Usability

This study examined the usability of Information and Communications Technology (ICT) tools, teacher cognition regarding ICT integration, and students’ technical proficiency in Electrical Installation and Maintenance (EIM) among junior high school students in pasig. Specifically, it investigated how teachers use simulation software, computer-aided design (CAD) tools, and instructional videos/multimedia resources, the relationship between ICT usability and teacher cognition, and the influence of teacher demographics on these variables. A descriptive-correlational research design was employed, with data collected from 33 teacher-respondents through total enumeration, representing the entire available population of EIM educators in the selected schools. Statistical analyses, including means, standard deviations, t-tests, ANOVA, and pearson correlation, were used to interpret the results. Findings revealed that teachers extensively used instructional videos and multimedia resources, while simulation software and CAD tools were underutilized. Teacher cognition regarding ICT integration was generally high in multimedia resources but low for specialized CAD tools in terms of awareness, knowledge, and operational skills. Students demonstrated proficiency in wiring diagram accuracy and installation skills and were highly proficient in safety practices. Significant differences in ICT usability and teacher cognition were influenced by age, sex, grade level taught, and years of teaching experience, whereas students’ technical proficiency was not significantly affected by these demographic factors. Correlational analysis showed that simulation software, CAD tools, and multimedia resources positively influenced teacher cognition, while only instructional videos and multimedia resources significantly impacted students’ safety practices. Based on these findings, a blended ICT-based instructional framework was proposed, integrating simulation software, CAD tools, and multimedia resources with hands-on practice, assessment, and feedback to enhance both teacher competence and student technical proficiency. This study highlights the importance of ICT integration in technical education, emphasizing that teacher competence with ICT tools enhances instructional delivery, while practical application remains essential for developing students’ technical skills in EIM.

Introduction Transgender and gender diverse (TGD) older adults in the United States (U.S.) face barriers to accessing health information and resources they need to make informed healthcare decisions. More resources are needed to promote their agency and preparedness to navigate an increasingly complex healthcare system and sociopolitical landscape. The purpose of this study was to develop a testable web-based resource to support informed healthcare decision-making for TGD older adults. Methods This multimethod co-design study integrated a human-centered design approach that centered the perspectives of TGD older adults in the research process. In the prototyping and testing phases of the study, TGD adults and multidisciplinary professionals from across the U.S. were enrolled to co-develop a web-based resource with the research team during individual and paired interviews. Participants also completed a demographic questionnaire and a website usability survey. Thematic analysis of qualitative data was used to identify design themes, which guided iterative prototyping of the web-based resource. Quantitative data were analyzed descriptively. Complementary data from the usability survey and participant interviews were integrated in a joint display. Results A total of 27 participants, of whom 14 (52%) were TGD older adults, enrolled in the prototyping and testing phases. Analysis of qualitative data across both phases yielded five design themes that structured the development of a functional web-based resource: (1) Facilitating healthcare decisions through information and resources; (2) Organizing complex content with clarity and inclusivity; (3) Maintaining security, accessibility, and navigability; (4) Phasing rollout to communities and organizations; and (5) Planning for leadership, stewardship, and partnership. In the prototyping phase, three low- and mid-fidelity prototypes of a health information and resources website for TGD older adults were developed. In the testing phase, participants trialed a mid-fidelity prototype of the website, and their recommendations for improvements were integrated into a high-fidelity prototype for dissemination. Conclusion This study is one of few studies using participatory methods to engage TGD older adults in public health research. Through the development of a health information and resources website, this study demonstrates an innovative and feasible community-based co-design approach to addressing barriers affecting healthcare decision-making for TGD older adults.

Selecting a colour palette that suits its design context (application domain, audience, and accessibility profile) affects usability, engagement, and accessibility, yet remains a difficult computational problem. Vision–language models (VLMs) have improved performance on this task but share three limitations: deterministic outputs cannot represent the variance inherent in a design brief, single-scalar training fixes the harmony–accessibility trade-off at training time, and post-hoc context filtering leaves the generator itself context-blind. We argue that these limitations stem from the output representation rather than the encoder. CAIM (Context-Aware Intelligent palette Modelling) represents palettes as a context-conditional Gaussian mixture in CIELAB whose parameters are predicted from frozen vision–language embeddings by a learned head. It refines sampled candidates under five objectives designed to target distinct and complementary mathematical features with reference-direction-based many-objective optimisation and ranks them with a context-conditioned selection rule. On four public datasets and a 3200-scenario context-rich dataset, CAIM achieves up to 23% higher predicted ratings than the strongest baseline, a 22-percentage-point gain in APCA readability over the strongest baseline, and a Pareto hypervolume 34% larger than the convex hull of baseline solutions, at 1.6 s per scenario. Modelling VLM-conditioned generation as a context-conditional distribution is promising for design tasks with inherently uncertain outputs.

