human judgment

This article examines the differences between human judgment and algorithmic decision-making in critical logistics systems, focusing on the implications for the concepts of trust and control. The aim of the study is to determine whether AI-based systems can perform functions equivalent to human judgment and what implications this has for operational safety and accountability in complex logistics systems. The study is based on an interdisciplinary analysis, including a review of the literature on artificial intelligence, system safety, and human factors research, as well as a philosophical analysis. This is supplemented by a case study of selected incidents related to the operation of automated systems in high-risk environments, which allows the identification of practical limitations in integrating humans and algorithmic systems. The results indicate that decisions generated by algorithmic systems are statistical and optimization-based, which distinguishes them from human judgment, which takes into account context, uncertainty, and emotions. Consequently, trust in AI systems takes the form of an indirect, user-dependent relationship rather than an autonomous property of the technology. At the same time, increasing levels of automation lead to a diffusion of responsibility and a reduction in direct control over decision-making processes. The findings indicate that full automation of decisions in critical safety systems. Consequently, trust in AI systems takes the form of an indirect, user-dependent relationship rather than an autonomous property of the technology.

این مقاله به بررسی تفاوت‌های میان قضاوت انسانی و تصمیم‌گیری الگوریتمی در سامانه‌های لجستیکی حساس به ایمنی می‌پردازد و پیامدهای آن را برای مفاهیم اعتماد و کنترل مورد تحلیل قرار می‌دهد. هدف این مطالعه تعیین این است که آیا سامانه‌های مبتنی بر هوش مصنوعی می‌توانند عملکردهایی معادل با قضاوت انسانی داشته باشند و این امر چه پیامدهایی برای ایمنی عملیاتی و پاسخگویی در سامانه‌های لجستیکی پیچیده دارد. این پژوهش مبتنی بر تحلیلی میان‌رشته‌ای است که شامل مرور ادبیات مرتبط با هوش مصنوعی، ایمنی سامانه و پژوهش‌های عوامل انسانی، همچنین تحلیل فلسفی می‌شود. این تحلیل با مطالعه موردی درباره برخی رخدادهای مرتبط با عملکرد سامانه‌های خودکار در محیط‌های پرخطر تکمیل شده است که امکان شناسایی محدودیت‌های عملی در یکپارچه‌سازی انسان و سامانه‌های الگوریتمی را فراهم می‌کند. نتایج نشان می‌دهد که تصمیمات تولیدشده توسط سامانه‌های الگوریتمی مبتنی بر آمار و بهینه‌سازی هستند که آن‌ها را از قضاوت انسانی که زمینه، عدم قطعیت و هیجانات را در نظر می‌گیرد، متمایز می‌کند. در نتیجه، اعتماد به سامانه‌های هوش مصنوعی به صورت یک رابطه غیرمستقیم و وابسته به کاربر شکل می‌گیرد و نه به عنوان یک ویژگی مستقل از فناوری. همزمان، افزایش سطوح خودکارسازی منجر به پخش مسئولیت و کاهش کنترل مستقیم بر فرایندهای تصمیم‌گیری می‌شود. یافته‌ها نشان می‌دهد که خودکارسازی کامل تصمیمات در سامانه‌های حساس به ایمنی... در نتیجه، اعتماد به سامانه‌های هوش مصنوعی به صورت یک رابطه غیرمستقیم و وابسته به کاربر شکل می‌گیرد و نه به عنوان یک ویژگی مستقل از فناوری.

This article examines the differences between human judgment and algorithmic decision-making in critical logistics systems, focusing on the implications for the concepts of trust and control. The aim of the study is to determine whether AI-based systems can perform functions equivalent to human judgment and what implications this has for operational safety and accountability in complex logistics systems. The study is based on an interdisciplinary analysis, including a review of the literature on artificial intelligence, system safety, and human factors research, as well as a philosophical analysis. This is supplemented by a case study of selected incidents related to the operation of automated systems in high-risk environments, which allows the identification of practical limitations in integrating humans and algorithmic systems. The results indicate that decisions generated by algorithmic systems are statistical and optimization-based, which distinguishes them from human judgment, which takes into account context, uncertainty, and emotions. Consequently, trust in AI systems takes the form of an indirect, user-dependent relationship rather than an autonomous property of the technology. At the same time, increasing levels of automation lead to a diffusion of responsibility and a reduction in direct control over decision-making processes. The findings indicate that full automation of decisions in critical safety systems. Consequently, trust in AI systems takes the form of an indirect, user-dependent relationship rather than an autonomous property of the technology.

