انجام پایان نامه مهندسی کامپیوتر هوش مصنوعی + مشاوره، نگارش و اصلاح [ارشد و دکتری]
دوره تحصیلات تکمیلی، به ویژه در مقاطع کارشناسی ارشد و دکتری، نقطه عطفی در مسیر علمی هر دانشجویی محسوب میشود. در رشته مهندسی کامپیوتر با گرایش هوش مصنوعی، این مسیر با چالشها و فرصتهای بینظیری همراه است. هوش مصنوعی به سرعت در حال تکامل است و انجام یک پایان نامه موفق در این حوزه نه تنها نیازمند دانش عمیق نظری و مهارتهای برنامهنویسی بالاست، بلکه مستلزم بهروز بودن با آخرین پیشرفتها و رویکردهای نوین پژوهشی است.
این مقاله راهنمایی جامع برای دانشجویانی است که قصد انجام پایان نامه مهندسی کامپیوتر هوش مصنوعی در مقاطع ارشد و دکتری را دارند. از انتخاب موضوع تا دفاع نهایی، تمامی مراحل کلیدی را با دیدگاهی علمی و کاربردی بررسی خواهیم کرد. هدف، ارائه یک چارچوب فکری برای انجام یک پژوهش با کیفیت و اصیل است که نه تنها به ارتقاء دانش شما کمک کند، بلکه سهمی در پیشرفت حوزه هوش مصنوعی داشته باشد.
فهرست مطالب
- انتخاب موضوع پایان نامه هوش مصنوعی: پایه و اساس موفقیت
- مراحل نگارش پروپوزال: نقشه راه پژوهش
- جمعآوری و پیشپردازش دادهها: قلب پروژههای هوش مصنوعی
- انتخاب و توسعه مدل هوش مصنوعی: طراحی و پیادهسازی
- تحلیل نتایج و بحث: تفسیر دادهها و ارائه بینش
- نگارش مستندات پایان نامه: از مقدمه تا نتیجهگیری
- آمادگی برای دفاع از پایان نامه: ارائه موفقیتآمیز
- چالشهای رایج و راهکارهای مقابله
- سوالات متداول (FAQ)
انتخاب موضوع پایان نامه هوش مصنوعی: پایه و اساس موفقیت
انتخاب یک موضوع مناسب و نوآورانه، اولین و شاید مهمترین گام در مسیر انجام پایان نامه مهندسی کامپیوتر هوش مصنوعی است. این انتخاب باید با دقت فراوان و با در نظر گرفتن چندین عامل صورت گیرد.
معیارهای انتخاب موضوع:
- نوآوری و اصالت: موضوع شما باید یک جنبه جدید از مشکل را بررسی کند یا راهحلی نوین ارائه دهد. تکرار صرف کارهای قبلی ارزشی به پژوهش شما اضافه نمیکند.
- قابلیت اجرا: منابع لازم (داده، قدرت محاسباتی، ابزارها) و زمان کافی برای اتمام پروژه در دسترس باشد. اهداف باید واقعبینانه باشند.
- علاقه شخصی: انتخاب موضوعی که به آن علاقه دارید، انگیزه شما را در طول مسیر سخت پژوهش حفظ میکند.
- ارتباط با تخصص استاد راهنما: همکاری با استادی که در حوزه موضوع شما تخصص دارد، میتواند راهنماییهای ارزشمندی را فراهم کند.
- اهمیت و کاربردپذیری: موضوع باید دارای ارزش علمی و پتانسیل کاربردی در صنعت یا جامعه باشد.
💡 اینفوگرافیک: چهار ستون انتخاب موضوع هوش مصنوعی
- 🧠 نوآوری و خلاقیت: یافتن شکافهای پژوهشی و ایدههای تازه.
- ⚙️ قابلیت اجرا و منابع: اطمینان از امکانسنجی فنی و دسترسی به دادهها و ابزار.
- 💖 علاقه و تخصص: همسویی با علایق و مهارتهای شخصی و دانش استاد.
- 📈 ارزش علمی و کاربردی: پتانسیل برای پیشبرد دانش و حل مشکلات واقعی.
