▫️دیتابیس PubMed در دوران تعطیلی دولت آمریکا
در ایالات متحده، هر نهاد دولتی مانند وزارت بهداشت، آموزش، دفاع و غیره برای ادامۀ فعالیت خود نیازمند تصویب بودجۀ سالانه از سوی کنگره است. اگر رئیسجمهور و کنگره بر سر بودجه یا لایحهای خاص به توافق نرسند، تخصیص بودجه متوقف میشود. در نتیجه، دولت نمیتواند به کارمندان خود حقوق پرداخت کند، خدمات غیرضروری متوقف میشوند و تنها بخشهای حیاتی مانند پلیس فدرال، خدمات درمانی اضطراری یا کنترل ترافیک هوایی به کار خود ادامه میدهند.
در چنین وضعیتی اصطلاحاً گفته میشود که دولت آمریکا تعطیل شده است (U.S. Government Shutdown).
اما این مسئله چه ارتباطی به پابمد دارد؟
پابمد بخشی از مرکز ملی اطلاعات زیستفناوری (NCBI) است که زیرمجموعۀ کتابخانهی ملی پزشکی آمریکا (NLM) محسوب میشود. NLM نیز یکی از بخشهای مؤسسه ملی سلامت آمریکا (NIH) است و NIH خود زیرمجموعۀ وزارت بهداشت و خدمات انسانی آمریکا (HHS) به شمار میرود.
بنابراین، از آنجا که NIH نهادی فدرال و وابسته به دولت است، در زمان تعطیلی دولت فدرال، بودجۀ NIH و NLM نیز موقتاً قطع میشود. از آغاز تعطیلی (اول اکتبر)، در تمامی وبسایتهای وابسته به NIH پیامی نمایش داده میشود مبنی بر اینکه به دلیل وقفه در تأمین بودجۀ دولتی، اطلاعات این پایگاهها ممکن است بهروز نباشند.
با این حال، جستوجو در پابمد فرآیندی خودکار است و بخش عمدهای از آپلود اطلاعات مقالات جدید را خودِ مجلات انجام میدهند. به همین دلیل، مقالاتی که پس از آغاز تعطیلی منتشر میشوند، همچنان به پابمد اضافه میشوند، به شرط آنکه مجلۀ مربوطه قبلاً در این پایگاه نمایه شده باشد. سامانههای خودکار NLM نیز برای این مقالات Medline citation ایجاد کرده و اصطلاحات MeSH را تخصیص میدهند تا در جستوجوها قابل بازیابی باشند.
با وجود این، بخشی از فعالیتهای پابمد در دوران تعطیلی متوقف شده است؛ چون حدود ۸۰ درصد کارکنان NIH به مرخصی اجباری رفتهاند و کارهایی که نیاز به بررسی انسانی دارند مانند ارزیابی مجلات جدید برای نمایهشدن در مدلاین در این مدت انجام نمیشوند.
در ابتدای تعطیلی، از سازمانها خواسته شده مشخص کنند کدامیک از خدماتشان ضروری به شمار میرود. NIH گفته که خدمات مربوط به مدلاین از جمله فعالیتهای ضروری است.
برای بررسی تأثیر تعطیلی دولت بر روند بهروزرسانی پابمد، جستوجویی انجام دادم و تعداد مقالات افزودهشده در بازههای زمانی مشابه را مقایسه کردم:
از ۱ تا ۲۴ اکتبر (دوران تعطیلی): ۱۳۳۷۷۸ رکورد
از ۱ تا ۲۴ سپتامبر: ۱۶۳۵۸۱ رکورد
از ۱ تا ۲۴ اوت: ۱۵۳۵۸۱ رکورد
از ۱ تا ۲۴ ژوئیه: ۱۷۱۷۳۶ رکورد
با اینکه تعداد رکوردهای افزودهشده در دوران تعطیلی، نسبت به ماههای گذشته کاهش یافته است، اما این اختلاف چندان چشمگیر نیست و نمیتواند نشانۀ جدی از بهروز نبودن پایگاه پابمد باشد.
به قول نویسنده مقالهای در مجلۀ BMJ، پابمد فعلاً رفته روی حالت autopilot
#pubmed
#medline
#database
🆔 @irevidence
در ایالات متحده، هر نهاد دولتی مانند وزارت بهداشت، آموزش، دفاع و غیره برای ادامۀ فعالیت خود نیازمند تصویب بودجۀ سالانه از سوی کنگره است. اگر رئیسجمهور و کنگره بر سر بودجه یا لایحهای خاص به توافق نرسند، تخصیص بودجه متوقف میشود. در نتیجه، دولت نمیتواند به کارمندان خود حقوق پرداخت کند، خدمات غیرضروری متوقف میشوند و تنها بخشهای حیاتی مانند پلیس فدرال، خدمات درمانی اضطراری یا کنترل ترافیک هوایی به کار خود ادامه میدهند.
در چنین وضعیتی اصطلاحاً گفته میشود که دولت آمریکا تعطیل شده است (U.S. Government Shutdown).
اما این مسئله چه ارتباطی به پابمد دارد؟
پابمد بخشی از مرکز ملی اطلاعات زیستفناوری (NCBI) است که زیرمجموعۀ کتابخانهی ملی پزشکی آمریکا (NLM) محسوب میشود. NLM نیز یکی از بخشهای مؤسسه ملی سلامت آمریکا (NIH) است و NIH خود زیرمجموعۀ وزارت بهداشت و خدمات انسانی آمریکا (HHS) به شمار میرود.
بنابراین، از آنجا که NIH نهادی فدرال و وابسته به دولت است، در زمان تعطیلی دولت فدرال، بودجۀ NIH و NLM نیز موقتاً قطع میشود. از آغاز تعطیلی (اول اکتبر)، در تمامی وبسایتهای وابسته به NIH پیامی نمایش داده میشود مبنی بر اینکه به دلیل وقفه در تأمین بودجۀ دولتی، اطلاعات این پایگاهها ممکن است بهروز نباشند.
