مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه فناوری اطلاعات و ارتباطات ایران2717-041118682026911Proposing an entrepreneurial model based on ICT components (study and review: selected OPEC member countries)ارائه یک مدل کارآفرینی مبتنی بر مولفههای فناوری اطلاعات و ارتباطات (مورد مطالعه و بررسی: کشورهای منتخب عضو اوپک پلاس)121fa امیر حسین پور گروه کارآفرینی، دانشکده مدیریت و حسابداری- دانشگاه ازاد اسلامی واحد قزوین- قزوین- ایران000900081512079Xغلامرضارضاییگروه اقتصاد- دانشکده مدیریت و حسابداری- دانشگاه ازاد اسلامی واحد قزوین- قزوین - ایرانعلیبدیع زادهگروه مدیریت کارآفرینی- دانشکده مدیریت و حسابداری- دانشگاه ازاد اسلامی واحد قزوین- قزوین - ایران20251129<p style="direction: ltr;">This research investigates how Information and Communication Technology (ICT) and its components affect entrepreneurship in countries reliant on natural resources and facing institutional and economic challenges in diversifying their economic structure. Initially, a conceptual model was designed using the meta-synthesis method. Subsequently, using panel data for the years 2008 to 2023 and the Structural Equation Modeling (SEM) approach via path analysis, the effects of key ICT components on entrepreneurial activity, mediated by the facilitation of the business environment and innovation, were evaluated. The results demonstrated that ICT infrastructure and individual ICT usage have a direct and significant positive impact on entrepreneurship. Conversely, although government and business ICT usage do not have a direct effect, they exert a significant positive indirect effect on entrepreneurship through the channel of business environment facilitation. A significant finding, contrary to theoretical assumptions, was that innovation has no significant effect on entrepreneurial activity. This suggests a serious challenge in commercializing innovative achievements and a failure in knowledge transfer to the entrepreneurial ecosystem (Small and Medium Enterprises) in these nations. Furthermore, ICT skills showed no significant direct or indirect pathway to entrepreneurship. The findings emphasize that investment in ICT alone is insufficient. Policy-making in OPEC+ countries must focus on institutional reforms aimed at facilitating the business environment, as well as addressing deficiencies related to skills and innovation commercialization to achieve economic diversification goals.</p><p>این پژوهش نشان می‌دهد که فناوری اطلاعات و ارتباطات و مولفه‌های آن چگونه بر کارآفرینی کشورهای که متکی بر منابع طبیعی بوده و با چالش‌های نهادی و اقتصادی در تنوع‌بخشی ساختار اقتصادی خود مواجه هستند، می‌تواند اثرگذار باشد. لذا، ابتدا با استفاده از روش فراترکیب به طراحی مدل و سپس با استفاده از داده‌های پانل مربوط به سال‌های 2008 تا 2023 و روش مدل‌سازی معادلات ساختاری در قالب تحلیل مسیر، اثرات مؤلفه‌های مهم فناوری اطلاعات و ارتباطات بر فعالیت کارآفرینی با میانجی‌گری تسهیل فضای کسب‌وکار و نوآوری مورد ارزیابی قرار گرفت. نتایج نشان داد که زیرساخت فناوری اطلاعات و ارتباطات و استفاده فردی از فناوری اطلاعات و ارتباطات تأثیر مستقیم و معناداری بر کارآفرینی دارند. در مقابل، اگرچه استفاده دولتی و استفاده کسب‌وکارها تأثیر مستقیمی ندارند، اما از طریق کانال تسهیل فضای کسب‌وکار، اثر غیرمستقیم مثبت و معناداری بر کارآفرینی می‌گذارند. یافته‌ای حائز اهمیت و خلاف مبانی تئوریک این بود که نوآوری تأثیر معناداری بر فعالیت کارآفرینانه ندارد، که نشان‌دهنده چالش جدی در تجاری‌سازی دستاوردهای نوآورانه و نارسایی در انتقال دانش به اکوسیستم کارآفرینی (بنگاه‌های کوچک و متوسط) در این کشورها است. همچنین، مهارت‌های فناوری اطلاعات و ارتباطات هیچ مسیر مستقیم یا غیرمستقیم معناداری بر کارآفرینی از خود نشان نداد. یافته‌ها تأکید می‌کنند که سرمایه‌گذاری در فناوری اطلاعات و ارتباطات به تنهایی کافی نیست و سیاست‌گذاری در اوپک پلاس باید بر اصلاحات نهادی در جهت تسهیل فضای کسب‌وکار و همچنین رفع نارسایی‌های مربوط به مهارت و تجاری‌سازی نوآوری تمرکز کند تا به اهداف تنوع‌بخشی اقتصادی دست یابد.</p>http://jour.aicti.ir/en/Article/Download/52221مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه فناوری اطلاعات و ارتباطات ایران2717-041118682026911A Novel Hybrid Quantum-Classical Optimization Approach for Next-Generation Internet of Things Networksارائه روش بهینهسازی ترکیبیاتی نوین با رویکرد کوانتومی در شبکههای اینترنت اشیاء نسل آینده2243fa شهرزادصداقتدانشگاه جهرم مهدیآزادی مطلقعضو هیئت علمی امیرحسینجهانگیرDepartment of Computer Engineering, Sharif University of Technology, Tehran, Iran20251018<p style="direction: ltr;">The exponential growth of the Internet of Things (IoT) has introduced significant computational challenges, particularly in optimizing dynamic task allocation within hybrid edge, fog, and cloud networks. The combinatorial nature of this problem often leads to a combinatorial explosion when traditional algorithms are applied to large-scale scenarios, rendering them inefficient in finding optimal or near-optimal solutions. This research proposes a novel quantum-classical hybrid combinatorial optimization framework to address this multi-objective problem, considering conflicting criteria such as latency, energy consumption, and Quality of Service (QoS). The proposed model transforms the task allocation problem into a Quadratic Unconstrained Binary Optimization (QUBO) formulation and leverages the Quantum Approximate Optimization Algorithm (QAOA) for its solution. Numerical simulation results, obtained using the open-source Qiskit simulator, demonstrate that the proposed approach significantly outperforms prior methods based on quantum machine learning and traditional architectures. Comparative analysis reveals that the proposed approach consistently maintains the best solution quality with the gentlest degradation slope as the problem scales. Furthermore, the computational time of this method exhibits a much slower, near-linear growth, in contrast to the exponential growth experienced by traditional algorithms. These findings clearly establish the strategic superiority of quantum optimization for solving complex and large-scale optimization problems in next-generation IoT networks.</p><p>اینترنت اشیاء (IoT) با رشد تصاعدی خود، چالش‌های محاسباتی عظیمی را در زمینه بهینه‌سازی تخصیص وظایف پویا در شبکه‌های ترکیبی لبه، مه و ابری به وجود آورده است. ماهیت ترکیبیاتی این مسئله باعث می‌شود که الگوریتم‌های سنتی در مقیاس‌های بزرگ با پدیده انفجار ترکیبیاتی (Combinatorial Explosion) مواجه شوند و در یافتن راه‌حل بهینه یا حتی نزدیک به بهینه، ناکارآمد باشند. در این پژوهش، یک چارچوب بهینه‌سازی ترکیبی کوانتومی-سنتی برای حل این مسئله چندهدفه با در نظر گرفتن معیارهای متضاد مانند تأخیر، مصرف انرژی و کیفیت خدمات (QoS) ارائه شده است. مدل پیشنهادی در این مقاله، مسئله تخصیص وظایف را به فرمول‌بندی بهینه‌سازی دودویی نامقید درجه دوم (QUBO) تبدیل می‌کند و از الگوریتم بهینه‌سازی تقریبی کوانتومی (QAOA) برای حل آن بهره می‌برد. نتایج شبیه‌سازی عددی، که با استفاده از شبیه‌ساز متن‌باز Qiskit انجام شده است، نشان می‌دهد که رویکرد پیشنهادی در مقایسه با روش‌های پیشین مبتنی بر یادگیری ماشین کوانتومی و معماری‌های سنتی، عملکردی به مراتب بهتر ارائه می‌دهد. تحلیل مقایسه‌ای نشان می‌دهد که رویکرد پیشنهادی به طور مداوم بهترین کیفیت راه‌حل را با ملایم‌ترین شیب کاهش، با افزایش مقیاس مسئله، حفظ می‌کند. همچنین، زمان محاسباتی این روش دارای رشدی بسیار آهسته‌تر و نزدیک به خطی است، در حالی که الگوریتم‌های سنتی با رشد نمایی مواجه هستند. این نتایج به وضوح برتری راهبردی بهینه‌سازی کوانتومی را برای حل مسائل بهینه‌سازی پیچیده و بزرگ‌مقیاس در شبکه‌های نسل آینده IoT اثبات می‌کند.