Python

Chronobiology studies indicate that individuals are regulated by three timers: social, solar, and biological. Environmental and behavioral changes can modify the sleep–wake cycle. Many university students adopt nighttime study habits, interfering with the circadian rhythm. Sleep restriction or poor sleep quality compromises memory and significantly reduces academic performance. This study aimed to verify whether there is an association between sleep quality and academic performance among nursing and medical students at a public university in Alagoas, Brazil. This is an observational, cross-sectional, and quantitative study conducted with 137 Nursing and Medical students, selected through stratified probabilistic sampling. Data collection included a sociodemographic questionnaire to characterize the sample, the Pittsburgh Sleep Quality Index (PSQI), the Munich Chronotype Questionnaire (MCTQ), and academic self-assessment. Data were analyzed for normality, and associations were tested using Pearson and Spearman correlations (SciPy – Python). Among the 137 students, 65.7% were women, 70.1% were between 19 and 24 years old, 67.9% rated their academic performance between 7.0 and 8.9, and 66.4% presented poor sleep quality. Negative correlations between the PSQI and self-assessment variables (r = -0.368; p < 0.001 for Pearson; r = -0.360; p < 0.001 for Spearman) reinforce the importance of sleep quality in the academic context. The findings highlight the urgency of interventions that promote sleep hygiene education and strategies to improve rest quality, reducing the likelihood of problems that may negatively impact students’ academic performance.

Background Diabetes frequently co-occurs with depression, anxiety, and diabetes-related distress, and psychological status directly influences glycaemic control and the risk of complications. Traditional mental health assessment relies on subjective scales. With the growth of digital health, digital phenotyping offers a new paradigm for real-time, objective mental health monitoring and prediction. However, the pathways through which these technologies perform monitoring and prediction remain unclear. Objective This scoping review aimed to systematically map the application pathways of digital phenotyping for mental health monitoring and prediction in people with diabetes, and to use machine learning-assisted text mining to analyse the main research themes and hotspots, thereby informing the future development of individualised risk prediction models and monitoring systems. Methods A scoping review search was conducted in six English databases (PubMed, Embase, CINAHL, Web of Science, Scopus, and the Cochrane Library) and four Chinese databases (CNKI, Wanfang, VIP, and China Biomedical Literature Database[CBM]), covering studies published from database inception to 10 September 2026. The search strategy was built around terms related to diabetes, digital phenotyping, and mental health. Machine learning-assisted literature mining was used to identify thematic patterns in the included studies. The study selection process and overall workflow followed the PRISMA extension for scoping reviews (PRISMA-ScR). Results A total of 2,968 records were retrieved. After screening, 10 studies were included. The evidence indicated that digital phenotyping mainly enables real-time monitoring of mental health in people with diabetes through signals such as continuous glucose monitoring (CGM), passive smartphone sensing, voice, and ecological momentary assessment (EMA). Machine learning methods were widely used for risk prediction modelling, but most studies built models at the group level, with only a few adopting n -of-1 analysis or subgroup prediction to achieve individualised risk prediction. External validation of models was generally lacking, and no intervention studies were identified. Conclusions Preliminary evidence suggests that digital phenotyping has exploratory potential for mental health monitoring and prediction in people with diabetes, but research that genuinely achieves individualised risk prediction remains limited. Closed-loop monitoring-intervention design and multicentre external validation are the main directions for future research. Systematic Review Registration https://osf. io/6wsaj/ .

The article examines the main difficulty encountered when teaching the topics of the photon and the electromagnetic spectrum, namely the problem of picturing the relationships between quantities through formulas alone. To ease this problem, a photon calculator was developed using Python and Tkinter. Given a wavelength entered in nanometers, the program calculates the photon’s frequency, energy (in joules and electron-volts), momentum, and the mass equivalent of energy, and also shows which region of the spectrum the given wavelength falls into and, for visible light, the name of the color. The article presents the algorithm, the main code fragments, the way the formulas are expressed in the program, and sample calculations ranging from X-rays to radio waves, and describes ways of using the tool in the classroom. No pedagogical trial with students was conducted in this work; measuring effectiveness is defined as a task for the next stage.

این مقاله به بررسی اصلی‌ترین دشواری موجود در آموزش مباحث فوتون و طیف الکترومغناطیسی می‌پردازد؛ یعنی مشکل درک روابط بین کمیت‌ها صرفاً از طریق فرمول‌ها. به منظور تسهیل این مشکل، یک ماشین‌حساب فوتون با استفاده از پایتون و Tkinter توسعه یافته است. با وارد کردن طول موج به نانومتر، برنامه فرکانس فوتون، انرژی (بر حسب ژول و الکترون‌ولت)، تکانه و معادل جرمی انرژی را محاسبه می‌کند و همچنین نشان می‌دهد که طول موج وارد شده در کدام ناحیه از طیف قرار می‌گیرد و در مورد نور مرئی، نام رنگ را نیز نمایش می‌دهد. مقاله الگوریتم، بخش‌های اصلی کد، نحوه بیان فرمول‌ها در برنامه و نمونه محاسبات از پرتو ایکس تا امواج رادیویی را ارائه می‌دهد و روش‌های استفاده از این ابزار در کلاس درس را توصیف می‌کند. در این پژوهش هیچ آزمون آموزشی با دانشجویان انجام نشده است؛ سنجش اثربخشی به عنوان وظیفه مرحله بعدی تعریف شده است.

Engineering dynamics courses demand simultaneous development of mathematical modelling, computational implementation, and communication competencies, yet conventional instruction rarely provides authentic contexts for their integration. The primary objective of this study was to design, implement, and empirically evaluate a Simulation-Focused Problem-Based Learning (SF-PBL) framework that integrates first-principles Newtonian and Lagrangian mechanics with Python-based numerical simulation within an Outcome-Based Education (OBE)-aligned curriculum. The framework was embedded within a 15-week undergraduate Dynamic System Modeling (DSM) course ( N = 53, B.Tech Mechatronics Engineering, Semester IV, January–April 2026) at a single NBA-accredited institution in India. It operationalises a four-phase computational pipeline—System Identification, Mathematical Modelling, Computational Simulation, Validation & Communication—scaffolded through an Explain-Try-Challenge (E-T-C) model and assessed via a six-judge external expert panel. A pre–post mixed-methods design measured self-efficacy (10-item Likert scale), conceptual knowledge (5-item MCQ), PBL satisfaction, AI tool usage, and qualitative breakthrough reflections. Self-efficacy improved significantly (pre: M = 2.92, SD = 0.21; post: M = 3.80, SD = 0.40; t (52) = 13.91, p < .001 , Cohen’s d = 2.72, pooled SD). Knowledge gains were large ( t (52) = 11.32, p < .001 , d = 1.20; Hake’s g = 0.50, medium interactive-engagement band). All ten self-efficacy items improved significantly ( p < .001 ). PBL satisfaction was high ( M = 3.74 , SD = 0.30). Eighty-five percent of students used AI tools, primarily for computational coding, while mathematical derivation remained predominantly human-led. Qualitative themes identified simulation validation, PID tuning, and linking derivation to computation as commonly reported breakthrough moments. Exhibition rubric scores from 17 student projects evaluated by the six-judge panel ( M = 82.62 / 100 , SD = 9.98 ) confirmed strong authentic performance. The SF-PBL framework offers a replicable, empirically-evaluated model for computationally-integrated dynamics pedagogy in OBE-aligned STEM programmes.