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

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

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

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

Computer science students are required to master data structures and algorithms, yet learning these topics often presents significant cognitive challenges. This study investigates whether a bundled package of adaptive personalization is associated with learning outcomes, perceived workload, and usability, using an existing educational visualization tool called VZOU (Visualization Zone of Understanding). The enhanced adaptive version of VZOU incorporates personalized learning paths structured around a visible learning progression map, enabling learners to monitor their progress, identify gaps, and take ownership of their learning path. Basic gamification features, Bloom-aligned progressive sequencing, and topic-specific formative quizzes are designed to support self-regulated learning through immediate feedback and motivational reinforcement. In a between-subjects study (N = 55), we compared control, non-adaptive, and adaptive groups. The adaptive group scored significantly higher on the post-test than the non-adaptive and control groups (mean 89.3 vs. 73.3 and 71.0 out of 100, respectively), and showed numerically but not statistically higher usability scores (SUS). Perceived mental workload showed a mixed pattern: the overall six-subscale NASA-TLX composite did not differ significantly by condition, though Mental Demand specifically was significantly higher in the adaptive group than in the control group, and a workload composite excluding self-rated success also differed significantly across conditions. The bundled adaptive VZOU package, combining a diagnostic-driven graph, gated progression, formative quizzes, and gamification, was associated with higher post-test performance, while raising certain aspects of perceived workload. As these components were not manipulated independently, the estimate reflects the package as a whole, not any single element.

دانشجویان علوم کامپیوتر ملزم به تسلط بر ساختمان داده‌ها و الگوریتم‌ها هستند، اما یادگیری این مباحث اغلب با چالش‌های شناختی قابل توجهی همراه است. این پژوهش بررسی می‌کند که آیا یک بسته جامع شخصی‌سازی تطبیقی با پیامدهای یادگیری، بار ادراک‌شده و قابلیت استفاده ارتباط دارد یا خیر، و از یک ابزار تجسم آموزشی موجود به نام VZOU (منطقه تجسم فهم) استفاده می‌کند. نسخه تطبیقی پیشرفته VZOU مسیرهای یادگیری شخصی‌سازی‌شده‌ای را در قالب یک نقشه پیشرفت یادگیری قابل مشاهده ارائه می‌دهد که به یادگیرندگان امکان می‌دهد پیشرفت خود را پایش کنند، شکاف‌ها را شناسایی نمایند و مالکیت مسیر یادگیری خود را بر عهده گیرند. ویژگی‌های ابتدایی بازی‌وارسازی، توالی تدریجی منطبق با بلوم و آزمون‌های تکوینی موضوع‌محور به منظور حمایت از یادگیری خودتنظیمی از طریق بازخورد فوری و تقویت انگیزشی طراحی شده‌اند. در یک مطالعه بین‌گروهی (N = ۵۵)، گروه کنترل، غیرتطبیقی و تطبیقی با یکدیگر مقایسه شدند. گروه تطبیقی در آزمون پس از مداخله به طور معناداری نمره بالاتری نسبت به گروه‌های غیرتطبیقی و کنترل کسب کرد (میانگین ۸۹٫۳ در مقابل ۷۳٫۳ و ۷۱٫۰ از ۱۰۰، به ترتیب) و همچنین از نظر نمرات قابلیت استفاده (SUS) به صورت عددی اما نه معنادار آماری بالاتر بود. بار ذهنی ادراک‌شده الگوی ترکیبی نشان داد: ترکیب شش‌زیرمقیاس NASA-TLX به طور معناداری بر اساس شرایط تفاوت نداشت، اگرچه تقاضای ذهنی به طور خاص در گروه تطبیقی نسبت به گروه کنترل به طور معناداری بالاتر بود و ترکیب بار کاری بدون موفقیت خودارزیابی‌شده نیز به طور معناداری بین شرایط تفاوت داشت. بسته تطبیقی VZOU که ترکیبی از نمودار مبتنی بر تشخیص، پیشرفت مرحله‌ای، آزمون‌های تکوینی و بازی‌وارسازی است، با عملکرد بالاتر در آزمون پس از مداخله همراه بود، در حالی که برخی جنبه‌های بار ادراک‌شده را افزایش داد. از آنجا که این مؤلفه‌ها به طور مستقل دستکاری نشدند، این برآورد منعکس‌کننده بسته به طور کلی است، نه هیچ عنصر منفردی.

