Chatbot

Digital technologies can expand opportunities for language practice, feedback, and access to learning materials, but their educational value depends on how they are integrated into instruction. This conceptual article draws on a selective narrative review to examine automatic speech recognition, conversational agents, machine translation, and virtual environments in language learning. It distinguishes the functions of these technologies from the learning outcomes that teachers must evaluate. The discussion identifies opportunities for pronunciation practice, sustained interaction, reflective revision, and contextualized communication, alongside problems involving unreliable feedback, cognitive demands, unequal access, and personal data. Alpha School is considered briefly as an institutional illustration of adaptive learning and human guidance, rather than as evidence of foreign-language learning effectiveness. Four proposed classroom applications show how teachers can connect digital activity to observable language performance. The article argues that responsible integration requires clear learning objectives, appropriate scaffolding, human review of feedback, and opportunities to demonstrate learning beyond the original tool. Its contribution is a practical framework for evaluating instructional use; the proposed applications require subsequent classroom investigation.

As conversational artificial intelligence models become ubiquitous fixtures in professional and personal workflows, the nature of human-tool interaction has the potential to gradually shift from mechanical utility to parasocial dependency. While existing literature frequently addresses adverse events related to data privacy, algorithmic bias, and intellectual deskilling, the pathopsychological sequelae of sustained AI integration remain largely unexamined. Here, we describe and preliminarily characterize the AI Assistant Syndrome, a human psychiatric construct encompassing acute chatbot-induced anxiety and mental exhaustion. This preliminary description will guide future systematic investigations to recognize, prevent, and treat this syndrome.

با فراگیر شدن مدل‌های هوش مصنوعی مکالمه‌ای در جریان‌های کاری حرفه‌ای و شخصی، ماهیت تعامل انسان و ابزار می‌تواند به تدریج از کارکرد مکانیکی به وابستگی شبه‌اجتماعی تغییر یابد. اگرچه پژوهش‌های موجود عمدتاً به رویدادهای نامطلوب مرتبط با حریم خصوصی داده‌ها، سوگیری الگوریتمی و کاهش مهارت‌های فکری می‌پردازند، اما پیامدهای آسیب‌شناختی روانی ناشی از ادغام پایدار هوش مصنوعی تا حد زیادی بررسی نشده‌اند. در اینجا، سندرم دستیار هوش مصنوعی را توصیف و به طور مقدماتی مشخص می‌کنیم؛ این سازه روان‌پزشکی انسانی شامل اضطراب حاد ناشی از چت‌بات و فرسودگی ذهنی است. این توصیف مقدماتی، راهنمای پژوهش‌های نظام‌مند آینده برای شناسایی، پیشگیری و درمان این سندرم خواهد بود.

Background: Chatbots are increasingly used to deliver cognitive behavioural therapy (CBT) via mobile and web applications. Many mental health systems cannot meet demand with face-to-face care alone. CBT chatbots have therefore been introduced in app form, but data on outcomes, dropout, and unequal uptake remain limited. Objective: This review evaluates whether CBT chatbots reduce anxiety and depression symptoms, which user- and design-related factors are linked to engagement and dropout, and which structural barriers limit who can practically use these tools. Methodology: Peer-reviewed studies from 2018 to 2026 were identified through searches in PubMed/MEDLINE and Google Scholar. Included studies examined automated CBT chatbots (e.g., Woebot, Wysa, Youper, Limbic Care) and reported clinical outcomes, engagement or dropout, and/or access-related findings. Twenty-four publications were synthesised thematically. Results: Short-term trials and observational studies reported reductions in anxiety and depression symptoms, with small-to-moderate effects1. Generative conversational designs were linked to higher engagement than static digital programmes in at least one RCT, which reported roughly 2.4 times the use frequency of a generative CBT app relative to workbook controls3. Attrition remained notable; one meta-analysis estimated intervention-arm dropout at 21.84%5. Unequal access persisted because of connectivity, device availability, and digital literacy, despite the privacy and round-the-clock availability of app-based care23. Conclusion: CBT chatbots may serve as useful low-intensity interventions, but their public health value depends on improved retention and fairer access. Implementation should address digital literacy, culturally appropriate design, and governance that does not restrict validated tools to already advantaged users.

