machine learning

The article substantiates the feasibility of adaptive foreign language phonetics teaching, enhanced by artificial intelligence technologies, as an alternative to traditional standardized methods that fail to account for higher education students' individual articulatory features and lead to persistent phonetic errors. The study is interdisciplinary, combining the methodology of specialties A4 Secondary Education (A4.021 English Language and Literature), A5 Vocational Education (A5.39 Digital Technologies), and F7 Computer Engineering. The purpose of the study is to develop and justify a model of an adaptive learning platform for improving higher education students' phonetic skills through the integration of speech formant synthesis with machine learning algorithms. A formant synthesizer model based on parallel digital filters has been developed, generating reference vowel sounds by simulating the resonant frequencies of the vocal tract. An approach to personalizing learning is proposed based on a Long Short-Term Memory (LSTM) neural network, which analyzes a student's error history and dynamically adjusts formant parameters in real time. Technical validation of the model demonstrated high accuracy of formant frequency correction, with a root-mean-square error of 45 Hz for the first formant and 78 Hz for the second, enabling objective assessment of pronunciation quality and adaptation of exercise difficulty to the individual student's level. A pilot quasi-experimental verification of the platform involving experimental and control groups of higher education students confirmed its pedagogical potential for implementing differentiated learning principles based on objective acoustic data. The conclusions confirm the platform's prospects for modernizing linguistic education. Further research directions include expanding empirical validation on a larger sample and conducting perceptual evaluation of synthesized speech quality by native speakers to confirm its naturalness and suitability for learning purposes.

Traditional statistical models face the challenges of insufficient modeling capabilities and difficulty in interpreting complex, nonlinear, and high-dimensional data. Therefore, this paper combines fuzzy logic and deep learning methods to construct a framework model for identifying key factors for high-quality employment for college students. The model in this paper uses multi-channel encoding technology. We use the attention mechanism to fuse the features obtained from multi-channel encoding and input the self-organizing fuzzy inference structure for regression and classification analysis. The system can transform numerical prediction results into a semantic rule-driven decision-making process, which can significantly improve the model’s modeling capabilities and interpretability for uncertainty. Our experiments were conducted on 5,623 graduates. Experimental results on the data show that our model achieved an average mean square error of 0.831, a coefficient of determination of 0.892, and a classification accuracy of 0.865, which are significantly higher than traditional statistical and machine learning models. The corresponding experiments demonstrate the key role of cross-modal fusion and fuzzy reasoning modules in improving the results. Feature importance analysis shows that factors such as internship duration, GPA, and research participation have a key impact on high-quality employment, which is consistent with expert consensus.

Stress is an important physiological and psychological reaction which, when prolonged, has a negative impact on the health and well-being of humans. Traditional stress assessment methods tend to be subjective and are not scalable in real-time. In this research, a lightweight machine learning framework to predict stress from easily measurable environmental and activity-related features, temperature, humidity, and steps, is introduced. The proposed method is different from the approach that depends on complex physiological signals and uses minimal non-invasive inputs that can be applied in the wearable and IoT field. The stress level is considered as the target variable, and all the features used as input variables are independent from each other to prevent data leakage. There are several machine learning and deep learning models and their performances are measured, such as LightGBM, Support vector machine (SVM), AdaBoost, Gated Recurrent Unit (GRU). Bayesian hyperparameter optimization is used to improve the performance of the model and guarantee strong generalization. Experimental results show that LightGBM outperforms the other models, giving an accuracy of 97% and a balanced precision, recall and F1 score of 95%. The results demonstrate promising predictive performance on the evaluated dataset. However, since the model was validated on a relatively small publicly available dataset, further evaluation using larger and more diverse real-world datasets is required before practical deployment.

Human well-being has received increasing attention as an indicator of individual and social health and as a consideration in public policy. Gender differences in subjective well-being (SWB), a widely accepted indicator of human well-being, have long been documented. However, explanations of these gender differences remain varied and inconclusive. This study utilizes Gallup World Poll data comprising 1,911,212 observations from 2009 to 2022. Employing advanced machine-learning techniques within an Exogenous Switching Treatment Effect Model (ESTEM) framework, we decompose the gender gap in SWB into differences in characteristics and differences in regime-specific returns. Conditional on observed characteristics and under a common predictive regime, the model predicts higher SWB for men. In contrast, the regime-specific returns component is associated with lower predicted well-being under the male regime. This component also increases over time, widening the estimated gender gap in SWB, while its magnitude varies across countries. The results suggest the potential relevance of institutional flexibility and reduced gender-role pressures for addressing gender disparities in human well-being.

As AI virtual influencers (AIVIs) proliferate, understanding human-AI emotional engagement is vital for advancing affective computing. To examine whether AIVIs evoke comparable affective responses to human influencers (HIs), we analyzed 156,918 Instagram comments that received 12+ million likes, integratinglarge language model (LLM)-derived knowledge graphs, emotion analysis, and machine learning. HI-directed discourse shows more differentiated emotional expression and a pattern consistent with more cohesive semantic networks than AIVI-directed discourse. AIVI-directed comments are less likely to express positive affect (24.8% vs. 41.5%) and also less likely to express negative affect (5.8% vs. 9.3%), indicating reduced affective expression of either valence rather than heightened negativity. This group-level tendency is not uniform: affective engagement varies substantially across AIVIs, and that variation is more closely associated with positive than with negative expression. Our Multi-Signal Embedding Network (MSEN), incorporating behavioral metrics and OpenAI semantic embeddings, classified influencer types from behavioral, affective and semantic features (F1 = 0.89), outperforming baselines including a state-of-the-art zero-shot LLM. These findings identify a boundary condition for the Computers Are Social Actors (CASA) paradigm: human-like appearance can elicit social responses without producing affective and semantic response patterns as rich as those elicited by HIs.

Objective This study aimed to estimate the prevalence of musculoskeletal symptoms and work-related musculoskeletal disorders (WMSDs) among orthopedic nurses, identify demographic, occupational, and lifestyle characteristics associated with WMSDs, and explore whether routinely collected characteristics could discriminate nurses with WMSDs from those without. Method A single-center cross-sectional study was conducted among nurses at a tertiary orthopedic specialty hospital in China between March and November 2023. Conventional analyses included multivariable logistic regression, modified Poisson regression with robust standard errors, and negative binomial regression. Logistic regression as a benchmark, elastic-net logistic regression, random forest, XGBoost, and support vector machine were compared using repeated 5-fold cross-validation with fold-specific preprocessing. Prediction performance was assessed using AUC with bootstrap 95% CIs, PR-AUC, Brier score, calibration intercept and slope, and descriptive threshold metrics; TreeSHAP was used for model interpretation. Result Among 948 nurses with valid questionnaires, 654 reported musculoskeletal symptoms in the previous 12 months, irrespective of work attribution (68.99%). After excluding 44 participants with uncertain work-related attribution, 604/904 participants were classified as having work-related WMSDs (66.81%). Each 1-point increase in the strict ergonomic risk score was associated with WMSDs in logistic regression (adjusted OR = 2.631, 95% CI 2.039–3.432; p < 0.001) and modified Poisson regression (adjusted PR = 1.283, 95% CI 1.203–1.369; p < 0.001). The highest observed AUC was 0.752 (95% CI 0.721–0.791) for the domain random forest model; the domain XGBoost model had the highest PR-AUC (0.841). Conclusion Musculoskeletal symptoms and WMSDs were common among orthopedic nurses in this single-center sample. Occupational exposure and postural load were associated with WMSDs. The exploratory prediction models showed limited-to-moderate discrimination and warrant prospective multicenter external validation before practical application.

Final-year engineering students frequently face severe psychological stress driven by demanding capstone projects and rigorous accreditation standards. This research proposes a novel decision-support framework to objectively evaluate, categorize, and systematically manage academic stress among engineering undergraduates. By integrating automated non-parametric machine learning with a multi-criteria network decision model, the research bridges diagnostic psychological profiling and strategic institutional intervention. Data were gathered from six hundred eleven final-year students across four engineering departments using a validated psychometric questionnaire. The automated classification engine utilizes a nearest-neighbor algorithm based on spatial Euclidean proximity to categorize individual distress severity into depression, anxiety, and stress levels without relying on rigid parametric assumptions. Subsequently, a strategic situational assessment and a multi-perspective personal performance framework were established to translate abstract psychological findings into measurable indicators. Clinical experts and academic domain specialists evaluated these indicators using an analytical network process, incorporating complex interdependencies and feedback loops to compute steady-state priority weights. Empirical results revealed that over ninety percent of respondents experienced at least moderate psychological distress. Crucially, the mathematical prioritization demonstrated that the financial perspective holds the paramount priority weight, followed by internal cognitive resilience, continuous knowledge acquisition, and external social relationships. This proves that financial stability serves as a foundational prerequisite for academic recovery and intellectual execution. The primary contribution of this research lies in converting static psychometric evaluations into a dynamic, clinically validated decision-support tool. Higher education institutions and academic counselors can implement this prioritized framework to allocate institutional resources effectively, design targeted financial relief initiatives, and optimize student well-being alongside academic excellence.

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

Introduction Deception elicits measurable cognitive and linguistic changes, yet accurately identifying deceptive language in high-stakes environments remains a persistent challenge. Although natural language processing (NLP) and machine learning (ML) techniques have shown promise in detecting misinformation and low-stakes deception, their performance on spontaneous, stress-induced speech remains poorly understood. This study investigates linguistic markers of deception and evaluates the performance of supervised ML models and a knowledge-grounded language model, FranklinAsk™, across both synthetic and real-world datasets. Methods Linguistic analyses were conducted on responses from a National Center for Credibility Assessment (NCCA) military training exercise involving truthful and deceptive participants. A synthetic dataset was generated using MOSTLYAI to provide a balanced corpus for ML training. Linguistic features were extracted using pretrained NLP models, and supervised classifiers, including logistic regression, Random Forest, Naïve Bayes, and Support Vector Machine (SVM), were trained using LIWC-22 features with 10-fold cross-validation. The FranklinAsk™ RAG system was evaluated using the same participant responses to compare knowledge-grounded reasoning with statistical learning. Results Two linguistic features, cardinal numbers (nominal p = 0.041) and particles (nominal p = 0.0486), reached the unadjusted significance threshold, each with a moderate effect size ( d = 0.55); neither remained statistically significant after Benjamini-Hochberg FDR correction (adjusted p = 0.668 for both). No significant sentiment differences were observed. On the synthetic dataset, logistic regression performed best (F1 = 0.930; ROC AUC = 0.978), but all supervised models showed substantial performance declines when applied to the real-world dataset. In contrast, FranklinAsk™ achieved the highest F1-score (0.519), highest accuracy (0.487), and second-highest recall (0.700) on the military exercise data. Discussion These findings highlight the limited generalizability of synthetic-trained deception models to real-world, high-stakes communication and motivate further investigation of knowledge-grounded language models as an alternative approach when labeled real-world training data are limited. Future research should prioritize expanding ecologically valid datasets and exploring hybrid approaches that combine statistical modeling with knowledge-grounded reasoning.

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

Background Depression and anxiety symptoms are common among college students. Behavioral and psychosocial indicators may support preventive campus mental health work, but risk-stratification frameworks require external validation. Methods We developed a construct-level model-explanation framework using questionnaire data from a development sample. The cleaned dataset included 1,267 students; internal-validation analyses included 1,096 students for depression risk and 1,095 for anxiety risk. Risk was defined as a Patient Health Questionnaire-9 (PHQ-9) or Generalized Anxiety Disorder-7 (GAD-7) score of 10 or higher. The primary Feature set C random-forest (RF) pipelines integrated demographic, traditional, and emerging behavioral and psychosocial indicators. Fold-specific preprocessing and percentile cutoffs were used for internal validation. Locked pipelines were applied without retraining, predictor reselection, optimization, recalibration, or threshold adjustment to an independent university sample of 1,468 students. Results External area under the receiver operating characteristic curve (AUROC), area under the precision–recall curve (PR-AUC), and Brier scores were 0.813 (95% CI, 0.776–0.848), 0.402 (0.325–0.491), and 0.090 (0.083–0.098), respectively, for depression and 0.809 (0.765–0.851), 0.205 (0.144–0.300), and 0.063 (0.056–0.070), respectively, for anxiety. Ordinary participant-level bootstrap was the primary approach, with stratified bootstrap as a sensitivity analysis. Depression calibration was close to the prevalence baseline (Brier 0.091; intercept −0.668; slope 1.401), whereas anxiety showed miscalibration (Brier 0.063 vs. baseline 0.051; intercept −1.227; slope 1.102). The models supported external discrimination and risk ranking but did not validate individual absolute-risk probabilities or clinical thresholds. Conclusion Behavioral and psychosocial indicators supported externally validated risk stratification in an independent university sample. Anxiety-risk findings should be interpreted as preliminary because the number of positive cases was limited. Further evaluation is needed before wider implementation.

Suicidal ideation is the consideration of self-inflicted death and has emerged as a serious and rising concern for worldwide public health systems, contributing to over 800,000 deaths annually worldwide. Individuals express intentions, distress, and thoughts of self-harm and death, thereby offering a crucial and unprecedented avenue for timely psychological intervention and surveillance. The core problem addressed by this research is the pronounced global insufficiency in detecting and mitigating suicidal ideation across linguistically diverse environments, specifically focusing on low-resource languages. Previous computational studies have primarily focused on English and other widely used languages, leaving a critical research gap for contexts such as Amharic. The main aim of this study was to investigate and to develop a robust and optimal deep learning model for identifying suicidal ideation in Amharic social media content. A total of 5,428 postings from social media such as Facebook and Telegram were carefully collected, manually annotated, and processed to provide the first publicly available dataset on Amharic suicidal ideation. After preprocessing, Word2Vec, GloVe, and FastText were among the word embedding techniques used for feature engineering. Five deep learning models and four machine learning models were then compared in this study. Based on the experimental results, ensemble learning models achieved slightly higher performance than the individual deep learning models in suicidal ideation detection. Specifically, hard voting ensemble learning models achieved the highest accuracy (83.3%) and precision (86.55%). CNN-BiLSTM achieved an accuracy of 81.45%, while the BiLSTM model achieved an accuracy of 81.4%, indicating that bidirectional sequence learning effectively captures contextual information in Amharic texts. Beyond its strong empirical performance, this study contributes a robust detection framework and introduces a public Amharic dataset, thereby establishing a foundational methodological resource for mental health research. Future studies should focus on developing scalable datasets and context-aware deep learning models that effectively handle multimodal data, multilingual transformer models, fusion-based features, and addressing bias in low-resource computational linguistics.