با این حال، جستوجو در پابمد فرآیندی خودکار است و بخش عمدهای از آپلود اطلاعات مقالات جدید را خودِ مجلات انجام میدهند. به همین دلیل، مقالاتی که پس از آغاز تعطیلی منتشر میشوند، همچنان به پابمد اضافه میشوند، به شرط آنکه مجلۀ مربوطه قبلاً در این پایگاه نمایه شده باشد. سامانههای خودکار NLM نیز برای این مقالات Medline citation ایجاد کرده و اصطلاحات MeSH را تخصیص میدهند تا در جستوجوها قابل بازیابی باشند.
با وجود این، بخشی از فعالیتهای پابمد در دوران تعطیلی متوقف شده است؛ چون حدود ۸۰ درصد کارکنان NIH به مرخصی اجباری رفتهاند و کارهایی که نیاز به بررسی انسانی دارند مانند ارزیابی مجلات جدید برای نمایهشدن در مدلاین در این مدت انجام نمیشوند.
در ابتدای تعطیلی، از سازمانها خواسته شده مشخص کنند کدامیک از خدماتشان ضروری به شمار میرود. NIH گفته که خدمات مربوط به مدلاین از جمله فعالیتهای ضروری است.
برای بررسی تأثیر تعطیلی دولت بر روند بهروزرسانی پابمد، جستوجویی انجام دادم و تعداد مقالات افزودهشده در بازههای زمانی مشابه را مقایسه کردم:
از ۱ تا ۲۴ اکتبر (دوران تعطیلی): ۱۳۳۷۷۸ رکورد
از ۱ تا ۲۴ سپتامبر: ۱۶۳۵۸۱ رکورد
از ۱ تا ۲۴ اوت: ۱۵۳۵۸۱ رکورد
از ۱ تا ۲۴ ژوئیه: ۱۷۱۷۳۶ رکورد
با اینکه تعداد رکوردهای افزودهشده در دوران تعطیلی، نسبت به ماههای گذشته کاهش یافته است، اما این اختلاف چندان چشمگیر نیست و نمیتواند نشانۀ جدی از بهروز نبودن پایگاه پابمد باشد.
به قول نویسنده مقالهای در مجلۀ BMJ، پابمد فعلاً رفته روی حالت autopilot
#pubmed
#medline
#database
🆔 @irevidence
❤24👍5😁5
▫️آیا به دانشجویان، شایستگیِ هوش مصنوعی (AI competence) را آموزش میدهیم یا وابستگی (dependence) به آن را؟
در عصر AI، دانشگاهها با چالشی بنیادین روبهرو هستند: آیا آموزش فعلی، دانشجویانی شایسته و توانمند در استفاده آگاهانه از AI تربیت میکند، یا نسلی وابسته که بدون آن قادر به تفکر مستقل نیست؟ Thorsten Fröhlich استاد تمام مدیریت IT در دانشگاه علوم کاربردی IU آلمان در نوشتاری به این دغدغه پرداخته است.
پارادوکس عملکرد
دانشگاهها با شور و شتاب به استقبال فناوریهای AI رفتهاند، از آموزش مهندسی پرامپت تا تدوین دستورالعملهای اخلاقی. اما سوال اصلی نادیده گرفته شده است: آیا این آموزشها به رشد فکری منجر میشوند یا فقط ظاهری از یادگیری را ایجاد میکنند؟
مطالعات متعدد نشان دادهاند که استفاده زیاد از ابزارهای AI با افت تفکر انتقادی همراه است. دلیل این امر چیزی است که پژوهشگران تنبلی فراشناختی (metacognitive laziness) مینامند: یعنی دانشجو بهجای درگیر شدن در فرایند تفکر، تصمیمگیری و تحلیل، مسئولیت این فرایندها را به ماشین میسپارد.
اعتماد کاذب و توهم شایستگی
این اتکا منجر به اعتماد بیشازحد میشود. دانشجویان متونی تولید میکنند که از نظر ظاهری، علمی و دقیق است، اما خودشان قادر به توضیح یا دفاع از آن نیستند. پژوهشها نشان میدهد بیشتر آنها نمیتوانند خطاهای تولیدشده توسط AI را تشخیص دهند، مگر اینکه مستقیماً درباره احتمال اشتباه هشدار داده شوند. در نتیجه نوعی توهم شایستگی شکل میگیرد؛ یعنی احساس تسلط بدون درک واقعی.
برنامه درسی پنهانِ وابستگی
در عمل، بسیاری از برنامههای آموزشی بهجای آموزش سواد AI، وابستگی ذهنی به آن را تقویت میکنند. نتایج پژوهشها نشان میدهد حتی دانشجویانی که میدانند این وابستگی خطرناک است، بهتدریج در دام آن میافتند. پیامدهای این روند شامل:
کاهش خلاقیت و توان حل مسئله،
افزایش انفعال ذهنی،
پذیرش بیچونوچرای اطلاعات تولیدشده،
افت در تحلیل مستقل و ارزیابی انتقادی است.
در واقع دانشگاهها بهصورت ناخواسته همان مهارتهایی را تضعیف میکنند که اندیشه انسانی را از پردازش ماشینی متمایز میسازد.
ناتوانی نظام ارزیابی
روشهای ارزیابی فعلی این شکاف را تشخیص نمیدهند. آثار تولیدشده با کمک AI اغلب با استانداردهای دانشگاهی سازگارند، اما پشت آنها درک و قضاوت انسانی وجود ندارد. حتی برنامههای موسوم به سواد AI نیز نشان دادهاند که دانشجویان بیشتر در مهارت فنی موفقاند تا در استدلال اخلاقی و تحلیل نقادانه. در نتیجه، دانشگاهها در ارزیابی واقعی یادگیری دچار خطا میشوند.
مسیر اصلاح: پرورش شایستگی AI
برای عبور از بحران، باید از آموزش ابزار فراتر رفت و به پرورش قضاوت هوش مصنوعی (AI judgment) پرداخت؛ یعنی توانایی تشخیص زمان، نحوه و ضرورت استفاده از AI در فرایند اندیشه.