</p>http://jour.aicti.ir/en/Article/Download/51852مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه فناوری اطلاعات و ارتباطات ایران2717-041118682026911Optimal Path Planning for Mobile Robots Using a Multi-Objective Framework: Integrating Particle Swarm Optimization and Adaptive Bat Algorithmبهینهسازی مسیر ربات متحرک با رویکرد چندهدفه: ترکیب الگوریتم بهینهسازی ذرات و خفاش وفقی4458faمحمداسعدیمهندسی مکاترونیک، مجتمع آموزش عالی بم، بم، ایران زهرا محمدیدانشکده مهندسی برق، دانشگاه شهید باهنر کرمان، کرمان، ایرانحسیننظامآبادیپوردانشگاه شهید باهنر کرمانمحدثهسليمانپورمقدممهندسی مکاترونیک، مجتمع آموزش عالی بم، بم، ایران 2025712<p style="direction: ltr;">This study proposes a novel path planning framework based on multi-objective optimization, which simultaneously addresses three key criteria: minimizing path length, optimizing motion smoothness, and maximizing safe distance from obstacles. The multi-objective problem is first transformed into a single-objective formulation using the ε-constraint method and weighted sum approach. Given the NP-hard nature of the problem, an adaptive hybrid metaheuristic algorithm, termed PSO-ABA (Particle Swarm Optimization-Adaptive Bat Algorithm), is developed by integrating the global search mechanism of PSO with the frequency-tuning capabilities of the Bat Algorithm (BA). Subsequently, an adaptive hybrid metaheuristic algorithm, termed PSO-ABA, is developed, which leverages the integration of two complementary global search mechanisms based on Particle Swarm Optimization (PSO) and the Adaptive Bat Algorithm (ABA). In this algorithm, the task of updating the robot’s position is assigned to the ABA, while the PSO is focused on tuning the appropriate parameters. The proposed algorithm addresses several key aspects. First, it aims to develop a trajectory in real space by modifying the existing relationships within the Bat Algorithm. This modification ensures that the robot’s movement is directed as closely as possible toward the target path while minimizing abrupt turns. Second, by enhancing the fitness function, the algorithm prevents the robot’s position from being updated when it is within obstacles, effectively eliminating invalid paths. Performance evaluation in simulated environments with complex obstacle arrangements demonstrates that the proposed framework outperforms conventional routing methods in achieving optimal paths for robots.</p><p>این پژوهش یک چارچوب نوین برای برنامه‌ریزی مسیر مبتنی بر بهینه‌سازی چندهدفه ارائه می‌دهد که به طور همزمان سه معیار کلیدی شامل کمینه‌سازی طول مسیر، کاهش نرخ تغییرات زاویه‌ای و حداکثرسازی فاصله ایمن از موانع را مد نظر قرار می‌دهد. در مرحله نخست از ترکیب روش محدودیت اپسیلون و رویکرد جمع وزنی برای تبدیل مسئله بهینه‌سازی چندهدفه به یک مسئله تک‌هدفه استفاده شده است. به دلیل NP-hard بودن مسئله، یک الگوریتم فرا ابتکاری ترکیبی تطبیقی با عنوان PSO-ABA توسعه یافته است که از ادغام دو مکانیزم مکمل جستجوی سراسری مبتنی بر الگوریتم بهینه‌سازی ذرات (PSO) و الگوریتم خفاش انطباقی (ABA) بهره می‌برد. در این الگوریتم، وظیفه به‌روزرسانی موقعیت ربات بر عهده الگوریتم ABA است، در حالی که الگوریتم PSO به دنبال تنظیم پارامترهای مناسب می‌باشد. این مقاله به چند نکته کلیدی می‌پردازد: نخست، الگوریتم مذکور با اصلاح روابط موجود در الگوریتم خفاش، طراحی مسیری در فضای واقعی را هدف قرار می‌دهد به‌طوری‌که حرکت ربات تا حد امکان به سمت مسیر هدف هدایت شود و از چرخش‌های ناگهانی ربات جلوگیری گردد. دوم، با اصلاح تابع شایستگی، این الگوریتم مانع از به‌روزرسانی موقعیت ربات در داخل موانع می‌شود و مسیرهای نامعتبر را حذف می‌کند. ارزیابی عملکرد در محیط‌های شبیه‌سازی شده با چیدمان موانع پیچیده نشان می‌دهد که چارچوب پیشنهادی در مقایسه با روش‌های مرسوم مسیریابی، عملکرد بهتری در دستیابی به مسیر بهینه برای ربات دارد.</p>http://jour.aicti.ir/en/Article/Download/50809مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه فناوری اطلاعات و ارتباطات ایران2717-041118682026911Presenting a paradigmatic model of policy making based on legislation for Starlink satellite internetارائه مدل پارادایمی خطمشیگذاری مبتنی بر قانونگذاری برای اینترنت ماهوارهای استارلینک5971fa رضاعلیرضایی مالیدرهدانشجوی دکترای تخصصی دانشگاه آزاد اسلامی واحد علوم و تحقیقات0009000717509806علی اکبرفرهنگیگروه مدیریت رسانه، دانشگاه تهران2025623<p style="direction: ltr;">The present study was conducted with the aim of presenting a paradigmatic model of policy-making based on legislation for Starlink satellite internet. This study is a cross-sectional survey research in terms of its applied-developmental purpose and in terms of its data collection method. The participant population includes a combination of university professors and managers from the Ministry of Information and Communications Technology and the Communications Regulatory Authority, who were selected using the theoretical sampling method. The data collection tools were semi-structured interviews and a fuzzy Delphi questionnaire. The grounded theory method and the fuzzy Delphi method were used to analyze the data. The research findings showed that consistent international law and the determination of precise responsibility for performance affect policy-making. The development of communication infrastructures provides the necessary background, and the challenge of Starlink satellite internet also plays an intervening role. Ultimately, regulations for Starlink satellite internet lead to the facilitation of communication in the era of globalization.</p><p>پژوهش حاضر با هدف ارائه‌ی الگویی پارادایمی از سیاست‌گذاری مبتنی بر قانون‌گذاری برای اینترنت ماهواره‌ای استارلینک انجام شده است. این پژوهش از نظر هدف، کاربردی-توسعه‌ای و از نظر روش گردآوری داده‌ها، پژوهشی پیمایشی-مقطعی به شمار می‌رود. جامعه‌ی مشارکت‌کنندگان شامل ترکیبی از اساتید دانشگاه و مدیران وزارت ارتباطات و فناوری اطلاعات و سازمان تنظیم مقررات ارتباطات است که با استفاده از روش نمونه‌گیری نظری انتخاب شده‌اند. ابزار گردآوری داده‌ها، مصاحبه‌ی نیمه‌ساختاریافته و پرسشنامه‌ی دلفی فازی بود. برای تحلیل داده‌ها از روش نظریه‌پردازی داده‌بنیاد و روش دلفی فازی استفاده شد. یافته‌های پژوهش نشان داد که حقوق بین‌الملل منسجم و تعیین مسئولیت دقیق برای عملکرد، بر سیاست‌گذاری تأثیرگذار هستند. توسعه‌ی زیرساخت‌های ارتباطی، بستر لازم را فراهم می‌آورد و چالش اینترنت ماهواره‌ای استارلینک نیز نقش متغیر مداخله‌گر را ایفا می‌کند. در نهایت، مقررات‌گذاری برای اینترنت ماهواره‌ای استارلینک به تسهیل ارتباطات در عصر جهانی‌شدن منجر می‌شود.