افکار خودکشی به معنای اندیشیدن به مرگ خودخواسته است و به عنوان یک نگرانی جدی و رو به افزایش برای نظام‌های سلامت عمومی در سراسر جهان مطرح شده است، به طوری که سالانه بیش از ۸۰۰٬۰۰۰ مرگ را در سطح جهانی رقم می‌زند. افراد، نیت‌ها، پریشانی و افکار آسیب به خود و مرگ را ابراز می‌کنند و بدین ترتیب، مسیر مهم و بی‌سابقه‌ای برای مداخله و پایش روان‌شناختی به موقع فراهم می‌شود. مسئله اصلی که این پژوهش به آن می‌پردازد، کمبود چشمگیر جهانی در شناسایی و کاهش افکار خودکشی در محیط‌های زبانی متنوع، به ویژه در زبان‌های کم‌منبع است. مطالعات محاسباتی پیشین عمدتاً بر زبان انگلیسی و سایر زبان‌های پرکاربرد تمرکز داشته‌اند و این امر موجب ایجاد شکاف پژوهشی مهمی در زمینه‌هایی مانند زبان آمهاریک شده است. هدف اصلی این مطالعه، بررسی و توسعه یک مدل یادگیری عمیق قوی و بهینه برای شناسایی افکار خودکشی در محتوای شبکه‌های اجتماعی به زبان آمهاریک بود. در مجموع، ۵٬۴۲۸ پست از شبکه‌های اجتماعی مانند فیس‌بوک و تلگرام با دقت جمع‌آوری، به صورت دستی برچسب‌گذاری و پردازش شدند تا نخستین مجموعه‌داده عمومی درباره افکار خودکشی به زبان آمهاریک فراهم شود. پس از پیش‌پردازش، تکنیک‌های تعبیه واژه مانند Word2Vec، GloVe و FastText برای مهندسی ویژگی‌ها به کار گرفته شدند. در این پژوهش، پنج مدل یادگیری عمیق و چهار مدل یادگیری ماشین با یکدیگر مقایسه شدند. بر اساس نتایج تجربی، مدل‌های یادگیری تجمعی (ensemble learning) عملکردی اندکی بهتر از مدل‌های یادگیری عمیق منفرد در شناسایی افکار خودکشی داشتند. به طور خاص، مدل‌های یادگیری تجمعی با رأی‌گیری سخت (hard voting) بالاترین دقت (۸۳/۳٪) و دقت مثبت (precision) (۸۶/۵۵٪) را به دست آوردند. مدل CNN-BiLSTM به دقت ۸۱/۴۵٪ و مدل BiLSTM به دقت ۸۱/۴٪ دست یافتند که نشان می‌دهد یادگیری دنباله‌ای دوسویه به طور مؤثری اطلاعات زمینه‌ای را در متون آمهاریک استخراج می‌کند. افزون بر عملکرد تجربی قوی، این پژوهش چارچوب شناسایی قابل اعتمادی ارائه داده و مجموعه‌داده عمومی آمهاریک را معرفی می‌کند و بدین ترتیب منبع روش‌شناختی بنیادی برای پژوهش‌های سلامت روان فراهم می‌آورد. مطالعات آتی باید بر توسعه مجموعه‌داده‌های مقیاس‌پذیر و مدل‌های یادگیری عمیق آگاه از زمینه که به طور مؤثر داده‌های چندوجهی، مدل‌های ترنسفورمر چندزبانه، ویژگی‌های مبتنی بر همجوشی و رفع سوگیری در زبان‌شناسی محاسباتی کم‌منبع را مدیریت می‌کنند، تمرکز کنند.

Background Suicidal behaviors among adolescents are a serious global public health concern and are closely linked to both mental health and everyday lifestyle behaviors. Suicidal ideation, planning, and attempts lie along a spectrum of increasing severity. However, how psychological distress and health-related behaviors interact to influence suicide risk is complex and not yet fully understood. This study aimed to identify key mental health and lifestyle factors associated with different stages of adolescent suicidal behaviors using interpretable machine learning methods. Methods Data were obtained from the 2021 Youth Risk Behavior Surveillance System (YRBS), a nationally representative survey of U.S. high school students. After data cleaning and multiple imputation, 16,946 adolescents aged 14–18 years were included in the analysis. Extreme Gradient Boosting (XGBoost) models were developed to predict suicidal ideation, suicide planning, and suicide attempts. Model performance was assessed using the area under the receiver operating characteristic curve (AUC) and related metrics. Feature importance was examined using gain-based measures, while SHapley Additive exPlanations (SHAP) and partial dependence plots were used to explore the direction, strength, and nonlinear effects of key predictors. Results All three XGBoost models showed satisfactory predictive performance. Mental health factors, particularly persistent feelings of sadness and self-rated mental health, were the strongest predictors across all stages of suicidal behaviors. Lifestyle behaviors, including sleep duration, physical activity, diet, screen time, and substance use, also contributed meaningfully to risk prediction, although their relative importance differed by outcome. SHAP analyses indicated that greater sadness and poorer mental health were strongly associated with higher suicide risk, whereas adequate sleep and higher levels of physical activity were associated with lower predicted risk. Substance use, including alcohol, cigarette, and marijuana use, played an important role in predicting suicide attempts than suicidal ideation or planning. Partial dependence analyses showed nonlinear and threshold effects, especially for sadness, mental health status, and sleep duration. Conclusion Mental health factors, especially persistent sadness and overall psychological well-being, were among the most prominent factors associated with suicidal behaviors among adolescents, while lifestyle behaviors showed important and stage-specific associations. Interpretable machine learning approaches help identify complex and nonlinear patterns associated with adolescent suicide risk and offer valuable insights to guide targeted, evidence-based prevention efforts.

زمینه: رفتارهای خودکشی در میان نوجوانان یک نگرانی جدی بهداشت عمومی در سطح جهانی است و ارتباط نزدیکی با سلامت روان و رفتارهای سبک زندگی روزمره دارد. افکار خودکشی، برنامه‌ریزی و اقدام به خودکشی در طیفی با شدت فزاینده قرار دارند. با این حال، نحوه تعامل پریشانی روان‌شناختی و رفتارهای مرتبط با سلامت برای تأثیرگذاری بر خطر خودکشی پیچیده بوده و هنوز به طور کامل درک نشده است. هدف این مطالعه شناسایی عوامل کلیدی سلامت روان و سبک زندگی مرتبط با مراحل مختلف رفتارهای خودکشی در نوجوانان با استفاده از روش‌های یادگیری ماشین قابل تفسیر بود. روش‌ها: داده‌ها از سیستم پایش رفتارهای پرخطر نوجوانان (YRBS) در سال 2021، که یک پیمایش ملی نماینده از دانش‌آموزان دبیرستانی ایالات متحده است، به دست آمد. پس از پاک‌سازی داده‌ها و برآورد چندگانه، 16,946 نوجوان 14 تا 18 ساله در تحلیل وارد شدند. مدل‌های Extreme Gradient Boosting (XGBoost) برای پیش‌بینی افکار خودکشی، برنامه‌ریزی خودکشی و اقدام به خودکشی توسعه یافتند. عملکرد مدل با استفاده از مساحت زیر منحنی مشخصه عملکرد گیرنده (AUC) و معیارهای مرتبط ارزیابی شد. اهمیت ویژگی‌ها با استفاده از معیارهای مبتنی بر gain بررسی شد و برای بررسی جهت، شدت و اثرات غیرخطی پیش‌بین‌های کلیدی از SHapley Additive exPlanations (SHAP) و نمودارهای وابستگی جزئی استفاده گردید. یافته‌ها: هر سه مدل XGBoost عملکرد پیش‌بینی رضایت‌بخشی نشان دادند. عوامل سلامت روان، به ویژه احساسات مداوم غمگینی و ارزیابی ذهنی سلامت روان، قوی‌ترین پیش‌بین‌ها در تمام مراحل رفتارهای خودکشی بودند. رفتارهای سبک زندگی شامل مدت خواب، فعالیت بدنی، رژیم غذایی، زمان استفاده از صفحه نمایش و مصرف مواد نیز به طور معناداری در پیش‌بینی خطر نقش داشتند، اگرچه اهمیت نسبی آن‌ها بسته به پیامد متفاوت بود. تحلیل‌های SHAP نشان داد که غمگینی بیشتر و سلامت روان ضعیف‌تر به طور قوی با افزایش خطر خودکشی مرتبط است، در حالی که خواب کافی و سطوح بالاتر فعالیت بدنی با کاهش خطر پیش‌بینی‌شده همراه بودند. مصرف مواد، از جمله مصرف الکل، سیگار و ماری‌جوانا، نقش مهم‌تری در پیش‌بینی اقدام به خودکشی نسبت به افکار یا برنامه‌ریزی خودکشی داشت. تحلیل‌های وابستگی جزئی اثرات غیرخطی و آستانه‌ای را به ویژه برای غمگینی، وضعیت سلامت روان و مدت خواب نشان داد. نتیجه‌گیری: عوامل سلامت روان، به ویژه غمگینی مداوم و بهزیستی روان‌شناختی کلی، از برجسته‌ترین عوامل مرتبط با رفتارهای خودکشی در نوجوانان بودند، در حالی که رفتارهای سبک زندگی نیز ارتباطات مهم و مرحله‌محور نشان دادند. رویکردهای یادگیری ماشین قابل تفسیر به شناسایی الگوهای پیچیده و غیرخطی مرتبط با خطر خودکشی نوجوانان کمک می‌کنند و بینش‌های ارزشمندی برای هدایت تلاش‌های پیشگیرانه هدفمند و مبتنی بر شواهد ارائه می‌دهند.

Developmental dyslexia (DD) impacts learning achievement and psychosocial development and is associated with various environmental factors and also genetic factors. Here, we conducted a multi-center case-control study by screening 29,820 primary school students between 2–6 grades in four cities in China and enrolled 948 dyslexia cases who meet the criteria of dyslexia and 948 controls with matching age and sex. We comprehensively investigated the environmental factors using the eXtreme Gradient Boosting (XGBoost) machine learning model and Shapley additive explanations (SHAP) algorithm. The most important risk factors in dyslexia are the proactive learning habit, the age of child’s literacy, maternal education level, out-migrant workers, and prolonged screen exposure during pregnancy. The home literacy environment accounted for most of the variance within both groups. Then we examined shared polygenic risks between DD, attention deficit hyperactivity disorder, autism spectrum disorders, schizophrenia, major depressive disorder, and bipolar disorder using polygenic risk score (PRS) analyses. The results showed that the highest PRS DD quartile had a 2.13-fold risk than the lowest quartile with risk factors adjusted (95% CI: 1.08, 4.18). The individuals with the highest PRS ASD quartile and PRS SCZ quartile (OR: 2.13; 95% CI: 1.14, 3.98 and OR: 2.41; 95% CI: 1.23, 4.72) were associated with increasing dyslexia risks. This study identified the importance of screening personalized environmental factors among dyslexia and highlighted the shared genetic architecture between dyslexia and other disorders. These findings offered novel insight into the etiology of dyslexia, contributing to the advancement of early prevention strategies.

نارساخوانی رشدی (DD) بر پیشرفت تحصیلی و رشد روانی‌اجتماعی تأثیر می‌گذارد و با عوامل محیطی گوناگون و همچنین عوامل ژنتیکی مرتبط است. در این پژوهش، یک مطالعه مورد-شاهدی چندمرکزی با غربالگری ۲۹٬۸۲۰ دانش‌آموز ابتدایی پایه دوم تا ششم در چهار شهر چین انجام شد و ۹۴۸ مورد نارساخوانی که معیارهای نارساخوانی را داشتند و ۹۴۸ فرد کنترل با تطبیق سن و جنسیت وارد مطالعه شدند. عوامل محیطی به طور جامع با استفاده از مدل یادگیری ماشین eXtreme Gradient Boosting (XGBoost) و الگوریتم Shapley additive explanations (SHAP) بررسی شد. مهم‌ترین عوامل خطر در نارساخوانی شامل عادت یادگیری فعال، سن سوادآموزی کودک، سطح تحصیلات مادر، کارگران مهاجر و مواجهه طولانی‌مدت با صفحه‌نمایش در دوران بارداری بودند. محیط سوادآموزی خانه بیشترین واریانس را در هر دو گروه توضیح داد. سپس ریسک‌های چندژنی مشترک بین DD، اختلال نقص توجه/بیش‌فعالی، اختلالات طیف اوتیسم، اسکیزوفرنی، اختلال افسردگی اساسی و اختلال دوقطبی با استفاده از تحلیل امتیاز ریسک چندژنی (PRS) بررسی شد. نتایج نشان داد که بالاترین چارک PRS DD نسبت به پایین‌ترین چارک، ۲٫۱۳ برابر ریسک بیشتری داشت (با تعدیل عوامل خطر؛ ۹۵٪ CI: ۱٫۰۸، ۴٫۱۸). افرادی که در بالاترین چارک PRS ASD و PRS SCZ قرار داشتند (OR: ۲٫۱۳؛ ۹۵٪ CI: ۱٫۱۴، ۳٫۹۸ و OR: ۲٫۴۱؛ ۹۵٪ CI: ۱٫۲۳، ۴٫۷۲) با افزایش ریسک نارساخوانی مرتبط بودند. این مطالعه اهمیت غربالگری عوامل محیطی شخصی‌سازی‌شده در نارساخوانی را شناسایی کرد و معماری ژنتیکی مشترک بین نارساخوانی و سایر اختلالات را برجسته ساخت. این یافته‌ها بینش جدیدی در زمینه اتیولوژی نارساخوانی ارائه داده و به پیشرفت راهبردهای پیشگیری زودهنگام کمک می‌کند.

