privacy

This paper presents a practice‑driven software engineering course model that centers the curriculum on multi‑term, client‑partnered projects to cultivate real‑world design, teamwork, and delivery skills at undergraduate scale. The approach combines a shared web application stack, agile project management with iterative demos and retrospectives, and remote mentorship from industry alumni to provide authentic exposure to legacy code, stakeholder communication, and production‑like workflows. Operational experiences (“war stories”) surface recurring risks credential leakage, privacy missteps, shifting stakeholder expectations, and deployment hurdles and translate them into actionable process controls such as time‑boxing, version‑control discipline, and early environment planning. Reported outcomes highlight growth in technical execution and soft skills, increased student ownership through community impact, and a repeatable structure that decouples principles from practicum to support continuity across semesters. The paper concludes with adoption guidance on partner selection, mentor recruitment, and technology standardization to help programs embed authentic, sustainable project work as a centerpiece of software engineering education.

Mental health systems face a persistent gap in accessible, continuous, and person-centred support. Conversational AI can expand access to psychoeducation, emotional check-ins, self-management, and service navigation, but may also introduce risks of digital exclusion, cultural mismatch, privacy concerns, unsafe advice, and overreliance on automation. This paper develops a conceptual framework integrating Orange Technology, which promotes emotional wellbeing, cultural sensitivity, social connectedness, and resilience, with empathetic AI for mental health support. An integrative literature review examined peer-reviewed systematic reviews and WHO and UN guidance published from 2021 to 2026. Evidence suggests that conversational AI can improve depression, distress, anxiety, and engagement, although effects are heterogeneous and may decline over time. Personalization and empathic interaction may enhance engagement, while the framework's effects on community resilience, cultural sensitivity, and community resource integration require further empirical validation. The framework therefore positions AI as a supportive, human-in-the-loop layer rather than a replacement for clinicians, families, peers, or communities. It connects emotional sensing, empathetic dialogue, personalized support, escalation pathways, community connection, inclusive access, and governance, while aligning mental health innovation with SDG 3, 9, and 17.

The development of artificial intelligence in education opens up opportunities to support learning while also raising ethical issues related to academic integrity and students’ digital responsibility. This article aims to analyze the role of character education as a foundation for guiding the use of artificial intelligence in relation to these two aspects. The study employs a literature review using a descriptive-qualitative approach. The findings indicate that the values of ṣidq and amanah provide a conceptual foundation for transparency in AI use, recognition of intellectual contributions, adherence to assignment guidelines, and accountability for learning processes and outcomes. Meanwhile, the values of tabayyun, respect for others, and a focus on the common good underpin digital responsibility in the form of information verification, privacy protection, respect for intellectual property, and consideration of the social impacts of AI use. Strengthening these two aspects requires educators to lead by example, clear institutional guidelines, family support, and reflective learning grounded in ethical dilemmas. This article concludes that the integration of character education and AI literacy should be directed toward developing students who are proficient in using technology while also being able to make decisions honestly and responsibly. The resulting conceptual framework still requires empirical testing according to educational levels and contexts.

Introduction Vehicular driving pattern analysis is important for improving road safety, driving efficiency, and intelligent transportation systems. The aim of this study is to analyze recent research on the major driver-behavior analysis tasks, which are driving pattern recognition, distraction detection, abnormal driving-behavior detection, driver profiling and identification, fuel-efficiency analysis, and driving-risk assessment. Methods The literature selection process was structured and included identification, screening, and eligibility. One hundred seventeen studies were used in this study, and 12 studies were selected for a detailed examination for comparative analysis. Results The studies analyzed have shown that driver-behavior analysis is becoming more popular with the use of machine learning, deep learning, sensor fusion, edge computing, and other new technologies. Existing approaches, however, are still scattered across behavioral tasks and encounter issues such as real-time processing, privacy preservation, scalability, model generalization, and integration of heterogeneous data. Discussion This study highlights the need for integrated and task-oriented approaches to address these challenges and support multiple behavioral assessments. The findings provide research directions on the development of scalable privacy-aware real-time driver-behavior analysis systems for connected and intelligent transportation environments.

Digital media has evolved from passive screen viewing into an algorithmically curated ecosystem of social platforms, short form video, games, generative artificial intelligence (AI), conversational agents, connected toys and educational technologies. These systems can support learning, creativity, communication, disability access and healthcare; however, engagement optimized design, commercial surveillance and synthetic content create risks that are not adequately captured by screen-time measures alone. This narrative review examines the effects of contemporary digital ecosystems on child and adolescent health and outlines implications for pediatric practice. PubMed/MEDLINE, Google Scholar and guidance from the World Health Organization, United Nations Children's Fund, UNESCO and the American Academy of Pediatrics were reviewed, with emphasis on evidence published from 2019 to June 2026. Associations have been reported between problematic digital media use and sleep disruption, reduced physical activity, visual and musculoskeletal symptoms, obesity related behaviours, anxiety, depressive symptoms, cyberbullying, disordered eating and impaired attention. Causal interpretation remains difficult because effects are heterogeneous, often small, bidirectional and strongly modified by age, content, context, displacement, family relationships and pre-existing vulnerability. AI adds distinct concerns: persuasive personalization, inaccurate health information, anthropomorphic dependency, deepfakes, sexual exploitation, biased outputs, privacy loss and erosion of learning through uncritical outsourcing. Benefits are also substantial when technologies are developmentally appropriate, evidence-based, inclusive and used with adult support. Pediatric counselling should shift from counting hours alone toward assessing the child's digital ecosystem, sleep, function, content, compulsivity, safety and relationships. Effective protection requires shared family practices, school digital literacy, safety by design, age-appropriate assurance, transparent algorithms, data minimization and independent research. The goal is not a screen free childhood but a child centred digital environment that supports health, agency and development.

Mental health conditions have become one of the most urgent public health challenges worldwide, affecting nearly one billion people and creating substantial social and economic burdens. Despite increasing demand for psychological services, barriers such as financial costs, shortages of mental health professionals, geographical inequalities, and social stigma prevent many individuals from receiving timely support. This paper examines the biological, psychological, and environmental factors contributing to mental disorders and evaluates the potential role of artificial intelligence (AI) conversational models in mental health support. It argues that AI cannot replace licensed clinicians but can serve as a complementary tool by improving accessibility, providing continuous communication, offering privacy, and delivering personalized psychoeducation. Particular attention is given to autism spectrum disorder (ASD), where AI's predictable communication style may support communication practice and reduce social pressure. The paper also discusses AI-assisted interventions based on cognitive behavioral therapy (CBT) and examines ethical challenges, including privacy, algorithmic bias, and clinical responsibility. Overall, responsible cooperation between AI technologies and healthcare professionals may improve the accessibility and effectiveness of future mental healthcare.

Wellness resorts increasingly rely on therapeutic architecture to support users’ physical and psychological restoration, yet the pathways through which these design principles shape spatial circulation remain underexplored, particularly in the Nigerian hospitality context. This study investigated the influence of seven therapeutic architecture principles (connection to nature, natural lighting, natural ventilation, multi-sensory design, privacy and control, aesthetics and emotional harmony, and integration of artwork and colour) on the spatial circulation experience of users across three purposively selected resorts in Nigeria: Ilaji Resorts, Oxygen Orbit Resort, and Lakowe Lakes Golf and Country Estate. Using a quantitative, cross-sectional survey design, 297 copies of the questionnaire were administered to resort visitors, wellness practitioners, and resort staff through purposive and convenience sampling, of which 230 were validly retrieved and analysed, representing a 77.4% response rate of questionnaires administered. We conducted multiple regression analyses of eight spatial circulation indicators against the seven predictors. Findings show that all eight regression models were statistically significant (p < 0.01), with aesthetics and emotional harmony and connection to nature emerging as the strongest positive predictors specifically of ease of movement between spaces, the circulation outcome most strongly explained overall, while privacy and control was most strongly associated with privacy through spatial layout, and natural lighting was most strongly associated with the effectiveness of wayfinding and signage. Integration of artwork and colour, however, showed the strongest negative coefficient for the reduction of disorientation, suggesting that artwork and colour interventions may compete with intuitive wayfinding if not carefully placed. Accessibility, the indicator most closely tied to vertical circulation, was the most weakly explained by the therapeutic principles, indicating that stairs, ramps, and lifts in these resorts are still designed chiefly to functional and accessibility standards rather than therapeutic ones. The study concludes that therapeutic architecture principles are meaningfully associated with horizontal circulation experience in wellness resorts in Nigeria. The findings are best read as case evidence transferable to comparable resorts, not as statistically generalisable to the wider sector. The study recommends that designers prioritise daylighting, biophilic connection, and restrained, purposefully placed artwork in circulation design, while extending therapeutic considerations to vertical transitions.

