judgment

This article examines the differences between human judgment and algorithmic decision-making in critical logistics systems, focusing on the implications for the concepts of trust and control. The aim of the study is to determine whether AI-based systems can perform functions equivalent to human judgment and what implications this has for operational safety and accountability in complex logistics systems. The study is based on an interdisciplinary analysis, including a review of the literature on artificial intelligence, system safety, and human factors research, as well as a philosophical analysis. This is supplemented by a case study of selected incidents related to the operation of automated systems in high-risk environments, which allows the identification of practical limitations in integrating humans and algorithmic systems. The results indicate that decisions generated by algorithmic systems are statistical and optimization-based, which distinguishes them from human judgment, which takes into account context, uncertainty, and emotions. Consequently, trust in AI systems takes the form of an indirect, user-dependent relationship rather than an autonomous property of the technology. At the same time, increasing levels of automation lead to a diffusion of responsibility and a reduction in direct control over decision-making processes. The findings indicate that full automation of decisions in critical safety systems. Consequently, trust in AI systems takes the form of an indirect, user-dependent relationship rather than an autonomous property of the technology.

این مقاله به بررسی تفاوت‌های میان قضاوت انسانی و تصمیم‌گیری الگوریتمی در سامانه‌های لجستیکی حساس به ایمنی می‌پردازد و پیامدهای آن را برای مفاهیم اعتماد و کنترل مورد تحلیل قرار می‌دهد. هدف این مطالعه تعیین این است که آیا سامانه‌های مبتنی بر هوش مصنوعی می‌توانند عملکردهایی معادل با قضاوت انسانی داشته باشند و این امر چه پیامدهایی برای ایمنی عملیاتی و پاسخگویی در سامانه‌های لجستیکی پیچیده دارد. این پژوهش مبتنی بر تحلیلی میان‌رشته‌ای است که شامل مرور ادبیات مرتبط با هوش مصنوعی، ایمنی سامانه و پژوهش‌های عوامل انسانی، همچنین تحلیل فلسفی می‌شود. این تحلیل با مطالعه موردی درباره برخی رخدادهای مرتبط با عملکرد سامانه‌های خودکار در محیط‌های پرخطر تکمیل شده است که امکان شناسایی محدودیت‌های عملی در یکپارچه‌سازی انسان و سامانه‌های الگوریتمی را فراهم می‌کند. نتایج نشان می‌دهد که تصمیمات تولیدشده توسط سامانه‌های الگوریتمی مبتنی بر آمار و بهینه‌سازی هستند که آن‌ها را از قضاوت انسانی که زمینه، عدم قطعیت و هیجانات را در نظر می‌گیرد، متمایز می‌کند. در نتیجه، اعتماد به سامانه‌های هوش مصنوعی به صورت یک رابطه غیرمستقیم و وابسته به کاربر شکل می‌گیرد و نه به عنوان یک ویژگی مستقل از فناوری. همزمان، افزایش سطوح خودکارسازی منجر به پخش مسئولیت و کاهش کنترل مستقیم بر فرایندهای تصمیم‌گیری می‌شود. یافته‌ها نشان می‌دهد که خودکارسازی کامل تصمیمات در سامانه‌های حساس به ایمنی... در نتیجه، اعتماد به سامانه‌های هوش مصنوعی به صورت یک رابطه غیرمستقیم و وابسته به کاربر شکل می‌گیرد و نه به عنوان یک ویژگی مستقل از فناوری.

This article examines the differences between human judgment and algorithmic decision-making in critical logistics systems, focusing on the implications for the concepts of trust and control. The aim of the study is to determine whether AI-based systems can perform functions equivalent to human judgment and what implications this has for operational safety and accountability in complex logistics systems. The study is based on an interdisciplinary analysis, including a review of the literature on artificial intelligence, system safety, and human factors research, as well as a philosophical analysis. This is supplemented by a case study of selected incidents related to the operation of automated systems in high-risk environments, which allows the identification of practical limitations in integrating humans and algorithmic systems. The results indicate that decisions generated by algorithmic systems are statistical and optimization-based, which distinguishes them from human judgment, which takes into account context, uncertainty, and emotions. Consequently, trust in AI systems takes the form of an indirect, user-dependent relationship rather than an autonomous property of the technology. At the same time, increasing levels of automation lead to a diffusion of responsibility and a reduction in direct control over decision-making processes. The findings indicate that full automation of decisions in critical safety systems. Consequently, trust in AI systems takes the form of an indirect, user-dependent relationship rather than an autonomous property of the technology.

این مقاله به بررسی تفاوت‌های میان قضاوت انسانی و تصمیم‌گیری الگوریتمی در سامانه‌های لجستیکی حساس به ایمنی می‌پردازد و پیامدهای آن را برای مفاهیم اعتماد و کنترل مورد تحلیل قرار می‌دهد. هدف این مطالعه تعیین این است که آیا سامانه‌های مبتنی بر هوش مصنوعی می‌توانند عملکردهایی معادل با قضاوت انسانی داشته باشند و این امر چه پیامدهایی برای ایمنی عملیاتی و پاسخگویی در سامانه‌های لجستیکی پیچیده دارد. این پژوهش مبتنی بر تحلیلی میان‌رشته‌ای است که شامل مرور ادبیات مرتبط با هوش مصنوعی، ایمنی سامانه و پژوهش‌های عوامل انسانی، همچنین تحلیل فلسفی می‌شود. این تحلیل با مطالعه موردی درباره برخی رخدادهای مرتبط با عملکرد سامانه‌های خودکار در محیط‌های پرخطر تکمیل شده است که امکان شناسایی محدودیت‌های عملی در یکپارچه‌سازی انسان و سامانه‌های الگوریتمی را فراهم می‌کند. نتایج نشان می‌دهد که تصمیمات تولیدشده توسط سامانه‌های الگوریتمی مبتنی بر آمار و بهینه‌سازی هستند که آن‌ها را از قضاوت انسانی که زمینه، عدم قطعیت و هیجانات را در نظر می‌گیرد، متمایز می‌کند. در نتیجه، اعتماد به سامانه‌های هوش مصنوعی به صورت یک رابطه غیرمستقیم و وابسته به کاربر شکل می‌گیرد و نه به عنوان یک ویژگی مستقل از فناوری. همزمان، افزایش سطوح خودکارسازی منجر به پخش مسئولیت و کاهش کنترل مستقیم بر فرایندهای تصمیم‌گیری می‌شود. یافته‌ها نشان می‌دهد که خودکارسازی کامل تصمیمات در سامانه‌های حساس به ایمنی... در نتیجه، اعتماد به سامانه‌های هوش مصنوعی به صورت یک رابطه غیرمستقیم و وابسته به کاربر شکل می‌گیرد و نه به عنوان یک ویژگی مستقل از فناوری.

Purpose: This study aimed to design an artificial intelligence–based cognitive empowerment package for enhancing entrepreneurial skills in gifted and creative adolescents through the qualitative identification and integration of relevant cognitive, psychological, motivational, interpersonal, and technological components. Methods and Materials: The study employed a qualitative exploratory-developmental design. Data were obtained through an analytical review of relevant literature, examination of previous student entrepreneurship workshop experiences, and semi-structured interviews with students, mentors, workshop facilitators, and accelerator managers selected through purposive sampling. Data collection continued until conceptual saturation was achieved. Interview transcripts, field observations, documentary evidence, and analytical notes were examined using thematic analysis. Findings: The qualitative analysis indicated that sustained entrepreneurial action among gifted and creative adolescents depends on a multidimensional configuration of entrepreneurial intention and identity, self-efficacy, opportunity recognition and problem identification, executive functioning, tolerance of ambiguity, applied creativity, fear of failure and perfectionism, intrinsic motivation and psychological ownership, teamwork and psychological safety, proactive agency, resilience, future orientation, and reflective readiness to use artificial intelligence. The findings further suggested that entrepreneurial difficulties differ across adolescents and therefore require profile-based rather than uniform intervention. Integration of the themes resulted in a six-session package encompassing profile awareness and goal setting, problem identification and value creation, conversion of ideas into action plans, presentation and feedback utilization, teamwork and agency, and final presentation with a continuation plan. Conclusion: The findings suggest that entrepreneurial empowerment in gifted and creative adolescents should extend beyond creativity and business knowledge by strengthening the cognitive and psychological capacities required to transform ideas into sustained action, while using artificial intelligence as a supervised reflective and personalized learning support rather than as a substitute for adolescent judgment and agency.

هدف: این پژوهش با هدف طراحی بسته توانمندسازی شناختی مبتنی بر هوش مصنوعی جهت ارتقای مهارت‌های کارآفرینی در نوجوانان با استعداد و خلاق از طریق شناسایی و ادغام کیفی مؤلفه‌های شناختی، روان‌شناختی، انگیزشی، بین‌فردی و فناورانه مرتبط انجام شد. روش‌ها و مواد: این مطالعه با رویکرد کیفی اکتشافی-توسعه‌ای انجام گرفت. داده‌ها از طریق مرور تحلیلی منابع مرتبط، بررسی تجربیات پیشین کارگاه‌های کارآفرینی دانش‌آموزی و مصاحبه‌های نیمه‌ساختاریافته با دانش‌آموزان، مربیان، تسهیل‌گران کارگاه و مدیران شتاب‌دهنده که به روش نمونه‌گیری هدفمند انتخاب شدند، گردآوری شد. جمع‌آوری داده‌ها تا رسیدن به اشباع مفهومی ادامه یافت. رونوشت مصاحبه‌ها، مشاهدات میدانی، شواهد اسنادی و یادداشت‌های تحلیلی با استفاده از تحلیل تماتیک بررسی شدند. یافته‌ها: تحلیل کیفی نشان داد که تداوم عمل کارآفرینانه در نوجوانان با استعداد و خلاق وابسته به پیکربندی چندبعدی قصد و هویت کارآفرینانه، خودکارآمدی، شناسایی فرصت و تشخیص مسئله، کارکرد اجرایی، تحمل ابهام، خلاقیت کاربردی، ترس از شکست و کمال‌گرایی، انگیزش درونی و مالکیت روان‌شناختی، کار تیمی و ایمنی روان‌شناختی، عاملیت پیش‌فعال، تاب‌آوری، آینده‌نگری و آمادگی تأملی برای استفاده از هوش مصنوعی است. یافته‌ها همچنین نشان داد که دشواری‌های کارآفرینی در میان نوجوانان متفاوت است و بنابراین مداخله مبتنی بر پروفایل به جای مداخله یکنواخت ضرورت دارد. ادغام تم‌ها منجر به بسته‌ای شش‌جلسه‌ای شامل آگاهی از پروفایل و هدف‌گذاری، شناسایی مسئله و خلق ارزش، تبدیل ایده‌ها به برنامه عملیاتی، ارائه و بهره‌گیری از بازخورد، کار تیمی و عاملیت، و ارائه نهایی با برنامه تداوم شد. نتیجه‌گیری: یافته‌ها حاکی از آن است که توانمندسازی کارآفرینانه در نوجوانان با استعداد و خلاق باید فراتر از خلاقیت و دانش کسب‌وکار، با تقویت ظرفیت‌های شناختی و روان‌شناختی لازم برای تبدیل ایده به عمل پایدار و استفاده از هوش مصنوعی به عنوان پشتیبان یادگیری تأملی و شخصی‌سازی‌شده تحت نظارت، نه جایگزین قضاوت و عاملیت نوجوان، توسعه یابد.

