آیا به دنبال نگارش یک پروپوزال هوش مصنوعی قدرتمند هستید که شانس پذیرش پروژه‌تان را تا حد چشمگیری افزایش دهد؟
ما اینجا هستیم تا شما را در این مسیر پیچیده راهنمایی کنیم. از ایده اولیه تا نگارش نهایی، با تخصص ما می‌توانید پروپوزالی بی‌نقص و متقاعدکننده ارائه دهید. همین حالا با متخصصان ما تماس بگیرید و آینده پروژه خود را تضمین کنید!
تماس بگیرید: 09356661302

پروپوزال نویسی در موضوع هوش مصنوعی: راهنمای جامع و کاربردی

نقشه راه نگارش پروپوزال هوش مصنوعی (خلاصه مقاله)

۱. ایده تا ساختار

شناسایی مشکل و نوآوری
تدوین عنوان و چکیده جذاب
تعریف اهداف واقع‌بینانه

۲. متودولوژی هوشمند

انتخاب الگوریتم‌های مناسب
توضیح جمع‌آوری و پیش‌پردازش داده
معیارهای ارزیابی عملکرد مدل

۳. منابع و زمان‌بندی

بودجه‌بندی دقیق و شفاف
برنامه‌ریزی زمانی واقع‌گرایانه
معرفی تیم و صلاحیت‌ها

۴. اثرگذاری و نوآوری

تأکید بر اهمیت نتایج
پوشش شکاف‌های تحقیقاتی
پتانسیل کاربردی و اجتماعی

مقدمه: چرا یک پروپوزال هوش مصنوعی قوی، کلید موفقیت است؟

در دنیای پر سرعت امروز که هوش مصنوعی (AI) با سرعتی باورنکردنی در حال دگرگون کردن صنایع مختلف است، توانایی شما در ارائه یک پروپوزال قانع‌کننده و جامع برای پروژه‌های مرتبط با این حوزه، اهمیت حیاتی دارد. چه به دنبال تامین بودجه برای یک استارتاپ نوپا باشید، چه قصد شروع یک مشاوره پایان نامه در مقطع تحصیلات تکمیلی داشته باشید، یا حتی بخواهید یک پروژه تحقیقاتی را به مرحله اجرا برسانید، پروپوزال شما نقش بلیط . به این دنیای هیجان‌انگیز را ایفا می‌کند. یک پروپوزال قوی نه تنها ایده شما را به وضوح بیان می‌کند، بلکه توانایی‌های شما را در برنامه‌ریزی، حل مسئله و درک عمیق حوزه هوش مصنوعی به نمایش می‌گذارد. بسیاری از افراد با داشتن ایده‌های عالی در زمینه یادگیری ماشین، یادگیری عمیق، پردازش زبان طبیعی یا بینایی ماشین، به دلیل ضعف در نگارش پروپوزال، در جلب حمایت و شروع کار خود ناکام می‌مانند. هدف این مقاله، ارائه یک راهنمای جامع و گام به گام است تا بتوانید پروپوزالی بنویسید که نه تنها از لحاظ علمی محکم باشد، بلکه از نظر ساختاری نیز بی‌عیب و نقص و متقاعدکننده باشد.

ساختار بنیادین یک پروپوزال هوش مصنوعی

قبل از اینکه وارد جزئیات شویم، لازم است درک روشنی از اسکلت اصلی یک پروپوزال موفق داشته باشیم. هر پروپوزالی، صرف‌نظر از موضوع یا پیچیدگی آن، از اجزای مشخصی تشکیل شده است که هر کدام وظیفه خاصی را بر عهده دارند. در حوزه هوش مصنوعی، این اجزا باید با دقت و ظرافت بیشتری تدوین شوند تا ماهیت فنی و نوآورانه پروژه به خوبی منعکس گردد.

