Women comprise the majority of students and early-career scholars in psychology, yet they are less likely to remain active in research over time. This pattern raises a central question: At what stages of academic careers do women disproportionately leave academia, and what factors drive their attrition? Using large-scale bibliometric data tracking 78,216 psychologists who began publishing between 2000 and 2014, we examine gender differences in research career attrition operationalized through publishing activity across the full trajectory from entry onward. Although women accounted for more than 60\% of new entrants, they experienced higher attrition rates than men, with the gender gap peaking approximately five years after first publication. Early-career performance, particularly first-authored publications, was the strongest predictor of subsequent retention, whereas last-authored publications were most closely associated with continued activity at later career stages. Collaboration patterns and institutional context also shaped career persistence, though less strongly than publication indicators. Notably, gender differences in research attrition persisted even after accounting for these career determinants, especially during early career stages. These findings suggest that gender inequality in psychology is driven less by recruitment than by differential retention over time. Addressing early-career vulnerability may therefore be essential to achieving equitable representation in senior academic leadership within the discipline.
زنان اکثریت دانشجویان و پژوهشگران اوایل دوران حرفه‌ای در روان‌شناسی را تشکیل می‌دهند، با این حال احتمال ماندگاری آن‌ها در فعالیت‌های پژوهشی در طول زمان کمتر است. این الگو پرسشی اساسی را مطرح می‌کند: در کدام مراحل از مسیر شغلی دانشگاهی، زنان به طور نامتناسبی دانشگاه را ترک می‌کنند و چه عواملی موجب ترک تحصیل آن‌ها می‌شود؟ با استفاده از داده‌های کتاب‌سنجی در مقیاس وسیع که ۷۸٬۲۱۶ روان‌شناس را که بین سال‌های ۲۰۰۰ تا ۲۰۱۴ شروع به انتشار کردند، ردیابی می‌کند، تفاوت‌های جنسیتی در ترک مسیر پژوهشی را که از طریق فعالیت انتشاراتی در سراسر مسیر حرفه‌ای از ورود به بعد عملیاتی شده است، بررسی می‌کنیم. اگرچه زنان بیش از ۶۰٪ از تازه‌واردان را تشکیل می‌دادند، اما نرخ ترک تحصیل بالاتری نسبت به مردان تجربه کردند و شکاف جنسیتی تقریباً پنج سال پس از نخستین انتشار به اوج خود رسید. عملکرد اوایل دوران حرفه‌ای، به ویژه انتشارات با نویسنده اول، قوی‌ترین پیش‌بینی‌کننده ماندگاری بعدی بود، در حالی که انتشارات با نویسنده آخر بیشترین ارتباط را با تداوم فعالیت در مراحل بعدی حرفه‌ای داشت. الگوهای همکاری و زمینه نهادی نیز بر پایداری حرفه‌ای تأثیرگذار بودند، اگرچه این تأثیر کمتر از شاخص‌های انتشاراتی بود. شایان توجه است که تفاوت‌های جنسیتی در ترک پژوهش حتی پس از در نظر گرفتن این تعیین‌کننده‌های حرفه‌ای، به ویژه در مراحل اولیه حرفه‌ای، همچنان باقی ماند. این یافته‌ها نشان می‌دهد که نابرابری جنسیتی در روان‌شناسی بیشتر ناشی از جذب نیست، بلکه ناشی از ماندگاری متفاوت در طول زمان است. بنابراین پرداختن به آسیب‌پذیری اوایل دوران حرفه‌ای ممکن است برای دستیابی به نمایندگی عادلانه در رهبری دانشگاهی ارشد در این رشته ضروری باشد.
Short video platforms require recommendation models that can adapt to rapidly changing user interests while optimizing engagement beyond immediate click feedback. Existing collaborative filtering and supervised deep learning methods are effective for static preference matching and short-term click-through-rate prediction, but they are less suited to sequential recommendation scenarios where each recommended item influences subsequent user behavior. To address this limitation, this paper proposes a deep reinforcement learning (DRL) framework for short video recommendation. The recommendation process is formulated as a Markov Decision Process (MDP), in which the user state is constructed from historical interactions and multimodal item features, the action corresponds to selecting candidate videos, and the reward integrates immediate feedback with delayed engagement signals. A Deep Q-Network (DQN)-based agent is trained in an offline simulation environment based on the KuaiRec short-video dataset and is compared with representative baselines, including popularity-based recommendation, matrix factorization, and supervised DNN models. The experimental results show that the DRL agent better balances click relevance, session duration, and recommendation diversity, particularly in long-term engagement-oriented metrics. Ablation results further confirm that combining immediate and delayed reward signals is important for learning a robust recommendation policy. This study provides a practical framework for developing intelligent short video recommendation systems that shift the optimization objective from short-term response maximization toward long-term user value.