این امر مستلزم بازطراحی آموزش بر سه اصل است:
1. تمرین ارزیابی انتقادی (Critical evaluation practice): دانشجویان باید در چارچوبی ساختارمند، توانایی ارزیابی انتقادی خروجیهای AI را تمرین کنند؛ یعنی دقت، ارتباط موضوعی و انسجام منطقی آن را بسنجند. برای این هدف میتوان از تکالیفی مانند راستیآزمایی محتوا، شناسایی خطاها و شکافهای استدلالی، و مقایسه نتایج AI با منابع معتبر استفاده کرد.
2. پرورش آگاهی فراشناختی: (Meta-cognitive awareness development): دانشجویان باید شیوههای استفاده خود از AI و تأثیر آن بر یادگیریشان را آگاهانه بررسی کنند؛ برای این منظور میتوان از تمرینهای بازاندیشانه (reflection exercises) بهره گرفت که در آن، دانشجو یک وظیفه را هم با کمک AI و هم بدون آن انجام داده و سپس تفاوت در شیوه تفکر و تصمیمگیری خود را تحلیل میکند.
3. حفظ مالکیت فکری (Intellectual ownership maintenance): دانشجویان باید تفاوت بین استفاده از AI بهعنوان ابزار و سپردن تفکر به آن را درک کنند. برای تقویت این مهارت، میتوان از ارزیابیهای شفاهی جهت سنجش توان توضیح و دفاع از ایدهها و نیز از پورتفولیوهای مستندکنندهی روند شکلگیری تفکر دانشجو در تعامل با AI استفاده کرد.
اساتید نیز باید آموزش ببینند تا وابستگی ذهنی دانشجویان را تشخیص دهند، مهارتهای تحلیلی را تقویت کنند و ارزیابیهایی طراحی نمایند که فرایند تفکر را بسنجد، نه فقط نتیجه تولیدشده را.
انتخاب نهایی
آینده آموزش عالی در گرو انتخابی روشن است:
آیا دانشگاهها فارغالتحصیلانی خواهند پروراند که صرفاً استفاده از AI را بلدند یا انسانهایی که میتوانند با هوش مصنوعی فکر کنند؟
راه نخست به نسلی وابسته و ظاهراً توانمند اما بیدرک میانجامد. راه دوم، هرچند دشوارتر، میتواند نسلی از اندیشمندان مستقل، منتقد و مسئول بسازد که از AI بهره میگیرند بیآنکه تفکر انسانی خود را تسلیم آن کنند.
#AI
🆔 @irevidence
در عصر AI، دانشگاهها با چالشی بنیادین روبهرو هستند: آیا آموزش فعلی، دانشجویانی شایسته و توانمند در استفاده آگاهانه از AI تربیت میکند، یا نسلی وابسته که بدون آن قادر به تفکر مستقل نیست؟ Thorsten Fröhlich استاد تمام مدیریت IT در دانشگاه علوم کاربردی IU آلمان در نوشتاری به این دغدغه پرداخته است.
پارادوکس عملکرد
دانشگاهها با شور و شتاب به استقبال فناوریهای AI رفتهاند، از آموزش مهندسی پرامپت تا تدوین دستورالعملهای اخلاقی. اما سوال اصلی نادیده گرفته شده است: آیا این آموزشها به رشد فکری منجر میشوند یا فقط ظاهری از یادگیری را ایجاد میکنند؟
مطالعات متعدد نشان دادهاند که استفاده زیاد از ابزارهای AI با افت تفکر انتقادی همراه است. دلیل این امر چیزی است که پژوهشگران تنبلی فراشناختی (metacognitive laziness) مینامند: یعنی دانشجو بهجای درگیر شدن در فرایند تفکر، تصمیمگیری و تحلیل، مسئولیت این فرایندها را به ماشین میسپارد.
اعتماد کاذب و توهم شایستگی
این اتکا منجر به اعتماد بیشازحد میشود. دانشجویان متونی تولید میکنند که از نظر ظاهری، علمی و دقیق است، اما خودشان قادر به توضیح یا دفاع از آن نیستند. پژوهشها نشان میدهد بیشتر آنها نمیتوانند خطاهای تولیدشده توسط AI را تشخیص دهند، مگر اینکه مستقیماً درباره احتمال اشتباه هشدار داده شوند. در نتیجه نوعی توهم شایستگی شکل میگیرد؛ یعنی احساس تسلط بدون درک واقعی.
برنامه درسی پنهانِ وابستگی
در عمل، بسیاری از برنامههای آموزشی بهجای آموزش سواد AI، وابستگی ذهنی به آن را تقویت میکنند. نتایج پژوهشها نشان میدهد حتی دانشجویانی که میدانند این وابستگی خطرناک است، بهتدریج در دام آن میافتند. پیامدهای این روند شامل:
کاهش خلاقیت و توان حل مسئله،
افزایش انفعال ذهنی،
پذیرش بیچونوچرای اطلاعات تولیدشده،
افت در تحلیل مستقل و ارزیابی انتقادی است.
در واقع دانشگاهها بهصورت ناخواسته همان مهارتهایی را تضعیف میکنند که اندیشه انسانی را از پردازش ماشینی متمایز میسازد.
ناتوانی نظام ارزیابی
روشهای ارزیابی فعلی این شکاف را تشخیص نمیدهند. آثار تولیدشده با کمک AI اغلب با استانداردهای دانشگاهی سازگارند، اما پشت آنها درک و قضاوت انسانی وجود ندارد. حتی برنامههای موسوم به سواد AI نیز نشان دادهاند که دانشجویان بیشتر در مهارت فنی موفقاند تا در استدلال اخلاقی و تحلیل نقادانه. در نتیجه، دانشگاهها در ارزیابی واقعی یادگیری دچار خطا میشوند.
مسیر اصلاح: پرورش شایستگی AI
برای عبور از بحران، باید از آموزش ابزار فراتر رفت و به پرورش قضاوت هوش مصنوعی (AI judgment) پرداخت؛ یعنی توانایی تشخیص زمان، نحوه و ضرورت استفاده از AI در فرایند اندیشه.
