classification

Slovak Republic has accumulated significant experience in integrating digital technologies into the professional development of educators, and a systematic analysis of this experience could serve as a resource for modernising the Ukrainian system of postgraduate education. The aim of this article is to provide a theoretical analysis, systematisation and classification of digital technologies for professional development of educators in Slovakia and to justify a model for professional development of educators using digital technologies. General scientific methods such as analysis, classification and systematisation of the results of scientific publications, as well as content analysis of strategic and regulatory documents of the EU and the SR, were employed. The article highlights the results of national and international projects implemented at Comenius University in Bratislava, which are aimed at supporting the professional development of teachers in digital environment. Strategic and regulatory documents, project materials, methodological resources and practices developed within the framework of national and international initiatives have been analysed, with particular attention paid to the DiTEdu project and the digital professional development of educators. Based on the systematisation and comparative analysis of the identified practices, an original structural-functional model of professional development for educators using digital technologies has been developed, and a classification of the main types of digital tools used in the Slovak context has been proposed. The findings have made it possible to identify the key organisational, pedagogical and technological conditions for effective digital professional development, in particular personalised learning, blended formats, professional networking, learning using artificial intelligence, the development of digital competence and ongoing methodological support. Recommendations are proposed at the national, institutional and individual levels for Ukrainian postgraduate education regarding the implementation of the Slovak experience in the using of digital technologies in the professional development of educators.

This study aims to analyze language errors and problems in the presentation of materials in the latest edition of Al Muyassar Fii ‘Ilmin Nahwi, Volume 2. This study is based on the importance of accuracy in Arabic grammar textbooks and previous findings of errors in Volume 1, which show the need to evaluate the following volume. This research uses a descriptive qualitative approach with content analysis. The data were collected by examining the texts, examples, tables, and exercises in Volume 2 of Al Muyassar. The data were then classified according to the types of errors and compared with the previous edition to identify patterns and changes. The results show that syntactic errors were the most common, accounting for 34% of the findings. Spelling (imlā’) and morphological errors each accounted for 19%, semantic errors accounted for 8%, and other types of errors accounted for 20%. In addition to language errors, the study also found problems related to the completeness of the materials, the classification of examples, the accuracy of quotations from the Qur’an and hadith, and the presentation of the content. A comparison with the previous edition showed that approximately 57% of the findings in the latest edition were not found in the earlier version. This indicates the need for stricter checks during text reproduction, editing, and digitization. These findings suggest that each volume of Al Muyassar needs to be evaluated separately because the problems found in each volume are not entirely the same. This study recommends a multi-stage editing and verification process covering syntax, morphology, spelling, semantics, material presentation, and source quotations to ensure that Volume 2 is more accurate and suitable for use as an Arabic grammar textbook.

Fiqh, defined as the human comprehension of Islamic jurisprudence derived from the Qur’an and Sunnah, is a fundamental component of Islamic Studies education and provides a framework for directing practical areas of Muslim life. The fundamental importance of jurisprudential categorisation is essential in fiqh education, however it poses persistent obstacles for students. This study aims to assess the comprehension level of fiqh jurisprudence classification among Islamic Studies students at UiTM Shah Alam as an initial investigation. This study adopted a survey design involving Diploma in Islamic Studies and Education students (n=59) from the Academy of Contemporary Islamic Studies, UiTM Shah Alam, selected through simple random sampling in line with Johanson and Brooks’ (2010) recommendation for preliminary research. The findings indicate that the understanding of Fiqh classification among UiTM Shah Alam students predominantly falls under the “Good” (39–52.5%) and “Very Good” (30–39%) categories, although the “Excellent” level is rather low (1.7–15.3%). In conclusion, this preliminary study indicates that Islamic Studies students at UiTM Shah Alam possess a robust understanding of fiqh categorisation, primarily within the “Good” and “Very Good” ranges, but face challenges in attaining “Excellent” mastery, implying a necessity for pedagogical improvements to address this deficiency.

ABSTRACT Introduction Anxiety is central to the psychotherapy process, yet psychotherapists routinely infer a client's anxiety intensity from observable behaviour rather than from formal measurement, with no widely accepted framework to organise which observable markers indicate which levels of anxiety. This exploratory study examined how therapists make such classifications. Method Ninety‐one mental health professionals were randomly assigned to classify 41 text‐described behavioural and physiological markers using either a 5‐level or a simplified 3‐level category system, both derived from an integrated model of state anxiety in psychotherapy. Results Response distributions departed significantly from uniformity for nearly all markers in both formats, and the rank ordering of markers by intensity was highly consistent across formats, suggesting that therapists may share broad intuitions about relative marker intensity. Which markers elicited agreement, however, was far less reproducible, depending substantially on the response format. Convergence also depended on where the agreement criterion was set, declining from 90.2% to 51.2% of markers in the 3‐level format and from 63.4% to 22.0% in the 5‐level format as the criterion rose from > 0.50 to > 0.70. The 3‐level format yielded more classifiable markers at every criterion, although this advantage was not consistent across indices, whereas the 5‐level format elicited fewer ‘Insufficient to Determine’ responses. Markers placed at the highest intensity levels were classified most consistently. Discussion These findings offer preliminary groundwork for research on marker operationalisation, contextualised rating tasks and the development of training materials for psychotherapy process research.

Large language models (LLMs) are increasingly used in dental education, but research has focused mainly on answer accuracy. Whether LLMs can identify the cognitive demand of examination items remains unclear. This study evaluated LLM classification fidelity for endodontic multiple-choice questions (MCQs) across three educational taxonomies and compared four publicly accessible models. Two hundred endodontic MCQs from the Turkish Dentistry Specialty Examination (DUS, 2012–2025) were classified by ChatGPT, Gemini, Kimi, and DeepSeek according to Revised Bloom’s Taxonomy, the SOLO Taxonomy, and Miller’s Pyramid. A three-layer expert consensus procedure comprising calibration training, procedural audit, and structured joint deliberation established the expert consensus reference standard. Agreement was assessed using weighted Cohen’s kappa (κw) with bootstrap 95% confidence intervals; classification performance was evaluated using accuracy and macro-averaged F1. Inter-model differences in item-level accuracy were tested using Cochran’s Q with Kendall’s W, followed by Holm–Bonferroni-corrected pairwise McNemar tests. For Revised Bloom’s Taxonomy, Gemini (κw=0.676) and DeepSeek (κw=0.667) achieved substantial agreement, while Kimi (κw=0.428) and ChatGPT (κw=0.365) performed lower. For SOLO, Gemini achieved substantial agreement (κw=0.622), while the remaining models showed moderate agreement. For Miller’s Pyramid, agreement did not exceed fair, with ChatGPT highest (κw=0.372). Inter-model differences were significant for all three taxonomies (all p<0.001). ChatGPT ranked lowest for Revised Bloom and SOLO but highest for Miller. Revised Bloom levels of expert consensus reference standard increased significantly across examination years (Spearman ρ=0.301, p<0.001). LLMs showed meaningful classification fidelity for Revised Bloom and SOLO taxonomies, particularly Gemini and DeepSeek, but performance for Miller’s Pyramid remained weak. Bloom, SOLO, and Miller should not be treated as interchangeable frameworks, and LLM selection should be tailored to the taxonomy and assessment purpose. Answer accuracy and taxonomy classification fidelity represent distinct capabilities that warrant independent evaluation.

Traditional statistical models face the challenges of insufficient modeling capabilities and difficulty in interpreting complex, nonlinear, and high-dimensional data. Therefore, this paper combines fuzzy logic and deep learning methods to construct a framework model for identifying key factors for high-quality employment for college students. The model in this paper uses multi-channel encoding technology. We use the attention mechanism to fuse the features obtained from multi-channel encoding and input the self-organizing fuzzy inference structure for regression and classification analysis. The system can transform numerical prediction results into a semantic rule-driven decision-making process, which can significantly improve the model’s modeling capabilities and interpretability for uncertainty. Our experiments were conducted on 5,623 graduates. Experimental results on the data show that our model achieved an average mean square error of 0.831, a coefficient of determination of 0.892, and a classification accuracy of 0.865, which are significantly higher than traditional statistical and machine learning models. The corresponding experiments demonstrate the key role of cross-modal fusion and fuzzy reasoning modules in improving the results. Feature importance analysis shows that factors such as internship duration, GPA, and research participation have a key impact on high-quality employment, which is consistent with expert consensus.

The article provides a theoretical and methodological rationale for the use of creative psychological and pedagogical technologies in teaching subject-specific methodologies of natural science disciplines in higher education. The relevance of the study is determined by the need to shift from the acquisition of reproductive knowledge to productive, inquiry-oriented, and professionally focused learning activities in the training of prospective teachers in natural science disciplines. Such activities enable students to generate ideas, formulate and test hypotheses, model natural processes, make methodologically grounded decisions, and create educational products. The aim of the article is to clarify the concept of creative psychological and pedagogical technologies, identify the features that determine their creative orientation, and substantiate the principles, conditions, and criteria for their selection and implementation in the professional training of prospective teachers of natural science disciplines. The study is theoretical and analytical in nature. The source base comprises regulatory documents, research articles, and methodological publications addressing the development of creativity, inquiry- and problem-based learning, teacher education in natural science disciplines, and the use of project-based, digital, and geoinformation tools. Analysis and synthesis, comparison, generalization, systematization, classification, pedagogical modeling, and methodological extrapolation were employed. Creative psychological and pedagogical technologies are understood as pedagogical technologies whose organization creates conditions for productive creative activity through openness to problems, variability of possible solutions, independent generation and verification of ideas, and the creation of a result that is new to the learner. Their implementation in natural science teacher education requires combining originality and variability with scientific validity, evidence-based reasoning, and verifiability. The methodological tools were systematized according to their functional purposes, distinguishing pedagogical technologies, methods, and types of activity, educational approaches, and digital tools. Psychological and pedagogical conditions and criteria for their selection were identified. The theoretical analysis provides grounds for considering problem- and inquiry-based learning, project-based learning, case-based learning, design thinking, modeling, open-ended tasks, geoinformation services, and virtual laboratories as promising tools for organizing creatively oriented learning activities of prospective teachers of natural science disciplines. Their appropriate integration may potentially contribute to the development of creative, critical, and systemic thinking, inquiry skills, and the ability to apply knowledge in non-standard educational and professional situations; however, these effects require further empirical verification. The findings may be used to develop educational programs and instructional materials for the professional training of prospective teachers in natural science disciplines.

This study develops an approach to predict personality traits based on the Big Five model through essay text by combining global and contextual information using a Vocabulary Graph Convolutional Network (VGCN) and Bidirectional Encoder Representations from Transformers (BERT). VGCN is used to capture global relationships between words through a vocabulary graph representation built based on NPMI weights, while BERT plays a role in producing richer and more contextual text representations. Experimental results show that the integration of structural and contextual features can provide good performance in multi-label classification tasks. Based on the grid search process and 5-fold cross-validation, the best model configuration obtained a macro F1 score of 0.6827 and a weighted F1 score of 0.6829 in out-of-fold prediction. The evaluation results for each feature show that the recall value is close to 1.0, while the precision value ranges from 0.50 to 0.56. This condition indicates a tendency for the model to produce more positive predictions. Furthermore, the results of the study highlight the importance of optimizing the prediction threshold value to obtain a more optimal compromise between precision and recall. Overall, the integration of graph-based semantic information with contextual representations from BERT shows that the VGCN-BERT approach has good potential for application in multi-label personality classification

Developmental Coordination Disorder (DCD) is associated with elevated rates of anxiety and depression, as well as reduced quality of life, yet the mechanisms linking motor difficulties to these outcomes remain incompletely specified. This article presents and critically evaluates the Integrated Stress-Adaptation Framework for DCD (ISAF-DCD), which synthesizes empirical findings on DCD with established stress theories, including the Environmental Stress Hypothesis, the transactional model of stress, and the Conservation of Resources model. Although the framework is presented with reference to comorbid neurodevelopmental conditions broadly, its evidential basis and worked examples concentrate specifically on attention-deficit/hyperactivity disorder (ADHD) and autism spectrum disorder (ASD); generalization to other neurodevelopmental conditions is plausible but has not been evaluated here. ISAF-DCD proposes that motor coordination difficulties influence mental, cognitive, and physical health through interacting environmental demands, primary and secondary stressors, appraisal and response processes, and personal and social factors. The framework is bidirectional and developmentally sensitive, allowing outcomes to feed back into subsequent stress and adaptation processes across the lifespan. I examine the model’s conceptual coherence, empirical support, and potential clinical utility, arguing that ISAF-DCD offers a theoretically grounded heuristic for organizing a fragmented literature while remaining provisional. Its proposed contributions include clarifying the multiple roles of resilience and social support, refining the classification of environmental demands, incorporating neurodevelopmental comorbidity as a cross-cutting factor, and representing reciprocal relationships between stress and motor functioning. To improve falsifiability, I specify the temporal and functional roles of key dual-role constructs and derive five core, empirically distinguishable propositions that differentiate ISAF-DCD from an expanded Environmental Stress Hypothesis. Direct empirical support for some components, particularly the proposed corticolimbic mechanisms, remains limited. ISAF-DCD should therefore be treated as a hypothesis-generating framework, focused primarily on ADHD and ASD as comorbid conditions and on mental health as its central but not exclusive outcome domain, that requires rigorous longitudinal and intervention-based evaluation.

Sentiment analysis from video streams requires effective modeling of both temporal dynamics and multimodal cues. This paper presents a lightweight multimodal CNN-LSTM framework, designed for low-latency operation on live video streams, that classifies individuals' affective states as negative, neutral, or positive by jointly exploiting audio and visual information. The proposed system consists of four lightweight deep neural network models that fuse sequences of audio and visual features into a unified temporal stream, enabling the accumulation of sentiment evidence over time for robust prediction. To further enhance discriminative power, dynamic mouth state classification is incorporated, allowing the model to better capture subtle visual cues related to speech and sentiment. Experiments conducted on the Ryerson Audio-Visual Database of Emotional Speech (RAVDESS) demonstrate that the proposed approach achieves a test accuracy of 84.89% on the three-class sentiment recognition task, competitive with substantially larger audio-visual architectures, while using an order of magnitude fewer parameters and maintaining low-latency operation. In addition, we provide a comprehensive comparison with multiple multimodal large language models (LLMs), evaluated under diverse input configurations and prompting strategies. The results offer practical insights into the strengths and limitations of contemporary LLMs for audio-visual sentiment analysis and highlight the continued effectiveness of compact, task-specific neural architectures for streaming audio-visual input.

Final-year engineering students frequently face severe psychological stress driven by demanding capstone projects and rigorous accreditation standards. This research proposes a novel decision-support framework to objectively evaluate, categorize, and systematically manage academic stress among engineering undergraduates. By integrating automated non-parametric machine learning with a multi-criteria network decision model, the research bridges diagnostic psychological profiling and strategic institutional intervention. Data were gathered from six hundred eleven final-year students across four engineering departments using a validated psychometric questionnaire. The automated classification engine utilizes a nearest-neighbor algorithm based on spatial Euclidean proximity to categorize individual distress severity into depression, anxiety, and stress levels without relying on rigid parametric assumptions. Subsequently, a strategic situational assessment and a multi-perspective personal performance framework were established to translate abstract psychological findings into measurable indicators. Clinical experts and academic domain specialists evaluated these indicators using an analytical network process, incorporating complex interdependencies and feedback loops to compute steady-state priority weights. Empirical results revealed that over ninety percent of respondents experienced at least moderate psychological distress. Crucially, the mathematical prioritization demonstrated that the financial perspective holds the paramount priority weight, followed by internal cognitive resilience, continuous knowledge acquisition, and external social relationships. This proves that financial stability serves as a foundational prerequisite for academic recovery and intellectual execution. The primary contribution of this research lies in converting static psychometric evaluations into a dynamic, clinically validated decision-support tool. Higher education institutions and academic counselors can implement this prioritized framework to allocate institutional resources effectively, design targeted financial relief initiatives, and optimize student well-being alongside academic excellence.

Introduction Food craving is a ubiquitous experience, often shaped by cultural familiarity. Although craving may be considered a culture-bound construct, its neural and behavioral underpinnings across food cultures remain limited. Here, we examined the effects of multisensory food exposure on craving in an Indian population, comparing Indian and Western foods across sweet and savory categories. Methods In Experiment 1 (Indian Food Craving; IFC), participants viewed Indian sweet and savory food images before and after multisensory exposure, reporting desire and willingness-to-pay (bid) ratings along with Food Craving Questionnaire-State (FCQ-S) scores. EEG was recorded using a 64-channel system. In Experiment 2 (Western Food Craving; WFC), participants completed a similar paradigm using Western food items. Results Multisensory exposure significantly increased FCQ-S scores in both experiments, indicating successful craving induction. Behaviorally, desire and bid ratings increased for both sweet and savory Indian foods, whereas for Western foods, increases were observed only for sweet items. ERP analyses revealed increased P200 and N200 amplitudes following exposure to Indian sweet foods, while LPP amplitudes increased for savory foods across both Indian and Western food categories. Complementary MVPA revealed enhanced pre- vs. post-exposure classification for sweet foods during the early (0–300 ms) window for both Indian and Western foods, whereas both sweet and savory foods showed significant classification during the later(300–600 ms) window. Discussion Together, these findings suggest that multisensory exposure modulates food-cue processing in a stimulus- and time-dependent manner, with possible contributions from attentional processes. Overall, the findings highlight the influence of food type and cultural context on craving-related neural and behavioral responses.

Twenty First Century Skills (21st CS) are considered to be a pathway of STEM/STEAM (Science, Technology, Engineering, Arts and Mathematics) Education, yet there is limited evidence at a large scale of the implementation of STEM/STEAM pedagogy in secondary schools of Pakistan. The research sought to understand the self-reported classroom practices of secondary school teachers across nine domains of pedagogical and infrastructural practices associated with STEM/STEAM learning, and to examine the differences in practices by teachers from different localities and males and females. The design of the study was descriptive, cross-sectional survey. The respondents comprised 1,099 STEM/STEAM engaged secondary teachers from all seven administrative provinces/territories of Pakistan who filled an 8-item Yes/No Resource Availability index along with a structured 51 item questionnaire on a 5-point Likert scale, which measured 8 practice constructs: Project- and Problem-Based Learning, Hands-On and Model-Making Practices, Inquiry-Based Learning, Use of Digital Tools and Technology, Arts Integration, Collaborative Learning, Problem-Solving and Design Thinking, and STEM/STEAM Competitions and Achievement Exposure. The instrument was expert validated and showed great internal consistency (α overall was .905). Results: Teachers indicated that they were implementing Project/Problem Based Learning (PBL) at a high level (M = 3.57), Competitions and Achievement Exposure at a high level (M = 3.48), and Arts Integration at a moderate level (M = 3.42), while they were implementing Collaborative Learning at a moderate level (M = 3.39), Problem Solving and Design Thinking at a moderate level (M = 3.34), and Inquiry Based Learning at a moderate level (M = 3.32), and Hands On/Model Making at a comparatively low level (M = 3.05). In general, 49.5% of cases, material and infrastructural resources were available. There was no significant difference between the availability of resources available to teachers by gender, but there was a significant difference by urban and rural (χ² = 22.449, p < .001), with teachers from urban schools saying they had less available in their classroom than teachers from rural schools, possibly because of the overcrowding of urban schools, rather than the fact that rural school resources are superior. Conclusion: relatively high levels of engagement with teacher-directed/low material cost practices and practices depending on sustained student autonomy or on physical materials or infrastructure or on the digital are relatively limited, with the exception of practices that rely on physical materials and infrastructure. Implications: The results justify investing more in infrastructure and professional development in hands-on, inquiry, and technologically focused practice and in the reallocation of resources based on per-capita classroom load instead of on an urban/rural administrative classification.