زمینه: چت‌بات‌ها به طور فزاینده‌ای برای ارائه درمان شناختی-رفتاری (CBT) از طریق برنامه‌های موبایل و وب مورد استفاده قرار می‌گیرند. بسیاری از نظام‌های سلامت روان تنها با مراقبت حضوری قادر به پاسخگویی به تقاضا نیستند. بنابراین، چت‌بات‌های CBT به صورت اپلیکیشن معرفی شده‌اند، اما داده‌ها درباره پیامدها، ریزش و استفاده نابرابر همچنان محدود است. هدف: این مرور بررسی می‌کند که آیا چت‌بات‌های CBT علائم اضطراب و افسردگی را کاهش می‌دهند، کدام عوامل مرتبط با کاربر و طراحی با مشارکت و ریزش ارتباط دارند و چه موانع ساختاری استفاده عملی از این ابزارها را محدود می‌کند. روش‌شناسی: مطالعات داوری‌شده از سال ۲۰۱۸ تا ۲۰۲۶ از طریق جستجو در PubMed/MEDLINE و Google Scholar شناسایی شدند. مطالعات واردشده، چت‌بات‌های خودکار CBT (مانند Woebot، Wysa، Youper، Limbic Care) را بررسی کرده و پیامدهای بالینی، مشارکت یا ریزش و/یا یافته‌های مرتبط با دسترسی را گزارش کرده‌اند. بیست‌وچهار مقاله به صورت موضوعی سنتز شدند. یافته‌ها: کارآزمایی‌های کوتاه‌مدت و مطالعات مشاهده‌ای کاهش علائم اضطراب و افسردگی را با اثرات کوچک تا متوسط گزارش کردند۱. طراحی‌های مکالمه‌ای مولد با مشارکت بالاتر نسبت به برنامه‌های دیجیتال ایستا در دست‌کم یک کارآزمایی تصادفی‌سازی‌شده مرتبط بودند که حدوداً ۲.۴ برابر فراوانی استفاده از اپلیکیشن CBT مولد نسبت به کنترل‌های مبتنی بر دفترچه کار را گزارش کرد۳. ریزش همچنان قابل توجه بود؛ یک فراتحلیل نرخ ریزش در بازوی مداخله را ۲۱.۸۴٪ برآورد کرد۵. دسترسی نابرابر به دلیل اتصال، در دسترس بودن دستگاه و سواد دیجیتال، علی‌رغم حفظ حریم خصوصی و دسترسی شبانه‌روزی مراقبت مبتنی بر اپلیکیشن، ادامه داشت۲۳. نتیجه‌گیری: چت‌بات‌های CBT می‌توانند به عنوان مداخلات کم‌شدت مفید باشند، اما ارزش سلامت عمومی آن‌ها به بهبود نگهداشت و دسترسی عادلانه‌تر وابسته است. پیاده‌سازی باید به سواد دیجیتال، طراحی متناسب با فرهنگ و حکمرانی‌ای که ابزارهای اعتبارسنجی‌شده را به کاربران برخوردار محدود نمی‌کند، توجه کند.

Academic stress is a major risk factor for mental health problems among college students. Existing online counseling systems often face three limitations: limited user trust in virtual interactions, insufficient adaptation to academic-stress scenarios, and inconsistent professional quality in single-agent counseling. To address these issues, we developed DHCBT, a digital human counseling system based on a hierarchical CBT multi-agent framework. Coordinated by a meta-agent and specialized expert agents, the framework structures counseling into two stages: establishment of an initial intervention framework and execution of the CBT core process. We evaluated the framework through benchmark testing on CBT-BENCH Level II, response-quality assessment on academic-stress counseling cases, and a controlled user study comparing DHCBT with a text-based chatbot. In benchmark testing, the framework showed strong performance on cognitive distortion and core-belief understanding tasks. In counseling-response evaluation, it outperformed baseline models in safety, adherence to CBT process, problem comprehension, and empathy. In the user study, DHCBT was associated with lower cognitive load and higher social presence, usability, and intention to continue use than the text-based control. These findings provide preliminary evidence that combining a digital human counseling interface with a CBT multi-agent framework is feasible for supporting college students with mild-to-moderate academic stress.