Background Predictive-processing accounts of BPD, including the hierarchical-prior-imbalance account proposed by Herzog, offer a framework for interpreting affective instability and impulsivity. The present task-fMRI study evaluates whether discriminative task-evoked patterns are consistent with this framework; because it does not directly estimate prediction errors, precision weighting, or hierarchical belief updating, it is not a mechanistic test of predictive processing. Methods To evaluate this question, this study developed a leakage-controlled multimodal machine learning framework for individualized classification of adolescents with BPD and healthy controls based on emotional Go/No-Go task-fMRI activity. Three feature domains were constructed: functional connectivity (FC), task-evoked general linear model (GLM)-derived temporal features, and clinical variables. Seven feature settings, including single-modality, dual-modality, and full multimodal combinations, were evaluated using multiple conventional machine learning classifiers, including logistic regression, support vector machine, k-nearest neighbors, Gaussian naive Bayes, multilayer perceptron, random forest, and XGBoost or gradient boosting. Results The results showed that task-evoked GLM-derived features provided the strongest single-modality discriminative information (AUC of 0.881 ± 0.055). SHAP analysis confirmed the predominance of GLM-derived features, accounting for 83.1% of total model attribution, compared to 9.5 and 7.5% for functional connectivity and clinical variables, respectively. At the neural level, discriminative features were distributed across visual/perceptual regions (calcarine, cuneus, occipital cortex), temporoparietal/default-mode hubs (angular and supramarginal gyri), frontal control regions (inferior frontal gyrus), and subcortical structures (putamen). This distributed pattern aligns with a hierarchical organization spanning perceptual input, contextual/self-referential processing, and top-down inhibitory control systems, consistent with the proposed model of hierarchical affective predictive imbalance. Conclusion Task-evoked GLM-derived features were the primary source of discriminative information for adolescent BPD, with functional connectivity and clinical variables providing modest additional value. The resulting classification pattern is consistent with hierarchical predictive-processing accounts but does not establish a specific predictive-processing mechanism. The same regional pattern may also reflect visual attention, salience processing, and executive inhibitory control.

زمینه: رویکردهای پردازش پیش‌بینانه در اختلال شخصیت مرزی، از جمله مدل عدم تعادل پیش‌فرض سلسله‌مراتبی ارائه‌شده توسط Herzog، چارچوبی برای تفسیر بی‌ثباتی عاطفی و تکانشگری فراهم می‌کنند. مطالعه حاضر با استفاده از fMRI برانگیخته‌شده توسط تکلیف، ارزیابی می‌کند که آیا الگوهای تمایزبخش برانگیخته‌شده توسط تکلیف با این چارچوب همخوانی دارند یا خیر؛ چرا که این مطالعه به طور مستقیم خطاهای پیش‌بینی، وزن‌دهی دقت یا به‌روزرسانی باور سلسله‌مراتبی را برآورد نمی‌کند و بنابراین آزمون مکانیکی پردازش پیش‌بینانه محسوب نمی‌شود. روش‌ها: برای ارزیابی این سؤال، این مطالعه یک چارچوب یادگیری ماشین چندوجهی با کنترل نشت برای طبقه‌بندی فردی نوجوانان مبتلا به اختلال شخصیت مرزی و افراد سالم بر اساس فعالیت fMRI تکلیف Go/No-Go عاطفی توسعه داد. سه حوزه ویژگی ساخته شد: اتصال عملکردی (FC)، ویژگی‌های زمانی مشتق‌شده از مدل خطی عمومی (GLM) برانگیخته‌شده توسط تکلیف، و متغیرهای بالینی. هفت تنظیم ویژگی، شامل ترکیب‌های تک‌وجهی، دووجهی و چندوجهی کامل، با استفاده از چندین طبقه‌بند متداول یادگیری ماشین از جمله رگرسیون لجستیک، ماشین بردار پشتیبان، نزدیک‌ترین همسایه، گوسی نایو بیز، پرسپترون چندلایه، جنگل تصادفی و XGBoost یا گرادیان بوستینگ ارزیابی شد. نتایج: نتایج نشان داد که ویژگی‌های مشتق‌شده از GLM برانگیخته‌شده توسط تکلیف قوی‌ترین اطلاعات تمایزبخش تک‌وجهی را فراهم کردند (AUC برابر با 0.881 ± 0.055). تحلیل SHAP برتری ویژگی‌های مشتق‌شده از GLM را تأیید کرد، به طوری که این ویژگی‌ها 83.1٪ از کل نسبت‌دهی مدل را به خود اختصاص دادند، در حالی که اتصال عملکردی و متغیرهای بالینی به ترتیب 9.5 و 7.5٪ را تشکیل دادند. در سطح عصبی، ویژگی‌های تمایزبخش در سراسر نواحی بینایی/ادراکی (کالکارین، کونئوس، قشر اکسیپیتال)، مراکز تمپورپاریتال/حالت پیش‌فرض (ژیروس زاویه‌ای و فوق‌حاشیه‌ای)، نواحی کنترل پیش‌فرونتال (ژیروس فرونتال تحتانی) و ساختارهای زیرقشری (پوتامن) توزیع شده بودند. این الگوی توزیعی با سازماندهی سلسله‌مراتبی که ورودی ادراکی، پردازش زمینه‌ای/خودارجاعی و سیستم‌های کنترل مهاری بالا به پایین را در بر می‌گیرد، همسو است و با مدل پیشنهادی عدم تعادل پیش‌بینی‌کننده عاطفی سلسله‌مراتبی مطابقت دارد. نتیجه‌گیری: ویژگی‌های مشتق‌شده از GLM برانگیخته‌شده توسط تکلیف، منبع اصلی اطلاعات تمایزبخش برای اختلال شخصیت مرزی نوجوانان بودند و اتصال عملکردی و متغیرهای بالینی ارزش افزوده متوسطی را ارائه دادند. الگوی طبقه‌بندی حاصل با رویکردهای پردازش پیش‌بینانه سلسله‌مراتبی سازگار است اما سازوکار خاصی از پردازش پیش‌بینانه را اثبات نمی‌کند. همین الگوی ناحیه‌ای ممکن است بازتاب‌دهنده توجه بینایی، پردازش برجستگی و کنترل مهاری اجرایی نیز باشد.

Understanding the emotional vulnerability of cancer patients and caregivers is critical for improving psychological support and clinical intervention strategies. With the rapid growth of online health communities, large volumes of textual narratives describing treatment experiences and emotional struggles have become available for computational analysis. However, accurately capturing emotional intensity and contextual sentiment in such narratives remains challenging due to the complex linguistic patterns present in health-related discussions. This study proposes an attention-guided hybrid transformer-ensemble learning framework for emotional vulnerability detection in cancer-related social media posts. The proposed architecture integrates domain-adapted contextual representations generated by BioBERT with linguistic intensity features to capture both semantic context and emotional strength. An attention-based feature fusion mechanism dynamically combines these heterogeneous features to produce enriched representations of patient narratives. The fused representations are subsequently utilized by multiple optimized machine learning classifiers, including XGBoost, LightGBM, Random Forest, and CatBoost. Hyperparameter optimization is performed using the Optuna framework to improve predictive performance. Furthermore, ensemble learning strategies such as soft voting, hard voting, and stacking are employed to combine the predictions of the base classifiers. Experiments conducted on a held-out split of a publicly available dataset of 10,391 posts from cancer patients and caregivers demonstrate that ensemble approaches consistently outperform individual classifiers on this data. The stacking ensemble achieves an accuracy of 0.76 and an ROC-AUC of 0.91, outperforming its own individual base classifiers but not a fine-tuned BioBERT baseline (accuracy 0.77, ROC-AUC 0.92) evaluated on the same split; a TF-IDF with linear SVM baseline is also competitive (accuracy 0.763). The framework’s practical advantage over full BioBERT fine-tuning is therefore computational rather than purely predictive: it reuses frozen BioBERT features and adds a lightweight, interpretable attention-fusion and tree-ensemble stage at a fraction of the training cost, while an ablation study confirms that the attention-based fusion of contextual and lexical-intensity signals meaningfully outperforms either signal alone or their simple concatenation. The proposed framework thus provides a scalable, lower-cost computational approach that can support mental health monitoring and early intervention systems in online healthcare communities, at a modest accuracy cost relative to full transformer fine-tuning.

درک آسیب‌پذیری هیجانی بیماران سرطانی و مراقبان آنان برای بهبود حمایت روان‌شناختی و راهبردهای مداخله بالینی اهمیت اساسی دارد. با رشد سریع جوامع سلامت آنلاین، حجم زیادی از روایت‌های متنی که تجارب درمانی و چالش‌های هیجانی را توصیف می‌کنند، برای تحلیل محاسباتی در دسترس قرار گرفته‌اند. با این حال، شناسایی دقیق شدت هیجانی و احساسات زمینه‌ای در این روایت‌ها به دلیل الگوهای زبانی پیچیده در مباحث مرتبط با سلامت، همچنان چالش‌برانگیز است. این پژوهش چارچوبی هیبریدی مبتنی بر یادگیری تجمعی و ترنسفورمر هدایت‌شده با مکانیزم توجه را برای شناسایی آسیب‌پذیری هیجانی در پست‌های شبکه‌های اجتماعی مرتبط با سرطان پیشنهاد می‌کند. معماری پیشنهادی، بازنمایی‌های زمینه‌ای سازگار با حوزه که توسط BioBERT تولید شده‌اند را با ویژگی‌های شدت زبانی ترکیب می‌کند تا هم زمینه معنایی و هم قدرت هیجانی را استخراج نماید. مکانیزم ادغام ویژگی مبتنی بر توجه، این ویژگی‌های ناهمگن را به صورت پویا ترکیب می‌کند تا بازنمایی‌های غنی‌شده‌ای از روایت‌های بیماران ارائه دهد. این بازنمایی‌های ادغام‌شده سپس توسط چندین طبقه‌بند یادگیری ماشین بهینه‌شده شامل XGBoost، LightGBM، Random Forest و CatBoost مورد استفاده قرار می‌گیرند. بهینه‌سازی ابرپارامترها با استفاده از چارچوب Optuna برای بهبود عملکرد پیش‌بینی انجام می‌شود. افزون بر این، راهبردهای یادگیری تجمعی مانند رأی‌دهی نرم، رأی‌دهی سخت و استکینگ برای ترکیب پیش‌بینی‌های طبقه‌بندهای پایه به کار گرفته می‌شوند. آزمایش‌های انجام‌شده بر روی بخش جداگانه‌ای از یک مجموعه داده عمومی شامل ۱۰٬۳۹۱ پست از بیماران سرطانی و مراقبان آنان نشان می‌دهد که رویکردهای تجمعی به طور پیوسته عملکرد بهتری نسبت به طبقه‌بندهای منفرد در این داده‌ها دارند. استکینگ تجمعی به دقت ۰٫۷۶ و ROC-AUC برابر با ۰٫۹۱ دست می‌یابد که نسبت به طبقه‌بندهای پایه خود عملکرد بهتری دارد، اما نسبت به خط‌مبنای BioBERT تنظیم‌شده (دقت ۰٫۷۷، ROC-AUC برابر با ۰٫۹۲) که بر روی همان بخش ارزیابی شده است، برتری ندارد؛ همچنین خط‌مبنای TF-IDF با SVM خطی نیز رقابتی است (دقت ۰٫۷۶۳). بنابراین، مزیت عملی چارچوب پیشنهادی نسبت به تنظیم کامل BioBERT، بیشتر محاسباتی است تا صرفاً پیش‌بینی: این چارچوب از ویژگی‌های ثابت‌شده BioBERT استفاده می‌کند و مرحله‌ای سبک، قابل تفسیر و مبتنی بر ادغام توجه و یادگیری تجمعی درختی را با کسری از هزینه آموزش اضافه می‌کند، در حالی که مطالعه حذف اجزا تأیید می‌کند که ادغام مبتنی بر توجه سیگنال‌های زمینه‌ای و شدت واژگانی به طور معناداری بهتر از هر یک به تنهایی یا ادغام ساده آن‌ها عمل می‌کند. بدین ترتیب، چارچوب پیشنهادی رویکردی مقیاس‌پذیر و کم‌هزینه برای پشتیبانی از پایش سلامت روان و سامانه‌های مداخله زودهنگام در جوامع سلامت آنلاین فراهم می‌کند، هرچند با هزینه اندکی در دقت نسبت به تنظیم کامل ترنسفورمر.