۱. عنوان و چکیده: اولین تاثیر، ماندگارترین تاثیر

عنوان پروپوزال شما باید کوتاه، گویا و در عین حال جذاب باشد. عنوانی که بتواند در چند کلمه، محتوای اصلی پروژه شما را به ذهن خواننده متبادر کند، یک گام بزرگ به جلو است. مثلاً به جای “یک سیستم هوش مصنوعی”، بهتر است از “توسعه یک مدل یادگیری عمیق برای تشخیص زودهنگام بیماری X با استفاده از تصاویر رادیولوژی” استفاده کنید.

چکیده (Abstract) نیز عصاره پروپوزال شماست و معمولاً اولین قسمتی است که داوران می‌خوانند. در چکیده باید به طور خلاصه به مشکل موجود، راه‌حل پیشنهادی با رویکرد هوش مصنوعی، متودولوژی اصلی (مثلاً استفاده از شبکه عصبی پیچشی یا مدل‌های Transformer)، نوآوری پروژه، و نتایج مورد انتظار اشاره کنید. چکیده باید بین ۱۵۰ تا ۳۰۰ کلمه باشد و بتواند خواننده را ترغیب کند تا ادامه پروپوزال را بخواند.

۲. بیان مسئله و اهمیت آن: چرا این پروژه ضروری است؟

این بخش محلی برای تشریح مشکلی است که پروژه شما قصد حل آن را دارد. در حوزه هوش مصنوعی، بیان مسئله باید شامل موارد زیر باشد:

توصیف دقیق مشکل: مشکل فعلی چیست و چه کسانی را تحت تاثیر قرار می‌دهد؟ (مثلاً سرعت پایین تشخیص بیماری، حجم بالای داده‌های غیرقابل تحلیل، نیاز به بهینه‌سازی فرآیندهای صنعتی).
شکاف تحقیقاتی: چه راه‌حل‌هایی تاکنون برای این مشکل ارائه شده‌اند و نقص‌های آنها چیست؟ چرا راه‌حل‌های موجود کافی نیستند؟ این قسمت اهمیت نوآوری شما را برجسته می‌کند.
اهمیت و ضرورت: چرا حل این مشکل مهم است؟ چه تاثیرات مثبتی بر جامعه، صنعت یا علم خواهد داشت؟ استفاده از آمار و ارقام می‌تواند اعتبار بخش شما را افزایش دهد.

فراموش نکنید که در این قسمت، باید به شکلی قانع‌کننده نشان دهید که هوش مصنوعی تنها راهکار ممکن یا بهترین راهکار برای حل این چالش خاص است.

۳. اهداف پروژه: مسیر و مقصد شما

اهداف باید مشخص (Specific)، قابل اندازه‌گیری (Measurable)، قابل دستیابی (Achievable)، مرتبط (Relevant) و زمان‌بندی شده (Time-bound) باشند (معیار SMART).

هدف اصلی (Main Objective): هدف کلی و جامع پروژه چیست؟ (مثلاً بهبود دقت تشخیص بیماری X تا ۹۵%).
اهداف فرعی (Specific Objectives): گام‌های کوچکتر و قابل اندازه‌گیری که برای رسیدن به هدف اصلی باید برداشته شوند. (مثلاً جمع‌آوری و پیش‌پردازش مجموعه داده‌های Y، توسعه مدل شبکه عصبی Z، ارزیابی عملکرد مدل با معیار A و B).

در بخش مقالات ما می‌توانید نمونه‌های بیشتری از نحوه نگارش اهداف SMART را بیابید.