Understanding the learning preferences of pre-service teachers is important for designing flexible and inclusive teacher education programmes. This study examined Honey and Mumford Learning Styles Questionnaire (LSQ) dimension scores and the resulting highest-scoring and tied maximum-score classifications among Level 100 pre-service teachers in Colleges of Education in the Ashanti Region of Ghana. It also examined whether these classifications were associated with gender, teaching-level specialisation, and programme family. A cross-sectional survey design was adopted. The accessible population comprised approximately 2,800 pre-service teachers across eight Colleges of Education, from which 1,496 respondents were included in the study. Data were collected using the 80-item Honey and Mumford LSQ, which assesses four learning-preference dimensions: Activist, Reflector, Theorist, and Pragmatist. For descriptive classification, the dimension with the highest observed score was identified for each respondent, while respondents with equal maximum scores on two or more dimensions were retained in a separate Tie category. Data were analysed using descriptive statistics, Pearson correlations, chi-square tests, Cramér's V, and multinomial logistic regression. Tied maximum scores were observed for 44.5% of respondents. Among respondents with a unique highest-scoring dimension, Activist was the most frequent classification (28.7%), followed by Theorist (12.0%), Reflector (9.5%), and Pragmatist (5.3%). Highest-scoring classification was significantly associated with gender, χ 2 (4, N = 1,496) = 17.91, p = .001, Cramér's V = .109; teaching level, χ 2 (4, N = 1,496) = 41.76, p < .001, Cramér's V = .167; and programme family, χ 2 (12, N = 1,496) = 178.94, p < .001, Cramér's V = .200. The effect sizes were relatively small. Multinomial regression identified differences in selected outcome contrasts, particularly for teaching level and programme family, although several estimates had wide confidence intervals and should be interpreted cautiously. The findings demonstrate considerable variation in LSQ score patterns and show that a substantial proportion of respondents could not be assigned a unique highest-scoring dimension. These results support cautious use of learning-style classifications as descriptive indicators of reported preferences rather than as fixed learner types. Teacher education programmes should therefore emphasise varied pedagogical experiences incorporating active engagement, reflection, theoretical understanding, and practical application.

This study aims to analyze the concept of educational learning in KH. Hasyim Asy'ari's thought and examine its relevance to contemporary Islamic education. Employing a qualitative descriptive approach through library research, this study utilizes Adāb al-‘Ālim wa al-Muta‘allim as the primary source, supported by relevant scholarly literature. Data were analyzed using qualitative content analysis involving thematic classification, contextual interpretation, and conceptual synthesis. The findings reveal that KH. Hasyim Asy'ari's educational philosophy integrates theocentric and anthropocentric orientations, emphasizing the interconnected development of intellectual, moral, spiritual, and humanistic dimensions. Educational learning is characterized by teachers' moral exemplarity, students' ethical responsibilities, and reciprocal relationships grounded in four essential principles: tazkiyat al-nafs (spiritual purification), al-ikhlāṣ (sincerity), at-tarāḥum (mutual compassion and respect), and at-tawādud (affection). These principles establish an integrated framework that positions educational interactions as instruments of character formation and spiritual development rather than merely knowledge transmission. This study contributes a conceptual framework for strengthening ethical teacher–student relationships and promoting holistic Islamic educational practices. The findings highlight the continuing relevance of KH. Hasyim Asy'ari's educational thought in addressing contemporary challenges related to moral development and character education.

این پژوهش با هدف تحلیل مفهوم یادگیری آموزشی در اندیشه KH. Hasyim Asy'ari و بررسی میزان ارتباط آن با آموزش اسلامی معاصر انجام شده است. این مطالعه با بهره‌گیری از رویکرد توصیفی-کیفی و از طریق پژوهش کتابخانه‌ای، اثر Adāb al-‘Ālim wa al-Muta‘allim را به عنوان منبع اصلی و منابع علمی مرتبط را به عنوان پشتیبان مورد استفاده قرار داده است. داده‌ها با استفاده از تحلیل محتوای کیفی شامل طبقه‌بندی موضوعی، تفسیر زمینه‌ای و ترکیب مفهومی تحلیل شدند. یافته‌ها نشان می‌دهند که فلسفه آموزشی KH. Hasyim Asy'ari با ادغام جهت‌گیری‌های تئوسنتریک و آنتروپوسنتریک، بر توسعه درهم‌تنیده ابعاد عقلانی، اخلاقی، معنوی و انسان‌گرایانه تأکید دارد. یادگیری آموزشی با الگو بودن اخلاقی معلمان، مسئولیت‌های اخلاقی دانش‌آموزان و روابط متقابل مبتنی بر چهار اصل اساسی یعنی تزکیه‌النفس (پالایش معنوی)، الاخلاص (اخلاص)، التراحم (همدلی و احترام متقابل) و التوادد (محبت) مشخص می‌شود. این اصول چارچوبی یکپارچه ایجاد می‌کنند که تعاملات آموزشی را به عنوان ابزاری برای شکل‌دهی شخصیت و رشد معنوی، و نه صرفاً انتقال دانش، جایگاه می‌بخشد. این پژوهش چارچوب مفهومی برای تقویت روابط اخلاقی معلم و دانش‌آموز و ترویج رویکردهای جامع آموزش اسلامی ارائه می‌دهد. یافته‌ها بر تداوم اهمیت اندیشه آموزشی KH. Hasyim Asy'ari در مواجهه با چالش‌های معاصر مرتبط با رشد اخلاقی و تربیت شخصیتی تأکید می‌کنند.

This study aims to describe the reasons teachers choose audio-visual media and its use in teaching music appreciation in class IX.2 at SMP Negeri 7 Padang. The study uses a qualitative research method with a descriptive approach. The research object is the use of audio-visual media in music appreciation lessons. Data was obtained through observation, interviews, and documentation. The research informants consisted of the Music Arts teacher and two students from class IX.2 at SMP Negeri 7 Padang. Data was analysed through the stages of data reduction, data presentation, data classification, and drawing conclusions. The results showed that teachers choose audio-visual media because it can combine sound and visuals, helping convey music appreciation material more concretely. The use of audio-visual media is carried out in three stages, namely planning, implementation, and evaluation. In the planning stage, the teacher prepares a PPT, music performance videos, a laptop, an LCD projector, and speakers. During the implementation stage, the teacher uses the PPT to deliver the material and the music performance videos for appreciation, then the students observe, discuss, and work on worksheets. In the evaluation stage, the teacher reviews the use of media and devices used during the learning process. Thus, the use of audio-visual media in music appreciation lessons in class IX.2 at SMP Negeri 7 Padang has been carried out in a planned manner using various integrated media and learning devices.

هدف این پژوهش توصیف دلایل انتخاب رسانه‌های صوتی‌تصویری توسط معلمان و نحوه استفاده از آن در آموزش درس قدردانی موسیقی در کلاس IX.2 مدرسه متوسطه دولتی شماره ۷ پادانگ است. این پژوهش با روش کیفی و رویکرد توصیفی انجام شده است. موضوع پژوهش، استفاده از رسانه‌های صوتی‌تصویری در درس قدردانی موسیقی است. داده‌ها از طریق مشاهده، مصاحبه و مستندسازی گردآوری شده‌اند. مشارکت‌کنندگان پژوهش شامل معلم هنرهای موسیقی و دو نفر از دانش‌آموزان کلاس IX.2 مدرسه متوسطه دولتی شماره ۷ پادانگ بودند. داده‌ها از طریق مراحل کاهش داده، ارائه داده، طبقه‌بندی داده و نتیجه‌گیری تحلیل شدند. نتایج نشان داد که معلمان رسانه‌های صوتی‌تصویری را انتخاب می‌کنند زیرا این رسانه‌ها می‌توانند صدا و تصویر را ترکیب کرده و به انتقال ملموس‌تر مطالب قدردانی موسیقی کمک کنند. استفاده از رسانه‌های صوتی‌تصویری در سه مرحله برنامه‌ریزی، اجرا و ارزیابی انجام می‌شود. در مرحله برنامه‌ریزی، معلم فایل پاورپوینت، ویدئوهای اجرای موسیقی، لپ‌تاپ، ویدئو پروژکتور و بلندگو را آماده می‌کند. در مرحله اجرا، معلم برای ارائه مطالب از پاورپوینت و برای قدردانی از ویدئوهای اجرای موسیقی استفاده می‌کند و سپس دانش‌آموزان به مشاهده، بحث و انجام برگه‌های کاری می‌پردازند. در مرحله ارزیابی، معلم استفاده از رسانه و ابزارهای به‌کاررفته در فرایند یادگیری را مرور می‌کند. بنابراین، استفاده از رسانه‌های صوتی‌تصویری در درس قدردانی موسیقی کلاس IX.2 مدرسه متوسطه دولتی شماره ۷ پادانگ به‌صورت برنامه‌ریزی‌شده و با بهره‌گیری از رسانه‌ها و ابزارهای یادگیری متنوع و یکپارچه انجام شده است.

Hadith literacy is an essential competency for young people in understanding Islamic teachings critically and contextually. The development of digital technology and social media has facilitated access to various sources of religious information while simultaneously increasing the risk of disseminating unauthentic hadiths, developing textual understandings, and promoting inaccurate religious interpretations. This Community Service (PkM) activity aimed to enhance young people's ability to understand, trace, verify, and interpret hadiths critically and contextually. The activity employed a Participatory Action Learning approach consisting of needs assessment, material delivery, practical hadith tracing, critical discussions, mentoring, and evaluation. The training materials covered the introduction to hadith sources, classification of hadith authenticity, takhrij al-hadith methods, verification of digital sources, contextual understanding of hadith, and ethical practices in disseminating religious information through social media. The results indicated an improvement in participants' understanding of how to identify hadith sources and assess their authenticity, as well as their ability to distinguish between reliable religious information and information requiring further verification. The training also encouraged participants to become more critical, reflective, and responsible in consuming and disseminating hadith-related information in digital spaces. Therefore, hadith literacy training can serve as an educational strategy for strengthening critical, moderate, and credible religious understanding among young people.

سواد حدیث یکی از شایستگی‌های اساسی برای جوانان در فهم انتقادی و زمینه‌ای آموزه‌های اسلامی است. توسعه فناوری دیجیتال و رسانه‌های اجتماعی، دسترسی به منابع مختلف اطلاعات دینی را تسهیل کرده و در عین حال خطر انتشار احادیث غیرمعتبر، شکل‌گیری برداشت‌های متنی و ترویج تفسیرهای نادرست دینی را افزایش داده است. این فعالیت خدمت‌رسانی به جامعه (PkM) با هدف ارتقای توانایی جوانان در فهم، پیگیری، راستی‌آزمایی و تفسیر انتقادی و زمینه‌ای احادیث انجام شد. این فعالیت با رویکرد یادگیری کنش مشارکتی شامل نیازسنجی، ارائه مطالب، تمرین عملی پیگیری حدیث، بحث‌های انتقادی، مشاوره و ارزیابی اجرا گردید. محتوای آموزشی شامل معرفی منابع حدیث، طبقه‌بندی اعتبار احادیث، روش‌های تخریج حدیث، راستی‌آزمایی منابع دیجیتال، فهم زمینه‌ای حدیث و رعایت اخلاق در انتشار اطلاعات دینی از طریق رسانه‌های اجتماعی بود. نتایج نشان داد که درک شرکت‌کنندگان از نحوه شناسایی منابع حدیث و ارزیابی اعتبار آن‌ها، همچنین توانایی تمایز بین اطلاعات دینی معتبر و اطلاعات نیازمند راستی‌آزمایی بیشتر، بهبود یافته است. این آموزش همچنین شرکت‌کنندگان را به مصرف و انتشار انتقادی، تأملی و مسئولانه اطلاعات مرتبط با حدیث در فضاهای دیجیتال ترغیب کرد. بنابراین، آموزش سواد حدیث می‌تواند به عنوان راهبردی آموزشی برای تقویت فهم دینی انتقادی، میانه‌رو و معتبر در میان جوانان مورد استفاده قرار گیرد.

Food addiction (FA) has received increasing attention as a framework for understanding addictive-like eating and its psychological correlates. This study aimed to provide the first comprehensive Turkish adaptation and psychometric evaluation of the Yale Food Addiction Scale 2.0 (YFAS 2.0). A total of 346 adults aged 19–55 years completed an online survey assessing FA, maladaptive eating, impulsivity, depressive and anxiety symptoms, social desirability, BMI, smoking and alcohol use, chronic disease, and self-reported psychiatric diagnosis. Of these, 109 completed the YFAS 2.0 after 10 days to test temporal stability. Confirmatory factor analysis supported the original unidimensional structure of the 11 diagnostic criteria, with strong factor loadings (.73–.94) and favorable model fit. Internal consistency was good (KR-20 = .86), and test–retest reliability was moderate (ICC = .70). FA symptoms were positively associated with BMI, emotional and uncontrolled eating, negative urgency, depressive symptoms, and anxiety symptoms, with smaller associations for lack of premeditation and perseverance. Sensation seeking and social desirability were not significantly associated with FA symptoms, while FA classification was unrelated to smoking or alcohol use. Participants meeting the FA threshold were more likely to report a psychiatric diagnosis, although this finding warrants caution given self-reported diagnoses and the non-clinical sample. Item-level analyses showed that the highest-loading items differed from those selected for the original mYFAS 2.0 for several criteria, with notable loading gaps limited to two criteria. Overall, findings support the Turkish YFAS 2.0 as a reliable and valid measure in non-clinical adults; proposed short-form item modifications require independent replication.

اعتیاد به غذا (FA) به عنوان چارچوبی برای درک رفتارهای خوردن شبه‌اعتیادی و همبسته‌های روان‌شناختی آن، توجه فزاینده‌ای را به خود جلب کرده است. هدف این مطالعه ارائه نخستین انطباق جامع و ارزیابی روان‌سنجی نسخه ترکی مقیاس اعتیاد به غذای ییل ۲٫۰ (YFAS 2.0) بود. در مجموع ۳۴۶ بزرگسال ۱۹ تا ۵۵ ساله پرسشنامه‌ای آنلاین را تکمیل کردند که اعتیاد به غذا، خوردن ناسازگارانه، تکانشگری، نشانه‌های افسردگی و اضطراب، تمایل به مطلوبیت اجتماعی، شاخص توده بدنی (BMI)، مصرف سیگار و الکل، بیماری مزمن و تشخیص روان‌پزشکی خودگزارش‌شده را ارزیابی می‌کرد. از این میان، ۱۰۹ نفر YFAS 2.0 را پس از ۱۰ روز مجدداً تکمیل کردند تا ثبات زمانی آزمون شود. تحلیل عاملی تأییدی ساختار تک‌بعدی اصلی ۱۱ ملاک تشخیصی را با بارهای عاملی قوی (۷۳/۰ تا ۹۴/۰) و برازش مطلوب مدل تأیید کرد. هماهنگی درونی خوب بود (KR-20 = 0.86) و پایایی آزمون–آزمون مجدد در حد متوسط (ICC = 0.70) گزارش شد. نشانه‌های اعتیاد به غذا با BMI، خوردن هیجانی و کنترل‌نشده، فوریت منفی، نشانه‌های افسردگی و نشانه‌های اضطراب رابطه مثبت داشتند و ارتباطات ضعیف‌تری برای فقدان پیش‌اندیشی و پشتکار مشاهده شد. جستجوی هیجان و مطلوبیت اجتماعی با نشانه‌های اعتیاد به غذا ارتباط معناداری نداشتند و طبقه‌بندی اعتیاد به غذا نیز با مصرف سیگار یا الکل مرتبط نبود. شرکت‌کنندگانی که به آستانه اعتیاد به غذا رسیدند، احتمال بیشتری داشت که تشخیص روان‌پزشکی را گزارش کنند، هرچند این یافته با توجه به تشخیص‌های خودگزارش‌شده و نمونه غیر بالینی نیازمند احتیاط است. تحلیل در سطح ماده نشان داد که بالاترین بارهای عاملی مواد، برای برخی ملاک‌ها با مواد انتخاب‌شده در نسخه اصلی mYFAS 2.0 متفاوت بود و شکاف بار عاملی قابل توجه فقط به دو ملاک محدود شد. در مجموع، یافته‌ها از YFAS 2.0 ترکی به عنوان ابزاری پایا و معتبر در بزرگسالان غیر بالینی حمایت می‌کند؛ اصلاحات پیشنهادی مواد نسخه کوتاه نیازمند تکرار مستقل است.

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.

Background Strategic learning is especially relevant in high school, a stage marked by increasing academic demands and a presupposed but still-developing cognitive autonomy. Research on learning strategies has relied mainly on variable-centered analyses; this study adds a person-centered analysis whose core is the identification of strategic profiles through latent profile analysis Methods Participants were 154 Ecuadorian students (55.8% female) from the three high-school grades, selected through stratified probability sampling. The ACRA Learning Strategies Scales were administered and grade-point average was collected. A latent profile analysis compared one- to six-class solutions; registered sex and grade level were entered as control variables to assess the independence and robustness of the solution. Results Three profiles ordered by strategic-repertoire intensity were identified: low (18.2%), moderate (47.4%), and comprehensive (34.4%), differing in level rather than shape, with Retrieval and Support as the most discriminating dimensions. Profile membership was independent of registered sex and grade level, a central finding supporting the robustness of the classification. The comprehensive profile outperformed the low profile, and this difference held when accounting for the control variables. Conclusions With the caution required by a cross-sectional design, findings support a positive relationship between the breadth of the strategic repertoire and academic achievement and point toward universal, curriculum-embedded strategy instruction.