فشار تحصیلی یکی از عوامل خطر اصلی برای مشکلات سلامت روان در میان دانشجویان دانشگاه است. سامانه‌های مشاوره آنلاین موجود اغلب با سه محدودیت مواجه هستند: اعتماد محدود کاربران به تعاملات مجازی، سازگاری ناکافی با سناریوهای فشار تحصیلی، و کیفیت حرفه‌ای ناسازگار در مشاوره تک‌عاملی. برای رفع این مسائل، ما سامانه DHCBT را توسعه دادیم که مبتنی بر چارچوب چندعاملی سلسله‌مراتبی درمان شناختی-رفتاری (CBT) است. این چارچوب با هماهنگی یک فراعامل (meta-agent) و عوامل متخصص (expert agents)، فرایند مشاوره را به دو مرحله تقسیم می‌کند: ایجاد چارچوب اولیه مداخله و اجرای فرایند اصلی CBT. ما این چارچوب را از طریق آزمون معیار در سطح دوم CBT-BENCH، ارزیابی کیفیت پاسخ در موارد مشاوره فشار تحصیلی، و یک مطالعه کنترل‌شده کاربری که DHCBT را با یک چت‌بات متنی مقایسه می‌کند، ارزیابی کردیم. در آزمون معیار، این چارچوب عملکرد قوی‌ای در وظایف درک تحریف‌های شناختی و باورهای هسته‌ای نشان داد. در ارزیابی پاسخ‌های مشاوره‌ای، نسبت به مدل‌های پایه در ایمنی، پایبندی به فرایند CBT، درک مسئله و همدلی برتری داشت. در مطالعه کاربری، DHCBT با بار شناختی کمتر و حضور اجتماعی، قابلیت استفاده و قصد ادامه استفاده بالاتر نسبت به کنترل متنی همراه بود. این یافته‌ها شواهد اولیه‌ای فراهم می‌کند که ترکیب رابط مشاوره انسان دیجیتال با چارچوب چندعاملی CBT برای حمایت از دانشجویان با فشار تحصیلی خفیف تا متوسط امکان‌پذیر است.

Mental health chatbots increasingly rely on conversational interaction to support users' emotional well-being, yet little is known about how users interpret temporary silence while waiting for system responses. Existing research on social presence and anthropomorphic interaction has primarily focused on conversational content after a response is generated, whereas the waiting phase remains underexplored. Drawing on social presence theory, this study conceptualizes anthropomorphic latency cues as socially meaningful signals that may shape users’ emotional and interactional experiences during temporary conversational silence. Two studies were conducted. Study 1 developed and semantically validated three categories of anthropomorphic latency cues (empathic, effortful, and playful). Study 2 employed a within-subjects laboratory experiment with university students, comparing five latency-cue conditions (text, progress bar, empathic, effortful, and playful) using subjective evaluations, eye-tracking measures, and semi-structured interviews. The results showed that anthropomorphic latency cues were associated with lower anxiety and greater pleasure in several condition-level comparisons relative to non-anthropomorphic feedback. Perceived interaction continuity was significantly associated with reduced anxiety and enhanced pleasure. Within the anthropomorphic conditions, mediation analyses revealed significant indirect associations among perceived anthropomorphism, social presence, and emotional and interactional outcomes. Eye-tracking results indicated longer fixation durations on anthropomorphic latency cues during temporary silence. Qualitative findings further suggested that participants often interpreted latency cues as signals of attentiveness, responsiveness, and interaction continuity rather than merely as technical loading indicators. Overall, temporary conversational silence may function as a socially meaningful phase of AI-mediated interaction rather than a purely technical delay. The study extends social presence research into temporally silent phases of conversational AI interaction and provides preliminary design implications for chatbot-based support systems.