۴. پیشینه تحقیق (Literature Review): کجا ایستاده‌اید؟

در این بخش باید مروری جامع و انتقادی بر کارهای قبلی انجام شده در حوزه موضوعی خود داشته باشید. این مرور نه تنها نشان می‌دهد که شما از آخرین دستاوردهای علمی آگاه هستید، بلکه به شما کمک می‌کند تا نوآوری پروژه خود را برجسته‌تر کنید. در حوزه هوش مصنوعی، پیشینه تحقیق باید شامل موارد زیر باشد:

مقالات کلیدی: معرفی و تحلیل مهم‌ترین مقالات، کتاب‌ها و پروژه‌های مرتبط.
روش‌شناسی‌های قبلی: توضیح روش‌ها و الگوریتم‌های هوش مصنوعی که قبلاً برای مسائل مشابه به کار گرفته شده‌اند.
نقد و تحلیل: شناسایی نقاط قوت و ضعف کارهای قبلی و توضیح اینکه چرا راه‌حل شما بهتر یا جامع‌تر است. این قسمت، پایه و اساس نوآوری شما را تشکیل می‌دهد.

متودولوژی: چگونه به اهداف خود دست خواهید یافت؟

بخش متودولوژی یا روش‌شناسی، قلب هر پروپوزالی است، خصوصاً در زمینه هوش مصنوعی که جنبه‌های فنی و عملیاتی از اهمیت بالایی برخوردارند. در این بخش باید به طور دقیق و مرحله به مرحله توضیح دهید که چگونه پروژه خود را از ابتدا تا انتها انجام خواهید داد.

۱. رویکرد کلی و چارچوب مفهومی

ابتدا یک نمای کلی از رویکرد خود ارائه دهید. آیا از یادگیری نظارت شده، بدون نظارت، تقویتی، یا ترکیبی از آنها استفاده می‌کنید؟ چه چارچوبی (مثلاً PyTorch، TensorFlow، Keras) را مد نظر دارید؟ توضیح دهید که چرا این رویکرد یا چارچوب برای پروژه شما مناسب‌تر است.

۲. جمع‌آوری و پیش‌پردازش داده‌ها

داده‌ها سوخت موتور هوش مصنوعی هستند. باید به تفصیل توضیح دهید:

منابع داده: از کجا داده‌ها را تهیه می‌کنید؟ (مثلاً پایگاه داده‌های عمومی، جمع‌آوری از وب، داده‌های حسگرها). آیا نیاز به تاییدیه اخلاقی دارید؟
حجم و نوع داده: انتظار چه حجمی از داده‌ها و با چه فرمتی (تصویر، متن، زمان‌بندی، عددی) را دارید؟
مراحل پیش‌پردازش: چگونه داده‌ها را پاکسازی، نرمال‌سازی، مقیاس‌بندی و آماده‌سازی می‌کنید؟ (مثلاً حذف نویز، پر کردن مقادیر گمشده، تبدیل فرمت). این مرحله بسیار حیاتی است و باید با جزئیات بیان شود.
تقسیم‌بندی داده‌ها: چگونه داده‌ها را به مجموعه‌های آموزشی، اعتبارسنجی و آزمایشی تقسیم می‌کنید؟

۳. انتخاب و توسعه مدل هوش مصنوعی

این بخش تخصصی‌ترین قسمت پروپوزال شماست:

الگوریتم‌ها: کدام الگوریتم‌ها یا مدل‌های یادگیری ماشین/عمیق را برای حل مشکل خود انتخاب می‌کنید؟ (مثلاً CNN، RNN، Transformer، SVM، XGBoost). دلیل انتخاب هر کدام را توضیح دهید.
معماری مدل: اگر از شبکه‌های عمیق استفاده می‌کنید، معماری پیشنهادی خود را توضیح دهید (تعداد لایه‌ها، نوع لایه‌ها، توابع فعال‌سازی). در صورت امکان، یک دیاگرام ساده می‌تواند بسیار مفید باشد.
پارامترها و آموزش: چگونه مدل خود را آموزش می‌دهید؟ (نرخ یادگیری، بهینه‌ساز، تعداد اپوک‌ها). آیا از تکنیک‌های انتقال یادگیری (Transfer Learning) استفاده می‌کنید؟

۴. ارزیابی و اعتبارسنجی مدل

چگونه عملکرد مدل خود را اندازه‌گیری خواهید کرد؟ این بخش حیاتی است و باید شامل:

معیارهای ارزیابی: کدام معیارها را برای سنجش کارایی مدل خود به کار می‌برید؟ (مثلاً دقت (Accuracy)، پرسیژن (Precision)، ری‌کال (Recall)، F1-Score، AUC-ROC برای طبقه‌بندی؛ RMSE، MAE برای رگرسیون). توضیح دهید که چرا این معیارها مناسب هستند.
اعتبارسنجی متقابل (Cross-validation): آیا از این تکنیک برای اطمینان از تعمیم‌پذیری مدل استفاده می‌کنید؟
مقایسه: مدل شما در مقایسه با روش‌های Baseline یا State-of-the-Art چگونه ارزیابی می‌شود؟

برنامه‌ریزی، منابع و بودجه‌بندی

یک پروژه هوش مصنوعی، علاوه بر جنبه‌های فنی، نیاز به برنامه‌ریزی دقیق منابع و زمان دارد. نادیده گرفتن این بخش می‌تواند منجر به شکست پروژه، حتی با بهترین ایده‌ها و متودولوژی‌ها شود.

۱. زمان‌بندی پروژه (Gantt Chart یا Milestone)

یک برنامه زمانی واقع‌بینانه برای تمام مراحل پروژه ارائه دهید. این برنامه می‌تواند به صورت یک جدول زمان‌بندی گانت (Gantt Chart) یا صرفاً لیستی از مراحل اصلی (Milestones) با تاریخ‌های شروع و پایان باشد. تقسیم کار به مراحل کوچک‌تر و تعیین زمان برای هر مرحله، شفافیت و قابلیت مدیریت پروژه را افزایش می‌دهد.

برای نمونه‌ای دقیق‌تر از زمان‌بندی و مدیریت پروژه‌های تحقیقاتی، می‌توانید از خدمات مشاوره خدمات پایان‌نامه در وبسایت ما بهره‌مند شوید.

۲. منابع مورد نیاز

در پروژه‌های هوش مصنوعی، منابع سخت‌افزاری و نرم‌افزاری از اهمیت ویژه‌ای برخوردارند:

سخت‌افزار: آیا به GPUهای قدرتمند (مانند Nvidia A100)، سرورهای کلاود (AWS, Google Cloud, Azure) یا سایر تجهیزات تخصصی نیاز دارید؟
نرم‌افزار: پلتفرم‌های توسعه (Python، R)، کتابخانه‌ها (TensorFlow, PyTorch, Scikit-learn)، ابزارهای مدیریت داده و تجسم‌سازی.
نیروی انسانی: توضیح دهید که تیم پروژه شما از چه افرادی با چه تخصص‌هایی (مهندس یادگیری ماشین، دانشمند داده، متخصص دامنه‌ای) تشکیل شده است.

۳. بودجه‌بندی

بودجه‌بندی باید دقیق و توجیه‌پذیر باشد. هزینه‌ها را به دسته‌های زیر تقسیم کنید:

هزینه‌های سخت‌افزاری/کلاود: اجاره یا خرید تجهیزات.
هزینه‌های نرم‌افزاری: لایسنس‌ها (در صورت نیاز).
نیروی انسانی: حقوق و دستمزد اعضای تیم.
هزینه‌های متفرقه: سفر، انتشار مقالات، کنفرانس‌ها و غیره.

یک جدول ساده برای نمایش بودجه می‌تواند بسیار موثر باشد.

نوآوری و نتایج مورد انتظار

این بخش به سوال اصلی داوران پاسخ می‌دهد: “چرا این پروژه باید حمایت شود؟” باید به وضوح نشان دهید که پروژه شما چه ارزشی ایجاد می‌کند و چه چیزی به دانش موجود اضافه می‌کند.