دروس دینامیک مهندسی نیازمند توسعه همزمان مدل‌سازی ریاضی، پیاده‌سازی محاسباتی و شایستگی‌های ارتباطی هستند، اما آموزش‌های متداول به ندرت زمینه‌های اصیل برای ادغام این مهارت‌ها فراهم می‌کنند. هدف اصلی این پژوهش، طراحی، اجرا و ارزیابی تجربی چارچوب یادگیری مبتنی بر مسئله با تمرکز بر شبیه‌سازی (SF-PBL) بود که مکانیک نیوتنی و لاگرانژی مبتنی بر اصول اولیه را با شبیه‌سازی عددی مبتنی بر Python در قالب یک برنامه درسی همسو با آموزش مبتنی بر خروجی (OBE) ادغام می‌کند. این چارچوب در یک دوره کارشناسی مدل‌سازی سیستم‌های دینامیکی (DSM) به مدت ۱۵ هفته (N = 53، مهندسی مکاترونیک، ترم چهارم، ژانویه تا آوریل ۲۰۲۶) در یک مؤسسه دارای اعتبار NBA در هند اجرا شد. این چارچوب یک خط لوله محاسباتی چهار مرحله‌ای—شناسایی سیستم، مدل‌سازی ریاضی، شبیه‌سازی محاسباتی، اعتبارسنجی و ارتباط—را عملیاتی می‌کند که از طریق مدل توضیح-آزمایش-چالش (E-T-C) ساختاربندی شده و توسط هیئت داوران متشکل از شش متخصص خارجی ارزیابی گردید. طرح پژوهش آمیخته پیش‌آزمون-پس‌آزمون، خودکارآمدی (مقیاس لیکرت ۱۰ ماده‌ای)، دانش مفهومی (۵ سؤال چندگزینه‌ای)، رضایت از PBL، میزان استفاده از ابزارهای هوش مصنوعی و بازتاب‌های کیفی از لحظات جهشی را اندازه‌گیری کرد. خودکارآمدی به طور معناداری افزایش یافت (پیش‌آزمون: M = 2.92، SD = 0.21؛ پس‌آزمون: M = 3.80، SD = 0.40؛ t (52) = 13.91، p < .001، d کوهن = 2.72، SD تجمیعی). افزایش دانش نیز قابل توجه بود (t (52) = 11.32، p < .001، d = 1.20؛ g هاک = 0.50، باند تعامل متوسط). هر ده ماده خودکارآمدی به طور معناداری بهبود یافتند (p < .001). رضایت از PBL بالا بود (M = 3.74، SD = 0.30). هشتاد و پنج درصد دانشجویان از ابزارهای هوش مصنوعی عمدتاً برای کدنویسی محاسباتی استفاده کردند، در حالی که استنتاج ریاضی عمدتاً توسط انسان انجام شد. مضامین کیفی، اعتبارسنجی شبیه‌سازی، تنظیم PID و پیوند استنتاج به محاسبه را به عنوان لحظات جهشی رایج شناسایی کردند. نمرات روبریک ارائه پروژه‌های ۱۷ دانشجو که توسط هیئت شش نفره ارزیابی شد (M = 82.62 از ۱۰۰، SD = 9.98) عملکرد اصیل قوی را تأیید کرد. چارچوب SF-PBL یک الگوی قابل تکرار و ارزیابی‌شده تجربی برای آموزش دینامیک با ادغام محاسباتی در برنامه‌های STEM همسو با OBE ارائه می‌دهد.

This paper presents an innovative interdisciplinary teaching model based on the integration of acoustic phonetics into STEAM education (Science, Technology, Engineering, Arts, Mathematics). This study is based on the premise that the interdisciplinary nature of acoustic phonetics, connecting language with physics, mathematics, and digital technologies, provides a suitable basis for designing STEAM-oriented educational activities that engage students in scientific inquiry, acoustic measurement, data analysis and programming. The paper presents a pilot classroom implementation in English language instruction in which students used Praat-based acoustic analysis together with a Python-based supervised machine-learning classifier to investigate whether speakers could be differentiated on the basis of measurable acoustic characteristics. The computational component employed a Random Forest classifier based on selected acoustic features, while supplementary manual analysis of the F3–F2 distance was used to examine/r/ realizations in cases of acoustic overlap. The classroom implementation involved 30 seventh-grade students, while the acoustic speaker dataset consisted of recordings from six students selected for the speaker-differentiation component of the project. A special section of the paper is devoted to the development of educational projects combining phonetic analysis, physical models of the vocal tract, and artificial intelligence algorithms, with the aim of bringing the scientific method closer to students and enabling active learning through research. The paper demonstrates that phonetic research can serve not only as a component of language teaching but also as a powerful instrument of interdisciplinary education. The conclusion emphasizes that phonetics represents an authentic STEAM discipline in miniature and that its systematic implementation in teaching contributes to the development of functional knowledge, an investigative mindset, and students' digital competencies.