</p>http://jour.aicti.ir/en/Article/Download/50671مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه فناوری اطلاعات و ارتباطات ایران2717-041118682026911Investigating the effectiveness of knowledge management practices on innovation performance by considering the mediating role of knowledge applicationبررسي اثربخشي شیوههای مديريت دانش بر عملکرد نوآوری با در نظر گرفتن نقش میانجي کاربرد دانش 7284faامير هوشنگتاج فرپیام نور علی شفیعیپژوهشگاه ارتباطات و فناوری اطلاعات2025106<p style="direction: ltr;">Due to the increasing complexity and competitiveness of businesses, the use of new tools, including knowledge management, is becoming more and more important in organizations. This study was conducted to investigate the effectiveness of knowledge management practices on innovation performance. This study also examined the mediating role of knowledge application in the relationship between knowledge management practices and innovation performance. The statistical population of this study is 100 managers and employees in the IT office in the data center department. The research measurement tool was questionnaire. Questionnaire data were analyzed using SPSS 23 and SmartPLS3.3 software. The results of the study showed that knowledge production, knowledge storage, knowledge dissemination, and knowledge application have a positive and significant effect on the company's innovation performance. The findings also showed that knowledge application as a mediator plays a pivotal role in knowledge production, knowledge dissemination, and knowledge storage.</p><p>با توجه به گسترش پیچیدگی و رقابتی­تر شدن کسب­وکارها استفاده از ابزارهای نوین ازجمله مدیریت دانش در سازمان­ها بیش‌ازپیش احساس می­گردد. این مطالعه باهدف بررسی اثربخشی شیوه‌های مدیریت دانش بر عملکرد نوآوری انجام شد. در این تحقیق همچنین به بررسی نقش میانجی کاربرد دانش در رابطه بین شیوه‌های مدیریت دانش و عملکرد نوآوری پرداخته شد. جامعه آماری این پژوهش 100 نفر از مدیران و کارکنان در دفتر فناوری اطلاعات در بخش دیتاسنتر‌ است. ابزار سنجش تحقیق پرسشنامه است. داده‌های پرسشنامه با استفاده از نرم‌افزارهای SPSS 23 و PLS Smart 0.3 مورد تجزیه‌وتحلیل قرار گرفت. نتایج تحقیق نشان داد تولید دانش، ذخیره دانش، انتشار دانش و کاربرد دانش بر عملکرد نوآوری شرکت تأثیر مثبت و معناداری دارد. همچنین یافته‌ها نشان داد کاربرد دانش به­عنوان میانجی نقش محوری در تولید دانش، انتشار دانش و ذخیره دانش بازی می‌کند.</p>http://jour.aicti.ir/en/Article/Download/51720مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه فناوری اطلاعات و ارتباطات ایران2717-041118682026911A Dynamic Cybersecurity Risk Assessment Framework for SCADA-based Industrial Control Systemsچارچوب ارزیابی دینامیک ریسک امنیت سایبری برای سیستمهای کنترل صنعتی مبتنی بر SCADA8599faسیدمهدیحسینیدانشجوی دکتری، گروه مهندسی برق، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایرانمحمدعلیپورمینااستاد گروه الکترونیک و مخابرات، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران احمد فخاریانگروه مهندسی برق، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران0000000265302689مهدیخطیر استاد گروه الکترونیک و مخابرات، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.202659<p style="direction: ltr;">Industrial Control Systems (ICS), particularly Supervisory Control and Data Acquisition (SCADA) systems, constitute the backbone of critical infrastructure operations worldwide. The increasing convergence of Operational Technology (OT) with Information Technology (IT) networks has created unprecedented cybersecurity challenges, evidenced by sophisticated attacks including Stuxnet (2010), the Ukraine power grid incident (2015), and the Colonial Pipeline ransomware attack (2021). These systems demand exceptional reliability with 99.999% availability and sub-10ms latency for Programmable Logic Controllers. Conventional risk assessment methodologies exhibit significant qualitative limitations due to their static nature and inability to model dynamic threats, asset interdependencies, and temporal variations in operational context. This research introduces an advanced dynamic cybersecurity risk assessment framework specifically designed for SCADA systems in high-sensitivity industrial environments. The framework incorporates seven integrated components: layered asset valuation with damage impact weighting, Multilayer and Dynamic Bayesian Networks for probabilistic threat modeling, offline CVSS and ISO/IEC 18045 scoring mechanisms, decision-tree-based risk assessment aligned with IEC 62443 standards, secure state transition controllers, game-theoretic optimization for adaptive defense strategies, and a Random Forest-based mitigation recommender. Through comprehensive MATLAB simulations, the framework demonstrates substantial improvements over static baselines, achieving a significant reduction in assessment uncertainty and an average risk score reduction of 28% across all assets, while maintaining false positive rates below 5%.</p><p>سیستم‌های کنترل صنعتی، به‌خصوص سیستم‌های کنترل نظارتی و اکتساب داده (SCADA)، نقش‌ محوری در مدیریت زیرساخت‌های حیاتی دارند. همگرایی روزافزون فناوری‌های عملیاتی با شبکه‌های فناوری اطلاعات، چالش‌های امنیتی پیچیده‌ای را به وجود آورده که در حملاتی چون استاکس‌نت، حادثه شبکه برق اوکراین و باج‌افزار کلونیال پایپ‌لاین نمود یافته است. این سیستم‌ها باید قابلیت اطمینان فوق‌العاده‌ای با دردسترس‌بودن بالای ۹۹.۹۹۹٪ و تأخیر کمتر از ۱۰ میلی‌ثانیه برای کنترل‌کننده‌های منطقی قابل‌برنامه‌ریزی(PLCها) داشته باشند. روش‌های سنتی ارزیابی ریسک به دلیل ماهیت ایستای خود، قادر به مدل‌سازی تهدیدات پویا، وابستگی‌های میان دارایی‌ها و تغییرات زمانی در شرایط عملیاتی نیستند. در این پژوهش، چارچوبی پیشرفته برای ارزیابی پویای ریسک امنیت سایبری ارائه شده که مخصوص سیستم‌های SCADA در محیط‌های صنعتی حساس طراحی شده است. این چارچوب هفت مؤلفه یکپارچه دارد، ارزش‌گذاری مبتنی بر لایه‌بندی دارایی‌ها با ضرایب وزنی تأثیر خسارت، شبکه‌های بیزین چندلایه و پویای برای مدل‌سازی احتمالاتی تهدیدها، امتیازدهی آفلاین سیستم امتیازدهی آسیب‌پذیری مشترک (CVSS) و ISO/IEC 18045، ارزیابی ریسک مبتنی بر درخت تصمیم منطبق با استاندارد IEC 62443، کنترل‌کننده حالت ایمن، بهینه‌سازی نظریه بازی برای راهبردهای دفاعی و سیستم توصیه‌گر مبتنی بر الگوریتم جنگل تصادفی (Random Forest). شبیه‌سازی‌های گسترده در نرم‌افزار متلب نشان می‌دهد که این چارچوب نسبت به روش‌های ایستا، کاهش متوسط ۲۸% در نمره ریسک تمام دارایی‌ها را محقق می‌کند و نرخ مثبت کاذب را زیر ۵% نگه می‌دارد.