; 95% CI, − 0.071 to − 0.009; p = 0.011), lower ECL (b = − 0.060; 95% CI, − 0.101 to − 0.019; p = 0.004) and higher GCL (b = 0.037; 95% CI, 0.003 to 0.072; p = 0.033). There was no clear evidence that surface approach was associated with any outcome. No interaction between instructional condition and either learning approach was significant for any outcome, giving no clear evidence that CVI’s cognitive-load benefit varied with learning approach. Sensitivity analyses were consistent. With multiplicity adjustments, ECL survived all adjustments, ICL only Benjamini–Hochberg, and GCL none. Conclusion: There was no clear evidence of moderation of CVI-related differences by learning approaches. Deep-approach scores were associated with lower ICL and ECL and higher GCL; surface approach showed no clear association. Keywords: cognitive load theory, vertical integration, learning approaches, medical education, obstetrics and gynecology, cluster-randomized crossover trial

مقدمه: آموزش بالینی مؤثر وابسته به مدیریت بار شناختی است. یکپارچگی عمودی زمینه‌ای (CVI)، که سازوکارهای علوم پایه را با محتوای بالینی در یک جلسه آموزشی درهم می‌آمیزد، در کارآزمایی خوشه‌ای تصادفی متقاطع CONVINCED-OG با نمرات کمتر بار شناختی ذاتی (ICL) و بار شناختی بیرونی (ECL) و نمرات بالاتر بار شناختی سودمند (GCL) خودگزارش‌دهی شده همراه بود. اینکه آیا رویکردهای یادگیری عمیق و سطحی پایه با بار شناختی مرتبط هستند یا تعدیل‌گر منافع CVI می‌باشند، نامشخص است. این تحلیل ثانویه از پیش تعیین‌شده به هر دو پرسش پرداخت. مواد و روش‌ها: داده‌ها شامل ۱۰۳ دانشجوی سال سوم MBBS (۸۲۴ مشاهده دانشجو-موضوع) بود که هشت موضوع اصلی زنان و زایمان را در دو بیمارستان آموزشی فراگرفتند؛ هر موضوع تحت شرایط یکپارچه‌شده با CVI و غیر یکپارچه در یک طرح متقاطع در سطح موضوع ارائه شد. رویکردهای یادگیری عمیق و سطحی پایه یک بار با استفاده از پرسشنامه فرآیند مطالعه دو عاملی بازنگری‌شده سنجیده شد؛ ICL، ECL و GCL پس از هر جلسه با استفاده از پرسشنامه بار شناختی به صورت خودگزارش‌دهی اندازه‌گیری شد. برای هر پیامد، دو مدل خطی اثرات مختلط با رهگیر تصادفی برای شرکت‌کننده و دوره خوشه برازش شد: یک مدل اثرات اصلی و یک مدل تعاملی با افزودن اصطلاحات تعامل وضعیت-رویکرد. نتایج: به طور میانگین در شرایط آموزشی، رویکرد یادگیری عمیق‌تر با ICL پایین‌تر (b = − 0.040؛ ۹۵٪ CI، − ۰.۰۷۱ تا − ۰.۰۰۹؛ p = ۰.۰۱۱)، ECL پایین‌تر (b = − 0.060؛ ۹۵٪ CI، − ۰.۱۰۱ تا − ۰.۰۱۹؛ p = ۰.۰۰۴) و GCL بالاتر (b = 0.037؛ ۹۵٪ CI، ۰.۰۰۳ تا ۰.۰۷۲؛ p = ۰.۰۳۳) همراه بود. شواهد روشنی مبنی بر ارتباط رویکرد سطحی با هیچ‌یک از پیامدها وجود نداشت. هیچ‌یک از تعاملات بین وضعیت آموزشی و هر یک از رویکردهای یادگیری برای هیچ پیامدی معنادار نبود، و شواهد روشنی مبنی بر اینکه منفعت بار شناختی CVI با رویکرد یادگیری متفاوت باشد، به دست نیامد. تحلیل‌های حساسیت نیز سازگار بودند. با تعدیل چندگانگی، ECL در همه تعدیلات باقی ماند، ICL فقط در بنجامینی–هوچبرگ و GCL در هیچ‌کدام. نتیجه‌گیری: شواهد روشنی از تعدیل‌گری تفاوت‌های مرتبط با CVI توسط رویکردهای یادگیری به دست نیامد. نمرات رویکرد عمیق با ICL و ECL پایین‌تر و GCL بالاتر همراه بود؛ رویکرد سطحی ارتباط روشنی نشان نداد.