این امر مستلزم بازطراحی آموزش بر سه اصل است:
1. تمرین ارزیابی انتقادی (Critical evaluation practice): دانشجویان باید در چارچوبی ساختارمند، توانایی ارزیابی انتقادی خروجیهای AI را تمرین کنند؛ یعنی دقت، ارتباط موضوعی و انسجام منطقی آن را بسنجند. برای این هدف میتوان از تکالیفی مانند راستیآزمایی محتوا، شناسایی خطاها و شکافهای استدلالی، و مقایسه نتایج AI با منابع معتبر استفاده کرد.
2. پرورش آگاهی فراشناختی: (Meta-cognitive awareness development): دانشجویان باید شیوههای استفاده خود از AI و تأثیر آن بر یادگیریشان را آگاهانه بررسی کنند؛ برای این منظور میتوان از تمرینهای بازاندیشانه (reflection exercises) بهره گرفت که در آن، دانشجو یک وظیفه را هم با کمک AI و هم بدون آن انجام داده و سپس تفاوت در شیوه تفکر و تصمیمگیری خود را تحلیل میکند.
3. حفظ مالکیت فکری (Intellectual ownership maintenance): دانشجویان باید تفاوت بین استفاده از AI بهعنوان ابزار و سپردن تفکر به آن را درک کنند. برای تقویت این مهارت، میتوان از ارزیابیهای شفاهی جهت سنجش توان توضیح و دفاع از ایدهها و نیز از پورتفولیوهای مستندکنندهی روند شکلگیری تفکر دانشجو در تعامل با AI استفاده کرد.
اساتید نیز باید آموزش ببینند تا وابستگی ذهنی دانشجویان را تشخیص دهند، مهارتهای تحلیلی را تقویت کنند و ارزیابیهایی طراحی نمایند که فرایند تفکر را بسنجد، نه فقط نتیجه تولیدشده را.
انتخاب نهایی
آینده آموزش عالی در گرو انتخابی روشن است:
آیا دانشگاهها فارغالتحصیلانی خواهند پروراند که صرفاً استفاده از AI را بلدند یا انسانهایی که میتوانند با هوش مصنوعی فکر کنند؟
راه نخست به نسلی وابسته و ظاهراً توانمند اما بیدرک میانجامد. راه دوم، هرچند دشوارتر، میتواند نسلی از اندیشمندان مستقل، منتقد و مسئول بسازد که از AI بهره میگیرند بیآنکه تفکر انسانی خود را تسلیم آن کنند.
#AI
🆔 @irevidence
👍20❤10🙏2
▫️خرید و فروش مقاله و جایگاه نویسندگی
عکس بالا را از یکی از کانالهای بهاصطلاح خدمات دانشجویی برداشتم. در روز روشن، مقاله و جایگاه نویسندگی خرید و فروش میشود.
جمع مبالغ درجشده در تصویر ۱۶۱ میلیون تومان است؛ معادل تقریباً حقوق پنج تا شش ماه یک عضو هیئت علمی تازهاستخدام.
تورم فقط برای گوشت و لوبیا و مسکن نیست، بهنظر میرسد تورم خرید و فروش مقاله هم بالا رفته است! امیدوارم مسئولان مربوطه به این موضوع رسیدگی کنند. پیشنهاد میکنم بانکها وامی تحت عنوان "وام خرید مقاله با سود چهار درصد" ارائه بدهند!
از نظر اخلاقی درست نیست که مقاله را بدهیم دیگری برایمان بنویسد، اما بد نیست بدانید بسیاری از این افراد و شرکتهای فعال در این حوزه دیگر مانند گذشته زحمت زیادی نمیکشند و با هوش مصنوعی مقاله تولید میکنند.
پس اگر قرار است مقالهای بنویسید، خودتان استفاده از هوش مصنوعی را یاد بگیرید و با کمک آن بنویسید؛ حداقل در این صورت پولتان هدر نمیرود.
#authorship
#research_misconduct
🆔 @irevidence
عکس بالا را از یکی از کانالهای بهاصطلاح خدمات دانشجویی برداشتم. در روز روشن، مقاله و جایگاه نویسندگی خرید و فروش میشود.
جمع مبالغ درجشده در تصویر ۱۶۱ میلیون تومان است؛ معادل تقریباً حقوق پنج تا شش ماه یک عضو هیئت علمی تازهاستخدام.
تورم فقط برای گوشت و لوبیا و مسکن نیست، بهنظر میرسد تورم خرید و فروش مقاله هم بالا رفته است! امیدوارم مسئولان مربوطه به این موضوع رسیدگی کنند. پیشنهاد میکنم بانکها وامی تحت عنوان "وام خرید مقاله با سود چهار درصد" ارائه بدهند!
از نظر اخلاقی درست نیست که مقاله را بدهیم دیگری برایمان بنویسد، اما بد نیست بدانید بسیاری از این افراد و شرکتهای فعال در این حوزه دیگر مانند گذشته زحمت زیادی نمیکشند و با هوش مصنوعی مقاله تولید میکنند.
پس اگر قرار است مقالهای بنویسید، خودتان استفاده از هوش مصنوعی را یاد بگیرید و با کمک آن بنویسید؛ حداقل در این صورت پولتان هدر نمیرود.
#authorship
#research_misconduct
🆔 @irevidence
👍33💔7😁6👌5👎2
▫️بازنگری در آییننامه ارتقای اعضای هیأت علمی و طراحی نظام رتبهبندی دانشگاهها
حسین سیماییصراف-وزیر علوم- در دیدار با با اعضای هیأت علمی دانشگاههای سیستان و بلوچستان سخنانی را ارائه کرده است که بخشهای مرتبط را در ادامه به نقل از خبرگزاری ایسنا میآورم:
در آییننامه جدید، حوزه علوم انسانی و اجتماعی از رشتههای فنی و مهندسی تفکیک شده و شاخصهای اختصاصی برای هر بخش تعریف شده است.
در این آییننامه، ارتقای اعضای هیأت علمی تنها بر اساس تعداد مقالات و کتابها ارزیابی نمیشود و معیار «اثرگذاری اجتماعی» به عنوان شاخصی نوین در نظر گرفته شده است.