</p>http://jour.aicti.ir/en/Article/Download/53541مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه فناوری اطلاعات و ارتباطات ایران2717-041118682026911A Systematic Review of Deep Learning Methods for Detecting Advanced Persistent Threats in Data Exchange Networksمرور سیستماتیک روش های یادگیری عمیق برای تشخیص حملات پیشرفته در شبکه های تبادل داده100114fa مسعود سیاوشیدانشگاه آزاد اسلامی، واحد همدانمحمدمهدیشیرمحمدیاستادیار, گروه مهندسی کامپیوتر، دانشگاه ازاد اسلامی، همدان، ایران2025720<p style="direction: ltr;">Information security has become a fundamental challenge for modern communication systems with the ever-increasing proliferation of the Internet of Things, big data, and real-time information exchanges within communication networks. The emergence of threats such as multi-stage intrusions, zero-day attacks, and Advanced Persistent Threats (APTs) has cast doubt on the effectiveness of many traditional intrusion detection systems. In recent years, the application of deep learning (DL) models has garnered significant attention as an effective alternative to classic methods, particularly due to their ability to identify complex patterns. This research aims to advance scientific knowledge and update previous studies by critically and analytically reviewing a collection of methods based on AE, DNN, CNN, LSTM, GRU, and hybrid architectures for detecting complex threats, with a specific focus on the multi-stage and stealthy nature of Advanced Persistent Threats (APTs) in data exchange networks. While analyzing the empirical performance of these models in real-world environments and systematically comparing the obtained results, implementation challenges and limitations have also been explored. Furthermore, drawing upon credible and up-to-date sources (published between 2020 and 2025) and redesigning tables and diagrams graphically, the present article strives to offer an analytical, practical, and comprehensive framework for intelligent attack detection in cyberspace. This paper can serve as a scientific basis for developing more resilient systems against emerging threats in future communication network architectures.</p><p>با گسترش روزافزون اینترنت اشیا، کلان‌داده‌ها و تبادلات لحظه‌ای اطلاعات در بستر شبکه‌های ارتباطی، مسئله امنیت اطلاعات به یکی از چالش‌های اساسی نظام‌های ارتباطی مدرن تبدیل شده است. ظهور تهدیداتی نظیر نفوذهای چندمرحله‌ای، حملات روز صفر و حملات پایدار پیشرفته (APT)، کارآمدی بسیاری از سامانه‌های سنتی تشخیص نفوذ را با تردید مواجه ساخته است. طی سال‌های اخیر، به‌کارگیری مدل‌های یادگیری عمیق به‌عنوان جایگزینی مؤثر برای روش‌های کلاسیک، به‌ویژه به دلیل توانایی این مدل‌ها در شناسایی الگوهای پیچیده، موردتوجه ویژه قرار گرفته است. این پژوهش با هدف ارتقای علمی و روزآمدسازی مطالعات پیشین، به بررسی انتقادی و تحلیلی مجموعه‌ای از روش‌های مبتنی بر معماری‌های AE، DNN، CNN، LSTM، GRU و ترکیبی از آنها در زمینه شناسایی تهدیدات پیچیده در شبکه‌های تبادل داده می‌پردازد. ضمن تحلیل تجربی عملکرد این مدل‌ها در محیط‌های واقعی و مقایسه نظام‌مند نتایج حاصل، چالش‌های اجرایی و محدودیت‌های پیاده‌سازی نیز واکاوی شده‌اند. همچنین، باتکیه‌بر منابع معتبر و بروز (منتشر شده بین سال‌های 2020 تا 2025) و باز طراحی گرافیکی جداول و نمودارها، مقاله حاضر تلاش دارد چارچوبی تحلیلی، کاربردی و جامع را در زمینه تشخیص هوشمند حملات در فضای سایبری ارائه دهد. این مقاله می‌تواند مبنایی علمی برای توسعه سامانه‌های مقاوم‌تر در برابر تهدیدات نوظهور در معماری‌های شبکه‌های ارتباطی آینده باشد.</p>http://jour.aicti.ir/en/Article/Download/50906مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه فناوری اطلاعات و ارتباطات ایران2717-041118682026911A Hybrid Intrusion Detection System for RPL-Based IoT Networks Using Decision Tree and CNN-BiLSTM Modelsیک سامانه تشخیص نفوذ ترکیبی برای شبکههای اینترنت اشیای مبتنی بر RPL با بهرهگیری از مدلهای درخت تصمیم و CNN-BiLSTM115129fa محمد فاضلیدانشکده مهندسی برق و کامپیوتر، دانشگاه شیراز، ایرانمحسنراجیدانشگاه شیرازمحمد مجتبیفاضلیدانشگاه آزاد اسلامی واحد سپیدان2026119<p style="direction: ltr;">The Routing Protocol for Low-Power and Lossy Networks (RPL) is a widely adopted standard in Internet of Things (IoT) environments, enabling efficient and stable communication. However, its susceptibility to cyberattacks poses a significant threat. Traditional intrusion detection methods, while effective, are computationally complex and resource-intensive, rendering them unsuitable for resource-constrained IoT devices. This paper presents a lightweight, two-layer intrusion detection system (IDS) for RPL-based IoT networks. The first layer employs a decision tree model to identify potential threats, offering rapid analysis with minimal computational overhead. The second layer utilizes a hybrid Convolutional Neural Network (CNN) and Bidirectional Long Short-Term Memory (BiLSTM) model to classify attack types. This combination facilitates the automatic extraction of deep features from network traffic data and the learning of complex temporal dependencies. Experimental results on the ROUT-4-2023 dataset, comprising four common RPL attacks (Blackhole, Flooding, Version Number, and Rank Attacks), demonstrate the proposed method's superior performance, achieving an overall accuracy of 97% with precision, recall, and F1-scores of approximately 96%. The proposed system achieves an attack detection time of 0.062 seconds. These findings confirm the efficacy and high speed of our approach, establishing it as a suitable solution for securing resource-constrained IoT networks.</p><p>پروتکل مسیریابی برای شبکه‌های کم‌مصرف و پراتلاف (RPL:Routing Protocol for Low-Power and Lossy Networks) به‌عنوان استانداردی رایج در مسیریابی شبکه‌های اینترنت اشیاء شناخته شده و به طور گسترده ای در این شبکه‏ها استفاده می‌شود. با این حال، آسیب‌پذیری این پروتکل در برابر حملات سایبری، تهدیدی جدی محسوب می‌شود. روش‌های سنتی تشخیص نفوذ، به دلیل پیچیدگی محاسباتی و مصرف بالای منابع، دستگاه‌های اینترنت اشیاء مناسب نیستند. در این پژوهش، یک سامانه تشخیص نفوذ دو لایه‌ای سبک‌وزن برای شناسایی و طبقه‌بندی حملات در شبکه‌های اینترنت اشیاء مبتنی بر RPL ارائه شده است. در لایه اول، از یک مدل درخت تصمیم برای شناسایی وقوع حمله استفاده می‌شود که ضمن سرعت بالا، نیاز به منابع محاسباتی اندکی دارد. در لایه دوم، برای طبقه‌بندی دقیق نوع حمله، از ترکیبی از شبکه عصبی کانولوشنی و حافظه بلند-کوتاه‌مدت دوطرفه (CNN-BiLSTM) بهره گرفته شده است. این ترکیب، توانایی استخراج خودکار ویژگی‌های عمیق از داده‌های ترافیک شبکه و یادگیری وابستگی‌های زمانی و الگوهای پیچیده حملات را دارد.نتایج آزمایش‌ها بر روی مجموعه داده ROUT-4-20223 با چهار حمله متداول RPL شامل سیاه‌چاله، سیل‌آسا، شماره‌نسخه و کاهش‌رتبه نشان می‌دهد که روش پیشنهادی با صحت کلی 97% و مقادیر دقت، بازخوانی و امتیاز F1 حدود 96%، عملکرد بهتری نسبت به روش‌های موجود دارد. زمان شناسایی حمله نیز به حدود 0.062 ثانیه دست یافته است. نتایج به دست آمده، کارایی مناسب و سرعت بالای سامانه پیشنهادی را در محیط‌های اینترنت اشیاء مبتنی بر RPL نشان می‌دهد.</p>http://jour.aicti.ir/en/Article/Download/52801مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه فناوری اطلاعات و ارتباطات ایران2717-041118682026911Intelligent Detection of DDoS Attacks in Internet of Things Devices Using a Hybrid Approach of CNN, LSTM, and FFNN Neural Networksتشخیص هوشمند حملات DDoS در دستگاههای اینترنت اشیا با استفاده از رویکرد ترکیبی شبکههای عصبی CNN، LSTM و FFNN130147fa ماندانا رستمی گروه مهندسی کامپیوتر و مهندسی فناوری اطلاعات واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.پویا درخشان برجوئیمرکز تحقیقات هوش مصنوعی و تجزیه و تحلیل داده، گروه مهندسی برق، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.