OBJECTIVE: To conduct a national environmental scan of child hearing health-related services and databases as part of the Australian National Child Hearing Health Outcomes Registry program, and to identify system-level barriers and enablers to developing a coordinated Learning Health System for deaf and hard-of-hearing children. METHODS: A cross-sectional national survey of organisations providing hearing health-related services or managing data for Australian deaf and hard-of-hearing children. The survey examined the scope and practices related to data collection, standardisation, interoperability, stewardship, and governance. RESULTS: Ninety-nine respondents from 92 organisations delivering 290 services participated. The scan identified a disjointed data landscape. Standardised data were limited, with inconsistent capture of key variables across organisations and 49.4% rating their data quality as acceptable or good. Interoperability was constrained by heterogenous data practices, including use of multiple databases (34.3%), limited external reporting (24.2%) and lack of accessible data dictionaries (71.9%). Stewardship and data governance arrangements were variable, with fewer than half of organisations reporting formal consent (47.6%), privacy statements (51.2%) or ethics oversight (38.1%). Despite these challenges, 56.5 and 54.8% of organisations expressed interest in data linkage and research participation, indicating readiness for coordinated system development. CONCLUSION: Despite Australia's substantial investment in newborn hearing screening and hearing health-related services, fragmented data systems limit Australia's ability to monitor outcomes, equity and system performance in child hearing health. However, strong stakeholder interest in data linkage provides important momentum. These findings inform policy and service planning, and support staged development of a national child deafness Learning Health System through the Australian National Child Hearing Health Outcomes Registry.

Digital transformation has increased children's access to information and learning while exposing them to misinformation, privacy violations, inappropriate content, and cyberbullying. These challenges underscore the need for digital literacy education integrating technological competencies with Islamic ethical values. This community engagement program aims to strengthen students' digital literacy and online safety awareness through the Gerakan Anak Cerdas Digital (Smart Digital Children Movement) at SDN 02 Padangjaya. Employing a participatory educational approach, the program delivers a 60-minute training session integrating digital safety principles with Islamic values, including tabayyun (information verification), amanah (trustworthiness), adab (ethical communication), and ukhuwah (solidarity). Learning activities comprise interactive instruction, contextual discussions, question-and-answer sessions, and educational quizzes. Evaluation involves comprehension assessments and observations of student participation. The program is expected to enhance students' understanding of digital risks, responsible internet use, personal data protection, and ethical online interactions. Conceptually, this initiative introduces an integrative framework connecting digital literacy with Islamic character education in primary schools. Practically, it offers a contextual model for promoting safe and responsible digital behavior through collaborative engagement among schools, families, and communities, contributing to the development of ethically grounded digital citizenship among young learners.

تحول دیجیتال، دسترسی کودکان به اطلاعات و یادگیری را افزایش داده است، در حالی که آن‌ها را در معرض اطلاعات نادرست، نقض حریم خصوصی، محتوای نامناسب و زورگویی سایبری قرار می‌دهد. این چالش‌ها، ضرورت آموزش سواد دیجیتال را که شایستگی‌های فناورانه را با ارزش‌های اخلاقی اسلامی تلفیق می‌کند، برجسته می‌سازد. این برنامه مشارکتی با هدف تقویت سواد دیجیتال و آگاهی از ایمنی آنلاین دانش‌آموزان از طریق جنبش «کودکان هوشمند دیجیتال» (Gerakan Anak Cerdas Digital) در دبستان SDN 02 Padangjaya اجرا می‌شود. با بهره‌گیری از رویکرد آموزشی مشارکتی، این برنامه یک جلسه آموزشی ۶۰ دقیقه‌ای را ارائه می‌دهد که اصول ایمنی دیجیتال را با ارزش‌های اسلامی از جمله «تبیین» (راستی‌آزمایی اطلاعات)، «امانت‌داری»، «ادب» (ارتباط اخلاقی) و «اخوت» (همبستگی) ادغام می‌کند. فعالیت‌های یادگیری شامل آموزش تعاملی، بحث‌های زمینه‌ای، جلسات پرسش و پاسخ و آزمون‌های آموزشی است. ارزیابی از طریق سنجش میزان درک و مشاهده مشارکت دانش‌آموزان انجام می‌شود. انتظار می‌رود این برنامه موجب ارتقای درک دانش‌آموزان از خطرات دیجیتال، استفاده مسئولانه از اینترنت، حفاظت از داده‌های شخصی و تعاملات اخلاقی آنلاین شود. از منظر مفهومی، این ابتکار یک چارچوب تلفیقی را معرفی می‌کند که سواد دیجیتال را با تربیت شخصیتی اسلامی در مدارس ابتدایی پیوند می‌دهد. از منظر عملی، این برنامه یک الگوی زمینه‌محور برای ترویج رفتار دیجیتال ایمن و مسئولانه از طریق مشارکت مدارس، خانواده‌ها و جوامع ارائه می‌دهد و به توسعه شهروندی دیجیتال مبتنی بر اخلاق در میان یادگیرندگان جوان کمک می‌کند.

Educational transformation in the digital era requires a shift in the learning paradigm that emphasizes not only mastery of subject matter but also the development of students' creativity, critical thinking, digital literacy, and other essential competencies. The implementation of the Merdeka Curriculum provides greater flexibility for educational institutions and teachers to design learning activities according to students' needs while utilizing technological developments. Within this context, the integration of digital technology and Artificial Intelligence (AI) has the potential to accelerate the transformation of learning practices. This study aims to analyze the transformation of the Merdeka Curriculum through the integration of technology and Artificial Intelligence in learning, while identifying its impacts, opportunities, challenges, and implications for the roles of teachers and students' learning experiences. This research employs a qualitative approach using a literature review method. Data were obtained through the examination of books, scholarly journal articles, educational policy documents, and academic publications relevant to the Merdeka Curriculum, educational technology, and Artificial Intelligence in education. The data were analyzed using a descriptive-analytical approach by identifying, classifying, comparing, and synthesizing relevant findings from the literature. The results indicate that the integration of technology and AI can broaden access to learning resources, support more personalized and adaptive learning, assist teachers in developing instructional materials and assessments, and facilitate project-based learning and the development of twenty-first-century skills. Nevertheless, this transformation also presents several challenges, including unequal access to technology, disparities in teachers' digital competencies, the reliability of AI-generated information, data privacy concerns, potential student dependency on technology, and ethical issues related to academic integrity. Therefore, the integration of technology and AI within the Merdeka Curriculum should be positioned as a pedagogical instrument that supports educational objectives rather than as a replacement for teachers. Sustainable curriculum transformation requires strengthening teachers' digital and pedagogical competencies, establishing clear policies for the responsible use of AI, developing students' AI literacy, and implementing technology in ways that remain oriented toward human development and educational needs.

تحول آموزشی در عصر دیجیتال مستلزم تغییر در پارادایم یادگیری است که نه تنها بر تسلط بر محتوای درسی تأکید دارد، بلکه بر توسعهٔ خلاقیت، تفکر انتقادی، سواد دیجیتال و سایر شایستگی‌های اساسی دانش‌آموزان نیز تمرکز می‌کند. اجرای برنامهٔ درسی مردکا انعطاف‌پذیری بیشتری را برای مؤسسات آموزشی و معلمان فراهم می‌کند تا فعالیت‌های یادگیری را متناسب با نیازهای دانش‌آموزان و با بهره‌گیری از پیشرفت‌های فناوری طراحی کنند. در این زمینه، ادغام فناوری دیجیتال و هوش مصنوعی (AI) پتانسیل تسریع تحول در شیوه‌های یادگیری را دارد. هدف این پژوهش، تحلیل تحول برنامهٔ درسی مردکا از طریق ادغام فناوری و هوش مصنوعی در آموزش و شناسایی تأثیرات، فرصت‌ها، چالش‌ها و پیامدهای آن برای نقش معلمان و تجارب یادگیری دانش‌آموزان است. این پژوهش با رویکرد کیفی و با استفاده از روش مرور ادبیات انجام شده است. داده‌ها از طریق بررسی کتاب‌ها، مقالات علمی-پژوهشی، اسناد سیاست‌گذاری آموزشی و انتشارات دانشگاهی مرتبط با برنامهٔ درسی مردکا، فناوری آموزشی و هوش مصنوعی در آموزش گردآوری شده‌اند. داده‌ها با رویکرد توصیفی-تحلیلی و از طریق شناسایی، طبقه‌بندی، مقایسه و تلفیق یافته‌های مرتبط از منابع مورد بررسی قرار گرفتند. نتایج نشان می‌دهد که ادغام فناوری و هوش مصنوعی می‌تواند دسترسی به منابع یادگیری را گسترش دهد، از یادگیری شخصی‌سازی‌شده و تطبیقی حمایت کند، به معلمان در توسعهٔ مواد آموزشی و ارزشیابی‌ها یاری رساند و یادگیری مبتنی بر پروژه و توسعهٔ مهارت‌های قرن بیست‌ویکم را تسهیل کند. با این حال، این تحول با چالش‌هایی نیز همراه است؛ از جمله دسترسی نابرابر به فناوری، تفاوت در شایستگی‌های دیجیتال معلمان، پایایی اطلاعات تولیدشده توسط هوش مصنوعی، نگرانی‌های مربوط به حریم خصوصی داده‌ها، احتمال وابستگی دانش‌آموزان به فناوری و مسائل اخلاقی مرتبط با صداقت علمی. بنابراین، ادغام فناوری و هوش مصنوعی در برنامهٔ درسی مردکا باید به عنوان ابزاری آموزشی در خدمت اهداف تربیتی و نه جایگزین معلم تلقی شود. تحول پایدار برنامهٔ درسی مستلزم تقویت شایستگی‌های دیجیتال و آموزشی معلمان، تدوین سیاست‌های شفاف برای استفادهٔ مسئولانه از هوش مصنوعی، توسعهٔ سواد هوش مصنوعی در دانش‌آموزان و به‌کارگیری فناوری به گونه‌ای است که همچنان بر رشد انسانی و نیازهای آموزشی متمرکز باشد.