استادانی که با پژوهشهای علمی خود بتوانند مشکلات اقتصادی، اجتماعی یا فرهنگی استانها را کاهش دهند، بیش از گذشته مورد تقدیر قرار خواهند گرفت. این تحول در نظام ارزیابی، به رسمیت شناختن نقش اجتماعی دانشگاهها و تأکید بر تأثیر مستقیم علم در بهبود کیفیت زندگی مردم است.
وی از طراحی نظام جدید رتبهبندی دانشگاههای کشور خبر داد و گفت: برخلاف نظامهای بینالمللی که شاخصهای آموزشی و پژوهشی را ملاک ارزیابی قرار میدهند، در نظام داخلی جدید، معیارهایی همچون مسوولیت اجتماعی دانشگاه و مشارکت آن در حل مسائل اقتصادی و اجتماعی استانها لحاظ شده است.
دانشگاههایی که در فعالیتهای اقتصادی و اجتماعی منطقه نقش مؤثر داشته باشند، از امتیاز ویژه برخوردار خواهند شد.
✅ حرفهای بسیار خوبی است. ببینیم چطور اجرایی میکنید.
🆔 @irevidence
حسین سیماییصراف-وزیر علوم- در دیدار با با اعضای هیأت علمی دانشگاههای سیستان و بلوچستان سخنانی را ارائه کرده است که بخشهای مرتبط را در ادامه به نقل از خبرگزاری ایسنا میآورم:
در آییننامه جدید، حوزه علوم انسانی و اجتماعی از رشتههای فنی و مهندسی تفکیک شده و شاخصهای اختصاصی برای هر بخش تعریف شده است.
در این آییننامه، ارتقای اعضای هیأت علمی تنها بر اساس تعداد مقالات و کتابها ارزیابی نمیشود و معیار «اثرگذاری اجتماعی» به عنوان شاخصی نوین در نظر گرفته شده است.
استادانی که با پژوهشهای علمی خود بتوانند مشکلات اقتصادی، اجتماعی یا فرهنگی استانها را کاهش دهند، بیش از گذشته مورد تقدیر قرار خواهند گرفت. این تحول در نظام ارزیابی، به رسمیت شناختن نقش اجتماعی دانشگاهها و تأکید بر تأثیر مستقیم علم در بهبود کیفیت زندگی مردم است.
وی از طراحی نظام جدید رتبهبندی دانشگاههای کشور خبر داد و گفت: برخلاف نظامهای بینالمللی که شاخصهای آموزشی و پژوهشی را ملاک ارزیابی قرار میدهند، در نظام داخلی جدید، معیارهایی همچون مسوولیت اجتماعی دانشگاه و مشارکت آن در حل مسائل اقتصادی و اجتماعی استانها لحاظ شده است.
دانشگاههایی که در فعالیتهای اقتصادی و اجتماعی منطقه نقش مؤثر داشته باشند، از امتیاز ویژه برخوردار خواهند شد.
✅ حرفهای بسیار خوبی است. ببینیم چطور اجرایی میکنید.
🆔 @irevidence
👌17👎4🙏3❤1👍1
▫️چگونه مجلات کاملاً رایگان را پیدا کنیم؟
مجلات اوپن اکسس الماسی یا پلاتینی (Diamond/Platinum Open Access) نه از نویسندگان هزینه دریافت میکنند و نه از خوانندگان. بنابراین، آشنایی با این مجلات و ارسال مقاله به آنها میتواند گزینهای مناسب برای انتشار رایگان باشد.
وبسایت Scimago اخیراً قابلیت جستجوی اختصاصی این دسته از مجلات را فراهم کرده است. برای این کار کافی است مراحل زیر را انجام دهید.
ابتدا وارد لینک زیر شوید:
https://www.scimagojr.com/journalrank.php
سپس گزینه Only Diamond Open Access Journals را فعال کنید.
با این کار، لیستی شامل بیش از ۴۵۰۰ مجلۀ کاملاً رایگان بازیابی میشود.
در صورت نیاز، میتوانید از بخش فیلترها، حوزۀ موضوعی یا کشور مورد نظر خود را نیز انتخاب کنید تا مجلات مناسب برای شما نمایش داده شوند.
۱۷۰ مجلۀ ایرانیِ نمایه شده در اسکوپوس در این لیست حضور دارند.
قبلاً سایتی به نام GAJET را هم معرفی کرده بودم که فقط مجلات کاملاً رایگانِ نمایه شده در مدلاین را لیست کرده است.
#journal
#open_access
#publishing
🆔 @irevidence
مجلات اوپن اکسس الماسی یا پلاتینی (Diamond/Platinum Open Access) نه از نویسندگان هزینه دریافت میکنند و نه از خوانندگان. بنابراین، آشنایی با این مجلات و ارسال مقاله به آنها میتواند گزینهای مناسب برای انتشار رایگان باشد.
وبسایت Scimago اخیراً قابلیت جستجوی اختصاصی این دسته از مجلات را فراهم کرده است. برای این کار کافی است مراحل زیر را انجام دهید.
ابتدا وارد لینک زیر شوید:
https://www.scimagojr.com/journalrank.php
سپس گزینه Only Diamond Open Access Journals را فعال کنید.
با این کار، لیستی شامل بیش از ۴۵۰۰ مجلۀ کاملاً رایگان بازیابی میشود.
در صورت نیاز، میتوانید از بخش فیلترها، حوزۀ موضوعی یا کشور مورد نظر خود را نیز انتخاب کنید تا مجلات مناسب برای شما نمایش داده شوند.
۱۷۰ مجلۀ ایرانیِ نمایه شده در اسکوپوس در این لیست حضور دارند.
قبلاً سایتی به نام GAJET را هم معرفی کرده بودم که فقط مجلات کاملاً رایگانِ نمایه شده در مدلاین را لیست کرده است.
#journal
#open_access
#publishing
🆔 @irevidence
👍25❤10
▫️پرامپت پیشنهادی برای کاهش توهم هوش مصنوعی مولد
کافیست در آخر پرامپت این را اضافه کنید:
البته نیازی به نوشتن هر 5 بند نیست.