الههمرادی گروه مهندسی برق، دانشگاه آزاد اسلامی واحد یادگار امام خمینی (ره) شهرری، تهران، ایران.2025916<p style="direction: ltr;">As the use of Internet of Things (IoT) devices expands, cyber-attacks, especially DDoS, have become more sophisticated, making their detection a fundamental challenge. Research shows that deep neural networks perform well due to their compatibility with large volumes of data. This study investigates and compares the performance of deep learning models for detecting cyber-attacks in distributed networks.Four deep learning models, including the CNN, LSTM, and FFNN neural networks, as well as their combination (CNN-FFNN and CNN-LSTM), were evaluated for analyzing network traffic data. The models were trained on the Bot-IoT dataset, and their performance was measured based on accuracy. The results show that the combination of CNN and LSTM, by leveraging both spatial features and temporal dependencies, achieves the highest accuracy in detecting complex attacks like DDoS.This model can extract hidden features from raw data and simulate the temporal relationships of attacks, which is crucial for identifying gradual and complex threats in IoT and Fog computing environments. The combination of CNN and FFNN also demonstrated a notable performance in detecting faster threats with less complexity. Ultimately, this research emphasizes the importance of combining deep learning models to improve the accuracy of cyber-attack detection systems and proposes solutions based on distributed architectures for the security of IoT and Fog networks.</p><p>با گسترش استفاده از دستگاه‌های اینترنت اشیا، حملات سایبری، به‌ویژه حمله منع سرویس توزیع‌شده، پیچیده‌تر و تشخیص آن‌ها به چالشی اساسی تبدیل شده است. تحقیقات نشان می‌دهد شبکه‌های عصبی عمیق به دلیل سازگاری با داده‌های حجیم، عملکرد مطلوبی دارند. در این پژوهش، عملکرد مدل‌های یادگیری عمیق در تشخیص حملات سایبری در شبکه‌های توزیع‌شده بررسی و مقایسه شده است. چهار مدل یادگیری عمیق شامل شبکه عصبی کانولوشنی، حافظه طولانی کوتاه، شبکه عصبی پیش‌خور و ترکیب‌ آن‌ها CNN-FFNN) و (CNN-LSTM برای تحلیل داده‌های ترافیک شبکه ارزیابی شدند. مدل‌ها با دیتاست Bot-IoT آموزش دیدند و عملکردشان بر اساس معیار دقت سنجیده شد. نتایج نشان می‌دهد ترکیب شبکه عصبی کانولوشنی و حافظه طولانی کوتاه‌مدت با بهره‌گیری از ویژگی‌های مکانی و وابستگی‌های زمانی، بالاترین دقت را در تشخیص حملات پیچیده؛ مانند حملات منع سرویس توزیع‌شده دارد. این مدل می‌تواند ویژگی‌های پنهان را از داده‌های خام استخراج و روابط زمانی حملات را شبیه‌سازی کند که در محیط‌های اینترنت اشیا و محاسبات رایانش مه برای شناسایی تهدیدات تدریجی و پیچیده حائز اهمیت است. همچنین ترکیب شبکه عصبی کانولوشنی و شبکه عصبی پیش‌خور نیز در تشخیص تهدیدات سریع‌تر و پیچیدگی کمتر، عملکرد قابل‌توجهی داشته است. در نهایت این پژوهش بر اهمیت ترکیب مدل‌های یادگیری عمیق در بهبود دقت سیستم‌های تشخیص حملات سایبری تأکید کرده و راهکارهایی مبتنی بر معماری‌های توزیع‌شده برای امنیت شبکه‌های اینترنت اشیا و رایانش مه پیشنهاد می‌دهد.</p>http://jour.aicti.ir/en/Article/Download/51423مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه فناوری اطلاعات و ارتباطات ایران2717-041118682026911Automatic PAC and PVC Arrhythmia Detection in Single-Lead ECG Signals Using Specialized ResNet-Based Modelsتشخیص خودکار آریتمیهای قلبی PAC و PVC در سیگنال ECG تککاناله با استفاده از مدلهای تخصصی مبتنی بر ResNet148156faمهرشادگلجاریاندانشکده برق دانشگاه صنعتی شریف، تهران، ایرانوانیاشایستهفردانشکده برق دانشگاه صنعتی شریف، تهران، ایران محمدمهدیمعینی منشدانشکده برق دانشگاه صنعتی شریف، تهران، ایران0009000963401673علیفتوت احمدیدانشکده برق دانشگاه صنعتی شریف، تهران، ایران0000-0002-7217-99732026511<p style="direction: ltr;">This study presents a deep learning system for the simultaneous detection of two cardiac arrhythmias: Premature Ventricular Contractions (PVCs) and Premature Atrial Contractions (PACs). Our approach employs specialized ResNet-inspired 1D-CNN architectures, in which separate expert models are trained for the detection of each specific arrhythmia type. This ensemble-based strategy allows each network to learn distinctive features associated with its target class. The proposed system was trained on the iCentia11k dataset and evaluated on data collected from multiple databases. The data preprocessing pipeline includes heartbeat segmentation, resampling to a uniform frequency of 250 Hz, and Z-score normalization. To address class imbalance, a class-weighted loss function is employed. Our proposed model for PVC detection achieves a recall of 95.53% and an F1-score of 90.37% on the test set. The corresponding expert model for PAC detection achieves a recall of 98.00% and an F1-score of 90.13%. The overall accuracy of the proposed framework is reported as 96.11%.</p><p>این پژوهش یک سیستم یادگیری عمیق برای تشخیص هم‌زمان دو آریتمی قلبی انقباض زودرس بطنی (PVC) و انقباض زودرس دهلیزی (PAC) ارائه می‌دهد. رویکرد ما از معماری‌های تخصصی 1D-CNN الهام‌گرفته از ResNet بهره می‌برد، به طوری که مدل‌های متخصص جداگانه‌ای برای تشخیص هر نوع آریتمی خاص آموزش می‌بینند. این روش Ensemble به هر شبکه اجازه می‌دهد تا ویژگی‌های متمایز مربوط به کلاس هدف خود را یاد بگیرد. سیستم پیشنهادی بر روی پایگاه داده iCentia11k آموزش داده شده و بر روی داده‌های جمع‌آوری شده در چندین پایگاه داده ارزیابی شده است. سیر پیش‌پردازش داده شامل تقسیم‌بندی ضربان قلب، نمونه‌برداری مجدد در فرکانس یکنواخت 250 هرتز و نرمال‌سازی Z-Score می‌باشد. برای مقابله با عدم تعادل کلاس، یک تابع loss با وزن کلاسی اعمال می‌شود. مدل پیشنهادی ما برای تشخیص PVC به بازیابی (Recall) برابر با 95.53% و امتیاز F1 برابر با 90.37% در مجموعه آزمایشی دست می‌یابد. مدل متخصص متناظر برای PAC نیز به بازیابی برابر با 98.00% و امتیاز F1 برابر با 90.13% دست می‌یابد. صحت (Accuracy) این مدل برابر 96.11% گزارش می‌شود.</p>http://jour.aicti.ir/en/Article/Download/53559مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه فناوری اطلاعات و ارتباطات ایران2717-041118682026911Intelligent Framework Based on Machine Learning and Model-Driven Architecture for Optimization of Industrial IoT Systems چارچوب هوشمند مبتنی بر یادگیری ماشین و معماری مدلرانده برای بهینهسازی سیستمهای IoT صنعتی157170fa مریم نورائیعضو هیات علمی دانشگاه آزاد اسلامی، واحد بین المللی اروندحسینشیدل زاده گروه مهندسی کامپیوتر، واحد بین المللی اروند، دانشگاه آزاد اسلامی، آبادان، ایران2025101<p style="direction: ltr;">By increasing proliferation of IoT devices, the large volume of unlabeled data, and the need for fast processing and optimal resource management, new challenges have emerged in this field. In the meantime, the importance of semi-supervised methods for prediction and also for extracting key domain features to improve accuracy has become more important. In this research, a new approach to improving the efficiency of industrial IoT systems is presented, in which machine learning is enhanced by using Model-Driven Architecture. In this framework, domain-oriented conceptual models are used as the basis for extracting key features, structuring data, and reducing noise. This integration improves the machine learning process, especially in conditions of lack of labeled data. In the first step, PIM and PSM models are created to separate the system logic from the implementation details and adapt to technological changes. Then, the processed data and extracted features are fed into the semi-supervised learning algorithms Self-training, Label Propagation, and Semi-Supervised SVM to also use unlabeled data in the training process. Evaluation of this approach in an IoT-based industrial simulation environment shows that using MDA as the ML reinforcement layer increases the prediction accuracy by an average of 95%, and the robustness of the model against noisy data is also significantly improved. The results indicate that the combination of MDA and semi-supervised machine learning can improve the efficiency of IoT-based industries.