این مقاله به بررسی تفاوت‌های میان قضاوت انسانی و تصمیم‌گیری الگوریتمی در سامانه‌های لجستیکی حساس به ایمنی می‌پردازد و پیامدهای آن را برای مفاهیم اعتماد و کنترل مورد تحلیل قرار می‌دهد. هدف این مطالعه تعیین این است که آیا سامانه‌های مبتنی بر هوش مصنوعی می‌توانند عملکردهایی معادل با قضاوت انسانی داشته باشند و این امر چه پیامدهایی برای ایمنی عملیاتی و پاسخگویی در سامانه‌های لجستیکی پیچیده دارد. این پژوهش مبتنی بر تحلیلی میان‌رشته‌ای است که شامل مرور ادبیات مرتبط با هوش مصنوعی، ایمنی سامانه و پژوهش‌های عوامل انسانی، همچنین تحلیل فلسفی می‌شود. این تحلیل با مطالعه موردی درباره برخی رخدادهای مرتبط با عملکرد سامانه‌های خودکار در محیط‌های پرخطر تکمیل شده است که امکان شناسایی محدودیت‌های عملی در یکپارچه‌سازی انسان و سامانه‌های الگوریتمی را فراهم می‌کند. نتایج نشان می‌دهد که تصمیمات تولیدشده توسط سامانه‌های الگوریتمی مبتنی بر آمار و بهینه‌سازی هستند که آن‌ها را از قضاوت انسانی که زمینه، عدم قطعیت و هیجانات را در نظر می‌گیرد، متمایز می‌کند. در نتیجه، اعتماد به سامانه‌های هوش مصنوعی به صورت یک رابطه غیرمستقیم و وابسته به کاربر شکل می‌گیرد و نه به عنوان یک ویژگی مستقل از فناوری. همزمان، افزایش سطوح خودکارسازی منجر به پخش مسئولیت و کاهش کنترل مستقیم بر فرایندهای تصمیم‌گیری می‌شود. یافته‌ها نشان می‌دهد که خودکارسازی کامل تصمیمات در سامانه‌های حساس به ایمنی... در نتیجه، اعتماد به سامانه‌های هوش مصنوعی به صورت یک رابطه غیرمستقیم و وابسته به کاربر شکل می‌گیرد و نه به عنوان یک ویژگی مستقل از فناوری.

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

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

This study investigates the alignment between human judgment and artificial intelligence (AI) in IELTS speaking assessment to inform effective pedagogical practices. Through a comparative analysis of 30 Indonesian EFL learners’ performances evaluated by two experienced human raters and three AI systems (ChatGPT, Otter AI, Claude AI), we identified systematic and significant differences that varied considerably across individual AI systems. When AI scores were averaged, human evaluators assigned higher scores than the automated systems overall (mean difference = 0.522, p < .001), with a moderate positive correlation ( r = .497, p = .005). However, disaggregating the AI systems revealed that this overall pattern was driven primarily by two of the three tools: ChatGPT scores did not differ significantly from one of the two human raters, while Otter AI and, in particular, Claude AI diverged substantially from both human raters. Beyond quantifying these differences, this paper explores their profound implications for language teaching and learning. The findings reveal AI’s superior consistency in measuring technical accuracy (e.g., pronunciation, grammar) and human raters’ strength in assessing communicative effectiveness. We argue that this complementarity presents a critical opportunity rather than a problem. The research concludes by proposing a practical hybrid pedagogical framework where AI is leveraged for low-stakes practice, instantaneous feedback, and freeing up teacher time for high-value instruction on pragmatic and interactive speaking skills. This model positions AI not as a replacement for human judgment but as a transformative tool to enhance teaching efficiency and student learning outcomes in preparation for high-stakes speaking assessment.