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

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

Background: Workplace stress, anxiety, burnout and psychological distress are important concerns affecting employee well-being and organisational performance. The increasing use of artificial intelligence (AI) in digital mental health support offers opportunities for accessible and timely assistance, while raising concerns regarding privacy, informed consent, algorithmic bias, clinical safety, accountability and human oversight. This study aims to examine the potential role and responsible integration of AI-based psychiatric counselling for managing employee stress and supporting workplace mental health by 2030. Materials and Methods: A mixed-methods research design will be used, combining quantitative survey data with qualitative interviews. The quantitative component will include approximately 350–450 employees, while the qualitative component will involve approximately 25–35 interviews with HR professionals, organisational leaders, EAP professionals and mental health practitioners. Data will assess perceived stress, anxiety, burnout, psychological safety, trust, confidentiality, privacy concerns, AI counselling acceptance and willingness to use AI-based mental health support. Quantitative data will be analysed using descriptive statistics, reliability testing, correlation, regression, t-tests, ANOVA and appropriate mediation or moderation analyses. Qualitative data will be analysed thematically. Results: The study is expected to identify factors influencing employee acceptance and trust in AI-based psychiatric counselling and to examine the role of privacy, human oversight, psychological safety and organisational support in its responsible adoption. Conclusion: AI-based psychiatric counselling may serve as a supportive component of workplace mental health systems, particularly for early support, psychoeducation, self-help and triage. However, it should complement rather than replace qualified mental health professionals. Responsible implementation will require privacy safeguards, informed consent, clinical oversight, transparency, fairness, accountability and clear referral pathways.

زمینه: استرس محیط کار، اضطراب، فرسودگی شغلی و پریشانی روان‌شناختی از دغدغه‌های مهمی هستند که بهزیستی کارکنان و عملکرد سازمانی را تحت تأثیر قرار می‌دهند. افزایش استفاده از هوش مصنوعی (AI) در حمایت دیجیتال سلامت روان، فرصت‌هایی برای دسترسی و کمک به‌موقع فراهم می‌کند، در حالی که نگرانی‌هایی درباره حریم خصوصی، رضایت آگاهانه، سوگیری الگوریتمی، ایمنی بالینی، مسئولیت‌پذیری و نظارت انسانی ایجاد می‌کند. هدف این مطالعه بررسی نقش بالقوه و ادغام مسئولانه مشاوره روان‌پزشکی مبتنی بر هوش مصنوعی برای مدیریت استرس کارکنان و حمایت از سلامت روان محیط کار تا سال ۲۰۳۰ است. مواد و روش‌ها: از طرح پژوهشی آمیخته استفاده خواهد شد که داده‌های پیمایش کمی را با مصاحبه‌های کیفی ترکیب می‌کند. بخش کمی شامل حدود ۳۵۰ تا ۴۵۰ نفر از کارکنان خواهد بود و بخش کیفی شامل حدود ۲۵ تا ۳۵ مصاحبه با متخصصان منابع انسانی، رهبران سازمانی، متخصصان EAP و درمانگران سلامت روان خواهد بود. داده‌ها میزان استرس ادراک‌شده، اضطراب، فرسودگی شغلی، ایمنی روان‌شناختی، اعتماد، محرمانگی، نگرانی‌های مربوط به حریم خصوصی، پذیرش مشاوره مبتنی بر هوش مصنوعی و تمایل به استفاده از حمایت سلامت روان مبتنی بر هوش مصنوعی را ارزیابی خواهند کرد. داده‌های کمی با استفاده از آمار توصیفی، آزمون پایایی، همبستگی، رگرسیون، آزمون t، ANOVA و تحلیل‌های میانجی‌گری یا تعدیل‌گری مناسب تحلیل می‌شوند. داده‌های کیفی به صورت مضمون‌محور تحلیل خواهند شد. نتایج: انتظار می‌رود مطالعه عوامل مؤثر بر پذیرش و اعتماد کارکنان به مشاوره روان‌پزشکی مبتنی بر هوش مصنوعی را شناسایی کند و نقش حریم خصوصی، نظارت انسانی، ایمنی روان‌شناختی و حمایت سازمانی را در پذیرش مسئولانه آن بررسی نماید. نتیجه‌گیری: مشاوره روان‌پزشکی مبتنی بر هوش مصنوعی می‌تواند به عنوان بخشی حمایتی از نظام‌های سلامت روان محیط کار، به ویژه برای حمایت اولیه، آموزش روانی، خودیاری و ارجاع اولیه مورد استفاده قرار گیرد. با این حال، باید مکمل و نه جایگزین متخصصان واجد شرایط سلامت روان باشد. اجرای مسئولانه نیازمند تضمین‌های حریم خصوصی، رضایت آگاهانه، نظارت بالینی، شفافیت، انصاف، مسئولیت‌پذیری و مسیرهای ارجاع روشن خواهد بود.

The rapid expansion of digital technologies has changed the learning environment in which preschool children grow and develop. However, digital literacy in early childhood should not be reduced to the ability to operate a smartphone or tablet. It includes age-appropriate knowledge, practical skills, attitudes and safe patterns of interaction with digital information and tools. This article develops a methodological framework for forming preschool children's digital literacy through purposeful use of digital learning tools in activity centers. The study uses theoretical analysis, comparative analysis of international guidance, pedagogical modeling and methodological generalization. The proposed framework integrates digital tools into language, mathematics, science, construction, art, role-play and music-oriented activity centers while preserving hands-on, social and movement-based learning. A four-stage model—motivation and orientation, guided exploration, creative production, and reflection and transfer—is proposed. The article also identifies methodological principles, teacher roles, criteria for selecting digital content, indicators for monitoring children's progress, and safeguards related to screen balance, privacy, accessibility and adult co-engagement. The proposed approach positions technology as a pedagogical means rather than an independent learning goal and can be adapted to preschool institutions with different levels of technological provision.

گسترش سریع فناوری‌های دیجیتال محیط یادگیری‌ای را که کودکان پیش‌دبستانی در آن رشد می‌کنند، دگرگون ساخته است. با این حال، سواد دیجیتال در اوایل کودکی نباید صرفاً به توانایی کار با تلفن هوشمند یا تبلت تقلیل یابد. این مفهوم شامل دانش متناسب با سن، مهارت‌های عملی، نگرش‌ها و الگوهای ایمن تعامل با اطلاعات و ابزارهای دیجیتال است. این مقاله چارچوبی روش‌شناختی برای شکل‌دهی سواد دیجیتال کودکان پیش‌دبستانی از طریق استفاده هدفمند از ابزارهای یادگیری دیجیتال در مراکز فعالیت ارائه می‌دهد. این پژوهش از تحلیل نظری، تحلیل تطبیقی رهنمودهای بین‌المللی، مدل‌سازی آموزشی و تعمیم روش‌شناختی بهره می‌گیرد. چارچوب پیشنهادی، ابزارهای دیجیتال را در مراکز فعالیت با محوریت زبان، ریاضیات، علوم، ساخت‌وساز، هنر، بازی نقش‌آفرینی و موسیقی ادغام می‌کند و در عین حال یادگیری عملی، اجتماعی و مبتنی بر حرکت را حفظ می‌نماید. یک مدل چهار مرحله‌ای—انگیزش و جهت‌دهی، اکتشاف هدایت‌شده، تولید خلاقانه و بازتاب و انتقال—پیشنهاد شده است. همچنین، مقاله اصول روش‌شناختی، نقش‌های معلم، معیارهای انتخاب محتوای دیجیتال، شاخص‌های پایش پیشرفت کودکان و تدابیر حفاظتی مرتبط با تعادل صفحه‌نمایش، حریم خصوصی، دسترس‌پذیری و مشارکت بزرگسالان را شناسایی می‌کند. رویکرد پیشنهادی، فناوری را به عنوان ابزاری آموزشی و نه هدف یادگیری مستقل تلقی می‌کند و قابلیت انطباق با مؤسسات پیش‌دبستانی با سطوح مختلف تأمین فناوری را دارد.