Short video platforms require recommendation models that can adapt to rapidly changing user interests while optimizing engagement beyond immediate click feedback. Existing collaborative filtering and supervised deep learning methods are effective for static preference matching and short-term click-through-rate prediction, but they are less suited to sequential recommendation scenarios where each recommended item influences subsequent user behavior. To address this limitation, this paper proposes a deep reinforcement learning (DRL) framework for short video recommendation. The recommendation process is formulated as a Markov Decision Process (MDP), in which the user state is constructed from historical interactions and multimodal item features, the action corresponds to selecting candidate videos, and the reward integrates immediate feedback with delayed engagement signals. A Deep Q-Network (DQN)-based agent is trained in an offline simulation environment based on the KuaiRec short-video dataset and is compared with representative baselines, including popularity-based recommendation, matrix factorization, and supervised DNN models. The experimental results show that the DRL agent better balances click relevance, session duration, and recommendation diversity, particularly in long-term engagement-oriented metrics. Ablation results further confirm that combining immediate and delayed reward signals is important for learning a robust recommendation policy. This study provides a practical framework for developing intelligent short video recommendation systems that shift the optimization objective from short-term response maximization toward long-term user value.

پلتفرم‌های ویدئوی کوتاه به مدل‌های توصیه‌گری نیاز دارند که بتوانند خود را با علایق به‌سرعت متغیر کاربران تطبیق دهند و در عین حال، بهینه‌سازی تعامل را فراتر از بازخوردهای فوری کلیک انجام دهند. روش‌های موجود فیلترینگ مشارکتی و یادگیری عمیق نظارت‌شده برای تطبیق ترجیحات ایستا و پیش‌بینی نرخ کلیک کوتاه‌مدت مؤثر هستند، اما برای سناریوهای توصیه‌گری دنباله‌دار که در آن هر آیتم توصیه‌شده بر رفتار بعدی کاربر تأثیر می‌گذارد، کمتر مناسب‌اند. برای رفع این محدودیت، این مقاله چارچوبی مبتنی بر یادگیری تقویتی عمیق (DRL) برای توصیه‌گری ویدئوی کوتاه پیشنهاد می‌کند. فرایند توصیه‌گری به صورت یک فرایند تصمیم‌گیری مارکوف (MDP) مدل‌سازی شده است که در آن وضعیت کاربر از تعاملات پیشین و ویژگی‌های چندوجهی آیتم‌ها ساخته می‌شود، عمل معادل انتخاب ویدئوهای کاندید است و پاداش، بازخورد فوری را با سیگنال‌های تعامل تأخیری ادغام می‌کند. یک عامل مبتنی بر شبکه عصبی Q عمیق (DQN) در محیط شبیه‌سازی آفلاین مبتنی بر مجموعه‌داده KuaiRec آموزش داده شده و با مبناهای نماینده از جمله توصیه‌گر مبتنی بر محبوبیت، تجزیه ماتریسی و مدل‌های DNN نظارت‌شده مقایسه می‌شود. نتایج تجربی نشان می‌دهد که عامل DRL تعادل بهتری میان ارتباط کلیک، مدت زمان نشست و تنوع توصیه برقرار می‌کند، به‌ویژه در شاخص‌های مبتنی بر تعامل بلندمدت. نتایج حذف مؤلفه‌ها نیز تأیید می‌کند که ترکیب سیگنال‌های پاداش فوری و تأخیری برای یادگیری سیاست توصیه‌گری مقاوم اهمیت دارد. این مطالعه چارچوبی عملی برای توسعه سامانه‌های هوشمند توصیه‌گر ویدئوی کوتاه ارائه می‌دهد که هدف بهینه‌سازی را از حداکثرسازی پاسخ کوتاه‌مدت به سوی ارزش بلندمدت کاربر تغییر می‌دهد.

