logistics

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.

‘Student voice’ and ‘inclusivity’ have emerged as cornerstones of assessment redesign projects. One largely unarticulated precondition for the student voice to be a meaningful determinant of assessment practices is that student preferences are consistent and specific. To find out whether this is actually the case, we developed a mixed-method approach to analysing focus group transcripts. The core of our work consists of a topic analysis and a collocation analysis. The main finding from our topic analysis is that student discourse does not revolve around a consistent set of preferences. Individual preferences get drowned out in aggregate data. Our collocation analysis shows an intense student focus on the logistics and regulation of assessment and a devastatingly bleak evaluation of them. Concerns around what is being assessed are largely absent from conversations around assessment preferences. Results point to a need to build trust at a ‘local’ level rather than seek silver bullets.

«صدای دانشجو» و «شمولیت» به‌عنوان ارکان اصلی پروژه‌های بازطراحی ارزیابی مطرح شده‌اند. یکی از پیش‌شرط‌های عمدتاً بیان‌نشده برای آنکه صدای دانشجو بتواند به‌عنوان تعیین‌کننده‌ای معنادار در شیوه‌های ارزیابی ایفای نقش کند، این است که ترجیحات دانشجویان سازگار و مشخص باشد. برای بررسی اینکه آیا واقعاً چنین است یا خیر، رویکردی ترکیبی برای تحلیل رونوشت‌های گروه‌های کانونی توسعه دادیم. هسته اصلی پژوهش ما شامل تحلیل موضوعی و تحلیل هم‌آیی است. یافته اصلی تحلیل موضوعی ما این است که گفتار دانشجویان حول مجموعه‌ای سازگار از ترجیحات نمی‌چرخد. ترجیحات فردی در داده‌های تجمیعی نادیده گرفته می‌شود. تحلیل هم‌آیی ما نشان می‌دهد که تمرکز دانشجویان بر جنبه‌های لجستیکی و مقرراتی ارزیابی بسیار شدید است و ارزیابی آن‌ها از این جنبه‌ها به‌شدت منفی است. نگرانی‌ها درباره اینکه چه چیزی مورد ارزیابی قرار می‌گیرد، عمدتاً در گفتگوهای مربوط به ترجیحات ارزیابی غایب است. نتایج نشان می‌دهد که نیاز به ایجاد اعتماد در سطح «محلی» وجود دارد و نباید به دنبال راه‌حل‌های معجزه‌آسا بود.

This study aimed to analyze the factors hindering learning among students in the Higher Education Technology Program in Logistics during classes, addressing three guiding questions: which factors impede learning, how these factors interfere with the process, and why they produce such effects. This qualitative, exploratory, descriptive study involved students in a class in the Logistics Technology Program at the Federal Institute of Education, Science and Technology of Amazonas (IFAM), Manaus Industrial District Campus. Data were collected through an online semi-structured instrument and analyzed using a similarity technique, followed by grouping responses into analytical categories. The results revealed five dimensions of factors interfering with learning: pedagogical, technological, individual, behavioral/social, and structural-organizational. Pedagogical factors stood out, mainly related to a lack of practical application, an excess of theoretical classes, poor teaching methods, a lack of focus/conciseness, and issues with teaching approaches and instructor performance. The analysis showed that these factors primarily interfere with attention, concentration, focus, comprehension, interest, content retention, and the integration of theory and practice. Students cited attention deficits, comprehension difficulties, monotony, excessive complexity, lack of focus, absence of practical contextualization, insufficient resources, and low engagement. The study concludes that learning difficulties are a multidimensional, process-oriented phenomenon in which various factors can combine to compromise the conditions necessary for learning. The results suggest, therefore, that understanding learning in Logistics requires an integrated approach covering pedagogical, individual, technological, behavioral, social, and structural dimensions.

هدف این پژوهش تحلیل عوامل بازدارنده یادگیری در میان دانشجویان برنامه آموزش عالی فناوری در لجستیک در طول کلاس‌ها بود و سه پرسش راهنما را مورد بررسی قرار داد: کدام عوامل مانع یادگیری می‌شوند، این عوامل چگونه در فرایند یادگیری اختلال ایجاد می‌کنند و چرا چنین آثاری را به وجود می‌آورند. این مطالعه کیفی، اکتشافی و توصیفی با مشارکت دانشجویان یکی از کلاس‌های برنامه فناوری لجستیک در مؤسسه فدرال آموزش، علوم و فناوری آمازوناس (IFAM)، پردیس منطقه صنعتی مانائوس انجام شد. داده‌ها از طریق ابزار نیمه‌ساختاریافته آنلاین گردآوری و با استفاده از تکنیک شباهت تحلیل شدند و سپس پاسخ‌ها در قالب دسته‌بندی‌های تحلیلی گروه‌بندی گردیدند. نتایج، پنج بُعد از عوامل مداخله‌گر در یادگیری را آشکار ساخت: عوامل آموزشی، فناوری، فردی، رفتاری/اجتماعی و ساختاری-سازمانی. عوامل آموزشی برجسته‌تر بودند و عمدتاً به کمبود کاربرد عملی، فراوانی کلاس‌های نظری، روش‌های تدریس ضعیف، فقدان تمرکز/اختصار و مشکلات رویکردهای تدریس و عملکرد مدرس مربوط می‌شدند. تحلیل نشان داد که این عوامل عمدتاً بر توجه، تمرکز، دقت، درک، علاقه، حفظ محتوا و ادغام نظریه و عمل تأثیر می‌گذارند. دانشجویان به کمبود توجه، دشواری درک، یکنواختی، پیچیدگی بیش از حد، فقدان تمرکز، نبود زمینه‌سازی عملی، منابع ناکافی و مشارکت پایین اشاره کردند. پژوهش نتیجه می‌گیرد که دشواری‌های یادگیری پدیده‌ای چندبُعدی و فرایندمحور است که در آن عوامل مختلف می‌توانند با یکدیگر ترکیب شده و شرایط لازم برای یادگیری را به مخاطره اندازند. بنابراین نتایج نشان می‌دهد که فهم یادگیری در حوزه لجستیک مستلزم رویکردی یکپارچه است که ابعاد آموزشی، فردی، فناوری، رفتاری، اجتماعی و ساختاری را دربرگیرد.