این مقاله الگویی نوآورانه برای آموزش میان‌رشته‌ای مبتنی بر ادغام آواشناسی آکوستیکی در آموزش STEAM (علوم، فناوری، مهندسی، هنر، ریاضیات) ارائه می‌دهد. این مطالعه بر این فرض استوار است که ماهیت میان‌رشته‌ای آواشناسی آکوستیکی که زبان را با فیزیک، ریاضیات و فناوری‌های دیجیتال پیوند می‌دهد، بستر مناسبی برای طراحی فعالیت‌های آموزشی مبتنی بر STEAM فراهم می‌کند که دانش‌آموزان را درگیر پژوهش علمی، اندازه‌گیری آکوستیکی، تحلیل داده‌ها و برنامه‌نویسی می‌سازد. مقاله حاضر اجرای آزمایشی این مدل را در کلاس زبان انگلیسی ارائه می‌کند که در آن دانش‌آموزان با استفاده از تحلیل آکوستیکی مبتنی بر Praat و یک طبقه‌بند یادگیری ماشین نظارت‌شده مبتنی بر Python بررسی کردند که آیا می‌توان گویندگان را بر اساس ویژگی‌های آکوستیکی قابل اندازه‌گیری از یکدیگر تمییز داد یا خیر. بخش محاسباتی از طبقه‌بند Random Forest مبتنی بر ویژگی‌های آکوستیکی منتخب بهره برد، در حالی که تحلیل دستی مکمل فاصله F3–F2 برای بررسی تحقق /r/ در موارد همپوشانی آکوستیکی به کار رفت. اجرای کلاسی با حضور ۳۰ دانش‌آموز پایه هفتم انجام شد و مجموعه داده‌های آکوستیکی گویندگان شامل ضبط‌های شش دانش‌آموز منتخب برای مؤلفه تمییز گوینده پروژه بود. بخشی ویژه از مقاله به توسعه پروژه‌های آموزشی ترکیبی از تحلیل آوایی، مدل‌های فیزیکی مجرای صوتی و الگوریتم‌های هوش مصنوعی اختصاص یافته است تا روش علمی را به دانش‌آموزان نزدیک‌تر کند و یادگیری فعال از طریق پژوهش را ممکن سازد. مقاله نشان می‌دهد که پژوهش آوایی نه‌تنها می‌تواند به‌عنوان بخشی از آموزش زبان بلکه به‌عنوان ابزاری قدرتمند برای آموزش میان‌رشته‌ای عمل کند. نتیجه‌گیری تأکید می‌کند که آواشناسی به‌مثابه یک رشته اصیل STEAM در مقیاس کوچک است و اجرای نظام‌مند آن در آموزش به توسعه دانش کاربردی، ذهنیت پژوهشگرانه و شایستگی‌های دیجیتال دانش‌آموزان کمک می‌کند.

Political silence refers to the failure of political thought to translate into political action for various reasons. Individuals may remain silent out of fear that future interests will be harmed or to secure specific benefits. This study aims to conceptualize political silence among individuals as a multidimensional construct by focusing on academics in Türkiye and to develop a valid and reliable measurement scale. The research, based on a quantitative design, includes scale development and psychometric validation. During the scale development process, an item pool was generated from the relevant literature, and content validity was established through expert evaluation. To examine the construct validity of the scale, an Exploratory Factor Analysis was performed on data from 640 academics in the first stage, and a Confirmatory Factor Analysis was conducted on data from 643 academics in the second stage. The scale’s reliability was evaluated using Cronbach’s alpha coefficients, and convergent and discriminant validity were assessed using composite reliability (CR), average variance extracted (AVE), and the Fornell–Larcker criterion. The findings demonstrate that the political silence scale developed in this study is a valid and reliable measurement instrument comprising four subdimensions: protest-based, perceived risk-based, conformity-based, and value-based political silence.

سکوت سیاسی به ناتوانی اندیشه سیاسی در تبدیل شدن به کنش سیاسی به دلایل مختلف اشاره دارد. افراد ممکن است به دلیل ترس از آسیب دیدن منافع آینده یا برای تأمین منافع خاص، سکوت اختیار کنند. هدف این پژوهش، مفهوم‌سازی سکوت سیاسی به عنوان یک سازه چندبعدی در میان افراد با تمرکز بر اعضای هیئت علمی در ترکیه و تدوین یک مقیاس سنجش معتبر و پایا است. این پژوهش که مبتنی بر طرح کمی است، شامل تدوین مقیاس و اعتبارسنجی روان‌سنجی می‌باشد. در فرایند تدوین مقیاس، مجموعه‌ای از گویه‌ها بر اساس ادبیات مرتبط گردآوری شد و روایی محتوایی از طریق ارزیابی خبرگان تأیید گردید. برای بررسی روایی سازه مقیاس، تحلیل عاملی اکتشافی بر داده‌های ۶۴۰ عضو هیئت علمی در مرحله اول و تحلیل عاملی تأییدی بر داده‌های ۶۴۳ عضو هیئت علمی در مرحله دوم انجام شد. پایایی مقیاس با استفاده از ضرایب آلفای کرونباخ ارزیابی گردید و روایی همگرا و واگرا با استفاده از پایایی ترکیبی (CR)، میانگین واریانس استخراج‌شده (AVE) و معیار فورنل–لارکر بررسی شد. یافته‌ها نشان می‌دهد که مقیاس سکوت سیاسی تدوین‌شده در این پژوهش، ابزاری معتبر و پایا شامل چهار زیرمقیاس سکوت سیاسی مبتنی بر اعتراض، مبتنی بر ادراک ریسک، مبتنی بر همنوایی و مبتنی بر ارزش است.

What does happiness mean to ordinary people? Answering this requires examining not only the components people associate with happiness, but also how these components are organized and structurally connected into a semantic schema. The same questions apply to its conceptual counterpart—unhappiness—and to how both vary across social groups. To address these questions, this study employs a word-association network approach to investigate the semantic schemas and group differences in people’s perceptions of happiness and unhappiness. Specifically, we create semantic representations of happiness and unhappiness using a word-association task in which participants freely listed words they associate with happiness and unhappiness, and then listed further words associated with each response; these word pairs are used to construct association networks from which underlying schemas are identified and demographic differences examined. Based on a survey conducted in Japan, our findings reveal major components, such as “ Wealth ” and “ Relationships ,” widely identified in existing theories, as well as underrepresented components, such as “ Food .” Moreover, our analysis provides insights into the structural relationships among these components, allowing us to understand how different components are connected to one another and what roles they play within the schema. Furthermore, we demonstrate that the word-association network approach provides a useful framework for investigating how everyday conceptions of happiness and unhappiness differ across demographic groups, revealing variation across groups in both schema structure and specific semantic features. Overall, this study demonstrates the value of word-association networks for capturing everyday conceptions of happiness and unhappiness, offering both theoretical insights and practical implications for developing more accurate and culturally grounded measures.