پلتفرم‌های ویدئوی کوتاه به مدل‌های توصیه‌گری نیاز دارند که بتوانند خود را با علایق به‌سرعت متغیر کاربران تطبیق دهند و در عین حال، بهینه‌سازی تعامل را فراتر از بازخوردهای فوری کلیک انجام دهند. روش‌های موجود فیلترینگ مشارکتی و یادگیری عمیق نظارت‌شده برای تطبیق ترجیحات ایستا و پیش‌بینی نرخ کلیک کوتاه‌مدت مؤثر هستند، اما برای سناریوهای توصیه‌گری دنباله‌دار که در آن هر آیتم توصیه‌شده بر رفتار بعدی کاربر تأثیر می‌گذارد، کمتر مناسب‌اند. برای رفع این محدودیت، این مقاله چارچوبی مبتنی بر یادگیری تقویتی عمیق (DRL) برای توصیه‌گری ویدئوی کوتاه پیشنهاد می‌کند. فرایند توصیه‌گری به صورت یک فرایند تصمیم‌گیری مارکوف (MDP) مدل‌سازی شده است که در آن وضعیت کاربر از تعاملات پیشین و ویژگی‌های چندوجهی آیتم‌ها ساخته می‌شود، عمل معادل انتخاب ویدئوهای کاندید است و پاداش، بازخورد فوری را با سیگنال‌های تعامل تأخیری ادغام می‌کند. یک عامل مبتنی بر شبکه عصبی Q عمیق (DQN) در محیط شبیه‌سازی آفلاین مبتنی بر مجموعه‌داده KuaiRec آموزش داده شده و با مبناهای نماینده از جمله توصیه‌گر مبتنی بر محبوبیت، تجزیه ماتریسی و مدل‌های DNN نظارت‌شده مقایسه می‌شود. نتایج تجربی نشان می‌دهد که عامل DRL تعادل بهتری میان ارتباط کلیک، مدت زمان نشست و تنوع توصیه برقرار می‌کند، به‌ویژه در شاخص‌های مبتنی بر تعامل بلندمدت. نتایج حذف مؤلفه‌ها نیز تأیید می‌کند که ترکیب سیگنال‌های پاداش فوری و تأخیری برای یادگیری سیاست توصیه‌گری مقاوم اهمیت دارد. این مطالعه چارچوبی عملی برای توسعه سامانه‌های هوشمند توصیه‌گر ویدئوی کوتاه ارائه می‌دهد که هدف بهینه‌سازی را از حداکثرسازی پاسخ کوتاه‌مدت به سوی ارزش بلندمدت کاربر تغییر می‌دهد.
How is vision shaped by other senses? Visual cortex is not merely a passive recipient of retinal inputs. It is also responsive to other sensory modalities, particularly audition. While auditory signals have been shown to penetrate early visual cortices, the mechanisms driving these responses remain poorly understood. To examine how audition shapes vision, we used functional MRI to investigate whether audiovisual interactions modulate the gain of responses in human early visual cortices. Specifically, we measured voxel-wise contrast-response functions (CRF), while participants viewed horizontally drifting gratings paired with auditory motion that was directionally congruent or incongruent with the visual motion, or stationary. We show that congruent audiovisual motion enhances voxel-wise contrast sensitivity whereas incongruent motion reduces it, manifesting as a robust contrast gain modulation across areas V1–V3. This direction-selective enhancement is nicely captured by a divisive normalization model incorporating auditory-driven feedback modulation. Our findings provide compelling evidence for cross-modal interactions at early stages of visual processing, driven by contrast gain modulation –a bidirectional modulation in sensitivity that maintains the balance between local excitatory and inhibitory activity. Together, these results reveal that audiovisual interactions can alter a cornerstone property of vision, highlighting the dynamic role of early visual cortex in multisensory processing.