Personalized psychological counseling is essential for tailoring therapeutic strategies to individual needs. However, existing methods often rely on static approaches that fail to dynamically adapt responses based on emotional and contextual changes in client conversations. The primary objective is to improve personalized psychological counseling for college students experiencing academic stress, social adjustment challenges, and emotional well-being concerns. The proposed model is termed the Grizzly Bear Fat-Increase Optimization–Driven Encoder–Decoder Long Short-Term Memory (GBFI–EDLSTM) architecture to dynamically adjust counseling strategies. The model utilizes an Encoder–Decoder LSTM to process and generate personalized counseling responses. GBFI fine-tunes these responses by analyzing emotional cues, ensuring that the generated strategies are tailored to the client’s evolving needs within a college academic and social environment. The model is trained on a curated dataset consisting of mental health conversation dialogues collected from college students and university counseling sessions, which contain text-based interactions between student clients and professional counselors. Preprocessing steps such as tokenization, stop-word removal, lemmatization, and punctuation removal to standardize the input. BERT embeddings are used for feature extraction, enabling the model to capture meaningful semantic relationships. These features assist the model in generating contextually appropriate and emotionally relevant responses. The model is implemented using Python, with Tensorflow and Keras for DL, and NLTK and spaCy for text preprocessing. The model accuracy (0.936), precision (0.93), recall (0.92), and F1-score (0.92), along with a PHQ-9 reduction (4.3) and dropout rate (8.8%). It outperforms traditional models in terms of emotional engagement and therapeutic progress prediction.

مشاوره روان‌شناختی شخصی‌سازی‌شده برای تطبیق راهبردهای درمانی با نیازهای فردی ضروری است. با این حال، روش‌های موجود اغلب بر رویکردهای ایستا تکیه دارند که قادر به انطباق پویا با تغییرات هیجانی و زمینه‌ای در مکالمات مراجع نیستند. هدف اصلی، بهبود مشاوره روان‌شناختی شخصی‌سازی‌شده برای دانشجویان دانشگاه است که با استرس تحصیلی، چالش‌های سازگاری اجتماعی و نگرانی‌های بهزیستی هیجانی مواجه هستند. مدل پیشنهادی با عنوان معماری Grizzly Bear Fat-Increase Optimization–Driven Encoder–Decoder Long Short-Term Memory (GBFI–EDLSTM) ارائه می‌شود تا راهبردهای مشاوره را به صورت پویا تنظیم کند. این مدل از یک Encoder–Decoder LSTM برای پردازش و تولید پاسخ‌های مشاوره‌ای شخصی‌سازی‌شده بهره می‌برد. GBFI این پاسخ‌ها را با تحلیل نشانه‌های هیجانی بهینه می‌کند تا اطمینان حاصل شود که راهبردهای تولیدشده با نیازهای در حال تحول مراجع در محیط دانشگاهی و اجتماعی تطابق دارند. مدل بر روی مجموعه داده‌ای منتخب شامل گفتگوهای سلامت روان جمع‌آوری‌شده از دانشجویان و جلسات مشاوره دانشگاهی آموزش داده می‌شود که شامل تعاملات متنی بین مراجعان دانشجو و مشاوران حرفه‌ای است. مراحل پیش‌پردازش مانند توکنیزاسیون، حذف کلمات توقف، لماتیزاسیون و حذف علائم نگارشی برای استانداردسازی ورودی انجام می‌شود. برای استخراج ویژگی‌ها از تعبیه‌های BERT استفاده می‌شود تا مدل بتواند روابط معنایی معنادار را دریافت کند. این ویژگی‌ها به مدل در تولید پاسخ‌های متناسب با زمینه و مرتبط با هیجان کمک می‌کنند. مدل با استفاده از Python و کتابخانه‌های Tensorflow و Keras برای یادگیری عمیق و NLTK و spaCy برای پیش‌پردازش متنی پیاده‌سازی شده است. دقت مدل (0.936)، دقت مثبت (0.93)، یادآوری (0.92) و امتیاز F1 (0.92)، همراه با کاهش PHQ-9 (4.3) و نرخ دراپ‌اوت (8.8%) گزارش شده است. این مدل از نظر درگیری هیجانی و پیش‌بینی پیشرفت درمانی عملکرد بهتری نسبت به مدل‌های سنتی دارد.