یک مثال (محدودیت کلمات گذاشتم)
نقش محیط در بهره هوشی و توانایی شناختی را در حد 250 کلمه شرح دهید.
پرامپت کاهش توهم را اضافه کردم، گفت:
گفتم: 1- منابع دانشگاهی، 2- همه موارد فوق و 3- حدود 250 کلمه.
#AI
#prompt
#hallucination
🆔 @irevidence
کافیست در آخر پرامپت این را اضافه کنید:
لطفاً در هنگام پاسخ دادن، موارد زیر را رعایت کنید:
1. اگر پاسخ را نمیدانید یا مطمئن نیستید، بگویید: "نمیدانم" یا "مطمئن نیستم"؛ بهجای حدس زدن.
2. هیچ اطلاعاتی را از خودتان اختراع نکنید. اگر منبعی ندارید، این را صریح بگویید.
3. قبل از پاسخ، در صورت نیاز، سؤالهای شفافسازی (Clarifying Questions) بپرسید تا مطمئن شوید منظور من را درست فهمیدهاید.
4. هر ادعای واقعی را فقط در صورتی بیان کنید که:
از آن مطمئن هستید و بتوانید منبع معتبر ارائه بدهید (لینک به منبع).
اگر منبع ندارید، بگویید: "منبع معتبر در دسترس نیست".
5. سطح اطمینان خود را به صورت عددی بین 0 تا 100 بیان کنید.
البته نیازی به نوشتن هر 5 بند نیست.
یک مثال (محدودیت کلمات گذاشتم)
نقش محیط در بهره هوشی و توانایی شناختی را در حد 250 کلمه شرح دهید.
محیط نقش بسیار مهمی در شکلگیری بهرهی هوشی و تواناییهای شناختی انسان ایفا میکند. اگرچه ژنتیک چارچوب اولیهی ظرفیت ذهنی را تعیین میکند، اما محیط است که باعث شکوفایی یا محدود شدن این ظرفیتها میشود. یکی از مهمترین عوامل محیطی، تحریک شناختی است. کودکانی که در سالهای اولیه زندگی در معرض گفتوگو، کتابخوانی، بازیهای فکری و تعاملات اجتماعی قرار میگیرند، شبکههای عصبی گستردهتری در مغزشان شکل میگیرد. این تعاملات سبب تقویت حافظه، توجه، حل مسئله و خلاقیت میشوند.
تغذیهی مناسب نیز نقش اساسی دارد. کمبود مواد مغذی مانند آهن، ید و اسیدهای چرب امگا-۳ در سالهای رشد میتواند رشد مغز را کند کرده و به کاهش تواناییهای شناختی منجر شود. در مقابل، تغذیهی کامل و متعادل، انرژی و مواد لازم برای رشد نورونها و ارتباطات سیناپسی را فراهم میکند.
محیط احساسی و عاطفی نیز تأثیر چشمگیری دارد. کودکانی که در محیطهای پرتنش، همراه با اضطراب یا خشونت بزرگ میشوند، سطح بالاتری از کورتیزول را تجربه میکنند که میتواند ساختار مغز را تحت تأثیر قرار دهد. در مقابل، امنیت عاطفی، محبت و حمایت والدین، باعث بهبود یادگیری، اعتماد به نفس و انگیزه میشود.
در نهایت، دسترسی به آموزش باکیفیت و فرصتهای تجربهمحور سبب گسترش تواناییهای شناختی در طول زندگی میگردد. بنابراین، محیط میتواند ظرفیتهای ژنتیکی را فعال، تقویت یا تضعیف کند و نقشی تعیینکننده در بهرهی هوشی فرد دارد.
پرامپت کاهش توهم را اضافه کردم، گفت:
1. منابع را از چه نوع منابعی میخواهید؟
منابع دانشگاهی (مقالات علمی، کتابهای معتبر)
یا منابع عمومی معتبر (سایتهای آموزشی مثل NIH, APA, WHO و غیره)
لطفاً مشخص کنید.
2. منظور شما از «محیط» در این بحث کدام ابعاد است؟
محیط خانواده (تعامل والدین، سطح حمایت عاطفی)
محیط آموزشی (مدرسه، کیفیت آموزش)
محیط اجتماعی-اقتصادی (وضعیت مالی، دسترسی به منابع)
یا همهی موارد فوق؟
3. آیا نیاز است که متن دقیقاً 250 کلمه باشد یا میتواند حدودی (±10 کلمه) باشد؟
گفتم: 1- منابع دانشگاهی، 2- همه موارد فوق و 3- حدود 250 کلمه.
در پژوهشهای دانشگاهی، نقش محیط در بهرهی هوشی و تواناییهای شناختی بهطور قابل توجهی مورد مطالعه قرار گرفته است. یکی از یافتههای مهم این است که وضعیت اجتماعی-اقتصادی میتواند بر میزان بروز و پرورش تواناییهای شناختی اثر بگذارد. برای مثال، پژوهش Turkheimer و همکاران (2003) نشان داد که در خانوادههای با وضعیت اقتصادی-اجتماعی پایین، نقش محیط در تعیین IQ بسیار بیشتر از ژنتیک است، در حالی که در طبقات بالاتر، سهم عوامل ژنتیکی برجستهتر میشود.
منبع
در سطح محیط خانواده، کیفیت تعامل والدین و میزان تحریک زبانی و شناختی اهمیت زیادی دارد. پژوهش Hart و Risley (1995) نشان داد کودکانی که در خانوادههای دارای گفتوگوی غنیتر بزرگ میشوند، در سالهای بعد عملکرد زبانی و شناختی بالاتری دارند.
منبع کتاب: Hart, B., & Risley, T. R. (1995). Meaningful Differences... (منبع دانشگاهی؛ لینک آزاد در دسترس نیست.)
محیط آموزشی نیز نقش تعیینکننده دارد. پژوهش Heckman (2006) تأکید میکند که مداخلههای آموزشی و پرورشی در سالهای اولیه، بهویژه در دوره پیشدبستانی، میتوانند مهارتهای شناختی و هیجانی را بهشکلی پایدار تقویت کنند.