چت‌بات‌های سلامت روان به طور فزاینده‌ای بر تعامل مکالمه‌ای برای حمایت از بهزیستی عاطفی کاربران تکیه دارند، اما اطلاعات اندکی درباره نحوه تفسیر سکوت موقت توسط کاربران هنگام انتظار برای پاسخ سیستم وجود دارد. پژوهش‌های موجود درباره حضور اجتماعی و تعامل انسان‌واره عمدتاً بر محتوای مکالمه پس از تولید پاسخ تمرکز داشته‌اند، در حالی که مرحله انتظار کمتر مورد بررسی قرار گرفته است. با بهره‌گیری از نظریه حضور اجتماعی، این مطالعه نشانه‌های تاخیر انسان‌واره را به عنوان سیگنال‌های معنادار اجتماعی که ممکن است تجربه‌های عاطفی و تعاملی کاربران را در طول سکوت موقت مکالمه‌ای شکل دهند، مفهوم‌سازی می‌کند. دو مطالعه انجام شد. مطالعه اول سه دسته نشانه تاخیر انسان‌واره (همدلانه، همراه با تلاش، و بازیگوشانه) را توسعه داده و از نظر معنایی اعتبارسنجی کرد. مطالعه دوم با استفاده از یک آزمایش آزمایشگاهی درون‌گروهی با دانشجویان دانشگاه، پنج وضعیت نشانه تاخیر (متن، نوار پیشرفت، همدلانه، همراه با تلاش، و بازیگوشانه) را با استفاده از ارزیابی‌های ذهنی، سنجش‌های ردیابی چشم و مصاحبه‌های نیمه‌ساختاریافته مقایسه کرد. نتایج نشان داد که نشانه‌های تاخیر انسان‌واره در مقایسه‌های سطح وضعیت نسبت به بازخورد غیرانسان‌واره با اضطراب کمتر و لذت بیشتر همراه بودند. تداوم ادراک‌شده تعامل به طور معناداری با کاهش اضطراب و افزایش لذت ارتباط داشت. در میان وضعیت‌های انسان‌واره، تحلیل‌های میانجی‌گری ارتباطات غیرمستقیم معناداری را میان انسان‌وارگی ادراک‌شده، حضور اجتماعی و پیامدهای عاطفی و تعاملی نشان داد. نتایج ردیابی چشم حاکی از مدت زمان تثبیت طولانی‌تر بر نشانه‌های تاخیر انسان‌واره در طول سکوت موقت بود. یافته‌های کیفی نیز نشان داد که شرکت‌کنندگان اغلب نشانه‌های تاخیر را به عنوان سیگنال‌هایی از توجه، پاسخگویی و تداوم تعامل تفسیر می‌کردند و نه صرفاً به عنوان شاخص‌های فنی بارگذاری. به طور کلی، سکوت موقت مکالمه‌ای ممکن است به عنوان مرحله‌ای معنادار اجتماعی از تعامل میانجی‌شده با هوش مصنوعی عمل کند و نه صرفاً یک تاخیر فنی. این مطالعه پژوهش‌های حضور اجتماعی را به مراحل سکوت زمانی در تعامل مکالمه‌ای با هوش مصنوعی گسترش می‌دهد و دلالت‌های اولیه‌ای برای طراحی سامانه‌های پشتیبانی مبتنی بر چت‌بات ارائه می‌دهد.

Introduction Promoting scientific argumentation in the context of socio-scientific issues remains a major challenge in science education. Artificial intelligence offers new opportunities to provide adaptive feedback on students’ written arguments; however, little is known about learners’ perceptions of hybrid learning environments that combine AI-supported feedback with peer feedback under authentic classroom conditions. This study presents the development and pilot evaluation of SMOKEChem, a web-based learning environment designed to foster scientific argumentation through AI-supported and collaborative feedback processes. Methods An exploratory mixed-methods design was employed to investigate learners’ perceptions of SMOKEChem during regular chemistry lessons. A total of 130 secondary school students (mean age = 15 years) participated in the study. Quantitative data were collected using questionnaires assessing technology acceptance, cognitive load, and chatbot usability, while qualitative responses explored students’ perceptions of peer feedback. Results The findings indicate that SMOKEChem was perceived as useful, user-friendly, and cognitively balanced, with low levels of extraneous cognitive load and high levels of germane cognitive load. Furthermore, students perceived AI-supported and peer feedback as fulfilling complementary functions: acceptance and usability data indicate that AI provided immediate, structured guidance for revising arguments, while qualitative data on peer feedback point to dialogic reflection, perspective-taking, and collaborative knowledge construction. Discussion The findings provide initial empirical evidence that hybrid feedback designs combining AI-supported and peer feedback can effectively support scientific argumentation in socio-scientific contexts. The complementary strengths of both feedback sources highlight the potential of integrating AI into collaborative learning environments rather than replacing peer interaction. These results provide practical implications for the design of AI-supported argumentation environments and inform future research on hybrid feedback approaches in science education.