Introduction College students’ psychological vulnerability assessment is constrained by data scarcity, high labeling cost, privacy sensitivity, and small, imbalanced samples, and existing frameworks typically treat vulnerability as a static judgment that cannot track how a student’s condition changes over time. This study examined whether a few-sample hierarchical grading model combined with meta-reinforcement-learning-based sequential decision-making could address both problems jointly. Methods A few-sample hierarchical grading model, combining meta-learning and transfer regularization with a prototype-based embedding and ordinal threshold assignment, quantified static risk from a handful of labeled examples per grade, while a sequential risk-identification method formulated dynamic assessment as a Markov decision process solved by a two-stage meta-reinforcement-learning policy. Case studies used a longitudinal, class-imbalanced cohort simulation calibrated to the documented statistics of a mobile-sensing mental-health study (no real participant data were used) and compared the proposed models against threshold-rule, supervised, fine-tuned, few-shot, and non-meta reinforcement-learning baselines, with sensitivity analyses on support-set size, reward weights, discount factor, and regularization weight, plus a regime-switching robustness check. Results The proposed grading model attained a macro-F1 of 0.847 with ten labeled examples per grade, over twenty percentage points above a conventional deep-learning classifier, though its edge over other episodic few-shot architectures was small and inconsistent, indicating episodic meta-learning as the main source of this gain. The meta-reinforcement-learning policy achieved a higher alert precision-recall area (0.514 vs. 0.380) than a non-meta baseline and avoided its degenerate always-escalate behavior, but neither the main study nor the regime-switching check showed the composite reward lengthening lead time versus a simpler accuracy-only reward, which matched its lead time at a much lower escalation rate. Sensitivity analyses showed the reward-weight ratio and discount factor shaping the early-identification versus intervention-cost trade-off. Conclusion These findings suggest that combining few-sample meta-learning with metareinforcement-learning-based sequential decision-making can improve vulnerability assessment under scarce, evolving data relative to conventional static and non-meta-adapted approaches, with an accuracy-only reward recommended as the practical default. The case studies relied on a calibrated simulation rather than raw longitudinal records, so prospective validation on real campus data under appropriate privacy safeguards is needed before responsible deployment.

مقدمه: ارزیابی آسیب‌پذیری روان‌شناختی دانشجویان دانشگاه با محدودیت‌هایی نظیر کمبود داده، هزینه بالای برچسب‌گذاری، حساسیت به حریم خصوصی و نمونه‌های کوچک و نامتوازن مواجه است و چارچوب‌های موجود معمولاً آسیب‌پذیری را به‌عنوان یک قضاوت ایستا در نظر می‌گیرند که قادر به پیگیری تغییر وضعیت دانشجو در طول زمان نیست. این مطالعه بررسی کرد که آیا مدل درجه‌بندی سلسله‌مراتبی با نمونه‌های اندک، در ترکیب با تصمیم‌گیری ترتیبی مبتنی بر یادگیری فرا-تقویتی، می‌تواند هر دو مشکل را به طور همزمان حل کند. روش‌ها: یک مدل درجه‌بندی سلسله‌مراتبی با نمونه‌های اندک، که یادگیری فراگیر و منظم‌سازی انتقال را با تعبیه مبتنی بر نمونه اولیه و تخصیص آستانه ترتیبی ترکیب می‌کند، ریسک ایستا را از تعداد محدودی نمونه برچسب‌خورده برای هر درجه کمی‌سازی کرد، در حالی که یک روش شناسایی ریسک ترتیبی، ارزیابی پویای ریسک را به‌صورت یک فرایند تصمیم‌گیری مارکوف مدل‌سازی کرد که توسط