۱. نوآوری و مزیت رقابتی

به طور صریح بیان کنید که نوآوری پروژه شما در کجاست. آیا رویکرد جدیدی را پیشنهاد می‌دهید؟ آیا در حال حل مشکلی هستید که قبلاً حل نشده است؟ آیا از ترکیب خلاقانه‌ای از الگوریتم‌ها استفاده می‌کنید؟ چگونه راه حل شما از راه‌حل‌های موجود بهتر است؟

۲. نتایج مورد انتظار و تاثیرات

نتایجی که انتظار دارید از پروژه خود به دست آورید را فهرست کنید. این نتایج می‌توانند شامل موارد زیر باشند:

علمی: تولید مقالات پژوهشی، ارائه در کنفرانس‌ها، مشارکت در دانش هوش مصنوعی.
فنی: توسعه یک سیستم، نرم‌افزار یا مدل هوش مصنوعی کاربردی.
اجتماعی/اقتصادی: بهبود کیفیت زندگی، افزایش کارایی، صرفه‌جویی در هزینه‌ها، ایجاد فرصت‌های شغلی.

چالش‌ها و راهکارهای غلبه بر آنها

هیچ پروژه‌ای بدون چالش نیست، به خصوص در حوزه نوظهور و پیچیده‌ای مانند هوش مصنوعی. داوران از این بخش برای سنجش توانایی شما در شناسایی ریسک‌ها و ارائه راه‌حل‌های منطقی استفاده می‌کنند.

جدول ۱: چالش‌های متداول در پروژه‌های هوش مصنوعی و راهکارهای پیشنهادی
چالش احتمالی	راهکار پیشنهادی
کمبود داده‌های باکیفیت	استفاده از تکنیک‌های افزایش داده (Data Augmentation)، انتقال یادگیری (Transfer Learning)، یا جمع‌آوری داده از منابع جایگزین.
منابع محاسباتی محدود	بهینه‌سازی مدل‌ها برای مصرف کمتر منابع، استفاده از سرویس‌های ابری با پرداخت در ازای مصرف، یا همکاری با مراکز دارای زیرساخت قوی.
پیچیدگی الگوریتمی و دشواری پیاده‌سازی	شروع با مدل‌های ساده‌تر، استفاده از کتابخانه‌های متن‌باز و فریم‌ورک‌های استاندارد، همکاری با متخصصین مجرب.
مساًل اخلاقی و حریم خصوصی داده‌ها	رعایت کامل پروتکل‌های اخلاقی، استفاده از داده‌های ناشناس‌سازی شده (Anonymized Data) و کسب رضایت آگاهانه.

اخلاق در هوش مصنوعی: یک رویکرد مسئولانه

در دهه‌های اخیر، مباحث اخلاقی پیرامون توسعه و بکارگیری هوش مصنوعی به یکی از ارکان مهم ارزیابی پروژه‌ها تبدیل شده است. پروپوزال شما باید نشان دهد که شما به پیامدهای اخلاقی کار خود آگاه هستید و برای مقابله با آنها برنامه‌ریزی کرده‌اید.

شفافیت و قابلیت توضیح (Explainability): آیا مدل شما قابل تفسیر است؟ چگونه می‌توانید تصمیمات مدل را به کاربران یا ذینفعان توضیح دهید؟ (XAI – Explainable AI).
بی‌طرفی (Fairness): آیا مدل شما نسبت به گروه‌های مختلف (قومیت، جنسیت، سن) دارای سوگیری نیست؟ چگونه این سوگیری‌ها را شناسایی و کاهش می‌دهید؟
حریم خصوصی و امنیت داده‌ها: چگونه از داده‌های حساس محافظت می‌کنید؟ (رمزنگاری، ناشناس‌سازی).
مسئولیت‌پذیری: چه کسی مسئول نتایج و پیامدهای استفاده از سیستم هوش مصنوعی شما خواهد بود؟

بیان این تعهدات اخلاقی، اعتبار پروپوزال شما را به شدت افزایش می‌دهد و نشان می‌دهد که شما یک پژوهشگر یا توسعه‌دهنده مسئولیت‌پذیر هستید.

