Artificial neural network

As national strategies for education reform deepen, exploring the association between physical exercise and college students’ academic achievement has become a critical priority in higher education. Although existing literature has confirmed a positive association between physical exercise and academic achievement, scant attention has been paid to systematically elucidating the underlying mechanism by integrating social support and psychological resilience within a serial mediation framework (chain mediation model). Drawing upon Social Support Theory (SST), Conservation of Resources Theory (COR), and the Theory of Planned Behavior (TPB), this study constructs a theoretical model to unravel how physical exercise is associated with academic achievement via the serial indirect pathways of social support and psychological resilience, while also examining the moderating effect of time management ability. A total of 950 valid responses were collected, and a two-stage hybrid approach combining Partial Least Squares Structural Equation Modeling (PLS-SEM) and Artificial Neural Network (ANN) was employed for empirical validation. The PLS-SEM results indicate that physical exercise shows a significant direct positive association with academic achievement (β = 0.156, $$\:p<0.001$$ ) and an indirect effect was identified via the serial mediation path of “Physical Exercise → Social Support → Psychological Resilience → Academic Achievement” ( $$\:\beta\:=0.008$$ , $$\:p=0.006$$ ). The ANN sensitivity analysis aligns highly with the PLS-SEM findings, further corroborating that psychological resilience is the strongest associate of academic achievement in terms of normalized importance (normalized importance = 64.580%), followed by physical exercise (44.950%) and social support (25.550%), thereby verifying the robustness of the conclusions. This study elucidates the underlying mechanisms by which physical exercise is positively associated with academic achievement via the indirect pathways of social support and psychological resilience, as well as the boundary condition of time management ability. These findings provide a theoretical basis and practical guidance for higher education administrators to formulate differentiated and precise student development strategies.

با تعمیق راهبردهای ملی اصلاحات آموزشی، بررسی ارتباط بین ورزش بدنی و پیشرفت تحصیلی دانشجویان دانشگاه به اولویتی اساسی در آموزش عالی تبدیل شده است. اگرچه ادبیات موجود ارتباط مثبت بین ورزش بدنی و پیشرفت تحصیلی را تأیید کرده است، اما به تبیین نظام‌مند سازوکارهای زیربنایی با ادغام حمایت اجتماعی و تاب‌آوری روان‌شناختی در چارچوب میانجی‌گری زنجیره‌ای (مدل میانجی‌گری زنجیره‌ای) توجه اندکی شده است. با بهره‌گیری از نظریه حمایت اجتماعی (SST)، نظریه حفاظت از منابع (COR) و نظریه رفتار برنامه‌ریزی‌شده (TPB)، این پژوهش مدلی نظری را برای تبیین نحوه ارتباط ورزش بدنی با پیشرفت تحصیلی از طریق مسیرهای غیرمستقیم زنجیره‌ای حمایت اجتماعی و تاب‌آوری روان‌شناختی ارائه می‌دهد و همچنین اثر تعدیل‌گر توانایی مدیریت زمان را مورد بررسی قرار می‌دهد. در مجموع ۹۵۰ پرسشنامه معتبر جمع‌آوری شد و رویکرد ترکیبی دو مرحله‌ای با استفاده از مدل‌یابی معادلات ساختاری حداقل مربعات جزئی (PLS-SEM) و شبکه عصبی مصنوعی (ANN) برای اعتبارسنجی تجربی به کار گرفته شد. نتایج PLS-SEM نشان داد که ورزش بدنی ارتباط مستقیم مثبت معناداری با پیشرفت تحصیلی دارد (β = 0.156, $$\:p<0.001$$) و اثر غیرمستقیم نیز از طریق مسیر میانجی‌گری زنجیره‌ای «ورزش بدنی → حمایت اجتماعی → تاب‌آوری روان‌شناختی → پیشرفت تحصیلی» شناسایی شد ( $$\:\beta\:=0.008$$ , $$\:p=0.006$$ ). تحلیل حساسیت ANN نیز با یافته‌های PLS-SEM هم‌راستا بود و بیش از پیش تأیید کرد که تاب‌آوری روان‌شناختی قوی‌ترین عامل مرتبط با پیشرفت تحصیلی از نظر اهمیت نرمال‌شده (normalized importance = 64.580%) است و پس از آن ورزش بدنی (44.950%) و حمایت اجتماعی (25.550%) قرار دارند که استحکام نتایج را تأیید می‌کند. این پژوهش سازوکارهای زیربنایی ارتباط مثبت ورزش بدنی با پیشرفت تحصیلی را از طریق مسیرهای غیرمستقیم حمایت اجتماعی و تاب‌آوری روان‌شناختی و همچنین شرط مرزی توانایی مدیریت زمان تبیین می‌کند. این یافته‌ها مبنای نظری و راهنمای عملی برای مدیران آموزش عالی جهت تدوین راهبردهای توسعه دانشجویی هدفمند و دقیق فراهم می‌آورد.

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

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

A growing corpus of experimental research demonstrates that neuroimaging data can be leveraged to improve the performance of artificial intelligence models, including reinforcement learning models in robotics. However, most existing studies have focused on vision, audition, language, or reward and error signals recorded while the human brain acts as an observer. In this paper, we argue that humanoid robots, although not equivalent to humans, could offer a unique opportunity to use the neural signals associated with touch, or other embodiment-dependent neural signals. As a result, humanoid robots could significantly expand the range of brain regions and functional networks that could be targeted for brain-trained artificial intelligence, and open new horizons in terms of alignment and reasoning. We discuss the improvements that neuroimaging data could potentially unlock in the context of sensorimotor tasks, spatial navigation, sensorimotor integration, embodied alignment, embodied reasoning, and social integration, as well as the broader challenges and opportunities related to brain-trained humanoid robots.

بدنه‌ای رو‌به‌رشد از پژوهش‌های تجربی نشان می‌دهد که داده‌های تصویربرداری عصبی می‌تواند برای بهبود عملکرد مدل‌های هوش مصنوعی، از جمله مدل‌های یادگیری تقویتی در رباتیک، مورد استفاده قرار گیرد. با این حال، بیشتر مطالعات موجود بر بینایی، شنوایی، زبان یا سیگنال‌های پاداش و خطا که در حالی ثبت شده‌اند که مغز انسان به عنوان ناظر عمل می‌کند، تمرکز داشته‌اند. در این مقاله، استدلال می‌کنیم که ربات‌های انسان‌نما، اگرچه معادل انسان نیستند، می‌توانند فرصت منحصربه‌فردی برای استفاده از سیگنال‌های عصبی مرتبط با لمس یا سایر سیگنال‌های عصبی وابسته به تجسم فراهم کنند. در نتیجه، ربات‌های انسان‌نما می‌توانند دامنه نواحی مغزی و شبکه‌های عملکردی هدف برای هوش مصنوعی آموزش‌دیده با مغز را به طور قابل توجهی گسترش دهند و افق‌های جدیدی در زمینه هم‌ترازی و استدلال بگشایند. ما بهبودهایی را که داده‌های تصویربرداری عصبی می‌تواند بالقوه در زمینه وظایف حسی-حرکتی، ناوبری فضایی، یکپارچگی حسی-حرکتی، هم‌ترازی تجسم‌یافته، استدلال تجسم‌یافته و یکپارچگی اجتماعی ایجاد کند، همچنین چالش‌ها و فرصت‌های گسترده‌تر مرتبط با ربات‌های انسان‌نمای آموزش‌دیده با مغز را مورد بحث قرار می‌دهیم.

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.