بینایی چگونه توسط حواس دیگر شکل می‌گیرد؟ قشر بینایی صرفاً دریافت‌کننده منفعل ورودی‌های شبکیه نیست، بلکه به سایر حواس، به‌ویژه شنوایی نیز پاسخ می‌دهد. اگرچه نشان داده شده است که سیگنال‌های شنوایی به قشرهای اولیه بینایی نفوذ می‌کنند، اما سازوکارهای ایجاد این پاسخ‌ها همچنان به‌خوبی شناخته نشده‌اند. برای بررسی اینکه شنوایی چگونه بینایی را شکل می‌دهد، از تصویربرداری تشدید مغناطیسی عملکردی (fMRI) استفاده کردیم تا بررسی کنیم آیا برهم‌کنش‌های شنوایی‌ـ‌بصری بهره پاسخ‌ها را در قشرهای اولیه بینایی انسان تعدیل می‌کند یا خیر. به طور خاص، تابع پاسخ به کنتراست (CRF) را در سطح وکسل اندازه‌گیری کردیم، در حالی که شرکت‌کنندگان به گراتینگ‌های افقی متحرک نگاه می‌کردند که با حرکت شنوایی هم‌جهت یا ناهم‌جهت با حرکت بصری، یا بدون حرکت (ایستا) جفت شده بود. نشان دادیم که حرکت شنوایی‌ـ‌بصری هم‌جهت حساسیت به کنتراست را در سطح وکسل افزایش می‌دهد، در حالی که حرکت ناهم‌جهت آن را کاهش می‌دهد و این امر به صورت تعدیل قوی بهره کنتراست در نواحی V1 تا V3 ظاهر می‌شود. این افزایش انتخابی نسبت به جهت حرکت، به‌خوبی توسط مدل نرمال‌سازی تقسیم‌پذیر که تعدیل بازخوردی ناشی از شنوایی را در بر می‌گیرد، تبیین می‌شود. یافته‌های ما شواهد قانع‌کننده‌ای برای برهم‌کنش‌های میان‌حسی در مراحل اولیه پردازش بینایی ارائه می‌دهد که توسط تعدیل بهره کنتراست هدایت می‌شود؛ یعنی تعدیل دوطرفه حساسیت که تعادل میان فعالیت تحریکی و مهاری موضعی را حفظ می‌کند. در مجموع، این نتایج نشان می‌دهد که برهم‌کنش‌های شنوایی‌ـ‌بصری می‌تواند یکی از ویژگی‌های بنیادی بینایی را تغییر دهد و نقش پویای قشر اولیه بینایی در پردازش چندحسی را برجسته می‌سازد.
Artificial intelligence (AI) is often presented as solving longstanding challenges of feedback in higher education. Research and commentary tend to focus on how AI can replace educator labour by providing feedback information at scale but this substitution risks simplifying a complex and interconnected set of practices. We draw from Barnett’s work on the ecological university to offer a dynamic, relational view of an ecosystem – where the whole is greater than the sum of its parts. This perspective of the feedback ecosystem sensitised a qualitative study, where data was constituted through participant discussion within two-hour online workshops. Twelve students and 18 educators participated across three workshops; analysis of participant feedback experiences illustrated how feedback relations shift in the presence of AI. To conclude, we suggest that in response to AI, educators can seek to strengthen their feedback relationships with students over time – what we call humans-as-the-loop – in the feedback ecosystem.
هوش مصنوعی (AI) اغلب به عنوان راه‌حلی برای چالش‌های دیرینه بازخورد در آموزش عالی مطرح می‌شود. پژوهش‌ها و دیدگاه‌ها عمدتاً بر این تمرکز دارند که چگونه هوش مصنوعی می‌تواند جایگزین نیروی کار آموزشی شده و اطلاعات بازخورد را در مقیاس وسیع ارائه دهد، اما این جایگزینی خطر ساده‌سازی مجموعه‌ای پیچیده و به‌هم‌پیوسته از رویه‌ها را به همراه دارد. ما با بهره‌گیری از آثار Barnett درباره دانشگاه بوم‌شناختی، دیدگاهی پویا و رابطه‌مند از یک اکوسیستم ارائه می‌دهیم؛ جایی که کل، فراتر از مجموع اجزای آن است. این رویکرد نسبت به اکوسیستم بازخورد، مطالعه‌ای کیفی را جهت‌دهی کرد که داده‌های آن از طریق بحث شرکت‌کنندگان در کارگاه‌های آنلاین دو ساعته گردآوری شد. دوازده دانشجو و هجده مدرس در سه کارگاه شرکت کردند؛ تحلیل تجارب بازخورد شرکت‌کنندگان نشان داد که چگونه روابط بازخورد در حضور هوش مصنوعی دچار تغییر می‌شود. در پایان، پیشنهاد می‌کنیم که در واکنش به هوش مصنوعی، مدرسان می‌توانند در طول زمان روابط بازخوردی خود را با دانشجویان تقویت کنند؛ چیزی که ما آن را «انسان‌ها به‌عنوان حلقه» در اکوسیستم بازخورد می‌نامیم.