Background Depression is a prevalent mental health condition that significantly affects individuals’ well-being and daily functioning, making early depressive symptom detection crucial. Objectives This study explores the potential of advancing speech analytics with dimensional sentiment analysis, using valence and arousal scoring to enhance depressive symptom detection in family caregivers. Methods We recruited 116 family caregivers and assessed their depression levels using the Beck Depression Inventory-II. Participants provided verbal responses to 12 open-ended questions related to family resilience. The extracted words from the responses were analyzed for sentiment using the Chinese Valence-Arousal Words dictionary to determine their valence and arousal ratings. For each participant, we computed various summary statistics (e.g., mean, variance, quantiles) and frequency-domain statistics (e.g., spectral entropy, dominant frequency components) of valence and arousal distributions. These features were then used as predictors in nine different machine learning models evaluated under repeated 5-fold nested cross-validation with cost-sensitive cutoff selection, enabling robust classification of depression levels while prioritizing the identification of true positive cases. Results Our analysis showed that participants with higher depressive symptoms used words with more extreme valence and arousal scores than those with lower depressive symptoms. The models demonstrated strong predictive utility of these emotional dimensions: the quadratic discriminant analysis (QDA) model achieved an out-of-sample sensitivity of 0.725, a specificity of 0.563, and an AUC of 0.7. These findings support that valence and arousal analysis provides meaningful discriminative power for identifying depressive symptoms. Importantly, the high sensitivity achieved by these models ensures that individuals with elevated symptoms are more reliably detected, thereby reducing the risk of missed cases. Overall, the results suggest strong potential for automated depressive symptom detection based on emotional signal analysis, with cost-sensitive optimization reducing false negatives while maintaining clinically relevant specificity. Conclusions This study offers proof-of-concept evidence that emotional sentiment analysis of speech using valence and arousal scoring can capture linguistic markers associated with depressive symptoms among family caregivers. With further refinement and validation, this approach lays an important foundation for the development of more robust machine learning models and ultimately contributes to non-intrusive mental health screening tools.

زمینه و هدف: افسردگی یکی از اختلالات شایع سلامت روان است که به طور قابل توجهی بر بهزیستی و عملکرد روزانه افراد تأثیر می‌گذارد و شناسایی زودهنگام نشانه‌های افسردگی را ضروری می‌سازد. هدف: این پژوهش به بررسی قابلیت ارتقای تحلیل گفتار با استفاده از تحلیل احساسی بُعدی و امتیازدهی والنس و برانگیختگی جهت بهبود شناسایی نشانه‌های افسردگی در مراقبان خانوادگی می‌پردازد. روش‌ها: تعداد ۱۱۶ مراقب خانوادگی جذب شدند و سطح افسردگی آن‌ها با استفاده از پرسشنامه افسردگی بک-نسخه دوم (Beck Depression Inventory-II) ارزیابی شد. شرکت‌کنندگان به ۱۲ پرسش باز مرتبط با تاب‌آوری خانواده به صورت شفاهی پاسخ دادند. واژه‌های استخراج‌شده از پاسخ‌ها با استفاده از فرهنگ واژگان چینی والنس-برانگیختگی از نظر احساسات مورد تحلیل قرار گرفت تا امتیازهای والنس و برانگیختگی آن‌ها تعیین شود. برای هر شرکت‌کننده، آمارهای خلاصه مختلف (مانند میانگین، واریانس، صدک‌ها) و آمارهای حوزه فرکانس (مانند آنتروپی طیفی، مؤلفه‌های فرکانسی غالب) توزیع والنس و برانگیختگی محاسبه شد. این ویژگی‌ها به عنوان متغیرهای پیش‌بین در نه مدل مختلف یادگیری ماشین که با اعتبارسنجی متقاطع تودرتوی ۵-تایی تکرارشونده و انتخاب نقطه برش حساس به هزینه ارزیابی شدند، مورد استفاده قرار گرفتند تا طبقه‌بندی قوی سطوح افسردگی با اولویت شناسایی موارد مثبت واقعی فراهم شود. نتایج: تحلیل ما نشان داد شرکت‌کنندگانی که نشانه‌های افسردگی بیشتری داشتند، واژه‌هایی با امتیازهای والنس و برانگیختگی افراطی‌تر نسبت به افراد با نشانه‌های افسردگی کمتر به کار بردند. مدل‌ها سودمندی پیش‌بینی قوی این ابعاد هیجانی را نشان دادند: مدل تحلیل ممیز مربعی (QDA) حساسیت خارج از نمونه ۰.۷۲۵، ویژگی ۰.۵۶۳ و سطح زیر منحنی (AUC) برابر با ۰.۷ را به دست آورد. این یافته‌ها نشان می‌دهد که تحلیل والنس و برانگیختگی قدرت تمایز معناداری برای شناسایی نشانه‌های افسردگی فراهم می‌کند. مهم‌تر آنکه حساسیت بالای این مدل‌ها تضمین می‌کند که افراد با نشانه‌های بالا با اطمینان بیشتری شناسایی می‌شوند و در نتیجه خطر موارد از دست رفته کاهش می‌یابد. به طور کلی، نتایج نشان‌دهنده پتانسیل قوی برای شناسایی خودکار نشانه‌های افسردگی بر اساس تحلیل سیگنال‌های هیجانی است که با بهینه‌سازی حساس به هزینه، موارد منفی کاذب را کاهش داده و در عین حال ویژگی بالینی مرتبط را حفظ می‌کند. نتیجه‌گیری: این مطالعه شواهد اثبات مفهومی ارائه می‌دهد که تحلیل احساسات هیجانی گفتار با استفاده از امتیازدهی والنس و برانگیختگی می‌تواند نشانگرهای زبانی مرتبط با نشانه‌های افسردگی در میان مراقبان خانوادگی را شناسایی کند. با اصلاح و اعتبارسنجی بیشتر، این رویکرد می‌تواند پایه‌ای مهم برای توسعه مدل‌های یادگیری ماشین قوی‌تر و در نهایت ابزارهای غربالگری سلامت روان غیرتهاجمی فراهم آورد.

High machine-learning accuracy in classifying ADHD-related writing does not necessarily establish an ADHD-specific linguistic phenotype, as predictions may reflect diagnostic vocabulary, medication references, or community-specific topics rather than cognitive organization. This study evaluated an interpretable cognitive-congestion language profile (LCCI) and a negative-signature framework for detecting disorder-specific linguistic distinctiveness. A dataset of 25,000 Reddit-derived posts from ADHD, OCD, depression, PTSD, and Asperger/autism-related communities was analyzed using condition-name masking and author-grouped cross-validation. Twenty-five features measuring discourse structure, uncertainty, urgency, lexical diversity, and coherence were compared with TF-IDF classification. The equal-weight LCCI composite performed near chance (ROC-AUC 0.506), while the multivariable profile achieved ROC-AUC 0.654, increasing to 0.681 with learned weights. Individual feature differences were small. TF-IDF substantially outperformed LCCI (ROC-AUC 0.940), with negligible improvement from combining them. An audit classified 59 of 60 high-weight TF-IDF coefficients (98.3%) as topic-related, without quantifying their contribution to predictive performance. To test specificity independently of supervised classification, the negative-signature framework excluded each psychiatric community in turn, constructed a reference language manifold from the remaining communities, and measured residual distinctiveness using PCA reconstruction, shrinkage Mahalanobis distance, and isolation forest. ADHD exhibited no positive residual signal (ROC-AUC 0.451, 0.419, and 0.429, respectively), while OCD showed the greatest residual separability. These findings distinguish predictive discrimination, interpretable linguistic association, and disorder specificity. The principal contribution is a reproducible, generalizable falsification framework demonstrating that strong supervised classification does not establish an ADHD-specific linguistic phenotype and providing a means to evaluate candidate linguistic biomarkers before clinical translation.

دقت بالای یادگیری ماشین در طبقه‌بندی نوشتارهای مرتبط با ADHD لزوماً وجود یک فنوتیپ زبانی خاص برای ADHD را اثبات نمی‌کند، چرا که پیش‌بینی‌ها ممکن است بازتاب واژگان تشخیصی، اشاره به داروها یا موضوعات خاص جامعه باشند و نه سازمان‌دهی شناختی. این مطالعه به ارزیابی یک نمایه زبانی قابل تفسیر ازدحام‌شناختی (LCCI) و چارچوب امضای منفی برای شناسایی تمایز زبانی خاص اختلال پرداخت. یک مجموعه‌داده شامل ۲۵٬۰۰۰ پست استخراج‌شده از Reddit از جوامع مرتبط با ADHD، OCD، افسردگی، PTSD و Asperger/autism با استفاده از ماسک‌کردن نام اختلال و اعتبارسنجی متقاطع گروه‌بندی‌شده بر اساس نویسنده تحلیل شد. بیست‌وپنج ویژگی ساختار گفتمان، عدم قطعیت، فوریت، تنوع واژگانی و انسجام با طبقه‌بندی TF-IDF مقایسه شدند. ترکیب LCCI با وزن برابر عملکردی نزدیک به تصادف داشت (ROC-AUC 0.506)، در حالی که نمایه چندمتغیره به ROC-AUC 0.654 رسید که با وزن‌های یادگرفته‌شده تا 0.681 افزایش یافت. تفاوت ویژگی‌های منفرد اندک بود. TF-IDF به طور قابل توجهی عملکرد بهتری نسبت به LCCI داشت (ROC-AUC 0.940) و ترکیب آن‌ها بهبود ناچیزی ایجاد کرد. در یک ممیزی، ۵۹ مورد از ۶۰ ضریب با وزن بالای TF-IDF (۹۸.۳٪) به عنوان مرتبط با موضوع طبقه‌بندی شدند، بدون آنکه سهم آن‌ها در عملکرد پیش‌بینی کمی‌سازی شود. برای آزمون ویژگی به طور مستقل از طبقه‌بندی نظارت‌شده، چارچوب امضای منفی هر جامعه روان‌پزشکی را به نوبت حذف کرد، یک منیفولد زبانی مرجع از جوامع باقی‌مانده ساخت و تمایز باقیمانده را با استفاده از بازسازی PCA، فاصله Mahalanobis با انقباض و isolation forest اندازه‌گیری کرد. ADHD هیچ سیگنال باقیمانده مثبتی نشان نداد (ROC-AUC به ترتیب 0.451، 0.419 و 0.429)، در حالی که OCD بیشترین قابلیت جداسازی باقیمانده را داشت. این یافته‌ها تمایز میان تبعیض پیش‌بینانه، ارتباط زبانی قابل تفسیر و ویژگی اختلال را نشان می‌دهد. مهم‌ترین دستاورد، ارائه یک چارچوب ابطال‌پذیر و قابل تعمیم است که نشان می‌دهد طبقه‌بندی نظارت‌شده قوی، وجود فنوتیپ زبانی خاص ADHD را اثبات نمی‌کند و روشی برای ارزیابی زیست‌نشانگرهای زبانی پیشنهادی پیش از ترجمه بالینی ارائه می‌دهد.

Abstract Youth irritability, characterized as proneness to anger/frustration, is associated with negative mental health outcomes. This study identified irritability trajectories across the transition to early adolescence and applied machine learning to identify preadolescent predictors of irritability trajectories. Data are from the Adolescent Brain Cognitive Development (ABCD) study, a large longitudinal study that tracks youth development from preadolescence ( n = 11,862, ages 8.92–11.08 years, M = 9.91, SD = 0.62). The baseline sample was 47.83% female ( n = 5,680), 63.35% White, 15.74% Black, 12.07% Biracial or Multiracial, 2.32% Asian, and 20.30% Hispanic. Using parent-report youth irritability scores across four years, latent class growth analysis (LCGA) identified four distinct irritability trajectories: low stable ( n = 8,692, 73.28%), high decreasing ( n = 1,083, 9.13%), low increasing ( n = 1,449, 12.22%), and high chronic ( n = 638, 5.38%). Machine learning approaches generated predictive models for irritability trajectories, including baseline youth psychopathology, physical health, neurocognitive abilities, psychosocial environment, demographics, parent psychopathology, and brain structure metrics. The models demonstrated strong performance in detecting probability of being in the high chronic and low stable trajectories but poorer performance in classifying the irritability trajectories characterized by change. The most prominent predictors included youth externalizing and internalizing problems, parent psychopathology, and sleep problems. Findings provide insight into preadolescent predictors of irritability across a critical developmental period.

چکیده تحریک‌پذیری در نوجوانان، که به عنوان تمایل به خشم یا ناامیدی تعریف می‌شود، با پیامدهای منفی سلامت روان مرتبط است. این مطالعه مسیرهای تحریک‌پذیری را در گذار به اوایل نوجوانی شناسایی کرده و از یادگیری ماشین برای شناسایی پیش‌بینی‌کننده‌های پیش‌نوجوانی مسیرهای تحریک‌پذیری استفاده کرده است. داده‌ها از مطالعه توسعه شناختی مغز نوجوانان (ABCD)، یک مطالعه طولی بزرگ که رشد نوجوانان را از پیش‌نوجوانی دنبال می‌کند (n = 11,862، سنین 8.92 تا 11.08 سال، M = 9.91، SD = 0.62) استخراج شده‌اند. نمونه پایه شامل 47.83٪ دختر (n = 5,680)، 63.35٪ سفیدپوست، 15.74٪ سیاه‌پوست، 12.07٪ دو نژادی یا چند نژادی، 2.32٪ آسیایی و 20.30٪ اسپانیایی‌تبار بود. با استفاده از نمرات تحریک‌پذیری نوجوانان بر اساس گزارش والدین در طول چهار سال، تحلیل رشد کلاس پنهان (LCGA) چهار مسیر متمایز تحریک‌پذیری را شناسایی کرد: پایین پایدار (n = 8,692، 73.28٪)، بالا کاهشی (n = 1,083، 9.13٪)، پایین افزایشی (n = 1,449، 12.22٪) و بالا مزمن (n = 638، 5.38٪). رویکردهای یادگیری ماشین مدل‌های پیش‌بینی برای مسیرهای تحریک‌پذیری ایجاد کردند که شامل آسیب‌شناسی روانی نوجوانان در پایه، سلامت جسمانی، توانایی‌های عصب‌شناختی، محیط روانی-اجتماعی، جمعیت‌شناسی، آسیب‌شناسی روانی والدین و شاخص‌های ساختار مغز بود. مدل‌ها عملکرد قوی در شناسایی احتمال قرار گرفتن در مسیرهای بالا مزمن و پایین پایدار نشان دادند اما در طبقه‌بندی مسیرهای تحریک‌پذیری با تغییر، عملکرد ضعیف‌تری داشتند. برجسته‌ترین پیش‌بینی‌کننده‌ها شامل مشکلات برونی‌سازی و درونی‌سازی نوجوانان، آسیب‌شناسی روانی والدین و مشکلات خواب بودند. یافته‌ها بینش‌هایی درباره پیش‌بینی‌کننده‌های پیش‌نوجوانی تحریک‌پذیری در یک دوره بحرانی رشد ارائه می‌دهد.

