▫️نسخه جدید GPT رسید: باهوش‌تر، طبیعی‌تر و انسانی‌تر

‏GPT-5.1 نسخه‌ جدید و ارتقایافته GPT-5 است که هم باهوش‌تر شده و هم گفت‌وگوهای طبیعی‌تر و انسانی‌تری ارائه می‌دهد.

تفاوت با نسخه GPT-5

گفت‌وگو طبیعی‌تر و گرم‌تر: لحن انسانی‌تر، پاسخ‌های صمیمانه‌تر و مکالمه روان‌تر

درک بهتر دستورها : مدل با دقت بیشتری همان کاری را انجام می‌دهد که می‌خواهید.

قدرت بیشتر در حل مسائل پیچیده: ریاضی و استدلال قوی‌تر، کدنویسی دقیق‌تر و پاسخ‌های کامل‌تر برای سوالات پیچیده

دارای دو حالت:

‏ GPT-5.1 Instant
سریع‌تر، گرم‌تر و مکالمه‌ای‌تر، مدل اصلی برای استفاده روزمره

‏ GPT-5.1 Thinking
استدلال پیشرفته‌، زمان فکر کردنِ تطبیقی و دقیق‌تر عمل کردن برای کارهای پیچیده.

تنظیم لحن پاسخ‌ها: حالا می‌توانید لحن ChatGPT را به آسانی تنظیم کنید:

دوستانه (Friendly)
حرفه‌ای (Professional)
مستقیم/صریح (Candid)
بامزه/خلاق (Quirky)
کارآمد و مختصر (Efficient)
پیش‌فرض (Default)

حتی می‌توانید جزئیات بیشتری مثل:

میزان گرمی (warmth)
کوتاهی/بلندی متن (conciseness)
میزان استفاده از ایموجی (emoji frequency)
را به‌دلخواه تغییر دهید.

سریع‌تر برای کارهای ساده، دقیق‌تر برای کارهای پیچیده

مدل Thinking بنا به نوع سؤال تصمیم می‌گیرد چقدر فکر کند.

🔗 اطلاعات بیشتر در:

https://openai.com/index/gpt-5-1/

#AI
#chatgpt
#openai

🆔 @irevidence

چالش‌ها و مشکلات پلتفرم‌های داوری پس از انتشار

دکتر محمد عبدالهی (استاد دانشکده داروسازی د.ع.پ تهران) و دکتر سید مجتبی دقیقی (دانشیار مرکز تحقیقات علوم دارویی د.ع.پ تهران) به همراه نویسندگانی از آمریکا، یونان، ایتالیا، اسپانیا و رومانی مقاله‌ای تحت عنوان زیر را در مجله DARU Journal of Pharmaceutical Sciences منتشر کرده‌اند:

An expert criticism on post-publication peer review platforms: the case of pubpeer


این مقاله به بررسی مزایا، چالش‌ها و سوء‌استفاده‌های احتمالی در داوری پس از انتشار (PPPR) می‌پردازد، با تمرکز ویژه بر پلتفرم PubPeer. اگرچه این پلتفرم‌ها نقش مهمی در شفافیت علمی و اصلاح اشتباهات دارند، اما به اعتقاد نویسندگان، در غیاب نظارت کافی می‌توانند به ابزارهای تخریب، حمله شخصی و گسترش بی‌اعتمادی تبدیل شوند.

فواید اصلی این پلتفرم‌ها

افراد بیشتری می‌توانند بعد از انتشار مقاله، آن را نقد کنند.

اشتباهاتی که هنگام داوری معمولی دیده نشده، ممکن است بعدها پیدا شود.

باعث شفافیت بیشتر در علم می‌شود.

به اصلاح اشتباهات و بهتر شدن تحقیقات کمک می‌کند.

مشکلات و خطرات مهم

🔻ناشناس بودن و کاهش مسئولیت‌پذیری
منتقدان اغلب هویت، تخصص یا تعارض‌ منافع خود را اعلام نمی‌کنند. ناشناس بودن راه را برای نقدهای جانبدارانه، خصمانه یا مغرضانه باز می‌کند.

🔻نقدهای بی‌اهمیت یا اغراق‌آمیز
تمرکز بر ایرادهای جزئی مثل اشتباهات تایپی، اختلافات جزئی گرافیکی یا p-value نزدیک مرز.

تبدیل ایرادهای کوچک به حمله‌ای علیه کل مقاله و اعتبار نویسندگان.

🔻ظهور شکاکیت افراطی (Hyper-skepticism)
نوعی بدبینی افراطی که قصدش بهبود علم نیست، بلکه ایجاد تردید مداوم است. هر مقاله-حتی مقاله بدون مشکل- تحت این نگاه، مشکوک جلوه می‌کند.

🔻سوءاستفاده از نقد علمی (Weaponized criticism)
استفاده از پلتفرم‌ها برای: بی‌اعتبار کردن رقبا، پیشبرد منافع فردی/سازمانی و حذف دیدگاه‌های علمی متفاوت

🔻تبعات سنگین برای نویسندگان
آسیب جدی به اعتبار نویسندگان، حتی با اتهامات غلط، از دست دادن بودجه، فرصت‌های ارتقا و حتی سلب اعتبار ناعادلانه مقالات؛ آسیب بیشتر به پژوهشگران جوان یا کشورهای کم‌برخوردار

نویسندگان، بخشی از مشکلات را ناشی از سوء تغییر قوانین COPE می‌دانند از جمله:

استفاده از گروه کنترل مشترک همیشه خطا نیست (مثلاً در مطالعات حیوانی)

شباهت سلول‌ها در تصاویر لزوماً نشانه تقلب و دستکاری نیست (مثلاً فیبروبلاست‌ها)

حمله گروهی علیه یک پژوهشگر، نوعی آزار علمی محسوب می‌شود ولی در PubPeer دیده می‌شود.


راهکارهای پیشنهادی برای اصلاح PPPR

🔻الزام شفافیت و افشای هویت/تعارض منافع منتقدان
حفظ حق ناشناس بودن تنها در موارد ضروری (مثلاً افشاگران واقعی).

🔻تقویت کنترل کیفیت محتوا توسط سردبیران (Editorial oversight) و استانداردسازی نقدها
ارزیابی محتوای نقد از نظر: لحن، انصاف، ارزش علمی و عدم جانبداری

🔻حق پاسخ عادلانه و قابل رؤیت برای نویسندگان
پاسخ نویسنده باید مشابه کامنتِ منتقد، قابل مشاهده و برابر باشد.

🔻اجرای دقیق‌تر دستورالعمل‌های COPE 2025 از جمله:

عدم ریترکت مقاله صرفاً از بابت اختلاف‌های نویسندگی

تفکیک Expression of Concern از Retract برای جلوگیری از ریترکشن عجولانه

امکان انتشار مجدد مقالات ریترکت شده با شفافیت کامل

شفافیت کامل در اطلاعیه‌های ریترکشن

جلوگیری از استناد اشتباه به مقالات ریترکت شده

استانداردهای جهانی و یکپارچه برای PPPR

همکاری بین‌المللی برای هماهنگ‌سازی شیوه‌ها در پلتفرم‌های مختلف.



در وب‌سایت مرکز تحقیقات علوم دارویی دانشگاه علوم پزشکی تهران خبری درباره این مقاله منتشر شده بود و از طریق همان خبر متوجه انتشار آن شدم. اما در بخشی از این خبر آمده است:

انتشار این مقاله، بیانگر جایگاه بر جسته علمی دکتر عبداللهی در حوزه اخلاق پژوهش و نقش مؤثر مرکز تحقیقات علوم دارویی در ارتقای مباحث بین‌ المللی سلامت علمی است. دانشگاه علوم پزشکی تهران این دستاورد ارزشمند را به ایشان و همکاران تبریک گفته و توفیقات روزافزون آنان را آرزو دارد.

شایان ذکر است که ایشان سردبیر این مجله هستند و دکتر دقیقی نیز از سردبیران تخصصی (موضوعی) آن به شمار می‌آید.