حوزههای داغ پژوهشی در هوش مصنوعی:
- یادگیری عمیق (Deep Learning): شبکههای عصبی پیچشی (CNN)، شبکههای عصبی بازگشتی (RNN)، ترانسفورمرها (Transformers) در بینایی ماشین، پردازش زبان طبیعی و تولید محتوا.
- پردازش زبان طبیعی (NLP): مدلهای زبانی بزرگ (LLM)، تحلیل احساسات، ترجمه ماشینی، خلاصهسازی متن.
- بینایی ماشین (Computer Vision): تشخیص شیء، تقسیمبندی تصاویر، تولید تصاویر، هوش مصنوعی مولد (Generative AI).
- یادگیری تقویتی (Reinforcement Learning): رباتیک، سیستمهای خودران، بهینهسازی فرآیندها، بازیها.
- هوش مصنوعی توضیحپذیر (Explainable AI – XAI): توسعه مدلهایی که تصمیمات خود را شفافسازی کنند.
- هوش مصنوعی اخلاقی و مسئولانه: بررسی بایاس در الگوریتمها، عدالت و حریم خصوصی.
- هوش مصنوعی در حوزه سلامت: تشخیص بیماریها، کشف دارو، پزشکی شخصیسازی شده.
مراحل نگارش پروپوزال: نقشه راه پژوهش
پروپوزال، سندی است که طرح کلی و اهداف پژوهش شما را مشخص میکند. نگارش یک پروپوزال قوی و مستند، از الزامات اصلی در مسیر انجام پایان نامه مهندسی کامپیوتر هوش مصنوعی است.
اجزای اصلی یک پروپوزال موفق:
- عنوان: باید گویا، مختصر و منعکسکننده محتوای اصلی پژوهش باشد.
- بیان مسئله: توضیح واضح مشکل موجود و چرایی نیاز به پژوهش شما. این بخش باید با استناد به منابع علمی معتبر، اهمیت مسئله را نشان دهد.
- اهداف پژوهش: شامل اهداف کلی و اهداف جزئی. اهداف باید SMART باشند (Specific, Measurable, Achievable, Relevant, Time-bound).
- سوالات پژوهش و فرضیهها: سوالاتی که پژوهش به دنبال پاسخگویی به آنهاست و فرضیههایی که قرار است آزمون شوند.
- ادبیات پژوهش (Literature Review): مروری جامع بر کارهای قبلی انجام شده در حوزه موضوعی شما. این بخش باید شکافهای پژوهشی را مشخص کند و نشان دهد که پژوهش شما چگونه این شکافها را پر میکند.
- روش تحقیق (Methodology): توضیح دقیق رویکرد، الگوریتمها، مجموعهدادهها، ابزارها و مراحل پیادهسازی. باید آنقدر شفاف باشد که یک محقق دیگر بتواند آن را تکرار کند.
- نوآوری پژوهش: بیان صریح جنبههای جدید و متمایز کار شما نسبت به تحقیقات پیشین.
- برنامهزمانی (Timetable): گانت چارت یا جدول زمانبندی مراحل مختلف پروژه.
- منابع: فهرست منابع مورد استفاده در پروپوزال با فرمت استاندارد (مثلاً IEEE یا APA).
جمعآوری و پیشپردازش دادهها: قلب پروژههای هوش مصنوعی
کیفیت و حجم دادهها نقش حیاتی در موفقیت یک مدل هوش مصنوعی ایفا میکنند. این مرحله به خصوص در پایان نامه مهندسی کامپیوتر هوش مصنوعی بسیار زمانبر و چالشبرانگیز است.
انواع دادهها و منابع:
- دادههای ساختاریافته: جداول، پایگاههای داده (SQL)، دادههای حسگر.
- دادههای نیمهساختاریافته: XML، JSON.
- دادههای بدون ساختار: تصاویر، ویدئوها، متن، صوت.
- منابع داده: مخازن عمومی (Kaggle, UCI Machine Learning Repository), API های مختلف، جمعآوری اختصاصی (با رعایت مسائل اخلاقی و حریم خصوصی).