Artificial intelligence (AI)-assisted digital mental health interventions are being increasingly discussed as a potential strategy for improving access to psychological support among adolescents with anxiety symptoms and anxiety disorders. Their possible advantages include flexible availability, reduced barriers to help-seeking, psychoeducation, symptom monitoring, CBT-informed exercises, conversational interaction, and personalized feedback. However, their clinical role remains insufficiently defined, particularly regarding efficacy, safety, ethical governance, and the distinction between digital support and psychotherapy in the traditional clinical sense. This narrative review examines current evidence and conceptual debates regarding AI-assisted digital interventions relevant to adolescent anxiety disorders, with a focus on usability, acceptability, preliminary efficacy, safety, ethical and legal considerations, and human clinical oversight. Available literature suggests that conversational agents and CBT-informed digital tools may provide low-threshold support and may reduce the symptoms of anxiety, depression, or general emotional distress in some users. Nevertheless, existing evidence remains heterogeneous and preliminary, often relying on young adult, mixed-age, non-clinical, or transdiagnostic samples, short follow-up periods, and self-report outcomes. Direct evidence for AI-assisted interventions specifically in adolescents with formally diagnosed anxiety disorders remains limited, and findings from broader youth, young adult, mixed-age, or transdiagnostic samples should not be directly generalized to this clinical population. It should not be considered a replacement for therapist-delivered psychotherapy, clinical assessment, or specialist child and adolescent mental health care. Their most appropriate current role is as adjunctive or supportive tools within supervised, stepped-care, or blended-care models. Future research should include adolescent-specific clinical trials, anxiety-focused outcomes, longer follow-up, systematic safety reporting, and clear evaluation of human oversight models. AI-assisted digital interventions may help reduce parts of the adolescent mental health treatment gap; however, their use must remain evidence-informed, developmentally sensitive, ethically regulated, and clinically supervised.

مداخلات سلامت روان دیجیتال با کمک هوش مصنوعی (AI) به طور فزاینده‌ای به عنوان راهبردی بالقوه برای بهبود دسترسی نوجوانان دارای علائم اضطراب و اختلالات اضطرابی به حمایت روان‌شناختی مورد بحث قرار گرفته‌اند. مزایای احتمالی این مداخلات شامل دسترسی انعطاف‌پذیر، کاهش موانع جستجوی کمک، آموزش روانی، پایش علائم، تمرینات مبتنی بر درمان شناختی-رفتاری (CBT)، تعامل مکالمه‌ای و بازخورد شخصی‌سازی‌شده است. با این حال، نقش بالینی آن‌ها همچنان به طور کافی تعریف نشده است، به ویژه در زمینه اثربخشی، ایمنی، حاکمیت اخلاقی و تمایز میان حمایت دیجیتال و روان‌درمانی به معنای بالینی سنتی. این مرور روایتی به بررسی شواهد موجود و مباحث مفهومی پیرامون مداخلات دیجیتال با کمک هوش مصنوعی مرتبط با اختلالات اضطرابی نوجوانان می‌پردازد، با تمرکز بر قابلیت استفاده، پذیرش، اثربخشی مقدماتی، ایمنی، ملاحظات اخلاقی و حقوقی و نظارت بالینی انسانی. ادبیات موجود نشان می‌دهد که عامل‌های مکالمه‌ای و ابزارهای دیجیتال مبتنی بر درمان شناختی-رفتاری (CBT) ممکن است حمایت با آستانه پایین فراهم کنند و علائم اضطراب، افسردگی یا پریشانی هیجانی کلی را در برخی کاربران کاهش دهند. با این حال، شواهد موجود ناهمگون و مقدماتی باقی مانده و اغلب بر نمونه‌های بزرگسال جوان، گروه‌های سنی مختلط، نمونه‌های غیر بالینی یا فراتشخیصی، دوره‌های پیگیری کوتاه و نتایج خودگزارشی متکی است. شواهد مستقیم برای مداخلات با کمک هوش مصنوعی به طور خاص در نوجوانان با اختلالات اضطرابی تشخیص‌گذاری‌شده به طور رسمی محدود است و یافته‌های حاصل از نمونه‌های وسیع‌تر جوانان، بزرگسالان جوان، گروه‌های سنی مختلط یا فراتشخیصی نباید مستقیماً به این جمعیت بالینی تعمیم داده شود. این مداخلات نباید جایگزین روان‌درمانی ارائه‌شده توسط درمانگر، ارزیابی بالینی یا مراقبت تخصصی سلامت روان کودک و نوجوان تلقی شود. مناسب‌ترین نقش فعلی آن‌ها به عنوان ابزارهای کمکی یا حمایتی در چارچوب مدل‌های مراقبت پله‌ای، تلفیقی یا تحت نظارت است. پژوهش‌های آینده باید شامل کارآزمایی‌های بالینی ویژه نوجوانان، نتایج متمرکز بر اضطراب، پیگیری طولانی‌تر، گزارش‌دهی نظام‌مند ایمنی و ارزیابی شفاف مدل‌های نظارت انسانی باشد. مداخلات دیجیتال با کمک هوش مصنوعی ممکن است به کاهش بخشی از فاصله درمان سلامت روان نوجوانان کمک کند؛ با این حال، استفاده از آن‌ها باید مبتنی بر شواهد، حساس به رشد، تحت نظارت اخلاقی و با نظارت بالینی باقی بماند.