منبع
در مجموع، محیط از طریق فراهمسازی فرصتهای یادگیری، حمایت عاطفی، تغذیه مناسب و دسترسی به تجربیات غنی، میتواند بر مسیر رشد شناختی اثر بگذارد. این اثرات در دوران کودکی، که مغز از انعطافپذیری بالاتری برخوردار است، قویتر هستند. بنابراین، سرمایهگذاری بر محیطهای حمایتی و آموزشی بهویژه در سالهای اولیه زندگی، میتواند به بهبود پایدار تواناییهای شناختی منجر شود.
سطح اطمینان: 100/100
#AI
#prompt
#hallucination
🆔 @irevidence
❤55👍21👌6🙏3
▫️دور زدن ممنوعیت انتشار به سبک یک پژوهشگر ایرانی: اما ماجرا پیچیدهتر شد
در سال ۲۰۱۰ مؤسسه مهندسان مکانیک بریتانیا (IMechE) هاشم قرهبابایی، پژوهشگر دانشگاه گیلان (در حال حاضر استاد تمام دانشکده مهندسی مکانیک)، را به دلیل تخلف علمی از ارسال مقاله به مجلات خود محروم کرد.
این تخلف پس از آن مشخص شد که قرهبابایی بدون کسب اجازه، بخشهایی از کار پژوهشی ژنویو لنگدن (Genevieve Langdon) و تروِر کلوت (Trevor Cloete)، دو پژوهشگر مرتبط با دانشگاه کیپتاون (Cape Town) در آفریقای جنوبی، را در مقالات خود استفاده کرده بود.
لنگدن قبلاً بهصراحت گفته بود که نسخه اولیه مقالهای که در اختیار قرهبابایی قرار داده، قابل انتشار نیست و نباید بدون تأیید او ارسال شود. بااینحال، قرهبابایی دو مقاله را به مجلات IMechE فرستاد که یکی از آنها شامل سرقت ادبی مستقیم از نوشتههای لنگدن بود و در مقاله دیگر نیز بخشهایی از کار کلوت بدون ذکر نام او آورده شده بود. پس از بررسی، مجلاتِ این مؤسسه، مقالات را رد کردند و قرهبابایی را از ادامه همکاری منع نمودند.
با وجود این ممنوعیت، قرهبابایی در سالهای بعد توانست با استفاده از نسخه کوتاهشده نام خانوادگی خود یعنی "بابایی" دوباره در همان مجلات مقاله منتشر کند. او حتی ایمیل دانشگاهی خود را تغییر نداد و همین باعث شد که در نهایت یکی از همکاران قبلیاش، جرالد نوریک (Gerald Nurick)، متوجه این موضوع شود. به گفته نوریک، این اقدام نوعی دور زدن نظام اخلاق پژوهشی است و نشان میدهد که قرهبابایی عمداً تلاش کرده ممنوعیت علمی خود را مخفی کند.
تاکنون دستکم ۱۰ مقاله که پس از این ممنوعیت، با نام بابایی منتشر شدهاند (در مجلات این موسسه) شناسایی شده است. همچنین یک مقاله او در سال ۲۰۱۰ به دلیل نقض اصول انتشار IEEE سلب اعتبار شده است. به عقیده نوریک تمام مقالاتی که پس از سال ۲۰۱۰ با نام بابایی منتشر شدهاند باید مورد بررسی دوباره قرار گیرند و احتمالاً سلب اعتبار شوند، چون تغییر نام برای ادامه انتشار، اقدامی خلاف اصول حرفهای و اخلاقی است.
خبر فوق در پایگاه ریترکشنواچ آمده است.
پروفایل ایشان در Google Scholar
➖
همانطوری که نوریک میگوید احتمالاً تمام مقالات جدید وی با نام خانوادگی بابایی در مجلات آن موسسه، مورد بررسی قرار خواهند گرفت ولی اینکه سلب اعتبار شوند، چیزی قطعی نیست. چون ممکن است پژوهشهای بعدی وی، مشکلی نداشته باشند.
اما اینکه وی، نام خانوادگی خود را تغییر داده تا لیست سیاه مجله یا ناشر را دور بزند، احتمالاً برایش مشکلزا خواهد بود و شاید از همین حربه برای سلب اعتبار تمام آن ۱۰ مقاله استفاده کنند.
دور زدن تحریم، هنر ما ایرانیهاست ولی خب، برخی مواقع گیر میافتیم!
#retraction
#research_ethics
🆔 @irevidence
در سال ۲۰۱۰ مؤسسه مهندسان مکانیک بریتانیا (IMechE) هاشم قرهبابایی، پژوهشگر دانشگاه گیلان (در حال حاضر استاد تمام دانشکده مهندسی مکانیک)، را به دلیل تخلف علمی از ارسال مقاله به مجلات خود محروم کرد.
این تخلف پس از آن مشخص شد که قرهبابایی بدون کسب اجازه، بخشهایی از کار پژوهشی ژنویو لنگدن (Genevieve Langdon) و تروِر کلوت (Trevor Cloete)، دو پژوهشگر مرتبط با دانشگاه کیپتاون (Cape Town) در آفریقای جنوبی، را در مقالات خود استفاده کرده بود.
لنگدن قبلاً بهصراحت گفته بود که نسخه اولیه مقالهای که در اختیار قرهبابایی قرار داده، قابل انتشار نیست و نباید بدون تأیید او ارسال شود. بااینحال، قرهبابایی دو مقاله را به مجلات IMechE فرستاد که یکی از آنها شامل سرقت ادبی مستقیم از نوشتههای لنگدن بود و در مقاله دیگر نیز بخشهایی از کار کلوت بدون ذکر نام او آورده شده بود. پس از بررسی، مجلاتِ این مؤسسه، مقالات را رد کردند و قرهبابایی را از ادامه همکاری منع نمودند.
