فاطمه پورامینی

در کشورهای درحال توسعه، اکثریت خانواده هایی که به وسیله زنان اداره می شوند دارای مشکلات متعدد اقتصادی، اجتماعی و اختلالات روانی هستند. این پژوهش با هدف بررسی اثربخشی آموزش تنظیم هیجان بر کاهش افسردگی و اضطراب زنان سرپرست خانوار شهر تهران انجام شد. روش پژوهش نیمه آزمایشی و از نوع طرح های پیش آزمون- پس آزمون با گروه گواه بود. جامعه آماری پژوهش شامل کلیه زنان سرپرست خانوار تحت پوشش بهزیستی شهر تهران بود. روش نمونه گیری، خوشه ای چندمرحله ای بود، و 2 کلینیک مددکاری که به زنان سرپرست خانوار، خدمات روانشناختی ارائه می دادند، انتخاب شد، سپس از هر کلینیک 15 نفر (جمعاً 30 نفر) به صورت تصافی انتخاب شدند و به تصادف در دو گروه 15 نفره آزمایش و گواه گمارده شدند. ابزار گردآوری داده ها پرسشنامه پرسشنامه اضطراب عمومی (ANQ) و افسردگی بک (BAI) استفاده بود. برای تجزیه تحلیل داده ها در سطح توصیفی از میانگین و انحراف معیار و در سطح استنباطی از تحلیل واریانس استفاده شد. یافته ها حاکی از آن بود که روش آموزش تنظیم هیجان بر اضطراب و افسردگی زنان سرپرست خانوار مؤثر است. این نتایج مبین این است که آموزش تنظیم هیجان منجر به کاهش میزان افسردگی و اضطراب زنان سرپرست خانوار شده است. با توجه به نتایج یافته ها می توان اظهار داشت که مداخله ی آموزش تنظیم هیجان منجر به بهبود افسردگی و اضطراب (کاهش میزان اضطراب و افسردگی) در بین زنان سرپرست خانوار شود.

هدف: این مقاله به بررسی دقیق روش ها و استراتژی های جدید در شناسایی اخبار جعلی می پردازد، به ویژه در زمینه پیشرفت های سریع هوش مصنوعی و یادگیری ماشین. با توجه به گسترش اخبار جعلی در رسانه های اجتماعی و سایر پلتفرم های دیجیتال، این مرور بر شناسایی و ارزیابی رویکردهای مؤثری تمرکز دارد که می توانند به مقابله با این مشکل فزاینده کمک کنند.روش ها:  با توجه به اهمیت شناسایی اخبار جعلی، این مقاله به بررسی و مقایسه رویکردهای مختلفی که در این حوزه مورد استفاده قرار گرفته اند می پردازد. بدین منظور، با مطالعه مقالات منتشر شده در کتابخانه های آنلاین و مراکز اسناد مانند IEEE، Scopus، Elsevier  و سایر منابع، ابتدا روش های مختلف شناسایی اخبار جعلی را بررسی کرده ایم. سپس، رویکردهای شناسایی به کمک نیروهای انسانی را با روش های شناسایی خودکار مقایسه می کنیم.نتایج:  نتایج نشان می دهند که در حالی که تکنیک های سنتی مانند استخراج ویژگی ها و سیستم های مبتنی بر قوانین، نقطه شروع خوبی برای شناسایی اخبار جعلی هستند، اما در مواجهه با پیچیدگی های اطلاعات نادرست مدرن اغلب ناکارآمد عمل می کنند. مدل های یادگیری عمیق که بر روی مجموعه داده های بزرگ آموزش دیده اند، در تشخیص اخبار جعلی عملکرد امیدوارکننده ای نشان داده اند، اما هنوز در تشخیص محتوای تولیدشده توسط انسان و کاربردهای در لحظه (Real-time)  دچار مشکل هستند. این یافته ها نشان می دهند که نیاز به راه حل های جامع تری وجود دارد که بتوانند این چالش ها را برطرف کنند.نتیجه گیری: نتایج این مطالعه نشان می دهند که یک رویکرد یکپارچه که شامل تحلیل زبانی، یادگیری ماشین و روش های مبتنی بر شبکه باشد، برای توسعه سیستم های مؤثر شناسایی اخبار جعلی ضروری است. با پیشرفت این حوزه، تحقیقات آینده باید بر بهبود مدل های ترکیبی، ارتقای کیفیت داده ها و در نظر گرفتن ویژگی های کاربرمحور تمرکز داشته باشند تا بتوانند بهتر با انتشار اطلاعات نادرست مقابله کنند. ادغام مدل های زبانی بزرگ (LLMs) با سیستم های آگاه به زمینه (Context-aware) می تواند مسیر امیدوارکننده ای برای دستیابی به دقت بالاتر در شناسایی هر دو نوع اخبار جعلی تولیدشده توسط ماشین و انسان باشد.