In recent years, serious games have gained increasing attention as effective tools for supporting learning and assessing emerging cognitive skills in early educational settings. Within this perspective, the present study introduces Starlex, a serious game designed to screen pre-literacy skills in children aged 5–7 years, a critical stage for the development of foundational reading and writing abilities. Developed within a PNRR-funded project, the game comprises four mini-games aimed at assessing key predictors of reading acquisition, including visual discrimination and working memory. Following an initial phase of playability and usability testing, Starlex was administered to a pilot sample of 84 children in early education contexts. Game-based performance was compared with standardized assessments targeting the same cognitive domains. Findings indicate that Starlex provides a promising and engaging approach to the early identification of learning-related difficulties, showing good alignment with traditional measures, as well as satisfactory levels of usability and acceptance among young learners. While further refinements are needed to enhance the robustness of the tool, its replicability emerges as a key feature, supporting sustained engagement and enabling continuous observation of children’s performance over time. Overall, this study highlights the potential of serious games as complementary tools for formative assessment and early screening within educational environments, contributing to more accessible and child-friendly evaluation practices.

در سال‌های اخیر، بازی‌های جدی به عنوان ابزارهایی مؤثر برای حمایت از یادگیری و ارزیابی مهارت‌های شناختی نوظهور در محیط‌های آموزشی ابتدایی، توجه فزاینده‌ای را به خود جلب کرده‌اند. در این راستا، مطالعه حاضر بازی جدی Starlex را معرفی می‌کند که با هدف غربالگری مهارت‌های پیش‌سوادآموزی در کودکان ۵ تا ۷ ساله، یعنی مرحله‌ای حیاتی برای رشد توانایی‌های پایه خواندن و نوشتن، طراحی شده است. این بازی که در قالب پروژه‌ای با حمایت مالی PNRR توسعه یافته است، شامل چهار بازی کوچک است که به ارزیابی پیش‌بینی‌کننده‌های کلیدی اکتساب خواندن، از جمله تمایز دیداری و حافظه کاری می‌پردازد. پس از مرحله اولیه آزمون قابلیت بازی و قابلیت استفاده، Starlex بر روی نمونه مقدماتی ۸۴ کودک در محیط‌های آموزشی ابتدایی اجرا شد. عملکرد مبتنی بر بازی با ارزیابی‌های استانداردشده که حوزه‌های شناختی مشابهی را هدف قرار می‌دهند، مقایسه شد. یافته‌ها نشان می‌دهند که Starlex رویکردی نویدبخش و جذاب برای شناسایی زودهنگام دشواری‌های مرتبط با یادگیری فراهم می‌کند و هم‌راستایی خوبی با سنجه‌های سنتی و همچنین سطوح رضایت‌بخش قابلیت استفاده و پذیرش در میان یادگیرندگان خردسال نشان می‌دهد. اگرچه بهبودهای بیشتری برای افزایش استحکام ابزار مورد نیاز است، اما قابلیت تکرارپذیری آن به عنوان ویژگی کلیدی مطرح می‌شود که از مشارکت پایدار حمایت کرده و امکان مشاهده مستمر عملکرد کودکان در طول زمان را فراهم می‌کند. در مجموع، این مطالعه بر پتانسیل بازی‌های جدی به عنوان ابزارهای مکمل برای ارزیابی تکوینی و غربالگری زودهنگام در محیط‌های آموزشی تأکید می‌کند و به ارتقای شیوه‌های ارزیابی در دسترس‌تر و دوستدار کودک کمک می‌کند.