Game-based approaches are increasingly employed to address complex challenges in logistics and freight transport. While traditionally employed for education and workforce training, they have broader applications and untapped potential. In particular, advances in artificial intelligence (AI) are creating new opportunities to design, personalise, and scale these interventions. Despite this growing interest, a comprehensive understanding of how game-based approaches have evolved, who they target, what functions they serve, and where future opportunities lie remains limited. This study presents a systematic review of 87 studies on game-based interventions in freight transport and logistics, synthesising evidence across five application domains: warehouse operations management, terminal operations management, transport planning and optimisation, reverse logistics, and risk management and resilience. The findings reveal that games are evolving beyond training applications towards behavioural research, decision support, stakeholder engagement, and consumer behaviour change. Target audiences have similarly expanded from students and operational personnel to include managers, planners, consumers, and participants in behavioural research settings. Nevertheless, evidence regarding the long-term effectiveness of these interventions remains scarce, and several logistics challenges remain largely unexplored. Building on evidence-based gaps identified in the literature, this review proposes future research directions and highlights the potential of AI to enable adaptive, personalised, and scalable game-based interventions. By consolidating fragmented knowledge and outlining emerging opportunities, this study provides a foundation for researchers and practitioners seeking to harness game-based approaches to understand and improve logistics and freight transport systems.

رویکردهای مبتنی بر بازی به طور فزاینده‌ای برای مواجهه با چالش‌های پیچیده در لجستیک و حمل‌ونقل بار به کار گرفته می‌شوند. اگرچه این رویکردها به طور سنتی برای آموزش و تربیت نیروی کار مورد استفاده قرار می‌گرفتند، اما کاربردهای گسترده‌تر و ظرفیت‌های استفاده‌نشده‌ای دارند. به ویژه، پیشرفت‌های هوش مصنوعی (AI) فرصت‌های جدیدی برای طراحی، شخصی‌سازی و مقیاس‌پذیری این مداخلات ایجاد کرده است. با وجود این علاقه رو به رشد، درک جامعی از نحوه تحول رویکردهای مبتنی بر بازی، مخاطبان هدف، کارکردهای آن‌ها و فرصت‌های آینده همچنان محدود است. این مطالعه با ارائه یک مرور نظام‌مند از ۸۷ پژوهش درباره مداخلات مبتنی بر بازی در حوزه حمل‌ونقل بار و لجستیک، شواهد را در پنج حوزه کاربردی شامل مدیریت عملیات انبار، مدیریت عملیات ترمینال، برنامه‌ریزی و بهینه‌سازی حمل‌ونقل، لجستیک معکوس و مدیریت ریسک و تاب‌آوری، تلفیق می‌کند. یافته‌ها نشان می‌دهد که بازی‌ها فراتر از کاربردهای آموزشی، به سمت پژوهش‌های رفتاری، پشتیبانی تصمیم‌گیری، مشارکت ذینفعان و تغییر رفتار مصرف‌کننده در حال تحول هستند. مخاطبان هدف نیز از دانشجویان و کارکنان عملیاتی به مدیران، برنامه‌ریزان، مصرف‌کنندگان و شرکت‌کنندگان در محیط‌های پژوهش رفتاری گسترش یافته‌اند. با این حال، شواهد مربوط به اثربخشی بلندمدت این مداخلات همچنان اندک است و برخی چالش‌های لجستیکی تا حد زیادی بررسی نشده باقی مانده‌اند. با اتکا به شکاف‌های مبتنی بر شواهد شناسایی‌شده در ادبیات، این مرور جهت‌گیری‌های پژوهشی آینده را پیشنهاد می‌کند و بر پتانسیل هوش مصنوعی برای امکان‌پذیر ساختن مداخلات مبتنی بر بازی تطبیقی، شخصی‌سازی‌شده و مقیاس‌پذیر تأکید دارد. با یکپارچه‌سازی دانش پراکنده و ترسیم فرصت‌های نوظهور، این مطالعه بنیانی برای پژوهشگران و متخصصانی فراهم می‌کند که به دنبال بهره‌گیری از رویکردهای مبتنی بر بازی برای درک و بهبود سامانه‌های لجستیک و حمل‌ونقل بار هستند.