یک سیاست یادگیری فرا-تقویتی دو مرحله‌ای حل شد. مطالعات موردی از شبیه‌سازی هم‌گروهی نامتوازن و طولی استفاده کردند که بر اساس آمار مستند یک مطالعه سلامت روان مبتنی بر حسگرهای موبایلی کالیبره شده بود (هیچ داده واقعی شرکت‌کننده استفاده نشد) و مدل‌های پیشنهادی را با روش‌های آستانه‌ای، نظارت‌شده، تنظیم دقیق، یادگیری با نمونه‌های اندک و یادگیری تقویتی غیر فراگیر مقایسه کردند و تحلیل حساسیت بر اندازه مجموعه پشتیبان، وزن پاداش، ضریب تنزیل و وزن منظم‌سازی و همچنین بررسی پایداری تغییر رژیم انجام شد. نتایج: مدل درجه‌بندی پیشنهادی با ده نمونه برچسب‌خورده برای هر درجه، به مقدار macro-F1 برابر با 0.847 دست یافت که بیش از بیست درصد بالاتر از یک طبقه‌بند یادگیری عمیق متداول بود، هرچند برتری آن نسبت به سایر معماری‌های یادگیری با نمونه‌های اندک اپیزودیک اندک و ناسازگار بود که نشان‌دهنده نقش اصلی یادگیری فراگیر اپیزودیک در این بهبود است. سیاست یادگیری فرا-تقویتی به مساحت بالاتری در منحنی دقت-بازخوانی هشدار (0.514 در مقابل 0.380) نسبت به پایه غیر فراگیر دست یافت و از رفتار همواره تشدیدکننده آن اجتناب کرد، اما نه مطالعه اصلی و نه بررسی تغییر رژیم نشان نداد که پاداش مرکب، زمان پیش‌آگاهی را نسبت به پاداش صرفاً مبتنی بر دقت افزایش دهد، که زمان پیش‌آگاهی مشابهی را با نرخ تشدید بسیار پایین‌تر ارائه کرد. تحلیل حساسیت نشان داد که نسبت وزن پاداش و ضریب تنزیل، توازن بین شناسایی زودهنگام و هزینه مداخله را شکل می‌دهد. نتیجه‌گیری: این یافته‌ها نشان می‌دهد که ترکیب یادگیری فراگیر با نمونه‌های اندک و تصمیم‌گیری ترتیبی مبتنی بر یادگیری فرا-تقویتی می‌تواند ارزیابی آسیب‌پذیری را در شرایط داده‌های کمیاب و در حال تحول نسبت به رویکردهای ایستا و غیر فراگیر متداول بهبود بخشد و پاداش صرفاً مبتنی بر دقت به‌عنوان گزینه عملی توصیه می‌شود. مطالعات موردی مبتنی بر شبیه‌سازی کالیبره‌شده و نه داده‌های خام طولی بودند، بنابراین اعتبارسنجی آینده‌نگر بر داده‌های واقعی دانشگاهی با رعایت ملاحظات حریم خصوصی پیش از استقرار مسئولانه ضروری است.

Researchers often want to measure a variety of constructs such as anxiety, discrimination, or loneliness in text data from surveys, interviews, social media, and electronic health records. Using large language models (LLMs)-although optimal for text classification-remain infeasible for some researchers due to concerns around computational expertise, cost, privacy, and compute requirements. Therefore, some researchers prefer to use lightweight models for large data sets or interpretable models to avoid mistakes in high-stakes scenarios. Lexicons offer simple baselines to LLMs by searching for relevant phrases and can be used together with LLMs to guarantee capturing specific keywords. However, building new lexicons is resource intensive. In this study, we found that GPT-4 Turbo was able to automatically create a lexicon for 49 known risk factors for suicidal thoughts and behaviors, which we release as the Suicide Risk Lexicon. Generating a lexicon with LLMs quickly measures most constructs relevant for suicide risk detection, resulting in high content validity. This lexicon was able to accurately predict risk in crisis counseling conversations. After validating the lexicon with clinician ratings, the lexicon modestly outperformed the linguistic inquiry and word count lexicon, which has low content validity for mental illness, and performed similarly to some black-box deep learning models. We discovered that active suicidal ideation and direct self-injury were stronger indicators of imminent risk than passive suicidal ideation and depressed mood in this ecological setting of crisis counseling conversations. To simplify creating new lexicons for other research domains, we introduce a Python package, construct-tracker. (PsycInfo Database Record (c) 2026 APA, all rights reserved).