خوشبختی برای افراد عادی به چه معناست؟ پاسخ به این پرسش مستلزم بررسی نه تنها مؤلفه‌هایی است که افراد با خوشبختی مرتبط می‌دانند، بلکه نحوه سازمان‌دهی و ارتباط ساختاری این مؤلفه‌ها در قالب یک طرحواره معنایی نیز اهمیت دارد. همین پرسش‌ها در مورد مفهوم مقابل آن، یعنی بدبختی، و همچنین نحوه تفاوت هر دو در میان گروه‌های اجتماعی نیز مطرح است. برای پاسخ به این پرسش‌ها، این مطالعه با بهره‌گیری از رویکرد شبکه تداعی واژه به بررسی طرحواره‌های معنایی و تفاوت‌های گروهی در ادراک افراد از خوشبختی و بدبختی می‌پردازد. به طور مشخص، بازنمایی‌های معنایی خوشبختی و بدبختی از طریق یک تکلیف تداعی واژه ایجاد می‌شود که در آن شرکت‌کنندگان آزادانه واژه‌هایی را که با خوشبختی و بدبختی مرتبط می‌دانند، فهرست می‌کنند و سپس واژه‌های بیشتری را که با هر پاسخ مرتبط است، ذکر می‌کنند؛ این جفت واژه‌ها برای ساخت شبکه‌های تداعی به کار می‌روند که بر اساس آن‌ها طرحواره‌های زیرین شناسایی شده و تفاوت‌های جمعیت‌شناختی بررسی می‌شود. بر اساس یک پیمایش انجام‌شده در ژاپن، یافته‌های ما مؤلفه‌های اصلی مانند «ثروت» و «روابط» را که در نظریه‌های موجود به طور گسترده شناسایی شده‌اند، و همچنین مؤلفه‌های کمتر مورد توجه مانند «غذا» را آشکار می‌کند. افزون بر این، تحلیل ما بینش‌هایی درباره روابط ساختاری میان این مؤلفه‌ها ارائه می‌دهد و امکان درک نحوه اتصال مؤلفه‌های مختلف به یکدیگر و نقش آن‌ها در طرحواره را فراهم می‌سازد. همچنین نشان می‌دهیم که رویکرد شبکه تداعی واژه چارچوبی سودمند برای بررسی تفاوت تصورات روزمره از خوشبختی و بدبختی در میان گروه‌های جمعیت‌شناختی فراهم می‌کند و تفاوت‌هایی را در ساختار طرحواره و ویژگی‌های معنایی خاص میان گروه‌ها آشکار می‌سازد. در مجموع، این مطالعه ارزش شبکه‌های تداعی واژه را در بازنمایی تصورات روزمره از خوشبختی و بدبختی نشان می‌دهد و بینش‌های نظری و پیامدهای عملی برای توسعه سنجه‌های دقیق‌تر و مبتنی بر فرهنگ ارائه می‌کند.

Personalized psychological counseling is essential for tailoring therapeutic strategies to individual needs. However, existing methods often rely on static approaches that fail to dynamically adapt responses based on emotional and contextual changes in client conversations. The primary objective is to improve personalized psychological counseling for college students experiencing academic stress, social adjustment challenges, and emotional well-being concerns. The proposed model is termed the Grizzly Bear Fat-Increase Optimization–Driven Encoder–Decoder Long Short-Term Memory (GBFI–EDLSTM) architecture to dynamically adjust counseling strategies. The model utilizes an Encoder–Decoder LSTM to process and generate personalized counseling responses. GBFI fine-tunes these responses by analyzing emotional cues, ensuring that the generated strategies are tailored to the client’s evolving needs within a college academic and social environment. The model is trained on a curated dataset consisting of mental health conversation dialogues collected from college students and university counseling sessions, which contain text-based interactions between student clients and professional counselors. Preprocessing steps such as tokenization, stop-word removal, lemmatization, and punctuation removal to standardize the input. BERT embeddings are used for feature extraction, enabling the model to capture meaningful semantic relationships. These features assist the model in generating contextually appropriate and emotionally relevant responses. The model is implemented using Python, with Tensorflow and Keras for DL, and NLTK and spaCy for text preprocessing. The model accuracy (0.936), precision (0.93), recall (0.92), and F1-score (0.92), along with a PHQ-9 reduction (4.3) and dropout rate (8.8%). It outperforms traditional models in terms of emotional engagement and therapeutic progress prediction.

مشاوره روان‌شناختی شخصی‌سازی‌شده برای تطبیق راهبردهای درمانی با نیازهای فردی ضروری است. با این حال، روش‌های موجود اغلب بر رویکردهای ایستا تکیه دارند که قادر به انطباق پویا با تغییرات هیجانی و زمینه‌ای در مکالمات مراجع نیستند. هدف اصلی، بهبود مشاوره روان‌شناختی شخصی‌سازی‌شده برای دانشجویان دانشگاه است که با استرس تحصیلی، چالش‌های سازگاری اجتماعی و نگرانی‌های بهزیستی هیجانی مواجه هستند. مدل پیشنهادی با عنوان معماری Grizzly Bear Fat-Increase Optimization–Driven Encoder–Decoder Long Short-Term Memory (GBFI–EDLSTM) ارائه می‌شود تا راهبردهای مشاوره را به صورت پویا تنظیم کند. این مدل از یک Encoder–Decoder LSTM برای پردازش و تولید پاسخ‌های مشاوره‌ای شخصی‌سازی‌شده بهره می‌برد. GBFI این پاسخ‌ها را با تحلیل نشانه‌های هیجانی بهینه می‌کند تا اطمینان حاصل شود که راهبردهای تولیدشده با نیازهای در حال تحول مراجع در محیط دانشگاهی و اجتماعی تطابق دارند. مدل بر روی مجموعه داده‌ای منتخب شامل گفتگوهای سلامت روان جمع‌آوری‌شده از دانشجویان و جلسات مشاوره دانشگاهی آموزش داده می‌شود که شامل تعاملات متنی بین مراجعان دانشجو و مشاوران حرفه‌ای است. مراحل پیش‌پردازش مانند توکنیزاسیون، حذف کلمات توقف، لماتیزاسیون و حذف علائم نگارشی برای استانداردسازی ورودی انجام می‌شود. برای استخراج ویژگی‌ها از تعبیه‌های BERT استفاده می‌شود تا مدل بتواند روابط معنایی معنادار را دریافت کند. این ویژگی‌ها به مدل در تولید پاسخ‌های متناسب با زمینه و مرتبط با هیجان کمک می‌کنند. مدل با استفاده از Python و کتابخانه‌های Tensorflow و Keras برای یادگیری عمیق و NLTK و spaCy برای پیش‌پردازش متنی پیاده‌سازی شده است. دقت مدل (0.936)، دقت مثبت (0.93)، یادآوری (0.92) و امتیاز F1 (0.92)، همراه با کاهش PHQ-9 (4.3) و نرخ دراپ‌اوت (8.8%) گزارش شده است. این مدل از نظر درگیری هیجانی و پیش‌بینی پیشرفت درمانی عملکرد بهتری نسبت به مدل‌های سنتی دارد.