Society 5.0 offers Islamic education new opportunities for personalized learning but also risks weakening intellectual agency, ethical judgment, and spiritual formation. This article analyzes the dialectic between technological modernization and the Islamization of knowledge to formulate a humanizing framework for Islamic education. It employs a qualitative integrative literature review supported by critical-philosophical and comparative-conceptual analysis. The synthesis proposes five interrelated dimensions: human dignity, epistemic verification, ethical responsibility, dialogical pedagogy, and accountable governance. These dimensions form the conceptual Humanization–Technology–Islamization of Knowledge Dialectic (DHT-IP) model, which proceeds through needs diagnosis, epistemic-ethical screening, pedagogical integration, and humanization evaluation. Technology is positioned as an instrument supporting learning and critical reasoning rather than replacing teachers’ moral judgment or learners’ responsibility. The model offers directions for curriculum, assessment, and institutional policy, while its effectiveness remains to be tested empirically across Islamic educational settings

This study contributes to the scholarship of teaching and learning (SoTL) by examining how case-based teaching and threshold concepts promote culturally inclusive pedagogical practices among pre-service teachers (PSTs). Our research design reflects SoTL principles by taking a systematic, transparent, iterative, and collaborative approach to collecting, analysing, and sharing data. Our work is explicitly aligned with theoretical frameworks, and we address unresolved issues in order to facilitate transformative learning. We aimed to explore how PSTs perceive culturally inclusive pedagogy and professional competence in a case-based course. Three key findings emerged: increased awareness of classroom diversity, a change in the PSTs’ understanding of culturally inclusive teaching, and resistance to exploratory learning designs. Many PSTs demonstrated transformative learning and sound professional judgment. However, some expressed resistance and uncertainty, underscoring the importance of scaffolding and support. The findings align with the literature on threshold concepts as gateways to boundary crossing and a deeper understanding of diversity in SoTL. The results highlight the potential of case-based teaching to encourage metacognitive reflection and to promote inclusive educational practices in teacher education programs. The study demonstrates that designing inquiry-based learning activities that integrate case studies and threshold concepts can facilitate critical reflection and metacognition among PSTs.

Reflective Practice (RP) is widely regarded as a cornerstone of psychotherapy training, supervision, and continuing professional development. Yet, despite its prominence across psychotherapeutic traditions, it remains conceptually vague and empirically contested. Recent critiques from basic psychological science (e.g., Lilienfeld & Basterfield, 2020) have argued that reflection may amplify cognitive bias and foster illusions of insight rather than improve clinical judgment. We argue that these criticisms carry weight precisely because the field has often failed to clearly define what RP is, how it functions, and under what conditions it becomes beneficial or harmful. Drawing on developmental models of therapist learning, we conceptualize RP as a multidimensional construct encompassing reflexivity as a capacity, reflective stance as an attitude, and reflection as activity. We propose that RP is most likely to support development when relationally scaffolded, informed by external feedback, and oriented toward testing and revising interpretations rather than confirming them. Reviewing developmental, quantitative, qualitative, and process-oriented evidence, we further argue that RP operates primarily as a probabilistic, context-dependent contributor to therapist development rather than as a discrete intervention with predictable outcomes. We conclude that RP is neither a panacea nor an illusion. Rather, when relationally scaffolded, theoretically informed, and oriented toward learning rather than certainty, it may provide a central mechanism through which therapists learn from clinical experience. Effective psychotherapy depends not only on therapeutic concepts and techniques but also on therapists’ ability to reflect on their clinical work, relationships, and decision-making. This paper conceptualizes Reflective Practice as a developmental process through which therapists may learn from experience, adapt to complex clinical situations, and develop their understanding and skills throughout their professional careers.

Background Assessing dance performance in physical education teacher education (PETE) requires judges to integrate technical and aesthetic qualities. Analytic rubrics make relevant dimensions explicit, whereas Adaptive Comparative Judgment (ACJ) elicits holistic pairwise decisions and produces a relative performance scale. This study compared the outcomes and student perceptions associated with the two approaches. Methods Seventeen pre-service teachers assessed 46 video-recorded student dance performances using an analytic rubric and ACJ. An expert reference was derived from five PETE lecturers who had assessed the performances live using the rubric and subsequently evaluated the video recordings through ACJ. Analyses examined rubric reliability and ACJ precision, convergence between method-derived rankings, student–expert rank alignment, cross-condition rubric score differences, and students’ perceptions of ease of use, usefulness, transparency, and fairness. Results Rubric- and ACJ-derived rankings were strongly associated within the student panel (Spearman's ρ = .863) and the expert reference panel ( ρ = .879). Aggregated student rankings also aligned closely with the expert-reference rankings under rubric scoring ( ρ = .890) and ACJ ( ρ = .888), with no clear difference in alignment between the methods. Aggregated student rubric scores showed high reliability, ICC(2,17) = .955, while ACJ scale separation reliability was .780 for students and .836 for experts. Student video-based rubric scores were, on average, 0.77 points higher than the archived live expert consensus scores. Students perceived ACJ as easier to use but the analytic rubric as more transparent. Perceived usefulness did not differ clearly, while fairness ratings descriptively favored the rubric. Conclusion Analytic rubric scoring and ACJ produced strongly convergent aggregate rankings, and the aggregated student panel differentiated relative performance quality in ways closely aligned with the expert reference under both approaches. However, the methods differed in score interpretation and perceived transparency. The results support considering ACJ as a complementary approach for digitally supported assessment and moderation rather than as a direct replacement for criterion-based summative assessment.

Epistemic integration offers a way to specify the intellectual demands of vocational undergraduate study: students use concepts and evidence to justify a professional decision. This article develops that argument through a conceptual synthesis, two national teaching standards, and descriptive statistics from five education bulletins. China's vocational undergraduate enrollment rose from 129,300 in 2021 to 518,300 in 2025 as the number of providers increased from 32 to 87. Private institutions accounted for 68.8% of providers at the start of the period and 27.6% at its end. Against this changing institutional background, the proposed assessment procedure follows a student's reasoning through the framing of a problem, explanation of choices, verification of results, and application to changed conditions. Occupational performance and intellectual justification receive separate judgments based on evidence from the same learner and task. Curriculum coherence, joint educational provision, progressive practice, and teaching team capability form the organizational basis for this work. Their 24 diagnostic indicators connect program arrangements to evidence of learning. Three propositions specify how task design, guidance, and responsibility for review are expected to support integration. The research agenda concerns the consistency of these judgments and their use in improving subsequent learning opportunities.

Vocabulary acquisition constitutes a fundamental component in learning English as a foreign language; however, traditional teaching methods do not always promote motivation or long-term lexical retention. In this context, the present study aimed to analyze the effectiveness of storytelling with urban legends in teaching vocabulary to young English learners. The re-search was developed under a quantitative approach and a quasi-experimental pretest and posttest design with a single group. The sample consisted of 48 students from the National and Foreign Languages Pedagogy major at the Technical University of Cotopaxi, and for data collection, a 30-item multiple-choice vocabulary test was used, which was applied before and after a pedagogical intervention based on four storytelling sessions using urban legends, de-signed for this research and validated through the judgment of three expert professors from the National and Foreign Languages Pedagogy major. The data were analyzed using descrip-tive statistics in Microsoft Excel, and the results showed an increase in the mean scores, which went from 20.27 in the pretest to 24.94 in the posttest; likewise, the minimum score increased from 5 to 11 points and the standard deviation decreased from 5.79 to 5.03, evi-dencing a more homogeneous performance after the intervention. In conclusion, the findings suggest that storytelling with urban legends constitutes a pertinent pedagogical strategy to strengthen English vocabulary learning by providing meaningful narrative contexts that favor the comprehension, retention, and use of new words.

Ecuadorian higher education policy combines the constitutional recognition of education as a right with admission rules that allocate scarce quotas through academic background, evaluations, and affirmative action measures. The objective of this article is to determine under what conditions meritocratic admission fulfills a legitimate allocative function and under which it becomes a judgment about the intellectual value of the applicants. A conceptual analysis is employed: Jacques Rancière's concepts of explanatory order, dumbness, intellectual emancipation, and equality of intelligences are placed in dialogue with meritocracy research, with the current regulatory framework, and with the available evidence on unequal access in Ecuador. The analysis distinguishes three propositions that are often confused: that applicants differ in their demonstrated preparation, that institutions should assign limited quotas, and that the resulting ordering reveals unequal intelligences. Only the first two are necessary to admit; the third is an inference that the framework allows to be questioned. Four conditions are specified: semantic totalization, interpretative monopoly, temporal fixation, and public circulation of the verdict under which an assignative procedure becomes part of an explanatory order, and it is shown that they are separable from assignment and therefore institutionally modifiable. Five rights-oriented design principles are proposed, with their stated foundation. It is concluded that a defensible alternative is not selection without standards, but selection that limits the meaning attributed to its instruments and identifies testable directions for future empirical research.

Socially complex peer play may provide opportunities for children to coordinate perspectives, negotiate roles, and respond to others' needs, but its association with prosocial judgment may differ according to children's social-cognitive resources. This small-scale longitudinal study examined whether mental state knowledge assessed at age 4–5 conditioned the concurrent association between socially complex peer play and prosocial judgment assessed at age 5–6. Participants were 35 children from a private nursery school in Japan. Mental state knowledge was assessed using a false-belief task. At age 5–6, children completed helping and sharing judgment tasks, and their free play was observed naturalistically across repeated focal-child observations. Socially complex peer play was indexed by the combined proportion of associative and cooperative play. Hierarchical regression analyses showed that the interaction between earlier mental state knowledge and socially complex peer play significantly predicted sharing judgment. The corresponding interaction for helping was positive but did not reach the conventional significance threshold. Sensitivity analyses using heteroskedasticity-consistent standard errors supported the sharing result. Given the modest sample size, the findings should be interpreted as preliminary. They suggest that the association between socially complex peer play and prosocial judgment may differ according to children's earlier social-cognitive resources.

Background Cumulative exposure to adverse childhood experiences (ACEs) is associated with an increased risk of substance use, overdose, and suicide. Rural children are more likely to experience most ACEs. There is limited literature contextualizing rural individuals’ experiences with ACEs. Public Health 3.0 calls for multisector partner engagement to generate collective impact. The purpose of this study was to evaluate rural providers’ perspectives on challenges and recommendations for ACEs mitigation in their community from a cross-sector context. Participants and setting Participants were 74 providers enrolled in an online ACEs training. Participants lived and/or worked in five rural Missouri counties with high drug overdose death rates. Methods This was a conventional content analysis of written responses to structured discussion prompts from three training modules. Analysis included familiarization, inductive identification of major codes, and refinement of codes, followed by independent coding by two authors until consensus, and reporting major patterns. Artificial intelligence supported preliminary code development. An adapted Sequential Intercept Model (SIM) framework organized challenges and recommendations by setting. Results Results included personal stories about how ACEs impacted their communities through overdose, suicide, homelessness, unemployment, and adverse health effects. Settings included schools, government, healthcare, daycares, criminal justice, Extension, fire departments, libraries, and nonprofits. Participants recommended expanding the ACEs definition to include satanic abuse, bullying, incest, war, genocide, military family stressors, and death of a loved one. Intervention recommendations included whole-family interventions, community-wide training, trauma-informed training, expanded access to treatment, classes in prison/jails, and fostering positive childhood experiences. Conclusion Community voice is necessary to contextualize setting-specific insights that inform development of upstream interventions appropriate for and tailored to the community. Participants identified both strategies that could be incorporated into everyday practice—including empathy, listening, providing judgment-free and safe spaces, providing food for children experiencing hunger, encouraging positive childhood experiences, mentoring, and connecting individuals with resources for food, shelter, clothing, and mental health—and broader structural changes that may require policy-level action. The adapted SIM organizes these concepts.