پژوهشگران اغلب تمایل دارند انواع سازه‌هایی مانند اضطراب، تبعیض یا احساس تنهایی را در داده‌های متنی حاصل از پیمایش‌ها، مصاحبه‌ها، شبکه‌های اجتماعی و پرونده‌های سلامت الکترونیک اندازه‌گیری کنند. اگرچه استفاده از مدل‌های زبانی بزرگ (LLMs) برای طبقه‌بندی متن بهینه است، اما به دلیل نگرانی‌هایی درباره تخصص محاسباتی، هزینه، حریم خصوصی و نیازهای محاسباتی، برای برخی پژوهشگران عملی نمی‌باشد. بنابراین، برخی پژوهشگران ترجیح می‌دهند برای داده‌های بزرگ از مدل‌های سبک یا برای سناریوهای حساس از مدل‌های قابل تفسیر استفاده کنند تا از بروز خطا جلوگیری شود. واژگان‌ها با جستجوی عبارات مرتبط، مبنایی ساده در مقابل LLMها فراهم می‌کنند و می‌توانند همراه با LLMها برای تضمین شناسایی واژگان خاص به کار روند. با این حال، ساخت واژگان‌های جدید نیازمند منابع زیادی است. در این مطالعه، دریافتیم که GPT-4 Turbo قادر است به طور خودکار واژگانی برای ۴۹ عامل خطر شناخته‌شده برای افکار و رفتارهای خودکشی ایجاد کند که آن را به عنوان واژگان خطر خودکشی منتشر می‌کنیم. تولید واژگان با استفاده از LLMها امکان اندازه‌گیری سریع اغلب سازه‌های مرتبط با شناسایی خطر خودکشی را فراهم می‌کند و منجر به روایی محتوایی بالا می‌شود. این واژگان توانست خطر را در مکالمات مشاوره بحران به طور دقیق پیش‌بینی کند. پس از اعتبارسنجی واژگان با ارزیابی‌های بالینی، این واژگان نسبت به واژگان تحلیل واژگانی و شمارش واژه‌ها که روایی محتوایی پایینی برای بیماری روانی دارد، عملکرد بهتری داشت و عملکردی مشابه برخی مدل‌های یادگیری عمیق جعبه‌سیاه نشان داد. دریافتیم که افکار خودکشی فعال و خودآسیبی مستقیم، شاخص‌های قوی‌تری برای خطر قریب‌الوقوع نسبت به افکار خودکشی منفعل و خلق افسرده در این زمینه بوم‌شناختی مکالمات مشاوره بحران هستند. برای ساده‌سازی ایجاد واژگان جدید در حوزه‌های پژوهشی دیگر، یک بسته پایتون به نام construct-tracker معرفی می‌کنیم. (رکورد پایگاه داده PsycInfo (c) 2026 APA، کلیه حقوق محفوظ است).

Depression represents a complex, multifactorial disorder influenced by the interplay of biological, behavioral, and social determinants. While extensive health surveys, including the National Health and Nutrition Examination Survey (NHANES), gather comprehensive multidomain data, existing studies tend to analyze these domains independently, overlooking the potential to identify integrated, data-driven patterns of depression risk. We have developed SYNERGY-VAE, an interpretable and multimodal deep learning framework that is designed to identify latent health subgroups and facilitate the transparent prediction of depression risk, utilizing NHANES-derived multimodal data from a large analytic cohort that spans five distinct domains from 2005 to 2018. SYNERGY-VAE utilizes a variational autoencoder to learn a shared latent representation derived from five modalities of NHANES, specifically demographic, dietary, examination, laboratory, and questionnaire data. Clustering within this latent space revealed subpopulations exhibiting distinct health signatures. To enhance interpretability, we triangulated insights utilizing encoder weights, standardized mean differences, and permutation feature importance (PFI). Machine learning classifiers were trained within each cluster employing the top 30 PFI-ranked features, with performance evaluated through the receiver operating characteristic area under the curve (AUC) in a 70/30 train-test split. Three latent clusters emerged, each demonstrating markedly different observed prevalence rates of depression within the analytic sample, ranging from 6.8% to 10.9%. Cluster-specific models consistently surpassed pooled models in performance, with the highest predictive accuracy identified in Cluster 2 utilizing XGBoost (AUC = 0.839, 95% CI:0.804–0.874). The importance of features varied across clusters, indicating unique depression risk profiles specific to each subgroup. SYNERGY-VAE demonstrates the power of generative, explainable deep learning for the identification of latent health phenotypes, thereby furthering the objectives of precision mental health. By integrating high-dimensional, multimodal data and facilitating transparent subgroup discovery, our model may inform future stratified and context-aware screening research and contribute to precision psychiatry-oriented research in large health survey datasets.

