Black box

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

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

Recent quantitative literature in mathematics education has exposed a critical empirical paradox: neither classroom management nor mastery-oriented instructional practices statistically mediate the relationship between teachers' Pedagogical Content Knowledge (PCK) and secondary student achievement. Because quantitative designs rely on standardized numerical surveys, they frequently treat the interactive classroom environment as a black box, leaving the operational mechanisms behind this statistical breakdown completely unexplained. To address this literature gap, this interpretive qualitative multi-case study investigated the lived experiences of secondary school students within the Kumasi Metropolis of Ghana to explore why traditional structural optimization fails to translate into conceptual understanding. Four distinct public Senior High School mathematics classrooms characterized by highly qualified instructors yet uneven student performance were selected as bounded cases. Data collection was thoroughly triangulated over a two-month period using non-participant classroom observations, four student focus group discussions ( n = 32 ), and four semi-structured teacher interviews. Following an inductive and deductive thematic analysis guided by Self-Determination Theory, the findings revealed that students predominantly experience classroom management as a restrictive mechanism of rigid behavioral control rather than an instructional resource. Although strict behavioral strategies successfully secure classroom silence, they create an atmosphere of intense emotional anxiety that thwarts students' basic psychological needs for autonomy and relatedness. This psychological alienation creates a severe instructional barrier where students become passive spectators who engage in superficial compliance and rote copying rather than the cognitive vulnerability required to master complex mathematical tasks. Consequently, high teacher PCK remains pedagogically locked within a teacher-centered framework because the controlling environment actively thwarts the interactive, communicative discourse necessary for internalizing knowledge. This study concludes that classroom management fails as a statistical mediator because it prioritizes structural containment over genuine cognitive engagement. Based on these findings, it is recommended that the Ministry of Education and the Ghana Education Service restructure professional development to favor autonomy-supportive management frameworks and relational, error-tolerant learning environments.

ادبیات کمی اخیر در آموزش ریاضی یک پارادوکس تجربی مهم را آشکار ساخته است: نه مدیریت کلاس و نه شیوه‌های تدریس مبتنی بر تسلط، رابطه میان دانش محتوایی-تدریسی (PCK) معلمان و پیشرفت دانش‌آموزان متوسطه را به طور آماری میانجی‌گری نمی‌کنند. از آنجا که طرح‌های کمی بر پرسشنامه‌های عددی استاندارد تکیه دارند، اغلب محیط تعاملی کلاس را به مثابه یک جعبه سیاه تلقی می‌کنند و سازوکارهای عملیاتی این گسست آماری را کاملاً توضیح‌ناپذیر باقی می‌گذارند. به منظور رفع این خلأ در ادبیات، این مطالعه کیفی تفسیری چندموردی، تجارب زیسته دانش‌آموزان متوسطه در کلان‌شهر Kumasi در غنا را برای بررسی اینکه چرا بهینه‌سازی ساختاری سنتی به درک مفهومی منجر نمی‌شود، مورد بررسی قرار داد. چهار کلاس ریاضی دبیرستان دولتی با معلمان بسیار واجد شرایط اما عملکرد دانش‌آموزان نامتوازن به عنوان موارد محدود انتخاب شدند. گردآوری داده‌ها طی دو ماه با استفاده از مشاهده غیرمشارکتی کلاس، چهار بحث گروهی متمرکز دانش‌آموزان (n = 32) و چهار مصاحبه نیمه‌ساختاریافته با معلمان به طور کامل مثلث‌بندی شد. بر اساس تحلیل تماتیک استقرایی و قیاسی با راهنمایی نظریه خودتعیین‌گری، یافته‌ها نشان داد که دانش‌آموزان عمدتاً مدیریت کلاس را به عنوان سازوکاری محدودکننده برای کنترل رفتاری سختگیرانه تجربه می‌کنند، نه به عنوان منبعی آموزشی. اگرچه راهبردهای رفتاری سختگیرانه سکوت کلاس را تضمین می‌کند، اما فضایی از اضطراب شدید عاطفی ایجاد می‌کند که نیازهای روان‌شناختی اساسی دانش‌آموزان به خودمختاری و ارتباط را ناکام می‌گذارد. این بیگانگی روان‌شناختی مانعی جدی برای آموزش ایجاد می‌کند که در آن دانش‌آموزان به تماشاگران منفعل بدل می‌شوند و به جای آسیب‌پذیری شناختی لازم برای تسلط بر وظایف پیچیده ریاضی، صرفاً به تبعیت سطحی و رونویسی طوطی‌وار می‌پردازند. در نتیجه، دانش محتوایی-تدریسی بالای معلم در چارچوبی معلم‌محور محبوس می‌ماند، زیرا محیط کنترل‌کننده به طور فعال گفتمان تعاملی و ارتباطی لازم برای درونی‌سازی دانش را ناکام می‌گذارد. این مطالعه نتیجه می‌گیرد که مدیریت کلاس به عنوان میانجی آماری شکست می‌خورد، زیرا مهار ساختاری را بر درگیری شناختی اصیل ترجیح می‌دهد. بر اساس این یافته‌ها، توصیه می‌شود وزارت آموزش و خدمات آموزش غنا توسعه حرفه‌ای را به سوی چارچوب‌های مدیریت حمایت‌کننده از خودمختاری و محیط‌های یادگیری رابطه‌محور و خطاپذیر بازسازی کنند.

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).

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.