زمینه: یادگیری راهبردی به‌ویژه در دوره دبیرستان که با افزایش تقاضاهای تحصیلی و خودمختاری شناختی فرض‌شده اما هنوز در حال توسعه همراه است، اهمیت ویژه‌ای دارد. پژوهش‌های مربوط به راهبردهای یادگیری عمدتاً بر تحلیل‌های مبتنی بر متغیر تکیه داشته‌اند؛ این مطالعه با افزودن یک تحلیل مبتنی بر فرد، هسته اصلی خود را شناسایی نیمرخ‌های راهبردی از طریق تحلیل نیمرخ پنهان قرار داده است. روش‌ها: شرکت‌کنندگان ۱۵۴ دانش‌آموز اکوادوری (۵۵/۸٪ دختر) از سه پایه دبیرستان بودند که با نمونه‌گیری احتمالی طبقه‌بندی‌شده انتخاب شدند. مقیاس‌های راهبردهای یادگیری ACRA اجرا شد و معدل جمع‌آوری گردید. تحلیل نیمرخ پنهان، راه‌حل‌های یک تا شش کلاسه را مقایسه کرد؛ جنسیت ثبت‌شده و پایه تحصیلی به عنوان متغیرهای کنترل وارد شدند تا استقلال و استحکام راه‌حل ارزیابی شود. یافته‌ها: سه نیمرخ بر اساس شدت گستره راهبردی شناسایی شد: پایین (۱۸/۲٪)، متوسط (۴۷/۴٪) و جامع (۳۴/۴٪) که از نظر سطح و نه شکل با یکدیگر تفاوت داشتند و ابعاد بازیابی و حمایت بیشترین قدرت تمایز را داشتند. عضویت در نیمرخ‌ها مستقل از جنسیت ثبت‌شده و پایه تحصیلی بود که این یافته مرکزی، استحکام طبقه‌بندی را تأیید می‌کند. نیمرخ جامع عملکرد بهتری نسبت به نیمرخ پایین داشت و این تفاوت با در نظر گرفتن متغیرهای کنترل نیز حفظ شد. نتیجه‌گیری: با رعایت احتیاط لازم به دلیل طرح مقطعی، یافته‌ها از رابطه مثبت بین گستره راهبردی و پیشرفت تحصیلی حمایت می‌کند و بر آموزش راهبردی فراگیر و درون‌برنامه‌ای تأکید دارد.

Background Predictive-processing accounts of BPD, including the hierarchical-prior-imbalance account proposed by Herzog, offer a framework for interpreting affective instability and impulsivity. The present task-fMRI study evaluates whether discriminative task-evoked patterns are consistent with this framework; because it does not directly estimate prediction errors, precision weighting, or hierarchical belief updating, it is not a mechanistic test of predictive processing. Methods To evaluate this question, this study developed a leakage-controlled multimodal machine learning framework for individualized classification of adolescents with BPD and healthy controls based on emotional Go/No-Go task-fMRI activity. Three feature domains were constructed: functional connectivity (FC), task-evoked general linear model (GLM)-derived temporal features, and clinical variables. Seven feature settings, including single-modality, dual-modality, and full multimodal combinations, were evaluated using multiple conventional machine learning classifiers, including logistic regression, support vector machine, k-nearest neighbors, Gaussian naive Bayes, multilayer perceptron, random forest, and XGBoost or gradient boosting. Results The results showed that task-evoked GLM-derived features provided the strongest single-modality discriminative information (AUC of 0.881 ± 0.055). SHAP analysis confirmed the predominance of GLM-derived features, accounting for 83.1% of total model attribution, compared to 9.5 and 7.5% for functional connectivity and clinical variables, respectively. At the neural level, discriminative features were distributed across visual/perceptual regions (calcarine, cuneus, occipital cortex), temporoparietal/default-mode hubs (angular and supramarginal gyri), frontal control regions (inferior frontal gyrus), and subcortical structures (putamen). This distributed pattern aligns with a hierarchical organization spanning perceptual input, contextual/self-referential processing, and top-down inhibitory control systems, consistent with the proposed model of hierarchical affective predictive imbalance. Conclusion Task-evoked GLM-derived features were the primary source of discriminative information for adolescent BPD, with functional connectivity and clinical variables providing modest additional value. The resulting classification pattern is consistent with hierarchical predictive-processing accounts but does not establish a specific predictive-processing mechanism. The same regional pattern may also reflect visual attention, salience processing, and executive inhibitory control.

زمینه: رویکردهای پردازش پیش‌بینانه در اختلال شخصیت مرزی، از جمله مدل عدم تعادل پیش‌فرض سلسله‌مراتبی ارائه‌شده توسط Herzog، چارچوبی برای تفسیر بی‌ثباتی عاطفی و تکانشگری فراهم می‌کنند. مطالعه حاضر با استفاده از fMRI برانگیخته‌شده توسط تکلیف، ارزیابی می‌کند که آیا الگوهای تمایزبخش برانگیخته‌شده توسط تکلیف با این چارچوب همخوانی دارند یا خیر؛ چرا که این مطالعه به طور مستقیم خطاهای پیش‌بینی، وزن‌دهی دقت یا به‌روزرسانی باور سلسله‌مراتبی را برآورد نمی‌کند و بنابراین آزمون مکانیکی پردازش پیش‌بینانه محسوب نمی‌شود. روش‌ها: برای ارزیابی این سؤال، این مطالعه یک چارچوب یادگیری ماشین چندوجهی با کنترل نشت برای طبقه‌بندی فردی نوجوانان مبتلا به اختلال شخصیت مرزی و افراد سالم بر اساس فعالیت fMRI تکلیف Go/No-Go عاطفی توسعه داد. سه حوزه ویژگی ساخته شد: اتصال عملکردی (FC)، ویژگی‌های زمانی مشتق‌شده از مدل خطی عمومی (GLM) برانگیخته‌شده توسط تکلیف، و متغیرهای بالینی. هفت تنظیم ویژگی، شامل ترکیب‌های تک‌وجهی، دووجهی و چندوجهی کامل، با استفاده از چندین طبقه‌بند متداول یادگیری ماشین از جمله رگرسیون لجستیک، ماشین بردار پشتیبان، نزدیک‌ترین همسایه، گوسی نایو بیز، پرسپترون چندلایه، جنگل تصادفی و XGBoost یا گرادیان بوستینگ ارزیابی شد. نتایج: نتایج نشان داد که ویژگی‌های مشتق‌شده از GLM برانگیخته‌شده توسط تکلیف قوی‌ترین اطلاعات تمایزبخش تک‌وجهی را فراهم کردند (AUC برابر با 0.881 ± 0.055). تحلیل SHAP برتری ویژگی‌های مشتق‌شده از GLM را تأیید کرد، به طوری که این ویژگی‌ها 83.1٪ از کل نسبت‌دهی مدل را به خود اختصاص دادند، در حالی که اتصال عملکردی و متغیرهای بالینی به ترتیب 9.5 و 7.5٪ را تشکیل دادند. در سطح عصبی، ویژگی‌های تمایزبخش در سراسر نواحی بینایی/ادراکی (کالکارین، کونئوس، قشر اکسیپیتال)، مراکز تمپورپاریتال/حالت پیش‌فرض (ژیروس زاویه‌ای و فوق‌حاشیه‌ای)، نواحی کنترل پیش‌فرونتال (ژیروس فرونتال تحتانی) و ساختارهای زیرقشری (پوتامن) توزیع شده بودند. این الگوی توزیعی با سازماندهی سلسله‌مراتبی که ورودی ادراکی، پردازش زمینه‌ای/خودارجاعی و سیستم‌های کنترل مهاری بالا به پایین را در بر می‌گیرد، همسو است و با مدل پیشنهادی عدم تعادل پیش‌بینی‌کننده عاطفی سلسله‌مراتبی مطابقت دارد. نتیجه‌گیری: ویژگی‌های مشتق‌شده از GLM برانگیخته‌شده توسط تکلیف، منبع اصلی اطلاعات تمایزبخش برای اختلال شخصیت مرزی نوجوانان بودند و اتصال عملکردی و متغیرهای بالینی ارزش افزوده متوسطی را ارائه دادند. الگوی طبقه‌بندی حاصل با رویکردهای پردازش پیش‌بینانه سلسله‌مراتبی سازگار است اما سازوکار خاصی از پردازش پیش‌بینانه را اثبات نمی‌کند. همین الگوی ناحیه‌ای ممکن است بازتاب‌دهنده توجه بینایی، پردازش برجستگی و کنترل مهاری اجرایی نیز باشد.

Geographic disadvantage has historically been defined in Australian higher education by general measures of remoteness such as the Accessibility/Remoteness Index of Australia Plus (ARIA +) and ABS Remoteness Areas (RAs). In this paper, we show how reliance on such measures has obscured what geographic disadvantage means in the identification of regional and remote students in Australia. We introduce a new index, the Higher Education ARIA (HEARIA), based specifically on road-network accessibility to university campuses, and subsequently define Higher Education Remoteness Areas (HERAs). Comparing HERAs with ABS RAs, we find disagreement in the remoteness classification of 15.5 per cent of Statistical Area 1s, with especially pronounced differences in Tasmania and the Northern Territory. These results demonstrate that current operational definitions can misidentify geographical disadvantage among students. This needs to be considered in proposals to increase Australian government support for regional and remote participation, including policies to provide additional funding for regional campuses.

محرومیت جغرافیایی در آموزش عالی استرالیا به طور سنتی با سنجه‌های کلی دورافتادگی مانند شاخص دسترسی/دورافتادگی استرالیا پلاس (ARIA+) و مناطق دورافتاده اداره آمار استرالیا (ABS Remoteness Areas یا RAs) تعریف شده‌است. در این مقاله نشان می‌دهیم که اتکا به این سنجه‌ها باعث ابهام در معنای واقعی محرومیت جغرافیایی در شناسایی دانشجویان مناطق منطقه‌ای و دورافتاده در استرالیا شده‌است. ما شاخص جدیدی با عنوان شاخص آموزش عالی ARIA (HEARIA) معرفی می‌کنیم که به طور خاص بر اساس دسترسی شبکه جاده‌ای به پردیس‌های دانشگاهی استوار است و متعاقباً مناطق دورافتاده آموزش عالی (HERAs) را تعریف می‌کنیم. با مقایسه HERAs با ABS RAs، اختلاف در طبقه‌بندی دورافتادگی در ۱۵٫۵ درصد از مناطق آماری سطح ۱ (Statistical Area 1s) مشاهده می‌شود که این تفاوت‌ها به ویژه در تاسمانی و قلمرو شمالی برجسته است. این نتایج نشان می‌دهد که تعاریف عملیاتی فعلی می‌توانند منجر به شناسایی نادرست محرومیت جغرافیایی در میان دانشجویان شوند. این موضوع باید در پیشنهادهای افزایش حمایت دولت استرالیا از مشارکت منطقه‌ای و دورافتاده، از جمله سیاست‌های تأمین بودجه اضافی برای پردیس‌های منطقه‌ای، مورد توجه قرار گیرد.

Understanding the emotional vulnerability of cancer patients and caregivers is critical for improving psychological support and clinical intervention strategies. With the rapid growth of online health communities, large volumes of textual narratives describing treatment experiences and emotional struggles have become available for computational analysis. However, accurately capturing emotional intensity and contextual sentiment in such narratives remains challenging due to the complex linguistic patterns present in health-related discussions. This study proposes an attention-guided hybrid transformer-ensemble learning framework for emotional vulnerability detection in cancer-related social media posts. The proposed architecture integrates domain-adapted contextual representations generated by BioBERT with linguistic intensity features to capture both semantic context and emotional strength. An attention-based feature fusion mechanism dynamically combines these heterogeneous features to produce enriched representations of patient narratives. The fused representations are subsequently utilized by multiple optimized machine learning classifiers, including XGBoost, LightGBM, Random Forest, and CatBoost. Hyperparameter optimization is performed using the Optuna framework to improve predictive performance. Furthermore, ensemble learning strategies such as soft voting, hard voting, and stacking are employed to combine the predictions of the base classifiers. Experiments conducted on a held-out split of a publicly available dataset of 10,391 posts from cancer patients and caregivers demonstrate that ensemble approaches consistently outperform individual classifiers on this data. The stacking ensemble achieves an accuracy of 0.76 and an ROC-AUC of 0.91, outperforming its own individual base classifiers but not a fine-tuned BioBERT baseline (accuracy 0.77, ROC-AUC 0.92) evaluated on the same split; a TF-IDF with linear SVM baseline is also competitive (accuracy 0.763). The framework’s practical advantage over full BioBERT fine-tuning is therefore computational rather than purely predictive: it reuses frozen BioBERT features and adds a lightweight, interpretable attention-fusion and tree-ensemble stage at a fraction of the training cost, while an ablation study confirms that the attention-based fusion of contextual and lexical-intensity signals meaningfully outperforms either signal alone or their simple concatenation. The proposed framework thus provides a scalable, lower-cost computational approach that can support mental health monitoring and early intervention systems in online healthcare communities, at a modest accuracy cost relative to full transformer fine-tuning.

درک آسیب‌پذیری هیجانی بیماران سرطانی و مراقبان آنان برای بهبود حمایت روان‌شناختی و راهبردهای مداخله بالینی اهمیت اساسی دارد. با رشد سریع جوامع سلامت آنلاین، حجم زیادی از روایت‌های متنی که تجارب درمانی و چالش‌های هیجانی را توصیف می‌کنند، برای تحلیل محاسباتی در دسترس قرار گرفته‌اند. با این حال، شناسایی دقیق شدت هیجانی و احساسات زمینه‌ای در این روایت‌ها به دلیل الگوهای زبانی پیچیده در مباحث مرتبط با سلامت، همچنان چالش‌برانگیز است. این پژوهش چارچوبی هیبریدی مبتنی بر یادگیری تجمعی و ترنسفورمر هدایت‌شده با مکانیزم توجه را برای شناسایی آسیب‌پذیری هیجانی در پست‌های شبکه‌های اجتماعی مرتبط با سرطان پیشنهاد می‌کند. معماری پیشنهادی، بازنمایی‌های زمینه‌ای سازگار با حوزه که توسط BioBERT تولید شده‌اند را با ویژگی‌های شدت زبانی ترکیب می‌کند تا هم زمینه معنایی و هم قدرت هیجانی را استخراج نماید. مکانیزم ادغام ویژگی مبتنی بر توجه، این ویژگی‌های ناهمگن را به صورت پویا ترکیب می‌کند تا بازنمایی‌های غنی‌شده‌ای از روایت‌های بیماران ارائه دهد. این بازنمایی‌های ادغام‌شده سپس توسط چندین طبقه‌بند یادگیری ماشین بهینه‌شده شامل XGBoost، LightGBM، Random Forest و CatBoost مورد استفاده قرار می‌گیرند. بهینه‌سازی ابرپارامترها با استفاده از چارچوب Optuna برای بهبود عملکرد پیش‌بینی انجام می‌شود. افزون بر این، راهبردهای یادگیری تجمعی مانند رأی‌دهی نرم، رأی‌دهی سخت و استکینگ برای ترکیب پیش‌بینی‌های طبقه‌بندهای پایه به کار گرفته می‌شوند. آزمایش‌های انجام‌شده بر روی بخش جداگانه‌ای از یک مجموعه داده عمومی شامل ۱۰٬۳۹۱ پست از بیماران سرطانی و مراقبان آنان نشان می‌دهد که رویکردهای تجمعی به طور پیوسته عملکرد بهتری نسبت به طبقه‌بندهای منفرد در این داده‌ها دارند. استکینگ تجمعی به دقت ۰٫۷۶ و ROC-AUC برابر با ۰٫۹۱ دست می‌یابد که نسبت به طبقه‌بندهای پایه خود عملکرد بهتری دارد، اما نسبت به خط‌مبنای BioBERT تنظیم‌شده (دقت ۰٫۷۷، ROC-AUC برابر با ۰٫۹۲) که بر روی همان بخش ارزیابی شده است، برتری ندارد؛ همچنین خط‌مبنای TF-IDF با SVM خطی نیز رقابتی است (دقت ۰٫۷۶۳). بنابراین، مزیت عملی چارچوب پیشنهادی نسبت به تنظیم کامل BioBERT، بیشتر محاسباتی است تا صرفاً پیش‌بینی: این چارچوب از ویژگی‌های ثابت‌شده BioBERT استفاده می‌کند و مرحله‌ای سبک، قابل تفسیر و مبتنی بر ادغام توجه و یادگیری تجمعی درختی را با کسری از هزینه آموزش اضافه می‌کند، در حالی که مطالعه حذف اجزا تأیید می‌کند که ادغام مبتنی بر توجه سیگنال‌های زمینه‌ای و شدت واژگانی به طور معناداری بهتر از هر یک به تنهایی یا ادغام ساده آن‌ها عمل می‌کند. بدین ترتیب، چارچوب پیشنهادی رویکردی مقیاس‌پذیر و کم‌هزینه برای پشتیبانی از پایش سلامت روان و سامانه‌های مداخله زودهنگام در جوامع سلامت آنلاین فراهم می‌کند، هرچند با هزینه اندکی در دقت نسبت به تنظیم کامل ترنسفورمر.

Background Depression is a prevalent mental health condition that significantly affects individuals’ well-being and daily functioning, making early depressive symptom detection crucial. Objectives This study explores the potential of advancing speech analytics with dimensional sentiment analysis, using valence and arousal scoring to enhance depressive symptom detection in family caregivers. Methods We recruited 116 family caregivers and assessed their depression levels using the Beck Depression Inventory-II. Participants provided verbal responses to 12 open-ended questions related to family resilience. The extracted words from the responses were analyzed for sentiment using the Chinese Valence-Arousal Words dictionary to determine their valence and arousal ratings. For each participant, we computed various summary statistics (e.g., mean, variance, quantiles) and frequency-domain statistics (e.g., spectral entropy, dominant frequency components) of valence and arousal distributions. These features were then used as predictors in nine different machine learning models evaluated under repeated 5-fold nested cross-validation with cost-sensitive cutoff selection, enabling robust classification of depression levels while prioritizing the identification of true positive cases. Results Our analysis showed that participants with higher depressive symptoms used words with more extreme valence and arousal scores than those with lower depressive symptoms. The models demonstrated strong predictive utility of these emotional dimensions: the quadratic discriminant analysis (QDA) model achieved an out-of-sample sensitivity of 0.725, a specificity of 0.563, and an AUC of 0.7. These findings support that valence and arousal analysis provides meaningful discriminative power for identifying depressive symptoms. Importantly, the high sensitivity achieved by these models ensures that individuals with elevated symptoms are more reliably detected, thereby reducing the risk of missed cases. Overall, the results suggest strong potential for automated depressive symptom detection based on emotional signal analysis, with cost-sensitive optimization reducing false negatives while maintaining clinically relevant specificity. Conclusions This study offers proof-of-concept evidence that emotional sentiment analysis of speech using valence and arousal scoring can capture linguistic markers associated with depressive symptoms among family caregivers. With further refinement and validation, this approach lays an important foundation for the development of more robust machine learning models and ultimately contributes to non-intrusive mental health screening tools.