چالشها و تکنیکهای پیشپردازش:
- دادههای گمشده (Missing Values): شناسایی و جایگزینی (Imputation) با میانگین، میانه، مد یا تکنیکهای پیشرفتهتر.
- دادههای پرت (Outliers): شناسایی و حذف یا اصلاح آنها.
- نویز (Noise): فیلتر کردن و کاهش اثر دادههای نامعتبر.
- نرمالسازی و استانداردسازی: مقیاسبندی دادهها برای بهبود عملکرد مدل.
- برچسبگذاری (Labeling): فرآیند اختصاص دادن برچسب به دادهها، که در یادگیری نظارت شده ضروری است.
- تقویت داده (Data Augmentation): به ویژه برای تصاویر، با ایجاد نسخههای مختلف از دادههای موجود (چرخش، برش، تغییر رنگ).
انتخاب و توسعه مدل هوش مصنوعی: طراحی و پیادهسازی
این مرحله هسته اصلی بخش عملی پایان نامه شماست و نیازمند درک عمیق از الگوریتمهای مختلف هوش مصنوعی و مهارتهای برنامهنویسی است.
فرآیند انتخاب و پیادهسازی مدل:
- شناسایی وظیفه: آیا مسئله شما یک طبقهبندی (Classification)، رگرسیون (Regression)، خوشهبندی (Clustering)، یا یک وظیفه پیچیدهتر مانند تولید محتواست؟
- انتخاب الگوریتم: بر اساس نوع وظیفه، نوع داده و منابع موجود، الگوریتم مناسب را انتخاب کنید (مثلاً SVM، درخت تصمیم، شبکههای عصبی، …).
- انتخاب فریمورک: استفاده از فریمورکهایی مانند TensorFlow, PyTorch, Scikit-learn, Keras میتواند به سرعت و کارایی پیادهسازی کمک کند.
- طراحی معماری مدل: به خصوص در یادگیری عمیق، طراحی صحیح معماری شبکه (تعداد لایهها، نوع لایهها، توابع فعالسازی) بسیار مهم است.
- آموزش و بهینهسازی مدل: مدل را با دادههای آموزشی تعلیم دهید و با استفاده از دادههای اعتبارسنجی (Validation Set) هایپرپارامترها را بهینهسازی کنید.
- اعتبارسنجی مدل: ارزیابی عملکرد مدل بر روی دادههای آزمایشی (Test Set) که قبلاً دیده نشدهاند.
نمونههایی از کاربرد مدلهای هوش مصنوعی
| نوع مدل/رویکرد | کاربرد رایج |
|---|---|
| شبکههای عصبی پیچشی (CNN) | تشخیص چهره، طبقهبندی تصاویر، تحلیل رادیولوژی |
| شبکههای عصبی بازگشتی (RNN/LSTM/GRU) | پیشبینی سریهای زمانی، ترجمه ماشینی، تولید متن |
| یادگیری تقویتی (Reinforcement Learning) | رباتیک، سیستمهای خودمختار، بازیهای هوشمند |
| مدلهای ترانسفورمر (Transformers) | مدلهای زبانی بزرگ (LLM)، خلاصهسازی و تولید متن |
| درختهای تصمیم و جنگل تصادفی | طبقهبندی و رگرسیون، تحلیل ریسک مالی |
تحلیل نتایج و بحث: تفسیر دادهها و ارائه بینش
پس از پیادهسازی و آموزش مدل، نوبت به تحلیل دقیق نتایج و ارائه بحثی جامع در مورد یافتهها میرسد. این بخش نشان میدهد که شما چقدر عمیقاً کار خود را درک کردهاید.
معیارهای ارزیابی عملکرد مدل:
- برای مسائل طبقهبندی: دقت (Accuracy)، پرسیژن (Precision)، ریکاڵ (Recall)، F1-score، AUC-ROC، ماتریس درهمریختگی (Confusion Matrix).
- برای مسائل رگرسیون: میانگین خطای مطلق (MAE)، میانگین خطای مربعات (MSE)، ریشه میانگین خطای مربعات (RMSE)، R-squared.