ناشر علمی این مجله، د.ع.پ تهران است ولی اشپرینگر به عنوان ناشر تجاری مسئولیت انتشار آن را برعهده دارد. IF آن 2.1 است و در طبقه موضوعی Pharmacology & Pharmacy در چارک سوم (Q3) قرار دارد. مدل نشر آن بصورت هیبریدی است. برای چاپ مقاله بصورت اوپن اکسس، مبلغ 4590 دلار از نویسندگان دریافت می‌شود. در کل این مجله به عنوان یکی از مجلات معتبر و بین‌المللی د.ع.پ تهران به حساب می‌آید.

#pubpeer
#peer_review

🆔 @irevidence

🔘 عنوان وبینار: غربالگری هوشمند مقالات با ASReview

⌛️ تاریخ: جمعه ۳۰ آبان ۱۴۰۴

⏰ ساعت: ۱۸ تا ۲۰

👨🏻‍🏫 مدرس: رسول معصومی


غربالگری مقالات بازیابی‌شده از جستجوی جامع دیتابیس‌ها و منابع اطلاعاتی، یکی از وقت‌گیرترین مراحل مرورهای سیستماتیک و سایر روش‌های سنتز شواهد است.

در روش معمول، حداقل دو نفر باید رکوردها را به‌صورت مستقل غربال کنند و اختلاف‌ها نیز یا با بحث و/یا با نظر نفر سوم حل می‌شود؛ این یعنی صرف زمان، انرژی و منابع انسانی بسیار زیاد.

با ورود هوش مصنوعی، این سؤال مهم مطرح شده است که آیا می‌توان غربالگری را به AI سپرد؟

مدل‌های زبانی بزرگ (LLMها) مانند ChatGPT، Claude یا Gemini با وجود توانایی‌های چشمگیر، برای غربالگری نظام‌مند چندان پایدار و قابل اعتماد نیستند. برای اینکه:

❌پاسخ‌های آن‌ها ثابت و تکرارپذیر نیست (پایایی کمتری دارد)

❌ امکان مستندسازی علمی تصمیم‌ها وجود ندارد.

❌ اگر API اختصاصی نداشته باشید، استفاده از نسخه‌ی وب عملاً بی‌فایده است، چون باید تک‌تک چکیده‌ها را دستی وارد چت‌بات کنید!

❌کار با API و اسکریپت‌نویسی نیز تخصصی و هزینه‌بر است.

پس چاره چیست؟

✅ الگوریتم‌های یادگیری ماشین سنتی، ساختارمند، مبتنی بر قاعده، تکرارپذیر و بسیار دقیق هستند؛ به‌ویژه در کارهایی مثل غربالگری بر اساس معیارهای ورود و خروج.

◀️ در این وبینار با ابزار تخصصی ASReview آشنا می‌شویم؛ سیستمی مبتنی بر یادگیری فعال (Active Learning) که با ترکیب آمار و یادگیری ماشین، غربالگری را به‌صورت علمی، شفاف، سریع و قابل دفاع انجام می‌دهد.

🔻چرا ASReview بهترین گزینه برای غربالگری نظام‌مند است؟

❇️ کاهش چشمگیر زمان غربالگری

❇️ افزایش نرخ بازیابی (Recall) و اطمینان از یافتن مطالعات مرتبط

❇️ شفافیت و قابلیت استناد بالا

❇️ کاملاً رایگان، متن‌باز و دائماً به‌روز

❇️ قابل اجرا روی کامپیوتر شخصی بدون نیاز به اینترنت

❇️ تهیۀ مستندات کامل از فرایند غربالگری


🔻در این وبینار چه یاد می‌گیرید؟

🔹نصب و راه‌اندازی ASReview و پیش‌نیازهای آن ( مثل Python) بصورت لوکال

🔹بارگذاری رکوردها و تنظیمات تخصصی پروژه

🔹 آموزش مدل و اجرای غربالگری هوشمند مقالات

🔹قواعد توقف (Stopping Rules) و ارزیابی عملکرد مدل

🔹 نحوه نگارش بخش روش کار برای گزارش استفاده از ASReview در مقاله یا پایان‌نامه

یک مثال ساده از قدرت ASReview

فرض کنید از دیتابیس‌های مختلف ۲۰۰۰ مقاله بازیابی کرده‌اید. در روش سنتی باید هر ۲۰۰۰ عنوان/چکیده را بخوانید و بر اساس معیارها تصمیم بگیرید. اما با ASReview معمولاً کافی است حداکثر ۱۰ درصد رکوردها-یعنی حدود ۲۰۰ مقاله- را بررسی کنید تا مدل تقریباً تمام مطالعات مرتبط را پیدا کند.

این یعنی حداقل ۸۰ درصد کاهش حجم کار بدون افت دقت و با مستندات کامل و قابل ارائه.

❓ یک سوال مهم:

اگر از این ابزار استفاده کنم، می‌توانم با خیال راحت در گزارش مرور به آن اشاره کنم؟

بله. در حال حاضر ده‌ها مرور نظام‌مند در معتبرترین مجلات بین‌المللی منتشر شده‌اند که در بخش Methods به‌صورت شفاف استفاده از ASReview را گزارش کرده‌اند. این ابزار کاملاً پذیرفته‌شده، قابل استناد و مورد استفاده در مرورهای باکیفیت است.

ترکیب غربالگری انسانی با غربالگری ماشینی بهترین نتیجه و خروجی را به همراه خواهد داشت.


🎁 کد تخفیف 15 درصدی برای 10 نفر اول:

first10

🔗برای ثبت‌نام سریع به این لینک مراجعه فرمایید:

https://pay.evidence.ir/link/756336

بعد از پرداخت هزینه، لینک ورود به کانال خصوصی دوره ظاهر می‌شود (در قسمت لینک رویداد)

#AI
#screening
#systematic_review
#evidence_synthesis
#asreview

🆔 @irevidence

▫️داستان هر لحظه جالب‌تر می‌شود!

در پست قبلی اشاره کردم که دکتر محمد عبدالهی استاد دانشکده داروسازی دانشگاه علوم پزشکی تهران، به‌همراه چند نویسنده خارجی، مقاله‌ای در نقد داوری پس از انتشار منتشر کرده است. نکته قابل‌توجه اینجاست که او خود سردبیر همان مجله است.

از طریق کانال @scientometric مطلع شدم که پایگاه RetractionWatch در صفحه X خود نوشته است:

یک مقاله منتشرشده در یکی از مجلات اسپرینگر نیچر که نقدی بر فرایند داوری پس از انتشار بود، دارای تعداد زیادی منابع ساختگی است؛ از جمله مقاله‌ای از Nature که به‌طور نادرست به همکار ما Ivan Oransky نسبت داده شده است.

امروز (۱۹ نوامبر) در صفحه آن مقاله جمله زیر درج شده است:

The Editor-in-Chief has become aware of concerns with this article. Action will be taken as appropriate following further investigation and discussion with the relevant stakeholders.

اگر ترجمه به فارسی کنیم:

سردبیر مجله از نگرانی‌ها درباره این مقاله آگاه شده است و پس از بررسی‌های بیشتر و گفت‌وگو با ذی‌نفعان، اقدام مناسب انجام خواهد شد.

کانال Scientometric به‌درستی یادآوری کرده است:

سردبیر خودش نویسنده آخر مقاله است. مقاله در نقد post publication review بود و همین سبک داوری منجر به مشخص شدن این مشکل شد.

اما ماجرا همچنان ادامه دارد. در پست قبلی بخشی از خبر مربوط به "مرکز تحقیقات علوم دارویی"را نقل کرده بودم که در آن آمده بود:

انتشار این مقاله، بیانگر جایگاه برجسته علمی دکتر عبداللهی در حوزه اخلاق پژوهش و نقش مؤثر مرکز تحقیقات علوم دارویی در ارتقای مباحث بین‌المللی سلامت علمی است. دانشگاه علوم پزشکی تهران این دستاورد ارزشمند را به ایشان و همکاران تبریک گفته و توفیقات روزافزون آنان را آرزو دارد.

اکنون اگر به همان لینک مراجعه کنید، مشاهده می‌کنید که جمله دوم کاملاً حذف شده و جمله نخست نیز چنین بازنویسی شده است:

انتشار این مقاله، بیانگر جایگاه برجسته این مرکز در حوزه اخلاق پژوهش و نقش مؤثر آن در ارتقای مباحث بین‌المللی سلامت علمی است.