Introduction Level-2 visual perspective taking (VPT-2) reflects children’s ability to understand others’ visual experiences. However, the effects of viewing angle and task materials on 4-year-olds’ performance remain unclear. Methods Using a picture-taking (“photographer”) task, this study examined the effects of test tool and rotation angle, as well as egocentric error patterns, among 163 four-year-old children from Hainan, China. A 2 (test tool: Lego figurines vs. geometric solids) × 3 (rotation angle: 0°, 90°, 180°) within-subjects design was used. The formal test comprised 18 four-alternative trials, with three trials in each Tool × Angle condition; each correct response scored 1 and each incorrect response scored 0. Performance was assessed using raw correct scores and the proportions of egocentric errors. Results Rotation angle significantly affected performance in a nonmonotonic pattern: raw correct scores were highest at 0°, followed by 180°, and lowest at 90°. The main effect of test tool was significant, with higher raw correct scores in the Lego figurine condition than in the geometric solids condition. The Tool × Angle interaction for raw correct scores was not significant. The proportions of egocentric errors showed significant main effects of test tool and rotation angle, as well as a significant Tool × Angle interaction. Egocentric errors were most pronounced in the geometric solids condition at 180°. Supplementary analyses revealed no significant sex main effect or sex-related interactions. Discussion These findings indicate that 4-year-olds’ VPT-2 performance varies across rotation angles and test materials. Performance differences between material conditions may be associated with differences in task structure, stimulus discriminability, social cues, and spatial-relational judgment demands, whose independent contributions could not be isolated in this study. Because the analyses relied on raw correct scores and error-type data, the findings should be interpreted as differences in behavioral performance rather than direct evidence about processing strategies or cognitive mechanisms.

Social deduction games require people to identify the truth-tellers and liars based on limited and vague information. This exploratory study investigated the relationship between agreeableness, neuroticism and accuracy of deception judgment in a structured social-deduction task. Sixty-three participants aged 15-35 completed a 120-item Big Five personality inventory and then observed the materials from a Werewolf game before making five judgments, three hidden-role judgments and two truth-value judgments. The results showed that neuroticism was negatively correlated with the accuracy of judgment (r = -0.294, p = .019, 95% CI [-0.505, -0.050]), and agreeableness was not significantly related to accuracy (r = -0.128, p = .317, 95% CI [-0.364, 0.124]). Exploratory analysis of trait combinations also showed that the mean accuracy of the agreeableness and neuroticism groups was different. Therefore, it is proposed that neuroticism may be linked to differences in the judgement of deception among individuals, but agreeableness alone was not significantly associated with performance in the current task. As an exploratory correlational study, the results provide an initial indication of personality differences in deception judgment under the circumstances of structured social interaction.

This phenomenological study explores the lived experiences of Thai Generation Z hikers, thoroughly examining the critical intersection of artificial intelligence (AI) literacy and complex decision-making in wilderness environments. As young adventurers increasingly pursue nature-based eco-experientia for psychological restoration, AI has rapidly evolved into an active, front-facing backcountry companion. Using the Theory of Technological Mediation alongside robust methodological triangulation—including in-depth interviews, focus groups, and interactive discussions with university-aged hikers—this research examines how algorithmic tools profoundly reshape human-nature relationships. The empirical findings clearly show that AI is seamlessly integrated throughout the trekking lifecycle, functioning as a vital digital safety net that mitigates environmental uncertainty. However, this deep integration precipitates a highly complex socio-technical paradox. While participants consistently exhibit exceptional functional AI literacy, an emerging algorithmic dependency actively threatens to erode traditional, intuitive wilderness judgment. Ultimately, AI facilitates a hermeneutic relationship in which pristine nature is interpreted through curated data, fundamentally transforming raw exploration into a mediated digital reality that urgently requires careful preservation of human agency within adventure tourism.

این مطالعه پدیدارشناختی به بررسی تجارب زیسته کوهنوردان نسل Z تایلندی می‌پردازد و به طور جامع به تلاقی حیاتی سواد هوش مصنوعی (AI) و تصمیم‌گیری پیچیده در محیط‌های بکر طبیعی می‌پردازد. با افزایش تمایل جوانان ماجراجو به تجربه‌های طبیعت‌محور برای بازسازی روان‌شناختی، هوش مصنوعی به سرعت به یک همراه فعال و پیشرو در مناطق دورافتاده تبدیل شده است. با بهره‌گیری از نظریه میانجی‌گری فناورانه و تلفیق روش‌شناسی قوی شامل مصاحبه‌های عمیق، گروه‌های کانونی و بحث‌های تعاملی با کوهنوردان در سنین دانشگاهی، این پژوهش بررسی می‌کند که چگونه ابزارهای الگوریتمی به طور عمیق روابط انسان و طبیعت را بازشکل می‌دهند. یافته‌های تجربی به روشنی نشان می‌دهند که هوش مصنوعی در سراسر چرخه حیات کوهنوردی به طور یکپارچه ادغام شده و به عنوان یک شبکه ایمنی دیجیتال حیاتی عمل می‌کند که عدم قطعیت‌های محیطی را کاهش می‌دهد. با این حال، این ادغام عمیق منجر به یک پارادوکس اجتماعی-فناورانه بسیار پیچیده می‌شود. در حالی که شرکت‌کنندگان به طور مداوم سواد عملکردی استثنایی در زمینه هوش مصنوعی از خود نشان می‌دهند، وابستگی فزاینده به الگوریتم‌ها به طور فعال تهدید می‌کند که قضاوت‌های سنتی و شهودی در طبیعت را تضعیف کند. در نهایت، هوش مصنوعی رابطه‌ای هرمنوتیکی را تسهیل می‌کند که در آن طبیعت بکر از طریق داده‌های گزینش‌شده تفسیر می‌شود و کاوش خام را به واقعیتی دیجیتال و میانجی‌گری‌شده تبدیل می‌کند که به طور فوری نیازمند حفظ دقیق عاملیت انسانی در گردشگری ماجراجویانه است.

This article examines the relevance of the objectives of Islamic education as derived from the Qur’an and Hadith to the demands of modern education. Using a qualitative library research approach, the study analyzes primary Islamic sources, selected interpretations, and recent Indonesian scholarly literature on Islamic education, character formation, curriculum development, and digital-era learning. The analysis indicates that the objectives of Islamic education are holistic: developing faith and worship, noble character, intellectual capacity, social responsibility, and the human role as khalifah on earth. These objectives remain relevant to modern education because contemporary learning increasingly requires not only cognitive competence but also ethical judgment, collaboration, responsibility, critical thinking, digital literacy, and balanced personal development. The relevance is not achieved by reproducing classical educational forms unchanged, but by translating enduring Islamic values into contextual learning objectives, curriculum, pedagogy, assessment, and school culture. The study concludes that Qur’anic and Prophetic educational objectives can function as an ethical and spiritual foundation for modern education when integrated with contemporary knowledge, technology, and learner-centered approaches.

این مقاله به بررسی ارتباط اهداف آموزش اسلامی برگرفته از قرآن و حدیث با الزامات آموزش مدرن می‌پردازد. با استفاده از رویکرد پژوهش کتابخانه‌ای کیفی، این مطالعه منابع اولیه اسلامی، تفسیرهای منتخب و ادبیات علمی معاصر اندونزیایی در حوزه آموزش اسلامی، شکل‌گیری شخصیت، توسعه برنامه درسی و یادگیری در عصر دیجیتال را تحلیل می‌کند. تحلیل‌ها نشان می‌دهد که اهداف آموزش اسلامی جامع هستند: پرورش ایمان و عبادت، اخلاق نیکو، ظرفیت فکری، مسئولیت اجتماعی و نقش انسان به عنوان خلیفه در زمین. این اهداف همچنان برای آموزش مدرن مرتبط باقی می‌مانند، زیرا یادگیری معاصر نه تنها به شایستگی شناختی بلکه به قضاوت اخلاقی، همکاری، مسئولیت‌پذیری، تفکر انتقادی، سواد دیجیتال و رشد متعادل فردی نیاز دارد. این ارتباط از طریق بازتولید بدون تغییر اشکال آموزشی کلاسیک حاصل نمی‌شود، بلکه با ترجمه ارزش‌های پایدار اسلامی به اهداف یادگیری، برنامه درسی، روش تدریس، ارزشیابی و فرهنگ مدرسه متناسب با زمینه معاصر به دست می‌آید. مطالعه نتیجه می‌گیرد که اهداف آموزشی قرآنی و نبوی می‌توانند به عنوان بنیانی اخلاقی و معنوی برای آموزش مدرن عمل کنند، زمانی که با دانش معاصر، فناوری و رویکردهای یادگیرنده‌محور تلفیق شوند.

The rapid transformation of higher education through digital technologies has changed how students acquire, evaluate, interpret, and construct knowledge. In philological education, where linguistic evidence and textual interpretation are central, epistemic competence is increasingly essential. This article analyzes theoretical and pedagogical approaches to enhancing philology students’ epistemic competence in digital learning environments. Using conceptual analysis and a critical synthesis of scholarship on epistemic cognition, digital literacy, and technology-enhanced education, the study develops a five-dimensional framework encompassing cognitive-epistemic understanding, critical analysis, metacognitive reflection, digital research, and ethical communication. It discusses problem-based inquiry, corpus-based analysis, collaborative interpretation, reflective portfolios, and critical verification of AI-generated materials as instructional strategies. These approaches are presented as pedagogical propositions rather than experimentally validated outcomes. The article argues that digital tools can support responsible academic judgment when they are accompanied by explicit instruction in evidence evaluation, awareness of uncertainty, and academic integrity. The framework provides a basis for curriculum design and future empirical research in university philology programs.

تحول سریع آموزش عالی از طریق فناوری‌های دیجیتال، نحوه کسب، ارزیابی، تفسیر و ساخت دانش توسط دانشجویان را دگرگون کرده است. در آموزش زبان‌شناسی، که شواهد زبانی و تفسیر متون در آن نقش محوری دارد، شایستگی معرفتی اهمیت فزاینده‌ای یافته است. این مقاله رویکردهای نظری و آموزشی برای ارتقای شایستگی معرفتی دانشجویان زبان‌شناسی در محیط‌های یادگیری دیجیتال را تحلیل می‌کند. با بهره‌گیری از تحلیل مفهومی و ترکیب انتقادی پژوهش‌ها در حوزه‌های شناخت معرفتی، سواد دیجیتال و آموزش مبتنی بر فناوری، این مطالعه چارچوبی پنج‌بعدی شامل فهم شناختی-معرفتی، تحلیل انتقادی، بازتاب فراشناختی، پژوهش دیجیتال و ارتباطات اخلاقی ارائه می‌دهد. در این مقاله، راهبردهای آموزشی همچون پژوهش مبتنی بر مسئله، تحلیل مبتنی بر پیکره، تفسیر مشارکتی، پرتفوی‌های بازتابی و راستی‌آزمایی انتقادی مواد تولیدشده توسط هوش مصنوعی مورد بحث قرار می‌گیرد. این رویکردها به عنوان پیشنهادهای آموزشی و نه نتایج تجربی اعتبارسنجی‌شده ارائه شده‌اند. مقاله استدلال می‌کند که ابزارهای دیجیتال می‌توانند از قضاوت علمی مسئولانه حمایت کنند، مشروط بر آنکه با آموزش صریح در ارزیابی شواهد، آگاهی از عدم قطعیت و رعایت صداقت علمی همراه باشند. این چارچوب مبنایی برای طراحی برنامه درسی و پژوهش‌های تجربی آتی در برنامه‌های دانشگاهی زبان‌شناسی فراهم می‌کند.