</p><p>با گسترش روزافزون دستگاه‌های متصل به اینترنت اشیاء، حجم بالای داده‌های بدون‌‌برچسب و نیاز به پردازش سریع و مدیریت بهینه منابع، چالش‌های جدیدی در این حوزه ایجاد شده است. در این میان، اهمیت روش‌های نیمه‌نظارتی برای پیش‌بینی و همچنین استخراج وبژگی‌های کلیدی دامنه برای بهبود دقت، بیش از پیش آشکار شده است. در این پژوهش، رویکردی نوین برای بهبود کارایی سیستم‌های IoT صنعتی ارائه می‌شود که در آن یادگیری ماشین با بهره‌گیری از معماری مدل‌رانده (MDA) تقویت شده است. در این چارچوب، مدل‌های مفهومی دامنه‌محور به‌عنوان پایه‌ای برای استخراج ویژگی‌های کلیدی، ساختاردهی داده‌ها و کاهش نویز به کار می‌روند. این یکپارچه‌سازی باعث بهبود فرآیند یادگیری ماشین به ویژه در شرایط کمبود داده‌های برچسب‌دار می‌گردد. در مرحله اول، مدل‌های PIM و PSM برای جداسازی منطق سیستم از جزئیات پیاده‌سازی ایجاد شده و با تغییرات فناوری سازگار می‌شوند. سپس داده‌های پردازش‌شده و ویژگی‌های استخراج‌شده به الگوریتم‌های یادگیری نیمه‌نظارتی Self-training، Label Propagation و Semi-Supervised SVM وارد می‌شوند تا از داده‌های بدون برچسب نیز در فرآیند آموزش استفاده شود. ارزیابی این رویکرد در یک محیط شبیه‌سازی صنعتی مبتنی بر IoT (مانند سامانه پایش و کنترل انرژی) نشان می‌دهد که استفاده از MDA به‌عنوان لایه تقویت‌کننده ML، دقت پیش‌بینی را به طور میانگین تا ۹۵% افزایش داده، همچنین پایداری مدل در برابر داده‌های نویزی به طور قابل توجهی بهبود یافته است. نتایج نشان می‌دهد که ترکیب MDA و یادگیری ماشین نیمه‌نظارتی می‌تواند به عنوان یک چارچوب مقیاس‌پذیر و قابل اعتماد برای ارتقاء کارایی صنایع مبتنی بر IoT به کار گرفته شود. </p>
<p> </p>http://jour.aicti.ir/en/Article/Download/51676مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه فناوری اطلاعات و ارتباطات ایران2717-041118682026911A Systematic Review of Trustworthiness, Hallucination, and Safety in Large Vision-Language Modelsمروری نظام مند بر قابلیت اعتماد، توهم و ایمنی در مدلهای بزرگ بینایی-زبان171197faدلارامکیانیدانشکده مهندسی سامانههای هوشمند، دانشکدگان علوم و فناوریهای میانرشتهای، دانشگاه تهران، تهران، ایران حانیه نادریدانشکده مهندسی سامانههای هوشمند، دانشکدگان علوم و فناوریهای میانرشتهای، دانشگاه تهران، تهران، ایران2026418<p style="direction: ltr;">Large Vision–Language Models (LVLMs), despite their remarkable progress in multimodal tasks, continue to face two fundamental reliability challenges: the generation of hallucinatory content inconsistent with visual evidence, and vulnerability to adversarial attacks that bypass safety mechanisms. This systematic review, conducted in accordance with the PRISMA 2020 reporting framework, covers studies published from January 2022 to June 2026 and synthesizes 31 eligible studies. It investigates the technical roots of hallucination across multiple levels (object, attribute, relation, and narrative), visual jailbreak mechanisms, and mitigation strategies at both training and inference stages. The findings indicate that over-reliance on linguistic priors is a common underlying factor behind many hallucination errors and safety failures, and that purely text-based alignment is insufficient for multimodal systems. Furthermore, a significant gap exists between current evaluation capabilities and the real-world complexity of vulnerabilities, hindering comprehensive reliability assessment. This review provides an integrated taxonomy of vulnerabilities and outlines a research roadmap, offering a structured foundation for the development of more reliable vision–language models.</p><p>مدل‌های بزرگ بینایی-زبان با وجود پیشرفت‌های چشمگیر در وظایف چندوجهی، همچنان با دو چالش بنیادین قابلیت اعتماد روبه‌رو هستند: تولید محتوای توهمی ناسازگار با شواهد بصری، و آسیب‌پذیری در برابر حملات خصمانه که سازوکارهای ایمنی را دور می‌زنند. این مرور نظام‌مند، با پیروی از چارچوب گزارش‌دهی پریزما ۲۰۲۰، مطالعات منتشرشده از ژانویه ۲۰۲۲ تا ژوئن ۲۰۲۶ را پوشش می‌دهد و ۳۱ مطالعه واجد شرایط را ترکیب و تحلیل می‌کند. این مطالعه ریشه‌های فنی توهم در سطوح مختلف شامل شیء، ویژگی، رابطه و روایت، سازوکارهای گریز امنیتی بصری و راهبردهای کاهش در زمان آموزش و استنتاج را بررسی می‌کند. یافته‌های این مطالعه نشان می‌دهد که اتکای بیش از حد به پیشین‌های زبانی، ریشه مشترک بسیاری از خطاهای توهمی و شکست‌های ایمنی است و هم‌ترازی صرفاً متنی برای سیستم‌های چندوجهی کافی نیست. همچنین، شکاف معناداری میان توانمندی‌های ارزیابی فعلی و پیچیدگی واقعی آسیب‌پذیری‌ها وجود دارد که مانع سنجش جامع قابلیت اعتماد می‌شود. این مرور با ارائه رده‌بندی یکپارچه از آسیب‌پذیری‌ها و نقشه راه پژوهشی، چارچوبی برای توسعه مدل‌های قابل اعتمادتر فراهم می‌آورد.</p>http://jour.aicti.ir/en/Article/Download/53399مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه فناوری اطلاعات و ارتباطات ایران2717-041118682026911Transforming Educational Excellence through Artificial Intelligence: An Exploration of AI Applications Using a Mixed-Methods Approachتحول آفرینی هوش مصنوعی در تعالی آموزشی: واکاوی کاربردهای هوش مصنوعی با رویکردی آمیخته 198214faموناجامی پوردانشگاه حضرت معصومه (س)الههخطیبی نوریگروه مدیریت، دانشکده مدیریت و حسابداری، دانشگاه حضرت معصومه (س)، قم، ایران2026618<p style="direction: ltr;">In recent years, artificial intelligence (AI) has emerged as one of the most transformative technologies in education, offering significant opportunities for delivering personalized and interactive learning experiences. Given the growing importance of adopting such innovative technologies in education, investment in AI-enabled educational initiatives has become a strategic priority for educational institutions. To ensure the effectiveness of these investments, decision-makers require a comprehensive understanding of the opportunities and applications of AI in order to align AI-driven initiatives with broader educational objectives. Despite the increasing volume of research in this field, the development of an integrated framework that systematically identifies, categorizes, and prioritizes AI applications in education has received limited attention. Accordingly, the primary objective of this study is to address this theoretical gap through a mixed-methods approach. In the first phase, AI applications in education were identified and categorized through a comprehensive literature review and focus group discussions involving domain experts. In the second phase, the identified applications were prioritized using the Best-Worst Method (BWM). The findings reveal that the proposed framework comprises three primary layers: AI-based tools, application domains, and stakeholders. The identified application categories, ranked by priority, include personalized teaching and learning, communication and interaction, personalized educational planning, intelligent assessment and feedback, and educational management and process automation. By integrating international evidence from the literature with the contextual knowledge of experts obtained through focus group discussions, this study develops a holistic framework for understanding AI applications in education. Furthermore, it prioritizes these applications, an aspect that has been largely overlooked in previous studies. The proposed framework provides a strategic managerial tool that can support policymakers and educational decision-makers in advancing the intelligent transformation of educational systems.