مقدمه: ارتقای استدلال علمی در زمینه مسائل اجتماعی-علمی همچنان یکی از چالش‌های عمده در آموزش علوم به‌شمار می‌رود. هوش مصنوعی فرصت‌های جدیدی را برای ارائه بازخورد تطبیقی بر استدلال‌های نوشتاری دانش‌آموزان فراهم می‌کند؛ با این حال، اطلاعات اندکی درباره ادراک یادگیرندگان از محیط‌های یادگیری ترکیبی که بازخورد مبتنی بر هوش مصنوعی را با بازخورد همتایان در شرایط واقعی کلاس درس تلفیق می‌کنند، وجود دارد. این مطالعه به معرفی توسعه و ارزیابی اولیه SMOKEChem، یک محیط یادگیری مبتنی بر وب که با هدف تقویت استدلال علمی از طریق فرآیندهای بازخورد مبتنی بر هوش مصنوعی و همکاری طراحی شده است، می‌پردازد. روش‌ها: یک طرح اکتشافی آمیخته برای بررسی ادراک یادگیرندگان از SMOKEChem در جریان کلاس‌های معمول شیمی به‌کار گرفته شد. در مجموع ۱۳۰ دانش‌آموز دبیرستانی (میانگین سنی = ۱۵ سال) در این پژوهش شرکت کردند. داده‌های کمی از طریق پرسشنامه‌هایی درباره پذیرش فناوری، بار شناختی و قابلیت استفاده چت‌بات گردآوری شد و پاسخ‌های کیفی به بررسی ادراک دانش‌آموزان از بازخورد همتایان پرداخت. یافته‌ها: نتایج نشان داد که SMOKEChem به‌عنوان ابزاری مفید، کاربرپسند و دارای تعادل شناختی ادراک شد و سطوح بار شناختی بیرونی پایین و بار شناختی سازنده بالایی را نشان داد. افزون بر این، دانش‌آموزان بازخورد مبتنی بر هوش مصنوعی و بازخورد همتایان را دارای کارکردهای مکمل تلقی کردند: داده‌های پذیرش و قابلیت استفاده نشان داد که هوش مصنوعی راهنمایی فوری و ساختاریافته‌ای برای بازنگری استدلال‌ها ارائه می‌دهد، در حالی که داده‌های کیفی درباره بازخورد همتایان به بازتاب گفت‌وگویی، دیدگاه‌پذیری و ساخت دانش مشارکتی اشاره داشت. بحث: یافته‌ها شواهد تجربی اولیه‌ای ارائه می‌دهند که طراحی بازخورد ترکیبی با ادغام بازخورد مبتنی بر هوش مصنوعی و بازخورد همتایان می‌تواند به‌طور مؤثری از استدلال علمی در زمینه‌های اجتماعی-علمی حمایت کند. نقاط قوت مکمل هر دو منبع بازخورد، پتانسیل ادغام هوش مصنوعی در محیط‌های یادگیری مشارکتی به‌جای جایگزینی تعامل همتایان را برجسته می‌کند. این نتایج پیامدهای عملی برای طراحی محیط‌های استدلال مبتنی بر هوش مصنوعی داشته و پژوهش‌های آتی درباره رویکردهای بازخورد ترکیبی در آموزش علوم را هدایت می‌کند.

Therapeutic writing offers significant benefits for well-being; however, for family caregivers, conventional fixed or user-initiated schedules often fail to align with their dynamic, high-stress reality. We conducted a three-week field study with 47 caregivers using a chatbot that delivered daily reflective writing cues and captured temporal, spatial, and social contexts. Our analysis identified a writing spectrum anchored by two distinct reflective modes. Under psychologically proximal conditions, participants produced detailed, emotion-rich, and care-recipient-focused narratives that supported emotional release. Under distal conditions, they generated calmer, self-focused, and analytic accounts that enabled objective reflection and cognitive reappraisal. Participants described trade-offs: proximity preserved vivid detail but limited objectivity, while distance enabled analysis but risked memory loss. This work contributes empirical evidence of how psychological distances shape reflective writing and proposes design implications for distance-aware Just-in-Time Adaptive Interventions for family caregivers' mental health support.