Data analysis is an important stage in educational research because it transforms raw data into meaningful information that can be used to answer research questions and formulate conclusions. This article discusses data analysis in educational research, including the meaning of data analysis, types of analysis, quantitative and qualitative analysis procedures, mixed-methods analysis, selection of analytical techniques, validity, interpretation, and the use of digital technology and artificial intelligence. This article uses a conceptual literature-review approach based on the submitted paper entitled Analisis Data dalam Penelitian Pendidikan and the methodological references contained in it. The discussion shows that data analysis cannot be separated from the research problem, objectives, research questions, and characteristics of the data. Quantitative analysis generally uses descriptive and inferential statistics, while qualitative analysis involves reading data, coding, categorizing, developing themes, and interpreting meaning. Mixed methods requires meaningful integration between quantitative and qualitative findings. The analysis also indicates that the use of statistical software and artificial intelligence can support researchers in processing and exploring data, but these technologies cannot replace the researcher's methodological judgment. Therefore, the quality of data analysis depends not merely on the complexity of the technique used, but on its suitability, transparency, validity, and the researcher's ability to interpret findings within the context of the research

تحلیل داده‌ها مرحله‌ای مهم در پژوهش‌های آموزشی است، زیرا داده‌های خام را به اطلاعات معناداری تبدیل می‌کند که می‌توان از آن‌ها برای پاسخ به پرسش‌های پژوهش و تدوین نتایج استفاده کرد. این مقاله به بررسی تحلیل داده‌ها در پژوهش‌های آموزشی می‌پردازد و مفاهیمی چون معنای تحلیل داده‌ها، انواع تحلیل، رویه‌های تحلیل کمی و کیفی، تحلیل روش‌های ترکیبی، انتخاب فنون تحلیلی، روایی، تفسیر و استفاده از فناوری دیجیتال و هوش مصنوعی را مورد بحث قرار می‌دهد. این مقاله با رویکرد مرور مفهومی ادبیات، مبتنی بر مقاله ارائه‌شده با عنوان «تحلیل داده‌ها در پژوهش آموزشی» و منابع روش‌شناختی مندرج در آن نگاشته شده است. بحث مقاله نشان می‌دهد که تحلیل داده‌ها از مسئله پژوهش، اهداف، پرسش‌های پژوهش و ویژگی‌های داده‌ها جدا نیست. تحلیل کمی عموماً از آمار توصیفی و استنباطی استفاده می‌کند، در حالی که تحلیل کیفی شامل خواندن داده‌ها، کدگذاری، دسته‌بندی، توسعه مضامین و تفسیر معنا است. روش‌های ترکیبی نیازمند ادغام معنادار یافته‌های کمی و کیفی هستند. تحلیل همچنین نشان می‌دهد که استفاده از نرم‌افزارهای آماری و هوش مصنوعی می‌تواند پژوهشگران را در پردازش و کاوش داده‌ها یاری کند، اما این فناوری‌ها جایگزین قضاوت روش‌شناختی پژوهشگر نمی‌شوند. بنابراین، کیفیت تحلیل داده‌ها صرفاً به پیچیدگی فنون مورد استفاده بستگی ندارد، بلکه به تناسب، شفافیت، روایی و توانایی پژوهشگر در تفسیر یافته‌ها در بستر پژوهش وابسته است.

This study examined the implementation of higher-order thinking skills (HOTS)-based instruction, teachers’ competencies, and learners’ critical reading abilities in eight public secondary schools in Silang 2 District, Cavite, as a basis for an intervention program. A descriptive-correlational design was used, with purposive sampling involving 316 respondents composed of 4 supervisors, 48 school administrators, and 264 junior high school English teachers. A researcher-made, expert-validated and pilot-tested survey questionnaire assessed HOTS implementation, teacher competencies, perceived learners’ critical reading abilities, implementation problems, and the proposed intervention program. Percentage, weighted mean, analysis of variance, and Pearson product-moment correlation were used. HOTS-based instruction was implemented across all domains (overall WM = 4.00), while teachers were generally competent (overall WM = 4.01), with communication competence rated highest (WM = 4.24). Learners’ critical reading ability was reported as evident (overall mean = 3.99), with evaluation and judgment obtaining the highest domain mean (3.88). No significant differences were found in HOTS implementation or teacher competencies across respondent groups. HOTS implementation was strongly and significantly related to learners’ critical reading ability (r = .838), whereas its relationship with teacher competencies and the relationship between teacher competencies and critical reading ability were weak and nonsignificant (r = .339). Problems in implementation were encountered (M = 3.53), particularly technological-skill and pedagogical-support limitations. The proposed intervention was rated highly suitable (4.44), highly acceptable (4.56), and feasible (4.19). The findings support sustained, aligned HOTS pedagogy, technology-focused professional development, and integrated critical reading interventions.

این پژوهش به بررسی اجرای آموزش مبتنی بر مهارت‌های تفکر سطح بالاتر (HOTS)، شایستگی‌های معلمان و توانایی‌های خواندن انتقادی یادگیرندگان در هشت دبیرستان دولتی منطقه Silang 2 در استان Cavite به عنوان مبنایی برای یک برنامه مداخله‌ای پرداخت. طرح پژوهش توصیفی-همبستگی بود و نمونه‌گیری هدفمند با مشارکت ۳۱۶ نفر شامل ۴ سرپرست، ۴۸ مدیر مدرسه و ۲۶۴ معلم زبان انگلیسی دوره متوسطه اول انجام شد. پرسشنامه‌ای محقق‌ساخته، اعتبارسنجی‌شده توسط خبرگان و آزمون مقدماتی، برای ارزیابی اجرای HOTS، شایستگی معلمان، توانایی خواندن انتقادی ادراک‌شده یادگیرندگان، مشکلات اجرای برنامه و برنامه مداخله‌ای پیشنهادی به کار رفت. از درصد، میانگین وزنی، تحلیل واریانس و ضریب همبستگی پیرسون استفاده شد. آموزش مبتنی بر HOTS در تمامی حوزه‌ها اجرا شد (میانگین وزنی کل = ۴٫۰۰) و معلمان عموماً شایسته ارزیابی شدند (میانگین وزنی کل = ۴٫۰۱) که بالاترین امتیاز مربوط به شایستگی ارتباطی بود (میانگین وزنی = ۴٫۲۴). توانایی خواندن انتقادی یادگیرندگان مشهود گزارش شد (میانگین کل = ۳٫۹۹) و بالاترین میانگین حوزه مربوط به ارزیابی و داوری بود (۳٫۸۸). تفاوت معناداری در اجرای HOTS یا شایستگی معلمان بین گروه‌های پاسخ‌دهنده مشاهده نشد. اجرای HOTS با توانایی خواندن انتقادی یادگیرندگان رابطه قوی و معناداری داشت (r = .838)، در حالی که رابطه آن با شایستگی معلمان و همچنین رابطه بین شایستگی معلمان و توانایی خواندن انتقادی ضعیف و غیرمعنادار بود (r = .339). مشکلاتی در اجرای برنامه مشاهده شد (میانگین = ۳٫۵۳)، به‌ویژه در زمینه محدودیت‌های مهارت‌های فناورانه و حمایت‌های آموزشی. برنامه مداخله‌ای پیشنهادی از نظر تناسب (۴٫۴۴)، مقبولیت (۴٫۵۶) و امکان‌پذیری (۴٫۱۹) امتیاز بالایی کسب کرد. یافته‌ها از تداوم و همسویی آموزش مبتنی بر HOTS، توسعه حرفه‌ای با تمرکز بر فناوری و مداخلات یکپارچه خواندن انتقادی حمایت می‌کند.

Abstract Authentic assessment has been a recognized aspiration in higher education for nearly four decades, yet its implementation at the undergraduate level has remained constrained by the procedural demands of professional-level work. Generative artificial intelligence reshapes the implementation calculus by lowering the entry barriers that previously confined authentic assessment to capstone courses, professional programs, and elite institutional contexts. This paper presents a single-semester case study of an AI-integrated qualitative research methods course taught to undergraduates in a child and adolescent development program at a regional public university. Twenty-one students used a custom AI class companion without restriction to produce full-length qualitative research manuscripts. The analytic backbone is a five-dimensional model of authentic assessment, with its physical-context dimension extended to require AI inclusion in fields where professional practice now incorporates the technology. Three rubric-proximal proxy indicators were estimated across the corpus: methods specificity, claim-evidence coupling, and theory-interpretation linkage density. The methods specificity proxy compresses toward the upper bound of its scale, indicating that AI scaffolding supports structural elements of qualitative writing effectively. The two judgment-dependent proxies retain wide dispersion. Process tracing of four contrasting cases identifies three pathways that distinguish stronger from weaker outcomes: criteria-based orchestration, irreducible input supply, and substantive iteration. The boundary-condition pattern indicates that authentic assessment in AI-integrated courses remains diagnostic where it needs to be and is supported where it needed support.

چکیده ارزشیابی اصیل نزدیک به چهار دهه است که به عنوان یک آرمان شناخته‌شده در آموزش عالی مطرح بوده است، اما اجرای آن در سطح کارشناسی به دلیل الزامات رویه‌ای کار حرفه‌ای محدود باقی مانده است. هوش مصنوعی مولد با کاهش موانع ورود، محاسبات اجرایی را دگرگون می‌کند؛ موانعی که پیش‌تر ارزشیابی اصیل را به دروس پایانی، برنامه‌های حرفه‌ای و زمینه‌های نهادی ممتاز محدود می‌کردند. این مقاله مطالعه موردی یک‌ترمی از یک درس روش‌های تحقیق کیفی با ادغام هوش مصنوعی را ارائه می‌دهد که برای دانشجویان کارشناسی رشته رشد کودک و نوجوان در یک دانشگاه دولتی منطقه‌ای تدریس شده است. بیست‌ویک دانشجو بدون محدودیت از یک همراه هوش مصنوعی سفارشی در کلاس برای تولید مقالات کامل تحقیق کیفی استفاده کردند. ستون فقرات تحلیلی پژوهش، مدل پنج‌بعدی ارزشیابی اصیل است که بعد زمینه فیزیکی آن به گونه‌ای گسترش یافته است که گنجاندن هوش مصنوعی را در حوزه‌هایی که اکنون عمل حرفه‌ای فناوری را دربرمی‌گیرد، الزامی می‌سازد. سه شاخص جانشین نزدیک به روبریک در کل مجموعه برآورد شد: ویژگی روش‌ها، پیوند ادعا-شواهد و تراکم پیوند تفسیر-نظریه. شاخص جانشین ویژگی روش‌ها به سمت حد بالایی مقیاس خود فشرده می‌شود که نشان می‌دهد چارچوب‌دهی هوش مصنوعی به طور مؤثری از عناصر ساختاری نوشتار کیفی حمایت می‌کند. دو شاخص مبتنی بر قضاوت دامنه پراکندگی وسیعی را حفظ می‌کنند. ردیابی فرایند چهار مورد متضاد سه مسیر را شناسایی می‌کند که نتایج قوی‌تر را از نتایج ضعیف‌تر متمایز می‌سازد: سازماندهی مبتنی بر معیار، تأمین ورودی غیرقابل تقلیل و تکرار معنادار. الگوی شرایط مرزی نشان می‌دهد که ارزشیابی اصیل در دروس ادغام‌شده با هوش مصنوعی همچنان در جایی که باید تشخیصی باشد، تشخیصی باقی می‌ماند و در جایی که نیاز به حمایت دارد، حمایت می‌شود.