Drawing on the mutual constitution framework in cultural psychology, this study explores how three generations of an Oroqen family construct ethnic identity through nostalgic narratives elicited by family photographs. The Oroqen, one of China’s smallest ethnic minority groups, with a population of only 9,168, offer a rare example of rapid cultural change. In the span of only three generations, or roughly 80 years, they moved from a forest-based hunting and gathering way of life into full participation in a digital society. Using reflexive thematic analysis, the analysis examined in-depth interviews with five members of the family and identified three core themes. First, the main anchors of ethnic identity shifted across generations. For the grandparents, Oroqen identity was rooted in embodied memories of hunting and gathering. The parent generation centered it on preserving traditions that were fading away. The grandchild generation, by contrast, reconstructed identity through selective symbols and digital communication. Second, the link between language ability and ethnic identity changed across generations, moving from essentialist claims to pragmatic compromise and then to more fluid forms of reconstruction. Each generation also bore its own emotional burden in this process. Third, digital media created new possibilities for the grandchild generation to reshape ethnic identity. This gave rise to an intergenerational dynamic in which a decline in lived experience was accompanied by a widening range of communication. These findings extend the mutual constitution framework by showing how generational position and media environments shape identity construction. The study also highlights the value of photo-elicitation interviews for capturing generational differences in identity construction in culturally endangered contexts.

با بهره‌گیری از چارچوب هم‌ساختی در روان‌شناسی فرهنگی، این پژوهش به بررسی چگونگی ساخت هویت قومی در سه نسل از یک خانواده اوروچن از طریق روایت‌های نوستالژیک برانگیخته‌شده با عکس‌های خانوادگی می‌پردازد. اوروچن‌ها، یکی از کوچک‌ترین گروه‌های اقلیت قومی در چین با جمعیتی تنها ۹٬۱۶۸ نفر، نمونه‌ای نادر از تغییرات سریع فرهنگی را ارائه می‌دهند. در مدت تنها سه نسل، یا تقریباً ۸۰ سال، آن‌ها از سبک زندگی مبتنی بر شکار و گردآوری در جنگل به مشارکت کامل در جامعه دیجیتال گذار کردند. با استفاده از تحلیل تماتیک بازتابی، مصاحبه‌های عمیق با پنج عضو خانواده تحلیل و سه مضمون اصلی شناسایی شد. نخست، لنگرهای اصلی هویت قومی در طول نسل‌ها تغییر یافته است. برای نسل پدربزرگ و مادربزرگ، هویت اوروچن در خاطرات مجسم شکار و گردآوری ریشه داشت. نسل والدین، هویت را بر حفظ سنت‌هایی که رو به زوال بودند متمرکز کرد. در مقابل، نسل نوه‌ها هویت را از طریق نمادهای گزینشی و ارتباطات دیجیتال بازسازی نمود. دوم، پیوند میان توانایی زبانی و هویت قومی در طول نسل‌ها تغییر کرد و از ادعاهای ذات‌گرایانه به سازش عمل‌گرایانه و سپس به اشکال سیال‌تر بازسازی حرکت نمود. هر نسل همچنین بار عاطفی خاص خود را در این فرایند بر دوش داشت. سوم، رسانه‌های دیجیتال امکان‌های جدیدی برای نسل نوه‌ها جهت بازشکل‌دهی هویت قومی ایجاد کردند. این امر به پویایی بین‌نسلی انجامید که در آن کاهش تجربه زیسته با گسترش دامنه ارتباطات همراه شد. این یافته‌ها چارچوب هم‌ساختی را با نشان دادن چگونگی تأثیر موقعیت نسلی و محیط‌های رسانه‌ای بر ساخت هویت گسترش می‌دهد. همچنین، این مطالعه بر ارزش مصاحبه‌های عکس‌برانگیز در ثبت تفاوت‌های نسلی در ساخت هویت در زمینه‌های فرهنگی در معرض خطر تأکید می‌کند.

Reflective freewriting holds a distinctive place in ESL writing pedagogy as a low-stakes, exploratory practice in which learners articulate tentative thinking before it is shaped by evaluative demands. The rapid integration of generative AI (GenAI) into second language (L2) writing now threatens to absorb reflective freewriting into a wider regime of AI-mediated production, reducing reflection to one more output to be generated, polished or summarised. This article argues that this loss is not only pedagogical but ontological. Drawing on Biesta’s theory of subjectification, the article conceptualises reflective freewriting as subjectifying writing, functioning as a site of existential encounter with the world, where the learner uses language to respond in their own name. The article introduces the construct of algorithmic foreclosure to describe the structural tendency of GenAI systems to short-circuit this existential response, substituting generated text for the indeterminate work of subjectification. Together, these constructs support a case for protecting reflective freewriting as a non-AI-mediated space within L2 writing pedagogy.