نوشتار درمانی مزایای قابل توجهی برای بهزیستی دارد؛ با این حال، برای مراقبان خانوادگی، برنامه‌های ثابت یا زمان‌بندی‌های آغازشده توسط کاربر اغلب با واقعیت پویای پرتنش آن‌ها هم‌راستا نمی‌شود. ما یک مطالعه میدانی سه‌هفته‌ای با ۴۷ مراقب خانوادگی انجام دادیم که در آن از یک چت‌بات استفاده شد که روزانه نشانه‌های نوشتار بازتابی را ارائه می‌داد و زمینه‌های زمانی، مکانی و اجتماعی را ثبت می‌کرد. تحلیل ما طیفی از نوشتار را شناسایی کرد که توسط دو شیوه بازتابی متمایز پایه‌گذاری شده بود. در شرایط روان‌شناختی نزدیک، شرکت‌کنندگان روایت‌هایی با جزئیات فراوان، غنی از احساسات و متمرکز بر دریافت‌کننده مراقبت تولید کردند که به رهایی هیجانی کمک می‌کرد. در شرایط دور، آن‌ها روایت‌هایی آرام‌تر، خودمحور و تحلیلی ارائه دادند که بازتاب عینی و ارزیابی شناختی را ممکن می‌ساخت. شرکت‌کنندگان به مبادلاتی اشاره کردند: نزدیکی، جزئیات زنده را حفظ می‌کرد اما عینیت را محدود می‌ساخت، در حالی که فاصله، تحلیل را ممکن می‌کرد اما خطر فراموشی را به همراه داشت. این پژوهش شواهد تجربی درباره چگونگی تأثیر فاصله‌های روان‌شناختی بر نوشتار بازتابی ارائه می‌دهد و پیامدهای طراحی برای مداخلات تطبیقی آگاه از فاصله و به‌موقع در حمایت از سلامت روان مراقبان خانوادگی را پیشنهاد می‌کند.

Artificial intelligence (AI) chatbots are increasingly embedded in adolescents’ daily lives, yet developmental science research struggles to keep pace with adoption. This mixed-methods study gathered developmental expert perspectives via a survey ( n = 141 researchers studying youth and technology and adjacent professionals) and semi-structured interviews ( n = 15) to inform a coordinated research and policy agenda on adolescent AI use. The study aims were to identify (1) priority AI use cases for future study, (2) priority research questions and methods, as well as barriers to future research, and (3) societal guardrails that developmental professionals recommend enacting now, while research is underway. Participants cautioned against vague “screen time” measures and agreed that nearly all use cases merit study but prioritized those with severe or irreversible immediate-term harms, AI literacy, AI as a social/relational actor, AI-generated (mis)information, and overreliance. Participants emphasized that methodological pluralism and triangulation, including within individual studies, are essential, agreeing that different methods can be complementary to address distinct research questions. Key barriers included the rapid pace of change in AI technology and use relative to academic timelines, limited industry transparency, funding gaps, and misaligned academic incentives. Proposed solutions included shared infrastructure, interdisciplinary consortia, and community partnerships. Participants underscored that responsibility for safe AI should not rest primarily on adolescents and families and identified three immediate guardrails: enforceable youth-centered regulation, developmentally informed design, and multidimensional AI literacy. Findings clarify a preliminary direction for the field and emphasize that coordination among researchers and between sectors is needed.

چت‌بات‌های هوش مصنوعی (AI) به طور فزاینده‌ای در زندگی روزمره نوجوانان جای گرفته‌اند، اما پژوهش‌های علم رشد با سرعت پذیرش این فناوری همگام نیستند. این مطالعه با روش ترکیبی، دیدگاه‌های متخصصان رشد را از طریق یک پیمایش (n = 141 پژوهشگر حوزه نوجوانان و فناوری و حرفه‌ای‌های مرتبط) و مصاحبه‌های نیمه‌ساختاریافته (n = 15) گردآوری کرد تا دستورکار هماهنگ پژوهشی و سیاستی درباره استفاده نوجوانان از هوش مصنوعی را تدوین کند. اهداف مطالعه عبارت بودند از: (1) شناسایی موارد اولویت‌دار استفاده از هوش مصنوعی برای پژوهش‌های آتی، (2) شناسایی پرسش‌ها و روش‌های پژوهشی اولویت‌دار و همچنین موانع پژوهش‌های آینده، و (3) تعیین چارچوب‌های محافظتی اجتماعی که متخصصان رشد توصیه می‌کنند همزمان با انجام پژوهش‌ها، اجرایی شوند. شرکت‌کنندگان نسبت به سنجش‌های مبهم «زمان استفاده از صفحه‌نمایش» هشدار دادند و توافق داشتند که تقریباً همه موارد استفاده شایسته مطالعه هستند، اما مواردی با آسیب‌های شدید یا غیرقابل بازگشت در کوتاه‌مدت، سواد هوش مصنوعی، نقش اجتماعی/ارتباطی هوش مصنوعی، اطلاعات (نادرست) تولیدشده توسط هوش مصنوعی و اتکای بیش از حد را در اولویت قرار دادند. شرکت‌کنندگان تأکید کردند که کثرت‌گرایی روشی و مثلث‌سازی، حتی در درون یک مطالعه، ضروری است و توافق داشتند که روش‌های مختلف می‌توانند برای پاسخ به پرسش‌های پژوهشی متفاوت، مکمل یکدیگر باشند. موانع کلیدی شامل سرعت بالای تغییرات فناوری و استفاده از هوش مصنوعی نسبت به زمان‌بندی‌های دانشگاهی، شفافیت محدود صنعت، کمبود منابع مالی و عدم تطابق مشوق‌های دانشگاهی بود. راه‌حل‌های پیشنهادی شامل زیرساخت مشترک، کنسرسیوم‌های میان‌رشته‌ای و مشارکت‌های اجتماعی بود. شرکت‌کنندگان تأکید کردند که مسئولیت ایمنی هوش مصنوعی نباید عمدتاً بر دوش نوجوانان و خانواده‌ها باشد و سه چارچوب فوری را شناسایی کردند: مقررات قابل اجرا با محوریت نوجوانان، طراحی مبتنی بر رشد و سواد چندبعدی هوش مصنوعی. یافته‌ها جهت‌گیری مقدماتی این حوزه را روشن می‌کند و بر ضرورت هماهنگی میان پژوهشگران و بین بخش‌ها تأکید دارد.