- برای مسائل خوشهبندی: Silhouette Score, Davies-Bouldin Index.
نکات کلیدی در بخش بحث:
- مقایسه با کارهای قبلی: نتایج خود را با کارهای مشابه (State-of-the-Art) مقایسه کنید و دلایل بهتر یا بدتر بودن عملکرد را تحلیل کنید.
- تفسیر یافتهها: توضیح دهید که نتایج چه معنایی دارند و چه بینشهایی را ارائه میدهند. چرا مدل شما به این شکل عمل کرده است؟
- محدودیتهای پژوهش: صادقانه به محدودیتهای کار خود (مانند حجم داده، پیچیدگی مدل، زمان محاسباتی) اشاره کنید.
- پیشنهادات برای کارهای آتی: بر اساس یافتهها و محدودیتها، مسیرهای احتمالی برای تحقیقات آینده را مشخص کنید.
نگارش مستندات پایان نامه: از مقدمه تا نتیجهگیری
نگارش خود پایان نامه، فرآیند جمعآوری، سازماندهی و ارائه تمامی مراحل و یافتههای پژوهش شماست. ساختار استاندارد و نگارش روان و علمی از اهمیت بالایی برخوردار است.
ساختار کلی پایان نامه:
- فصل اول: مقدمه و کلیات پژوهش: شامل بیان مسئله، اهمیت، اهداف، سوالات، فرضیهها و ساختار پایان نامه.
- فصل دوم: ادبیات پژوهش و کارهای مرتبط: مروری جامع بر پیشینه تحقیق، دستاوردهای قبلی و شناسایی شکافها.
- فصل سوم: روش تحقیق: توضیح دقیق روششناسی، الگوریتمها، مجموعهدادهها، ابزارهای استفاده شده و مراحل پیادهسازی.
- فصل چهارم: پیادهسازی و نتایج: ارائه جزئیات پیادهسازی، نتایج آزمایشها، نمودارها و جداول.
- فصل پنجم: بحث، نتیجهگیری و پیشنهادات: تحلیل نتایج، مقایسه با کارهای قبلی، جمعبندی کلی، محدودیتها و مسیرهای آتی.
- منابع و مراجع: فهرست تمامی منابع مورد استفاده با فرمت استاندارد (مثلاً IEEE، APA).
- پیوستها: کدهای منبع، دادههای تکمیلی، اسناد اضافی.
نکات نگارشی و فرمتبندی:
- زبان علمی و رسمی: استفاده از ادبیات رسمی و آکادمیک.
- ارجاعدهی دقیق: تمامی منابع باید به درستی و با فرمت مشخص ارجاع داده شوند تا از سرقت علمی جلوگیری شود.
- استفاده از شکلها و جداول: برای نمایش بهتر دادهها و نتایج، از شکلها و جداول واضح و باکیفیت استفاده کنید. هر شکل و جدول باید دارای عنوان و شماره باشد.
- ویرایش و بازبینی: پس از اتمام نگارش، چندین بار متن را بازبینی کنید تا از صحت املایی، نگارشی و علمی آن اطمینان حاصل شود. بهرهگیری از ویراستاران متخصص میتواند بسیار مفید باشد.
- ابزارهای نگارش: استفاده از نرمافزارهایی مانند LaTeX برای فرمتبندی علمی و ابزارهای مدیریت رفرنس مانند Mendeley یا Zotero توصیه میشود.
آمادگی برای دفاع از پایان نامه: ارائه موفقیتآمیز
دفاع از پایان نامه، اوج تلاشهای پژوهشی شماست. این مرحله فرصتی است تا کار خود را به هیئت داوران ارائه دهید و به سوالات آنها پاسخ دهید.
نکات کلیدی برای دفاع موفق:
- تهیه اسلاید جذاب و مختصر: اسلایدهای شما باید نکات کلیدی را به صورت خلاصه و بصری ارائه دهند. از متن زیاد پرهیز کرده و بیشتر از نمودارها، تصاویر و اینفوگرافیکها استفاده کنید.