نوشتار آزاد تأملی جایگاهی متمایز در آموزش نگارش زبان انگلیسی به عنوان زبان دوم دارد و به عنوان یک تمرین کم‌خطر و اکتشافی، به زبان‌آموزان امکان می‌دهد تا اندیشه‌های اولیهٔ خود را پیش از آن‌که تحت تأثیر الزامات ارزشیابی قرار گیرد، بیان کنند. ادغام سریع هوش مصنوعی مولد (GenAI) در نگارش زبان دوم (L2) اکنون تهدید می‌کند که نوشتار آزاد تأملی را در یک نظام گسترده‌تر تولید مبتنی بر هوش مصنوعی جذب کند و تأمل را به یکی دیگر از خروجی‌هایی که باید تولید، ویرایش یا خلاصه شود، تقلیل دهد. این مقاله استدلال می‌کند که این فقدان نه تنها آموزشی بلکه وجودی است. با بهره‌گیری از نظریهٔ سوژه‌سازی بیستا (Biesta)، مقاله نوشتار آزاد تأملی را به عنوان نوشتاری سوژه‌ساز مفهوم‌پردازی می‌کند که به عنوان عرصه‌ای برای مواجههٔ وجودی با جهان عمل می‌کند، جایی که زبان‌آموز با زبان به نام خود پاسخ می‌دهد. مقاله سازهٔ «انسداد الگوریتمی» را معرفی می‌کند تا گرایش ساختاری سامانه‌های GenAI را برای کوتاه‌کردن این پاسخ وجودی و جایگزینی متن تولیدشده به جای کار نامعین سوژه‌سازی توصیف کند. این مفاهیم در مجموع از ضرورت حفظ نوشتار آزاد تأملی به عنوان فضایی غیرمبتنی بر هوش مصنوعی در آموزش نگارش زبان دوم حمایت می‌کنند.

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).

The rapid emergence of Artificial Intelligence (AI), is reshaping higher education through real-time tutoring, personalised learning, and advanced knowledge synthesis. In Uganda, the adoption of Competence-Based Education (CBE) emphasises learner-centered pedagogy, critical thinking, and practical skill development. While AI presents opportunities to strengthen CBE, its unstructured use may undermine independent inquiry, critical thinking, and authentic competency development. The study investigated how institutional readiness, stakeholder perceptions, and AI use patterns relate to learner achievement within a competence-based curriculum in an AI-powered environment. It further identified strategies for integrating AI to support competency attainment, academic performance, assessment outcomes, and learning outcomes while preserving the principles of CBE in Ugandan higher education institutions. A cross-sectional quantitative design was employed, involving academic staff ( n = 52) and students ( n = 513) from public and private universities in Uganda. Participants were recruited through convenience sampling using online platforms. Data were collected using structured questionnaires measuring institutional readiness, stakeholder perceptions, AI usage patterns, learner achievement, and pedagogical strategies for AI integration. Both descriptive and inferential statistics were analysed using the JASP statistical tool and Python-based data analysis tools. The findings revealed moderate institutional readiness for AI adoption, with technology recording the highest readiness (M = 3.2), followed by pedagogy (M = 2.9), while policy and governance readiness remained low (M = 2.4). Stakeholders perceived AI as supporting competency achievement (M = 4.1, 85%) and self-directed learning (M = 4.0, 80%), although concerns were raised regarding independent problem-solving (M = 3.6, 65%) and assessment authenticity (M = 3.8, 70%). Students reported frequent use of AI tools, particularly ChatGPT (81.1%), Gemini (56.8%), and Copilot (38.8%), primarily for concept clarification (89.2%), research (81.1%), and idea generation (70.3%). Correlation analysis revealed a moderate positive relationship between AI use frequency and academic performance ( r = 0.544), while chi-square analysis confirmed a significant association between AI use and academic performance (χ 2 = 241.898, p < 0.001). The study concludes that effective AI integration in CBE requires AI literacy training, lecturer capacity building, institutional policy frameworks, and competency-oriented assessment approaches to enhance learner achievement while preserving the integrity of competency development.

ظهور سریع هوش مصنوعی (AI)، آموزش عالی را از طریق آموزش در لحظه، یادگیری شخصی‌سازی‌شده و ترکیب پیشرفته دانش دگرگون می‌کند. در اوگاندا، پذیرش آموزش مبتنی بر شایستگی (CBE) بر آموزش یادگیرنده‌محور، تفکر انتقادی و توسعه مهارت‌های عملی تأکید دارد. در حالی که هوش مصنوعی فرصت‌هایی برای تقویت CBE فراهم می‌کند، استفاده بدون ساختار از آن ممکن است پژوهش مستقل، تفکر انتقادی و توسعه واقعی شایستگی را تضعیف کند. این مطالعه بررسی کرد که آمادگی نهادی، ادراک ذینفعان و الگوهای استفاده از هوش مصنوعی چگونه با پیشرفت یادگیرندگان در چارچوب برنامه درسی مبتنی بر شایستگی در محیطی مبتنی بر هوش مصنوعی مرتبط است. همچنین راهبردهایی را برای ادغام هوش مصنوعی به منظور حمایت از دستیابی به شایستگی، عملکرد تحصیلی، نتایج ارزیابی و نتایج یادگیری، در عین حفظ اصول CBE در مؤسسات آموزش عالی اوگاندا شناسایی کرد. یک طرح کمی مقطعی به کار گرفته شد که شامل اعضای هیئت علمی (n = 52) و دانشجویان (n = 513) از دانشگاه‌های دولتی و خصوصی اوگاندا بود. شرکت‌کنندگان از طریق نمونه‌گیری در دسترس با استفاده از بسترهای آنلاین جذب شدند. داده‌ها با استفاده از پرسشنامه‌های ساختاریافته که آمادگی نهادی، ادراک ذینفعان، الگوهای استفاده از هوش مصنوعی، پیشرفت یادگیرندگان و راهبردهای آموزشی برای ادغام هوش مصنوعی را اندازه‌گیری می‌کرد، جمع‌آوری شد. هر دو آمار توصیفی و استنباطی با استفاده از ابزار آماری JASP و ابزارهای تحلیل داده مبتنی بر Python تحلیل شدند. یافته‌ها آمادگی متوسط نهادی برای پذیرش هوش مصنوعی را نشان داد، به طوری که فناوری بالاترین آمادگی (M = 3.2) و پس از آن آموزش (M = 2.9) را داشت، در حالی که آمادگی سیاست و حکمرانی پایین باقی ماند (M = 2.4). ذینفعان هوش مصنوعی را در حمایت از دستیابی به شایستگی (M = 4.1، ۸۵٪) و یادگیری خودراهبر (M = 4.0، ۸۰٪) مؤثر دانستند، اگرچه نگرانی‌هایی در مورد حل مسئله مستقل (M = 3.6، ۶۵٪) و اصالت ارزیابی (M = 3.8، ۷۰٪) مطرح شد. دانشجویان استفاده مکرر از ابزارهای هوش مصنوعی، به ویژه ChatGPT (۸۱.۱٪)، Gemini (۵۶.۸٪) و Copilot (۳۸.۸٪) را عمدتاً برای شفاف‌سازی مفاهیم (۸۹.۲٪)، پژوهش (۸۱.۱٪) و تولید ایده (۷۰.۳٪) گزارش کردند. تحلیل همبستگی رابطه مثبت متوسطی بین فراوانی استفاده از هوش مصنوعی و عملکرد تحصیلی (r = 0.544) نشان داد، در حالی که تحلیل کای-دو ارتباط معناداری بین استفاده از هوش مصنوعی و عملکرد تحصیلی (χ2 = 241.898، p < 0.001) را تأیید کرد. مطالعه نتیجه می‌گیرد که ادغام مؤثر هوش مصنوعی در CBE مستلزم آموزش سواد هوش مصنوعی، توانمندسازی اعضای هیئت علمی، چارچوب‌های سیاست نهادی و رویکردهای ارزیابی مبتنی بر شایستگی است تا پیشرفت یادگیرندگان را در عین حفظ یکپارچگی توسعه شایستگی ارتقا دهد.