Play-based parent-child interaction offers preschoolers rich opportunities for everyday foreign language learning, yet many parents struggle to turn open-ended play into effective English-as-a-Foreign-Language (EFL) learning experiences at home. To explore how AI might support this process, we conducted formative studies through interviews and a Wizard-of-Oz study. We identified four key challenges: content selection, language expression, balancing instruction and play, and problem solving. To address these challenges, we present PAPEL, a parent–AI collaborative system that grounds suggestions in the ongoing play scene and organizes support into four core modules: content generation, language adaptation, balance assessment, and extended response. In a counterbalanced within-subjects study with 16 parent–child dyads, PAPEL was associated with more integrated parent utterances that combined playful and instructional content, as well as more parent–child conversational turns, than the lightweight chatbot baseline used in our study.

تعامل والد-کودک مبتنی بر بازی، فرصت‌های غنی‌ای برای یادگیری زبان خارجی در زندگی روزمره کودکان پیش‌دبستانی فراهم می‌کند، اما بسیاری از والدین در تبدیل بازی‌های باز به تجربیات مؤثر یادگیری زبان انگلیسی به‌عنوان زبان خارجی (EFL) در خانه با دشواری مواجه هستند. به‌منظور بررسی نقش هوش مصنوعی در حمایت از این فرایند، مطالعات شکل‌دهنده‌ای از طریق مصاحبه‌ها و مطالعهٔ ویزارد آو آز انجام دادیم. چهار چالش کلیدی شناسایی شد: انتخاب محتوا، بیان زبانی، ایجاد تعادل میان آموزش و بازی، و حل مسئله. برای پاسخ به این چالش‌ها، سامانهٔ PAPEL را معرفی می‌کنیم که یک سامانهٔ مشارکتی والد-هوش مصنوعی است و پیشنهادها را بر اساس صحنهٔ جاری بازی ارائه می‌دهد و حمایت را در قالب چهار ماژول اصلی سازمان‌دهی می‌کند: تولید محتوا، سازگاری زبانی، ارزیابی تعادل، و پاسخ‌دهی گسترده. در یک مطالعهٔ درون‌گروهی متقابل با ۱۶ زوج والد-کودک، استفاده از PAPEL با اظهارات والدین یکپارچه‌تر که محتوای بازیگوشانه و آموزشی را ترکیب می‌کردند و همچنین تعداد بیشتری از نوبت‌های مکالمهٔ والد-کودک نسبت به چت‌بات سبک‌وزن مبنا در پژوهش ما همراه بود.