This research is related to the Concept of Relationship Inferred Self Efficacy in the Qur'an. Where this concept has a great influence on the psychology of people with spinal disorders, namely scoliosis. Scoliosis is a spinal disorder that not only has an impact on the physical condition, but also on the psychological condition of the sufferer. Such as a decrease in confidence in one's ability or called Self Efficacy. From the perspective of social psychology, Albert Bandura explained that self-efficacy is not only formed by personal experience, but also influenced by social relations, known as the concept of Relation Inferred Self-Efficacy (RISE), which is an individual's belief in his or her own abilities formed from the perception of the judgment of others. Therefore, supportive relationships are an important factor in increasing the self-efficacy of people with scoliosis. This type of research has a library research nature with primary data sources from the Qur'an and uses the maudhu'i tafsir method, where this interpretation starts from collecting and analyzing verses of the Qur'an related to human characteristics and beliefs or faith. The purpose of this research is to find out how the concept of RISE can be understood in the perspective of the Qur'an and how the verses of the Qur'an provide a theological and psychological basis regarding the importance of social relations in building individual confidence and mental fortitude, especially for people with scoliosis. The results of the study show that the Qur'an emphasizes the importance of relationships based on compassion, empathy, good communication, and mutual strengthening, which is in line with the concept of RISE in Bandura's theory. Values such as advising each other, providing support, and strengthening others are factors that can increase individual self-efficacy. Thus, the Qur'an not only provides spiritual solutions, but also offers relevant psychosocial principles in an effort to increase self-efficacy through positive relationships.

این پژوهش به مفهوم خودکارآمدی استنباط‌شده از روابط در قرآن می‌پردازد. این مفهوم تأثیر بسزایی بر روان‌شناسی افراد مبتلا به اختلالات ستون فقرات، به‌ویژه اسکولیوز، دارد. اسکولیوز نوعی اختلال ستون فقرات است که نه‌تنها بر وضعیت جسمانی، بلکه بر وضعیت روانی فرد مبتلا نیز تأثیر می‌گذارد؛ از جمله کاهش اعتماد به توانایی‌های فرد که به آن خودکارآمدی گفته می‌شود. از منظر روان‌شناسی اجتماعی، Albert Bandura توضیح داده است که خودکارآمدی تنها از طریق تجربه شخصی شکل نمی‌گیرد، بلکه تحت تأثیر روابط اجتماعی نیز قرار دارد که به آن مفهوم خودکارآمدی استنباط‌شده از روابط (Relation Inferred Self-Efficacy - RISE) گفته می‌شود؛ یعنی باور فرد به توانایی‌های خود که از ادراک قضاوت دیگران شکل می‌گیرد. بنابراین، روابط حمایتی عامل مهمی در افزایش خودکارآمدی افراد مبتلا به اسکولیوز به‌شمار می‌رود. این پژوهش از نوع کتابخانه‌ای است و داده‌های اولیه آن از قرآن کریم استخراج شده و از روش تفسیر موضوعی (تفسیر مضمونی) بهره گرفته است؛ به‌طوری که این تفسیر با جمع‌آوری و تحلیل آیات مرتبط با ویژگی‌ها و باورهای انسانی یا ایمان آغاز می‌شود. هدف این پژوهش، بررسی چگونگی فهم مفهوم RISE از منظر قرآن و نحوه ارائه مبانی الهیاتی و روان‌شناختی توسط آیات قرآن در خصوص اهمیت روابط اجتماعی در ساختن اعتماد به نفس و استحکام روانی فرد، به‌ویژه برای مبتلایان به اسکولیوز است. نتایج پژوهش نشان می‌دهد که قرآن بر اهمیت روابط مبتنی بر شفقت، همدلی، ارتباط مؤثر و تقویت متقابل تأکید دارد که با مفهوم RISE در نظریه Bandura همسو است. ارزش‌هایی همچون نصیحت متقابل، حمایت و تقویت دیگران از جمله عواملی هستند که می‌توانند خودکارآمدی فردی را افزایش دهند. بنابراین، قرآن نه‌تنها راه‌حل‌های معنوی ارائه می‌دهد، بلکه اصول روانی-اجتماعی مرتبط با تلاش برای افزایش خودکارآمدی از طریق روابط مثبت را نیز مطرح می‌کند.

The development of Artificial Intelligence (AI) is increasingly mediating how humans acquire knowledge, make decisions, and perform cognitive activities. In higher education, the delegation of cognitive activities to algorithmic systems has the potential to shift human judgment and responsibility. This study aims to examine Qur’anic anthropology as a foundation for reframing human agency under increasingly AI-mediated conditions. This study employs a qualitative approach using a literature-based design and conceptual analysis. A semantic-contextual analysis is conducted on the Qur’anic terms al-insān, al-bashar, al-nās, Banī Ādam, al-ins, al-mar’, as well as the concepts of ‘abd and khalīfah. The findings are then synthesized with theories of human agency, moral responsibility, and AI ethics. The findings reveal that Qur’anic anthropology represents human beings as multidimensional entities possessing cognitive, relational, moral, spiritual, and teleological capacities. These dimensions are reconstructed into eight capacities of Qur’anic human agency: epistemic, moral, relational, spiritual, and teleological agency. The findings demonstrate that human agency from a Qur’anic perspective is not synonymous with absolute autonomy, but rather constitutes the capacity to understand, evaluate, choose, and act consciously within an orientation of values and responsibility. In the context of AI, Qur’anic Ethical Intelligence (QEI) is conceptualized as an ethical capacity to direct and evaluate the use of AI without surrendering human judgment and responsibility to algorithmic systems. As a conceptual study, this research does not empirically test the application of QEI among university students. Further research is therefore needed to validate and develop measurement instruments. This study connects Qur’anic anthropology with human agency under algorithmic conditions and proposes QEI as a framework for strengthening human agency resilience in the age of AI.

توسعه هوش مصنوعی (AI) به طور فزاینده‌ای در نحوه کسب دانش، تصمیم‌گیری و انجام فعالیت‌های شناختی توسط انسان‌ها نقش میانجی ایفا می‌کند. در آموزش عالی، واگذاری فعالیت‌های شناختی به سامانه‌های الگوریتمی می‌تواند موجب تغییر در قضاوت و مسئولیت انسانی شود. هدف این پژوهش بررسی انسان‌شناسی قرآنی به عنوان مبنایی برای بازنگری عاملیت انسانی در شرایطی است که به طور فزاینده‌ای با میانجی‌گری هوش مصنوعی مواجه هستیم. این پژوهش با رویکرد کیفی و با استفاده از طراحی مبتنی بر مرور متون و تحلیل مفهومی انجام شده است. تحلیل معنایی-زمینه‌ای بر روی واژگان قرآنی الانسان، البشر، الناس، بنی‌آدم، الانس، المرء و همچنین مفاهیم عبد و خلیفه صورت گرفته است. یافته‌ها با نظریه‌های عاملیت انسانی، مسئولیت اخلاقی و اخلاق هوش مصنوعی تلفیق شده‌اند. نتایج نشان می‌دهد که انسان‌شناسی قرآنی، انسان را به عنوان موجودی چندبعدی با ظرفیت‌های شناختی، ارتباطی، اخلاقی، معنوی و غایتمند معرفی می‌کند. این ابعاد در قالب هشت ظرفیت عاملیت انسانی قرآنی شامل عاملیت معرفتی، اخلاقی، ارتباطی، معنوی و غایتمند بازسازی شده‌اند. یافته‌ها نشان می‌دهد که عاملیت انسانی از منظر قرآنی معادل خودمختاری مطلق نیست، بلکه عبارت است از توانایی فهم، ارزیابی، انتخاب و عمل آگاهانه در چارچوب جهت‌گیری ارزشی و مسئولیت. در زمینه هوش مصنوعی، «هوش اخلاقی قرآنی» (QEI) به عنوان ظرفیتی اخلاقی برای هدایت و ارزیابی استفاده از هوش مصنوعی بدون واگذاری قضاوت و مسئولیت انسانی به سامانه‌های الگوریتمی مفهوم‌سازی می‌شود. این پژوهش به عنوان یک مطالعه مفهومی، به طور تجربی کاربرد QEI را در میان دانشجویان دانشگاهی آزمون نکرده است؛ بنابراین، پژوهش‌های بیشتری برای اعتبارسنجی و توسعه ابزارهای سنجش مورد نیاز است. این مطالعه انسان‌شناسی قرآنی را با عاملیت انسانی در شرایط الگوریتمی پیوند داده و QEI را به عنوان چارچوبی برای تقویت تاب‌آوری عاملیت انسانی در عصر هوش مصنوعی پیشنهاد می‌کند.

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.

Literasi sains merupakan salah satu keterampilan berpikir tingkat tinggi yang perlu dikembangkan dalam bidang pendidikan abad ke-21. Kompleksitas dan cakupan materi yang luas menjadi faktor rendahnya kemampuan literasi sains siswa, salah satunya materi Ekosistem. Flashcard menjadi salah satu media pembelajaran visual yang memiliki potensi untuk dikembangkan guna meningkatkan literasi sains siswa. Penelitian ini bertujuan pada pengembangan media flashcard berbasis discovery learning berfokus pada materi Ekosistem guna meningkatkan literasi sains khususnya siswa kelas X yang valid, praktis dan efektif. Model 4D dipilih dalam pengembangan flashcard dan dievaluasi berdasarkan validitas, kepraktisan, serta keefektifan. Validitas diperoleh dari penilaian ahli, kepraktisan dari observasi keterlaksanaan pembelajaran dan respon siswa, serta keefektifan dari hasil tes dan ketercapaian indikator literasi sains. Analisis data dilakukan secara deskriptif kuantitatif. Flashcard dinyatakan sangat layak berdasarkan hasil (skor validitas 88%), sangat praktis (observasi keterlaksanaan pembelajaran 100% dan respon positif siswa 98%), serta sangat efektif (nilai N- Gain yakni 0,83 tergolong kategori tinggi dan ketercapaian indikator literasi sains meningkat dari 52% pada pre-test menjadi 92% pada post-test). Dengan demikian, media flashcard berbasis discovery learning pada materi Ekosistem dinyatakan layak digunakan dalam proses pembelajaran serta efektif dalam meningkatkan literasi sains siswa. Kata Kunci: Literasi Sains, Flashcard, Ekosistem, Discovery Learning. Scientific literacy is one of the higher-order thinking skills that needs to be developed in 21st-century scientific literacy skills, including in the Ecosystem topic. Flashcards are a type of visual learning media develop discovery learning-based flashcards focusing on the Ecosystem topic to enhance scientific literacy, particularly for tenth-grade students, by ensuring that the product is valid, practical, and effective. The 4D model was selected for the flashcard development and the product was evaluated in terms of validity, practicality, and effectiveness. Validity was obtained through expert judgment, practicality was measured through classroom implementation observations and student responses, while effectiveness was determined based on test results and the achievement of scientific literacy indicators. Data were analyzed using descriptive quantitative methods. The developed flashcards were considered highly feasible (validity score of 88%), very practical (100% implementation observation and 98% positive student responses), and highly effective (N-Gain score of 0.83 categorized as high, and scientific literacy indicator achievement increased from 52% in the pre-test to 92% in the post-test). Thus, the discovery learning-based flashcard media on Ecosystem material is declared suitable for use in the learning process and effective in improving students' scientific literacy. Keywords: Scientific Literacy, Flashcards, Ecosystem, Discovery Learning.