در واقع، نام دکتر عبداللهی حذف و با عبارت "این مرکز" جایگزین شده است. با این حال، در نتایج گوگل همچنان بخشی از متن اصلی خبر قابل مشاهده است.



🆔 @irevidence

▫️ معرفی Scholar Labs: هوش مصنوعی به Google Scholar آمد!

جست‌وجوی کلیدواژه‌ای و بولی کم‌کم جای خود را به جست‌وجوی معنایی می‌دهد؛ جایی که نقش هوش مصنوعی پررنگ‌تر از همیشه است.

سرویس جدید Scholar Labs این امکان را فراهم کرده که به‌جای وارد کردن کلیدواژه‌ها، سوال پژوهشی خود را به زبان طبیعی مطرح کنید تا مرتبط‌ترین مقالات بر اساس همان سوال پیشنهاد شوند.

در این ویدیو نحوه استفاده از این سرویس را نشان داده‌ام.

توجه داشته باشید که این قابلیت هنوز آزمایشی است و ممکن است برای همه کاربران فعال نباشد.

#AI
#searching
#google_scholar
#scholar_labs
#film

🆔 @irevidence

▫️نقدی به‌ظاهر کارشناسانه از سوی متقلبان و مخالفان واکسن: مطالعه‌ی موردی PubPeer

An expert criticism by fraudsters and antivaxxers: the case of PubPeer

لئونید اشنایدر (Leonid Schneider) ـ روزنامه‌نگار و کارتونیست علمی مستقل ـ در پایگاه For Better Science (که متعلق به خودش است) نقدهای بسیار تندی علیه مقاله اخیر و نویسندگان آن نوشته است. با این حال، نقدهای او درباره محمد عبداللهی و ایران لحنی بسیار تند و گاه توهین‌آمیز دارد. نویسنده اصالتاً اوکراینی است و طبیعی است که با توجه به شرایط جنگ، نسبت به روسیه و ایران حساسیت داشته باشد، اما بهتر بود در نقد یک مقاله علمی، مسائل سیاسی را وارد نمی‌کرد. در ادامه، بخشی از نقدهای او را بدون هیچ قضاوتی نقل می‌کنم. مقاله بسیار طولانی است.

شروع متن او:

اساتیدِ مقاله‌ساز گرد هم آمدند تا به رهبری یک فرد یونانیِ نژادپرست و ضدواکسن (Aristidis Tsatsakis)، علیه وب‌سایت PubPeer اعتراض کنند. هر ۹ نفرشان آن‌قدر کودن بودند که نتوانستند حتی یک ایده منسجم داشته باشند یا متنی از خودشان بنویسند؛ به همین دلیل دست‌به‌دامن ChatGPT شدند و آن هم طبق معمول، مشتی مهملاتِ توهم‌آمیز تحویل داد. آن‌ها حتی بدون اینکه خروجیِ کار را بخوانند، همان متن را به‌عنوان یک مقاله علمیِ داوری‌شده در یک مجله ایرانی که توسط یکی از همین نویسندگان اداره می‌شود، منتشر کردند.

از آنجا که این مقاله، توسط ChatGPT نوشته شده، می‌توان انتظار مقدار زیادی لاطائلات داشت ؛ اما بهترین بخش، در فهرست منابع نهفته است.

در ادامه او به رفرنس‌هایی اشاره می‌کند که وجود خارجی ندارند و مشخصاً ChatGPT آن‌ها را تولید کرده است.

نویسندگان در مقاله اعلام کرده‌اند که هیچ تضاد منافعی ندارند، در حالی که به گفته اشنایدر، "آن‌ها طبق تعریف خودشان به‌شدت دچار تضاد منافع‌اند، چون خودشان قربانی نقدهای PubPeer و بازپس‌گیری‌های ناشی از آن هستند."

اما جنجالی‌ترین بخش نوشته اشنایدر مربوط به معرفی نویسندگان مقاله است. او تک‌تک اعضای تیم را بررسی می‌کند و نشان می‌دهد که چگونه تقریباً همه‌ آن‌ها سابقه رسوایی‌های علمی دارند. در این بین محمد عبداللهی، Aristidis Tsatsakis و Michael Aschner را به‌طور ویژه و با لحنی تندتر مورد حمله و عنایت قرار داده است. در ادامه، بخشی از نقدهای او درباره عبداللهی را می‌آورم:

محمد عبداللهی دوره پسادکترای خود را در دانشگاه تورنتو نزد جنایتکار و کلاه‌بردار معروف گیدیون کورن (Gideon Koren) گذرانده است؛ کسی که اکنون به اسرائیل برگشته است.

عبدالهی نزدیک به هشتاد مقاله تقلبی در PubPeer دارد؛ بسیاری از آن‌ها مرورهای بی‌ارزش و متاآنالیزهای مزخرف‌اند. او همین حالا هم چندین مقاله سلب اعتبار شده دارد.

اشنایدر سپس به سراغ همسر عبداللهی می‌رود:

همسر عبداللهی، شکوفه نیک‌فر، نیز در این تجارت شریک است. او خود را جزو یک درصد برتر دانشمندان ایرانی در داروشناسی معرفی می‌کند. "اگر شوهرش سلطان مقالات جعلی است، او ملکه متاآنالیزهای آشغال است."

او ادامه می‌دهد که عبداللهی با یکی از چهره‌های فاسد عرصه علم، یعنی رافائل لوکه (Rafael Luque)، همکاری داشته است:

لوکه همان پادشاه کارخانه‌های مقاله‌سازی است که اکنون به مسکو گریخته و چندین مقاله مشترکش با عبداللهی در PubPeer افشا شده است.

اشنایدر همچنین به همکاری عبداللهی با باقر لاریجانی (رئیس سابق دانشگاه علوم پزشکی تهران و برادر دو مقام بلندپایه جمهوری اسلامی) اشاره می‌کند:

یکی از مقالات مشترکشان درباره ترکیبات ضدچاقی، در PubPeer به‌خاطر دست‌کاری تصاویر و داده‌ها زیر سؤال رفته است.

عبداللهی و لاریجانی حتی درباره اخلاق پژوهش هم مقاله نوشته‌اند! آیا عبداللهی دچار اسکیزوفرنی است؟ چطور ممکن است کسی ده‌ها مقاله درباره اخلاق پژوهش بنویسد و درعین‌حال خودش غرق در تقلب و مقاله‌سازی باشد؟

باقر لاریجانی خودش نیز مقاله‌ساز حرفه‌ای است و همکاری‌اش با عبداللهی در حوزه اخلاق پژوهش دقیقاً مثل روباهی است که درس درستکاری بدهد.

اشنایدر سپس نقدهای بسیار تندی را علیه ناشران معروفی مثل اسپرینگر و الزویر مطرح می‌کند و آن‌ها را متهم می‌سازد که به‌جای دفاع از صداقت علمی، به ماشین چاپ پول برای نویسندگان مسئله‌دار تبدیل شده‌اند.

این نه نفر، با کمک هوش مصنوعی، مقاله‌ای نوشتند که قرار بود PubPeer را بی‌اعتبار کند؛ اما فقط خودشان را برای همیشه بی‌اعتبار کردند.

این مقاله، در واقع سندی است از فروپاشی اخلاق در علم و یادآوری این حقیقت که متقلبان، هرچقدر هم مدرک و عنوان داشته باشند، باز هم از ChatGPT کمتر می‌فهمند.

امیدوارم د.ع.پ تهران و نیز کمیته اخلاق وزارت بهداشت در این خصوص شفاف‌سازی کنند.

از این اتفاق، بنده به شخصه خیلی ناراحت هستم چون آبروی ایران در میان است.

#research_ethics
#pubpeer
#peer_review

🆔 @irevidence

▫️اضافه شدن یک ویژگی جذاب به ChatGPT: چت گروهی!

این ویژگی را در گوشه بالای سمت راست (Start a Group Chat) فعال کنید. یا چت‌های خودتان را باز کنید و گزینه Add People را بزنید تا همان چت تبدیل به چت گروهی شود.