این مطالعه به بررسی همسویی میان قضاوت انسانی و هوش مصنوعی (AI) در ارزیابی مهارت گفتاری آیلتس با هدف اطلاع‌رسانی به شیوه‌های آموزشی مؤثر می‌پردازد. از طریق تحلیل مقایسه‌ای عملکرد ۳۰ زبان‌آموز EFL اندونزیایی که توسط دو ارزیاب انسانی باتجربه و سه سامانه هوش مصنوعی (ChatGPT، Otter AI، Claude AI) ارزیابی شدند، تفاوت‌های نظام‌مند و معناداری شناسایی شد که به طور قابل توجهی میان سامانه‌های مختلف هوش مصنوعی متفاوت بود. زمانی که نمرات هوش مصنوعی به طور میانگین محاسبه شد، ارزیابان انسانی به طور کلی نمرات بالاتری نسبت به سامانه‌های خودکار اختصاص دادند (تفاوت میانگین = ۰٫۵۲۲، p < ۰٫۰۰۱)، با همبستگی مثبت متوسط (r = ۰٫۴۹۷، p = ۰٫۰۰۵). با این حال، تجزیه سامانه‌های هوش مصنوعی نشان داد که این الگوی کلی عمدتاً ناشی از دو ابزار از سه ابزار بود: نمرات ChatGPT تفاوت معناداری با یکی از دو ارزیاب انسانی نداشت، در حالی که Otter AI و به ویژه Claude AI به طور قابل توجهی از هر دو ارزیاب انسانی فاصله داشتند. فراتر از کمی‌سازی این تفاوت‌ها، این مقاله به بررسی پیامدهای عمیق آن‌ها برای آموزش و یادگیری زبان می‌پردازد. یافته‌ها نشان می‌دهد که هوش مصنوعی در سنجش دقت فنی (مانند تلفظ، دستور زبان) از ثبات بالاتری برخوردار است و ارزیابان انسانی در ارزیابی اثربخشی ارتباطی قوی‌تر عمل می‌کنند. استدلال می‌شود که این مکمل بودن، فرصتی حیاتی به شمار می‌رود نه یک مشکل. پژوهش با ارائه چارچوب آموزشی ترکیبی عملی به پایان می‌رسد که در آن از هوش مصنوعی برای تمرین کم‌خطر، بازخورد فوری و آزادسازی زمان معلم برای آموزش باارزش در مهارت‌های گفتاری کاربردی و تعاملی بهره گرفته می‌شود. این مدل، هوش مصنوعی را جایگزین قضاوت انسانی نمی‌داند، بلکه آن را ابزاری تحول‌آفرین برای ارتقای کارایی آموزش و نتایج یادگیری دانشجویان در آمادگی برای ارزیابی مهارت گفتاری با ریسک بالا معرفی می‌کند.

This Hypothesis and Theory paper addresses a design problem at the center of AI-assisted research writing: which cognitive demands should AI reduce, and which must remain the writer’s own work. Generative AI can absorb the effort of drafting, organizing, and synthesizing prose, but that same effort is where understanding takes shape. Recent empirical work documents reduced neural engagement, weaker recall of one’s own writing, and a diminished sense of authorship among writers who rely heavily on AI assistance. The paper grounds this problem in cognitive load theory, which distinguishes intrinsic load (the element interactivity a task inherently requires) from extraneous load (demands that do not contribute to learning), and which treats germane processes as the working memory resources a writer allocates to intrinsic load. It draws on productive struggle and generative processing to explain why germane processing cannot be offloaded: when a tool performs the work, the processing does not transfer to the writer; it does not occur. Two research questions are posed. First, which cognitive demands in research writing constitute extraneous load that AI could reduce, and which require germane processing that must remain the writer’s own. Second, how can human-in-the-loop AI collaboration be designed across the phases of research writing so that this distinction is operationalized through human judgment? The contribution is a nine-phase conceptual framework mapped to the sections of a research paper, from curiosity and inquiry through references and submission. Each phase specifies the dominant cognitive demand, the AI role (ranging from minimal involvement to full collaboration), and design guidelines for tools and interactions. The framework addresses research writing from secondary school (grades 9–12) through postdoctoral and professional research, across disciplines. It treats phase-aware AI use as responsive pedagogy applied to research writing: instruction and tool design that respond to the cognitive demands of the task rather than to the tool’s capabilities. The paper draws implications for the design of responsive digital education, including tool selection, assessment, equity, and support for writers with cognitive differences. The framework is intended to preserve the cognitive work that makes research meaningful.