نکات طلایی برای افزایش شانس پذیرش پروپوزال

فراتر از ساختار و محتوای علمی، رعایت نکاتی ظریف می‌تواند تفاوت بین یک پروپوزال رد شده و یک پروپوزال پذیرفته شده را رقم بزند.

۱. مخاطب‌شناسی: برای چه کسی می‌نویسید؟

مخاطبان شما ممکن است شامل متخصصان فنی هوش مصنوعی، سرمایه‌گذاران غیرفنی، یا کمیته‌های داوری باشند. زبان و سطح جزئیات خود را متناسب با مخاطب تنظیم کنید. اگر برای سرمایه‌گذاران می‌نویسید، بر بازده سرمایه‌گذاری (ROI) و ارزش بازار تمرکز کنید. اگر برای داوران آکادمیک است، بر دقت علمی و نوآوری تأکید کنید.

۲. وضوح و ایجاز: کمتر، بیشتر است

هر جمله باید هدفمند باشد. از اصطلاحات فنی به جا استفاده کنید اما از زیاده‌گویی بپرهیزید. پروپوزال باید روان و قابل فهم باشد. جملات کوتاه و پاراگراف‌های مختصر به خوانایی کمک می‌کنند.

۳. انسجام و پیوستگی

تمام بخش‌های پروپوزال باید به طور منطقی به هم پیوسته باشند. اهداف باید مستقیماً از بیان مسئله نشاَت گرفته باشند و متودولوژی نیز باید راهی روشن برای دستیابی به آن اهداف ارائه دهد.

۴. گرامر و املای صحیح

اشتباهات گرامری و املایی (بجز اشتباهات عمدی که در این مقاله برای شما قرار دادیم) می‌تواند تاثیر منفی جدی بر اعتبار پروپوزال شما بگذارد. حتماً پروپوزال خود را چندین بار بازبینی کنید و از دیگران بخواهید که آن را مطالعه کنند. یک مشاوره پایان نامه خوب به شما کمک می‌کند تا از این اشتباهات پرهیز کنید.

۵. جذابیت بصری

استفاده از نمودارها، فلوچارت‌ها، و تصاویر با کیفیت می‌تواند به درک بهتر ایده‌های پیچیده کمک کند. اطمینان حاصل کنید که تصاویر شما واضح، مرتبط و دارای زیرنویس مناسب هستند. از قالب‌بندی و چیدمان حرفه‌ای استفاده کنید. اینفگرافی‌هایی که می‌توانند بخشی از داده‌های شما را به تصویر بکشند، بسیار موثر خواهند بود.

۶. پاسخ به سوالات متداول (FAQ)

پیش‌بینی سوالاتی که ممکن است برای داوران پیش بیاید و ارائه پاسخ‌های مختصر و مفید به آن‌ها در یک بخش جداگانه، می‌تواند یک مزیت بزرگ باشد. این کار نشان‌دهنده بینش و آمادگی شماست.

سوالات متداول (FAQ) در پروپوزال هوش مصنوعی

۱. آیا این پروژه از نظر فنی قابل انجام است؟

پاسخ: بله، با توجه به پیشرفت‌های اخیر در زمینه یادگیری عمیق و سخت‌افزارهای GPU، و با بهره‌گیری از چارچوب‌های متن‌باز و دانش تیم، این پروژه کاملاً در حیطه توانایی‌های فنی ما قرار دارد.

۲. نوآوری اصلی پروژه چیست؟

پاسخ: نوآوری اصلی در ترکیب روش X با الگوریتم Y برای حل مسئله Z است که در مطالعات پیشین کمتر به آن پرداخته شده است. این رویکرد انتظار می‌رود منجر به افزایش قابل توجه در دقت و کارایی شود.