- تمرین و تکرار: ارائه خود را چندین بار تمرین کنید تا به زمانبندی و روانی آن مسلط شوید.
- تسلط بر محتوا: بر تمامی جنبههای پایان نامه خود مسلط باشید؛ از جزئیات فنی تا ادبیات پژوهش و نتایج.
- پیشبینی سوالات: سعی کنید سوالات احتمالی داوران را پیشبینی کرده و برای آنها پاسخهای آماده داشته باشید. به خصوص روی نقاط ضعف احتمالی کار خود تمرکز کنید.
- اعتماد به نفس و آرامش: با اعتماد به نفس و آرامش پاسخ دهید. اگر سوالی را نمیدانستید، صادقانه بگویید که نیاز به بررسی بیشتر دارید یا این موضوع فراتر از محدوده فعلی پژوهش شماست.
- مدیریت زمان: زمان ارائه و پاسخ به سوالات را به خوبی مدیریت کنید.
چالشهای رایج در انجام پایان نامه هوش مصنوعی و راهکارهای مقابله
مسیر انجام پایان نامه مهندسی کامپیوتر هوش مصنوعی خالی از چالش نیست. آگاهی از این موانع و داشتن راهکارهای مناسب، میتواند به شما در گذر موفق از آنها کمک کند.
- کمبود دادههای باکیفیت:
- راهکار: بررسی دقیق مخازن داده عمومی، استفاده از تکنیکهای Data Augmentation، ایجاد دادههای مصنوعی (Synthetic Data) یا جمعآوری دادهها با پروتکلهای اخلاقی.
- پیچیدگی فنی و کمبود مهارت:
- راهکار: تقویت مهارتهای برنامهنویسی (پایتون، R)، یادگیری عمیق فریمورکها (TensorFlow, PyTorch)، شرکت در دورههای آموزشی تخصصی. بهرهگیری از راهنماییهای تخصصی میتواند به تسریع این فرآیند کمک کند.
- گستردگی و سرعت تغییر در حوزه هوش مصنوعی:
- راهکار: محدود کردن دامنه پژوهش به یک زیرمجموعه خاص، مطالعه مداوم مقالات و کنفرانسهای معتبر (arXiv, NeurIPS, ICML, CVPR)، پیگیری متخصصین و لابراتوارهای فعال.
- تعیین محدوده پروژه (Scope Creep):
- راهکار: از ابتدا اهداف و مرزهای پروژه را به وضوح تعریف کنید و در طول مسیر به آنها پایبند باشید. از اضافه کردن مداوم ایدههای جدید به پروژه خودداری کنید.
- مشکلات محاسباتی:
- راهکار: استفاده از GPU های موجود در دانشگاه، پلتفرمهای ابری (Google Colab Pro, AWS, Azure)، بهینهسازی کد برای کارایی بیشتر.
- عدم اصالت و نوآوری کافی:
- راهکار: مرور ادبیات پژوهش به صورت گسترده و عمیق برای شناسایی شکافها، مشاوره با استاد راهنما و سایر متخصصان برای ایدهپردازی، تمرکز بر یک جنبه خاص و عمیق شدن در آن.
سوالات متداول (FAQ) در مورد پایان نامه هوش مصنوعی
سوال ۱: چه مدت زمانی برای انجام یک پایان نامه ارشد هوش مصنوعی لازم است؟
پاسخ: معمولاً برای مقطع کارشناسی ارشد، ۶ تا ۱۲ ماه زمان نیاز است، بسته به پیچیدگی موضوع، دسترسی به منابع و میزان پیشزمینه دانشجو. اما برای مقطع دکتری، این زمان میتواند از ۱۸ ماه تا ۳ سال متغیر باشد که بخش قابل توجهی از آن صرف پژوهشهای اولیه، نگارش مقالات علمی و انجام آزمایشهای پیچیدهتر میشود. برنامهریزی دقیق و مدیریت زمان برای هر دو مقطع حیاتی است.