ویژگی های چت گروهی ChatGPT:

پشتیبانی از چندین کاربر
این قابلیت به شما اجازه می‌دهد تا یک چت مشترک با چندین نفر (تا حدود ۲۰ نفر) ایجاد کنید.

رفتار هوشمند در گفت‌وگوی گروهی
چت‌بات می‌فهمد چه زمانی باید حرف بزند و چه زمانی بهتر است ساکت بماند؛ مگر اینکه کسی مستقیماً صدایش کند (مثل @ ChatGPT)

حفظ کامل حریم خصوصی در چت گروهی
چت‌های گروهی کاملاً از چت‌های خصوصی شما جدا هستند. اطلاعات و حافظه شخصی‌تان وارد این فضا نمی‌شود و گفتگوهای گروهی به‌صورت پیش‌فرض ذخیره نمی‌شوند.

دعوت آسان و مدیریت اعضای گروه
می‌توانید یک لینک دعوت بسازید تا دیگران وارد گروه شوند، و مدیر گروه هم می‌تواند اعضا را اضافه یا حذف کند.

ویژگی‌های مخصوص همکاری گروهی
در چت گروهی می‌توانید از اموجی، عکس پروفایل و دیگر ابزارهای تعامل استفاده کنید.

انتخاب هوشمند مدل توسط سیستم
سیستم به‌طور خودکار بهترین مدل هوش مصنوعی را برای پاسخ‌دادن انتخاب می‌کند تا همه اعضای گروه با هر سطح عضویتی، بتوانند راحت از چت استفاده کنند.

قوانین امنیتی و سنی در چت گروهی
اگر کسی در گروه زیر ۱۸ سال باشد، فیلترهای محتوایی به‌طور خودکار فعال می‌شود تا گفتگو امن بماند.


چند کاربرد مهم:

همکاری تیمی و پروژه‌ای: اعضای تیم می‌توانند در یک چت مشترک با ChatGPT مشارکت کنند، ایده‌پردازی کنند، مستند بنویسند و تصمیم‌گیری گروهی داشته باشند.

آموزش گروهی: یک گروه دانشجویی یا همکار آموزشی می‌تواند با ChatGPT به صورت مشترک کار کند، سوال بپرسد، مفاهیم را مرور کند و از پاسخ‌ها بهره ببرد.

حل مسئله و تحلیل داده‌های گروهی: وقتی چند نفر همزمان در بحث هستند، ChatGPT می‌تواند به جمع‌بندی، ارائه گزینه‌ها یا تحلیل مشکلات کمک کند.

این ویژگی برای نسخه رایگان هم در دسترس است. آیا برای شما هم فعال شده است؟

#AI
#chatgpt
#LLM
#group_chat

🆔 @irevidence

🎬 غربالگری هوشمند مقالات با ASReview

مدت زمان: ۱ ساعت و ۱۶ دقیقه

حجم فایل: ۳۸۲ مگابایت

مدرس: رسول معصومی

در مرورهای نظام‌مند و انواع مختلف سنتز شواهد، زمانی که چندین پایگاه اطلاعاتی را به‌صورت جامع جستجو می‌کنیم، معمولاً با حجم بسیار بزرگی از رکوردهای نامرتبط روبه‌رو می‌شویم. در حالت سنتی، پژوهشگر مجبور است رکورد به رکورد تمامی نتایج را غربال کند تا به مطالعات مرتبط برسد؛ کاری بسیار زمان‌بر، خسته‌کننده و مستعد خطا.

امروزه برای حل این چالش، از غربالگری مبتنی بر یادگیری فعال (Active Learning) یا همان غربالگری اولویت‌دار استفاده می‌شود. با این رویکرد، نیازی به بررسی دستی همه رکوردها نیست. یکی از این ابزارها، ASReview است.

الگوریتم‌های یادگیری ماشین در ASReview تنها با غربالگری حدود ۱۰ درصد رکوردها می‌توانند تقریباً تمامی مطالعات مرتبط را کشف کنند.

نتیجه؟ صرفه‌جویی ۸۰ تا ۹۵ درصدی در زمان غربالگری بدون افت دقت.

نکته مهم این است که ASReview بر پایه یادگیری فعال کار می‌کند؛ نوعی از هوش مصنوعی که دقت، پایایی و قابلیت تکراری‌پذیری بالا دارد و کاملاً با هوش مصنوعی مولد (مثل ChatGPT) متفاوت است.

در این ویدئو، کار با ASReview به‌طور کامل و گام‌به‌گام و با یک مثال و پروژه واقعی آموزش داده شده است. این نرم‌افزار روی رایانه شخصی نصب می‌شود، کاملاً رایگان و اوپن‌سورس است.

برخی از سرفصل‌هایی که در ویدئو آموزش داده می‌شوند شامل:

نصب Python و بسته ASReview

وارد کردن رکوردها

تنظیمات اولیه و آماده‌سازی

گرم‌کردن مدل (Prior Knowledge)

فرایند هوشمند غربالگری

تشخیص نقاط توقف

مدیریت پروژه

نحوه گزارش استفاده از این ابزار در مقاله

شبیه‌سازی عملکرد مدل (Simulation)

این فیلم مناسب تمام پژوهشگرانی است که به هر نحوی مرور متون انجام می‌دهند: از دانشجویان ارشد و دکتری گرفته تا افراد حرفه‌ای و پرکار در زمینه سنتز شواهد.

🔗 برای تهیه سریع این فیلم به لینک زیر مراجعه کنید:

https://pay.evidence.ir/link/757296

کافیست نام و نام خانوادگی و ایمیل خود را وارد کنید و
بعد از پرداخت هزینه، بر روی دریافت محصول کلیک کنید تا بلافاصله فیلم دانلود شود.

🎁همچین برای 5 نفر اول، تخفیف 15 درصدی در نظر گرفته شده است:

first15

#AI
#screening
#systematic_review
#evidence_synthesis
#asreview

🆔 @irevidence

🎬 معرفی سرویس Speechmatics: تبدیل گفتار به نوشتار و برعکس با هوش مصنوعی

⏱️ مدت زمان ویدئو: ۴ دقیقه

سایت‌ها و اپلیکیشن‌های مختلفی برای تبدیل گفتار به نوشتار وجود دارد؛ یکی از آن‌ها را قبلاً [اینجا] معرفی کرده بودم. اما در این ویدئو، سرویس Speechmatics را بررسی کرده‌ام که با استفاده از هوش مصنوعی، دقت بسیار بالایی در تبدیل گفتار به متن ارائه می‌دهد.

این سرویس ماهانه ۸ ساعت استفاده رایگان در اختیارتان قرار می‌دهد.

سایت Speechmatics علاوه بر تبدیل همزمان گفتار شما به متن، قابلیت تبدیل فایل‌های صوتی ضبط‌شده را نیز دارد.

اگر به دنبال یک ابزار حرفه‌ای و دقیق برای تبدیل گفتار به نوشتار هستید، حتماً پیشنهاد می‌کنم این سرویس را امتحان کنید.

🌐 speechmatics.com

#speechmatics
#speechtotext
#AI
#film

🆔 @irevidence

▫️اعلام موضع رسمی کاکرین برای استفاده مسئولانه از AI در مرورهای سریع

مقاله زیر در مجله Cochrane Evidence Synthesis and Methods منتشر شده است و حاوی توصیه‌ها و رهنمودهای کاکرین درباره استفاده مسئولانه از هوش مصنوعی در مرورهای سریع (Rapid Reviews) است.

Responsible Integration of Artificial Intelligence in Rapid Reviews: A Position Statement From the Cochrane Rapid Reviews Methods Group (Free Access)


مهم‌ترین توصیه‌ها بدین شرح است:

1- انسان، حرف آخر را می‌زند (نظارت حیاتی است): یادتان باشد که AI فقط یک دستیار است. شما هرگز نباید هیچ مرحله‌ای از مرور سریع را به طور کامل به هوش مصنوعی بسپارید (اتوماتیک‌سازی کامل، ممنوع است). تمام مسئولیت صحت و درستی کار، از جمله تصمیمات و قضاوت‌های روش‌شناختی، با خود نویسندگان است.