Abstract Currently, machine learning technology has been widely used in electroencephalogram (EEG) automatic emotion recognition tasks. However, the non-stationarity, individual differences, and high annotation costs in EEG signals seriously affect the generalization ability of the model. To solve these problems, we propose a new unsupervised domain adaptation framework named EEG-UDAF for EEG emotion recognition. First, we design a dual-view frequency domain feature fusion module that can extract rich EEG signals frequency domain features from two perspectives, differential entropy and power spectral density, and fuse them based on the self-attention mechanism. Second, we propose a spatio-temporal feature extraction module based on graph convolutional network and bidirectional long short-term memory. It can comprehensively consider the spatial topological structure of the brain and the dynamic characteristics of temporal changes between EEG channels to extract complex spatio-temporal features. Third, we use the unsupervised domain adaptation strategy to solve the non-stationarity and individual differences in EEG signals without manual annotation, and introduce a semantic correction mechanism to prevent incorrect class alignment. Experiments based on intra-subject and inter-subject paradigms show that EEG-UDAF can effectively alleviate non-stationarity and individual differences. Moreover, these transferable EEG representations also provide a potential foundation for LLM-augmented multimodal data fusion in large-scale affective computing.

در حال حاضر، فناوری یادگیری ماشین به طور گسترده‌ای در وظایف شناسایی خودکار احساسات مبتنی بر الکتروانسفالوگرام (EEG) مورد استفاده قرار گرفته‌است. با این حال، غیرایستایی، تفاوت‌های فردی و هزینه‌های بالای برچسب‌گذاری در سیگنال‌های EEG به طور جدی توانایی تعمیم مدل را تحت تأثیر قرار می‌دهد. برای حل این مشکلات، چارچوب جدیدی با نام EEG-UDAF برای شناسایی احساسات مبتنی بر EEG پیشنهاد می‌کنیم. نخست، یک ماژول همجوشی ویژگی‌های حوزه فرکانس با دو نما طراحی کرده‌ایم که می‌تواند ویژگی‌های غنی حوزه فرکانسی سیگنال‌های EEG را از دو منظر، آنتروپی تفاضلی و چگالی طیفی توان، استخراج کرده و آن‌ها را بر اساس سازوکار خودتوجهی ادغام کند. دوم، یک ماژول استخراج ویژگی‌های فضایی-زمانی مبتنی بر شبکه عصبی کانولوشنی گراف و حافظه کوتاه‌مدت دوطرفه پیشنهاد می‌کنیم. این ماژول می‌تواند ساختار توپولوژیکی فضایی مغز و ویژگی‌های پویای تغییرات زمانی بین کانال‌های EEG را به طور جامع در نظر گرفته و ویژگی‌های پیچیده فضایی-زمانی را استخراج کند. سوم، از راهبرد تطبیق حوزه بدون نظارت برای حل غیرایستایی و تفاوت‌های فردی در سیگنال‌های EEG بدون نیاز به برچسب‌گذاری دستی استفاده کرده و سازوکار اصلاح معنایی را برای جلوگیری از هم‌ترازی نادرست کلاس‌ها معرفی می‌کنیم. آزمایش‌های مبتنی بر پارادایم‌های درون‌فردی و بین‌فردی نشان می‌دهد که EEG-UDAF می‌تواند به طور مؤثری غیرایستایی و تفاوت‌های فردی را کاهش دهد. افزون بر این، این بازنمایی‌های قابل انتقال EEG همچنین بنیانی بالقوه برای همجوشی داده‌های چندوجهی تقویت‌شده با LLM در محاسبات عاطفی در مقیاس بزرگ فراهم می‌کند.

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

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

This study aims to map the global development of Arabic language education research through a bibliometric analysis of publication trends, journal sources, contributing institutions, countries of corresponding authors, and the most-cited documents. It also analyses keyword co-occurrence to identify major research themes, emerging trends, and potential future directions. Data were collected from the Scopus database using a structured search query, resulting in 166 documents after a rigorous screening process. Prior to analysis, metadata were cleaned using OpenRefine to ensure consistency and accuracy by standardizing author names, institutional affiliations, and keyword variations. Bibliometric analysis was conducted using Biblioshiny (R) and VOSviewer. In the VOSviewer analysis, a thesaurus file was applied to standardize terminology and eliminate duplication, ensuring accurate thematic mapping. The findings indicate a significant increase in publications over the past decade, reflecting growing academic interest in Arabic language education. The results show a strong dominance of technology-oriented journals, particularly in artificial intelligence and natural language processing. Research productivity is concentrated in the Middle East, especially in Saudi Arabia and Egypt, although international collaboration is gradually increasing. Highly cited documents tend to focus on computational approaches and the development of linguistic resources, highlighting their central role in advancing the field. Thematic analysis reveals five major research clusters, including machine learning, pedagogy, computational linguistics, speech processing, and natural language processing. The evolution of research topics shows a shift from traditional teaching approaches to advanced technologies such as deep learning and large language models. These patterns indicate an increasing integration of pedagogical and technological perspectives in the field. Future research directions include the development of large-scale Arabic datasets, the integration of explainable artificial intelligence, adaptive learning systems, and ethical considerations in AI-based education. These findings provide empirical insights for researchers and policymakers to support evidence-based development in Arabic language education.

این مطالعه با هدف نقشه‌برداری از روند جهانی توسعه پژوهش‌های آموزش زبان عربی از طریق تحلیل کتاب‌سنجی روندهای انتشار، منابع مجلات، نهادهای مشارکت‌کننده، کشورهای نویسندگان مسئول و اسناد پرارجاع انجام شده است. همچنین، هم‌رخدادی واژگان کلیدی برای شناسایی محورهای اصلی پژوهش، روندهای نوظهور و جهت‌گیری‌های آینده مورد تحلیل قرار گرفته است. داده‌ها با استفاده از یک پرسش ساختاریافته از پایگاه داده Scopus گردآوری شد که پس از فرایند غربالگری دقیق، ۱۶۶ سند به دست آمد. پیش از تحلیل، فراداده‌ها با استفاده از OpenRefine برای اطمینان از یکنواختی و دقت، از طریق استانداردسازی نام نویسندگان، وابستگی‌های سازمانی و گونه‌های واژگان کلیدی پاک‌سازی شد. تحلیل کتاب‌سنجی با استفاده از Biblioshiny (R) و VOSviewer انجام گرفت. در تحلیل VOSviewer، یک فایل اصطلاحنامه برای استانداردسازی واژگان و حذف تکرار به کار رفت تا نقشه‌برداری موضوعی با دقت انجام شود. یافته‌ها نشان‌دهنده افزایش قابل توجه انتشارات در دهه گذشته و بازتاب‌دهنده رشد علاقه علمی به آموزش زبان عربی است. نتایج حاکی از غلبه چشمگیر مجلات فناوری‌محور، به ویژه در حوزه هوش مصنوعی و پردازش زبان طبیعی است. تولید پژوهش عمدتاً در خاورمیانه، به ویژه عربستان سعودی و مصر متمرکز است، هرچند همکاری‌های بین‌المللی به تدریج در حال افزایش است. اسناد پرارجاع عمدتاً بر رویکردهای محاسباتی و توسعه منابع زبانی متمرکزند و نقش محوری آن‌ها در پیشبرد این حوزه را برجسته می‌کنند. تحلیل موضوعی پنج خوشه اصلی پژوهشی شامل یادگیری ماشین، آموزش، زبان‌شناسی محاسباتی، پردازش گفتار و پردازش زبان طبیعی را نشان می‌دهد. تحول موضوعات پژوهشی، گذار از رویکردهای سنتی آموزش به فناوری‌های پیشرفته‌ای چون یادگیری عمیق و مدل‌های زبانی بزرگ را آشکار می‌سازد. این الگوها نشان‌دهنده ادغام فزاینده دیدگاه‌های آموزشی و فناورانه در این حوزه است. جهت‌گیری‌های آینده پژوهش شامل توسعه داده‌مجموعه‌های بزرگ زبان عربی، ادغام هوش مصنوعی قابل تبیین، سامانه‌های یادگیری تطبیقی و ملاحظات اخلاقی در آموزش مبتنی بر هوش مصنوعی است. این یافته‌ها بینش‌های تجربی برای پژوهشگران و سیاست‌گذاران به منظور حمایت از توسعه مبتنی بر شواهد در آموزش زبان عربی فراهم می‌کند.

This study examines whether Big Five personality traits are associated with grit among Ghanaian teacher trainees, applying regularisation assisted econometric estimation within a double machine learning framework. Using survey data from 288 students at Jasikan College of Education, three complementary post lasso estimators were applied, namely ordinary least squares with CHS lasso orthogonalised variables, CHS post lasso orthogonalised variables, and PDS selected variables alongside the full regressor set, each employing lasso purely for covariate selection and orthogonalisation within an OLS framework. A cross validated predictive lasso model corroborated these estimates. Across specifications, openness and conscientiousness consistently predicted higher grit, with openness exceeding conscientiousness in effect size, while extraversion, agreeableness and neuroticism showed no significant association. These specific findings suggest that personality dimensions relevant to grit may depend on resource constrained teacher training conditions, offering targets for interventions strengthening grit among prospective educators in Ghana.

این مطالعه بررسی می‌کند که آیا ویژگی‌های شخصیتی پنج‌گانه با پشتکار در میان کارآموزان معلم غنایی مرتبط هستند یا خیر، و در این راستا از برآورد اقتصادسنجی با کمک منظم‌سازی در چارچوب یادگیری ماشین دوگانه بهره می‌گیرد. با استفاده از داده‌های پیمایشی ۲۸۸ دانشجو از کالج آموزش Jasikan، سه برآوردگر مکمل پس‌لاسو به کار گرفته شد: حداقل مربعات معمولی با متغیرهای ارتوگونال‌شده‌ی CHS لاسو، متغیرهای ارتوگونال‌شده‌ی CHS پس‌لاسو، و متغیرهای انتخاب‌شده‌ی PDS همراه با مجموعه‌ی کامل متغیرهای تبیین‌گر، که در هر یک، لاسو صرفاً برای انتخاب و ارتوگونال‌سازی متغیرهای همبسته در چارچوب OLS به کار رفت. یک مدل لاسو پیش‌بینی با اعتبارسنجی متقاطع این برآوردها را تأیید کرد. در تمامی مدل‌ها، گشودگی و وظیفه‌شناسی به طور پیوسته پیش‌بینی‌کننده‌ی بالاتر بودن پشتکار بودند، به‌طوری که گشودگی از لحاظ اندازه‌ی اثر از وظیفه‌شناسی پیشی گرفت، در حالی که برون‌گرایی، توافق‌پذیری و روان‌رنجوری هیچ ارتباط معناداری نشان ندادند. این یافته‌های خاص نشان می‌دهند که ابعاد شخصیتی مرتبط با پشتکار ممکن است به شرایط آموزش معلم در محیط‌های با منابع محدود وابسته باشند و اهدافی را برای مداخلات تقویت پشتکار در میان معلمان آینده در غنا ارائه می‌کنند.

Emotion recognition from EEG signals has become a central task in affective computing, offering non-invasive insight into human emotional states. Due to the nonlinear and nonstationary nature of EEG, entropy-based features have gained prominence as reliable indicators of brain complexity. However, traditional entropy metrics—such as Shannon entropy (ShanEn) and its variants—often lack sensitivity to transient dynamics and multiscale irregularities in the brain’s electrical activity. This study introduces a novel application of Entropy of Entropy (EoE) to EEG phase series (EoE – phase), aiming to enhance the detection of emotional states by capturing second-order variability in signal complexity. Unlike conventional measures, EoE quantifies not just signal unpredictability, but also the fluctuation of that unpredictability over time, offering a more dynamic representation of neural information flow. Using the GAMEEMO dataset, which includes EEG recordings from 28 participants during four emotion-evoking game scenarios (funny, boring, horror, calm), we computed and compared four feature sets: Phase Entropy, EoE – phase, ShanEn, and EoE applied to EEG amplitude time series. These features were classified using six machine learning models, including AdaBoost, SVM, and Random Forest. Our results demonstrate that EoE applied to phase dynamics significantly outperforms other entropy-based features, achieving a classification accuracy of 71.7% and AUC of 0.869 using the RF classifier with mixed PhaseEn and EoE-phase features, while traditional Shannon-based features reached only ~59% accuracy. This study provides the first systematic evaluation of EoE on EEG phase signals for emotion recognition, revealing its strong discriminative power and potential for integration into next-generation brain-computer interfaces.

