research challenges

This qualitative study employed Interpretative Phenomenological Analysis (IPA) as its research design and centered on eight mathematics educators from the Negros Island Region in the Philippines. These educators were officially enrolled in master's or doctoral programs at Higher Education Institutions (HEIs) during the academic year 2024-2025. The researcher employed purposive-convenience sampling, selecting readily accessible mathematics educators who also met specific criteria: they had conducted at least one research study, had presented a study, and had taught in a public high school for at least two years. The study sought to understand their lived experiences related to research engagement, using in-depth interviews to capture their motivations, challenges, coping mechanisms, perceived benefits, and insights. The mathematics educators' primary motivator stemmed from a genuine desire to improve their learners' lives, focusing on strategies to enhance comprehension, reduce anxiety, and promote equity. However, these educators faced considerable challenges, including time constraints due to heavy workloads and limited resources, particularly in public schools and part-time positions. To overcome these obstacles, they demonstrated resourcefulness and relied on collaboration, sharing ideas and leveraging networks for support. Despite the hardships, research engagement brought significant rewards, most notably witnessing learners' "lightbulb moments" and experiencing professional growth. Ultimately, the study highlighted the dedication and resilience of these educators, emphasizing the urgent need for institutional support to foster a research culture that empowers them to advance mathematics education in the Philippines.

این مطالعه کیفی با به‌کارگیری طرح پژوهشی تحلیل پدیدارشناختی تفسیری (IPA) انجام شده و بر هشت آموزگار ریاضی از منطقه جزیره نِگروس در فیلیپین متمرکز است. این آموزگاران به طور رسمی در برنامه‌های کارشناسی ارشد یا دکتری در مؤسسات آموزش عالی (HEIs) در سال تحصیلی ۲۰۲۴-۲۰۲۵ ثبت‌نام کرده بودند. پژوهشگر از نمونه‌گیری هدفمند-سهولت‌محور استفاده کرد و آموزگاران ریاضی را که به آسانی در دسترس بودند و همچنین معیارهای خاصی را دارا بودند انتخاب نمود: انجام حداقل یک مطالعه پژوهشی، ارائه یک پژوهش و داشتن سابقه تدریس در دبیرستان دولتی به مدت حداقل دو سال. هدف این مطالعه، فهم تجارب زیسته آنان در ارتباط با مشارکت پژوهشی بود و برای ثبت انگیزه‌ها، چالش‌ها، سازوکارهای مقابله‌ای، فواید ادراک‌شده و بینش‌های آنان از مصاحبه‌های عمیق بهره گرفته شد. انگیزه اصلی آموزگاران ریاضی، تمایل واقعی برای بهبود زندگی یادگیرندگان‌شان بود که بر راهبردهایی برای ارتقای درک، کاهش اضطراب و ترویج عدالت تمرکز داشت. با این حال، این آموزگاران با چالش‌های قابل توجهی از جمله محدودیت زمانی ناشی از حجم بالای کار و کمبود منابع، به ویژه در مدارس دولتی و موقعیت‌های پاره‌وقت، مواجه بودند. برای غلبه بر این موانع، آنان با ابتکار عمل و تکیه بر همکاری، به اشتراک‌گذاری ایده‌ها و بهره‌گیری از شبکه‌های حمایتی پرداختند. علی‌رغم دشواری‌ها، مشارکت پژوهشی پاداش‌های قابل توجهی به همراه داشت که مهم‌ترین آن مشاهده «لحظات روشن‌شدن ذهن» یادگیرندگان و تجربه رشد حرفه‌ای بود. در نهایت، این مطالعه بر تعهد و تاب‌آوری این آموزگاران تأکید کرده و نیاز فوری به حمایت نهادی برای تقویت فرهنگ پژوهش به منظور توانمندسازی آنان در پیشبرد آموزش ریاضی در فیلیپین را برجسته می‌کند.

Large Language Models (LLMs) have demonstrated significant capabilities in generating human-like and contextually relevant responses across a wide range of applications.However, their reliability is affected not only by factual hallucinations but also by failures to correctly understand and follow user instructions.This emerging issue, referred to as intent hallucination, occurs when an LLM omits, misinterprets, or fails to satisfy one or more requirements contained in a user's request, even when the generated response may be factually correct.Such failures can reduce the reliability and usefulness of LLM-based systems, particularly in complex tasks involving multiple constraints.This paper proposes a systematic review of existing research on intent hallucination and instructionfollowing capabilities in Large Language Models.The study will examine major types and causes of instructionfollowing failures, existing benchmarks and evaluation techniques, methods for detecting such failures, and approaches proposed to mitigate them.The review will also compare current evaluation frameworks and investigate limitations in existing research, particularly concerning complex, multi-constraint, and dynamic user instructions.Based on the reviewed literature, the study aims to organize existing approaches into a structured taxonomy covering instruction-following failures, detection and evaluation methods, and mitigation strategies.Finally, the paper will highlight open research challenges and future directions for developing more reliable and intent-aligned LLM systems.The study aims to provide a consolidated understanding of intent hallucination and support future research toward more dependable human-AI interaction.

مدل‌های زبانی بزرگ (LLMs) توانایی‌های قابل توجهی در تولید پاسخ‌های مشابه انسان و مرتبط با زمینه در طیف وسیعی از کاربردها نشان داده‌اند. با این حال، پایایی آن‌ها نه تنها تحت تأثیر توهمات واقعی بلکه همچنین به دلیل ناتوانی در درک و پیروی صحیح از دستورالعمل‌های کاربر قرار می‌گیرد. این مسئله نوظهور که به آن توهم نیت گفته می‌شود، زمانی رخ می‌دهد که یک مدل زبانی بزرگ یک یا چند الزام موجود در درخواست کاربر را حذف، تفسیر نادرست یا برآورده نمی‌کند، حتی اگر پاسخ تولیدشده از نظر واقعی صحیح باشد. چنین شکست‌هایی می‌تواند پایایی و سودمندی سامانه‌های مبتنی بر مدل‌های زبانی بزرگ را به ویژه در وظایف پیچیده با محدودیت‌های متعدد کاهش دهد. این مقاله مرور نظام‌مندی از پژوهش‌های موجود درباره توهم نیت و قابلیت‌های پیروی از دستورالعمل در مدل‌های زبانی بزرگ ارائه می‌دهد. این مطالعه انواع اصلی و علل شکست‌های پیروی از دستورالعمل، معیارها و تکنیک‌های ارزیابی موجود، روش‌های شناسایی این شکست‌ها و رویکردهای پیشنهادی برای کاهش آن‌ها را بررسی خواهد کرد. همچنین این مرور چارچوب‌های ارزیابی فعلی را مقایسه و محدودیت‌های پژوهش‌های موجود، به ویژه در ارتباط با دستورالعمل‌های پیچیده، چندمحدوده‌ای و پویا را بررسی می‌کند. بر اساس ادبیات مرورشده، مطالعه حاضر تلاش دارد رویکردهای موجود را در قالب یک طبقه‌بندی ساختاریافته شامل شکست‌های پیروی از دستورالعمل، روش‌های شناسایی و ارزیابی و راهبردهای کاهش سازماندهی کند. در نهایت، مقاله چالش‌های پژوهشی باز و مسیرهای آینده برای توسعه سامانه‌های مدل زبانی بزرگ پایاتر و هم‌راستا با نیت کاربر را برجسته خواهد کرد. هدف این مطالعه ارائه درکی یکپارچه از توهم نیت و حمایت از پژوهش‌های آتی به سوی تعامل انسان-هوش مصنوعی قابل اعتمادتر است.