Against the backdrop of the continuous advancement of inclusive education, kindergarten teachers have become crucial to determining whether the quality of preschool inclusive education can be effectively realized. However, existing studies have tended to examine teachers' attitudes, knowledge, or skills separately, with limited structural explanation of how deep-seated qualities, intrinsic motivation, and explicit practices jointly constitute teacher competency in preschool inclusive settings. This study integrated the Iceberg Model and the Onion Model to construct a five-dimensional framework of kindergarten teachers' inclusive education competency, including inclusive literacy, inclusive knowledge, inclusive motivation, teaching adjustment, and collaborative influence. A two-stage quantitative design was adopted. A self-developed 39-item questionnaire was finalized based on a pretest with 239 kindergarten teachers, and a formal survey was then conducted among 298 kindergarten teachers in Chongqing, China. The results showed that teachers' overall inclusive education competency was above the midpoint, but the five dimensions developed unevenly. Inclusive literacy and teaching adjustment were relatively higher, inclusive knowledge and inclusive motivation were close to the overall average, and collaborative influence was the weakest dimension. Further analyses indicated that backbone teachers and teachers who had received relevant training showed higher levels of competency. Teachers who had contact with children with special needs had higher mean scores across dimensions, but the differences were not statistically robust. Meanwhile, cumulative training duration did not show the expected positive relationship with overall competency, suggesting that training participation and training duration reflect different aspects of professional growth and that accumulated training hours cannot be equated with training quality. The findings indicate that kindergarten teachers' inclusive education competency is not a single reserve of knowledge or skills, but a composite structure comprising deepseated qualities, a knowledge base, intrinsic motivation, and practical abilities. This study provides empirical evidence from western China and offers implications for localized assessment, teacher support systems, and training improvement.

در بستر پیشرفت مستمر آموزش فراگیر، معلمان مهدکودک نقش کلیدی در تعیین تحقق مؤثر کیفیت آموزش فراگیر پیش‌دبستانی ایفا می‌کنند. با این حال، پژوهش‌های موجود عمدتاً نگرش‌ها، دانش یا مهارت‌های معلمان را به طور جداگانه بررسی کرده‌اند و توضیح ساختاری محدودی درباره این‌که چگونه ویژگی‌های عمیق، انگیزش درونی و عملکردهای آشکار به طور مشترک شایستگی معلمان در محیط‌های فراگیر پیش‌دبستانی را شکل می‌دهند، ارائه داده‌اند. این مطالعه با ادغام مدل کوه یخ و مدل پیازی، چارچوبی پنج‌بعدی از شایستگی معلمان مهدکودک در آموزش فراگیر شامل سواد فراگیر، دانش فراگیر، انگیزش فراگیر، تعدیل تدریس و تأثیر همکاری را تدوین کرد. طرح پژوهش کمی دو مرحله‌ای اتخاذ شد. پرسشنامه‌ای ۳۹ ماده‌ای که توسط پژوهشگران تدوین شده بود، بر اساس پیش‌آزمون با ۲۳۹ معلم مهدکودک نهایی شد و سپس پیمایش اصلی در میان ۲۹۸ معلم مهدکودک در چونگ‌کینگ، چین انجام گرفت. نتایج نشان داد که شایستگی کلی معلمان در آموزش فراگیر بالاتر از نقطه میانی بود، اما پنج بعد توسعه‌یافته به طور یکنواخت رشد نکرده بودند. سواد فراگیر و تعدیل تدریس نسبتاً بالاتر بودند، دانش فراگیر و انگیزش فراگیر نزدیک به میانگین کلی بودند و تأثیر همکاری ضعیف‌ترین بعد بود. تحلیل‌های بیشتر نشان داد که معلمان کلیدی و معلمانی که آموزش مرتبط دریافت کرده بودند، سطوح بالاتری از شایستگی را نشان دادند. معلمانی که با کودکان دارای نیازهای ویژه تماس داشتند، میانگین نمرات بالاتری در ابعاد مختلف داشتند، اما تفاوت‌ها از لحاظ آماری معنادار نبود. همچنین، مدت تجمعی آموزش رابطه مثبت مورد انتظار با شایستگی کلی را نشان نداد که این امر نشان می‌دهد مشارکت در آموزش و مدت آموزش جنبه‌های متفاوتی از رشد حرفه‌ای را منعکس می‌کند و ساعات تجمعی آموزش را نمی‌توان معادل کیفیت آموزش دانست. یافته‌ها نشان می‌دهد که شایستگی معلمان مهدکودک در آموزش فراگیر صرفاً ذخیره‌ای از دانش یا مهارت نیست، بلکه ساختاری مرکب متشکل از ویژگی‌های عمیق، بنیان دانشی، انگیزش درونی و توانایی‌های عملی است. این مطالعه شواهد تجربی از غرب چین ارائه می‌دهد و پیامدهایی برای ارزیابی بومی، نظام‌های حمایت از معلمان و بهبود آموزش دارد.

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.