Introduction This study investigates the effect of project-based learning (PjBL), integrated with the Technology Acceptance Model (TAM), on university students' self-regulated learning (SRL), with particular attention to the mediating roles of perceived usefulness (PU) and perceived ease of use (PEOU). Methods A quantitative explanatory design was employed using covariance-based structural equation modeling (CB-SEM). Data were collected from 250 undergraduate students enrolled in an educational technology programme using a validated questionnaire measuring PjBL implementation, PU, PEOU, and SRL. Results The findings showed that PjBL had a significant direct effect on SRL ( β = 0.41, p < 0.001). PjBL also demonstrated significant indirect effects on SRL through PU ( β = 0.19) and PEOU ( β = 0.15), with a combined indirect effect of β = 0.34, accounting for 45.3% of the total effect ( β = 0.75). Since the direct effect remained significant after both mediators were included, the results indicate complementary partial mediation rather than full mediation. Discussion and Conclusion The findings suggest that technology acceptance constitutes a substantial, but not exclusive, mechanism through which technology-supported PjBL enhances students' self-regulated learning, particularly in goal setting, self-monitoring, time management, motivation, and reflective learning. The study extends the application of TAM beyond technology adoption by demonstrating its explanatory role in understanding the development of SRL in higher education.

مقدمه: این مطالعه به بررسی تأثیر یادگیری مبتنی بر پروژه (PjBL) که با مدل پذیرش فناوری (TAM) تلفیق شده است، بر یادگیری خودتنظیمی (SRL) دانشجویان دانشگاه می‌پردازد و به طور ویژه نقش‌های میانجی‌گری ادراک سودمندی (PU) و ادراک سهولت استفاده (PEOU) را مورد توجه قرار می‌دهد. روش‌ها: از طرح کمی تبیینی با استفاده از مدل‌یابی معادلات ساختاری مبتنی بر کوواریانس (CB-SEM) استفاده شد. داده‌ها از ۲۵۰ دانشجوی کارشناسی رشته فناوری آموزشی با استفاده از پرسشنامه‌ای معتبر که میزان اجرای PjBL، PU، PEOU و SRL را اندازه‌گیری می‌کرد، جمع‌آوری شد. یافته‌ها: نتایج نشان داد که PjBL تأثیر مستقیم معناداری بر SRL دارد (β = 0.41, p < 0.001). همچنین، PjBL تأثیرات غیرمستقیم معناداری بر SRL از طریق PU (β = 0.19) و PEOU (β = 0.15) نشان داد و اثر غیرمستقیم ترکیبی برابر با β = 0.34 بود که ۴۵.۳٪ از کل اثر (β = 0.75) را تشکیل می‌دهد. از آنجا که اثر مستقیم پس از وارد کردن هر دو میانجی همچنان معنادار باقی ماند، نتایج حاکی از میانجی‌گری جزئی مکمل و نه میانجی‌گری کامل است. بحث و نتیجه‌گیری: یافته‌ها نشان می‌دهد که پذیرش فناوری سازوکاری اساسی اما نه انحصاری است که از طریق آن یادگیری مبتنی بر پروژه با پشتیبانی فناوری، یادگیری خودتنظیمی دانشجویان را به ویژه در زمینه هدف‌گذاری، خودنظارتی، مدیریت زمان، انگیزش و یادگیری تأملی ارتقا می‌دهد. این مطالعه کاربرد مدل پذیرش فناوری را فراتر از پذیرش فناوری گسترش داده و نقش تبیینی آن را در فهم توسعه یادگیری خودتنظیمی در آموزش عالی نشان می‌دهد.