سوال ۲: آیا انتخاب یک موضوع کاملاً جدید در هوش مصنوعی ضروری است؟
پاسخ: نه لزوماً یک موضوع “کاملاً جدید” که هیچ کس به آن نپرداخته باشد، بلکه “نوآوری و اصالت” اهمیت دارد. این نوآوری میتواند در ارائه یک روش جدید برای حل یک مسئله قدیمی، اعمال یک رویکرد موجود در یک حوزه جدید، بهبود کارایی یک الگوریتم، یا استفاده از دادههای متفاوت باشد. مهم این است که شما سهمی جدید به دانش موجود اضافه کنید.
سوال ۳: چه ابزارهایی برای پیادهسازی پروژههای هوش مصنوعی توصیه میشود؟
پاسخ: زبان برنامهنویسی پایتون به همراه فریمورکهایی مانند TensorFlow، PyTorch و Keras در کنار کتابخانههایی مانند Scikit-learn، Pandas، NumPy و Matplotlib از محبوبترین و قدرتمندترین ابزارها هستند. برای مدیریت کد، گیت (Git) و گیتهاب (GitHub) نیز ضروریاند. برای نگارش مستندات علمی، لاتک (LaTeX) به دلیل قابلیتهای فرمتبندی عالی توصیه میشود.
سوال ۴: نقش مشاوره و راهنمایی متخصصان در این مسیر چیست؟
پاسخ: بهرهگیری از مشاوره متخصصان و افرادی که تجربه عملی در نگارش پایان نامه هوش مصنوعی دارند، میتواند به شدت در صرفهجویی زمان، جلوگیری از اشتباهات رایج، انتخاب بهترین مسیر پژوهشی و اطمینان از کیفیت نهایی کار کمک کند. این راهنمایی شامل انتخاب موضوع، تدوین پروپوزال، راهنمایی در پیادهسازی فنی، تحلیل نتایج، نگارش علمی و آمادهسازی برای دفاع است. این امر به خصوص در مقطع دکتری که انتظار اصالت و عمق پژوهشی بالاتری وجود دارد، حیاتیتر است.
انجام یک پایان نامه موفق در حوزه مهندسی کامپیوتر گرایش هوش مصنوعی در مقاطع ارشد و دکتری، سفری علمی پر چالش و در عین حال بسیار ارزشمند است. با برنامهریزی دقیق، انتخاب هوشمندانه موضوع، تسلط بر متدولوژیهای پژوهش، مهارتهای فنی و نگارشی قوی و همچنین بهرهگیری از راهنماییهای تخصصی، میتوانید به بهترین نتایج دست یابید.
به یاد داشته باشید که هر پایان نامه، فرصتی برای افزودن به گنجینه دانش بشری و رشد فردی شماست. با تعهد و پشتکار، میتوانید این مسیر را با موفقیت طی کرده و به یک متخصص برجسته در دنیای پویای هوش مصنوعی تبدیل شوید.
/* General styles for better readability and responsiveness */
body {
font-family: ‘Vazirmatn’, sans-serif; /* Assuming Vazirmatn is loaded or a fallback is used */
line-height: 1.8;
color: #333;
background-color: #f8f9fa;
margin: 0;
padding: 0;
}
h1 {
font-size: 2.5em;
font-weight: bold;
color: #1a2a47;
text-align: center;
margin-bottom: 30px;
line-height: 1.3;
padding: 0 10px; /* Added for responsiveness on small screens */
}
h2 {
font-size: 2em;
font-weight: bold;
color: #2e4a8a;
margin-top: 40px;
margin-bottom: 20px;
padding: 0 10px;
}
h3 {
font-size: 1.5em;
font-weight: bold;
color: #3b5a9d;
margin-top: 30px;
margin-bottom: 15px;
padding: 0 10px;
}
p {
font-size: 1.1em;
margin-bottom: 25px;
padding: 0 10px;
}
ul {
list-style: none;
padding-left: 0;
margin-bottom: 25px;
padding: 0 10px;
}
ul li {
margin-bottom: 8px;
padding-left: 15px; /* Adjust for bullet points */
position: relative;
}
ul li::before {
content: “•”; /* Custom bullet point */
color: #4a75b7;
font-weight: bold;
display: inline-block;
width: 1em;
margin-left: -1em;
position: absolute;
right: 0; /* Adjust for RTL */
text-align: right;
}
ul li ul {
margin-top: 5px;
padding-right: 20px; /* Adjust for RTL */
list-style-type: circle;
padding-left: 0; /* Reset for nested lists */
}
ul li ul li::before {
content: “•”; /* Custom bullet point */
color: #6cb6ff;