</p><p>در سال‌های اخیر، هوش مصنوعی به یکی از مهم‌ترین فناوری‌های تحول‌آفرین در عرصه آموزش بدل شده و ظرفیت‌های چشمگیری را برای ارائه خدمات آموزشی شخصی‌سازی‌شده و تعاملی فراهم کرده است. با توجه اهمیت بکارگیری چنین فناوری‌های نوینی در حوزه آموزش، سرمایه‌گذاری در این حوزه به اولویتی استراتژیک برای موسسات آموزشی تبدیل شده است. به منظور اثربخشی سرمایه‌گذاری‌ها، تصمیم‌گیرندگان می‌بایست درک روشنی از فرصت‌ها و کاربردهای چنین فناوری‌هایی داشته باشند تا بهتر بتوانند جهت‌گیری ابتکارات مبتنی بر هوش مصنوعی در حوزه آموزش را همسو با اهداف کلان آموزشی سازند. علیرغم رشد محبوبیت مطالعات در این حوزه، طراحی چارچوبی یکپارچه از کاربردهای هوش مصنوعی در حوزه آموزشی که به واکاوی فرصت‌ها و نیز اولویت‌بندی آنها پرداخته باشد مورد غفلت واقع شده است. لذا هدف اصلی پژوهش پرکردن شکاف تئوریک با رویکردی آمیخته می‌باشد که در مرحله اول، به منظور شناسایی و دسته‌بندی کاربردها علاوه بر مرور مطالعات این حوزه از روش کیفی گروه کانونی بهره گرفته شده است. در مرحله دوم، با استفاده از رویکرد کمی بهترین-بدترین به اولویت‌بندی کاربردهای شناسایی شده در مرحله قبل پرداخته شده است. یافته‌های پژوهش نشان می‌دهد که چارچوب پیشنهادی پژوهش شامل سه لایه اصلی ابزارهای مبتنی بر هوش مصنوعی، کاربردها و ذی‌نفعان می‌باشد. دسته‌بندی اصلی کاربردها به ترتیب اولویت عبارتند از آموزش و یادگیری شخصی‌سازی‌شده، ارتباطات و تعاملات هوشمند آموزشی، برنامه‌ریزی مسیر آموزشی شخصی‌سازی‌شده، ارزیابی و بازخور هوشمند و مدیریت و اتوماسیون فرایندهای آموزشی. در این پژوهش با بهره‌گیری رویکرد آمیخته علاوه بر استخراج تجارب بین‌المللی و با بهره‌گیری از جلسات گروه کانونی به واکاوی دانش بومی خبرگان پرداخته شده تا الگویی کل‌نگرانه از کاربردهای هوش مصنوعی در آموزش طراحی گردد و در نهایت به اولویت‌بندی آنها پرداخته شده که در ادبیات کمتر به آن پرداخته شده است. چارچوب پیشنهادی به عنوان ابزاری مدیریتی بصیرتی راهبردی برای تصمیم‌گیران و سیاستگذاران حوزه هوشمندسازی آموزش فراهم سازد.</p>http://jour.aicti.ir/en/Article/Download/53813مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه فناوری اطلاعات و ارتباطات ایران2717-041118682026911Identification and Analysis of Key Drivers of AI Developmentشناسایی و تحلیل پیشرانهای کلیدی توسعه هوش مصنوعی 215227faلیلامنصوری فرگروه مدیریت فناوری و کارآفرینی، دانشکده مدیریت و حسابداری دانشگاه علامه طباطبایی، تهران، ایرانسید سروشقاضی نوریگروه مدیریت فناوری و کارآفرینی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبایی2026127<p style="direction: ltr;">Taking advantage of the innovative opportunities and economic benefits inherent in artificial intelligence, especially after 2022, requires the development of artificial intelligence and sound policymaking and careful planning for it. An important question that arises is what are the drivers of the development of artificial intelligence? Which obstacles and bottlenecks does this development face that, if resolved, can act as a driver for the development of artificial intelligence? And another question is whether there is a connection between these drivers? Among these drivers, which ones play a key role and influence others, and which ones have less influence on other drivers? The answers to these questions help policymakers to focus on key drivers in formulating policies that play a key role and have a decisive impact on other drivers, or play a strategic role in the system due to their influence on other drivers and their strong influence on them. In this study, nineteen key drivers were identified based on a study of research sources and obtaining expert opinions. Then, the direct and indirect relationships between these drivers were examined based on the interaction analysis (CIS) method and in the MICMAC software. Accordingly, two key drivers and eight strategic drivers were identified that need to be focused on by policymakers in the development of artificial intelligence. Also, eight independent and unrelated drivers were identified that neither have an impact on the system nor are they affected by it, and one variable was identified as being strongly affected by the system but without any impact on it.</p><p>بهره‌مندی از فرصت‌های نوآورانه و منافع اقتصادی مستتر در هوش مصنوعی به‌ویژه پس از سال 2022، مستلزم توسعه هوش مصنوعی و سیاستگذاری صحیح و برنامه‌ریزی دقیق برای آن است. سوال مهمی که مطرح می‌گردد این است که پیشران‌های توسعه هوش مصنوعی چیست؟ این توسعه با چه موانع و تنگناهایی مواجه است که رفع آنها می‌تواند به عنوان پیشران توسعه هوش مصنوعی عمل کند؟ و سوال دیگر اینکه چه ارتباطی میان این پیشران‌ها با یکدیگر وجود دارد؟ در میان این پیشران‌ها کدامیک نقش کلیدی داشته و بر سایرین تاثیر می‌گذارند و کدامیک تاثیر کمتری بر سایر پیشران‌ها دارند؟ پاسخ این سوالات به سیاستگذاران کمک می‌کند که در تدوین سیاست‌ها، بر پیشران‌های کلیدی متمرکز گردند که نقش کلیدی داشته و تاثیر تعیین‌کننده‌ای بر سایر پیشران‌ها دارند، یا به دلیل تاثیرگذاری بر سایر پیشران‌ها و تاثیرپذیری شدید از آنان نقش راهبردی در سیستم ایفا می‌کنند. در این تحقیق، نوزده پیشران کلیدی بر مبنای مطالعه منابع مطالعاتی و اخذ نظرات خبرگان شناسایی شدند. سپس روابط مستقیم و غیر مستقیم میان این پیشران‌ها بر اساس روش تحلیل اثرات متقابل (CIS) و در نرم‌افزار میک‌مک مورد بررسی قرار گرفت. بر این اساس، دو پیشران کلیدی و هشت پیشران راهبردی شناسایی شدند که لازم است مورد تمرکز سیاستگذاران توسعه هوش مصنوعی قرار گیرند. همچنین هشت پیشران مستقل و غیر مرتبط با سیستم شناخته شدند که نه تاثیری بر سیستم دارند و نه از آن تاثیر می‌پذیرند و یک متغیر به شدت متاثر از سیستم اما بدون تاثیر بر آن شناخته شد.