سواد علمی یکی از مهارت‌های تفکر سطح بالاست که لازم است در حوزه آموزش قرن بیست‌ویکم توسعه یابد. پیچیدگی و گستردگی مطالب، از جمله مبحث اکوسیستم، از عوامل پایین بودن توانایی سواد علمی دانش‌آموزان است. فلش‌کارت به عنوان یکی از رسانه‌های یادگیری بصری، پتانسیل توسعه برای ارتقای سواد علمی دانش‌آموزان را دارد. هدف این پژوهش، توسعه رسانه فلش‌کارت مبتنی بر یادگیری اکتشافی با تمرکز بر مبحث اکوسیستم به منظور ارتقای سواد علمی به ویژه برای دانش‌آموزان پایه دهم است، به گونه‌ای که محصول از نظر روایی، کاربردپذیری و اثربخشی معتبر باشد. مدل 4D برای توسعه فلش‌کارت انتخاب شد و محصول بر اساس روایی، کاربردپذیری و اثربخشی ارزیابی گردید. روایی از طریق ارزیابی خبرگان، کاربردپذیری از طریق مشاهده اجرای کلاس و پاسخ‌های دانش‌آموزان، و اثربخشی بر اساس نتایج آزمون و تحقق شاخص‌های سواد علمی به دست آمد. تحلیل داده‌ها به صورت توصیفی-کمی انجام شد. فلش‌کارت‌های توسعه‌یافته بر اساس نتایج (امتیاز روایی ۸۸٪)، بسیار کاربردی (مشاهده اجرای کلاس ۱۰۰٪ و پاسخ مثبت دانش‌آموزان ۹۸٪) و بسیار اثربخش (امتیاز N-Gain معادل ۰٫۸۳ که در دسته بالا قرار می‌گیرد و تحقق شاخص‌های سواد علمی از ۵۲٪ در پیش‌آزمون به ۹۲٪ در پس‌آزمون افزایش یافته است) ارزیابی شدند. بنابراین، رسانه فلش‌کارت مبتنی بر یادگیری اکتشافی در مبحث اکوسیستم برای استفاده در فرایند یادگیری مناسب و در ارتقای سواد علمی دانش‌آموزان اثربخش ارزیابی می‌شود.

Teacher preparation programs have quickly adopted artificial intelligence tools, but the ethical, social, and environmental dimensions of that adoption receive comparatively little attention in how future educators are trained. This conceptual analysis addresses that gap by asking how AI competence, sustainability education, and ethical technology use can be integrated into teacher preparation as a single coherent framework rather than three parallel add-ons. Drawing on critical digital pedagogy, domain-specific cognition theory, and Mezirow's transformative learning theory, we synthesize policy documents and peer-reviewed literature on AI in education, sustainability education, and teacher preparation to develop the SAGE Model (Sustainability and AI for Global Educators). SAGE organizes teacher preparation around three interconnected pillars: Critical Integration, which addresses how AI systems reflect the assumptions and biases of their design; Applied Problem-Solving, which situates AI and sustainability literacy in authentic classroom and systems-level challenges; and Reflexive Praxis, which asks candidates to examine their own judgment and positionality when using AI tools. The model treats AI as an instrument that can extend, not replace, educator judgment in addressing complex sustainability and equity problems in practice. This is a conceptual contribution: SAGE has not yet been implemented or empirically validated in a teacher preparation program, and the paper closes by outlining what that validation would require. The paper examines ethical considerations and challenges of AI in education, presents the SAGE Model and its theoretical grounding with illustrative applications across K–12 and higher education, and discusses implications for practice, policy, and future research.

برنامه‌های تربیت معلم به سرعت ابزارهای هوش مصنوعی را پذیرفته‌اند، اما ابعاد اخلاقی، اجتماعی و زیست‌محیطی این پذیرش نسبتاً کمتر در آموزش معلمان آینده مورد توجه قرار گرفته است. این تحلیل مفهومی به این خلأ می‌پردازد و می‌پرسد چگونه می‌توان شایستگی هوش مصنوعی، آموزش پایداری و استفاده اخلاقی از فناوری را به عنوان یک چارچوب منسجم و نه سه افزونه موازی در تربیت معلم ادغام کرد. با بهره‌گیری از پداگوژی انتقادی دیجیتال، نظریه شناخت دامنه‌محور و نظریه یادگیری تحولی Mezirow، اسناد سیاستی و ادبیات داوری‌شده درباره هوش مصنوعی در آموزش، آموزش پایداری و تربیت معلم را برای توسعه مدل SAGE (پایداری و هوش مصنوعی برای معلمان جهانی) تلفیق می‌کنیم. مدل SAGE تربیت معلم را حول سه رکن به‌هم‌پیوسته سازمان‌دهی می‌کند: ادغام انتقادی که به چگونگی بازتاب مفروضات و سوگیری‌های طراحی در سیستم‌های هوش مصنوعی می‌پردازد؛ حل مسئله کاربردی که سواد هوش مصنوعی و پایداری را در چالش‌های واقعی کلاس درس و سطح نظام قرار می‌دهد؛ و کنش بازاندیشانه که از داوطلبان می‌خواهد قضاوت و جایگاه خود را هنگام استفاده از ابزارهای هوش مصنوعی بررسی کنند. این مدل، هوش مصنوعی را ابزاری می‌داند که می‌تواند قضاوت معلم را در مواجهه با مسائل پیچیده پایداری و عدالت در عمل گسترش دهد، نه جایگزین آن شود. این مقاله یک مشارکت مفهومی است: مدل SAGE هنوز در برنامه تربیت معلم اجرا یا به طور تجربی اعتبارسنجی نشده است و مقاله با ترسیم الزامات این اعتبارسنجی پایان می‌یابد. مقاله به بررسی ملاحظات و چالش‌های اخلاقی هوش مصنوعی در آموزش، ارائه مدل SAGE و مبانی نظری آن با کاربردهای نمونه در آموزش K–12 و آموزش عالی، و بحث درباره پیامدهای آن برای عمل، سیاست و پژوهش‌های آینده می‌پردازد.

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

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

Generative artificial intelligence (AI) has intensified longstanding questions about teachers' roles and the pedagogical conditions under which technology supports learner autonomy. This qualitatively driven embedded mixed-methods study examined practices reported and represented by Israeli teachers during an eight-week professional development program on AI, self-regulated learning, and learner-centered pedagogy. The primary qualitative strand drew on reflections, open-ended questionnaire responses, lesson plans, and pedagogical artifacts and used a hybrid deductive-inductive analysis. An exploratory quantitative strand compared 61 consenting pre-program submissions with 26 consenting post-program submissions. Because submissions were anonymous and unlinked, Welch independent-samples tests were used. Post-program means were descriptively higher for reflective teaching, AI-supported planning, and inquiry-oriented design, and essentially unchanged for differentiated instruction; none of the four comparisons was statistically significant after Holm adjustment. Qualitative analysis generated five interconnected dimensions: designing for learner agency, self-regulated teaching and reflection, AI-supported learning design, designing for capability development, and critical AI literacy. The findings support a dual-layer interpretation in which teachers' reflective regulation and critical judgment mediate the design of opportunities intended to support learner agency and capability. Because the study measured teachers' reports and artifacts rather than students' experiences or outcomes, its contribution concerns pedagogical intentions and professional learning, not demonstrated gains in learner agency.

هوش مصنوعی مولد، پرسش‌های دیرینه‌ای را درباره نقش معلمان و شرایط آموزشی‌ای که در آن فناوری از خودمختاری یادگیرنده حمایت می‌کند، تشدید کرده است. این پژوهش با رویکرد کیفی و روش ترکیبی تعبیه‌شده، به بررسی رویکردهایی پرداخت که معلمان اسرائیلی در طول یک برنامه توسعه حرفه‌ای هشت‌هفته‌ای درباره هوش مصنوعی، یادگیری خودتنظیمی و آموزش یادگیرنده‌محور گزارش و ارائه کردند. بخش اصلی کیفی پژوهش مبتنی بر بازتاب‌ها، پاسخ‌های پرسشنامه باز، طرح‌های درس و مصنوعات آموزشی بود و از تحلیل ترکیبی استقرایی-قیاسی بهره گرفت. بخش کمّی اکتشافی، ۶۱ مورد ارسالی پیش از برنامه را با ۲۶ مورد ارسالی پس از برنامه (با رضایت شرکت‌کنندگان) مقایسه کرد. با توجه به ناشناس و غیرمرتبط بودن داده‌ها، از آزمون‌های مستقل Welch استفاده شد. میانگین‌های پس از برنامه به طور توصیفی برای تدریس تأملی، برنامه‌ریزی با حمایت هوش مصنوعی و طراحی مبتنی بر پژوهش بالاتر بود و برای آموزش تفکیک‌شده تقریباً بدون تغییر باقی ماند؛ هیچ‌یک از چهار مقایسه پس از اصلاح Holm از لحاظ آماری معنادار نبود. تحلیل کیفی پنج بُعد به‌هم‌پیوسته را شناسایی کرد: طراحی برای عاملیت یادگیرنده، تدریس و بازتاب خودتنظیمی، طراحی یادگیری با حمایت هوش مصنوعی، طراحی برای توسعه قابلیت و سواد انتقادی هوش مصنوعی. یافته‌ها از تفسیر دو‌لایه‌ای حمایت می‌کنند که در آن تنظیم تأملی و قضاوت انتقادی معلمان، واسطه طراحی فرصت‌هایی است که با هدف حمایت از عاملیت و قابلیت یادگیرنده انجام می‌شود. از آنجا که این مطالعه گزارش‌ها و مصنوعات معلمان را سنجیده و نه تجربه‌ها یا پیامدهای دانش‌آموزان را، سهم آن به نیت‌های آموزشی و یادگیری حرفه‌ای مربوط می‌شود، نه بهبود اثبات‌شده عاملیت یادگیرنده.

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.