این مقاله از نوع فرضیه و نظریه به یک مسئله طراحی در مرکز نگارش پژوهشی با کمک هوش مصنوعی می‌پردازد: کدام مطالبات شناختی باید توسط هوش مصنوعی کاهش یابد و کدام باید همچنان کار خود نویسنده باقی بماند. هوش مصنوعی مولد می‌تواند تلاش مربوط به پیش‌نویس‌نویسی، سازماندهی و ترکیب نثر را بر عهده گیرد، اما همین تلاش جایی است که فهم شکل می‌گیرد. پژوهش‌های تجربی اخیر کاهش درگیری عصبی، یادآوری ضعیف‌تر نوشته‌های خود و کاهش حس مالکیت نویسندگی را در میان نویسندگانی که به شدت به کمک هوش مصنوعی متکی هستند، مستند کرده‌اند. مقاله این مسئله را در نظریه بار شناختی ریشه‌یابی می‌کند که بار ذاتی (تعامل عناصر مورد نیاز ذاتی یک وظیفه) را از بار زائد (مطالباتی که به یادگیری کمک نمی‌کنند) متمایز می‌سازد و فرایندهای مرتبط را به عنوان منابع حافظه فعال که نویسنده به بار ذاتی اختصاص می‌دهد، تلقی می‌کند. مقاله با بهره‌گیری از مفاهیم تلاش مولد و پردازش مولد توضیح می‌دهد که چرا پردازش مرتبط را نمی‌توان واگذار کرد: زمانی که یک ابزار کار را انجام می‌دهد، پردازش به نویسنده منتقل نمی‌شود؛ بلکه اصلاً رخ نمی‌دهد. دو پرسش پژوهشی مطرح می‌شود. نخست، کدام مطالبات شناختی در نگارش پژوهشی بار زائد محسوب می‌شوند که هوش مصنوعی می‌تواند آن را کاهش دهد و کدام نیازمند پردازش مرتبط است که باید کار خود نویسنده باقی بماند. دوم، چگونه می‌توان همکاری هوش مصنوعی با حضور انسان در حلقه را در مراحل مختلف نگارش پژوهشی به گونه‌ای طراحی کرد که این تمایز از طریق قضاوت انسانی عملیاتی شود؟ دستاورد مقاله، یک چارچوب مفهومی نه‌مرحله‌ای است که با بخش‌های یک مقاله پژوهشی، از کنجکاوی و پرسشگری تا منابع و ارسال، تطبیق یافته است. هر مرحله، مطالبه شناختی غالب، نقش هوش مصنوعی (از حداقل مداخله تا همکاری کامل) و راهنمای طراحی برای ابزارها و تعاملات را مشخص می‌کند. این چارچوب نگارش پژوهشی را از دبیرستان (پایه‌های ۹ تا ۱۲) تا پژوهش‌های فوق‌دکتری و حرفه‌ای، در رشته‌های مختلف پوشش می‌دهد. استفاده مرحله‌محور از هوش مصنوعی را به عنوان آموزش پاسخگو در نگارش پژوهشی تلقی می‌کند: آموزش و طراحی ابزار که به مطالبات شناختی وظیفه پاسخ می‌دهد نه به قابلیت‌های ابزار. مقاله پیامدهایی برای طراحی آموزش دیجیتال پاسخگو، از جمله انتخاب ابزار، ارزیابی، عدالت و حمایت از نویسندگان با تفاوت‌های شناختی ارائه می‌دهد. هدف چارچوب، حفظ کار شناختی است که پژوهش را معنادار می‌کند.