زمینه و هدف: افسردگی یکی از اختلالات شایع سلامت روان است که به طور قابل توجهی بر بهزیستی و عملکرد روزانه افراد تأثیر می‌گذارد و شناسایی زودهنگام نشانه‌های افسردگی را ضروری می‌سازد. هدف: این پژوهش به بررسی قابلیت ارتقای تحلیل گفتار با استفاده از تحلیل احساسی بُعدی و امتیازدهی والنس و برانگیختگی جهت بهبود شناسایی نشانه‌های افسردگی در مراقبان خانوادگی می‌پردازد. روش‌ها: تعداد ۱۱۶ مراقب خانوادگی جذب شدند و سطح افسردگی آن‌ها با استفاده از پرسشنامه افسردگی بک-نسخه دوم (Beck Depression Inventory-II) ارزیابی شد. شرکت‌کنندگان به ۱۲ پرسش باز مرتبط با تاب‌آوری خانواده به صورت شفاهی پاسخ دادند. واژه‌های استخراج‌شده از پاسخ‌ها با استفاده از فرهنگ واژگان چینی والنس-برانگیختگی از نظر احساسات مورد تحلیل قرار گرفت تا امتیازهای والنس و برانگیختگی آن‌ها تعیین شود. برای هر شرکت‌کننده، آمارهای خلاصه مختلف (مانند میانگین، واریانس، صدک‌ها) و آمارهای حوزه فرکانس (مانند آنتروپی طیفی، مؤلفه‌های فرکانسی غالب) توزیع والنس و برانگیختگی محاسبه شد. این ویژگی‌ها به عنوان متغیرهای پیش‌بین در نه مدل مختلف یادگیری ماشین که با اعتبارسنجی متقاطع تودرتوی ۵-تایی تکرارشونده و انتخاب نقطه برش حساس به هزینه ارزیابی شدند، مورد استفاده قرار گرفتند تا طبقه‌بندی قوی سطوح افسردگی با اولویت شناسایی موارد مثبت واقعی فراهم شود. نتایج: تحلیل ما نشان داد شرکت‌کنندگانی که نشانه‌های افسردگی بیشتری داشتند، واژه‌هایی با امتیازهای والنس و برانگیختگی افراطی‌تر نسبت به افراد با نشانه‌های افسردگی کمتر به کار بردند. مدل‌ها سودمندی پیش‌بینی قوی این ابعاد هیجانی را نشان دادند: مدل تحلیل ممیز مربعی (QDA) حساسیت خارج از نمونه ۰.۷۲۵، ویژگی ۰.۵۶۳ و سطح زیر منحنی (AUC) برابر با ۰.۷ را به دست آورد. این یافته‌ها نشان می‌دهد که تحلیل والنس و برانگیختگی قدرت تمایز معناداری برای شناسایی نشانه‌های افسردگی فراهم می‌کند. مهم‌تر آنکه حساسیت بالای این مدل‌ها تضمین می‌کند که افراد با نشانه‌های بالا با اطمینان بیشتری شناسایی می‌شوند و در نتیجه خطر موارد از دست رفته کاهش می‌یابد. به طور کلی، نتایج نشان‌دهنده پتانسیل قوی برای شناسایی خودکار نشانه‌های افسردگی بر اساس تحلیل سیگنال‌های هیجانی است که با بهینه‌سازی حساس به هزینه، موارد منفی کاذب را کاهش داده و در عین حال ویژگی بالینی مرتبط را حفظ می‌کند. نتیجه‌گیری: این مطالعه شواهد اثبات مفهومی ارائه می‌دهد که تحلیل احساسات هیجانی گفتار با استفاده از امتیازدهی والنس و برانگیختگی می‌تواند نشانگرهای زبانی مرتبط با نشانه‌های افسردگی در میان مراقبان خانوادگی را شناسایی کند. با اصلاح و اعتبارسنجی بیشتر، این رویکرد می‌تواند پایه‌ای مهم برای توسعه مدل‌های یادگیری ماشین قوی‌تر و در نهایت ابزارهای غربالگری سلامت روان غیرتهاجمی فراهم آورد.

This theoretical and analytical study examines pedagogical approaches to developing critical thinking among primary school pupils. Drawing on foundational accounts of reflective thinking, sociocultural learning and critical-thinking skills, it identifies age-appropriate components of critical thinking and systematises six instructional approaches: problem-based learning, purposeful questioning, comparison and classification, discussion and collaborative work, graphic organisers, and reflective exercises. The analysis specifies the classroom conditions required for these approaches and proposes a five-stage instructional model encompassing activation of prior knowledge, a problem question, information analysis, justified conclusions and reflection. A classroom illustration concerning responsible water use demonstrates how the model may be implemented. The outcomes are a conceptual synthesis and practical recommendations rather than findings from an intervention study; the effectiveness of the model has not yet been empirically tested

این مطالعه نظری و تحلیلی به بررسی رویکردهای آموزشی برای توسعه تفکر انتقادی در دانش‌آموزان دبستانی می‌پردازد. با اتکا به دیدگاه‌های بنیادی درباره تفکر تأملی، یادگیری اجتماعی‌فرهنگی و مهارت‌های تفکر انتقادی، مؤلفه‌های متناسب با سن تفکر انتقادی را شناسایی کرده و شش رویکرد آموزشی را نظام‌مند می‌کند: یادگیری مبتنی بر مسئله، پرسشگری هدفمند، مقایسه و طبقه‌بندی، بحث و کار گروهی، سازمان‌دهنده‌های تصویری و تمرین‌های تأملی. تحلیل انجام‌شده شرایط لازم کلاس درس برای اجرای این رویکردها را مشخص ساخته و یک الگوی آموزشی پنج‌مرحله‌ای شامل فعال‌سازی دانش پیشین، طرح پرسش مسئله‌محور، تحلیل اطلاعات، نتیجه‌گیری مستدل و تأمل را پیشنهاد می‌کند. یک مثال کلاسی درباره استفاده مسئولانه از آب نشان می‌دهد که این الگو چگونه می‌تواند اجرا شود. نتایج این پژوهش، ترکیبی مفهومی و توصیه‌های عملی است و یافته‌های حاصل از یک مطالعه مداخله‌ای نیست؛ اثربخشی این الگو هنوز به طور تجربی آزمون نشده است.

High machine-learning accuracy in classifying ADHD-related writing does not necessarily establish an ADHD-specific linguistic phenotype, as predictions may reflect diagnostic vocabulary, medication references, or community-specific topics rather than cognitive organization. This study evaluated an interpretable cognitive-congestion language profile (LCCI) and a negative-signature framework for detecting disorder-specific linguistic distinctiveness. A dataset of 25,000 Reddit-derived posts from ADHD, OCD, depression, PTSD, and Asperger/autism-related communities was analyzed using condition-name masking and author-grouped cross-validation. Twenty-five features measuring discourse structure, uncertainty, urgency, lexical diversity, and coherence were compared with TF-IDF classification. The equal-weight LCCI composite performed near chance (ROC-AUC 0.506), while the multivariable profile achieved ROC-AUC 0.654, increasing to 0.681 with learned weights. Individual feature differences were small. TF-IDF substantially outperformed LCCI (ROC-AUC 0.940), with negligible improvement from combining them. An audit classified 59 of 60 high-weight TF-IDF coefficients (98.3%) as topic-related, without quantifying their contribution to predictive performance. To test specificity independently of supervised classification, the negative-signature framework excluded each psychiatric community in turn, constructed a reference language manifold from the remaining communities, and measured residual distinctiveness using PCA reconstruction, shrinkage Mahalanobis distance, and isolation forest. ADHD exhibited no positive residual signal (ROC-AUC 0.451, 0.419, and 0.429, respectively), while OCD showed the greatest residual separability. These findings distinguish predictive discrimination, interpretable linguistic association, and disorder specificity. The principal contribution is a reproducible, generalizable falsification framework demonstrating that strong supervised classification does not establish an ADHD-specific linguistic phenotype and providing a means to evaluate candidate linguistic biomarkers before clinical translation.

دقت بالای یادگیری ماشین در طبقه‌بندی نوشتارهای مرتبط با ADHD لزوماً وجود یک فنوتیپ زبانی خاص برای ADHD را اثبات نمی‌کند، چرا که پیش‌بینی‌ها ممکن است بازتاب واژگان تشخیصی، اشاره به داروها یا موضوعات خاص جامعه باشند و نه سازمان‌دهی شناختی. این مطالعه به ارزیابی یک نمایه زبانی قابل تفسیر ازدحام‌شناختی (LCCI) و چارچوب امضای منفی برای شناسایی تمایز زبانی خاص اختلال پرداخت. یک مجموعه‌داده شامل ۲۵٬۰۰۰ پست استخراج‌شده از Reddit از جوامع مرتبط با ADHD، OCD، افسردگی، PTSD و Asperger/autism با استفاده از ماسک‌کردن نام اختلال و اعتبارسنجی متقاطع گروه‌بندی‌شده بر اساس نویسنده تحلیل شد. بیست‌وپنج ویژگی ساختار گفتمان، عدم قطعیت، فوریت، تنوع واژگانی و انسجام با طبقه‌بندی TF-IDF مقایسه شدند. ترکیب LCCI با وزن برابر عملکردی نزدیک به تصادف داشت (ROC-AUC 0.506)، در حالی که نمایه چندمتغیره به ROC-AUC 0.654 رسید که با وزن‌های یادگرفته‌شده تا 0.681 افزایش یافت. تفاوت ویژگی‌های منفرد اندک بود. TF-IDF به طور قابل توجهی عملکرد بهتری نسبت به LCCI داشت (ROC-AUC 0.940) و ترکیب آن‌ها بهبود ناچیزی ایجاد کرد. در یک ممیزی، ۵۹ مورد از ۶۰ ضریب با وزن بالای TF-IDF (۹۸.۳٪) به عنوان مرتبط با موضوع طبقه‌بندی شدند، بدون آنکه سهم آن‌ها در عملکرد پیش‌بینی کمی‌سازی شود. برای آزمون ویژگی به طور مستقل از طبقه‌بندی نظارت‌شده، چارچوب امضای منفی هر جامعه روان‌پزشکی را به نوبت حذف کرد، یک منیفولد زبانی مرجع از جوامع باقی‌مانده ساخت و تمایز باقیمانده را با استفاده از بازسازی PCA، فاصله Mahalanobis با انقباض و isolation forest اندازه‌گیری کرد. ADHD هیچ سیگنال باقیمانده مثبتی نشان نداد (ROC-AUC به ترتیب 0.451، 0.419 و 0.429)، در حالی که OCD بیشترین قابلیت جداسازی باقیمانده را داشت. این یافته‌ها تمایز میان تبعیض پیش‌بینانه، ارتباط زبانی قابل تفسیر و ویژگی اختلال را نشان می‌دهد. مهم‌ترین دستاورد، ارائه یک چارچوب ابطال‌پذیر و قابل تعمیم است که نشان می‌دهد طبقه‌بندی نظارت‌شده قوی، وجود فنوتیپ زبانی خاص ADHD را اثبات نمی‌کند و روشی برای ارزیابی زیست‌نشانگرهای زبانی پیشنهادی پیش از ترجمه بالینی ارائه می‌دهد.

Abstract Competency assessment provides external evidence that Technical-Vocational-Livelihood learners meet nationally defined workplace standards. This implementation case study examined how Ozamiz City School of Arts and Trades prepared for and secured accreditation of a school-based Technical Education and Skills Development Authority competency assessment center. The bounded documentary case covered readiness preparation through accreditation on November 24, 2025. Evidence included policy issuances, technical working group records, personnel designations, facility audits, equipment inventories, workflow simulations, communications with the TESDA Provincial Office, pre-inspection observations, corrective-action records, and the accreditation milestone. Documents were organized chronologically and analyzed through a policy-to-practice compliance matrix and program-logic classification. Five connected workstreams enabled accreditation readiness: governance and staffing, qualification prioritization, assessor-capacity development, facility and equipment compliance, and operational documentation. A pre-inspection on October 15, 2025 identified limited corrective actions, after which the center was accredited for Bread and Pastry Production NC II, Cookery NC II, Technical Drafting NC II, and Shielded Metal Arc Welding NC II. The evidence demonstrates implementation feasibility and organizational readiness, but not improved learner participation or certification because full assessment operations had not begun by the documentary cutoff. The case offers a replicable implementation sequence and a monitoring framework for evaluating access after service delivery begins.

چکیده: ارزیابی شایستگی شواهدی بیرونی فراهم می‌کند که نشان می‌دهد فراگیران شاخه فنی‌حرفه‌ای و مهارتی استانداردهای تعریف‌شده ملی محیط کار را احراز کرده‌اند. این مطالعه موردی اجرایی به بررسی نحوه آماده‌سازی و اخذ اعتبار مرکز ارزیابی شایستگی مبتنی بر مدرسه وابسته به سازمان آموزش فنی و مهارت‌های حرفه‌ای (TESDA) در مدرسه هنرها و فنون شهر Ozamiz پرداخت. این مطالعه موردی مستندسازی‌شده و محدود، فرایند آمادگی تا اخذ اعتبار در تاریخ ۲۴ نوامبر ۲۰۲۵ را پوشش داد. شواهد شامل ابلاغیه‌های سیاستی، سوابق گروه کاری فنی، انتصابات پرسنل، ممیزی امکانات، فهرست تجهیزات، شبیه‌سازی جریان کار، مکاتبات با دفتر استانی TESDA، مشاهدات پیش از بازرسی، سوابق اقدامات اصلاحی و نقطه عطف اعتباربخشی بود. اسناد به ترتیب زمانی سازمان‌دهی و از طریق ماتریس تطابق سیاست تا عمل و طبقه‌بندی منطق برنامه تحلیل شدند. پنج جریان کاری مرتبط آمادگی برای اعتباربخشی را ممکن ساختند: حاکمیت و نیروی انسانی، اولویت‌بندی صلاحیت‌ها، توسعه ظرفیت ارزیابان، انطباق امکانات و تجهیزات، و مستندسازی عملیاتی. در بازرسی اولیه مورخ ۱۵ اکتبر ۲۰۲۵ اقدامات اصلاحی محدودی شناسایی شد و پس از آن مرکز برای دوره‌های Bread and Pastry Production NC II، Cookery NC II، Technical Drafting NC II و Shielded Metal Arc Welding NC II اعتبار دریافت کرد. شواهد نشان‌دهنده امکان‌پذیری اجرا و آمادگی سازمانی است، اما به دلیل آغاز نشدن کامل عملیات ارزیابی تا زمان پایان مستندسازی، بهبود مشارکت فراگیران یا اخذ گواهینامه را نشان نمی‌دهد. این مطالعه موردی، توالی اجرایی قابل تکرار و چارچوبی برای پایش و ارزیابی دسترسی پس از آغاز ارائه خدمات ارائه می‌دهد.

Introduction Digital progress monitoring is central to data-based decision-making in multi-tiered systems of support (MTSS) and response to intervention (RTI), particularly for students with or at risk for special educational needs, yet existing reviews mainly address reading curriculum-based measurement (CBM) and do not sufficiently synthesize digital, cross-domain, and decision-relevant psychometric evidence. Methods This systematic review followed PRISMA 2020 and used a COSMIN-aligned synthesis of measurement properties. Seven databases were searched; study selection and extraction followed a multi-rater pipeline with consensus adjudication. Results The final corpus comprised 106 studies with a cumulative sample of 774,420 students (median study-level n = 459). Psychometric coverage was uneven: reliability was reported in 67% of studies (55% with strong coefficients, defined a priori as ≥ .80); validity was reported most frequently (86%) but reached strong coefficients in only 33%; responsiveness was reported in 45% and reached strong coefficients in only 8%; classification accuracy was reported in 36% (31% strong). These patterns were robust across sensitivity analyses addressing administration modality, longitudinal design, risk of bias, and alternative coefficient thresholds. CBM-reading formed the most mature evidence base. CBM-math showed adequate reliability and validity but a marked classification-accuracy gap. Language progress monitoring remained evidence-thin, and direct behavior rating and digital behavioral observation showed substantial gaps in responsiveness and classification accuracy. For the emerging paradigm of ecological momentary assessment (EMA) and wearables, no eligible school-based validation study was identified at all. Discussion The core finding is a validity-responsiveness asymmetry: instruments are commonly evaluated for concurrent or predictive validity but far less often for their capacity to detect intervention-related change. For MTSS-aligned practice, math and behavior measures require stronger classification validation, and EMA- or wearable-based approaches remain insufficiently operationalized in school-based special education.

مقدمه: پایش پیشرفت دیجیتال نقش محوری در تصمیم‌گیری مبتنی بر داده در نظام‌های چندسطحی حمایت (MTSS) و پاسخ به مداخله (RTI) دارد، به‌ویژه برای دانش‌آموزان دارای نیازهای ویژه آموزشی یا در معرض خطر آن، اما مرورهای موجود عمدتاً به سنجش مبتنی بر برنامه درسی خواندن (CBM) می‌پردازند و شواهد روان‌سنجی دیجیتال، میان‌حوزه‌ای و مرتبط با تصمیم‌گیری را به‌طور کافی تلفیق نمی‌کنند. روش‌ها: این مرور نظام‌مند بر اساس PRISMA 2020 انجام شد و از سنتز ویژگی‌های اندازه‌گیری همسو با COSMIN بهره گرفت. جستجو در هفت پایگاه داده صورت گرفت؛ انتخاب و استخراج مطالعات با رویکرد چندارزیاب و داوری اجماعی انجام شد. یافته‌ها: مجموعه نهایی شامل ۱۰۶ مطالعه با نمونه تجمعی ۷۷۴٬۴۲۰ دانش‌آموز (میانگین نمونه در هر مطالعه = ۴۵۹) بود. پوشش روان‌سنجی نامتوازن بود: پایایی در ۶۷٪ مطالعات گزارش شد (۵۵٪ با ضرایب قوی، تعریف‌شده به‌صورت a priori ≥ .80)؛ روایی بیشترین فراوانی گزارش را داشت (۸۶٪) اما تنها در ۳۳٪ به ضرایب قوی رسید؛ پاسخ‌گویی در ۴۵٪ گزارش شد و تنها در ۸٪ به ضرایب قوی رسید؛ دقت طبقه‌بندی در ۳۶٪ گزارش شد (۳۱٪ قوی). این الگوها در تحلیل‌های حساسیت مربوط به شیوه اجرا، طرح طولی، خطر سوگیری و آستانه‌های جایگزین ضرایب نیز پایدار بود. CBM-خواندن قوی‌ترین پایه شواهد را داشت. CBM-ریاضی پایایی و روایی کافی نشان داد اما شکاف قابل توجهی در دقت طبقه‌بندی داشت. پایش پیشرفت زبان شواهد اندکی داشت و سنجش مستقیم رفتار و مشاهده رفتاری دیجیتال نیز شکاف‌های قابل توجهی در پاسخ‌گویی و دقت طبقه‌بندی نشان دادند. برای الگوی نوظهور ارزیابی لحظه‌ای بوم‌شناختی (EMA) و ابزارهای پوشیدنی، هیچ مطالعه اعتبارسنجی مبتنی بر مدرسه واجد شرایط شناسایی نشد. بحث: یافته اصلی، عدم تقارن روایی-پاسخ‌گویی است: ابزارها معمولاً از نظر روایی همزمان یا پیش‌بین ارزیابی می‌شوند اما به‌مراتب کمتر از نظر توانایی شناسایی تغییرات مرتبط با مداخله بررسی می‌شوند. برای اجرای همسو با MTSS، سنجه‌های ریاضی و رفتار نیازمند اعتبارسنجی طبقه‌بندی قوی‌تر هستند و رویکردهای مبتنی بر EMA یا ابزارهای پوشیدنی در آموزش ویژه مبتنی بر مدرسه هنوز به‌طور کافی عملیاتی نشده‌اند.