Support for the growing population of family caregivers in the United States remains a challenging public health issue. With a limited workforce to support families coping with chronic and degenerative conditions, caregivers are turning to individualized approaches to gain information and emotional support. One approach that may be gaining popularity in caregiving support is the use of Artificial Intelligence (AI) chatbots. This study examined caregivers' awareness and general use of AI chatbots, their use of AI chatbots for caregiving purposes, and variations in these outcomes by individual characteristics (e.g., the Big 5 personality traits, internet literacy, cognitive ability) and caregiving contextual factors (e.g., caregiving relationship, caregiving stress, the health condition of the care recipient). To this end, we used one of the waves of the Understanding America Study-Caregiving Lifecourse Experiences Assessed in Real-time (UAS-CLEAR), a longitudinal study of caregivers in the U.S. The sample consisted of 1,300 caregivers, with data collected between August and October 2025. We employed a cross-sectional, mixed-methods design, combining quantitative analysis of structured survey items with thematic coding of open-ended responses. Of the 487 respondents who reported being AI chatbot users, 25% used the technology for caregiving. Those who were more likely to use AI for caregiving were higher in openness, lower in internet literacy, lower in cognitive ability, helped with more caregiving tasks, and were more uncertain in their caregiving role. Over half (58%) used AI chatbots for information about caregiving, 34% for emotional support related to caregiving, and 37% reported other uses. Open-ended responses about individuals' experiences using AI chatbots for caregiving also revealed that the most common reason for use was information seeking. In addition, caregivers found the chatbot support to be useful, while acknowledging some limitations of their use. Future research should examine perceptions of AI chatbots among non-users, the mechanisms linking individual traits to caregiving-related chatbot use, and the longitudinal effects of such use on caregiver well-being.

حمایت از جمعیت رو به رشد مراقبان خانوادگی در ایالات متحده همچنان یک مسئله چالش‌برانگیز در حوزه سلامت عمومی است. با توجه به نیروی کار محدود برای حمایت از خانواده‌هایی که با شرایط مزمن و تحلیل‌برنده مواجه هستند، مراقبان به رویکردهای فردی برای کسب اطلاعات و حمایت عاطفی روی آورده‌اند. یکی از رویکردهایی که ممکن است در حمایت از مراقبان محبوبیت بیشتری پیدا کند، استفاده از چت‌بات‌های هوش مصنوعی (AI) است. این مطالعه به بررسی آگاهی و استفاده کلی مراقبان از چت‌بات‌های هوش مصنوعی، استفاده آن‌ها از چت‌بات‌های هوش مصنوعی برای اهداف مراقبتی، و تفاوت‌های این پیامدها بر اساس ویژگی‌های فردی (مانند پنج عامل بزرگ شخصیت، سواد اینترنتی، توانایی شناختی) و عوامل زمینه‌ای مراقبت (مانند نوع رابطه مراقبتی، استرس مراقبت، وضعیت سلامت دریافت‌کننده مراقبت) پرداخت. بدین منظور، یکی از موج‌های مطالعه Understanding America Study-Caregiving Lifecourse Experiences Assessed in Real-time (UAS-CLEAR)، که یک مطالعه طولی درباره مراقبان در ایالات متحده است، مورد استفاده قرار گرفت. نمونه شامل ۱۳۰۰ مراقب بود و داده‌ها بین اوت و اکتبر ۲۰۲۵ جمع‌آوری شد. ما از یک طرح مقطعی با روش‌های ترکیبی استفاده کردیم که تحلیل کمی پرسش‌های ساختاریافته پرسشنامه را با کدگذاری تماتیک پاسخ‌های باز ترکیب می‌کرد. از میان ۴۸۷ پاسخ‌دهنده‌ای که گزارش کردند کاربر چت‌بات هوش مصنوعی هستند، ۲۵٪ از این فناوری برای مراقبت استفاده کردند. افرادی که احتمال بیشتری داشت از هوش مصنوعی برای مراقبت استفاده کنند، در باز بودن بالاتر، در سواد اینترنتی پایین‌تر، در توانایی شناختی پایین‌تر، در انجام وظایف مراقبتی بیشتر و در نقش مراقبتی خود نامطمئن‌تر بودند. بیش از نیمی (۵۸٪) از چت‌بات‌های هوش مصنوعی برای کسب اطلاعات درباره مراقبت، ۳۴٪ برای حمایت عاطفی مرتبط با مراقبت و ۳۷٪ برای سایر کاربردها استفاده کردند. پاسخ‌های باز درباره تجربه افراد از استفاده از چت‌بات‌های هوش مصنوعی برای مراقبت نیز نشان داد که رایج‌ترین دلیل استفاده، جستجوی اطلاعات بوده است. علاوه بر این، مراقبان حمایت چت‌بات را مفید یافتند، در حالی که به برخی محدودیت‌های استفاده از آن نیز اذعان داشتند. پژوهش‌های آتی باید به بررسی ادراکات نسبت به چت‌بات‌های هوش مصنوعی در میان غیرکاربران، سازوکارهای پیونددهنده ویژگی‌های فردی با استفاده مراقبتی از چت‌بات و اثرات طولی چنین استفاده‌ای بر بهزیستی مراقبان بپردازند.