۳. ریسک‌های احتمالی پروژه کدامند و چگونه مدیریت می‌شوند؟

پاسخ: ریسک اصلی، دسترسی به داده‌های کافی و باکیفیت است. راهکار ما شامل برنامه‌ریزی برای جمع‌آوری داده از منابع ثانویه و استفاده از تکنیک‌های افزایش داده در صورت لزوم می‌باشد. همچنین، یک برنامه پشتیبان برای استفاده از مجموعه‌ داده‌های عمومی مشابه در نظر گرفته شده است.

نتیجه‌گیری: نگاهی به آینده

نوشتن یک پروپوزال در حوزه هوش مصنوعی، فراتر از یک وظیفه اداری، فرصتی برای ترسیم آینده‌ای است که شما می‌خواهید به خلق آن کمک کنید. یک پروپوزال قوی، جامع و متقاعدکننده نه تنها ایده‌های شما را به بهترین شکل ممکن منعکس می‌کند، بلکه توانایی‌های شما را در تفکر استراتژیک، برنامه‌ریزی دقیق و درک عمیق از پیچیدگی‌های هوش مصنوعی به نمایش می‌گذارد. با پیروی از گام‌ها و نکات ارائه شده در این مقاله، می‌توانید شانس موفقیت خود را در جلب حمایت و شروع پروژه‌های نوآورانه هوش مصنوعی به شکل چشمگیری افزایش دهید. به یاد داشته باشید که هر پروپوزالی، داستانی است که شما تعریف می‌کنید؛ داستانی از یک مشکل، یک راه‌حل هوشمندانه و نتایج تاثیرگذاری که جهان را به مکانی بهتر تبدیل خواهد کرد. همین امروز برای پروپوزال خود برنامه‌ریزی کنید و به جمع پیشگامان هوش مصنوعی بپیوندید. برای دریافت مشاوره پایان نامه و پروپوزال‌های تخصصی، تیم ما آماده یاری رساندن به شماست.

تیم ما در کنار شماست!
اگر در نگارش پروپوزال هوش مصنوعی خود نیاز به کمک دارید، متخصصان ما با تجربه درخشان در این حوزه آماده ارائه خدمات مشاوره پایان نامه و پروژه‌های هوش مصنوعی هستند. با ما تماس بگیرید تا ایده‌های شما را به واقعیت تبدیل کنیم.
برای شروع تماس بگیرید: 09356661302

/* Basic Reset & Font Import */
@import url(‘https://cdn.jsdelivr.net/gh/rastikerdar/vazirmatn@v33.003/misc/vazirmatn-font-face.css’);
body {
font-family: ‘Vazirmatn’, sans-serif;
direction: rtl; /* For RTL languages */
text-align: right;
margin: 0;
padding: 0;
background-color: #fcfcfc;
color: #333;
}

/* Headings Styling */
h1 {
font-family: ‘Vazirmatn’, sans-serif;
font-size: 2.5em; /* Large size for H1 */
font-weight: bold;
color: #0a2d6c;
text-align: center;
margin-top: 40px;
margin-bottom: 30px;
line-height: 1.3;
padding-bottom: 10px;
border-bottom: 2px solid #007bff;
animation: fadeIn 1s ease-out;
}

h2 {
font-family: ‘Vazirmatn’, sans-serif;
font-size: 2em; /* Medium-large for H2 */
font-weight: bold;
color: #0a2d6c;
margin-top: 40px;
margin-bottom: 25px;
line-height: 1.5;
border-right: 5px solid #28a745;
padding-right: 15px;
background-color: #eafaea;
border-radius: 5px;
}

h3 {
font-family: ‘Vazirmatn’, sans-serif;
font-size: 1.6em; /* Medium for H3 */
font-weight: bold;
color: #2a6ca0;
margin-top: 30px;
margin-bottom: 20px;
border-right: 3px solid #ffc107;
padding-right: 10px;
}

h4 {
font-family: ‘Vazirmatn’, sans-serif;
font-size: 1.4em; /* Slightly smaller for H4 */
font-weight: bold;
color: #0a2d6c;
margin-bottom: 15px;
}