شناسایی احساسات از سیگنال‌های EEG به یکی از وظایف محوری در رایانش عاطفی تبدیل شده است و بینشی غیرتهاجمی نسبت به وضعیت‌های عاطفی انسان ارائه می‌دهد. به دلیل ماهیت غیرخطی و غیرایستا بودن EEG، ویژگی‌های مبتنی بر آنتروپی به عنوان شاخص‌های قابل اعتماد پیچیدگی مغز مورد توجه قرار گرفته‌اند. با این حال، معیارهای سنتی آنتروپی—مانند آنتروپی شانون (ShanEn) و انواع آن—اغلب نسبت به پویایی‌های گذرا و بی‌نظمی‌های چندمقیاسی در فعالیت الکتریکی مغز حساسیت کافی ندارند. این مطالعه کاربرد نوینی از آنتروپیِ آنتروپی (EoE) را بر سری‌های فاز EEG (EoE – phase) معرفی می‌کند که هدف آن ارتقاء شناسایی وضعیت‌های عاطفی از طریق ثبت تغییرپذیری مرتبه دوم در پیچیدگی سیگنال است. برخلاف سنجه‌های متعارف، EoE نه تنها غیرقابل پیش‌بینی بودن سیگنال، بلکه نوسان این غیرقابل پیش‌بینی بودن را در طول زمان کمی‌سازی می‌کند و بازنمایی پویاتری از جریان اطلاعات عصبی ارائه می‌دهد. با استفاده از پایگاه داده GAMEEMO که شامل ثبت‌های EEG از ۲۸ شرکت‌کننده در چهار سناریوی بازی برانگیزاننده احساس (خنده‌دار، کسل‌کننده، ترسناک، آرام) است، چهار مجموعه ویژگی شامل آنتروپی فاز، EoE – phase، ShanEn و EoE اعمال‌شده بر سری زمانی دامنه EEG محاسبه و مقایسه شد. این ویژگی‌ها با استفاده از شش مدل یادگیری ماشین از جمله AdaBoost، SVM و Random Forest طبقه‌بندی شدند. نتایج ما نشان می‌دهد که EoE اعمال‌شده بر پویایی فاز به طور معناداری عملکرد بهتری نسبت به سایر ویژگی‌های مبتنی بر آنتروپی دارد و با استفاده از طبقه‌بند RF و ترکیب ویژگی‌های PhaseEn و EoE-phase، دقت طبقه‌بندی ۷۱.۷٪ و AUC معادل ۰.۸۶۹ را به دست می‌آورد، در حالی که ویژگی‌های مبتنی بر شانون تنها به دقت حدود ۵۹٪ می‌رسند. این مطالعه نخستین ارزیابی نظام‌مند EoE بر سیگنال‌های فاز EEG برای شناسایی احساسات را ارائه می‌دهد و قدرت تمایزبخشی بالای آن و پتانسیل ادغام در رابط‌های مغز-رایانه نسل آینده را آشکار می‌سازد.

BACKGROUND: Due to the popularity and convenience of the internet, cyber-pornography use among youth has attracted the widespread attention of scholars. Cyber-pornography use among Chinese university students remains rarely investigated, especially based on ecological systems theory using machine learning and network analysis approaches. Therefore, the present study examined cyber-pornography use through machine learning and network analysis based on ecological systems theory among a sample of Chinese university students. METHODS: A sample of 1322 university students in different provinces of China were surveyed in a cross-sectional study. The survey included cyber-pornography use variables, demographic information, psychological variables, family variables, and school factors. RESULTS: Of 1332 participants, 25 students were classed as high-risk cyber-pornography users (1.9%). The XGBoost model of machine learning identified 15 important features of cyber-pornography use including social ostracism, moral disengagement, gender, teacher fairness, year of study, age, autonomy, self-control, depression, father and mother's parenting style, relatedness, experience of being left behind, loneliness, and family closeness. In the network analysis, social ostracism was the strongest node in the total sample and among males, whereas depression was the strongest node in females. CONCLUSIONS: Psychological, family, school, and demographic factors (e.g. gender) may directly or indirectly be associated with cyber-pornography use among Chinese university students. The results suggest that ecological systems theory, including the microsystem, mesosystem, macrosystem, and chronosystem, may be considered as one of the core theories in understanding cyber-pornography use. In addition, the interaction of related factors also needs to be examined deeply to aid prevention and intervention of cyber-pornography use in the future.

زمینه: به دلیل محبوبیت و سهولت دسترسی به اینترنت، استفاده از پورنوگرافی سایبری در میان جوانان توجه گسترده پژوهشگران را به خود جلب کرده است. استفاده از پورنوگرافی سایبری در میان دانشجویان دانشگاه‌های چین به‌ویژه بر اساس نظریه نظام‌های بوم‌شناختی با بهره‌گیری از رویکردهای یادگیری ماشین و تحلیل شبکه‌ای به‌ندرت مورد بررسی قرار گرفته است. بنابراین، مطالعه حاضر استفاده از پورنوگرافی سایبری را از طریق یادگیری ماشین و تحلیل شبکه‌ای مبتنی بر نظریه نظام‌های بوم‌شناختی در میان نمونه‌ای از دانشجویان دانشگاه‌های چین بررسی کرد. روش‌ها: نمونه‌ای متشکل از ۱۳۲۲ دانشجوی دانشگاه در استان‌های مختلف چین در یک مطالعه مقطعی مورد بررسی قرار گرفتند. پرسشنامه شامل متغیرهای استفاده از پورنوگرافی سایبری، اطلاعات جمعیت‌شناختی، متغیرهای روان‌شناختی، متغیرهای خانوادگی و عوامل مدرسه بود. یافته‌ها: از میان ۱۳۳۲ شرکت‌کننده، ۲۵ دانشجو به عنوان کاربران پرخطر پورنوگرافی سایبری (۱/۹٪) طبقه‌بندی شدند. مدل XGBoost یادگیری ماشین، ۱۵ ویژگی مهم استفاده از پورنوگرافی سایبری از جمله طرد اجتماعی، گسست اخلاقی، جنسیت، انصاف معلم، سال تحصیلی، سن، خودمختاری، خودکنترلی، افسردگی، سبک فرزندپروری پدر و مادر، ارتباط، تجربه رهاشدگی، تنهایی و نزدیکی خانوادگی را شناسایی کرد. در تحلیل شبکه‌ای، طرد اجتماعی قوی‌ترین گره در کل نمونه و در میان مردان بود، در حالی که افسردگی قوی‌ترین گره در زنان بود. نتیجه‌گیری: عوامل روان‌شناختی، خانوادگی، مدرسه و جمعیت‌شناختی (مانند جنسیت) ممکن است به طور مستقیم یا غیرمستقیم با استفاده از پورنوگرافی سایبری در میان دانشجویان دانشگاه‌های چین مرتبط باشند. نتایج نشان می‌دهد که نظریه نظام‌های بوم‌شناختی، شامل خردنظام، میان‌نظام، کلان‌نظام و کرونونظام، می‌تواند به عنوان یکی از نظریه‌های اصلی در فهم استفاده از پورنوگرافی سایبری مورد توجه قرار گیرد. علاوه بر این، تعامل عوامل مرتبط نیز باید به طور عمیق‌تری بررسی شود تا به پیشگیری و مداخله در استفاده از پورنوگرافی سایبری در آینده کمک کند.

Vocal contingency between caregivers and infants is a fundamental building block for socio-communicative development. This paper investigates vocal contingency in home settings and how it varies as a function of the physical distance between infants and their caregivers. We recorded 61 mother–infant dyads when infants were 5–14 months old during long-form home recording sessions ( M = 7.2 h; SD = 2.3; Range = 1–13), using wearable audio and proximity sensors. In total, 737 h of indoor audio data were processed with machine learning–based pipelines to extract and classify vocalisations automatically. When we considered all ages and proximities, we observed that mothers vocalised contingently to their infants, but that infants did not. Unexpectedly, above-chance contingency did not increase with age for either partner. However, contingency varied with proximity in a quadratic fashion: it strengthened when dyads were closer, peaking at approximately 0.4 m, and decreasing thereafter. This profile remained stable across ages. Importantly, above-chance contingency was also observed in infants (in addition to mothers) at proximities that fell between 0.3–0.5 m. The selective emergence of infant vocal contingency at these proximities suggests that being within arm’s reach may potentiate vocal contingency in infancy.

هم‌زمانی صوتی بین مراقبان و نوزادان یکی از ارکان اساسی رشد اجتماعی-ارتباطی است. این مقاله به بررسی هم‌زمانی صوتی در محیط خانه و چگونگی تغییر آن به عنوان تابعی از فاصله فیزیکی بین نوزادان و مراقبان آن‌ها می‌پردازد. در این پژوهش، ۶۱ زوج مادر-نوزاد زمانی که نوزادان در بازه سنی ۵ تا ۱۴ ماه بودند، طی جلسات ضبط طولانی‌مدت در خانه (میانگین = ۷.۲ ساعت؛ انحراف معیار = ۲.۳؛ دامنه = ۱ تا ۱۳) با استفاده از حسگرهای صوتی و مجاورت پوشیدنی مورد بررسی قرار گرفتند. در مجموع، ۷۳۷ ساعت داده صوتی داخلی با استفاده از فرآیندهای مبتنی بر یادگیری ماشین به منظور استخراج و طبقه‌بندی خودکار آواها پردازش شد. با در نظر گرفتن تمامی سنین و فواصل، مشاهده شد که مادران به طور هم‌زمانی به نوزادان خود واکنش صوتی نشان می‌دهند، اما نوزادان چنین واکنشی نداشتند. برخلاف انتظار، هم‌زمانی بالاتر از شانس با افزایش سن در هیچ‌یک از طرفین افزایش نیافت. با این حال، هم‌زمانی با فاصله به صورت درجه‌دوم تغییر کرد: زمانی که زوج‌ها به هم نزدیک‌تر بودند، هم‌زمانی تقویت شد و در حدود ۰.۴ متر به اوج رسید و سپس کاهش یافت. این الگو در طول سنین مختلف پایدار باقی ماند. نکته مهم این است که هم‌زمانی بالاتر از شانس در نوزادان (علاوه بر مادران) نیز در فواصل بین ۰.۳ تا ۰.۵ متر مشاهده شد. ظهور انتخابی هم‌زمانی صوتی نوزاد در این فواصل نشان می‌دهد که قرار گرفتن در محدوده دسترسی می‌تواند هم‌زمانی صوتی را در دوران نوزادی تقویت کند.

This cross-sectional study aimed to develop and preliminarily validate a machine learning model for preliminary forward head posture (FHP) screening and deploy the final model as an online tool. Among 825 university students, 625 comprised the development dataset (training set, n = 437; test set, n = 188), and 200 the exploratory external validation dataset. FHP was defined as a craniovertebral angle < 50°. Six machine learning models were compared through nested cross-validation. Restricted cubic splines and Shapley additive explanations analysis were used for exploratory association analysis and model interpretation, respectively. Random forest (RF) achieved the highest sensitivity in nested cross-validation (0.748, 95% CI 0.661–0.825) and was therefore selected as the final model based on the prespecified priority of reducing missed cases. In the external validation, RF achieved an AUC of 0.827 (0.751–0.896), sensitivity of 0.745 (0.615–0.865), specificity of 0.784 (0.715–0.845), and Brier score of 0.125 (0.097–0.154). Body mass index contributed most to model output and showed a significant nonlinear association with FHP (adjusted p = 0.017). The model showed moderate-to-good discrimination for FHP among university students and may offer a relatively accessible approach to preliminary FHP screening.

این مطالعه مقطعی با هدف توسعه و اعتبارسنجی اولیه یک مدل یادگیری ماشین برای غربالگری اولیه وضعیت سر به جلو (FHP) و پیاده‌سازی مدل نهایی به عنوان یک ابزار آنلاین انجام شد. از میان ۸۲۵ دانشجوی دانشگاه، ۶۲۵ نفر مجموعه داده توسعه (مجموعه آموزش، n = ۴۳۷؛ مجموعه آزمون، n = ۱۸۸) و ۲۰۰ نفر مجموعه داده اعتبارسنجی اکتشافی خارجی را تشکیل دادند. FHP به عنوان زاویه کرانیوورتبرال کمتر از ۵۰ درجه تعریف شد. شش مدل یادگیری ماشین از طریق اعتبارسنجی متقاطع تو در تو مقایسه شدند. برای تحلیل اکتشافی ارتباط و تفسیر مدل به ترتیب از اسپلاین‌های مکعبی محدود و تحلیل توضیحات افزایشی Shapley استفاده شد. مدل جنگل تصادفی (RF) بالاترین حساسیت را در اعتبارسنجی متقاطع تو در تو (۰.۷۴۸، ۹۵٪ CI: ۰.۶۶۱–۰.۸۲۵) به دست آورد و بر اساس اولویت از پیش تعیین‌شده برای کاهش موارد از دست رفته به عنوان مدل نهایی انتخاب شد. در اعتبارسنجی خارجی، RF به AUC برابر با ۰.۸۲۷ (۰.۷۵۱–۰.۸۹۶)، حساسیت ۰.۷۴۵ (۰.۶۱۵–۰.۸۶۵)، ویژگی ۰.۷۸۴ (۰.۷۱۵–۰.۸۴۵) و امتیاز Brier معادل ۰.۱۲۵ (۰.۰۹۷–۰.۱۵۴) دست یافت. شاخص توده بدنی بیشترین سهم را در خروجی مدل داشت و ارتباط غیرخطی معناداری با FHP نشان داد (p تعدیل‌شده = ۰.۰۱۷). مدل مذکور تمایز متوسط تا خوبی را برای FHP در میان دانشجویان دانشگاه نشان داد و ممکن است رویکردی نسبتاً در دسترس برای غربالگری اولیه FHP ارائه دهد.

Background Adolescent suicide attempt is a major public health concern linked to psychosocial distress, school environment, health-risk behaviors, and physical activity patterns. This study aimed to develop an explainable XGBoost model for adolescent suicide-attempt status and to determine whether physical inactivity and low physical education (PE) participation could serve as informative school-based indicators. Methods Data were obtained from the Global School-based Student Health Survey conducted in Argentina in 2018, Anguilla in 2016, and Jamaica in 2017. The Argentina dataset was used for model training, while Anguilla and Jamaica were combined as an independent validation cohort. The outcome was self-reported suicide attempt during the past 12 months. Candidate predictors included demographic, anthropometric, dietary, psychosocial, violence- and injury-related, tobacco-related, sexual behavior, physical activity, and PE-related variables. An XGBoost model was developed using nested cross-validation, staged hyperparameter tuning, and Bayesian fine-tuning. Model performance was evaluated by the area under the receiver operating characteristic curve (AUC). SHAP and partial dependence plots were used for interpretation. Results A total of 27,710 adolescents were included; 5,165 (18.6%) reported at least one suicide attempt. The final model achieved an independent validation AUC of 0.7928 (95% CI: 0.7790–0.8066). The top 18 SHAP-ranked predictors retained a cumulative 10-fold cross-validated AUC of 0.7865. Loneliness was the most influential predictor, followed by sex, insomnia, early cigarette use, PE days, physical attack, school peer kindness, and physical activity. Physical inactivity and low PE participation showed nonlinear associations with predicted suicide-attempt risk. Conclusions Loneliness and insomnia represented the psychosocial vulnerability profile, while physical inactivity and limited PE participation emerged as potentially informative school-based indicators requiring further longitudinal investigation. These findings support risk-stratified prevention strategies integrating early psychological identification with inclusive, socially supportive physical activity and PE programs.

