بررسی ملاحظات اخلاقی و چالش های استفاده از هوش مصنوعی در بازاریابی صنعت کشاورزی مورد مطالعه: شرکت کشت و صنعت حکیم فارابی خوزستان بررسی ملاحظات اخلاقی و چالش های استفاده از هوش مصنوعی در بازاریابی صنعت کشاورزی مورد مطالعه: شرکت کشت و صنعت حکیم فارابی خوزستان 1 https://rayaniran.itcz.ir/dp-3-1913-article 1 در این پژوهش، ملاحظات اخلاقی و چالش‌های استفاده از هوش مصنوعی در بازاریابی کشاورزی با تمرکز بر شرکت کشت و صنعت حکیم فارابی خوزستان بررسی شد. هدف، تحلیل تأثیر استفاده از هوش مصنوعی و پذیرش فناوری‌های دیجیتال بر ملاحظات اخلاقی و چالش‌های پیاده‌سازی با نقش میانجی اعتماد و شفافیت بود. این پژوهش با ارائه چارچوبی بومی، شکاف‌های موجود در زمینه اعتماد و شفافیت در بستر محلی را پر کرد. پژوهش از نوع توصیفی-تحلیلی با رویکرد کمی انجام شد. جامعه آماری شامل 270 نفر از مدیران، کارکنان بازاریابی، و مشتریان بود. نمونه‌ای 165 نفره با نمونه‌گیری تصادفی طبقه‌بندی‌شده انتخاب شدند. داده‌ها با اس‌پی‌اس‌اس و آموس تحلیل شدند. یافته‌ها نشان داد که استفاده از هوش مصنوعی و فناوری‌های دیجیتال با میانجی‌گری اعتماد و شفافیت بر ملاحظات اخلاقی « 0.001>p ، 0.40=β » و چالش‌های پیاده‌سازی « 0.001>p ، 0.36=β » تأثیر معنی‌داری دارد. موانع زیرساختی و کمبود آموزش به‌عنوان چالش‌های کلیدی شناسایی شدند. پیشنهاد شد که برنامه‌های آموزشی هدفمند و بهبود زیرساخت‌های دیجیتال برای تقویت پذیرش فناوری اجرا شوند. نوآوری پژوهش در ارائه چارچوب بومی‌شده و راهکارهای مدیریتی عملی برای حکیم فارابی است. 2 15 2025/09/20 ۱۴۰۴/۰۶/۲۹ مهدی زبیدانیمهدیزبیدانیگروه مدیریت بازرگانی، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایرانMahdi.zobeidani@iau.irفرشته باغبان زادهفرشتهباغبانگروه مدیریت بازرگانی، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایرانfereshte.baghbanzade@iau.ac.irمحمد همتیمحمدهمتیگروه مدیریت بازرگانی، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایرانMohammad.Hemati@iau.ac.ir برندهای هوش مصنوعی در بازاریابی کشاورزی ملاحظات اخلاقی در هوش مصنوعی چالش‌های پیاده‌سازی هوش مصنوعی در بازاریابی تحول دیجیتال در صنعت کشاورزی اعتماد و شفافیت در هوش مصنوعی

هوش مصنوعی و تحلیل بقا برای پیش بینی طول عمر حرفه ای بازیکنان بسکتبال NBA با استفاده از داده های پزشکی و عملکردی هوش مصنوعی و تحلیل بقا برای پیش بینی طول عمر حرفه ای بازیکنان بسکتبال NBA با استفاده از داده های پزشکی و عملکردی 1 https://rayaniran.itcz.ir/dp-3-1895-article 1 این مقاله به بررسی جامع ادبیات علمی موجود در زمینه به‌کارگیری هوش مصنوعی (AI) و تحلیل بقا (SA) برای پیش‌بینی طول عمر حرفه‌ای بازیکنان اتحادیه ملی بسکتبال (NBA) با ادغام داده‌های پزشکی و عملکردی می‌پردازد. در این پژوهش، روش‌شناسی‌های کلیدی، عوامل تأثیرگذار و چشم‌انداز رو به رشد تحلیل داده‌ها در ورزش مورد بررسی قرار گرفته است. یافته‌های اصلی نشان می‌دهند که ترکیبی از معیارهای عملکردی در زمین بازی، سوابق جامع آسیب‌دیدگی، و حتی عوامل بیوگرافیک، به طور قابل توجهی بر طول عمر بازیکنان تأثیر می‌گذارند. در حالی که مدل‌های هوش مصنوعی/یادگیری ماشین (AI/ML) مانند جنگل تصادفی (Random Forest) و تقویت گرادیان افراطی (XGBoost) دقت پیش‌بینی بالایی را از خود نشان می‌دهند، چالش‌هایی نظیر کیفیت داده‌ها، قابلیت تفسیر مدل و ملاحظات اخلاقی همچنان مطرح هستند. این مقاله بر پتانسیل تحول‌آفرین این رویکردهای تحلیلی پیشرفته برای توسعه بازیکنان، مدیریت تیم و تصمیم‌گیری‌های استراتژیک در بسکتبال حرفه‌ای تأکید می‌کند. 2 16 2025/08/20 ۱۴۰۴/۰۵/۲۹ محمد حسین دانش پژوهمحمدحسینکارشناسی مهندسی کامپیوتر دانشگاه خلیج فارسmohammadhdp91@gmail.comامیر حسین فقیهامیرحسینکارشناسی مهندسی کامپیوتر دانشگاه خلیج فارسah.faghih@mehr.pgu.ac.irحسین پرورش بوشهریحسینپرورشکارشناسی مهندسی کامپیوتر دانشگاه خلیج فارسh.parvaresh@mehr.pgu.ac.irابوالفضل حسن پورابوالفضلحسنکارشناسی مهندسی کامپیوتر دانشگاه خلیج فارسa.hasanpour@mehr.pgu.ac.ir هوش مصنوعی تحلیل بقا بسکتبال طول عمر بازیکنان NBA داده‌های پزشکی داده‌های عملکردی یادگیری ماشین