افسردگی یک اختلال پیچیده و چندعاملی است که تحت تأثیر تعامل عوامل زیستی، رفتاری و اجتماعی قرار دارد. اگرچه پیمایش‌های گسترده سلامت، از جمله پیمایش ملی سلامت و تغذیه (NHANES)، داده‌های جامع چندحوزه‌ای را گردآوری می‌کنند، مطالعات موجود تمایل دارند این حوزه‌ها را به طور مستقل تحلیل کنند و از شناسایی الگوهای یکپارچه و مبتنی بر داده‌های ریسک افسردگی غافل می‌شوند. ما SYNERGY-VAE را توسعه داده‌ایم؛ یک چارچوب یادگیری عمیق چندوجهی و قابل تبیین که برای شناسایی زیرگروه‌های پنهان سلامت و تسهیل پیش‌بینی شفاف ریسک افسردگی طراحی شده است و از داده‌های چندوجهی استخراج‌شده از NHANES در یک نمونه تحلیلی بزرگ که پنج حوزه متمایز را از سال ۲۰۰۵ تا ۲۰۱۸ دربرمی‌گیرد، بهره می‌برد. SYNERGY-VAE از یک واریاسیونال اتوانکودر برای یادگیری نمایش پنهان مشترک مشتق‌شده از پنج وجه NHANES، به طور خاص داده‌های جمعیت‌شناختی، رژیمی، معاینه، آزمایشگاهی و پرسشنامه‌ای استفاده می‌کند. خوشه‌بندی در این فضای پنهان، زیرجمعیت‌هایی با امضاهای سلامت متمایز را آشکار ساخت. برای افزایش قابلیت تبیین، بینش‌ها با استفاده از وزن‌های انکودر، تفاوت میانگین استانداردشده و اهمیت ویژگی مبتنی بر جایگشت (PFI) مثلث‌بندی شدند. طبقه‌بندهای یادگیری ماشین در هر خوشه با استفاده از ۳۰ ویژگی برتر رتبه‌بندی‌شده بر اساس PFI آموزش داده شدند و عملکرد آن‌ها از طریق مساحت زیر منحنی مشخصه عملکرد گیرنده (AUC) در تقسیم ۷۰/۳۰ آموزش-آزمون ارزیابی شد. سه خوشه پنهان شناسایی شد که هر یک نرخ‌های شیوع مشاهده‌شده افسردگی به طور قابل توجهی متفاوتی را در نمونه تحلیلی نشان دادند، که از ۶.۸٪ تا ۱۰.۹٪ متغیر بود. مدل‌های اختصاصی خوشه به طور پیوسته عملکرد بهتری نسبت به مدل‌های تجمیعی داشتند و بالاترین دقت پیش‌بینی در خوشه ۲ با استفاده از XGBoost (AUC = 0.839, 95% CI:0.804–0.874) مشاهده شد. اهمیت ویژگی‌ها در خوشه‌های مختلف متفاوت بود و نشان‌دهنده پروفایل‌های ریسک افسردگی منحصر به فرد برای هر زیرگروه بود. SYNERGY-VAE قدرت یادگیری عمیق مولد و قابل تبیین را برای شناسایی فنوتیپ‌های پنهان سلامت نشان می‌دهد و بدین ترتیب اهداف سلامت روان دقیق را پیش می‌برد. با یکپارچه‌سازی داده‌های چندوجهی با ابعاد بالا و تسهیل کشف شفاف زیرگروه‌ها، مدل ما می‌تواند پژوهش‌های آینده غربالگری لایه‌بندی‌شده و زمینه‌محور را اطلاع‌رسانی کند و به پژوهش‌های روان‌پزشکی دقیق در داده‌های بزرگ پیمایش سلامت کمک نماید.