The 11th edition of the International Classification of Diseases introduced a dimensional model of personality disorder diagnosis supplemented by an optional borderline pattern qualifier.The Borderline Pattern Scale (BPS; Oltmanns & Widiger, 2019) is a self-report instrument assessing this qualifier via four symptom clusters: affective instability, maladaptive self-functioning, maladaptive interpersonal functioning, and maladaptive self-regulation strategies.This study translated, adapted, and validated the BPS for German-speaking clinical populations (N = 405) using a back-translation procedure.Psychometric evaluation included internal consistency, test-retest reliability, and factor structure analyses (parallel analysis, exploratory graph analysis) confirmatory factor analysis, as well as construct validity via correlations with the Borderline Symptom List-23 and the Structured Clinical Interview for Diagnostic and Statistical Manual of Mental Disorders, Fifth Edition Screening Personality Questionnaire.Receiver operating characteristic analyses assessed classification accuracy for clinician-assigned borderline personality disorder diagnoses.Results demonstrated excellent internal consistency (α = .89)and test-retest reliability (r = .87).Exploratory graph analysis indicated a robust unidimensional structure, while confirmatory factor analysis supported a hierarchical four-factor model with incremental validity over a unidimensional solution.BPS total scores showed strong convergent validity with the Borderline Symptom List-23 and discriminant validity against nonborderline personality disorder scales.Receiver operating characteristic analyses revealed good classification accuracy (area under the curve = .82),with optimal cutoffs balancing sensitivity and specificity.German BPS scores demonstrate reliability and support multiple sources of validity evidence for their intended interpretation as measures of the 11th edition of the International Classification of Diseases borderline pattern severity.The low internal consistency of the Maladaptive Interpersonal Functioning subscale (ᾰ = .41)warrants caution; the BPS total score is psychometrically preferable for most purposes. Public Significance StatementThis study introduces the first validated German questionnaire assessing borderline personality patterns according to the 11th edition of the International Classification of Diseases.Scores derived from the German Borderline Pattern Scale demonstrated strong reliability and supported multiple sources of validity evidence for their intended interpretation in a psychiatric sample, allowing clinicians and researchers to better identify and understand borderline psychopathology.This facilitates accurate diagnosis, individual case formulation, treatment planning, and international consistency in the 11th edition of the International Classification of Diseases assessment.

ویرایش یازدهم طبقه‌بندی بین‌المللی بیماری‌ها مدل ابعادی تشخیص اختلال شخصیت را معرفی کرده است که با یک شاخص اختیاری الگوی مرزی تکمیل می‌شود. مقیاس الگوی مرزی (BPS؛ Oltmanns & Widiger، 2019) یک ابزار خودگزارشی است که این شاخص را از طریق چهار خوشه نشانه‌ای ارزیابی می‌کند: ناپایداری عاطفی، عملکرد ناسازگارانه خود، عملکرد ناسازگارانه بین‌فردی و راهبردهای ناسازگارانه تنظیم خود. این مطالعه BPS را برای جمعیت‌های بالینی آلمانی‌زبان (N = 405) با استفاده از روش ترجمه معکوس ترجمه، تطبیق و اعتبارسنجی کرد. ارزیابی روان‌سنجی شامل بررسی انسجام درونی، پایایی بازآزمایی و تحلیل ساختار عاملی (تحلیل موازی، تحلیل گراف اکتشافی)، تحلیل عاملی تأییدی و همچنین روایی سازه از طریق همبستگی با فهرست نشانه‌های مرزی-۲۳ و پرسشنامه غربالگری مصاحبه بالینی ساختاریافته برای راهنمای تشخیصی و آماری اختلالات روانی، ویرایش پنجم بود. تحلیل‌های منحنی مشخصه عملکرد گیرنده دقت طبقه‌بندی برای تشخیص‌های اختلال شخصیت مرزی تعیین‌شده توسط بالینگر را ارزیابی کرد. نتایج نشان‌دهنده انسجام درونی عالی (α = .89) و پایایی بازآزمایی (r = .87) بودند. تحلیل گراف اکتشافی ساختار یک‌بعدی قوی را نشان داد، در حالی که تحلیل عاملی تأییدی از مدل سلسله‌مراتبی چهارعاملی با روایی افزایشی نسبت به راه‌حل یک‌بعدی حمایت کرد. نمرات کل BPS روایی همگرا قوی با فهرست نشانه‌های مرزی-۲۳ و روایی افتراقی در برابر مقیاس‌های اختلال شخصیت غیرمرزی را نشان دادند. تحلیل‌های منحنی مشخصه عملکرد گیرنده دقت طبقه‌بندی خوبی را نشان دادند (مساحت زیر منحنی = .82)، با نقاط برش بهینه که تعادل حساسیت و ویژگی را برقرار می‌کردند. نمرات آلمانی BPS پایایی و شواهد متعددی از روایی را برای تفسیر مورد نظر به عنوان سنجه شدت الگوی مرزی در ویرایش یازدهم طبقه‌بندی بین‌المللی بیماری‌ها نشان می‌دهند. انسجام درونی پایین زیرمقیاس عملکرد ناسازگارانه بین‌فردی (ᾰ = .41) نیازمند احتیاط است؛ نمره کل BPS از نظر روان‌سنجی برای اغلب اهداف ترجیح داده می‌شود. بیانیه اهمیت عمومی: این مطالعه نخستین پرسشنامه آلمانی اعتبارسنجی‌شده برای ارزیابی الگوهای شخصیت مرزی بر اساس ویرایش یازدهم طبقه‌بندی بین‌المللی بیماری‌ها را معرفی می‌کند. نمرات به‌دست‌آمده از مقیاس الگوی مرزی آلمانی پایایی قوی و شواهد متعددی از روایی را برای تفسیر مورد نظر در نمونه روان‌پزشکی نشان دادند و به بالینگران و پژوهشگران امکان شناسایی و درک بهتر آسیب‌شناسی مرزی را می‌دهند. این امر تشخیص دقیق، تدوین مورد فردی، برنامه‌ریزی درمان و انسجام بین‌المللی در ارزیابی ویرایش یازدهم طبقه‌بندی بین‌المللی بیماری‌ها را تسهیل می‌کند.

Visual representations in popular media can shape how people imagine natural materials, yet mineral representation in popular culture has rarely been quantified. To address this gap, this study analyzed 223 mineral illustrations from the Pokémon Trading Card Game (PTCG) between 1999 and 2026. Statistical analyses of visual features identified a dominant “universal crystal template” characterized by large, translucent, highly symmetrical prismatic crystals in cave environments. This template contrasts sharply with natural mineral occurrences, where minerals commonly form irregular rock-forming aggregates. Inferred mineral identities are heavily restricted to just six dominant groups, with Multiple Correspondence Analysis demonstrating that these dominant species share highly overlapping visual traits. Consequently, current AI models struggle to identify these stylized illustrations because diagnostic features are obscured, they cannot resolve three-dimensional geometry in artwork, and they lack contextual environmental integration. These findings quantify how entertainment media constructs a shared visual stereotype of minerals. While such stereotypes oversimplify geological reality, their global familiarity and mass appeal offer a unique opportunity for science communication. By critically decoding these media-driven biases, educators can leverage these widely accessible cards as engaging visual hooks to stimulate active inquiry into authentic mineralogy and geological processes.

بازنمایی‌های بصری در رسانه‌های محبوب می‌توانند نحوه تصور افراد از مواد طبیعی را شکل دهند، اما بازنمایی مواد معدنی در فرهنگ عامه به ندرت به صورت کمی مورد بررسی قرار گرفته است. برای رفع این خلأ، این مطالعه ۲۲۳ تصویرسازی معدنی از بازی کارت معاملاتی پوکمون (PTCG) بین سال‌های ۱۹۹۹ تا ۲۰۲۶ را تحلیل کرده است. تحلیل‌های آماری ویژگی‌های بصری، یک «الگوی بلورین جهانی» غالب را شناسایی کردند که با بلورهای منشوری بزرگ، شفاف و بسیار متقارن در محیط‌های غاری مشخص می‌شود. این الگو به طور چشمگیری با رخدادهای طبیعی مواد معدنی که معمولاً به صورت تجمعات نامنظم سنگ‌ساز شکل می‌گیرند، متفاوت است. هویت‌های معدنی استنباط‌شده به شدت به شش گروه غالب محدود می‌شوند و تحلیل تطابق چندگانه نشان می‌دهد که این گونه‌های غالب، ویژگی‌های بصری بسیار همپوشانی دارند. در نتیجه، مدل‌های فعلی هوش مصنوعی در شناسایی این تصویرسازی‌های سبک‌پردازی‌شده با مشکل مواجه هستند، زیرا ویژگی‌های تشخیصی پنهان شده‌اند، آن‌ها قادر به تشخیص هندسه سه‌بعدی در آثار هنری نیستند و فاقد ادغام زمینه‌ای محیطی می‌باشند. این یافته‌ها نشان می‌دهند که چگونه رسانه‌های سرگرمی یک کلیشه بصری مشترک از مواد معدنی ایجاد می‌کنند. اگرچه این کلیشه‌ها واقعیت زمین‌شناسی را بیش از حد ساده‌سازی می‌کنند، اما آشنایی جهانی و جذابیت فراگیر آن‌ها فرصت منحصربه‌فردی برای ارتباط علمی فراهم می‌کند. با رمزگشایی انتقادی این سوگیری‌های رسانه‌محور، مربیان می‌توانند از این کارت‌های در دسترس به عنوان محرک‌های بصری جذاب برای برانگیختن کنجکاوی فعال درباره کانی‌شناسی و فرایندهای زمین‌شناسی اصیل بهره ببرند.

Despite advances in cancer treatment, the growing global cancer burden underscores the need for comprehensive and supportive care to address the needs of patients and their families. However, access to psycho-oncological support remains often limited across healthcare systems. This could be related to factors such as resource constraints and insufficient integration of psychological care into routine oncological pathways. Individual-level barriers also exist, including low awareness of available services, stigma, and heterogeneity in patients’ perceived needs and help-seeking attitudes. Nevertheless, psychological burden can significantly influence patients’ experience of the treatment pathway, influencing cognitive clarity, perceived self-efficacy, communication, risk perception, decision-making, and all areas of daily life. In this context, digital mental health solutions have emerged as promising tools to enhance accessibility, continuity of care, and personalisation of support. In this manuscript, we aim to describe the structure of the ALTHEA project (“tAckling menTal Health cancer patients and their families: digital solutions for bEtter cAre”), which focuses on the development of a novel web-based digital platform targeting cancer patients and their informal caregivers’ mental health across different stages of the care pathway. ALTHEA is distinguished by the presence of screening, classification into different support profiles, and tailored interventions within a single platform, as well as by its co-creation approach involving patients and stakeholders. In this line, the ALTHEA project represents a timely opportunity to integrate digital health solutions into psycho-oncology care, improving mental health outcomes, enhancing patient empowerment, and promoting a more holistic approach to cancer care.

علی‌رغم پیشرفت‌ها در درمان سرطان، افزایش بار جهانی سرطان نیاز به مراقبت‌های جامع و حمایتی برای پاسخگویی به نیازهای بیماران و خانواده‌های آنان را برجسته می‌کند. با این حال، دسترسی به حمایت روان‌آنکولوژیک اغلب در نظام‌های سلامت محدود باقی می‌ماند. این امر می‌تواند به عواملی مانند محدودیت منابع و ادغام ناکافی مراقبت روان‌شناختی در مسیرهای معمول آنکولوژی مرتبط باشد. موانع در سطح فردی نیز وجود دارد، از جمله آگاهی پایین از خدمات موجود، انگ و ناهمگونی در نیازهای ادراک‌شده بیماران و نگرش‌های آنان نسبت به جستجوی کمک. با این وجود، بار روان‌شناختی می‌تواند به طور قابل توجهی تجربه بیماران از مسیر درمان را تحت تأثیر قرار دهد و بر وضوح شناختی، خودکارآمدی ادراک‌شده، ارتباطات، ادراک ریسک، تصمیم‌گیری و تمامی حوزه‌های زندگی روزمره اثرگذار باشد. در این زمینه، راهکارهای دیجیتال سلامت روان به عنوان ابزارهایی نویدبخش برای افزایش دسترسی‌پذیری، تداوم مراقبت و شخصی‌سازی حمایت مطرح شده‌اند. در این مقاله، هدف ما توصیف ساختار پروژه ALTHEA («مقابله با سلامت روان بیماران سرطانی و خانواده‌های آنان: راهکارهای دیجیتال برای مراقبت بهتر») است که بر توسعه یک پلتفرم دیجیتال مبتنی بر وب با هدف سلامت روان بیماران سرطانی و مراقبان غیررسمی آنان در مراحل مختلف مسیر مراقبت تمرکز دارد. پروژه ALTHEA با وجود غربالگری، طبقه‌بندی به پروفایل‌های حمایتی مختلف و مداخلات متناسب در یک پلتفرم واحد، و همچنین رویکرد هم‌آفرینی با مشارکت بیماران و ذینفعان متمایز می‌شود. در این راستا، پروژه ALTHEA فرصتی به‌موقع برای ادغام راهکارهای سلامت دیجیتال در مراقبت روان‌آنکولوژی فراهم می‌کند و بهبود پیامدهای سلامت روان، ارتقای توانمندسازی بیماران و ترویج رویکردی جامع‌تر به مراقبت سرطان را به همراه دارد.

Accurately managing emotions and quantifying anxiety continue to be important challenges in affective computing and digital mental health, especially where continuous, objective, and personalized evaluation goes beyond self-reported anxiety. Current deep learning systems mainly have coarse emotion classification ability and have no built-in and interpretable regulation mechanisms. In order to overcome these limitations, the Deep Learning Based Anxiety Quantification and Emotional Regulation Recommendation Generation Model (DLAQ-ERRG) is proposed in this study. It comprises three key components: (i) a Neural Stochastic Differential Attention Encoder (NSDAE) for capturing the continuous-time affective dynamics and temporal uncertainty from multimodal wearable signals; (ii) a Hyperbolic Contrastive Affective Manifold Learner (HCAML) for learning a non-Euclidean space to embed latent emotional states while preserving the hierarchical structure of affective severity and boosting inter-subject separability; and (iii) a Hyperbolic Neural Symbolic Policy Generator (ER-NSPG) for generating constraint-consistent and uncertainty-aware emotional regulation recommendations. Experimental results under strict Leave-One-Subject-Out validation on the WESAD dataset show an improvement of 11.85% compared to the best baseline (CCC = 0.734) and the Mean Absolute Error (MAE) of 0.384 and the Root Mean Square Error (RMSE) of 0.083, respectively. The overall anxiety prediction accuracy (AIPA) for affect-state classification is 87.3% for the model. Structured severity organization is confirmed by representation quality metrics: an Anxiety Severity Separation Score (ASS) of 0.726 and a Hyperbolic Clustering Quality Index (HCQI) of 0.681. The recommendation evaluation results in an Action Appropriateness Score (AAS) of 0.776, Recommendation Smoothness Score (RSS) of 0.764 and Emotion Regulation Diversity Score (RDS) of 0.701, all representing stable and tailored generation of interventions. The results illustrate the benefits of uncertainty-aware continuous estimation of anxiety-related arousal, improved structural representation, and interpretable support in regulating arousal within a single, uncertainty-aware framework.

مدیریت دقیق هیجان‌ها و کمی‌سازی اضطراب همچنان از چالش‌های مهم در رایانش عاطفی و سلامت روان دیجیتال به‌شمار می‌رود، به‌ویژه در مواردی که ارزیابی مستمر، عینی و شخصی‌سازی‌شده فراتر از اضطراب خودگزارش‌شده مورد نیاز است. سامانه‌های فعلی یادگیری عمیق عمدتاً دارای توانایی طبقه‌بندی عاطفی کلی هستند و فاقد سازوکارهای تنظیمی درونی و قابل تفسیر می‌باشند. به‌منظور غلبه بر این محدودیت‌ها، مدل مبتنی بر یادگیری عمیق برای کمی‌سازی اضطراب و تولید توصیه‌های تنظیم هیجان (DLAQ-ERRG) در این مطالعه پیشنهاد شده است. این مدل شامل سه مؤلفه کلیدی است: (i) رمزگذار توجهی تصادفی عصبی-افتراقی (NSDAE) برای ثبت پویایی‌های عاطفی پیوسته‌زمان و عدم‌قطعیت زمانی از سیگنال‌های پوشیدنی چندوجهی؛ (ii) یادگیرنده منیفلد عاطفی متضاد اَبَرهذلولوی (HCAML) برای یادگیری فضایی غیر اقلیدسی به‌منظور تعبیه حالات عاطفی نهفته ضمن حفظ ساختار سلسله‌مراتبی شدت عاطفی و افزایش قابلیت تفکیک بین آزمودنی‌ها؛ و (iii) تولیدکننده سیاست نمادین عصبی اَبَرهذلولوی (ER-NSPG) برای تولید توصیه‌های تنظیم هیجان سازگار با محدودیت‌ها و آگاه از عدم‌قطعیت. نتایج تجربی تحت اعتبارسنجی سختگیرانه Leave-One-Subject-Out بر روی مجموعه داده WESAD نشان‌دهنده بهبود ۱۱.۸۵٪ نسبت به بهترین خط پایه (CCC = 0.734) و خطای مطلق میانگین (MAE) برابر با 0.384 و ریشه میانگین مربعات خطا (RMSE) برابر با 0.083 است. دقت کلی پیش‌بینی اضطراب (AIPA) برای طبقه‌بندی حالت عاطفی در این مدل ۸۷.۳٪ گزارش شده است. سازمان‌دهی ساختاری شدت با معیارهای کیفیت بازنمایی تأیید می‌شود: امتیاز جداسازی شدت اضطراب (ASS) برابر با 0.726 و شاخص کیفیت خوشه‌بندی اَبَرهذلولوی (HCQI) برابر با 0.681. ارزیابی توصیه‌ها منجر به امتیاز تناسب اقدام (AAS) برابر با 0.776، امتیاز همواری توصیه (RSS) برابر با 0.764 و امتیاز تنوع تنظیم هیجان (RDS) برابر با 0.701 شده است که همگی نشان‌دهنده تولید مداخلات پایدار و متناسب می‌باشند. نتایج، مزایای برآورد پیوسته اضطراب مبتنی بر عدم‌قطعیت، بهبود بازنمایی ساختاری و پشتیبانی قابل تفسیر در تنظیم برانگیختگی را در یک چارچوب یکپارچه و آگاه از عدم‌قطعیت نشان می‌دهد.