زمینه و هدف: اقدام به خودکشی در نوجوانان یکی از نگرانی‌های عمده سلامت عمومی است که با پریشانی روانی‌اجتماعی، محیط مدرسه، رفتارهای پرخطر سلامت و الگوهای فعالیت بدنی مرتبط است. هدف این مطالعه، توسعه یک مدل XGBoost توضیح‌پذیر برای وضعیت اقدام به خودکشی در نوجوانان و تعیین این بود که آیا بی‌تحرکی بدنی و مشارکت پایین در آموزش تربیت بدنی (PE) می‌تواند به عنوان شاخص‌های مدرسه‌محور اطلاعاتی عمل کند یا خیر. روش‌ها: داده‌ها از پیمایش جهانی سلامت دانش‌آموزان مدرسه‌ای که در آرژانتین در سال ۲۰۱۸، آنگویلا در سال ۲۰۱۶ و جامائیکا در سال ۲۰۱۷ انجام شد، به دست آمد. داده‌های آرژانتین برای آموزش مدل استفاده شد و داده‌های آنگویلا و جامائیکا به عنوان گروه اعتبارسنجی مستقل ترکیب شدند. متغیر پیامد، اقدام به خودکشی خوداظهاری‌شده در ۱۲ ماه گذشته بود. پیش‌بین‌های کاندید شامل متغیرهای جمعیت‌شناختی، انسان‌سنجی، تغذیه‌ای، روانی‌اجتماعی، مرتبط با خشونت و آسیب، مرتبط با دخانیات، رفتار جنسی، فعالیت بدنی و متغیرهای مرتبط با PE بود. یک مدل XGBoost با استفاده از اعتبارسنجی متقاطع تو در تو، تنظیم مرحله‌ای ابرپارامترها و تنظیم دقیق بیزی توسعه یافت. عملکرد مدل با مساحت زیر منحنی مشخصه عملکرد گیرنده (AUC) ارزیابی شد. برای تفسیر مدل از نمودارهای SHAP و وابستگی جزئی استفاده شد. نتایج: در مجموع ۲۷٬۷۱۰ نوجوان وارد مطالعه شدند؛ ۵٬۱۶۵ نفر (۱۸٫۶٪) حداقل یک بار اقدام به خودکشی را گزارش کردند. مدل نهایی به AUC اعتبارسنجی مستقل ۰٫۷۹۲۸ (۹۵٪ CI: ۰٫۷۷۹۰–۰٫۸۰۶۶) دست یافت. ۱۸ پیش‌بین برتر بر اساس رتبه‌بندی SHAP، AUC اعتبارسنجی متقاطع ۱۰-تایی تجمعی ۰٫۷۸۶۵ را حفظ کردند. احساس تنهایی تأثیرگذارترین پیش‌بین بود و پس از آن جنسیت، بی‌خوابی، مصرف زودهنگام سیگار، روزهای PE، حمله فیزیکی، مهربانی همسالان مدرسه و فعالیت بدنی قرار داشتند. بی‌تحرکی بدنی و مشارکت پایین در PE ارتباطات غیرخطی با خطر پیش‌بینی‌شده اقدام به خودکشی نشان دادند. نتیجه‌گیری: احساس تنهایی و بی‌خوابی نمایانگر پروفایل آسیب‌پذیری روانی‌اجتماعی بودند، در حالی که بی‌تحرکی بدنی و مشارکت محدود در PE به عنوان شاخص‌های مدرسه‌محور بالقوه اطلاعاتی ظاهر شدند که نیازمند بررسی طولی بیشتر هستند. این یافته‌ها از راهبردهای پیشگیری مبتنی بر طبقه‌بندی خطر که شناسایی روان‌شناختی زودهنگام را با برنامه‌های فعالیت بدنی و تربیت بدنی فراگیر و حمایت‌گر اجتماعی ادغام می‌کنند، حمایت می‌نماید.

This paper presents an exploratory systematic review of artificial intelligence (AI) in physics education and its alignment with Sustainable Development Goal 4 (SDG 4). Following Preferred Reporting Items for Systematic Reviews and Meta-Analyses 2020 guidelines (Page et al., 2021), a Web of Science search conducted on January 15, 2025, yielded 105 records; after independent dual-reviewer screening (Cohen’s κ = 0.82 on n = 105 title/abstract decisions), 12 empirical studies published between 2013 and 2025 were included and analyzed. Given the small corpus and emergent nature of the field, findings are explicitly characterized as exploratory evidence mapping rather than consolidated empirical conclusions. The corpus spans educational contexts from secondary school to teacher training and engages AI types including intelligent tutoring systems, machine learning, natural language processing, and generative models. Results indicate that AI is used in four pedagogical roles: tutor, evaluator, assistant, and analyst, with documented benefits in conceptual understanding, formative feedback, personalization, and self-regulated learning. Alignment with SDG-4-relevant sustainability competencies (critical thinking, problem solving, collaboration, and digital literacy) was identified through a secondary interpretive analysis by the review authors against Education for Sustainable Development competency frameworks (Rieckmann, 2011; UNESCO, 2017; 2024); this alignment is inferential and design-based rather than directly measured by the primary studies. Ongoing challenges include technical reliability, teacher preparation and acceptance, and ethical concerns regarding transparency, bias, equity, and data protection. The review contributes an initial, disciplinary-specific evidence map at the intersection of AI, physics education, and SDG 4, and identifies six evidence gaps for future empirical research. No protocol was preregistered prior to conducting this review; this absence is acknowledged as a transparency limitation.

این مقاله به ارائه یک مرور نظام‌مند اکتشافی درباره هوش مصنوعی (AI) در آموزش فیزیک و همسویی آن با هدف توسعه پایدار ۴ (SDG 4) می‌پردازد. با پیروی از دستورالعمل‌های Preferred Reporting Items for Systematic Reviews and Meta-Analyses 2020 (Page و همکاران، 2021)، جستجوی Web of Science که در تاریخ ۱۵ ژانویه ۲۰۲۵ انجام شد، ۱۰۵ رکورد را به دست داد؛ پس از غربالگری مستقل توسط دو ارزیاب (ضریب کاپا کوهن κ = 0.82 بر روی n = 105 تصمیم عنوان/چکیده)، ۱۲ مطالعه تجربی منتشرشده بین سال‌های ۲۰۱۳ تا ۲۰۲۵ وارد و تحلیل شدند. با توجه به حجم اندک مطالعات و ماهیت نوظهور این حوزه، یافته‌ها به طور صریح به عنوان نگاشت شواهد اکتشافی و نه نتیجه‌گیری‌های تجربی تثبیت‌شده توصیف می‌شوند. بدنه مطالعات زمینه‌های آموزشی از دبیرستان تا آموزش معلمان را دربر می‌گیرد و انواع هوش مصنوعی شامل سامانه‌های آموزش هوشمند، یادگیری ماشین، پردازش زبان طبیعی و مدل‌های مولد را مورد استفاده قرار می‌دهد. نتایج نشان می‌دهد که هوش مصنوعی در چهار نقش آموزشی شامل معلم، ارزیاب، دستیار و تحلیل‌گر به کار می‌رود و مزایایی چون ارتقای درک مفهومی، بازخورد تکوینی، شخصی‌سازی و یادگیری خودتنظیمی را به همراه دارد. همسویی با شایستگی‌های پایداری مرتبط با SDG-4 (تفکر انتقادی، حل مسئله، همکاری و سواد دیجیتال) از طریق تحلیل تفسیری ثانویه توسط نویسندگان مرور و بر اساس چارچوب‌های شایستگی آموزش برای توسعه پایدار (Rieckmann، ۲۰۱۱؛ یونسکو، ۲۰۱۷؛ ۲۰۲۴) شناسایی شد؛ این همسویی استنباطی و مبتنی بر طراحی است و نه مستقیماً توسط مطالعات اولیه اندازه‌گیری شده باشد. چالش‌های جاری شامل پایایی فنی، آمادگی و پذیرش معلمان و نگرانی‌های اخلاقی درباره شفافیت، سوگیری، عدالت و حفاظت از داده‌ها است. این مرور، نگاشت اولیه و اختصاصی شواهد را در تقاطع هوش مصنوعی، آموزش فیزیک و SDG 4 ارائه می‌دهد و شش شکاف شواهدی برای پژوهش‌های تجربی آینده شناسایی می‌کند. هیچ پروتکلی پیش از انجام این مرور ثبت نشده است؛ این فقدان به عنوان یک محدودیت شفافیت مورد اشاره قرار گرفته است.

Stress is a highly individualized and dynamic psychophysiological response, making reliable continuous monitoring challenging.Existing artificial intelligence approaches to stress detection have demonstrated the usefulness of physiological and neural signals, including electrodermal activity (EDA), heart rate variability (HRV), and electroencephalography (EEG).However, many existing approaches rely on population-level models or limited personalization, while longitudinal validation and adaptive modeling remain comparatively underexplored.This research proposes an adaptive, personalized AI framework for longitudinal stress monitoring by integrating complementary neural and physiological signals from EEG, HRV, and EDA.The proposed framework will initially establish an individual's baseline characteristics and subsequently identify deviations from their personal baseline rather than relying solely on generalized stress patterns across individuals.Machine learning techniques will be investigated for multimodal feature fusion and adaptive model updating as additional individual data becomes available.The study will compare the performance of conventional population-level models with personalized and progressively adaptive models using appropriate evaluation metrics.The research aims to determine whether incorporating individual baseline characteristics and continuous adaptation can improve the reliability and generalizability of stress monitoring.The proposed framework is intended as a foundation for future noninvasive, personalized, and wearable AI-based stressmonitoring systems, while addressing current challenges associated with inter-individual variability, multimodal integration, and longitudinal assessment.

استرس یک پاسخ روان‌فیزیولوژیک بسیار فردی و پویا است که پایش پیوسته و پایا را دشوار می‌سازد. رویکردهای هوش مصنوعی موجود در شناسایی استرس، سودمندی سیگنال‌های فیزیولوژیک و عصبی از جمله فعالیت الکترودرمال (EDA)، تغییرپذیری ضربان قلب (HRV) و الکتروانسفالوگرافی (EEG) را نشان داده‌اند. با این حال، بسیاری از رویکردهای موجود بر مدل‌های مبتنی بر جمعیت یا شخصی‌سازی محدود تکیه دارند، در حالی که اعتبارسنجی طولی و مدل‌سازی تطبیقی نسبتاً کمتر مورد بررسی قرار گرفته‌اند. این پژوهش یک چارچوب هوش مصنوعی تطبیقی و شخصی‌ساز برای پایش طولی استرس با ادغام سیگنال‌های عصبی و فیزیولوژیک مکمل از EEG، HRV و EDA پیشنهاد می‌کند. چارچوب پیشنهادی در ابتدا ویژگی‌های پایه هر فرد را تعیین کرده و سپس انحرافات از خط پایه شخصی را شناسایی می‌کند، به جای آنکه صرفاً بر الگوهای استرس تعمیم‌یافته میان افراد تکیه کند. تکنیک‌های یادگیری ماشین برای همجوشی ویژگی‌های چندوجهی و به‌روزرسانی تطبیقی مدل با در دسترس قرار گرفتن داده‌های فردی بیشتر مورد بررسی قرار خواهند گرفت. این مطالعه عملکرد مدل‌های متداول مبتنی بر جمعیت را با مدل‌های شخصی‌ساز و تدریجاً تطبیقی با استفاده از معیارهای ارزیابی مناسب مقایسه خواهد کرد. هدف پژوهش تعیین این است که آیا گنجاندن ویژگی‌های خط پایه فردی و تطبیق پیوسته می‌تواند پایایی و تعمیم‌پذیری پایش استرس را بهبود بخشد یا خیر. چارچوب پیشنهادی به عنوان بنیانی برای سامانه‌های آینده پایش استرس مبتنی بر هوش مصنوعی، غیرتهاجمی، شخصی‌ساز و پوشیدنی در نظر گرفته شده است، در حالی که به چالش‌های فعلی مرتبط با تفاوت‌های بین‌فردی، ادغام چندوجهی و ارزیابی طولی می‌پردازد.

Mentoring is increasingly recognized as a critical determinant of academic achievement, professional identity formation, career advancement, and well-being in health professions education. Conventional mentor-mentee models, typically centered on a single assigned faculty mentor, may be inadequate to address the diverse and evolving needs of contemporary dental learners and early-career faculty. The transition towards competency-based dental education (CBDE) under emerging National Dental Commission (NDC) reforms further underscores the need to enhance mentoring approaches that support competency attainment, reflective practice, research engagement, and career development. Recent mentoring literature advocates the development of mentoring networks and individualized mentoring pathways that extend beyond conventional dyadic relationships. Concurrently, advances in artificial intelligence (AI), machine learning, and learning analytics offer new opportunities to deliver personalized educational support at scale. This perspective explores the potential of AI-enabled mentoring networks as a strategy to strengthen mentoring and competency development in Indian dental education. Drawing on established mentoring theories, health professions education literature, and emerging educational technologies, we propose a conceptual framework integrating learner profiling, faculty profiling, intelligent mentor matching, dynamic mentoring road-maps, and longitudinal competency tracking. AI-enabled mentoring systems have the potential to enhance CBDE implementation and support the improvement of competent, adaptable, and future-ready oral health professionals. Future work should focus on ethical implementation, faculty preparedness, and evaluation of educational outcomes associated with technology-enhanced mentoring ecosystems.