Background Unlike in psychiatric disorders such as psychosis where treatment trajectories are well defined, little is known about pathways to care for depression which is increasingly prevalent among young people across the globe. Whilst empirical evidence is slowly becoming available on pathways to care for common mental disorders in the general population in Ghana and Zimbabwe, there is no study that specifically considered treatment pathways for young people. Objectives This study explored trajectories used by young people (15–24 years) to access specialised mental healthcare in order to determine referral pathways for depression in Ghana and Zimbabwe. Methodology This sub-analysis forms part of a larger formative, exploratory, descriptive qualitative study conducted within the Youth in Mind consortium. The study engaged 172 participants including young people, healthcare providers, policymakers, faith-based and traditional healers, lay health workers, and school staff across Ghana (N = 105) and Zimbabwe (N = 67) who were sampled purposively and using snowball techniques until saturation was reached. Data were analysed using an iterative combination of inductive and deductive coding, followed by thematic analysis. Results Diagnostic and treatment trajectory for young people's access to specialized mental healthcare are complex in both Ghana and Zimbabwe and punctuated with several barriers that culminate in delayed access to treatments. Chief among the barriers facing young people are the catastrophic costs linked with accessing specialized mental health care, lack of autonomy of the youth, long waiting times perpetuated by a limited number of specialists and stigma. Opportunities for optimising access included the use of referral cards, which sped up the referral process, improved communication among referring agents, and establishment of youth corners in some hospitals in Zimbabwe to address concerns of privacy. Conclusion The findings highlight that pathways to specialised mental healthcare in Ghana and Zimbabwe are inherently complex, hindered by intersecting structural, financial, and social barriers. To mitigate these challenges, a multi-faceted strategy is essential. This should include systemic interventions such as task-shifting, the implementation of streamlined referral tools, dedicated youth-friendly services, and concerted efforts to reduce stigma and costs, thereby fostering more equitable and timely access to care.

زمینه: برخلاف اختلالات روان‌پزشکی مانند روان‌پریشی که مسیرهای درمانی آن‌ها به‌خوبی تعریف شده‌اند، اطلاعات اندکی درباره مسیرهای مراقبتی برای افسردگی که شیوع آن در میان جوانان سراسر جهان رو به افزایش است، وجود دارد. اگرچه شواهد تجربی به‌تدریج درباره مسیرهای مراقبت برای اختلالات شایع روانی در جمعیت عمومی غنا و زیمبابوه در حال فراهم شدن است، اما هیچ مطالعه‌ای به طور خاص مسیرهای درمانی جوانان را بررسی نکرده است. اهداف: این مطالعه به بررسی مسیرهایی که جوانان (۱۵ تا ۲۴ سال) برای دسترسی به مراقبت تخصصی سلامت روان طی می‌کنند، پرداخته تا مسیرهای ارجاع برای افسردگی در غنا و زیمبابوه را تعیین کند. روش‌شناسی: این تحلیل فرعی بخشی از یک مطالعه کیفی اکتشافی، توصیفی و مقدماتی بزرگ‌تر است که در چارچوب کنسرسیوم Youth in Mind انجام شده است. در این مطالعه، ۱۷۲ شرکت‌کننده شامل جوانان، ارائه‌دهندگان مراقبت سلامت، سیاست‌گذاران، درمانگران مذهبی و سنتی، کارکنان سلامت غیرحرفه‌ای و کارکنان مدارس در غنا (N = 105) و زیمبابوه (N = 67) با روش نمونه‌گیری هدفمند و گلوله‌برفی تا رسیدن به اشباع انتخاب شدند. داده‌ها با استفاده از ترکیب تکرارشونده کدگذاری استقرایی و قیاسی و سپس تحلیل تماتیک مورد تجزیه و تحلیل قرار گرفتند. یافته‌ها: مسیر تشخیص و درمان برای دسترسی جوانان به مراقبت تخصصی سلامت روان در هر دو کشور غنا و زیمبابوه پیچیده بوده و با موانع متعددی همراه است که در نهایت منجر به تأخیر در دسترسی به درمان می‌شود. مهم‌ترین موانع پیش روی جوانان، هزینه‌های فاجعه‌بار مرتبط با دسترسی به مراقبت تخصصی سلامت روان، فقدان استقلال جوانان، زمان انتظار طولانی ناشی از تعداد محدود متخصصان و انگ اجتماعی است. فرصت‌های بهبود دسترسی شامل استفاده از کارت‌های ارجاع که روند ارجاع را تسریع می‌کند، بهبود ارتباط میان ارجاع‌دهندگان و ایجاد بخش‌های ویژه جوانان در برخی بیمارستان‌های زیمبابوه برای رفع نگرانی‌های مربوط به حریم خصوصی بود. نتیجه‌گیری: یافته‌ها نشان می‌دهد که مسیرهای دسترسی به مراقبت تخصصی سلامت روان در غنا و زیمبابوه ذاتاً پیچیده و با موانع ساختاری، مالی و اجتماعی متقاطع مواجه است. برای کاهش این چالش‌ها، راهبردی چندوجهی ضروری است که باید شامل مداخلات نظام‌مند مانند واگذاری وظایف، اجرای ابزارهای ارجاع ساده‌شده، خدمات اختصاصی دوستدار جوانان و تلاش‌های هماهنگ برای کاهش انگ و هزینه‌ها باشد تا دسترسی عادلانه‌تر و به‌موقع به مراقبت را تسهیل کند.

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

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

Big data supports personalized learning but often neglects value-oriented student development. In China, ideological and political education (IPE) is essential for talent cultivation, yet its integration with data-driven personalization remains limited. To address this, we propose a Big Data and IPE Personalized Learning Model (BD-IPE-PLM) that links data collection, learner profiling, IPE integration, personalized support, and dynamic evaluation. Using expert consultation and survey data, we assess the model's rationality and applicability. Results show that big-data-supported analytics positively relate to perceived personalized support and IPE integration, with IPE integration more strongly associated with IPE outcomes than academic outcomes. Data privacy concern negatively correlates with perceived support, emphasizing the need for responsible governance. We conclude that personalized learning is not purely technical. It requires data evidence, teacher judgment, value guidance, student engagement, and ethical governance.

داده‌های بزرگ از یادگیری شخصی‌سازی‌شده پشتیبانی می‌کنند اما اغلب توسعه دانشجویان مبتنی بر ارزش‌ها را نادیده می‌گیرند. در چین، آموزش ایدئولوژیک و سیاسی (IPE) برای پرورش استعدادها ضروری است، اما ادغام آن با شخصی‌سازی مبتنی بر داده هنوز محدود باقی مانده‌است. برای رفع این مسئله، ما مدل یادگیری شخصی‌سازی‌شده مبتنی بر داده‌های بزرگ و آموزش ایدئولوژیک و سیاسی (BD-IPE-PLM) را پیشنهاد می‌کنیم که جمع‌آوری داده‌ها، پروفایل‌سازی یادگیرنده، ادغام IPE، حمایت شخصی‌سازی‌شده و ارزیابی پویا را به هم پیوند می‌دهد. با استفاده از مشاوره خبرگان و داده‌های پیمایشی، معقولیت و قابلیت کاربرد مدل را ارزیابی می‌کنیم. نتایج نشان می‌دهد که تحلیل‌های پشتیبانی‌شده توسط داده‌های بزرگ با حمایت شخصی‌سازی‌شده ادراک‌شده و ادغام IPE رابطه مثبت دارند و ادغام IPE با پیامدهای IPE نسبت به پیامدهای تحصیلی ارتباط قوی‌تری دارد. نگرانی درباره حریم خصوصی داده‌ها با حمایت ادراک‌شده رابطه منفی دارد و بر لزوم حکمرانی مسئولانه تأکید می‌کند. نتیجه می‌گیریم که یادگیری شخصی‌سازی‌شده صرفاً فنی نیست؛ بلکه نیازمند شواهد داده‌ای، قضاوت معلم، هدایت ارزشی، مشارکت دانشجو و حکمرانی اخلاقی است.

Large-group lectures (150 students and upwards) remain a central component of healthcare professions education despite longstanding concerns about passivity, limited interaction, and difficulties in providing formative feedback at scale. These concerns have acquired renewed relevance as educators face digitally connected student cohorts, ubiquitous smartphones, and growing concerns about digital distraction. Student response systems (SRS), initially introduced through dedicated “clickers” and now commonly accessed through students’ own digital devices, offer one approach to transforming the large lecture from a predominantly transmission-oriented format into an interactive learning environment. Meta-analytic evidence indicates positive effects of SRS on cognitive and non-cognitive learning outcomes, while research across psychology, nursing, medicine, dentistry, and other higher education settings suggests that their educational value depends less on the technology itself than on the pedagogical processes it enables. In this Perspective , we argue for a shift from viewing SRS primarily as engagement technology towards understanding it as pedagogical infrastructure for retrieval, formative assessment, peer discussion, feedback, self-monitoring, and metacognitive calibration in large lectures. Drawing on nearly two decades of research and educational experience with response technology, we propose an evolution from SRS 1.0 , centred on response and participation, through SRS 2.0 , centred on formative feedback and dialogue, towards SRS 3.0 , where artificial intelligence may enable adaptive questioning, misconception detection, personalised feedback, and instructor decision support. This development creates new opportunities for healthcare professions education, but also requires renewed attention to pedagogy, digital competence, privacy, cognitive offloading, and the role of the educator.