Emotion recognition from EEG signals has become a central task in affective computing, offering non-invasive insight into human emotional states. Due to the nonlinear and nonstationary nature of EEG, entropy-based features have gained prominence as reliable indicators of brain complexity. However, traditional entropy metrics—such as Shannon entropy (ShanEn) and its variants—often lack sensitivity to transient dynamics and multiscale irregularities in the brain’s electrical activity. This study introduces a novel application of Entropy of Entropy (EoE) to EEG phase series (EoE – phase), aiming to enhance the detection of emotional states by capturing second-order variability in signal complexity. Unlike conventional measures, EoE quantifies not just signal unpredictability, but also the fluctuation of that unpredictability over time, offering a more dynamic representation of neural information flow. Using the GAMEEMO dataset, which includes EEG recordings from 28 participants during four emotion-evoking game scenarios (funny, boring, horror, calm), we computed and compared four feature sets: Phase Entropy, EoE – phase, ShanEn, and EoE applied to EEG amplitude time series. These features were classified using six machine learning models, including AdaBoost, SVM, and Random Forest. Our results demonstrate that EoE applied to phase dynamics significantly outperforms other entropy-based features, achieving a classification accuracy of 71.7% and AUC of 0.869 using the RF classifier with mixed PhaseEn and EoE-phase features, while traditional Shannon-based features reached only ~59% accuracy. This study provides the first systematic evaluation of EoE on EEG phase signals for emotion recognition, revealing its strong discriminative power and potential for integration into next-generation brain-computer interfaces.

شناسایی احساسات از سیگنال‌های EEG به یکی از وظایف محوری در رایانش عاطفی تبدیل شده است و بینشی غیرتهاجمی نسبت به وضعیت‌های عاطفی انسان ارائه می‌دهد. به دلیل ماهیت غیرخطی و غیرایستا بودن EEG، ویژگی‌های مبتنی بر آنتروپی به عنوان شاخص‌های قابل اعتماد پیچیدگی مغز مورد توجه قرار گرفته‌اند. با این حال، معیارهای سنتی آنتروپی—مانند آنتروپی شانون (ShanEn) و انواع آن—اغلب نسبت به پویایی‌های گذرا و بی‌نظمی‌های چندمقیاسی در فعالیت الکتریکی مغز حساسیت کافی ندارند. این مطالعه کاربرد نوینی از آنتروپیِ آنتروپی (EoE) را بر سری‌های فاز EEG (EoE – phase) معرفی می‌کند که هدف آن ارتقاء شناسایی وضعیت‌های عاطفی از طریق ثبت تغییرپذیری مرتبه دوم در پیچیدگی سیگنال است. برخلاف سنجه‌های متعارف، EoE نه تنها غیرقابل پیش‌بینی بودن سیگنال، بلکه نوسان این غیرقابل پیش‌بینی بودن را در طول زمان کمی‌سازی می‌کند و بازنمایی پویاتری از جریان اطلاعات عصبی ارائه می‌دهد. با استفاده از پایگاه داده GAMEEMO که شامل ثبت‌های EEG از ۲۸ شرکت‌کننده در چهار سناریوی بازی برانگیزاننده احساس (خنده‌دار، کسل‌کننده، ترسناک، آرام) است، چهار مجموعه ویژگی شامل آنتروپی فاز، EoE – phase، ShanEn و EoE اعمال‌شده بر سری زمانی دامنه EEG محاسبه و مقایسه شد. این ویژگی‌ها با استفاده از شش مدل یادگیری ماشین از جمله AdaBoost، SVM و Random Forest طبقه‌بندی شدند. نتایج ما نشان می‌دهد که EoE اعمال‌شده بر پویایی فاز به طور معناداری عملکرد بهتری نسبت به سایر ویژگی‌های مبتنی بر آنتروپی دارد و با استفاده از طبقه‌بند RF و ترکیب ویژگی‌های PhaseEn و EoE-phase، دقت طبقه‌بندی ۷۱.۷٪ و AUC معادل ۰.۸۶۹ را به دست می‌آورد، در حالی که ویژگی‌های مبتنی بر شانون تنها به دقت حدود ۵۹٪ می‌رسند. این مطالعه نخستین ارزیابی نظام‌مند EoE بر سیگنال‌های فاز EEG برای شناسایی احساسات را ارائه می‌دهد و قدرت تمایزبخشی بالای آن و پتانسیل ادغام در رابط‌های مغز-رایانه نسل آینده را آشکار می‌سازد.

IntroductionSevere mental illnesses (SMIs), including schizophrenia, bipolar disorder, and severe depressive disorders, contribute substantially to the burden of disease and mental health service utilisation in India.Despite this high burden and the critical role of safe care transitions, discharge readiness among psychiatric inpatients has not been systematically studied in India using validated patient-reported measures.This study assesses readiness for hospital discharge among inpatients with SMIs in a tertiary neuropsychiatric hospital in North India using the Readiness for Hospital Discharge Scale (RHDS). MethodThis cross-sectional study was conducted at Institute of Human Behaviour and Allied Sciences (IHBAS), a tertiary neuropsychiatric referral centre in Delhi, India.One-hundred one inpatients diagnosed with SMIs (schizophrenia, schizoaffective disorder, bipolar affective disorder, or severe depressive disorder) as per the International Classification of Diseases, 10th Revision, Diagnostic Criteria for Research (ICD-10 DCR) were recruited through purposive sampling over six months.Discharge readiness was assessed on the planned day of discharge using the Hindi-translated RHDS-Adult Form.Sociodemographic and clinical details were recorded using a semi-structured proforma.Associations were examined using bivariate analyses and logistic regression. ResultsSchizophrenia (47.5%) and bipolar disorder (28.7%) were the most common diagnoses.The mean RHDS score was 7.07 ± 1.08, indicating upper-moderate readiness.Domain scores were highest for coping ability and expected support, intermediate for personal status, and lowest for knowledge.Schizophrenia was significantly associated with lower readiness (p = 0.002) and independently predicted poor discharge readiness (adjusted odds ratio (OR) = 0.13, 95% CI 0.04-0.46).Longer length of stay predicted higher readiness (OR = 1.07/day, p = 0.032). ConclusionDespite overall clinical stability at discharge, psychiatric inpatients demonstrated suboptimal readiness, particularly in the knowledge domain, indicating inadequate understanding of illness, treatment, relapse prevention, and follow-up care.The findings underscore the need for structured and standardized discharge planning with strengthened psychoeducation, clear information on community resources and legal rights, and greater involvement of multidisciplinary teams such as social workers or case managers.Tailored discharge interventions may contribute to continuity of care and post-discharge outcomes.Nevertheless, prospective Indian studies are needed to validate its effectiveness and the extent of these benefits.

مقدمه: اختلالات شدید روانی (SMIs) از جمله اسکیزوفرنی، اختلال دوقطبی و اختلالات افسردگی شدید، سهم قابل توجهی در بار بیماری و استفاده از خدمات سلامت روان در هند دارند. با وجود این بار بالا و نقش حیاتی گذار ایمن مراقبت، آمادگی ترخیص در بیماران بستری روان‌پزشکی در هند با استفاده از ابزارهای معتبر مبتنی بر گزارش بیمار به طور نظام‌مند مطالعه نشده است. این مطالعه آمادگی برای ترخیص از بیمارستان را در بیماران بستری مبتلا به SMIs در یک بیمارستان تخصصی عصب‌روان‌پزشکی در شمال هند با استفاده از مقیاس Readiness for Hospital Discharge Scale (RHDS) ارزیابی می‌کند. روش: این مطالعه مقطعی در مؤسسه رفتار انسانی و علوم وابسته (IHBAS)، یک مرکز ارجاعی تخصصی عصب‌روان‌پزشکی در دهلی، هند انجام شد. صد و یک بیمار بستری که طبق معیارهای تشخیصی پژوهشی ویرایش دهم طبقه‌بندی بین‌المللی بیماری‌ها (ICD-10 DCR) مبتلا به SMIs (اسکیزوفرنی، اختلال اسکیزوافکتیو، اختلال خلقی دوقطبی یا اختلال افسردگی شدید) تشخیص داده شده بودند، طی شش ماه با نمونه‌گیری هدفمند انتخاب شدند. آمادگی ترخیص در روز برنامه‌ریزی‌شده ترخیص با استفاده از نسخه هندی RHDS-Adult Form ارزیابی شد. جزئیات جمعیت‌شناختی و بالینی با استفاده از یک پروفورمای نیمه‌ساختاریافته ثبت گردید. ارتباطات با استفاده از تحلیل‌های دو متغیره و رگرسیون لجستیک بررسی شد. نتایج: اسکیزوفرنی (۴۷/۵٪) و اختلال دوقطبی (۲۸/۷٪) شایع‌ترین تشخیص‌ها بودند. میانگین نمره RHDS برابر با ۷/۰۷ ± ۱/۰۸ بود که نشان‌دهنده آمادگی متوسط رو به بالا است. بالاترین نمرات حوزه‌ای مربوط به توانایی مقابله و حمایت مورد انتظار، میانگین برای وضعیت فردی و پایین‌ترین برای دانش بود. اسکیزوفرنی به طور معناداری با آمادگی پایین‌تر مرتبط بود (p = 0.002) و به طور مستقل پیش‌بینی‌کننده آمادگی ضعیف برای ترخیص بود (نسبت شانس تعدیل‌شده (OR) = ۰/۱۳، ۹۵٪ CI ۰/۰۴-۰/۴۶). طول مدت بستری بیشتر، پیش‌بینی‌کننده آمادگی بالاتر بود (OR = ۱/۰۷ در روز، p = 0.032). نتیجه‌گیری: علی‌رغم پایداری بالینی کلی در زمان ترخیص، بیماران بستری روان‌پزشکی آمادگی کمتر از حد مطلوب، به ویژه در حوزه دانش، را نشان دادند که بیانگر درک ناکافی از بیماری، درمان، پیشگیری از عود و مراقبت پیگیری است. یافته‌ها بر لزوم برنامه‌ریزی ساختاریافته و استاندارد ترخیص با تقویت آموزش روانی، ارائه اطلاعات شفاف درباره منابع اجتماعی و حقوق قانونی و مشارکت بیشتر تیم‌های چندرشته‌ای مانند مددکاران اجتماعی یا مدیران مورد تأکید دارند. مداخلات ترخیص متناسب می‌تواند به تداوم مراقبت و پیامدهای پس از ترخیص کمک کند. با این حال، مطالعات آینده‌نگر در هند برای اعتبارسنجی اثربخشی و میزان این منافع مورد نیاز است.

The actual deployment of driver monitoring system (DMS) is still limited by the limited edge computing resources and the sudden risk transition caused by discrete state classification. To this end, this study proposes LTC-CGMN, a lightweight driver state evaluation framework that integrates cross granularity state mapping and temporal convolution. Firstly, the CGSM module aligns fine-grained head/hand cues with coarse-grained torso features through cross attention, and then the LTC module uses depthwise separable causal dilation convolution to capture temporal dependencies with low computational cost. In addition, the knowledge extraction scheme guided by the AHP of the National Highway Traffic Safety Administration generates a continuous Driver Risk Index (DRI), reducing the step discontinuity in risk estimation. Finally, the experimental results on the 3MDAD multimodal driving dataset showed that LTC-CGMN achieved a Top-1 accuracy of 96.37%, a DRI prediction RMSE of 0.058, and a inference rate of 33.6 FPS on NVIDIA Jetson Orin. Research has shown that LTC-CCMN provides a good balance between recognition accuracy, continuous risk estimation, and edge deployment efficiency for intelligent cockpit DMS applications.

استقرار واقعی سامانه پایش راننده (DMS) همچنان با محدودیت منابع محاسباتی لبه و انتقال ناگهانی ریسک ناشی از طبقه‌بندی گسسته وضعیت‌ها محدود می‌شود. بدین منظور، این مطالعه چارچوب ارزیابی وضعیت راننده سبک‌وزن LTC-CGMN را پیشنهاد می‌کند که نگاشت وضعیت میان‌دانه‌ای و کانولوشن زمانی را یکپارچه می‌سازد. نخست، ماژول CGSM نشانه‌های ریزدانه سر/دست را از طریق توجه متقاطع با ویژگی‌های درشت‌دانه تنه هم‌تراز می‌کند و سپس ماژول LTC با استفاده از کانولوشن علی با اتساع جداسازی‌پذیر عمقی، وابستگی‌های زمانی را با هزینه محاسباتی پایین استخراج می‌کند. افزون بر این، طرح استخراج دانش با راهنمایی AHP اداره ملی ایمنی ترافیک بزرگراه‌ها، شاخص ریسک راننده پیوسته (DRI) را تولید می‌کند و ناپیوستگی پله‌ای در برآورد ریسک را کاهش می‌دهد. در نهایت، نتایج تجربی روی پایگاه داده چندوجهی رانندگی 3MDAD نشان داد که LTC-CGMN به دقت Top-1 معادل ۹۶٫۳۷٪، RMSE پیش‌بینی DRI برابر با ۰٫۰۵۸ و نرخ استنتاج ۳۳٫۶ فریم بر ثانیه روی NVIDIA Jetson Orin دست یافته است. پژوهش‌ها نشان داده‌اند که LTC-CGMN تعادل مناسبی میان دقت شناسایی، برآورد پیوسته ریسک و کارایی استقرار لبه برای کاربردهای DMS کابین هوشمند فراهم می‌کند.

Coprolalia is a relatively rare type of complex vocal tic in people with Tourette syndrome (TS). In the general population, however, it is believed that coprolalia is the most typical and common symptom resulting in the stereotype of TS as the “swearing disease”. Swearing, however, also occurs as a “normal” expression of negative emotions and thus occurs more often in people with impulse control problems. It is believed that there is a continuum reaching from voluntary to involuntary swearing. Besides coprolalia, in TS, coprophenomena may also occur in the form of motor tics, called copropraxia. Furthermore, other socially inappropriate behaviors have been described such as making socially inappropriate comments and actions, called Non Obscene Socially Inappropriate symptoms or NOSIS. Only recently, coprolalia has been identified as a core symptom in functional tic-like behaviors (FTLB), a relatively new and escalating presentation of a functional movement disorder (FMD). Today it is well-established that FTLB and TS represent two distinct clinical entities, although FTLB is a common comorbidity in TS. The overlap of diseases and disorders with the more incongruent presentations of FMD are well-established clinical concepts in other neurological disorders. This raises the clinically important question as to whether coprolalia as a complex tic can be differentiated at all from “coprolalia-like” words as FTLB. Here, we want to introduce a novel concept regarding the classification of coprolalia, copropraxia, and NOSIS. We propose that it is important to consider the presence of obscene and/or socially inappropriate words, behaviors and/or insults as being more supportive of FTLB or a combination of both TS plus comorbid FTLB as opposed to being considered to be complex tic phenomena, since coprolalia and copropraxia are rare in TS. Given what we know about FTLB today, the symptom construct of NOSIS is probably not a separate symptom entity in TS. We therefore suggest that NOSIS should be preferable considered as comorbid FTLB. We believe that this novel re-conceptualization will lead us toward some explanations around inconsistent findings related to coprophenomena in TS. Furthermore, it is of high clinical relevance, since it opens wider management and treatment strategies including psychological interventions for people suffering from coprolalia, copropraxia, and NOSIS and will hopefully prevent these patients from inappropriate or even harmful treatments including invasive surgical therapies when being mistakenly classified as severely affected and treatment resistant patients with TS.

کوپرولالیا نوعی تیک صوتی پیچیده و نسبتاً نادر در افراد مبتلا به سندرم تورت (TS) است. با این حال، در جمعیت عمومی، باور بر این است که کوپرولالیا شایع‌ترین و تیپیک‌ترین علامت بوده و همین امر منجر به شکل‌گیری کلیشه‌ای از TS به عنوان «بیماری فحاشی» شده است. با این حال، فحاشی همچنین به عنوان ابراز «عادی» هیجانات منفی رخ می‌دهد و بنابراین در افرادی با مشکلات کنترل تکانه بیشتر مشاهده می‌شود. اعتقاد بر این است که پیوستاری از فحاشی ارادی تا غیرارادی وجود دارد. علاوه بر کوپرولالیا، در TS، پدیده‌های کوپروفنومنای دیگری نیز ممکن است به صورت تیک‌های حرکتی، موسوم به کوپروپراکسی، رخ دهند. افزون بر این، رفتارهای اجتماعی نامناسب دیگری نیز توصیف شده‌اند، مانند بیان یا انجام اظهارات و اعمال اجتماعی نامناسب که به عنوان علائم اجتماعی نامناسب غیرمستهجن یا NOSIS شناخته می‌شوند. تنها اخیراً، کوپرولالیا به عنوان یک علامت اصلی در رفتارهای تیک‌مانند عملکردی (FTLB)، که نوعی اختلال حرکتی عملکردی (FMD) نسبتاً جدید و رو به افزایش است، شناسایی شده است. امروزه به خوبی مشخص شده است که FTLB و TS دو موجودیت بالینی متمایز هستند، هرچند FTLB یک همبودی شایع در TS محسوب می‌شود. همپوشانی بیماری‌ها و اختلالات با تظاهرات ناسازگارتر FMD مفاهیمی بالینی تثبیت‌شده در سایر اختلالات نورولوژیک است. این امر پرسش بالینی مهمی را مطرح می‌کند که آیا اساساً می‌توان کوپرولالیا به عنوان یک تیک پیچیده را از واژه‌های «شبیه کوپرولالیا» به عنوان FTLB متمایز کرد یا خیر. در اینجا، ما قصد داریم یک مفهوم نوین در خصوص طبقه‌بندی کوپرولالیا، کوپروپراکسی و NOSIS معرفی کنیم. ما پیشنهاد می‌کنیم که توجه به وجود واژه‌ها، رفتارها و/یا توهین‌های مستهجن و/یا اجتماعی نامناسب، بیشتر به نفع FTLB یا ترکیب هر دو TS به همراه FTLB همبود باشد تا اینکه به عنوان پدیده‌های تیک پیچیده در نظر گرفته شود، چرا که کوپرولالیا و کوپروپراکسی در TS نادر هستند. با توجه به دانسته‌های کنونی درباره FTLB، ساختار علامتی NOSIS احتمالاً یک موجودیت علامتی جداگانه در TS نیست. بنابراین پیشنهاد می‌کنیم که NOSIS ترجیحاً به عنوان FTLB همبود در نظر گرفته شود. ما بر این باوریم که این بازنگری مفهومی نوین می‌تواند به توضیح برخی یافته‌های ناسازگار مرتبط با کوپروفنومنای در TS کمک کند. افزون بر این، این موضوع از اهمیت بالینی بالایی برخوردار است، چرا که راهبردهای مدیریتی و درمانی گسترده‌تری از جمله مداخلات روان‌شناختی را برای افراد مبتلا به کوپرولالیا، کوپروپراکسی و NOSIS فراهم می‌آورد و امید است که از درمان‌های نامناسب یا حتی آسیب‌زا از جمله درمان‌های جراحی تهاجمی در مواردی که بیماران به اشتباه به عنوان مبتلایان شدید و مقاوم به درمان TS طبقه‌بندی می‌شوند، جلوگیری کند.