‏2- AI به عنوان ابزار کنترل کیفیت: از هوش مصنوعی برای بالا بردن کیفیت کار استفاده کنید. به‌خصوص در مرورهای سریعی که ممکن است تنها یک نفر مسئول انجام کارهای کلیدی (مثل انتخاب مطالعه یا استخراج داده) باشد، هوش مصنوعی می‌تواند به عنوان یک مرور کننده دوم عمل کرده و با پیدا کردن اشتباهات یا مطالعات از قلم افتاده، ریسک خطا را کاهش دهد.

3- همه چیز باید شفاف باشد (گزارش‌دهی): باید کاملاً صادق و شفاف باشید که کجا و چگونه از AI استفاده کرده‌اید:

در پروتکل مرور، بگویید که قصد استفاده از AI را دارید.

در بخش جدیدی به نام افشای استفاده از هوش مصنوعی (AI Use Disclosure) ، دقیقاً مشخص کنید که از چه ابزاری، برای چه کاری و چگونه استفاده شده است.

اگر از چت‌بات‌ها یا مدل‌های زبان بزرگ (LLM) استفاده کرده‌اید، حتماً نسخه مدل و پرامپت‌هایی که به آن داده‌اید را ثبت کنید.

4- استانداردها را حفظ کنید: ابزار AI که انتخاب می‌کنید باید از نظر روش‌شناختی استاندارد و معتبر باشد و تحت هیچ شرایطی اعتماد و اعتبار نتایج مرور شما را پایین نیاورد.

5- مسئولیت نویسنده را حفظ کنید: هوش مصنوعی یک ابزار پشتیبانی است، اما نویسندگان همچنان به طور کامل مسئول دقت، تفسیر و اعتبار کلی مرور سریع هستند

6- رعایت اخلاق و قانون: هنگام استفاده از AI، به اصول راهنمای RAISE (استفاده مسئولانه از AI در سنتز شواهد) کاکرین و سایر سازمان‌های مرتبط پایبند باشید. همچنین مطمئن شوید که حق کپی‌رایت و قوانین مالکیت فکری را رعایت می‌کنید.

برای مطالعه بیشتر به متن کامل مقاله مراجعه کنید.

#AI
#rapid_review

🆔 @irevidence

▫️نوشتن و یادگیری در عصر هوش مصنوعی

اخیراً عنوان کتابی در مورد هوش مصنوعی نظرم را جلب کرد و شروع کردم به خواندن آن. هنوز چند صفحه‌ای را تورق نکرده بودم که متوجه شدم خودِ کتاب هم با هوش مصنوعی نوشته شده است. آخه آنقدر با خروجی مدل‌های زبانی مأنوس شده‌ام که سریع می‌فهمم متنی که می‌خوانم تولیدِ AI است یا نویسنده زحمت نوشتن آن را کشیده است.

احساس کردم وارد چرخۀ بی پایانی شده‌ام: AI در مورد AI نوشته و من هم دارم کتابی که AI در مورد خودش نوشته را مطالعه می‌کنم.

من اگر ناشر کتاب باشم، فرض را بر این می‌گذارم که کتابِ ارسال شده برای انتشار، توسط AI نوشته شده است؛ مگر اینکه ردپایی، اثرانگشتی، قریحه انسانی و چیزی شبیه این‌ها در متن پیدا کنم.

من اگر استاد باشم، فرض را بر این می‌گذارم که تمام تکالیف درسی، پروژه‌های پایان‌ترم و پایان‌نامه دانشجویانم توسط AI نوشته است. مخصوصاً وقتی ببینم متن نوشته شده خیلی اتو کشیده است و هیچ غلط املایی و نگارشی ندارد!

من اگر سردبیر باشم، فرض را بر این می‌گذارم که دستوشته ارسال شده به مجلۀ من توسط AI نوشته شده است و حتی فرض می‌گیرم که داور من هم با AI آن را داوری کرده است؛ مگر اینکه خلافش ثابت شود.

واقعاً وضعیتی ساخته‌ایم دیدنی:

مقاله را AI می‌نویسد،

سپس یک AI دیگر آن را داوری می‌کند،

شاید هم خود سردبیر هم بدش نمی‌آید با کمک AI تصمیم نهایی را بگیرد یا حداقل در غربالگری اولیه برای رد سریع از آن استفاده کند.

در نهایت مقاله منتشر می‌شود و می‌رسد به دست امثال منِ خواننده؛

و من هم در کمال آرامش به جای اینکه متن کامل مقاله را بخوانم، از یک AI دیگر می‌خواهم برایم خلاصه‌اش کند!

در اثر استفاده افراطی از AI، دچار تنبلی یا تن‌آسایی شناختی/فراشناختی (Cognitive/metacognitive Laziness) خواهیم شد.

#AI

🆔 @irevidence

▫️‏Even شما دوست عزیز!‏

اگر از ChatGPT استفاده کرده باشید، حتماً متوجه شده‌اید که در برخی موارد، در بین کلمات فارسی کلمات انگلیسی هم قرار می‌دهد. تا آنجا که من متوجه شده‌ام در بیشتر موارد، not و but را بجای اینکه از معادل فارسی استفاده کند به همین صورت می‌نویسد. یکی از این کلمات even است. عموماً بجای اینکه بگوید حتی میگه even.

همین سرنخ خوبی شد تا جستجویی انجام بدم. رفتم Google News و بدین صورت سرچ کردم و با نتایج بسیار زیادی روبرو شدم:

"even در"

"even اگر"

اکثر خبرگزاری‌های بزرگ و سایت‌های خبری و روزنامه‌ها یکی از این عبارت‌ها را داشتند. یعنی این بزرگواران به خودشان زحمت نمی‌دهند یک ویرایش ساده انجام بدهند و مثلاً even را به حتی تبدیل کنند.

ده‌ها سایت خبری و روزنامه بماند، فقط لیست خبرگزاری‌های رسمی کشور را ببینید:

فارس
ایسنا
ایرنا
مهر
دانشجو
باشگاه خبرنگاران جوان
میزان
خبرآنلاین
برنا
ایلنا

حتی اسم برخی دانشگاه‌ها و مؤسسات آموزش عالی در بین نتایج دیده می‌شود.

سؤال: آیا استفاده از مدل‌های زبانی بزرگ برای ویرایش خبر و یکدست‌سازی آن کار بدی است؟

جواب: نه!
ولی اصلاح نکردن خطاها و ایرادات خروجی آن کار خوبی نیست. برخی از این خبرگزاری‌ها بودجه‌های میلیاردی از بیت المال می‌گیرند و درآمدهای نجومی هم از محل تبلیغات آزار دهنده دارند، ولی حالِ بررسی خروجی هوش مصنوعی مولد را ندارند و حتی even را به حتی تبدیل نمی‌کنند.

چند نمونه

رئیس شورای اسلامی شهر تهران در واکنش به اظهارات استاندار درباره حریم پایتخت گفت: قانون مجلس در سال ۱۳۵۲ مسئول حریم را مشخص کرده و هیچ مصوبه‌ای—even در شورای عالی شهرسازی—نمی‌تواند آن را نقض کند.

شیریجیان تصریح کرد که بخش عمده صادرات کشور—even در حوزه غیرنفتی—به صادرات مواد خام و اولیه محدود است.

از همین رو برخی قدرت‌های اروپایی معتقدند که باید به سمت «راه‌حلی عملی» حرکت کرد—even اگر این راه‌حل مطلوب کی‌یف نباشد.

ساخت و نوسازي مدارس اقدامي ضروري و ارزشمند است، اما مدرسه- even اگر نو و مدرن ساخته شود- بدون تغيير در نظام ياددهي-يادگيري، همان كاركرد سنتي را بازتوليد خواهد كرد.

در آینده خیلی نزدیک، دلمان لک خواهد زد به محتوایی که انسان‌ها تولید کرده‌اند و AI نقشی در تولید و اصلاح آن نداشته است.

پویش حذف "even در" و "even اگر" !