سخنرانی‌های گروهی بزرگ (۱۵۰ دانشجو و بیشتر) همچنان بخش مرکزی آموزش حرفه‌های سلامت را تشکیل می‌دهند، با وجود نگرانی‌های دیرینه درباره انفعالی بودن، تعامل محدود و دشواری در ارائه بازخورد تکوینی در مقیاس وسیع. این نگرانی‌ها با مواجهه مربیان با نسل‌های دانشجویی متصل به فضای دیجیتال، تلفن‌های هوشمند فراگیر و نگرانی‌های فزاینده درباره حواس‌پرتی دیجیتال، اهمیت تازه‌ای یافته‌اند. سامانه‌های پاسخ‌دهی دانشجویی (SRS)، که ابتدا از طریق «کلیکر»های اختصاصی معرفی شدند و اکنون معمولاً از طریق دستگاه‌های دیجیتال شخصی دانشجویان قابل دسترسی هستند، رویکردی برای تبدیل سخنرانی‌های بزرگ از قالب عمدتاً انتقال‌محور به محیط یادگیری تعاملی ارائه می‌کنند. شواهد فراتحلیلی نشان‌دهنده تأثیرات مثبت SRS بر پیامدهای یادگیری شناختی و غیرشناختی است، در حالی که پژوهش‌ها در حوزه‌های روان‌شناسی، پرستاری، پزشکی، دندان‌پزشکی و سایر محیط‌های آموزش عالی حاکی از آن است که ارزش آموزشی این سامانه‌ها بیش از آنکه به خود فناوری وابسته باشد، به فرایندهای آموزشی که امکان‌پذیر می‌سازند بستگی دارد. در این مقاله دیدگاه، ما بر لزوم تغییر نگرش از SRS به‌عنوان فناوری تعامل به‌سوی درک آن به‌عنوان زیرساخت آموزشی برای بازیابی، ارزشیابی تکوینی، بحث همتایان، بازخورد، خودپایشگری و کالیبراسیون فراشناختی در سخنرانی‌های بزرگ تأکید می‌کنیم. با اتکا به نزدیک به دو دهه پژوهش و تجربه آموزشی با فناوری پاسخ‌دهی، سیر تحول از SRS 1.0 با محوریت پاسخ‌دهی و مشارکت، به SRS 2.0 با محوریت بازخورد تکوینی و گفت‌وگو، و نهایتاً به SRS 3.0 که در آن هوش مصنوعی می‌تواند امکان پرسش‌گری تطبیقی، شناسایی سوءبرداشت‌ها، بازخورد شخصی‌سازی‌شده و پشتیبانی تصمیم‌گیری برای مدرس را فراهم کند، پیشنهاد می‌کنیم. این تحول فرصت‌های جدیدی برای آموزش حرفه‌های سلامت ایجاد می‌کند، اما مستلزم توجه مجدد به آموزش، شایستگی دیجیتال، حریم خصوصی، برون‌سپاری شناختی و نقش مدرس نیز هست.

The swift evolution of Artificial Intelligence (AI) is dramatically changing the landscape of education, especially when it comes to assessment. Traditional methods, which focus heavily on standardized tests and final evaluations, are falling short in capturing the complex cognitive, social, and digital skills that are essential in today’s world. This paper delves into the transformative power of AI in educational assessment and suggests a strategic framework for embracing digital change. By reviewing current literature, the study highlights AI-driven innovations like adaptive testing, automated grading, learning analytics, and competency-based assessment models. It also tackles important challenges such as ethical issues, algorithmic bias, data privacy, and maintaining academic integrity. The paper emphasizes that a comprehensive, policy-oriented, and pedagogically sound approach are crucial for effectively integrating AI into assessment systems. In the end, it offers practical strategies for institutions aiming to update their assessment practices in an AI-enhanced educational environment.

تحول سریع هوش مصنوعی (AI) به طور چشمگیری چشم‌انداز آموزش را، به ویژه در حوزه ارزیابی، دگرگون کرده است. روش‌های سنتی که عمدتاً بر آزمون‌های استاندارد و ارزیابی‌های نهایی تمرکز دارند، در سنجش مهارت‌های پیچیده شناختی، اجتماعی و دیجیتال که در دنیای امروز ضروری هستند، ناکارآمد شده‌اند. این مقاله به بررسی قدرت تحول‌آفرین هوش مصنوعی در ارزیابی آموزشی می‌پردازد و چارچوبی راهبردی برای پذیرش تغییر دیجیتال پیشنهاد می‌کند. با مرور ادبیات موجود، پژوهش به نوآوری‌های مبتنی بر هوش مصنوعی مانند آزمون‌های تطبیقی، نمره‌دهی خودکار، تحلیل یادگیری و مدل‌های ارزیابی مبتنی بر شایستگی می‌پردازد. همچنین به چالش‌های مهمی همچون مسائل اخلاقی، سوگیری الگوریتمی، حریم خصوصی داده‌ها و حفظ سلامت علمی اشاره می‌کند. مقاله تأکید می‌کند که رویکردی جامع، سیاست‌محور و مبتنی بر اصول آموزشی برای ادغام مؤثر هوش مصنوعی در نظام‌های ارزیابی ضروری است. در پایان، راهبردهای عملی برای نهادهایی که قصد به‌روزرسانی شیوه‌های ارزیابی خود در محیط آموزشی تقویت‌شده با هوش مصنوعی را دارند، ارائه می‌دهد.

Introduction Depression and anxiety remain major, largely unaddressed drivers of disability in low- and middle-income countries (LMICs), where scarce resources and persistent stigma constrain access to care. Scalable solutions are urgently needed. Low-intensity psychological interventions, delivered by trained non-specialists offer a promising pathway to close the treatment gap. This study examines the prospective acceptability of these interventions in Java, Indonesia, an exemplar of an under resourced health system, to guide targeted cultural adaptation and inform optimal implementation. Methods Using a qualitative descriptive design guided by the Theoretical Framework of Acceptability (TFA), we conducted semi-structured interviews (n = 33) with people experiencing anxiety and depression and 21 focus groups with families (n = 34), health workers (n = 36), and community/religious leaders (n = 37) across 12 sites in Java. Data were collected in Bahasa/local languages, transcribed, translated, and analysed using TFA informed Framework Analysis. 5% of translations were independently back-verified. Stakeholder workshops and advisory panels shaped study design and interpretation. Results Low mental health literacy and stigma undermined intervention coherence and affective attitude, with many conflating LIPIs with general counselling. Help-seeking was often delayed until distress became severe, reflecting limited understanding of mental health problems and available support. Despite these challenges, strong perceptions of effectiveness and positive affective attitudes were driven by cultural values of self-reliance and community support. Concerns centered on ethicality, particularlyprivacy risks and fear of social judgment, alongside undercertainty regarding the role of traditional healers and the burden associated with time and workload demands. Trust in lay health workers was high in rural areas but more variable in urban contexts. Conclusion Findings highlight that cultural, structural, and interpersonal factors shape anticipated intervention acceptability. While stigma and low literacy remain barriers, strong perceived need and cultural alignment suggest the potential for promising subsequent uptake. Addressing privacy, role clarity, and logistical burden through tailored adaptations and partnerships is critical. This study offers one of the first theoretically framed qualitative explorations of LIPI acceptability in Southeast Asia, highlighting culturally congruent pathways for subsequent LMIC implementation.