This study investigates the alignment between human judgment and artificial intelligence (AI) in IELTS speaking assessment to inform effective pedagogical practices. Through a comparative analysis of 30 Indonesian EFL learners’ performances evaluated by two experienced human raters and three AI systems (ChatGPT, Otter AI, Claude AI), we identified systematic and significant differences that varied considerably across individual AI systems. When AI scores were averaged, human evaluators assigned higher scores than the automated systems overall (mean difference = 0.522, p < .001), with a moderate positive correlation ( r = .497, p = .005). However, disaggregating the AI systems revealed that this overall pattern was driven primarily by two of the three tools: ChatGPT scores did not differ significantly from one of the two human raters, while Otter AI and, in particular, Claude AI diverged substantially from both human raters. Beyond quantifying these differences, this paper explores their profound implications for language teaching and learning. The findings reveal AI’s superior consistency in measuring technical accuracy (e.g., pronunciation, grammar) and human raters’ strength in assessing communicative effectiveness. We argue that this complementarity presents a critical opportunity rather than a problem. The research concludes by proposing a practical hybrid pedagogical framework where AI is leveraged for low-stakes practice, instantaneous feedback, and freeing up teacher time for high-value instruction on pragmatic and interactive speaking skills. This model positions AI not as a replacement for human judgment but as a transformative tool to enhance teaching efficiency and student learning outcomes in preparation for high-stakes speaking assessment.

این مطالعه به بررسی همسویی میان قضاوت انسانی و هوش مصنوعی (AI) در ارزیابی مهارت گفتاری آیلتس با هدف اطلاع‌رسانی به شیوه‌های آموزشی مؤثر می‌پردازد. از طریق تحلیل مقایسه‌ای عملکرد ۳۰ زبان‌آموز EFL اندونزیایی که توسط دو ارزیاب انسانی باتجربه و سه سامانه هوش مصنوعی (ChatGPT، Otter AI، Claude AI) ارزیابی شدند، تفاوت‌های نظام‌مند و معناداری شناسایی شد که به طور قابل توجهی میان سامانه‌های مختلف هوش مصنوعی متفاوت بود. زمانی که نمرات هوش مصنوعی به طور میانگین محاسبه شد، ارزیابان انسانی به طور کلی نمرات بالاتری نسبت به سامانه‌های خودکار اختصاص دادند (تفاوت میانگین = ۰٫۵۲۲، p < ۰٫۰۰۱)، با همبستگی مثبت متوسط (r = ۰٫۴۹۷، p = ۰٫۰۰۵). با این حال، تجزیه سامانه‌های هوش مصنوعی نشان داد که این الگوی کلی عمدتاً ناشی از دو ابزار از سه ابزار بود: نمرات ChatGPT تفاوت معناداری با یکی از دو ارزیاب انسانی نداشت، در حالی که Otter AI و به ویژه Claude AI به طور قابل توجهی از هر دو ارزیاب انسانی فاصله داشتند. فراتر از کمی‌سازی این تفاوت‌ها، این مقاله به بررسی پیامدهای عمیق آن‌ها برای آموزش و یادگیری زبان می‌پردازد. یافته‌ها نشان می‌دهد که هوش مصنوعی در سنجش دقت فنی (مانند تلفظ، دستور زبان) از ثبات بالاتری برخوردار است و ارزیابان انسانی در ارزیابی اثربخشی ارتباطی قوی‌تر عمل می‌کنند. استدلال می‌شود که این مکمل بودن، فرصتی حیاتی به شمار می‌رود نه یک مشکل. پژوهش با ارائه چارچوب آموزشی ترکیبی عملی به پایان می‌رسد که در آن از هوش مصنوعی برای تمرین کم‌خطر، بازخورد فوری و آزادسازی زمان معلم برای آموزش باارزش در مهارت‌های گفتاری کاربردی و تعاملی بهره گرفته می‌شود. این مدل، هوش مصنوعی را جایگزین قضاوت انسانی نمی‌داند، بلکه آن را ابزاری تحول‌آفرین برای ارتقای کارایی آموزش و نتایج یادگیری دانشجویان در آمادگی برای ارزیابی مهارت گفتاری با ریسک بالا معرفی می‌کند.

Driver monitoring systems (DMS) are increasingly used to sustain attention during partially automated driving, but existing measures do not assess how drivers experience the supervisory tone of DMS feedback. Drawing on parenting-style theory, we developed the Driver Monitoring System User Experience (DMS-UX) Scale and tested whether systems varying in demandingness and responsiveness produced distinct user experience profiles. Across two samples, 501 licensed U.S. drivers completed a between-subjects online vignette experiment and were randomly assigned to an authoritarian, authoritative, permissive, or uninvolved DMS. Scale development began with 80 items in Sample 1 ( n = 319). Exploratory factor analysis and item response theory yielded a 16-item, four-factor solution, which was tested in an independent Sample 2 ( n = 182) using confirmatory factor analysis. Inspection of factor loadings and residual correlations led to the removal of one poorly performing item and a refined 15-item model with comparative and residual fit emerged. The observed factors were Perceived Usage Benefits, Perceived System Judgment, Perceived Salience and Clarity, and Perceived Supportiveness. Internal consistency was good (McDonald's ω = 0.770–0.915; Cronbach's α = 0.745–0.914), and indices supported internal construct differentiation. Confirmatory model fit was mixed but improved after refinement (CFI = 0.916, TLI = 0.894, RMSEA = 0.097, SRMR = 0.073), providing qualified support for the four-factor structure. Monitoring style had a large multivariate effect on DMS-UX scores, Pillai's trace = 0.481, F (12, 1488) = 23.65, p < 0.001. Styles differed in perceived judgment, salience and clarity, and supportiveness, but not perceived usage benefits. The DMS-UX offers an initial descriptive instrument for comparing drivers' experiences of DMS supervisory feedback, though behavioral, longitudinal, and cross-cultural validation is needed before using it to infer safety outcomes or identify an optimal monitoring style.

سامانه‌های پایش راننده (DMS) به طور فزاینده‌ای برای حفظ توجه در حین رانندگی نیمه‌خودکار مورد استفاده قرار می‌گیرند، اما سنجه‌های موجود نحوه تجربه رانندگان از لحن نظارتی بازخورد DMS را ارزیابی نمی‌کنند. با بهره‌گیری از نظریه سبک‌های فرزندپروری، مقیاس تجربه کاربری سامانه پایش راننده (DMS-UX) را توسعه دادیم و بررسی کردیم که آیا سامانه‌هایی با سطوح متفاوتی از مطالبه‌گری و پاسخ‌دهی، پروفایل‌های تجربه کاربری متمایزی ایجاد می‌کنند یا خیر. در دو نمونه، ۵۰۱ راننده دارای گواهینامه در ایالات متحده آمریکا در یک آزمایش آنلاین بین‌گروهی مبتنی بر سناریو شرکت کردند و به طور تصادفی به یکی از چهار سبک DMS مستبدانه، مقتدرانه، سهل‌گیر یا بی‌تفاوت تخصیص یافتند. توسعه مقیاس با ۸۰ گویه در نمونه اول (n = 319) آغاز شد. تحلیل عاملی اکتشافی و نظریه پاسخ به گویه به راه‌حل چهارعاملی ۱۶ گویه‌ای منجر شد که در نمونه مستقل دوم (n = 182) با تحلیل عاملی تأییدی آزمون شد. بررسی بارهای عاملی و همبستگی‌های باقیمانده به حذف یک گویه با عملکرد ضعیف و ظهور مدل اصلاح‌شده ۱۵ گویه‌ای با برازش مقایسه‌ای و باقیمانده منجر شد. عوامل مشاهده‌شده شامل منافع ادراک‌شده استفاده، قضاوت ادراک‌شده سامانه، برجستگی و وضوح ادراک‌شده، و حمایتگری ادراک‌شده بودند. انسجام درونی مطلوب بود (ω مک‌دونالد = ۰٫۷۷۰ تا ۰٫۹۱۵؛ آلفای کرونباخ = ۰٫۷۴۵ تا ۰٫۹۱۴) و شاخص‌ها از تمایز ساختاری درونی حمایت کردند. برازش مدل تأییدی متوسط بود اما پس از اصلاح بهبود یافت (CFI = 0.916، TLI = 0.894، RMSEA = 0.097، SRMR = 0.073) و حمایت مشروطی از ساختار چهارعاملی فراهم کرد. سبک پایش اثر چندمتغیره بزرگی بر نمرات DMS-UX داشت (Pillai's trace = 0.481، F (12, 1488) = 23.65، p < 0.001). سبک‌ها در قضاوت ادراک‌شده، برجستگی و وضوح، و حمایتگری تفاوت داشتند اما در منافع ادراک‌شده استفاده تفاوتی نداشتند. DMS-UX ابزاری توصیفی اولیه برای مقایسه تجربه رانندگان از بازخورد نظارتی DMS ارائه می‌دهد، هرچند اعتبارسنجی رفتاری، طولی و بین‌فرهنگی پیش از استفاده برای استنتاج پیامدهای ایمنی یا شناسایی سبک پایش بهینه مورد نیاز است.

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.

Many education systems aim to support teachers in moving toward conceptually oriented mathematics instruction. The 2023 California Mathematics Framework provides one example of this effort by organizing standards around big ideas and emphasizing mathematical connections. In this study, we report on an early investigation of teachers’ learning about, and efforts to enact, the framework’s big ideas approach. We followed a cohort of elementary teachers who participated in a year-long professional learning fellowship. Drawing on multiple qualitative data sources, we examine the affordances and constraints teachers experienced as they learned to teach mathematics conceptually through big ideas, as well as the ways that the framework's conceptual structure supported their instructional decision-making. Teachers reported meaningful shifts in their teaching, which they attributed to increased student engagement, a sense of instructional freedom, and growing confidence in themselves as mathematical thinkers. Classroom observations corroborated these reported shifts by documenting teachers' enactment of key features of conceptual mathematics instruction. At the same time, teachers identified important constraints, particularly tensions between conceptual teaching and procedural district assessment systems. Across teachers, the big ideas approach provided a shared conceptual structure for organizing instruction around connected mathematical ideas while supporting teachers’ professional judgment in how those ideas were enacted in classrooms. To illustrate variation in teachers’ experiences, we present four cases representing different trajectories of learning and enactment. We conclude with implications for the design of professional learning and the use of coherent conceptual frameworks to support teachers' learning and instructional decision-making.