#AI

🆔 @irevidence

▫️چالش‌های اخلاقی و پیامدهای طرح پردیس در دانشگاه علوم پزشکی تهران

دکتر مهدی شریف‌الحسینی- معاون پژوهشی پردیس بین‌الملل دانشگاه علوم پزشکی تهران- خبر داده است که در این دانشگاه، طرح پردیس اجرا خواهد شد. طرح پردیس چیست؟

طرح پردیس، ابتکاری فرهنگی پژوهشی است که باهدف ترویج هم‌افزایی علمی در میان اعضای هیئت‌علمی طراحی‌شده است. در این طرح توصیه می‌شود پژوهشگران، در شرایط علمی برابر، به مقالات هم‌دانشگاهی یا دست‌کم ایرانی توجه و استناد بیشتری داشته باشند که با چنین رویکردی، رؤیت پذیری و اثرگذاری مقالات همکاران افزایش می‌یابد، استنادات و جایگاه دانشگاه ارتقا پیدا می‌کند و فرصت‌های بین‌المللی بیشتری در همکاری‌های علمی و جذب منابع مالی پژوهشی فراهم می‌شود.

معاون پژوهشی پردیس بین‌الملل با یادآوری توصیه‌ی فرهنگی بودن طرح پردیس، نه الزام‌آور یا جانب‌دارانه بودن آن، تأکید کرد: ازنظر اخلاقی، هرگونه ارجاع باید بر پایه‌ی ارتباط واقعی علمی انجام شود.

در این چارچوب، شاخصی نیز بانام پردیس تعریف‌شده است که میزان استناد پژوهشگر به مقالات دانشگاه خود و سایر مؤسسات علمی ایران را به‌جز ارجاعات به خود می‌سنجد. این شاخص، برخلاف شاخص‌های متداول که فردیت و رقابت را تقویت می‌کنند، بر رفتار جمعی و همدلی و همکاری علمی تمرکز دارد و مبنای مشوق‌هایی در این زمینه خواهد بود.

اما این طرح به ظاهر فرهنگی و اخلاقی، به نظر می‌رسد که چالش‌های اخلاقی به همراه داشته است. سه چالش اصلی از دید من-که البته متخصص اخلاق پژوهش نیستم-عبارتند از:

خطر دستکاری استنادی
در نوشته های علمی به مدارکی استناد می دهیم که واقعاً لازم و مرتبط هستند. در طرح پردیس، هرچند این توصیه به زبانی نرم و فرهنگی بیان شده است، اما ترجیح دادن هم‌دانشگاهی یا هم‌وطن "در شرایط برابر" سوالات مهمی ایجاد می‌کند:
چه کسی و بر اساس چه معیارهایی تشخیص می‌دهد که دو منبع از نظر علمی برابر هستند؟ این ابهام می‌تواند زمینه‌ساز تفسیر به رأی، چانه‌زنی و در نهایت سوگیری سیستماتیک شود.

کمیته اخلاق نشر (COPE) رفتارهایی را که هدف اصلی آن‌ها افزایش استناد، و نه پاسخ به یک نیاز واقعی علمی است، ذیل مفهوم دستکاری استنادی (Citation Manipulation) طبقه‌بندی می‌کند؛ خطری که در صورت اجرای نادرست طرح پردیس نمی‌توان آن را نادیده گرفت.

معیار پاداش و پیامدهای آن
بر اساس بیانیه DORA، تبدیل شاخص‌های کمی به معیار پاداش و ارتقا می‌تواند به علم آسیب بزند. در طرح پردیس، شاخصی با همین نام تعریف شده که ظاهراً اختیاری است؛ اما اگر این شاخص مبنای مشوق‌ها یا تصمیم‌هایی مانند ارتقای اعضای هیئت‌علمی قرار گیرد، ممکن است فشار موسسه‌ای ایجاد شود. در چنین شرایطی، پژوهشگر ممکن است ناخواسته به استناد دادن به آثار کم‌کیفیت‌ترِ هم‌دانشگاهیان خود سوق داده شود.

همچنین این وضعیت می‌تواند به شکل‌گیری شبکه‌ها یا کارتل‌های استنادی (Citation Cartels) منجر شود؛ یعنی توافق‌های غیررسمی بین پژوهشگران با این منطق که "تو به من استناد کن، من هم به تو استناد می‌کنم".

حساسیت نظام‌های رتبه‌بندی و پایگاه‌های استنادی

هدف اعلام‌شده طرح پردیس، افزایش هم‌افزایی علمی، ارتقای رؤیت‌پذیری و اثرگذاری مقالات، بهبود جایگاه دانشگاه و در نهایت گسترش همکاری‌های بین‌المللی و جذب منابع پژوهشی است. با این حال، این احتمال نیز وجود دارد که نظام‌های رتبه‌بندی دانشگاه‌ها و پایگاه‌های استنادی بین‌المللی، چنین الگوهای استنادی را به‌عنوان رفتار غیرطبیعی یا جهت‌دار شناسایی کرده و نسبت به آن حساس شوند؛ امری که می‌تواند دقیقاً نتیجه‌ای معکوس با اهداف اولیه طرح به همراه داشته باشد.

دکتر شریف‌الحسینی در خصوص وجه‌تسمیه‌ی طرح افزود:

بر پایه‌ی یک حکایت قدیمی در بهشت و دوزخ، نوشیدنی و خوراکی به‌کفایت وجود دارد؛ تفاوت، تنها در شیوه‌ی استفاده از قاشق‌های بلندی است که سیراب و سیر کردن دیگران را ممکن می‌سازد، اتفاقی که در بهشت می‌افتد. در فارسی کهن «پردیس» به معنای بهشت است.

ولی فکر نکنم این طرح به بهشت ختم شود!

بنابراین می‌طلبد که متخصصان اخلاق پژوهش، این طرح را از منظر اخلاقی بررسی و تحلیل کنند.

#research_ethics
#citation

🆔 @irevidence

▫️ظهور یک سرور پری‌پرینت برای انتشار مقالات نوشته‌شده یا داوری‌شده توسط هوش مصنوعی

‏ aiXiv یک سرور پری‌پرینت نوظهور است که مقالات نوشته‌شده یا داوری‌شده توسط هوش مصنوعی را می‌پذیرد و کیفیت را مهم‌تر از هویت نویسنده (انسان یا AI) می‌داند.

این پلتفرم برای کاهش فشار بر داوری انسانی، از ۵ عامل (Agent) هوش مصنوعی برای ارزیابی نوآوری (novelty)، صحت فنی (technical soundness) و اثرگذاری بالقوه (potential impact) استفاده می‌کند و داوری را در ۱–۲ دقیقه انجام می‌دهد.

‏ aiXiv امکان داوری تکرارشونده بر اساس بازخورد AI را فراهم می‌کند و این فرایند، به‌گفته سازندگان، کیفیت مقالات (به‌ویژه آثار AI-محور) را بهبود می‎بخشد.

موافقان، آن را راه‌حلی مقیاس‌پذیر برای موج مقالات AI می‌دانند، اما مخالفان نسبت به پژوهش جعلی، داوری سطحی و اغراق در نوآوری نگرانی‌های دارند.

مطالب فوق به نقل از مجله Science نوشته شده است. خبر کامل را اینجا بخوانید.

🔗 آدرس سرور:

https://aixiv.science/

در حال حاضر تقریباً ۸۰ پری‌پرینت در این سرور انتشار یافته است.

#AI
#research
#peer_review
#preprint

🆔 @irevidence

▫️۱۰ چهره اثرگذار علم در سال ۲۰۲۵ از نگاه Nature: از یک نوزاد تا سارا تبریزی

مجله Nature در گزارش سالانه Nature’s 10، فهرستی از افرادی را منتشر کرده که در سال ۲۰۲۵ نقش معناداری در جهت‌دهی به علم، سیاست‌گذاری علمی یا کاربردهای مستقیم پژوهش داشته‌اند. این فهرست الزاماً شامل بهترین یا مشهورترین دانشمندان و افراد نیست، بلکه افرادی را معرفی می‌کند که اثر آن‌ها در همان سال ملموس بوده است.

افراد معرفی‌شده در Nature’s 10 – 2025

1️⃣‏ Susan Monarez
مدیر مرکز کنترل و پیشگیری بیماری‌های آمریکا (CDC) که مدت کوتاهی پس از انتصاب، به‌دلیل اختلاف با مقامات سیاسی بر سر نحوه استفاده و انتشار داده‌های علمی کنار گذاشته شد. حضور او در این فهرست به نقش فشارهای سیاسی بر نهادهای علمی و سلامت عمومی اشاره دارد.