مقدمه: افسردگی و اضطراب همچنان از عوامل اصلی و عمدتاً نادیده‌گرفته‌شده ناتوانی در کشورهای با درآمد پایین و متوسط (LMICs) هستند، جایی که منابع محدود و انگ اجتماعی پایدار، دسترسی به مراقبت را محدود می‌کند. راه‌حل‌های مقیاس‌پذیر به‌شدت مورد نیاز است. مداخلات روان‌شناختی با شدت پایین که توسط افراد غیرمتخصص آموزش‌دیده ارائه می‌شوند، مسیر امیدوارکننده‌ای برای کاهش فاصله درمانی فراهم می‌کنند. این مطالعه به بررسی پذیرش احتمالی این مداخلات در جاوه، اندونزی، به‌عنوان نمونه‌ای از نظام سلامت کم‌منبع، می‌پردازد تا سازگاری فرهنگی هدفمند و اجرای بهینه را هدایت کند. روش‌ها: با استفاده از طراحی توصیفی کیفی و با راهنمایی چارچوب نظری پذیرش (TFA)، مصاحبه‌های نیمه‌ساختاریافته (n = 33) با افراد دارای تجربه اضطراب و افسردگی و ۲۱ گروه متمرکز با خانواده‌ها (n = 34)، کارکنان سلامت (n = 36) و رهبران اجتماعی/مذهبی (n = 37) در ۱۲ سایت در جاوه انجام شد. داده‌ها به زبان باهاسا/زبان‌های محلی جمع‌آوری، رونویسی، ترجمه و با استفاده از تحلیل چارچوب مبتنی بر TFA تحلیل شدند. پنج درصد ترجمه‌ها به طور مستقل بازبینی شدند. کارگاه‌های ذینفعان و پانل‌های مشورتی طراحی و تفسیر مطالعه را شکل دادند. نتایج: سواد پایین سلامت روان و انگ اجتماعی، انسجام مداخله و نگرش عاطفی را تضعیف کرد و بسیاری مداخلات روان‌شناختی با شدت پایین را با مشاوره عمومی اشتباه می‌گرفتند. جستجوی کمک اغلب تا زمانی که ناراحتی شدید نشود به تعویق می‌افتاد که نشان‌دهنده درک محدود از مشکلات سلامت روان و حمایت‌های موجود بود. با وجود این چالش‌ها، ادراک قوی از اثربخشی و نگرش‌های عاطفی مثبت توسط ارزش‌های فرهنگی اتکاء به خود و حمایت اجتماعی تقویت شد. نگرانی‌ها عمدتاً بر اخلاقی بودن، به‌ویژه خطرات حریم خصوصی و ترس از قضاوت اجتماعی، همراه با عدم قطعیت درباره نقش درمانگران سنتی و بار ناشی از زمان و حجم کار متمرکز بود. اعتماد به کارکنان سلامت غیرمتخصص در مناطق روستایی بالا بود اما در مناطق شهری متغیرتر بود. نتیجه‌گیری: یافته‌ها نشان می‌دهد که عوامل فرهنگی، ساختاری و بین‌فردی، پذیرش پیش‌بینی‌شده مداخله را شکل می‌دهند. اگرچه انگ اجتماعی و سواد پایین همچنان موانع هستند، نیاز ادراک‌شده قوی و هم‌سویی فرهنگی، پتانسیل پذیرش بعدی را نشان می‌دهد. پرداختن به مسائل حریم خصوصی، شفافیت نقش‌ها و بار لجستیکی از طریق سازگاری‌های هدفمند و مشارکت‌ها حیاتی است. این مطالعه یکی از نخستین بررسی‌های کیفی مبتنی بر چارچوب نظری درباره پذیرش مداخلات روان‌شناختی با شدت پایین در جنوب شرق آسیا است که مسیرهای هم‌سوی فرهنگی برای اجرای بعدی در کشورهای با درآمد پایین و متوسط را برجسته می‌کند.

Values are transmitted from family to child not through explicit instruction but within the ordinary flow of everyday life and, more often than not, without words, which renders this transmission at once durable and fragile. This study examines how value transmission has been transformed by digitalization through the narratives of a transitional generation that spent its childhood within traditional patterns of settlement and relationships yet carries out its parenting in a digitalized environment. Within an interpretive phenomenological design, semi-structured interviews were conducted with 21 parents living in Afyonkarahisar, and the data were analyzed thematically. In childhood narratives, transmission operated without recourse to words, through the gaze, example, and shared space. The entry of digital media into the home fragmented this shared time-space, and children’s capacity to verify their parents instantly brought the family’s relative monopoly over knowledge to an end. Authority has not disappeared; rather, its legitimacy has shifted from threat and fear to persuasion and negotiation. Privacy has emerged as a new domain of value which, when read through the lens of contextual integrity, operates as a local order woven from gendered visibility and religious-moral references. Narrative-level comparison shows that traditional and negotiated elements coexist within individual narratives, including those of the youngest and oldest participants. While the family has lost its epistemic authority, it retains its moral authority; the process thus amounts to a restructuring rather than a dissolution.

ارزش‌ها از طریق آموزش صریح منتقل نمی‌شوند، بلکه در جریان عادی زندگی روزمره و اغلب بدون استفاده از کلمات از خانواده به کودک انتقال می‌یابند؛ امری که این انتقال را همزمان بادوام و شکننده می‌سازد. این پژوهش به بررسی چگونگی تحول انتقال ارزش‌ها در اثر دیجیتالی‌شدن از خلال روایت‌های نسلی گذار می‌پردازد که کودکی خود را در الگوهای سنتی سکونت و روابط سپری کرده اما نقش والدگری را در محیطی دیجیتالی ایفا می‌کند. در قالب طراحی پدیدارشناسی تفسیری، مصاحبه‌های نیمه‌ساختاریافته با ۲۱ والد ساکن آفیون‌قره‌حصار انجام شد و داده‌ها به شیوه تحلیل تماتیک بررسی گردید. در روایت‌های کودکی، انتقال ارزش‌ها بدون توسل به کلام و از طریق نگاه، الگو و فضای مشترک صورت می‌گرفت. ورود رسانه‌های دیجیتال به خانه این زمان‌ـ‌فضای مشترک را تکه‌تکه کرد و توانایی کودکان در راستی‌آزمایی فوری والدین، انحصار نسبی خانواده بر دانش را پایان داد. اقتدار از میان نرفته است؛ بلکه مشروعیت آن از تهدید و ترس به اقناع و مذاکره تغییر یافته است. حریم خصوصی به عنوان حوزه‌ای نوین از ارزش‌ها پدیدار شده که با خوانش از منظر یکپارچگی زمینه‌ای، به مثابه نظمی محلی بافته‌شده از مرئی‌سازی جنسیتی و ارجاعات دینی‌ـ‌اخلاقی عمل می‌کند. مقایسه در سطح روایت نشان می‌دهد عناصر سنتی و مذاکره‌ای در روایت‌های فردی، حتی در میان جوان‌ترین و مسن‌ترین مشارکت‌کنندگان، همزیستی دارند. هرچند خانواده اقتدار معرفتی خود را از دست داده، اقتدار اخلاقی آن حفظ شده است؛ بنابراین این فرایند بیشتر به بازساخت می‌ماند تا فروپاشی.

Introduction College students’ psychological vulnerability assessment is constrained by data scarcity, high labeling cost, privacy sensitivity, and small, imbalanced samples, and existing frameworks typically treat vulnerability as a static judgment that cannot track how a student’s condition changes over time. This study examined whether a few-sample hierarchical grading model combined with meta-reinforcement-learning-based sequential decision-making could address both problems jointly. Methods A few-sample hierarchical grading model, combining meta-learning and transfer regularization with a prototype-based embedding and ordinal threshold assignment, quantified static risk from a handful of labeled examples per grade, while a sequential risk-identification method formulated dynamic assessment as a Markov decision process solved by a two-stage meta-reinforcement-learning policy. Case studies used a longitudinal, class-imbalanced cohort simulation calibrated to the documented statistics of a mobile-sensing mental-health study (no real participant data were used) and compared the proposed models against threshold-rule, supervised, fine-tuned, few-shot, and non-meta reinforcement-learning baselines, with sensitivity analyses on support-set size, reward weights, discount factor, and regularization weight, plus a regime-switching robustness check. Results The proposed grading model attained a macro-F1 of 0.847 with ten labeled examples per grade, over twenty percentage points above a conventional deep-learning classifier, though its edge over other episodic few-shot architectures was small and inconsistent, indicating episodic meta-learning as the main source of this gain. The meta-reinforcement-learning policy achieved a higher alert precision-recall area (0.514 vs. 0.380) than a non-meta baseline and avoided its degenerate always-escalate behavior, but neither the main study nor the regime-switching check showed the composite reward lengthening lead time versus a simpler accuracy-only reward, which matched its lead time at a much lower escalation rate. Sensitivity analyses showed the reward-weight ratio and discount factor shaping the early-identification versus intervention-cost trade-off. Conclusion These findings suggest that combining few-sample meta-learning with metareinforcement-learning-based sequential decision-making can improve vulnerability assessment under scarce, evolving data relative to conventional static and non-meta-adapted approaches, with an accuracy-only reward recommended as the practical default. The case studies relied on a calibrated simulation rather than raw longitudinal records, so prospective validation on real campus data under appropriate privacy safeguards is needed before responsible deployment.