Generative artificial intelligence (GenAI), including large language models and large multimodal models, is increasingly used to support psychological assessment and digital mental health measurement. This review proposes a lifecycle framework for evaluating these uses without weakening psychometric standards. The framework covers construct definition; item, prompt, indicator, or signal generation; evaluation of content, response processes, usability, and data quality; piloting and calibration; validation; fairness and measurement invariance; scoring and interpretation; documentation; and post-deployment monitoring. We argue that digital traces from smartphones, chatbots, ecological momentary assessment, wearables, social media, clinical notes, and multimodal systems should not be treated as psychometric measures by default. They should remain raw data, candidate indicators, or algorithmic scores until their construct interpretation and intended use are theoretically specified, technically verified, empirically calibrated, and validated with human data. GenAI may help generate candidate items, refine wording, classify open-text responses, extract structured information, support multimodal integration, and assist scoring under explicit rules. These uses may improve efficiency and scale, but they do not establish validity, objectivity, fairness, or clinical meaning. We distinguish two complementary facets: GenAI for psychometrics, in which models support measurement development and scoring, and psychometrics for GenAI, in which psychometric methods evaluate model behavior when LLMs are part of measurement workflows. Key risks include construct drift, face validity without structural validity, compressed variability in synthetic respondents, algorithmic bias, lack of invariance, prompt sensitivity, model drift, automation bias, data-security and privacy failures, and loss of subjectivity and disagreement. Responsible use requires human oversight, transparent reporting, validation with human data, fairness evaluation, secure data governance, and continuous monitoring. GenAI should augment, not replace, psychometric science.

هوش مصنوعی مولد (GenAI)، شامل مدل‌های زبانی بزرگ و مدل‌های چندوجهی بزرگ، به طور فزاینده‌ای برای پشتیبانی از ارزیابی روان‌شناختی و سنجش سلامت روان دیجیتال مورد استفاده قرار می‌گیرد. این مرور، چارچوبی مبتنی بر چرخه عمر را برای ارزیابی این کاربردها بدون تضعیف استانداردهای روان‌سنجی پیشنهاد می‌کند. این چارچوب شامل تعریف سازه؛ تولید ماده، محرک، شاخص یا سیگنال؛ ارزیابی محتوا، فرآیندهای پاسخ‌دهی، قابلیت استفاده و کیفیت داده؛ اجرای آزمایشی و کالیبراسیون؛ روایی؛ انصاف و ناوریانس سنجش؛ نمره‌گذاری و تفسیر؛ مستندسازی؛ و پایش پس از استقرار است. ما استدلال می‌کنیم که ردپاهای دیجیتال از تلفن‌های هوشمند، چت‌بات‌ها، ارزیابی لحظه‌ای بوم‌شناختی، پوشیدنی‌ها، شبکه‌های اجتماعی، یادداشت‌های بالینی و سامانه‌های چندوجهی نباید به طور پیش‌فرض به عنوان مقیاس‌های روان‌سنجی تلقی شوند. آن‌ها باید تا زمانی که تفسیر سازه‌ای و کاربرد مورد نظرشان به طور نظری مشخص، به لحاظ فنی تأیید، به طور تجربی کالیبره و با داده انسانی روایی‌یابی نشده‌اند، به عنوان داده خام، شاخص‌های پیشنهادی یا نمرات الگوریتمی باقی بمانند. GenAI می‌تواند در تولید مواد پیشنهادی، اصلاح واژگان، طبقه‌بندی پاسخ‌های متنی باز، استخراج اطلاعات ساختاریافته، پشتیبانی از ادغام چندوجهی و کمک به نمره‌گذاری بر اساس قواعد صریح نقش‌آفرینی کند. این کاربردها ممکن است کارایی و مقیاس را بهبود بخشند، اما روایی، عینیت، انصاف یا معنای بالینی را تضمین نمی‌کنند. ما دو جنبه مکمل را متمایز می‌کنیم: GenAI برای روان‌سنجی، که در آن مدل‌ها از توسعه سنجش و نمره‌گذاری پشتیبانی می‌کنند، و روان‌سنجی برای GenAI، که در آن روش‌های روان‌سنجی رفتار مدل را زمانی که LLMها بخشی از جریان‌های کاری سنجش هستند، ارزیابی می‌کنند. مخاطرات کلیدی شامل رانش سازه، روایی صوری بدون روایی ساختاری، کاهش تنوع در پاسخ‌دهندگان مصنوعی، سوگیری الگوریتمی، فقدان ناوریانس، حساسیت به محرک، رانش مدل، سوگیری اتوماسیون، شکست‌های امنیت و حریم خصوصی داده و از دست رفتن ذهنیت و اختلاف نظر است. استفاده مسئولانه مستلزم نظارت انسانی، گزارش‌دهی شفاف، روایی‌یابی با داده انسانی، ارزیابی انصاف، حاکمیت امن داده و پایش مستمر است. GenAI باید مکمل علم روان‌سنجی باشد، نه جایگزین آن.