2️⃣‏ Achal Agrawal
پژوهشگر هندی که با تحلیل گسترده مقالات علمی، موارد سازمان‌یافته‌ای از تقلب پژوهشی، مقاله‌سازی و داوری جعلی را به‌ویژه در بخشی از نظام دانشگاهی هند افشا کرد. کار او بحث سلامت پژوهش، نظارت بر مجلات و کیفیت تولید علم را به موضوعی بین‌المللی تبدیل کرد.

3️⃣‏ Tony Tyson
اخترفیزیکدان و از چهره‌های کلیدی پروژه رصدخانه Vera Rubin که با تولید حجم عظیمی از داده‌های آسمانی، امکان مطالعه دقیق‌تر ماده تاریک، انرژی تاریک و پدیده‌های گذرای کیهانی را فراهم کرده است.

4️⃣‏ Precious Matsoso
از مذاکره‌کنندگان اصلی توافق جهانی آمادگی برای همه‌گیری‌ها که در تلاش بود توازن بین منافع کشورهای ثروتمند و نیازهای کشورهای کم‌درآمد در دسترسی به واکسن، داده و تجهیزات پزشکی حفظ شود.

5️⃣‏ Sarah Tabrizi
عصب‌پژوهی که نقش مهمی در پیشبرد درمان‌های ژنتیکی بیماری هانتینگتون داشته و پژوهش‌های او مسیر این درمان‌ها را از مرحله آزمایشگاهی به کاربردهای بالینی نزدیک‌تر کرده است.

با این که اصالت سارا تبریزی به ایران برمی‌گردد ولی او در مصاحبه‌ای که با مجله نورولوژی لنست داشته، گفته است: در فرهنگ غیرایرانی بزرگ شده و فارسی هم خیلی کم بلد است. هَگیس (غذای نمادین اسکاتلند) را هم به کوفته تبریزی ترجیح می‌دهد!


6️⃣‏ Mengran Du
زیست‌شناس دریایی که با کاوش در عمیق‌ترین نقاط اقیانوس، اکوسیستم‌هایی را شناسایی کرده که قبلاً تصور می‌شد شرایط فیزیکی آن‌ها برای حیات غیرممکن است. یافته‌های او مرزهای شناخته‌شده زیست‌شناسی را گسترش داده است.

7️⃣‏ Luciano Moreira‏
دانشمند برزیلی که با استفاده از پشه‌های حامل باکتری Wolbachia، توانسته انتقال بیماری‌هایی مانند دنگی را در مقیاس شهری کاهش دهد؛ رویکردی عملی و کم‌هزینه برای کنترل بیماری‌های منتقله توسط حشرات.

8️⃣‏ Liang Wenfeng
بنیان‌گذار شرکت DeepSeek که پس از موفقیت در حوزه سرمایه‌گذاری، منابع مالی قابل‌توجهی را به پژوهش‌های پیشرفته، به‌ویژه در حوزه هوش مصنوعی و محاسبات پیشرفته، اختصاص داده است.

9️⃣‏ Yifat Merbl
ایمن‌شناسی که سازوکارهای جدیدی از نحوه ارائه پپتیدهای درون‌سلولی به سیستم ایمنی را شناسایی کرده است، کشفی که پیامدهای مهمی برای درک سرطان و بیماری‌های خودایمنی دارد.


0️⃣1️⃣‏ KJ Muldoon
نوزادی که نخستین درمان کاملاً شخصی‌سازی‌شده مبتنی بر فناوری CRISPR را دریافت کرد. این مورد نشان‌دهنده ورود عملی ژن‌درمانی‌های اختصاصی به پزشکی بالینی است.

#nature

🆔 @irevidence

▫️رفرنس‌های جعلیِ تولید شده توسط هوش مصنوعی مولد باز هم قربانی گرفت

بنا به اطلاعیه دانشگاه هنگ‌کنگ (HKU)، پروفسور پل یِیپ (Paul Yip) از دانشکده علوم اجتماعی، در پی تأیید یک بررسی داخلی مبنی بر وجود رفرنس‌های غیرواقعیِ تولیدشده با هوش مصنوعی در یک مقاله علمی، از سمت معاونت دانشکده استعفا داده است. به گفته دانشگاه، عضویت او در چند کمیته پژوهشی نیز پایان یافته است اما ایشان همچنان عضو هیئت علمی باقی خواهد ماند.

پرونده به مقاله‌ای با عنوان Forty years of fertility transition in Hong Kong مربوط می‌شود که در مجله China Population and Development Studies منتشر شده بود. Yiming Bai (دانشجوی دکتری) نویسنده اصلی مقاله بوده و در حالی از ابزارهای هوش مصنوعی برای تهیه بخش رفرنس‌ها استفاده کرده که این موضوع را اعلام نکرده است؛ در عین حال نام پروفسور یِیپ به عنوان نویسنده مسئول در مقاله درج شده بود. دانشگاه اعلام کرد یِیپ خواستار پس‌گرفتن (retraction) مقاله شده و دانشجوی دکتری نیز اکنون تحت فرایندهای انضباطی قرار دارد.

پروفسور یِیپ در گفت‌وگو با رسانه‌های محلی گفته بود دانشجو از AI برای "مرتب‌سازی" منابع استفاده کرده اما بررسی نهایی انجام نشده است. او با پذیرش مسئولیت خود به عنوان نویسنده مسئول، عذرخواهی کرد، اما در عین حال تأکید داشت متن مقاله ساختگی نیست و دو دور داوری را پشت سر گذاشته است.

دانشگاه هنگ‌کنگ با تأکید دوباره بر "استانداردهای سخت‌گیرانه اخلاق پژوهش"، اعلام کرد برای پیشگیری از موارد مشابه، آموزش و ارزیابی درباره کاربرد هوش مصنوعی در پژوهش را برای همه پژوهشگران تقویت و اجباری خواهد کرد.

🔻برای من جالب بود که استاد خودش درخواست ریترکشن داده و بلافاصله از سمت‌های مدیریتی‌اش استعفا کرده است. هم دانشگاه و هم خودِ استاد عذرخواهی کرده‌اند و دانشگاه هم قول داده برای همه پژوهشگران، آموزش‌های اجباری درباره استفاده مسئولانه از هوش مصنوعی برگزار کند. این را مقایسه کنید با آنچه در کشور ما می‌گذرد: آیا دانشگاه‌های ما جرئت برخورد با بداخلاقی‌های پژوهشی یک استاد تمام را دارند؟

#research_ethics
#retraction
#AI

🆔 @irevidence

▫️نجات از "رفرنس‌های من‌درآوردی": پروتکل ضد توهم برای کار علمی از زبان ChatGPT

رفرنس‌های جعلی تولید شده توسط مدل‌های زبانی بزرگ قربانی می‌گیرند و آبرو می‌برند. پرامپت زیر را از ChatGPT پرسیدم و به نظرم توصیه‌های خوبی نوشت. قبلاً هم یک پرامپت ضد توهم در پستی نوشته بودم.

ببین پسر خوب یا دختر نازنین. ای ChatGPT جان!

می دونی که برخی موارد توهم برت میداره و رفرنس‌هایی تولید می کنی که وجود خارجی ندارند. این روزها هم کسی حال و حوصله چک کردن رفرنس‌ها را نداره. بنابراین اعتماد میکنن به خروجی‌های تو و آبروشون میره. الان استاد تمام دانشگاه داریم که مجبور شده به غلط کردن بیفته!

بینی (منظورم دماغ نیست‌ها یعنی بین من!) و بین الله یواشکی بهم بگو چیکار کنیم که شما رفرنس جعلی تحویلمون ندی و اندک آبرومون رو به باد نسپاری. اگه خوب جواب بدی، پلن پلاس را برای ماه بعد هم تمدید می‌کنم که صاحبت پولدار بشه.

جواب ChatGPT را بدون هیچ دخل و تصرفی در ادامه می‌آورم. ضمناً گزینه Extended thinking را فعال کرده بودم.