بسیاری از نظام‌های آموزشی در پی حمایت از معلمان برای حرکت به سوی آموزش ریاضیات مبتنی بر مفاهیم هستند. چارچوب ریاضیات کالیفرنیا ۲۰۲۳ نمونه‌ای از این تلاش است که استانداردها را حول ایده‌های بزرگ سازمان‌دهی کرده و بر ارتباطات ریاضی تأکید می‌کند. در این مطالعه، گزارشی از یک بررسی اولیه درباره یادگیری معلمان و تلاش‌های آن‌ها برای اجرای رویکرد ایده‌های بزرگ این چارچوب ارائه می‌شود. ما یک گروه از معلمان ابتدایی را که در یک دوره یک‌ساله یادگیری حرفه‌ای شرکت کردند، دنبال کردیم. با استفاده از منابع مختلف داده‌های کیفی، به بررسی فرصت‌ها و محدودیت‌هایی که معلمان در فرآیند یادگیری آموزش مفهومی ریاضیات از طریق ایده‌های بزرگ تجربه کردند، و همچنین نحوه حمایت ساختار مفهومی چارچوب از تصمیم‌گیری‌های آموزشی آن‌ها پرداختیم. معلمان تغییرات معناداری را در شیوه تدریس خود گزارش کردند که آن را به افزایش مشارکت دانش‌آموزان، احساس آزادی آموزشی و افزایش اعتماد به نفس خود به عنوان اندیشمندان ریاضی نسبت دادند. مشاهدات کلاسی این تغییرات گزارش‌شده را با مستندسازی اجرای ویژگی‌های کلیدی آموزش مفهومی ریاضیات توسط معلمان تأیید کرد. همزمان، معلمان محدودیت‌های مهمی را شناسایی کردند، به‌ویژه تنش میان آموزش مفهومی و نظام‌های ارزیابی رویه‌ای منطقه‌ای. در میان معلمان، رویکرد ایده‌های بزرگ ساختار مفهومی مشترکی برای سازمان‌دهی آموزش حول ایده‌های مرتبط ریاضی فراهم کرد و در عین حال از قضاوت حرفه‌ای معلمان در نحوه اجرای این ایده‌ها در کلاس حمایت نمود. برای نشان دادن تنوع تجربیات معلمان، چهار مطالعه موردی ارائه می‌شود که مسیرهای متفاوت یادگیری و اجرا را نمایان می‌کند. در پایان، پیامدهایی برای طراحی یادگیری حرفه‌ای و استفاده از چارچوب‌های مفهومی منسجم جهت حمایت از یادگیری معلمان و تصمیم‌گیری‌های آموزشی آن‌ها ارائه می‌شود.

Introduction AI-supported writing assessment can provide rapid scores and issue-level comments, yet its formative value depends on how students and teachers interpret and act on that information. This study examined this process in a university English writing course. Methods Two pre-existing intact classes comprising 96 students (48 per class) completed three writing-feedback-revision cycles. The Control class received AI scores/standard feedback, routine teacher checking, and revision. The Diagnostic Review class received DeepSeek-R1 issue-level diagnoses, completed an interpretation sheet, revised independently, underwent structured teacher review and reassessment, and recorded a reflection. Measures included diagnostic accuracy, feedback actionability, feedback comprehension, self-assessment accuracy, revision quality, reflection quality, misunderstanding codes, and teacher review activity. Mixed-effects models with student random intercepts were used for analysis. Results The Diagnostic Review class showed higher scores for diagnostic accuracy, actionability, comprehension, revision quality, and self-assessment accuracy. Group-by-cycle interactions were significant for diagnostic accuracy, comprehension, revision quality, and self-assessment accuracy, whereas the actionability interaction was not. Feedback comprehension showed the strongest bivariate association with revision quality. Exploratory indirect associations through actionability and comprehension remained positive after adjustment for condition and cycle using student-cluster bootstrap confidence intervals. Teacher records documented confirmation, correction, supplementation, and re-explanation, with greater review time in the Diagnostic Review class. Discussion The findings indicate that the formative value of AI-supported writing assessment extends beyond automated diagnosis to the subsequent processes of student interpretation, revision, and teacher review. Repeated classroom assessment may therefore benefit from integrating AI-generated diagnostic feedback with structured learner reflection and context-sensitive teacher judgment.

مقدمه: ارزیابی نوشتار با پشتیبانی هوش مصنوعی می‌تواند نمرات سریع و بازخوردهای سطح مسئله ارائه دهد، اما ارزش تکوینی آن وابسته به نحوه تفسیر و واکنش دانشجویان و معلمان به این اطلاعات است. این پژوهش این فرایند را در یک درس دانشگاهی نوشتار انگلیسی مورد بررسی قرار داد. روش‌ها: دو کلاس موجود متشکل از ۹۶ دانشجو (۴۸ نفر در هر کلاس) سه چرخه نوشتار-بازخورد-بازنگری را تکمیل کردند. کلاس کنترل نمرات هوش مصنوعی/بازخورد استاندارد، بررسی معمول معلم و بازنگری را دریافت کرد. کلاس بازبینی تشخیصی، تشخیص‌های سطح مسئله DeepSeek-R1، تکمیل برگه تفسیر، بازنگری مستقل، بازبینی ساختاریافته معلم و ارزیابی مجدد و ثبت تأمل را انجام داد. سنجه‌ها شامل دقت تشخیصی، قابلیت اقدام بازخورد، درک بازخورد، دقت خودارزیابی، کیفیت بازنگری، کیفیت تأمل، کدهای سوءتفاهم و فعالیت بازبینی معلم بود. برای تحلیل از مدل‌های اثرات مختلط با انقطاع تصادفی دانشجو استفاده شد. نتایج: کلاس بازبینی تشخیصی نمرات بالاتری در دقت تشخیصی، قابلیت اقدام، درک، کیفیت بازنگری و دقت خودارزیابی نشان داد. تعامل گروه-چرخه برای دقت تشخیصی، درک، کیفیت بازنگری و دقت خودارزیابی معنادار بود، در حالی که تعامل قابلیت اقدام معنادار نبود. درک بازخورد قوی‌ترین ارتباط دومتغیره را با کیفیت بازنگری نشان داد. ارتباطات غیرمستقیم اکتشافی از طریق قابلیت اقدام و درک، پس از تعدیل بر اساس وضعیت و چرخه با استفاده از فاصله اطمینان بوت‌استرپ خوشه‌ای دانشجو، مثبت باقی ماند. سوابق معلم تأیید، تصحیح، تکمیل و توضیح مجدد را مستند کرد و زمان بازبینی بیشتری در کلاس بازبینی تشخیصی صرف شد. بحث: یافته‌ها نشان می‌دهد که ارزش تکوینی ارزیابی نوشتار با پشتیبانی هوش مصنوعی فراتر از تشخیص خودکار بوده و به فرایندهای بعدی تفسیر دانشجو، بازنگری و بازبینی معلم نیز گسترش می‌یابد. بنابراین، ارزیابی مکرر کلاسی می‌تواند از ادغام بازخورد تشخیصی تولیدشده توسط هوش مصنوعی با تأمل ساختاریافته یادگیرنده و قضاوت حساس به زمینه معلم سود ببرد.

This Hypothesis and Theory paper addresses a design problem at the center of AI-assisted research writing: which cognitive demands should AI reduce, and which must remain the writer’s own work. Generative AI can absorb the effort of drafting, organizing, and synthesizing prose, but that same effort is where understanding takes shape. Recent empirical work documents reduced neural engagement, weaker recall of one’s own writing, and a diminished sense of authorship among writers who rely heavily on AI assistance. The paper grounds this problem in cognitive load theory, which distinguishes intrinsic load (the element interactivity a task inherently requires) from extraneous load (demands that do not contribute to learning), and which treats germane processes as the working memory resources a writer allocates to intrinsic load. It draws on productive struggle and generative processing to explain why germane processing cannot be offloaded: when a tool performs the work, the processing does not transfer to the writer; it does not occur. Two research questions are posed. First, which cognitive demands in research writing constitute extraneous load that AI could reduce, and which require germane processing that must remain the writer’s own. Second, how can human-in-the-loop AI collaboration be designed across the phases of research writing so that this distinction is operationalized through human judgment? The contribution is a nine-phase conceptual framework mapped to the sections of a research paper, from curiosity and inquiry through references and submission. Each phase specifies the dominant cognitive demand, the AI role (ranging from minimal involvement to full collaboration), and design guidelines for tools and interactions. The framework addresses research writing from secondary school (grades 9–12) through postdoctoral and professional research, across disciplines. It treats phase-aware AI use as responsive pedagogy applied to research writing: instruction and tool design that respond to the cognitive demands of the task rather than to the tool’s capabilities. The paper draws implications for the design of responsive digital education, including tool selection, assessment, equity, and support for writers with cognitive differences. The framework is intended to preserve the cognitive work that makes research meaningful.

این مقاله از نوع فرضیه و نظریه به یک مسئله طراحی در مرکز نگارش پژوهشی با کمک هوش مصنوعی می‌پردازد: کدام مطالبات شناختی باید توسط هوش مصنوعی کاهش یابد و کدام باید همچنان کار خود نویسنده باقی بماند. هوش مصنوعی مولد می‌تواند تلاش مربوط به پیش‌نویس‌نویسی، سازماندهی و ترکیب نثر را بر عهده گیرد، اما همین تلاش جایی است که فهم شکل می‌گیرد. پژوهش‌های تجربی اخیر کاهش درگیری عصبی، یادآوری ضعیف‌تر نوشته‌های خود و کاهش حس مالکیت نویسندگی را در میان نویسندگانی که به شدت به کمک هوش مصنوعی متکی هستند، مستند کرده‌اند. مقاله این مسئله را در نظریه بار شناختی ریشه‌یابی می‌کند که بار ذاتی (تعامل عناصر مورد نیاز ذاتی یک وظیفه) را از بار زائد (مطالباتی که به یادگیری کمک نمی‌کنند) متمایز می‌سازد و فرایندهای مرتبط را به عنوان منابع حافظه فعال که نویسنده به بار ذاتی اختصاص می‌دهد، تلقی می‌کند. مقاله با بهره‌گیری از مفاهیم تلاش مولد و پردازش مولد توضیح می‌دهد که چرا پردازش مرتبط را نمی‌توان واگذار کرد: زمانی که یک ابزار کار را انجام می‌دهد، پردازش به نویسنده منتقل نمی‌شود؛ بلکه اصلاً رخ نمی‌دهد. دو پرسش پژوهشی مطرح می‌شود. نخست، کدام مطالبات شناختی در نگارش پژوهشی بار زائد محسوب می‌شوند که هوش مصنوعی می‌تواند آن را کاهش دهد و کدام نیازمند پردازش مرتبط است که باید کار خود نویسنده باقی بماند. دوم، چگونه می‌توان همکاری هوش مصنوعی با حضور انسان در حلقه را در مراحل مختلف نگارش پژوهشی به گونه‌ای طراحی کرد که این تمایز از طریق قضاوت انسانی عملیاتی شود؟ دستاورد مقاله، یک چارچوب مفهومی نه‌مرحله‌ای است که با بخش‌های یک مقاله پژوهشی، از کنجکاوی و پرسشگری تا منابع و ارسال، تطبیق یافته است. هر مرحله، مطالبه شناختی غالب، نقش هوش مصنوعی (از حداقل مداخله تا همکاری کامل) و راهنمای طراحی برای ابزارها و تعاملات را مشخص می‌کند. این چارچوب نگارش پژوهشی را از دبیرستان (پایه‌های ۹ تا ۱۲) تا پژوهش‌های فوق‌دکتری و حرفه‌ای، در رشته‌های مختلف پوشش می‌دهد. استفاده مرحله‌محور از هوش مصنوعی را به عنوان آموزش پاسخگو در نگارش پژوهشی تلقی می‌کند: آموزش و طراحی ابزار که به مطالبات شناختی وظیفه پاسخ می‌دهد نه به قابلیت‌های ابزار. مقاله پیامدهایی برای طراحی آموزش دیجیتال پاسخگو، از جمله انتخاب ابزار، ارزیابی، عدالت و حمایت از نویسندگان با تفاوت‌های شناختی ارائه می‌دهد. هدف چارچوب، حفظ کار شناختی است که پژوهش را معنادار می‌کند.