مقدمه: ارزیابی آسیب‌پذیری روان‌شناختی دانشجویان دانشگاه با محدودیت‌هایی نظیر کمبود داده، هزینه بالای برچسب‌گذاری، حساسیت به حریم خصوصی و نمونه‌های کوچک و نامتوازن مواجه است و چارچوب‌های موجود معمولاً آسیب‌پذیری را به‌عنوان یک قضاوت ایستا در نظر می‌گیرند که قادر به پیگیری تغییر وضعیت دانشجو در طول زمان نیست. این مطالعه بررسی کرد که آیا مدل درجه‌بندی سلسله‌مراتبی با نمونه‌های اندک، در ترکیب با تصمیم‌گیری ترتیبی مبتنی بر یادگیری فرا-تقویتی، می‌تواند هر دو مشکل را به طور همزمان حل کند. روش‌ها: یک مدل درجه‌بندی سلسله‌مراتبی با نمونه‌های اندک، که یادگیری فراگیر و منظم‌سازی انتقال را با تعبیه مبتنی بر نمونه اولیه و تخصیص آستانه ترتیبی ترکیب می‌کند، ریسک ایستا را از تعداد محدودی نمونه برچسب‌خورده برای هر درجه کمی‌سازی کرد، در حالی که یک روش شناسایی ریسک ترتیبی، ارزیابی پویای ریسک را به‌صورت یک فرایند تصمیم‌گیری مارکوف مدل‌سازی کرد که توسط یک سیاست یادگیری فرا-تقویتی دو مرحله‌ای حل شد. مطالعات موردی از شبیه‌سازی هم‌گروهی نامتوازن و طولی استفاده کردند که بر اساس آمار مستند یک مطالعه سلامت روان مبتنی بر حسگرهای موبایلی کالیبره شده بود (هیچ داده واقعی شرکت‌کننده استفاده نشد) و مدل‌های پیشنهادی را با روش‌های آستانه‌ای، نظارت‌شده، تنظیم دقیق، یادگیری با نمونه‌های اندک و یادگیری تقویتی غیر فراگیر مقایسه کردند و تحلیل حساسیت بر اندازه مجموعه پشتیبان، وزن پاداش، ضریب تنزیل و وزن منظم‌سازی و همچنین بررسی پایداری تغییر رژیم انجام شد. نتایج: مدل درجه‌بندی پیشنهادی با ده نمونه برچسب‌خورده برای هر درجه، به مقدار macro-F1 برابر با 0.847 دست یافت که بیش از بیست درصد بالاتر از یک طبقه‌بند یادگیری عمیق متداول بود، هرچند برتری آن نسبت به سایر معماری‌های یادگیری با نمونه‌های اندک اپیزودیک اندک و ناسازگار بود که نشان‌دهنده نقش اصلی یادگیری فراگیر اپیزودیک در این بهبود است. سیاست یادگیری فرا-تقویتی به مساحت بالاتری در منحنی دقت-بازخوانی هشدار (0.514 در مقابل 0.380) نسبت به پایه غیر فراگیر دست یافت و از رفتار همواره تشدیدکننده آن اجتناب کرد، اما نه مطالعه اصلی و نه بررسی تغییر رژیم نشان نداد که پاداش مرکب، زمان پیش‌آگاهی را نسبت به پاداش صرفاً مبتنی بر دقت افزایش دهد، که زمان پیش‌آگاهی مشابهی را با نرخ تشدید بسیار پایین‌تر ارائه کرد. تحلیل حساسیت نشان داد که نسبت وزن پاداش و ضریب تنزیل، توازن بین شناسایی زودهنگام و هزینه مداخله را شکل می‌دهد. نتیجه‌گیری: این یافته‌ها نشان می‌دهد که ترکیب یادگیری فراگیر با نمونه‌های اندک و تصمیم‌گیری ترتیبی مبتنی بر یادگیری فرا-تقویتی می‌تواند ارزیابی آسیب‌پذیری را در شرایط داده‌های کمیاب و در حال تحول نسبت به رویکردهای ایستا و غیر فراگیر متداول بهبود بخشد و پاداش صرفاً مبتنی بر دقت به‌عنوان گزینه عملی توصیه می‌شود. مطالعات موردی مبتنی بر شبیه‌سازی کالیبره‌شده و نه داده‌های خام طولی بودند، بنابراین اعتبارسنجی آینده‌نگر بر داده‌های واقعی دانشگاهی با رعایت ملاحظات حریم خصوصی پیش از استقرار مسئولانه ضروری است.

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 Against the backdrop of digital empowerment, generative artificial intelligence has been widely applied in school-age children’s reading education, and digital reading has become one of the primary types of environmental exposure for school-age children. However, school-age children face challenges such as insufficient age-appropriate content and uncontrollable physical and mental strain. There is an urgent demand for a public health intervention model that balances reading-related health benefits, prevents and controls digital exposure risks, avoids physical and mental health impairments, and adapts to school-age children from diverse socioeconomic backgrounds. Methods A retrospective control study design was used in this study. A total of 100 cases of school-age children aged 6–12 were collected from the standardized intervention archive of our institution from September 2025 to December 2025. According to the intervention plan actually accepted in the archive records, they were divided into the collaborative intervention group and the AI-only reading group with 50 cases in each group. In the AI-only reading group, the recorded intervention is purely generative AI independent reading intervention (college students are only responsible for equipment operation and maintenance, and do not participate in reading guidance and emotional intervention), while in the collaborative intervention group, the recorded intervention is the structured auxiliary collaborative intervention of the whole process of generative AI voice multi-round interactive reading combined with standardized training for college students. The intervention period is 12 weeks, three times a week, and each time is 20–25 min. Retrospective analysis of longitudinal data at baseline, 6 weeks of intervention, 12 weeks of follow-up and 4 weeks of follow-up, with the comprehensive score of early reading as the only preset main outcome index, repeated measurement analysis of variance, independent sample t -test and chi-square test were used to analyze the inter-group and time effects, Cohen’s d was used to evaluate the effect, and the test level was α = 0.05. Results Retrospective archive data shows that, after intervention, the collaborative intervention group achieved significantly higher composite early reading scores, phonological awareness, vocabulary comprehension accuracy, reading attention duration and reading interest scores than the AI-only reading group ( p < 0.05). The main effects of group, time and the group-time interaction were all highly statistically significant ( p < 0.01), with an effect size of Cohen’s d = 0.50 representing a moderate intervention effect. The collaborative intervention group also showed significantly higher intervention adherence rate, AI interaction completion rate, reading task completion rate and frequency of active participation than the AI-only reading group ( p < 0.05). In terms of digital health-related outcomes, the collaborative intervention group had significantly lower incidence of adverse psychological states, incidence of prodromal signs of visual fatigue and digital eye strain symptoms, and study dropout rate ( p < 0.05). Among the digital health-related safety indicators, the incidence of negative emotions, visual fatigue and research dropout rate were significantly lower than those of the AI-only reading group ( p < 0.05). The archived records showed that the whole screen duration was strictly in compliance, and there was no privacy leakage and serious adverse events. The 10% lost visit rate was controllable, and the complete rate of informed consent and the qualified rate of implementation were all 100%, and there was no privacy leakage and serious adverse events. Conclusion The generative AI interaction mode paired with college student auxiliary support is associated with sustained improvement school-age children’s core early reading ability via cumulative short-term follow-up effects. Meanwhile, this collaborative model enables effective management of digital environmental exposure risks and may reduce risks related to visual and psychological health among school-age children. The intergroup differences remained stable with reliable effect sizes. This intervention model can be may provide a reference for future implementation as a digital public health intervention targeting school-age children’s early reading, and provides preliminary empirical evidence for the standardized application of AI-supported education for school-age children. This retrospective study only reflects the differences between groups of compound intervention programs in archived cases, and cannot establish strong causal inference.