مهندسی پرامپت: چگونه با دستیارهای هوش مصنوعی حرفه ای تر تعامل کنیم مهندسی پرامپت: چگونه با دستیارهای هوش مصنوعی حرفه ای تر تعامل کنیم 1 https://rayaniran.itcz.ir/dp-3-1890-article 1 مهندسی پرامپت به‌عنوان یک مهارت تخصصی، با هدف طراحی و بهینه‌سازی ورودی‌های دقیق و هدفمند برای دستیارهای هوش مصنوعی، به‌منظور تولید پاسخ‌های مرتبط، دقیق و متناسب با نیازهای کاربر توسعه یافته است. این فرآیند با بهره‌گیری از تکنیک‌هایی نظیر ارائه زمینه جامع، استفاده از دستورات صریح و شفاف، به‌کارگیری مثال‌های هدایت‌کننده و تنظیم پارامترهای مدل مانند دما، طول پاسخ و سطح خلاقیت، تعامل حرفه‌ای و کارآمد با مدل‌های زبانی را تسهیل می‌کند. هدف اصلی مهندسی پرامپت، هدایت مدل به سمت تولید خروجی‌هایی با کیفیت بالا، کاهش ابهام در پاسخ‌ها، و افزایش کارایی در حل مسائل پیچیده است.نتایج این رویکرد شامل بهبود دقت پاسخ‌ها، صرفه‌جویی در زمان، و قابلیت استفاده مؤثر در کاربردهای متنوع مانند تحلیل داده‌های پیچیده، تولید محتوای تخصصی، پشتیبانی فنی، و حتی توسعه نرم‌افزار است. علاوه بر این، درک محدودیت‌های مدل‌های زبانی و بهینه‌سازی مستمر پرامپت‌ها از طریق آزمون و خطا، به کاربران امکان می‌دهد تا به نتایج مطلوب‌تر و پایدارتری دست یابند. این مهارت در عصر هوش مصنوعی به یک ضرورت برای حرفه‌ای‌ها در صنایع مختلف تبدیل شده است. 2 2025/08/12 ۱۴۰۴/۰۵/۲۱ فاطمه عرب زادهفاطمهعربکارشناسی ارشد یادگیری الکترونیکیarabzadeh_f@ymail.comسهیلا شرف زادهسهیلاشرفکارشناسی ارشد تکنولوژی آموزشیssharafzadeh@gmail.com مهندسی پرامپت هوش مصنوعی تعامل حرفه‌ای بهینه‌سازی ورودی مدل‌های زبانی

هوش مصنوعی در آموزش: چگونه معلمان می توانند از هوش مصنوعی در کلاس استفاده کنند هوش مصنوعی در آموزش: چگونه معلمان می توانند از هوش مصنوعی در کلاس استفاده کنند 1 https://rayaniran.itcz.ir/dp-3-1891-article 1 هوش مصنوعی « AI » در حال تبدیل شدن به یکی از ارکان اصلی تحولات آموزشی در قرن بیست ویکم است. این فناوری با ارائه راهکارهایی مانند شخصی سازی یادگیری، ارزیابی هوشمند، و خودکارسازی فرآیندهای اداری، امکان دسترسی به آموزش کیفی را برای میلیون ها دانش آموز در سراسر جهان فراهم کرده است. بر اساس گزارش HolonIQ « 2024 » ، تا سال ۲۰۳۰، ۷۰٪ مدارس پیشرو جهان از ابزارهای مبتنی بر AI برای بهبود نتایج تحصیلی استفاده خواهند کرد. بااین حال، این تحولات با چالش های جدی مانند شکاف دیجیتال « عدم دسترسی برابر به فناوری » ، سوگیری الگوریتمی « تبعیض ناخواسته در سیستمهای AI » ، و نگرانی های اخلاقی « نظارت بر داده های دانش آموزان » همراه است. برای نمونه، پژوهش استنفورد « 2024 » نشان می دهد سیستم های نمره دهی خودکار در ایالات متحده، نمرات دانش آموزان مناطق محروم را تا ۲۰٪ پایین تر از حد واقعی ارزیابی می کنند. این محتوا با استناد به داده های به روز ۲۰۲۴، به تحلیل فرصت ها، تهدیدها، و راهکارهای کلیدی برای استفاده مسئولانه از AI در آموزش می پردازد. 2 2025/08/12 ۱۴۰۴/۰۵/۲۱ فاطمه عرب زادهفاطمهعربکارشناسی ارشد یادگیری الکترونیکیarabzadeh_f@ymail.comسهیلا شرف زادهسهیلاشرفکارشناسی ارشد تکنولوژی آموزشیssharafzadeh@gmail.com هوش مصنوعی در آموزش شخصی سازی یادگیری ارزیابی هوشمند حریم خصوصی دانش آموزان آموزش معلمان