Abstract The increasing use of visual social media has intensified societal pressure to achieve flawless skin and may contribute to excessive preoccupation with appearance and skincare. The emerging terms dermorexia and cosmeticorexia have been used to describe potentially compulsive skincare behaviors extending beyond conventional self-care. This narrative review examines the proposed concept of dermorexia, its conceptual overlap with recognized psychiatric conditions, potential risk factors and clinical manifestations, dermatological and psychological consequences, and implications for aesthetic practice. The available literature was conducted, focusing on compulsive skincare behaviors, social media–related body image concerns, body dysmorphic disorder (BDD), and obsessive-compulsive spectrum conditions. Relevant evidence was critically synthesized to assess the current conceptual and clinical basis of dermorexia. Dermorexia has conceptual similarities to orthorexia nervosa and may overlap with obsessive-compulsive and body dysmorphic psychopathology. Adolescents and young adults may represent a particularly vulnerable population. Proposed manifestations include excessive and prolonged skincare routines, compulsive product use, repetitive mirror checking, skin picking, and recurrent pursuit of cosmetic procedures. Potential dermatological consequences include epidermal barrier disruption, irritant or allergic contact dermatitis, and excoriation-related scarring. Psychological consequences may include anxiety, depressive symptoms, appearance-related distress, and functional impairment. However, empirical validation, standardized diagnostic criteria, and prevalence estimates are currently lacking Dermorexia/cosmeticorexia remains an unvalidated clinical construct rather than a formally recognized psychiatric diagnosis. Nevertheless, increasing awareness may help aesthetic clinicians identify maladaptive skincare and appearance-related behaviors and facilitate appropriate psychological referral. Further research is required to establish its epidemiology, diagnostic boundaries, and clinical significance.

چکیده: افزایش استفاده از شبکه‌های اجتماعی تصویری، فشار اجتماعی برای دستیابی به پوستی بی‌عیب و نقص را تشدید کرده و ممکن است به اشتغال ذهنی بیش از حد با ظاهر و مراقبت از پوست منجر شود. اصطلاحات نوظهور درمورکسیا و کازمتیکورکسیا برای توصیف رفتارهای بالقوه وسواسی مراقبت از پوست که فراتر از خودمراقبتی متعارف هستند، به کار رفته‌اند. این مرور روایتی به بررسی مفهوم پیشنهادی درمورکسیا، همپوشانی مفهومی آن با اختلالات روان‌پزشکی شناخته‌شده، عوامل خطر بالقوه و تظاهرات بالینی، پیامدهای پوست‌شناختی و روان‌شناختی، و پیامدهای آن برای طب زیبایی می‌پردازد. ادبیات موجود با تمرکز بر رفتارهای وسواسی مراقبت از پوست، نگرانی‌های مرتبط با تصویر بدنی ناشی از شبکه‌های اجتماعی، اختلال بدشکلی بدن (BDD) و اختلالات طیف وسواس-اجبار مورد بررسی قرار گرفت. شواهد مرتبط به طور انتقادی تلفیق شد تا مبنای مفهومی و بالینی فعلی درمورکسیا ارزیابی شود. درمورکسیا از نظر مفهومی با اورتورکسیا نروزا شباهت دارد و ممکن است با آسیب‌شناسی وسواسی-اجباری و بدشکلی بدن همپوشانی داشته باشد. نوجوانان و بزرگسالان جوان ممکن است جمعیت آسیب‌پذیرتری باشند. تظاهرات پیشنهادی شامل روتین‌های بیش از حد و طولانی مراقبت از پوست، استفاده وسواسی از محصولات، چک کردن مکرر آینه، کندن پوست و پیگیری مکرر اقدامات زیبایی است. پیامدهای پوست‌شناختی بالقوه شامل اختلال سد اپیدرمال، درماتیت تماسی تحریکی یا آلرژیک و اسکار ناشی از خراشیدن است. پیامدهای روان‌شناختی ممکن است شامل اضطراب، علائم افسردگی، پریشانی مرتبط با ظاهر و اختلال عملکرد باشد. با این حال، اعتبارسنجی تجربی، معیارهای تشخیصی استاندارد و برآوردهای شیوع در حال حاضر وجود ندارد. درمورکسیا/کازمتیکورکسیا همچنان یک ساختار بالینی تأییدنشده است و به عنوان یک تشخیص روان‌پزشکی رسمی شناخته نمی‌شود. با این وجود، افزایش آگاهی ممکن است به متخصصان زیبایی در شناسایی رفتارهای ناسازگارانه مراقبت از پوست و ظاهر و تسهیل ارجاع روان‌شناختی مناسب کمک کند. تحقیقات بیشتری برای تعیین همه‌گیرشناسی، مرزهای تشخیصی و اهمیت بالینی آن مورد نیاز است.

This study aims to explore the impact of principal transformational leadership on teacher organizational commitment across regions and schools, using teacher self-efficacy as a mediating variable, to enhance principals' leadership wisdom and promote school change. A total of 320 questionnaires were distributed and 310 were returned (return rate of 96.8%). Finally, 308 valid questionnaires were obtained (effectiveness rate of 96.2%). AMOS 23.0 was used to construct a structural equation model with path coefficients, and the model fit and path effect were analyzed to explore the relationship between the three main variables. The results show that principal transformational leadership has a significant positive correlation with both teacher organizational commitment and teacher self-efficacy. Teacher self-efficacy has a significant positive correlation with teacher organizational commitment. Teacher self-efficacy has a mediating role. Transformational leadership primarily affects teachers' intrinsic motivation—self-efficacy—which in turn influences their level of organizational commitment.

هدف این پژوهش بررسی تأثیر رهبری تحول‌آفرین مدیران بر تعهد سازمانی معلمان در مناطق و مدارس مختلف با استفاده از خودکارآمدی معلمان به عنوان متغیر میانجی، به منظور ارتقاء خرد رهبری مدیران و ترویج تغییر در مدرسه است. در مجموع ۳۲۰ پرسشنامه توزیع شد و ۳۱۰ پرسشنامه بازگردانده شد (نرخ بازگشت ۹۶.۸٪). در نهایت، ۳۰۸ پرسشنامه معتبر به دست آمد (نرخ اعتبار ۹۶.۲٪). برای ساخت مدل معادلات ساختاری با ضرایب مسیر از نرم‌افزار AMOS 23.0 استفاده شد و برازش مدل و اثر مسیرها برای بررسی رابطه بین سه متغیر اصلی تحلیل گردید. نتایج نشان می‌دهد که رهبری تحول‌آفرین مدیران با هر دو متغیر تعهد سازمانی معلمان و خودکارآمدی معلمان همبستگی مثبت معناداری دارد. خودکارآمدی معلمان نیز با تعهد سازمانی معلمان همبستگی مثبت معناداری دارد. خودکارآمدی معلمان نقش میانجی ایفا می‌کند. رهبری تحول‌آفرین عمدتاً بر انگیزش درونی معلمان—خودکارآمدی—تأثیر می‌گذارد که به نوبه خود سطح تعهد سازمانی آن‌ها را تحت تأثیر قرار می‌دهد.