</p>http://jour.aicti.ir/en/Article/Download/52827مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه فناوری اطلاعات و ارتباطات ایران2717-041118682026911A Systematic Method for Prioritizing Stakeholders in Data Governance Steering Committees: An Organizational Data Ecosystem Approach روشی نظاممند برای اولویتبندی ذینفعان در کمیتهی راهبری حکمرانی داده بر اساس اکوسیستم دادهی سازمان228249faفهیمه سلیمی کوچیگروه مدیریت فناوری اطلاعات، دانشکده مدیریت و اقتصاد، دانشگاه تربیت مدرس0009-0003-0584-3525ابوالقاسم سرآبادانیگروه مدیریت فناوری اطلاعات، دانشکده مدیریت و اقتصاد، دانشگاه تربیت مدرس، تهران، ایران0000-0002-5915-6363202628<p style="direction: ltr;">In today’s data-driven economy, data governance is not merely a technical and control requirement but a strategic capability for enhancing efficiency, ensuring compliance, and creating value from data assets. In this context, identifying key stakeholders and determining how they should participate in the data governance steering committee remain important yet insufficiently addressed issues. To address this gap, this study proposes the Data Ecosystem Stakeholder Prioritization Algorithm (DESPA), a systematic, data-driven method for identifying and prioritizing stakeholders within an organization’s data ecosystem. By considering the business importance of datasets, the frequency of data exchanges, and the direction of data flows, DESPA calculates stakeholders’ relative importance and classifies them according to their appropriate mode of participation in the steering committee. The study’s main contribution is to provide a quantitative, transparent, and reproducible basis for translating data-exchange relationships into specific recommendations regarding committee composition and stakeholder roles. The applicability of the method was examined through a realistic scenario involving a hypothetical petrochemical holding company. The results demonstrate that DESPA can distinguish between the number of data relationships and stakeholders’ substantive importance, classifying them into three categories: core, advisory, and regular stakeholders. Accordingly, the proposed method reduces reliance on subjective judgments, supports the determination of appropriate membership arrangements in data governance steering committees, and can serve as a decision-support tool for large, multi-stakeholder organizations.</p><p>در اقتصاد داده‌محور امروز، حکمرانی داده صرفاً یک الزام فنی و کنترلی نیست، بلکه قابلیتی راهبردی برای ارتقای کارایی، تضمین انطباق و خلق ارزش از دارایی‌های داده‌ای به شمار می‌رود. در این میان، شناسایی ذی‌نفعان کلیدی و تعیین نحوه مشارکت آنان در کمیته راهبری، یکی از مسائل مهم و در عین حال کمتر تبیین‌شده در حوزه‌ی حکمرانی داده است. این پژوهش با هدف پاسخ‌گویی به این مسئله، الگوریتمی نظام‌مند و داده‌محور با عنوان «DESPA» برای شناسایی و اولویت‌بندی ذی‌نفعان اکوسیستم داده ارائه می‌کند. الگوریتم پیشنهادی با درنظرگرفتن اهمیت مجموعه‌داده برای کسب‌وکار، فراوانی تبادل و جهت جریان داده، اهمیت نسبی ذی‌نفعان را محاسبه و آنان را از نظر نوع مشارکت در کمیته راهبری طبقه‌بندی می‌کند. نوآوری پژوهش در فراهم‌کردن مبنایی کمّی، شفاف و تکرارپذیر برای تبدیل روابط واقعی تبادل داده به پیشنهاد مشخصی درباره ترکیب کمیته و نقش هر ذی‌نفع است. قابلیت کاربرد روش با اجرای آن در سناریوی واقع‌نمای یک هلدینگ فرضی پتروشیمی بررسی شد. نتایج نشان داد که DESPA می‌تواند میان تعداد روابط داده‌ای و اهمیت واقعی ذی‌نفعان تمایز قائل شود و آنان را در سه سطح هسته‌ای، مشورتی و عادی طبقه‌بندی کند. بر این اساس، روش پیشنهادی ضمن کاهش اتکا به قضاوت‌های سلیقه‌ای، امکان تعیین نوع عضویت ذی‌نفعان در کمیته راهبری حکمرانی داده را فراهم می‌سازد و می‌تواند به‌عنوان ابزاری تصمیم‌یار در سازمان‌های بزرگ و چندذی‌نفعی به کار گرفته شود.</p>http://jour.aicti.ir/en/Article/Download/52968مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه فناوری اطلاعات و ارتباطات ایران2717-041118682026911Improvement of the Arctic Puffin Metaheuristic Algorithm Based on a Chaotic Mapبهبود الگوریتم فرا ابتکاری پافین قطبی مبتنی بر نگاشت آشوب250271fa حمیدرضا قاسمیگروه مهندسی کامپیوتر و فناوری اطلاعات، واحد سبزوار، دانشگاه آزاد اسلامی، سبزوار، ایرانعلی اکبرنقابیگروه مهندسی کامپیوتر و فناوری اطلاعات، واحد سبزوار، دانشگاه آزاد اسلامی، سبزوار، ایران0000-0003-2147-7441بابکلطفیگروه مهندسی کامپیوتر و فناوری اطلاعات، واحد سبزوار، دانشگاه آزاد اسلامی، سبزوار، ایران000900029770038X2025721<p style="direction: ltr;"> The Arctic Puffin Optimization (APO) algorithm, introduced in 2024, is inspired by the hunting behavior of puffins in aerial and marine environments and utilizes swarm intelligence concepts to model the collective movements of puffins. By employing various movement strategies, this algorithm aims to establish an appropriate balance between exploration and exploitation processes in the search space. However, the dependence of some search stages on random processes may lead to irregular variations in the movement trajectories of search agents, reduced control over population diversity, and an increased risk of premature convergence. In this study, an improved version of the Arctic Puffin Optimization algorithm, referred to as the Chaotic Arctic Puffin Algorithm (CAPA), is proposed. The proposed approach incorporates a Logistic chaotic map to enhance the generation quality of search-guiding parameters and improve the movement behavior of optimization agents. By exploiting the nonlinear properties and effective space-filling capability of chaotic sequences, the proposed mechanism aims to achieve a more effective balance between exploration and exploitation. The performance of the proposed algorithm is evaluated on 12 benchmark functions with different dimensions and compared with the original Arctic Puffin Optimization algorithm as well as several well-established metaheuristic algorithms, including Grey Wolf Optimizer (GWO), Whale Optimization Algorithm (WOA), Salp Swarm Algorithm (SSA), and their chaotic variants. The experimental results demonstrate that the Chaotic Arctic Puffin Algorithm improves solution quality, search stability, and convergence behavior compared with the original APO algorithm, while maintaining competitive performance against other reference methods. Furthermore, the results of the Wilcoxon signed-rank test and Friedman test confirm that the performance difference between the proposed algorithm and the original Arctic Puffin Optimization algorithm is statistically significant.</p><p>الگوریتم پافین قطبی که در سال ۲۰۲۴ معرفی شده، با الهام از رفتار شکار این پرنده در محیط‌های هوایی و دریایی طراحی شده و از مفاهیم هوش جمعی برای مدل‌سازی حرکت گروهی پافین‌ها استفاده می‌کند. این الگوریتم با بهره‌گیری از استراتژی‌های مختلف حرکتی، تلاش می‌کند تعادل مناسبی میان فرآیندهای اکتشاف و بهره‌برداری در فضای جستجو ایجاد کند. با این حال، وابستگی برخی از مراحل جستجوی این الگوریتم به فرآیندهای تصادفی می‌تواند موجب ایجاد تغییرات نامنظم در مسیر حرکت عامل‌ها، کاهش کنترل تنوع جمعیت و افزایش احتمال همگرایی زودهنگام شود.در این پژوهش، یک نسخه بهبودیافته از الگوریتم پافین قطبی با عنوان الگوریتم پافین قطبی آشوبی ارائه شده است که در آن از نگاشت آشوبی لجستیک به‌منظور بهبود کیفیت تولید مقادیر هدایت‌کننده جستجو و ارتقای رفتار حرکتی عامل‌ها استفاده می‌شود. سازوکار پیشنهادی با بهره‌گیری از ویژگی‌هایی نظیر غیرخطی بودن و پوشش مناسب فضای جستجو، تلاش می‌کند تعادل بهتری میان اکتشاف و بهره‌برداری ایجاد کند.عملکرد الگوریتم پیشنهادی بر روی ۱۲ تابع معیار در ابعاد مختلف ارزیابی شده و با الگوریتم پایه پافین قطبی و چندین الگوریتم فراابتکاری مطرح شامل گرگ خاکستری، بهینه‌سازی نهنگ، ازدحام سالپ‌ها و نسخه‌های آشوبی آن‌ها مقایسه شده است. نتایج تجربی نشان می‌دهد که الگوریتم پافین قطبی آشوبی در مقایسه با الگوریتم پایه پافین قطبی موجب بهبود کیفیت پاسخ‌ها، افزایش پایداری جستجو و رفتار همگرایی مناسب‌تر شده و در مقایسه با سایر روش‌های مرجع نیز عملکرد رقابتی ارائه می‌دهد. همچنین نتایج آزمون‌های آماری ویلکاکسون و فریدمن نشان داد که تفاوت عملکرد الگوریتم پیشنهادی نسبت به روش پایه الگوریتم پافین قطبی از نظر آماری معنادار است.</p>http://jour.aicti.ir/en/Article/Download/50911