font-weight: bold;
display: inline-block;
width: 1em;
margin-left: -1em;
position: absolute;
right: 0; /* Adjust for RTL */
text-align: right;
}
a {
color: #4a75b7;
text-decoration: none;
font-weight: 500;
}
a:hover {
text-decoration: underline;
color: #2e4a8a;
}
/* Table Specific Styles */
table {
width: 100%;
border-collapse: collapse;
margin-bottom: 30px;
border: 1px solid #ddd;
background-color: #ffffff;
font-size: 1em; /* Ensure readability */
}
table thead {
background-color: #e0f2f7;
color: #2e4a8a;
}
table th, table td {
padding: 12px;
text-align: right; /* RTL alignment */
border: 1px solid #ddd;
}
table th {
font-size: 1.1em;
font-weight: bold;
}
/* Infographic Style Block */
.infographic-block {
background-color: #f0f8ff;
border-right: 5px solid #6cb6ff; /* RTL border */
padding: 20px;
margin: 30px 0;
border-radius: 8px;
}
.infographic-block h3 {
color: #2e4a8a;
margin-top: 0;
padding: 0;
}
.infographic-block ul {
list-style: none;
padding-left: 0;
padding-right: 0; /* Reset for infographic specific list */
}
.infographic-block ul li {
margin-bottom: 10px;
display: flex;
align-items: center;
padding-left: 0; /* Reset for infographic specific list */
}
.infographic-block ul li::before {
content: none; /* Remove default bullet */
}
.infographic-block ul li span {
font-size: 1.8em;
margin-left: 10px; /* RTL margin */
margin-right: 0;
flex-shrink: 0;
}
.infographic-block ul li strong {
color: #333;
flex-grow: 1;
}
/* FAQ Section Style */
.faq-section {
background-color: #f7f9fc;
border-radius: 8px;
padding: 25px;
margin-bottom: 30px;
}
.faq-section h3 {
color: #3b5a9d;
margin-top: 0;
margin-bottom: 20px;
padding: 0;
}
.faq-section p {
margin-bottom: 20px;
padding: 0;
}
/* Responsive adjustments */
@media (max-width: 768px) {
h1 {
font-size: 2em;
}
h2 {
font-size: 1.7em;
}
h3 {
font-size: 1.3em;
}
p, ul li, table th, table td {
font-size: 1em;
}
.infographic-block ul li {
flex-direction: column; /* Stack icon and text on small screens */
align-items: flex-end; /* RTL alignment */
text-align: right;
}
.infographic-block ul li span {
margin-right: 0;
margin-bottom: 5px;
}
table {
display: block;
overflow-x: auto; /* Enable horizontal scrolling for tables */
white-space: nowrap; /* Prevent wrapping table content */
}
table thead, table tbody, table th, table td, table tr {
display: block;
}
table tr {
margin-bottom: 10px;
border: 1px solid #ddd;
}
table td {
text-align: right;
border: none;
border-bottom: 1px solid #eee;
position: relative;
padding-left: 50%; /* Space for pseudo-element label */
}
table td::before {
content: attr(data-label); /* Use data-label for column header */
position: absolute;
right: 6px; /* RTL positioning */
width: 45%;
padding-right: 10px;
font-weight: bold;
text-align: left; /* Label itself is left-aligned */
box-sizing: border-box;
}
/* Hide table headers (but not display: none;, for accessibility) */
table thead tr {
position: absolute;
top: -9999px;
left: -9999px;
}
}
/* Adding data-labels for responsive table */
@media (max-width: 768px) {
table td:nth-of-type(1)::before { content: “نوع مدل/رویکرد”; }
table td:nth-of-type(2)::before { content: “کاربرد رایج”; }
}