مشاوره به طور فزاینده‌ای به عنوان یکی از عوامل تعیین‌کننده مهم در موفقیت تحصیلی، شکل‌گیری هویت حرفه‌ای، پیشرفت شغلی و بهزیستی در آموزش حرفه‌های سلامت شناخته می‌شود. مدل‌های سنتی مشاور-دانشجو که معمولاً بر یک عضو هیئت علمی اختصاص‌یافته متمرکز هستند، ممکن است برای پاسخگویی به نیازهای متنوع و در حال تحول دانشجویان دندانپزشکی معاصر و اعضای هیئت علمی در ابتدای مسیر شغلی کافی نباشند. گذار به سمت آموزش دندانپزشکی مبتنی بر شایستگی (CBDE) در چارچوب اصلاحات نوظهور کمیسیون ملی دندانپزشکی (NDC) بیش از پیش بر ضرورت ارتقای رویکردهای مشاوره‌ای که از کسب شایستگی، تمرین تأملی، مشارکت پژوهشی و توسعه شغلی حمایت می‌کنند، تأکید دارد. ادبیات اخیر مشاوره توسعه شبکه‌های مشاوره‌ای و مسیرهای مشاوره فردی‌شده را که فراتر از روابط دوتایی سنتی هستند، توصیه می‌کند. همزمان، پیشرفت‌های هوش مصنوعی (AI)، یادگیری ماشین و تحلیل‌های یادگیری فرصت‌های جدیدی را برای ارائه حمایت آموزشی شخصی‌سازی‌شده در مقیاس وسیع فراهم می‌آورد. این مقاله دیدگاهی را درباره ظرفیت شبکه‌های مشاوره مبتنی بر هوش مصنوعی به عنوان راهبردی برای تقویت مشاوره و توسعه شایستگی در آموزش دندانپزشکی هند ارائه می‌دهد. با بهره‌گیری از نظریه‌های مشاوره‌ای تثبیت‌شده، ادبیات آموزش حرفه‌های سلامت و فناوری‌های آموزشی نوظهور، چارچوب مفهومی‌ای را پیشنهاد می‌کنیم که شامل نمایه‌سازی دانشجو، نمایه‌سازی اعضای هیئت علمی، تطبیق هوشمند مشاور، نقشه‌راه‌های پویا برای مشاوره و پیگیری طولی شایستگی است. سامانه‌های مشاوره مبتنی بر هوش مصنوعی این پتانسیل را دارند که اجرای CBDE را ارتقا دهند و از تربیت متخصصان سلامت دهان توانمند، سازگار و آماده برای آینده حمایت کنند. پژوهش‌های آینده باید بر اجرای اخلاقی، آمادگی اعضای هیئت علمی و ارزیابی پیامدهای آموزشی مرتبط با اکوسیستم‌های مشاوره‌ای مبتنی بر فناوری تمرکز کنند.

Depression represents a complex, multifactorial disorder influenced by the interplay of biological, behavioral, and social determinants. While extensive health surveys, including the National Health and Nutrition Examination Survey (NHANES), gather comprehensive multidomain data, existing studies tend to analyze these domains independently, overlooking the potential to identify integrated, data-driven patterns of depression risk. We have developed SYNERGY-VAE, an interpretable and multimodal deep learning framework that is designed to identify latent health subgroups and facilitate the transparent prediction of depression risk, utilizing NHANES-derived multimodal data from a large analytic cohort that spans five distinct domains from 2005 to 2018. SYNERGY-VAE utilizes a variational autoencoder to learn a shared latent representation derived from five modalities of NHANES, specifically demographic, dietary, examination, laboratory, and questionnaire data. Clustering within this latent space revealed subpopulations exhibiting distinct health signatures. To enhance interpretability, we triangulated insights utilizing encoder weights, standardized mean differences, and permutation feature importance (PFI). Machine learning classifiers were trained within each cluster employing the top 30 PFI-ranked features, with performance evaluated through the receiver operating characteristic area under the curve (AUC) in a 70/30 train-test split. Three latent clusters emerged, each demonstrating markedly different observed prevalence rates of depression within the analytic sample, ranging from 6.8% to 10.9%. Cluster-specific models consistently surpassed pooled models in performance, with the highest predictive accuracy identified in Cluster 2 utilizing XGBoost (AUC = 0.839, 95% CI:0.804–0.874). The importance of features varied across clusters, indicating unique depression risk profiles specific to each subgroup. SYNERGY-VAE demonstrates the power of generative, explainable deep learning for the identification of latent health phenotypes, thereby furthering the objectives of precision mental health. By integrating high-dimensional, multimodal data and facilitating transparent subgroup discovery, our model may inform future stratified and context-aware screening research and contribute to precision psychiatry-oriented research in large health survey datasets.

افسردگی یک اختلال پیچیده و چندعاملی است که تحت تأثیر تعامل عوامل زیستی، رفتاری و اجتماعی قرار دارد. اگرچه پیمایش‌های گسترده سلامت، از جمله پیمایش ملی سلامت و تغذیه (NHANES)، داده‌های جامع چندحوزه‌ای را گردآوری می‌کنند، مطالعات موجود تمایل دارند این حوزه‌ها را به طور مستقل تحلیل کنند و از شناسایی الگوهای یکپارچه و مبتنی بر داده‌های ریسک افسردگی غافل می‌شوند. ما SYNERGY-VAE را توسعه داده‌ایم؛ یک چارچوب یادگیری عمیق چندوجهی و قابل تبیین که برای شناسایی زیرگروه‌های پنهان سلامت و تسهیل پیش‌بینی شفاف ریسک افسردگی طراحی شده است و از داده‌های چندوجهی استخراج‌شده از NHANES در یک نمونه تحلیلی بزرگ که پنج حوزه متمایز را از سال ۲۰۰۵ تا ۲۰۱۸ دربرمی‌گیرد، بهره می‌برد. SYNERGY-VAE از یک واریاسیونال اتوانکودر برای یادگیری نمایش پنهان مشترک مشتق‌شده از پنج وجه NHANES، به طور خاص داده‌های جمعیت‌شناختی، رژیمی، معاینه، آزمایشگاهی و پرسشنامه‌ای استفاده می‌کند. خوشه‌بندی در این فضای پنهان، زیرجمعیت‌هایی با امضاهای سلامت متمایز را آشکار ساخت. برای افزایش قابلیت تبیین، بینش‌ها با استفاده از وزن‌های انکودر، تفاوت میانگین استانداردشده و اهمیت ویژگی مبتنی بر جایگشت (PFI) مثلث‌بندی شدند. طبقه‌بندهای یادگیری ماشین در هر خوشه با استفاده از ۳۰ ویژگی برتر رتبه‌بندی‌شده بر اساس PFI آموزش داده شدند و عملکرد آن‌ها از طریق مساحت زیر منحنی مشخصه عملکرد گیرنده (AUC) در تقسیم ۷۰/۳۰ آموزش-آزمون ارزیابی شد. سه خوشه پنهان شناسایی شد که هر یک نرخ‌های شیوع مشاهده‌شده افسردگی به طور قابل توجهی متفاوتی را در نمونه تحلیلی نشان دادند، که از ۶.۸٪ تا ۱۰.۹٪ متغیر بود. مدل‌های اختصاصی خوشه به طور پیوسته عملکرد بهتری نسبت به مدل‌های تجمیعی داشتند و بالاترین دقت پیش‌بینی در خوشه ۲ با استفاده از XGBoost (AUC = 0.839, 95% CI:0.804–0.874) مشاهده شد. اهمیت ویژگی‌ها در خوشه‌های مختلف متفاوت بود و نشان‌دهنده پروفایل‌های ریسک افسردگی منحصر به فرد برای هر زیرگروه بود. SYNERGY-VAE قدرت یادگیری عمیق مولد و قابل تبیین را برای شناسایی فنوتیپ‌های پنهان سلامت نشان می‌دهد و بدین ترتیب اهداف سلامت روان دقیق را پیش می‌برد. با یکپارچه‌سازی داده‌های چندوجهی با ابعاد بالا و تسهیل کشف شفاف زیرگروه‌ها، مدل ما می‌تواند پژوهش‌های آینده غربالگری لایه‌بندی‌شده و زمینه‌محور را اطلاع‌رسانی کند و به پژوهش‌های روان‌پزشکی دقیق در داده‌های بزرگ پیمایش سلامت کمک نماید.

This study examines the integration of problem-solving into English as a Foreign Language instruction at the Faculty of Letters and Human Sciences, Mohammed First University, Oujda. Grounded in Experiential Learning Theory, it investigates how project-based tasks, case analysis, peer collaboration, and reflective evaluation influence the linguistic and analytical development of Semester 5 students in Geography, History, and French Studies. A mixed-methods approach was conducted during the fall semester of 2025-2026 with 50 students using a questionnaire and bi-weekly classroom observations. Before the intervention, 65% of participants reported difficulty initiating tasks without direct instructor guidance. Following the intervention, approximately 70% demonstrated greater autonomy, persistence, and confidence when addressing ill-structured problems. The findings indicate that scaffolded active learning can reduce cognitive hesitation while strengthening original reasoning and collaborative engagement. The study supports curriculum designs that integrate language learning with problem-solving and other transferable skills relevant to humanities graduates’ academic development and employability.

این پژوهش به بررسی ادغام حل مسئله در آموزش زبان انگلیسی به عنوان زبان خارجی در دانشکده ادبیات و علوم انسانی دانشگاه محمد اول، وجده می‌پردازد. این مطالعه که مبتنی بر نظریه یادگیری تجربی است، بررسی می‌کند که چگونه وظایف مبتنی بر پروژه، تحلیل مورد، همکاری همتایان و ارزیابی تأملی بر رشد زبانی و تحلیلی دانشجویان ترم پنجم رشته‌های جغرافیا، تاریخ و مطالعات فرانسه تأثیر می‌گذارد. رویکردی ترکیبی در نیمسال پاییز ۲۰۲۵-۲۰۲۶ با مشارکت ۵۰ دانشجو از طریق پرسشنامه و مشاهدات کلاسی دو هفته یک‌بار اجرا شد. پیش از مداخله، ۶۵٪ از شرکت‌کنندگان اعلام کردند که بدون راهنمایی مستقیم مدرس، در آغاز کردن وظایف دچار مشکل می‌شوند. پس از مداخله، حدود ۷۰٪ از دانشجویان خودمختاری، پایداری و اعتماد به نفس بیشتری در مواجهه با مسائل ساختارنیافته از خود نشان دادند. یافته‌ها نشان می‌دهد که یادگیری فعال مبتنی بر حمایت می‌تواند تردید شناختی را کاهش داده و در عین حال استدلال اصیل و مشارکت گروهی را تقویت کند. این پژوهش از طراحی برنامه‌های درسی که یادگیری زبان را با حل مسئله و سایر مهارت‌های انتقال‌پذیر مرتبط با رشد تحصیلی و اشتغال‌پذیری دانش‌آموختگان علوم انسانی ادغام می‌کند، حمایت می‌نماید.

Introduction This study explores the implementation of active learning methodologies in university teaching and their influence on the development of professional competencies among postgraduate students, through a literature review of 18 scientific articles published between 2020 and 2025, selected from the specialized databases Science Direct and ERIC. Methods The reviewed studies focus on strategies such as flipped classroom, problem-based learning, collaborative work, and gamification, highlighting their contribution to the enhancement of critical thinking, academic motivation, and employability. Results The findings reveal that effective implementation of these methodologies requires ongoing teacher training, curriculum redesign, coherent formative assessment, and pedagogical integration of emerging technologies. Persistent barriers remain related to institutional resistance, limited resources, and attitudinal constraints among faculty. Discussion It is concluded that active methodologies should not be understood as isolated techniques, but as essential components of a complex pedagogical ecology that demands integrated structural, cultural, and formative conditions aimed at transforming higher education and strengthening the professional profile of postgraduate students in a globalized educational context.

مقدمه: این مطالعه به بررسی اجرای روش‌شناسی‌های یادگیری فعال در آموزش دانشگاهی و تأثیر آن‌ها بر توسعه شایستگی‌های حرفه‌ای دانشجویان تحصیلات تکمیلی می‌پردازد. این بررسی از طریق مرور ادبیات ۱۸ مقاله علمی منتشرشده بین سال‌های ۲۰۲۰ تا ۲۰۲۵ که از پایگاه‌های تخصصی Science Direct و ERIC انتخاب شده‌اند، انجام شده است. روش‌ها: مطالعات مرورشده بر راهبردهایی مانند کلاس معکوس، یادگیری مبتنی بر مسئله، کار گروهی و بازی‌وارسازی تمرکز دارند و نقش آن‌ها را در ارتقای تفکر انتقادی، انگیزش تحصیلی و قابلیت اشتغال برجسته می‌کنند. یافته‌ها: نتایج نشان می‌دهد که اجرای مؤثر این روش‌شناسی‌ها مستلزم آموزش مستمر اساتید، بازطراحی برنامه درسی، ارزیابی تکوینی منسجم و ادغام پداگوژیک فناوری‌های نوظهور است. موانع پایداری همچنان در زمینه مقاومت نهادی، منابع محدود و محدودیت‌های نگرشی در میان اعضای هیئت علمی وجود دارد. بحث: نتیجه‌گیری می‌شود که روش‌های فعال نباید به عنوان تکنیک‌هایی منفرد تلقی شوند، بلکه باید به عنوان اجزای اساسی یک بوم‌شناسی پداگوژیک پیچیده در نظر گرفته شوند که مستلزم شرایط ساختاری، فرهنگی و آموزشی یکپارچه با هدف تحول آموزش عالی و تقویت پروفایل حرفه‌ای دانشجویان تحصیلات تکمیلی در زمینه آموزشی جهانی‌شده است.