Abstract Rapid advancements in education assessment and natural language processing have fundamentally transformed the methodologies employed in multi-dimensional writing assessment. Neural network approaches have shown remarkable effectiveness, obviating the need for handcrafted feature engineering. However, the potential of pre-trained language models for constructing multi-dimensional automated essay scoring (AES) models still needs to be explored. The present study addresses critical challenges, including the resilience of AES models to subtle input perturbations leading to prediction inaccuracies and the elucidation of the intricate mechanisms within deep learning frameworks. We propose an integrated approach leveraging multi-task learning and the pre-trained model Bidirectional Encoder Representations from Transformers (BERT), augmented with adversarial training via the Fast Gradient Sign Method (FGSM), aiming to enhance scoring accuracy and stability in multi-dimensional AES tasks. Findings reveal that BERT-Integrated-MTL-FGSM significantly outperforms existing baselines. Integrating Explainable Artificial Intelligence (XAI) elucidates the complex evaluation processes within the deep learning black box, offering potentially diagnostic feedback for students and assisting educators in delivering individualized instruction guided by word-level attributions across diverse analytic rating scales. These insights enhance the robustness, generalizability, and interpretability of multi-dimensional AES models, thus paving an interdisciplinary pathway for multi-dimensional writing assessment and instruction.

پیشرفت‌های سریع در ارزیابی آموزشی و پردازش زبان طبیعی، روش‌شناسی‌های به‌کاررفته در ارزیابی چندبُعدی نوشتار را به‌طور بنیادین متحول کرده‌اند. رویکردهای شبکه عصبی اثربخشی چشمگیری نشان داده‌اند و نیاز به مهندسی ویژگی‌های دستی را برطرف ساخته‌اند. با این حال، پتانسیل مدل‌های زبانی از پیش‌آموزش‌دیده برای ساخت مدل‌های خودکار نمره‌دهی مقاله (AES) چندبُعدی همچنان نیازمند بررسی است. مطالعه حاضر به چالش‌های اساسی از جمله تاب‌آوری مدل‌های AES در برابر اختلالات جزئی ورودی که منجر به نادرستی پیش‌بینی می‌شوند و تبیین سازوکارهای پیچیده در چارچوب‌های یادگیری عمیق می‌پردازد. ما رویکردی یکپارچه مبتنی بر یادگیری چندوظیفه‌ای و مدل از پیش‌آموزش‌دیده Bidirectional Encoder Representations from Transformers (BERT) ارائه می‌دهیم که با آموزش خصمانه از طریق Fast Gradient Sign Method (FGSM) تقویت شده است، با هدف ارتقای دقت و پایداری نمره‌دهی در وظایف AES چندبُعدی. یافته‌ها نشان می‌دهند که BERT-Integrated-MTL-FGSM به طور معناداری عملکرد بهتری نسبت به خطوط پایه موجود دارد. ادغام هوش مصنوعی قابل‌توضیح (XAI) فرآیندهای ارزیابی پیچیده در جعبه سیاه یادگیری عمیق را روشن می‌سازد و بازخورد تشخیصی بالقوه‌ای برای دانشجویان فراهم می‌کند و به مدرسان در ارائه آموزش فردمحور مبتنی بر انتساب‌های واژه‌محور در مقیاس‌های تحلیلی متنوع کمک می‌کند. این بینش‌ها موجب افزایش تاب‌آوری، قابلیت تعمیم و تفسیرپذیری مدل‌های AES چندبُعدی می‌شود و بدین ترتیب مسیر میان‌رشته‌ای برای ارزیابی و آموزش چندبُعدی نوشتار هموار می‌گردد.