In 2019, Paul B. Preciado stood before three and a half thousand members of the École de la Cause Freudienneand declared: ‘I am the monster that speaks to you’. The divided reactioncrystallised a paradox: a discipline devoted to listening responded with refusal. This article takes that moment to develop two concepts in social theory: strategic certainties, the practices through which institutions transform interpretive heuristics into ontological verdicts, immunizing their frameworks against challenge; and epistemic habitus, the patterned dispositions through which such certainties are reproduced and transmitted. Lacanian institutionalisationand its pathologisation of trans experience as psychotic structure constitute a limit case of this mechanism, analytically privileged on four grounds. Trans experience challenges Lacanian sexuation at its core; the trans-psychosis association is exceptionally stable; the passage from heuristic to ontology is unusually visible; and the trans subject speaks, entering the space of classification to contest it from within. Against these closures, the article proposes radical reflexivity, the dispositionto hold one's own categories open in the encounter with what they cannot yet name. The monsters were never in those who spoke, but in the certainties that imagined them.

در سال ۲۰۱۹، Paul B. Preciado در برابر سه هزار و پانصد نفر از اعضای École de la Cause Freudienne ایستاد و اعلام کرد: «من هیولایی هستم که با شما سخن می‌گوید». واکنش دوپاره به این سخن، پارادوکسی را برجسته ساخت: رشته‌ای که خود را وقف شنیدن کرده است، با امتناع پاسخ داد. این مقاله با تکیه بر آن لحظه، دو مفهوم در نظریه اجتماعی را بسط می‌دهد: قطعیت‌های راهبردی، شیوه‌هایی که از طریق آن‌ها نهادها، راهبردهای تفسیر را به احکام وجودشناختی بدل می‌کنند و چارچوب‌های خود را در برابر چالش مصون می‌سازند؛ و عادت‌واره معرفتی، گرایش‌های الگومندی که از طریق آن‌ها این قطعیت‌ها بازتولید و منتقل می‌شوند. نهادینه‌سازی لاکانی و آسیب‌شناسی تجربه ترنس به‌عنوان ساختار روان‌پریشانه، نمونه حدی این سازوکار است که از چهار جهت تحلیل‌پذیر است: تجربه ترنس، هسته جنسیت‌یابی لاکانی را به چالش می‌کشد؛ پیوند ترنس-روان‌پریشی به‌طرز استثنایی باثبات است؛ گذار از راهبرد تفسیر به وجودشناسی به‌طرز غیرمعمولی آشکار است؛ و سوژه ترنس سخن می‌گوید و وارد فضای طبقه‌بندی می‌شود تا آن را از درون به چالش بکشد. در برابر این بسته‌شدگی‌ها، مقاله بازاندیشی رادیکال را پیشنهاد می‌کند؛ گرایشی برای گشودن دسته‌بندی‌های خود در مواجهه با آنچه هنوز نام‌ناپذیر است. هیولاها هرگز در کسانی که سخن گفتند نبودند، بلکه در قطعیت‌هایی بودند که آن‌ها را تصور کردند.

Objective This study identified latent profiles of sport participation motivation among higher vocational college students and examined their associations with campus sports culture. Methods A cross-sectional online survey was conducted in 2026 among students from three higher vocational colleges in Jiangsu and Zhejiang Provinces using convenience sampling. Campus sports culture and sport participation motivation were assessed using the Campus Sports Culture Scale and the Chinese version of the Behavioral Regulation in Exercise Questionnaire-3. Latent profile analysis was performed in Mplus 8.3, followed by chi-square tests and the R3STEP three-step procedure to examine demographic differences and associations between campus sports culture and profile membership while accounting for classification uncertainty. Results Four motivational profiles were identified: the Low-to-Moderate Flat Profile (5.8%), Autonomous Orientation Profile (33.1%), High Controlled–Amotivation Profile (8.4%), and Moderate Mixed-Motivation Profile (52.6%). The Moderate Mixed-Motivation Profile was the largest subgroup. With the Low-to-Moderate Flat Profile as the reference category, higher overall campus sports culture scores were associated with greater odds of membership in the Autonomous Orientation, High Controlled–Amotivation, and Moderate Mixed-Motivation Profiles, with the strongest association observed for the Autonomous Orientation Profile. At the dimensional level, material culture was associated with all three profiles, whereas spiritual and behavioral culture were associated with the Autonomous Orientation and Moderate Mixed-Motivation Profiles. Institutional culture was not significantly associated with profile membership. Conclusion Sport participation motivation among higher vocational college students showed substantial heterogeneity, with mixed motivational regulation being the most common pattern. Campus sports culture was differentially associated with motivational profile membership, particularly with profiles containing stronger autonomous regulation. These findings suggest that accessible sport resources, an active participation climate, and recognition of sport value may be relevant considerations when developing profile-sensitive physical activity programs in higher vocational colleges.

هدف: این مطالعه به شناسایی نیمرخ‌های پنهان انگیزش مشارکت ورزشی در میان دانشجویان دانشکده‌های فنی و حرفه‌ای پرداخت و ارتباط آن‌ها را با فرهنگ ورزشی دانشگاهی مورد بررسی قرار داد. روش‌ها: یک پیمایش مقطعی آنلاین در سال ۲۰۲۶ در میان دانشجویان سه دانشکده فنی و حرفه‌ای در استان‌های جیانگسو و ژجیانگ با استفاده از نمونه‌گیری در دسترس انجام شد. فرهنگ ورزشی دانشگاهی و انگیزش مشارکت ورزشی با استفاده از مقیاس فرهنگ ورزشی دانشگاهی و نسخه چینی پرسشنامه تنظیم رفتاری در ورزش-۳ (Behavioral Regulation in Exercise Questionnaire-3) ارزیابی شدند. تحلیل نیمرخ پنهان با نرم‌افزار Mplus 8.3 انجام شد و سپس آزمون‌های کای دو و روش سه‌مرحله‌ای R3STEP برای بررسی تفاوت‌های جمعیت‌شناختی و ارتباط بین فرهنگ ورزشی دانشگاهی و عضویت در نیمرخ‌ها با در نظر گرفتن عدم قطعیت طبقه‌بندی به کار رفت. نتایج: چهار نیمرخ انگیزشی شناسایی شد: نیمرخ مسطح پایین تا متوسط (۵.۸٪)، نیمرخ جهت‌گیری خودمختار (۳۳.۱٪)، نیمرخ کنترل‌شده بالا–بی‌انگیزگی (۸.۴٪) و نیمرخ انگیزش مختلط متوسط (۵۲.۶٪). نیمرخ انگیزش مختلط متوسط بزرگ‌ترین زیرگروه بود. با در نظر گرفتن نیمرخ مسطح پایین تا متوسط به عنوان گروه مرجع، نمرات بالاتر فرهنگ ورزشی دانشگاهی با احتمال بیشتر عضویت در نیمرخ‌های جهت‌گیری خودمختار، کنترل‌شده بالا–بی‌انگیزگی و انگیزش مختلط متوسط همراه بود که قوی‌ترین ارتباط برای نیمرخ جهت‌گیری خودمختار مشاهده شد. در سطح ابعادی، فرهنگ مادی با هر سه نیمرخ ارتباط داشت، در حالی که فرهنگ معنوی و رفتاری با نیمرخ‌های جهت‌گیری خودمختار و انگیزش مختلط متوسط مرتبط بودند. فرهنگ نهادی ارتباط معناداری با عضویت در نیمرخ‌ها نداشت. نتیجه‌گیری: انگیزش مشارکت ورزشی در میان دانشجویان دانشکده‌های فنی و حرفه‌ای ناهمگونی قابل توجهی نشان داد و تنظیم انگیزشی مختلط الگوی غالب بود. فرهنگ ورزشی دانشگاهی به طور متفاوتی با عضویت در نیمرخ‌های انگیزشی مرتبط بود، به ویژه با نیمرخ‌هایی که تنظیم خودمختار قوی‌تری داشتند. این یافته‌ها نشان می‌دهد که منابع ورزشی در دسترس، فضای مشارکت فعال و ارزش‌گذاری ورزش می‌تواند در توسعه برنامه‌های فعالیت بدنی حساس به نیمرخ در دانشکده‌های فنی و حرفه‌ای مورد توجه قرار گیرد.

Penelitian ini bertujuan mengembangkan e-booklet yang memenuhi kriteria kelayakan pada materi struktur dan fungsi sel sebagai media pembelajaran untuk meningkatkan literasi digital peserta didik kelas XI SMA. Literasi digital menjadi kompetensi esensial dalam pembelajaran abad ke-21 karena menuntut kemampuan peserta didik dalam mengakses, memahami, serta mengolah informasi secara kritis melalui teknologi digital. Namun demikian, integrasi literasi digital dalam kurikulum masih belum optimal, khususnya pada aspek pencarian informasi di internet, navigasi hiperteks, evaluasi konten, dan penyusunan pengetahuan. Penelitian ini menerapkan model 4D yang terdiri atas tahap define, design, develop, dan disseminate. Instrumen yang digunakan meliputi lembar validasi ahli, angket respon peserta didik, lembar observasi, serta tes literasi digital berupa pre-test dan post-test. Hasil penelitian menunjukkan bahwa e-booklet yang dikembangkan memiliki tingkat validitas sangat tinggi dengan skor 97,5%. Tingkat kepraktisan juga tergolong sangat baik dengan respon peserta didik sebesar 99,5% serta aktivitas belajar mencapai 100%. Selain itu, terjadi peningkatan kemampuan literasi digital dengan kategori tinggi pada seluruh indikator, ditunjukkan oleh rata-rata N-Gain sebesar 0,84. Oleh karena itu, e-booklet ini layak digunakan sebagai media pembelajaran biologi untuk mendukung literasi digital di tingkat sekolah menengah. Kata Kunci: Literasi Digital, E-booklet, Struktur dan Fungsi Sel This research is intended to develop a viable e-booklet focusing on Cell Structure and Function as an instructional medium to improve the digital literacy competencies of eleventh-grade high school students. Digital literacy constitutes a fundamental skill in 21st-century education, as it enables learners to access, analyze, and critically interpret information through digital platforms. Nevertheless, the integration of digital literacy skills into the curriculum remains limited, particularly in areas such as online information retrieval, hypertext navigation, content evaluation, and knowledge construction. This study applied the 4D development model, encompassing the stages of define, design, develop, and disseminate. The instruments utilized included expert validation sheets, student response questionnaires, observation forms, and digital literacy assessments in the form of pre-tests and post-tests aligned with learning objectives and literacy indicators. The findings revealed that the developed e-booklet attained a highly valid classification with a validation score of 97.5%. Its practicality was evidenced by positive student responses (99.5%) and optimal student engagement (100%). Furthermore, the comparison of pre-test and post-test results demonstrated a significant enhancement in digital literacy skills, with a high improvement level across all indicators and an average N-Gain score of 0.84. Thus, the e-booklet is deemed appropriate as a biology learning resource to foster students’ digital literacy within the framework of 21st-century education. Keywords: Digital Literacy, E-booklet, Cell structure and function

این پژوهش با هدف توسعه ای‌بوکلت که دارای معیارهای شایستگی لازم در موضوع ساختار و عملکرد سلول به عنوان رسانه آموزشی برای ارتقاء سواد دیجیتال دانش‌آموزان پایه یازدهم دبیرستان است، انجام شده‌است. سواد دیجیتال به عنوان یکی از شایستگی‌های اساسی در آموزش قرن بیست‌ویکم مطرح می‌شود، چرا که مستلزم توانایی دانش‌آموزان در دسترسی، درک و پردازش انتقادی اطلاعات از طریق فناوری‌های دیجیتال است. با این حال، ادغام سواد دیجیتال در برنامه درسی هنوز به طور مطلوب صورت نگرفته‌است، به ویژه در زمینه‌هایی مانند جستجوی اطلاعات در اینترنت، ناوبری ابرمتن، ارزیابی محتوا و ساخت دانش. این پژوهش از مدل توسعه 4D شامل مراحل تعریف، طراحی، توسعه و اشاعه استفاده کرده‌است. ابزارهای مورد استفاده شامل برگه‌های اعتبارسنجی خبرگان، پرسشنامه‌های پاسخ‌دهی دانش‌آموزان، فرم‌های مشاهده و آزمون‌های سواد دیجیتال به صورت پیش‌آزمون و پس‌آزمون بوده‌است. نتایج پژوهش نشان داد که ای‌بوکلت توسعه‌یافته دارای سطح اعتبار بسیار بالا با امتیاز ۹۷٫۵٪ است. میزان کاربردپذیری نیز بسیار مطلوب ارزیابی شد، به طوری که پاسخ دانش‌آموزان ۹۹٫۵٪ و میزان مشارکت در فعالیت‌های یادگیری ۱۰۰٪ بود. علاوه بر این، افزایش قابل توجهی در توانایی سواد دیجیتال با دسته‌بندی بالا در تمامی شاخص‌ها مشاهده شد، به طوری که میانگین N-Gain برابر با ۰٫۸۴ بود. بنابراین، این ای‌بوکلت به عنوان رسانه آموزشی زیست‌شناسی برای حمایت از سواد دیجیتال در سطح دبیرستان مناسب ارزیابی می‌شود.

Facial expression recognition is an important task in real-time human-computer interaction, but its practical application is still limited by partial facial occlusion, high computational cost, and the lack of fine-grained emotion representation. To address these issues, this paper proposes OQ-FERNet, an occlusion-aware quantitative facial expression recognition network. The proposed network adopts MobileNetV4-Conv-S as a lightweight facial expression feature extraction backbone to obtain compact and discriminative representations with low computational cost. On this basis, an Occlusion-aware Regional Reweighting module is designed to divide the feature map into upper-face, middle-face, and lower-face regions, and adaptively adjust their contributions according to regional reliability. This design suppresses occluded or less informative facial areas while enhancing visible expression-related cues. Furthermore, a Quantitative Emotion Prediction Head is introduced to jointly perform discrete expression classification and emotion intensity estimation, enabling the model to provide both categorical and fine-grained affective outputs. Experiments are conducted on RAF-DB and AffectNet-7. The results show that OQ-FERNet achieves competitive classification performance, improved robustness under different occlusion conditions, and effective quantitative emotion prediction. Specifically, OQ-FERNet obtains 93.12% accuracy on RAF-DB and 68.32% accuracy on AffectNet-7, while achieving an MAE of 0.246, an MSE of 0.101, and an RMSE of 0.318 for quantitative emotion prediction on AffectNet-7. In addition, the model contains only 4.18M parameters and 0.26G FLOPs, with an inference speed of 356 FPS. These results indicate that OQ-FERNet provides an effective and efficient solution for lightweight, occlusion-robust, and fine-grained facial expression recognition in real-time human-computer interaction scenarios. The source code is publicly available at: https://github.com/jiahao001-j/OQ-FERNet .

شناسایی حالات چهره یکی از وظایف مهم در تعامل بلادرنگ انسان و رایانه است، اما کاربرد عملی آن همچنان با محدودیت‌هایی مانند انسداد جزئی چهره، هزینه محاسباتی بالا و فقدان بازنمایی دقیق احساسات مواجه است. برای رفع این مشکلات، این مقاله OQ-FERNet را به عنوان یک شبکه شناسایی کمی حالات چهره با آگاهی از انسداد پیشنهاد می‌کند. این شبکه از MobileNetV4-Conv-S به عنوان یک ستون فقرات سبک برای استخراج ویژگی‌های حالات چهره استفاده می‌کند تا بازنمایی‌های فشرده و متمایز با هزینه محاسباتی پایین به دست آورد. بر این اساس، یک ماژول وزن‌دهی مجدد ناحیه‌ای با آگاهی از انسداد طراحی شده است که نقشه ویژگی را به نواحی بالای چهره، میانه چهره و پایین چهره تقسیم می‌کند و به طور تطبیقی سهم هر ناحیه را بر اساس پایایی ناحیه‌ای تنظیم می‌کند. این طراحی نواحی چهره مسدود یا کم‌اطلاعات را سرکوب کرده و نشانه‌های مرتبط با حالات قابل مشاهده را تقویت می‌کند. علاوه بر این، یک سر پیش‌بینی کمی احساسات معرفی شده است تا به طور همزمان طبقه‌بندی حالات گسسته و برآورد شدت احساسات را انجام دهد و مدل را قادر می‌سازد خروجی‌های عاطفی هم دسته‌ای و هم دقیق ارائه دهد. آزمایش‌ها بر روی پایگاه‌های داده RAF-DB و AffectNet-7 انجام شده است. نتایج نشان می‌دهد که OQ-FERNet عملکرد طبقه‌بندی رقابتی، افزایش تاب‌آوری در شرایط مختلف انسداد و پیش‌بینی مؤثر کمی احساسات را ارائه می‌دهد. به طور خاص، OQ-FERNet به دقت 93.12% در RAF-DB و دقت 68.32% در AffectNet-7 دست یافته است، در حالی که برای پیش‌بینی کمی احساسات در AffectNet-7 به MAE برابر با 0.246، MSE برابر با 0.101 و RMSE برابر با 0.318 دست یافته است. علاوه بر این، مدل تنها شامل 4.18M پارامتر و 0.26G FLOPs است و سرعت استنتاج آن 356 FPS می‌باشد. این نتایج نشان می‌دهد که OQ-FERNet راه‌حلی مؤثر و کارآمد برای شناسایی حالات چهره سبک، مقاوم در برابر انسداد و دقیق در سناریوهای تعامل بلادرنگ انسان و رایانه فراهم می‌کند. کد منبع به صورت عمومی در دسترس است: https://github.com/jiahao001-j/OQ-FERNet .