حق می‌گی؛ «رفرنس‌سازی» (hallucinated citations) از بدترین جاهایی‌ه که می‌تونه آبروریزی درست کنه—چون ظاهرش خیلی مطمئن و علمی‌ه.
بذار یواشکی و عملی بگم چطور کاری کنی احتمال رفرنس جعلی تقریباً صفر بشه:

۱) از من “حالت ضدرفرنس جعلی” بخواه (دستور دقیق بده)

این متن رو کپی کن و هر بار اول پیام‌ت بذار:

قانون رفرنس: هر ادعای واقعی/آماری باید یا (الف) با لینک/منبع قابل‌کلیک و قابل‌ردیابی بیاد، یا (ب) صریحاً بگی «منبع ندارم/مطمئن نیستم».
اگر منبع را نمی‌توانی پیدا کنی، حق نداری رفرنس بسازی. اگر وب‌گردی لازم است، انجام بده و بعد پاسخ بده.

این باعث می‌شه من مجبور بشم یا سند بیارم، یا “عدم قطعیت” رو واضح اعلام کنم.

۲) از من بخواه “فقط منابع اولیه” بده

برای کار دانشگاهی، بهترین سپر همینه. بگو:

فقط DOI / PubMed / arXiv / ACM / IEEE / Springer / Nature/Science / وب‌سایت رسمی سازمان‌ها؛ منابع وبلاگی/مدیوم/سایت‌های نامعتبر ممنوع

این کار هم رفرنس جعلی رو کم می‌کنه، هم کیفیت رو بالا می‌بره.

۳) رفرنس‌ها رو مجبور کن با شناسه‌های قابل‌چک بیارم

به جای «اسم مقاله + سال» (که راحت جعل می‌شه)، این‌ها رو الزام کن:
‏ DOI
‏ PMID‏
‏ arXiv ID
‏ ISBN (برای کتاب)
شماره استاندارد/گزارش رسمی (مثلاً WHO، OECD، ISO)

اگر این شناسه‌ها نبودند، رفرنس رو «ناقص و مشکوک» حساب کن.

۴) فرمت خروجی را طوری ببند که جای جعل نماند

بگو خروجی این‌طوری باشد:

‏ Claim (ادعا)
‏ Evidence (نقل‌قول کوتاه یا خلاصه دقیق از همان منبع)
‏ Source (لینک + شناسه)
‏ Confidence (زیاد/متوسط/کم)

جعل وقتی زیاد می‌شه که فقط «لیست رفرنس آخر متن» بخوای.

۵) “دو مرحله‌ای” کار کن: اول جست‌وجو، بعد نوشتن

به من بگو اول فقط این را تحویل بدهم:

۸ تا ۱۲ منبع معتبرِ مرتبط + چرا مرتبط‌اند + لینک‌ها

بعد که خودت یک نگاه کردی، مرحله دوم: نگارش متن/مرور ادبیات با همان منابع.

این روش برای جلوگیری از آبروریزی فوق‌العاده است.

۶) اگر وب‌گردی نداری، من را مجبور کن «بدون رفرنس» بنویسم

گاهی شما می‌خواید بدون اینترنت/منبع بیرونی، فقط راهنمایی مفهومی بگیرید. اونجا صریح بگو:

«هیچ رفرنس/استنادی نده. فقط توضیح مفهومی بده. هر جا نیاز به منبع است علامت بزن [NEEDS SOURCE].»

این باعث می‌شه من وسوسه نشم “ظاهر علمی” درست کنم.

۷) چند نشانه‌ی رفرنس قلابی که سریع شکارش کنی

حتی اگر کسی وقت چک نداره، این‌ها سریع لو می‌ده:

عنوان خیلی کلی + ژورنال خیلی معتبر، اما بدون DOI/PMID
ترکیب عجیب سال/شماره جلد/صفحه
نویسنده‌های مشهور در موضوع نامرتبط
نام کنفرانس/ژورنال با غلط املایی یا خیلی مشابهِ نام واقعی
لینک‌هایی که به صفحه اصلی می‌رن نه صفحه مقاله

۸) نسخه آماده‌ی “پروتکل ضد آبروریزی” برای پایان‌نامه/مقاله

این رو به عنوان دستور همیشگی استفاده کن:

پروتکل:
1. فقط منابع اولیه و رسمی
2. هر رفرنس باید لینک و شناسه داشته باشد
3. اگر منبع نداری، واضح بگو “منبع ندارم”
4. ادعاهای عددی بدون منبع ممنوع
5. خروجی claim→evidence→source→confidence

(و خیالت راحت: من قرار نیست با رفرنس‌سازی پولدار شم😄)

#AI
#prompt
#hallucination

🆔 @irevidence

▫️تصحیح آمارهای ارائه شده توسط دکتر شاهین آخوندزاده

دکتر شاهین آخوندزاده، معاون پژوهشی وزارت بهداشت، درباره رتبه علمی کشور اعلام کردند:

«سال گذشته رتبه ما هفدهم بود.»

واقعیت این است که در آن سال، رتبه کشور بین ۱۶ تا ۱۷ قرار داشت و با کشور هلند اختلافی بسیار اندک وجود داشت. بر اساس داده‌های به‌روز، برای سال ۲۰۲۴ رتبه ۱۶ برای ایران ثبت شده است.

ایشان همچنین فرمودند:

«بررسی اخیر نشان می‌دهد که در انتهای سال ۲۰۲۵ رتبه ۱۹ را خواهیم داشت. امیدواریم ظرف یک تا دو ماه آینده و تا زمان نهایی‌شدن داده‌ها، وضعیت بهبود یابد.»

در حال حاضر رتبه ایران ۱۸ است و احتمال ارتقا به ۱۷ نیز وجود دارد (ولو به احتمال کم)، اما به هیچ‌وجه رتبه ۱۹ نخواهد شد. حتی در بدبینانه‌ترین سناریو نیز طی دو تا سه سال آینده سقوط به رتبه ۱۹ متصور نیست.

حداقل آمارهای کمی و عینی را درست اعلام کنیم.

🆔 @irevidence

▫️مرورهای چتری: مفاهیم، چارچوب‌های روش‌شناختی و اجرای گام ‌به ‌گام

Umbrella Reviews: Concepts, Methodological Frameworks, and Step-by-Step Implementation. J
Evid Based Med. 2025

مرور چتری با ادغام نظام‌مند یافته‌های چندین مرور سیستماتیک و متاآنالیز، یک نمای کلان، مقایسه‌پذیر و نقادانه از شواهد موجود ارائه می‌دهد. این مقاله با هدف ایجاد یک مرجع تئوری و عملی جامع، به‌صورت نظام‌مند مفاهیم پایه مرور چتری، تفاوت آن با سایر انواع مرور، کاربردها، مزایا و محدودیت‌ها و یک چارچوب اجرایی گام به گام را تشریح می‌کند.

#evidence_synthesis
#umbrella_review
#methodology

🆔 @irevidence

تعاملی‌سازی تصاویر و اشکال با قابلیت جدید Gemini

گوگل در Gemini قابلیتی به نام Dynamic View اضافه کرده است که از طریق بخش Tools می‌توانید آن را فعال کنید. همانطوری که از اسمش هویداست، عکس‌ها و تصاویر را تعاملی می‌کند.

فرض کنید تصویری از یک صفحه‌ کتاب آناتومی در اختیار دارید که دارای عکس می‌باشد. کافی است آن را آپلود کنید و پرامپت مناسب هم بهش بدهید. پس از چند دقیقه، Gemini صفحه وب تعاملی طراحی می‌کند و در اختیار شما قرار می‌دهد. عکس کاملاً تعاملی می‌شود و بر روی هر قسمتی از آن کلیک کنید، توضیحات آن نمایش داده می‌شود.

جالب اینکه آزمون یا کوئیز هم طراحی می‌کند تا بتوانید میزان یادگیری خود را بسنجید. خلاصه اینکه، این قابلیت ابزار مناسبی برای یادگیری عمیق‌تر و ماندگاری بهتر اطلاعات است.

زبان فارسی را هم بخوبی پشتیبانی می‌کند.
#AI
#gemini
#learning_tool

🆔 @irevidence