/* Paragraphs and Text */
p {
text-align: justify;
margin-bottom: 1.5em;
line-height: 1.9;
font-size: 1.05em;
color: #333;
padding: 0 10px; /* Small padding for readability */
}

ul {
list-style-type: square;
margin-right: 25px;
margin-bottom: 1.5em;
color: #444;
line-height: 1.8;
padding: 0 10px;
}

ul li strong {
color: #0a2d6c;
}

a {
color: #007bff;
text-decoration: none;
transition: color 0.3s ease;
}

a:hover {
color: #0056b3;
text-decoration: underline;
}

/* Table Styling */
table {
width: 100%;
border-collapse: collapse;
margin-top: 20px;
margin-bottom: 30px;
font-family: ‘Vazirmatn’, sans-serif;
box-shadow: 0 4px 8px rgba(0,0,0,0.05);
border-radius: 8px;
overflow: hidden; /* Ensures rounded corners for children */
}

caption {
caption-side: top;
text-align: center;
font-weight: bold;
margin-bottom: 15px;
font-size: 1.3em;
color: #0a2d6c;
background-color: #e0f2f7;
padding: 10px;
border-radius: 8px 8px 0 0;
}

th, td {
border: 1px solid #ddd;
padding: 12px;
text-align: right;
color: #333;
}

th {
background-color: #f2f2f2;
font-weight: bold;
color: #0a2d6c;
}

tr:nth-child(even) {
background-color: #f9f9f9;
}

tr:hover {
background-color: #f1f1f1;
}

/* Responsive Design – Media Queries */
@media (max-width: 768px) {
h1 { font-size: 1.8em; }
h2 { font-size: 1.5em; }
h3 { font-size: 1.3em; }
p { font-size: 1em; padding: 0 5px; }
ul { margin-right: 15px; padding: 0 5px; }
.infographic-box { padding: 15px; margin: 20px auto; }
.infographic-box div { flex: 1 1 100%; } /* Stack infographic items on small screens */
table, thead, tbody, th, td, tr {
display: block; /* Make table responsive by stacking cells */
}
thead tr {
position: absolute;
top: -9999px;
left: -9999px;
}
tr { border: 1px solid #ccc; margin-bottom: 10px; border-radius: 5px; }
td {
border: none;
border-bottom: 1px solid #eee;
position: relative;
padding-right: 50%;
text-align: left;
}
td:before {
position: absolute;
right: 6px;
width: 45%;
padding-right: 10px;
white-space: nowrap;
font-weight: bold;
content: attr(data-label); /* Use data-label for headings */
}
td:nth-of-type(1):before { content: “چالش احتمالی”; }
td:nth-of-type(2):before { content: “راهکار پیشنهادی”; }
td strong {
display: block;
margin-bottom: 5px;
}
}

@media (max-width: 480px) {
h1 { font-size: 1.5em; }
h2 { font-size: 1.3em; }
h3 { font-size: 1.1em; }
p { font-size: 0.95em; }
.infographic-box { padding: 10px; }
}

/* Block editor friendly styles – these are more conceptual for how the blocks would be styled */
.block-container {
background-color: #ffffff;
border-radius: 10px;
box-shadow: 0 2px 10px rgba(0,0,0,0.05);
margin: 20px 0;
padding: 25px;
}

.cta-block {
background-color: #e6f7ff;
border-left: 5px solid #007bff;
padding: 20px;
border-radius: 8px;
text-align: center;
margin-bottom: 30px;
box-shadow: 0 2px 8px rgba(0,0,0,0.1);
}
.cta-block a {
background-color: #007bff;
color: white;
padding: 12px 25px;
border-radius: 7px;
font-size: 1.1em;
font-weight: bold;
margin-top: 15px;
display: inline-block;
transition: background-color 0.3s ease;
}
.cta-block a:hover {
background-color: #0056b3;
text-decoration: none;
}