زمینه: در بستر توانمندسازی دیجیتال، هوش مصنوعی مولد به طور گسترده‌ای در آموزش خواندن کودکان سن مدرسه به کار گرفته شده است و خواندن دیجیتال به یکی از انواع اصلی مواجهه‌ی محیطی برای کودکان سن مدرسه تبدیل شده است. با این حال، کودکان سن مدرسه با چالش‌هایی مانند کمبود محتوای متناسب با سن و فشارهای جسمی و روانی غیرقابل کنترل مواجه هستند. نیاز فوری به یک الگوی مداخله‌ی سلامت عمومی وجود دارد که منافع سلامت مرتبط با خواندن را متعادل کند، خطرات مواجهه‌ی دیجیتال را پیشگیری و کنترل نماید، از آسیب‌های سلامت جسمی و روانی جلوگیری کند و با کودکان سن مدرسه از زمینه‌های اجتماعی-اقتصادی متنوع سازگار باشد. روش‌ها: در این مطالعه از طرح کنترل گذشته‌نگر استفاده شد. در مجموع ۱۰۰ مورد از کودکان سن مدرسه ۶ تا ۱۲ ساله از آرشیو مداخله‌ی استانداردشده‌ی مؤسسه‌ی ما از سپتامبر ۲۰۲۵ تا دسامبر ۲۰۲۵ جمع‌آوری شد. بر اساس برنامه‌ی مداخله‌ای که واقعاً در سوابق آرشیو پذیرفته شده بود، آن‌ها به دو گروه مداخله‌ی مشارکتی و گروه خواندن صرفاً با هوش مصنوعی تقسیم شدند که هر گروه شامل ۵۰ نفر بود. در گروه خواندن صرفاً با هوش مصنوعی، مداخله‌ی ثبت‌شده صرفاً مداخله‌ی خواندن مستقل با هوش مصنوعی مولد بود (دانشجویان دانشگاه فقط مسئول راه‌اندازی و نگهداری تجهیزات بودند و در راهنمایی خواندن و مداخله‌ی عاطفی شرکت نداشتند)، در حالی که در گروه مداخله‌ی مشارکتی، مداخله‌ی ثبت‌شده، مداخله‌ی ساختاریافته‌ی کمکی مشارکتی در کل فرایند خواندن تعاملی چندمرحله‌ای صوتی با هوش مصنوعی مولد همراه با آموزش استانداردشده برای دانشجویان دانشگاه بود. دوره‌ی مداخله ۱۲ هفته، سه بار در هفته و هر بار ۲۰ تا ۲۵ دقیقه بود. تحلیل گذشته‌نگر داده‌های طولی در خط پایه، ۶ هفته مداخله، ۱۲ هفته پیگیری و ۴ هفته پیگیری انجام شد و امتیاز جامع خواندن اولیه به عنوان تنها شاخص اصلی از پیش تعیین‌شده در نظر گرفته شد. برای تحلیل اثرات بین‌گروهی و زمانی از تحلیل واریانس اندازه‌گیری مکرر، آزمون t مستقل و آزمون کای-دو استفاده شد، اندازه‌ی اثر با Cohen’s d ارزیابی شد و سطح آزمون α = ۰٫۰۵ بود. نتایج: داده‌های آرشیوی گذشته‌نگر نشان داد که پس از مداخله، گروه مداخله‌ی مشارکتی در امتیاز ترکیبی خواندن اولیه، آگاهی واجی، دقت درک واژگان، مدت زمان توجه به خواندن و امتیاز علاقه به خواندن به طور معناداری بالاتر از گروه خواندن صرفاً با هوش مصنوعی بود (p < 0.05). اثرات اصلی گروه، زمان و تعامل گروه-زمان همگی از نظر آماری بسیار معنادار بودند (p < 0.01) و اندازه‌ی اثر Cohen’s d = 0.50 نشان‌دهنده‌ی اثر مداخله‌ای متوسط بود. گروه مداخله‌ی مشارکتی همچنین نرخ پایبندی به مداخله، نرخ تکمیل تعامل با هوش مصنوعی، نرخ تکمیل وظیفه‌ی خواندن و فراوانی مشارکت فعال به طور معناداری بالاتری نسبت به گروه خواندن صرفاً با هوش مصنوعی نشان داد (p < 0.05). از نظر پیامدهای مرتبط با سلامت دیجیتال، گروه مداخله‌ی مشارکتی شیوع معناداری کمتری از وضعیت‌های روانی نامطلوب، نشانه‌های پیش‌درآمد خستگی بینایی و علائم خستگی چشمی دیجیتال و نرخ ترک تحصیل داشت (p < 0.05). در میان شاخص‌های ایمنی مرتبط با سلامت دیجیتال، شیوع هیجانات منفی، خستگی بینایی و نرخ ترک پژوهش به طور معناداری کمتر از گروه خواندن صرفاً با هوش مصنوعی بود (p < 0.05). سوابق آرشیوی نشان داد که مدت زمان کل استفاده از صفحه نمایش کاملاً مطابق با مقررات بوده و هیچ نشتی حریم خصوصی و رویداد نامطلوب جدی وجود نداشته است. نرخ مراجعه‌ی از دست رفته ۱۰٪ قابل کنترل بود و نرخ کامل بودن رضایت آگاهانه و نرخ اجرای واجد شرایط هر دو ۱۰۰٪ بود و هیچ نشتی حریم خصوصی و رویداد نامطلوب جدی وجود نداشت. نتیجه‌گیری: شیوه‌ی تعاملی هوش مصنوعی مولد همراه با حمایت کمکی دانشجویان دانشگاه با بهبود پایدار توانایی خواندن اولیه‌ی هسته‌ای کودکان سن مدرسه از طریق اثرات تجمعی پیگیری کوتاه‌مدت مرتبط است. در عین حال، این مدل مشارکتی امکان مدیریت مؤثر خطرات مواجهه با محیط دیجیتال را فراهم می‌کند و ممکن است خطرات مرتبط با سلامت بینایی و روانی کودکان سن مدرسه را کاهش دهد. تفاوت‌های بین‌گروهی با اندازه‌های اثر قابل اعتماد پایدار باقی ماندند. این مدل مداخله می‌تواند به عنوان مرجعی برای اجرای آینده به عنوان یک مداخله‌ی سلامت عمومی دیجیتال با هدف خواندن اولیه‌ی کودکان سن مدرسه مورد استفاده قرار گیرد و شواهد تجربی مقدماتی برای کاربرد استاندارد آموزش مبتنی بر هوش مصنوعی برای کودکان سن مدرسه فراهم می‌کند. این مطالعه‌ی گذشته‌نگر فقط تفاوت‌های بین گروه‌های برنامه‌های مداخله‌ی ترکیبی در موارد آرشیوی را منعکس می‌کند و نمی‌تواند استنباط علّی قوی ایجاد کند.

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.

Background Artificial intelligence (AI) is rapidly changing education through generative AI, adaptive learning systems, automated assessment, intelligent teaching, and data-driven learning support. More and more AI-powered systems are mediating learning, communication, information searching, and, in some cases, emotional support. These technologies offer great promise for enhancing access, personalization, efficiency, and learner engagement, but they also present substantial psychological, ethical, and developmental problems. These challenges are exacerbated in Sub-Saharan Africa by inequalities in digital access, inadequate regulatory capacity, insufficient data-protection systems, language and cultural under-representation, and uneven institutional preparation. Policy and implications In this policy brief, we look at AI in education from the perspective of educational psychology, with a special emphasis on student well-being, learner agency, and resilience. It proposes that AI governance should extend beyond considerations of technology adoption and academic efficiency to explore how AI impacts autonomy, motivation, critical thinking, creativity, social relationships, psychological safety, and autonomous learning. The report emphasizes the importance of learner-centered national AI policies, age-appropriate safeguards, increased teacher capacity, inclusion of AI literacy in curricula, safeguarding of learner data, equal access to digital technology, culturally relevant artificial intelligence systems, and meaningful student participation in AI governance. Policies should ensure that AI is used to promote learning, yet safeguard student well-being, autonomy, privacy, dignity, and cognitive growth. It also underscores the need for African-led research and cross-sector collaboration to generate context-specific information on the long-term implications of AI for learners. Recommendations The brief argues that the success of AI integration in Sub-Saharan African education should be gauged not just by the acceptance of technology, but by its contribution to psychologically healthy, critically thinking, resilient, and autonomous learners. Conclusions A human-centered approach is therefore very important to ensuring that AI is a help and not a hindrance to the developmental and relational underpinnings of education.

زمینه: هوش مصنوعی (AI) به سرعت در حال تغییر آموزش از طریق هوش مصنوعی مولد، سامانه‌های یادگیری تطبیقی، ارزیابی خودکار، آموزش هوشمند و پشتیبانی یادگیری مبتنی بر داده است. سامانه‌های مبتنی بر هوش مصنوعی به طور فزاینده‌ای واسطه یادگیری، ارتباطات، جستجوی اطلاعات و در برخی موارد، حمایت عاطفی می‌شوند. این فناوری‌ها نویدبخش ارتقای دسترسی، شخصی‌سازی، کارآمدی و مشارکت یادگیرنده هستند، اما همچنین مشکلات روان‌شناختی، اخلاقی و تحولی قابل توجهی را به همراه دارند. این چالش‌ها در آفریقای زیرصحرایی به دلیل نابرابری در دسترسی دیجیتال، ظرفیت ناکافی مقررات‌گذاری، سامانه‌های ناکافی حفاظت از داده‌ها، کم‌نمایی زبانی و فرهنگی و آمادگی نهادی نامتوازن تشدید می‌شوند. سیاست و پیامدها: در این سیاست‌نامه، به هوش مصنوعی در آموزش از منظر روان‌شناسی تربیتی با تأکید ویژه بر بهزیستی دانش‌آموز، عاملیت یادگیرنده و تاب‌آوری پرداخته می‌شود. پیشنهاد می‌شود که حکمرانی هوش مصنوعی باید فراتر از ملاحظات پذیرش فناوری و کارآمدی علمی باشد و تأثیر هوش مصنوعی بر خودمختاری، انگیزش، تفکر انتقادی، خلاقیت، روابط اجتماعی، امنیت روان‌شناختی و یادگیری خودگردان را بررسی کند. این گزارش بر اهمیت سیاست‌های ملی هوش مصنوعی مبتنی بر یادگیرنده، تدابیر حفاظتی متناسب با سن، افزایش ظرفیت معلمان، گنجاندن سواد هوش مصنوعی در برنامه‌های درسی، حفاظت از داده‌های یادگیرنده، دسترسی برابر به فناوری دیجیتال، سامانه‌های هوش مصنوعی متناسب با فرهنگ و مشارکت معنادار دانش‌آموزان در حکمرانی هوش مصنوعی تأکید می‌کند. سیاست‌ها باید تضمین کنند که هوش مصنوعی برای ارتقای یادگیری به کار گرفته شود، اما بهزیستی، خودمختاری، حریم خصوصی، کرامت و رشد شناختی دانش‌آموزان نیز حفظ گردد. همچنین بر ضرورت پژوهش‌های هدایت‌شده توسط آفریقا و همکاری بین‌بخشی برای تولید اطلاعات متناسب با زمینه در خصوص پیامدهای بلندمدت هوش مصنوعی برای یادگیرندگان تأکید می‌شود. توصیه‌ها: این سیاست‌نامه استدلال می‌کند که موفقیت ادغام هوش مصنوعی در آموزش آفریقای زیرصحرایی باید نه تنها با پذیرش فناوری، بلکه با سهم آن در پرورش یادگیرندگان سالم از نظر روان‌شناختی، منتقد، تاب‌آور و خودمختار سنجیده شود. نتیجه‌گیری: بنابراین رویکرد انسان‌محور برای اطمینان از اینکه هوش مصنوعی به جای مانع، یاری‌رسان بنیان‌های تحولی و ارتباطی آموزش باشد، بسیار مهم است.