Context. Automated analysis of sports movements is an important area of modern intelligent computer systems and sports science. In gymnastics, assessing the quality of a performance depends largely on subjective judgment, which limits the accuracy and reproducibility of results. The use of image analysis and artificial intelligence methods opens up the possibility of creating automated systems for recognizing gymnastic elements, but the high dimensionality of visual data complicates the practical implementation of such solutions. This necessitates the search for approaches that increase accuracy and reduce computational complexity.Objective. The purpose of the work is to determine the impact of using the method of main components in combination with deep neural networks on the accuracy, speed and generalization ability of models for classifying gymnastic elements by images.Method. The paper uses an approach that combines the preliminary reduction of the dimensionality of images by the method of main components and subsequent classification using neural networks of different architectures. The study was performed on a set of images of gymnastic elements with preliminary normalization and unification of data. A comparative experimental analysis of models with full and reduced dimensionality of the input space was carried out.Results. The results obtained show that the reduction of dimensionality allows to significantly reduce the computational complexity of models without a significant loss of classification quality. It has been established that the combination of the principal component method with a fully connected neural network provides accuracy comparable to resource-intensive convolutional architectures with significantly lower requirements for computing resources. An optimal balance between preserving the information content of data and noise filtering has been revealed.Conclusions. The scientific novelty of the work lies in the complex experimental substantiation of the effectiveness of the hybrid approach to the classification of gymnastic elements in the compressed feature space. The practical significance of the results lies in the possibility of creating compact and high-speed systems for automated analysis of sports movements, suitable for use in mobile and embedded applications. further work in this direction

زمینه: تحلیل خودکار حرکات ورزشی یکی از حوزه‌های مهم سامانه‌های هوشمند رایانه‌ای و علم ورزش مدرن است. در ژیمناستیک، ارزیابی کیفیت اجرا تا حد زیادی به قضاوت ذهنی وابسته است که این امر دقت و قابلیت تکرار نتایج را محدود می‌کند. استفاده از روش‌های تحلیل تصویر و هوش مصنوعی امکان ایجاد سامانه‌های خودکار برای شناسایی عناصر ژیمناستیکی را فراهم می‌سازد، اما ابعاد بالای داده‌های بصری، پیاده‌سازی عملی چنین راه‌حل‌هایی را پیچیده می‌کند. این امر ضرورت جستجوی رویکردهایی را ایجاب می‌کند که دقت را افزایش داده و پیچیدگی محاسباتی را کاهش دهند. هدف: هدف این پژوهش تعیین تأثیر استفاده از روش مؤلفه‌های اصلی در ترکیب با شبکه‌های عصبی عمیق بر دقت، سرعت و قابلیت تعمیم مدل‌ها برای طبقه‌بندی عناصر ژیمناستیک بر اساس تصاویر است. روش: در این مقاله رویکردی به کار رفته است که کاهش ابعاد اولیه تصاویر با روش مؤلفه‌های اصلی را با طبقه‌بندی پسین با استفاده از شبکه‌های عصبی با معماری‌های مختلف ترکیب می‌کند. مطالعه بر روی مجموعه‌ای از تصاویر عناصر ژیمناستیک با نرمال‌سازی و یکسان‌سازی اولیه داده‌ها انجام شده است. تحلیل تجربی مقایسه‌ای مدل‌ها با فضای ورودی کامل و کاهش‌یافته ابعاد صورت گرفته است. یافته‌ها: نتایج به‌دست‌آمده نشان می‌دهد که کاهش ابعاد به طور معناداری پیچیدگی محاسباتی مدل‌ها را بدون افت قابل توجه کیفیت طبقه‌بندی کاهش می‌دهد. مشخص شد که ترکیب روش مؤلفه‌های اصلی با شبکه عصبی کاملاً متصل، دقتی قابل مقایسه با معماری‌های پیچیده مبتنی بر شبکه عصبی کانولوشنی با نیاز به منابع محاسباتی بسیار کمتر فراهم می‌کند. تعادل بهینه‌ای میان حفظ محتوای اطلاعاتی داده‌ها و پالایش نویز شناسایی شد. نتیجه‌گیری: نوآوری علمی این پژوهش در اثبات تجربی جامع اثربخشی رویکرد ترکیبی برای طبقه‌بندی عناصر ژیمناستیک در فضای ویژگی فشرده نهفته است. اهمیت عملی نتایج در امکان ایجاد سامانه‌های فشرده و پرسرعت برای تحلیل خودکار حرکات ورزشی است که برای استفاده در کاربردهای موبایل و نهفته مناسب می‌باشند. ادامه پژوهش در این زمینه پیشنهاد می‌شود.

Students’ understanding of atomistic concepts remains a central challenge in chemistry education, specifically because it requires the articulation between macroscopic, submicroscopic, and symbolic representations. This study assessed Moroccan upper secondary students’ understanding of atomistic concepts, combined with the investigation of learning practices associated with their scores. The instrument (32 items) showed satisfactory internal consistency, strong item discrimination, and appropriate range of item difficulty. Students’ scores were moderate, with significant differences by grade level and academic track, digital tool, tutoring type, and selfassessment. Exploratory factor analysis suggested a three-dimensional construct involving structural representations and quantitative chemistry, ionic classification and nomenclature, and fundamental atomic concepts. The study findings support the use of diagnostic assessment to identify students’ misconceptions about atomistic concepts.

درک دانش‌آموزان از مفاهیم اتمیستیک همچنان یکی از چالش‌های اساسی در آموزش شیمی است، به‌ویژه به این دلیل که مستلزم پیوند میان بازنمایی‌های ماکروسکوپی، زیرمیکروسکوپی و نمادین می‌باشد. این پژوهش به ارزیابی درک دانش‌آموزان دبیرستانی مراکشی از مفاهیم اتمیستیک، همراه با بررسی شیوه‌های یادگیری مرتبط با نمرات آن‌ها پرداخت. ابزار مورد استفاده (۳۲ گویه) از نظر پایایی درونی رضایت‌بخش، قدرت تمایز گویه‌ها بالا و دامنه مناسبی از دشواری گویه‌ها برخوردار بود. نمرات دانش‌آموزان در حد متوسط بود و تفاوت معناداری بر اساس پایه تحصیلی و رشته تحصیلی، ابزار دیجیتال، نوع آموزش تکمیلی و خودارزیابی مشاهده شد. تحلیل عاملی اکتشافی، ساختاری سه‌بعدی را پیشنهاد داد که شامل بازنمایی‌های ساختاری و شیمی کمی، طبقه‌بندی و نام‌گذاری یونی و مفاهیم بنیادی اتمی می‌شود. یافته‌های پژوهش از کاربرد ارزیابی تشخیصی برای شناسایی تصورات نادرست دانش‌آموزان درباره مفاهیم اتمیستیک حمایت می‌کند.

Despite national aspirations and international obligations to implement inclusive education, educational practices in Saudi Arabia continue to rely on special education and segregated settings for students with disability. While existing research has predominantly focused on school-level barriers, there remains a lack of studies investigating factors that perpetuate special education and segregation at the system level in the Saudi Arabian context. Accordingly, this qualitative study investigated why special education and segregation persist in Saudi Arabia, drawing on the perspectives of education officials. In-depth, semi-structured interviews were conducted with six education officials involved in policy development and implementation, and the data were thematically analysed. A critical perspective on inclusive education informed both the conceptualisation and interpretation of the analysis. Four key themes emerged: reliance on classification, lack of positive attitudes towards inclusive education, avoidance of structural reform, and systemic reproduction of special education and segregation. The study contributes to the literature by suggesting that segregation is reproduced through interconnected institutional mechanisms and system-level priorities that sustain special education and impede inclusive education reform. The findings also highlight how the perceptions and values of those in positions of responsibility may shape system-level decision-making and the maintenance of special and segregated education systems. Future research should therefore examine how decision-makers’ perceptions and values regarding inclusive education might be shifted.

با وجود آرمان‌های ملی و تعهدات بین‌المللی برای اجرای آموزش فراگیر، رویه‌های آموزشی در عربستان سعودی همچنان بر آموزش ویژه و محیط‌های جداسازی‌شده برای دانش‌آموزان دارای معلولیت تکیه دارند. در حالی که پژوهش‌های موجود عمدتاً بر موانع سطح مدرسه تمرکز داشته‌اند، همچنان کمبود مطالعاتی وجود دارد که به بررسی عواملی بپردازند که آموزش ویژه و جداسازی را در سطح نظام در بافت عربستان سعودی تداوم می‌بخشند. بر این اساس، این مطالعه کیفی به بررسی دلایل تداوم آموزش ویژه و جداسازی در عربستان سعودی از منظر مسئولان آموزشی پرداخت. مصاحبه‌های عمیق و نیمه‌ساختاریافته با شش نفر از مسئولان آموزشی که در توسعه و اجرای سیاست‌ها نقش داشتند، انجام شد و داده‌ها به شیوه تحلیل تماتیک بررسی گردید. رویکردی انتقادی نسبت به آموزش فراگیر، هم در مفهوم‌سازی و هم در تفسیر تحلیل، مدنظر قرار گرفت. چهار مضمون کلیدی استخراج شد: اتکا به طبقه‌بندی، فقدان نگرش مثبت نسبت به آموزش فراگیر، اجتناب از اصلاحات ساختاری و بازتولید نظام‌مند آموزش ویژه و جداسازی. این مطالعه با پیشنهاد اینکه جداسازی از طریق سازوکارهای نهادی به‌هم‌پیوسته و اولویت‌های سطح نظام که آموزش ویژه را حفظ و اصلاح آموزش فراگیر را مانع می‌شوند، بازتولید می‌شود، به ادبیات پژوهش می‌افزاید. یافته‌ها همچنین نشان می‌دهند که ادراکات و ارزش‌های افراد دارای مسئولیت می‌تواند تصمیم‌گیری‌های سطح نظام و تداوم نظام‌های آموزش ویژه و جداسازی‌شده را شکل دهد. بنابراین، پژوهش‌های آتی باید بررسی کنند که چگونه می‌توان ادراکات و ارزش‌های تصمیم‌گیرندگان درباره آموزش فراگیر را تغییر داد.

This study aims to comprehensively examine the concept of Darbeyn usûl within the broader framework of usûl theory, which essentially constitutes the foundational rhythmic architecture of traditional Turkish music. Conducted on the primary hypothesis that the phenomenon of Darbeyn usûl inherently provides composers of Turkish music with highly expansive and theoretically open-ended temporal dimension, the research initially explores the traditional classification of usûl and meticulously explicates the underlying theoretical framework of Darbeyn usûl. Historically, the established theoretical literature defines Darbeyn merely as the sequential combination of two or more distinct usûls, strictly confining its practical application to eight specific, formalized combinations. However, the empirical findings of this study critically demonstrate that such a rigid limitation is neither historically accurate nor theoretically conclusive. Driven by these crucial observations, the present study actively seeks to develop a novel, more inclusive approach to the conceptualization and theorization of Darbeyn. Employing a rigorous historical research design, the investigation meticulously analyzes primary sources, specifically examining historical musical scores preserved within the prestigious Cüneyd Kosal and Kemal Batanay archives currently housed at the İSAM Library. Through this detailed archival analysis, the research successfully identifies numerous previously undocumented Darbeyn usûl combinations that constructively challenge conventional rhythmic paradigms. Ultimately, the study concludes that the phenomenon of Darbeyn usûl, by offering composers innumerable and complex rhythmic combinations, in fact generates a vast and combinatorially open-ended rhythmic domain. This expansive domain significantly broadens the compositional palette, thereby enabling profoundly greater flexibility, structural innovation, and relative expressive freedom in the intricate process of aesthetic musical creation.

این پژوهش با هدف بررسی جامع مفهوم اصول ضربین در چارچوب گسترده‌تر نظریه اصول، که اساساً معماری ریتمیک بنیادین موسیقی سنتی ترکی را تشکیل می‌دهد، انجام شده است. پژوهش بر این فرضیه اصلی استوار است که پدیده اصول ضربین ذاتاً بعد زمانی بسیار گسترده و از نظر نظری باز را برای آهنگسازان موسیقی ترکی فراهم می‌کند. در ابتدا، پژوهش به طبقه‌بندی سنتی اصول پرداخته و چارچوب نظری اصول ضربین را با دقت تبیین می‌کند. به طور تاریخی، ادبیات نظری تثبیت‌شده، ضربین را صرفاً به عنوان ترکیب متوالی دو یا چند اصول متمایز تعریف کرده و کاربرد عملی آن را به هشت ترکیب خاص و رسمی محدود می‌کند. با این حال، یافته‌های تجربی این پژوهش به طور انتقادی نشان می‌دهد که چنین محدودیتی نه از نظر تاریخی دقیق است و نه از نظر نظری قطعی. با توجه به این مشاهدات مهم، پژوهش حاضر به دنبال توسعه رویکردی نوین و فراگیرتر در مفهوم‌سازی و نظریه‌پردازی ضربین است. با به‌کارگیری طرح پژوهش تاریخی دقیق، این تحقیق منابع اولیه را به طور موشکافانه تحلیل کرده و به طور خاص به بررسی نت‌های موسیقی تاریخی موجود در آرشیوهای معتبر Cüneyd Kosal و Kemal Batanay که در حال حاضر در کتابخانه İSAM نگهداری می‌شوند، می‌پردازد. از طریق این تحلیل آرشیوی دقیق، پژوهش موفق به شناسایی ترکیبات متعددی از اصول ضربین شده است که پیش‌تر مستندسازی نشده بودند و به طور سازنده‌ای الگوهای ریتمیک متعارف را به چالش می‌کشند. در نهایت، پژوهش نتیجه می‌گیرد که پدیده اصول ضربین با ارائه ترکیبات ریتمیک بی‌شمار و پیچیده به آهنگسازان، در واقع حوزه‌ای ریتمیک وسیع و از نظر ترکیبی باز ایجاد می‌کند. این حوزه گسترده به طور قابل توجهی دامنه ترکیب را گسترش داده و در نتیجه امکان انعطاف‌پذیری بیشتر، نوآوری ساختاری و آزادی نسبی بیان را در فرآیند پیچیده خلق زیبایی‌شناسانه موسیقی فراهم می‌آورد.

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).

Background Handwriting is central to children's written-language development, but conventional assessment usually emphasizes the completed product and provides limited information about the processes that produced it. Digital technologies can capture handwriting as an unfolding motor and orthographic activity. Objective This scoping review mapped technologies for capturing children's handwriting process data, the raw signals and derived features obtained, the assessment constructs supported by process measures, and their educational, developmental, and clinical applications. Methods Following scoping-review guidance and PRISMA-ScR, we searched Scopus, PubMed, ERIC, Web of Science Core Collection, and IEEE Xplore and conducted backward citation searching of 11 relevant review or framework articles. Of 198 reports sought for full-text assessment, one could not be retrieved, 197 were assessed, 39 were excluded, and 158 were included. All included reports were charted with the same 16-field framework. Independent verification by a second researcher covered randomly selected samples of 40 of 197 full-text eligibility decisions (20.3%; 97.5% agreement; Cohen's κ = 0.918) and 32 of 158 extractions (20.3%). Results Digitizing or graphics tablets were used in 136 reports (86.1%), and 117 (74.1%) used Wacom hardware. Position or trajectory (145, 91.8%) and time or timestamps (124, 78.5%) were the most common raw signals, followed by pen pressure or normal force (82, 51.9%) and pen-state or in-air information (71, 44.9%). Common derived feature families included speed or velocity (97, 61.4%), temporal or duration measures (84, 53.2%), spatial or geometric measures (67, 42.4%), and pressure- or force-derived measures (59, 37.3%). Developmental or normative characterization (75, 47.5%) and clinical characterization or differential assessment (74, 46.8%) were the most frequent applications. Latin-alphabetic handwriting appeared in 114 reports (72.2%), followed by Hebrew (23, 14.6%), Chinese (19, 12.0%), and Arabic (5, 3.2%). Conclusions Digital handwriting assessment is well established in process capture but less consistently translated into applied educational or clinical decisions. Classification performance should not be equated with diagnostic validity. A theory-informed and review-refined four-level framework organizes raw signals, derived features, assessment constructs, and empirical interpretation or action without implying a validated developmental or psychometric hierarchy.

زمینه و هدف: دست‌خط نقش مرکزی در رشد زبان نوشتاری کودکان دارد، اما ارزیابی‌های متداول معمولاً بر محصول نهایی تأکید می‌کنند و اطلاعات محدودی درباره فرایندهایی که به تولید آن منجر شده‌اند ارائه می‌دهند. فناوری‌های دیجیتال قادرند دست‌خط را به عنوان یک فعالیت حرکتی و املایی در حال شکل‌گیری ثبت کنند. هدف: این مرور گسترده به شناسایی فناوری‌های ثبت داده‌های فرایندی دست‌خط کودکان، سیگنال‌های خام و ویژگی‌های استخراج‌شده، سازه‌های ارزیابی پشتیبانی‌شده توسط سنجه‌های فرایندی و کاربردهای آموزشی، رشدی و بالینی آن‌ها پرداخت. روش‌ها: با پیروی از راهنمای مرور گسترده و PRISMA-ScR، پایگاه‌های Scopus، PubMed، ERIC، Web of Science Core Collection و IEEE Xplore جست‌وجو شدند و جست‌وجوی ارجاعات معکوس ۱۱ مقاله مروری یا چارچوبی مرتبط انجام شد. از میان ۱۹۸ گزارش مورد بررسی برای ارزیابی متن کامل، یک مورد قابل بازیابی نبود، ۱۹۷ مورد ارزیابی شدند، ۳۹ مورد حذف شدند و ۱۵۸ مورد وارد مطالعه شدند. همه گزارش‌های واردشده با یک چارچوب ۱۶ بخشی یکسان ثبت شدند. راستی‌آزمایی مستقل توسط پژوهشگر دوم بر روی نمونه‌های تصادفی ۴۰ تصمیم صلاحیت متن کامل از ۱۹۷ مورد (۲۰.۳٪؛ توافق ۹۷.۵٪؛ کاپای Cohen's κ = ۰.۹۱۸) و ۳۲ استخراج از ۱۵۸ مورد (۲۰.۳٪) انجام شد. یافته‌ها: در ۱۳۶ گزارش (۸۶.۱٪) از تبلت‌های دیجیتایزر یا گرافیکی استفاده شد و ۱۱۷ مورد (۷۴.۱٪) از سخت‌افزار Wacom بهره بردند. موقعیت یا مسیر (۱۴۵ مورد، ۹۱.۸٪) و زمان یا برچسب‌های زمانی (۱۲۴ مورد، ۷۸.۵٪) رایج‌ترین سیگنال‌های خام بودند و پس از آن فشار قلم یا نیروی عمودی (۸۲ مورد، ۵۱.۹٪) و اطلاعات وضعیت قلم یا در هوا (۷۱ مورد، ۴۴.۹٪) قرار داشتند. خانواده‌های رایج ویژگی‌های استخراج‌شده شامل سرعت یا تندی (۹۷ مورد، ۶۱.۴٪)، سنجه‌های زمانی یا مدت (۸۴ مورد، ۵۳.۲٪)، سنجه‌های فضایی یا هندسی (۶۷ مورد، ۴۲.۴٪) و سنجه‌های مبتنی بر فشار یا نیرو (۵۹ مورد، ۳۷.۳٪) بودند. بیشترین کاربردها، توصیف رشدی یا هنجاری (۷۵ مورد، ۴۷.۵٪) و توصیف بالینی یا ارزیابی افتراقی (۷۴ مورد، ۴۶.۸٪) بود. دست‌خط الفبای لاتین در ۱۱۴ گزارش (۷۲.۲٪) مشاهده شد و پس از آن عبری (۲۳ مورد، ۱۴.۶٪)، چینی (۱۹ مورد، ۱۲.۰٪) و عربی (۵ مورد، ۳.۲٪) قرار داشتند. نتیجه‌گیری: ارزیابی دیجیتال دست‌خط در ثبت فرایند به خوبی تثبیت شده است اما کمتر به تصمیمات کاربردی آموزشی یا بالینی ترجمه شده است. عملکرد طبقه‌بندی نباید معادل روایی تشخیصی تلقی شود. یک چارچوب چهارسطحی مبتنی بر نظریه و اصلاح‌شده توسط مرور، سیگنال‌های خام، ویژگی‌های استخراج‌شده، سازه‌های ارزیابی و تفسیر یا اقدام تجربی را سازمان‌دهی می‌کند بدون آنکه سلسله‌مراتب رشدی یا روان‌سنجی روایی‌شده‌ای را القا کند.