با وجود این ممنوعیت، قرهبابایی در سالهای بعد توانست با استفاده از نسخه کوتاهشده نام خانوادگی خود یعنی "بابایی" دوباره در همان مجلات مقاله منتشر کند. او حتی ایمیل دانشگاهی خود را تغییر نداد و همین باعث شد که در نهایت یکی از همکاران قبلیاش، جرالد نوریک (Gerald Nurick)، متوجه این موضوع شود. به گفته نوریک، این اقدام نوعی دور زدن نظام اخلاق پژوهشی است و نشان میدهد که قرهبابایی عمداً تلاش کرده ممنوعیت علمی خود را مخفی کند.
تاکنون دستکم ۱۰ مقاله که پس از این ممنوعیت، با نام بابایی منتشر شدهاند (در مجلات این موسسه) شناسایی شده است. همچنین یک مقاله او در سال ۲۰۱۰ به دلیل نقض اصول انتشار IEEE سلب اعتبار شده است. به عقیده نوریک تمام مقالاتی که پس از سال ۲۰۱۰ با نام بابایی منتشر شدهاند باید مورد بررسی دوباره قرار گیرند و احتمالاً سلب اعتبار شوند، چون تغییر نام برای ادامه انتشار، اقدامی خلاف اصول حرفهای و اخلاقی است.
خبر فوق در پایگاه ریترکشنواچ آمده است.
پروفایل ایشان در Google Scholar
➖
همانطوری که نوریک میگوید احتمالاً تمام مقالات جدید وی با نام خانوادگی بابایی در مجلات آن موسسه، مورد بررسی قرار خواهند گرفت ولی اینکه سلب اعتبار شوند، چیزی قطعی نیست. چون ممکن است پژوهشهای بعدی وی، مشکلی نداشته باشند.
اما اینکه وی، نام خانوادگی خود را تغییر داده تا لیست سیاه مجله یا ناشر را دور بزند، احتمالاً برایش مشکلزا خواهد بود و شاید از همین حربه برای سلب اعتبار تمام آن ۱۰ مقاله استفاده کنند.
دور زدن تحریم، هنر ما ایرانیهاست ولی خب، برخی مواقع گیر میافتیم!
#retraction
#research_ethics
🆔 @irevidence
😁31❤15👍3🤔1😢1
▫️انتشار فهرست پژوهشگران پراستناد جهان در سال ۲۰۲۵
آنچه بهعنوان پژوهشگران پراستناد (Highly Cited Researchers) میشناسیم، دقیقاً همین فهرست است که توسط شرکت Clarivate و بر پایه دادههای پایگاه Web of Science و ارزیابیهای کیفی تکمیلی منتشر میشود.
فهرستهایی که تحت عنوان "۱ درصد برتر" یا "۲ درصد برتر" در جاهای دیگر معرفی میشوند، ارتباطی با Clarivate ندارند و اعتبار علمی آنها نیز تا حدی محل تردید است.
در سال ۲۰۲۵، تغییرات مهمی در شیوه انتخاب پژوهشگران اعمال شده تا فهرست نهایی منصفانهتر، دقیقتر و قابل اعتمادتر باشد.
هدف Clarivate تنها معرفی افراد با بیشترین استناد نیست، بلکه اطمینان از این است که آثار منتخب، سالم، معتبر و دارای تأثیر واقعی در جامعه علمی باشند.
تغییرات و بهبودهای کلیدی در روند انتخاب
در سال گذشته، سختگیریهایی نظیر حذف پژوهشگرانی با:
سطح غیرعادی نویسندگی گروهی (Hyper-authorship)
خوداستنادی بیش از حد (Excessive Self-citation)
الگوهای غیرمعمول استنادات مشترک (Unusual Collaborative Citation Patterns)
اعمال شده بود.
در سال ۲۰۲۵ نیز دو تغییر اساسی در روند انتخاب صورت گرفت:
۱- پالایش دقیقتر مقالات:
مقالاتی که نویسندگان آنها در سالهای گذشته بهدلیل تخلف علمی یا دستکاری در استناد از فهرست حذف شده بودند، امسال از بررسی کنار گذاشته شدند. این اقدام موجب شد پژوهشگران شایستهای که آثارشان پیشتر در سایه قرار داشت، فرصت دیدهشدن پیدا کنند.
۲- ارزیابی نظاممندتر با کمک فناوری:
در مرحله دوم انتخاب، از روشهای الگوریتمی دقیقتر استفاده شد تا دخالت سلیقه انسانی کاهش یابد و فرایند داوری منصفانهتر باشد. با این حال، ارزیابی انسانی همچنان بخش مهمی از این فرآیند باقی مانده است.
آمار کلی فهرست ۲۰۲۵
در مجموع، ۷۱۳۱ جایزه پژوهشگر پراستناد به ۶۸۶۸ فرد منحصربهفرد تعلق گرفته است؛ چون برخی پژوهشگران در بیش از یک حوزه علمی برگزیده شدهاند. این پژوهشگران در ۶۰ کشور و منطقه فعالیت دارند.
از نظر جغرافیایی، ۸۶٫۱ درصد از کل جوایز تنها در ۱۰ کشور و ۷۴٫۶ درصد در پنج کشور نخست (آمریکا، چین، بریتانیا، آلمان و استرالیا) متمرکز شده است.
بیش از ۵۷ درصد از کل پژوهشگران پراستناد جهان در ایالات متحده یا چین زندگی میکنند.
ده کشور برتر
۱- آمریکا (۲۶۷۰)
۲- چین (۱۴۰۶)
۳- بریتانیا (۵۷۰)
۴- آلمان (۳۶۳)
۵- استرالیا (۳۱۲)
۶- کانادا (۲۲۷)
۷- هلند (۱۹۴)
۸- هنگکنگ (۱۴۵)
۹- سوئیس (۱۳۰)
۱۰- فرانسه (۱۲۱)
از عربستان سعودی ۳۰ پژوهشگر و از ترکیه تنها ۲ پژوهشگر در فهرست حضور دارند.
ده مؤسسه برتر
۱- آکادمی علوم چین (۲۵۸)
۲- دانشگاه هاروارد (۱۷۰)
۳- دانشگاه استنفورد (۱۴۱)
۴- دانشگاه چینهوا (۹۱)
۵- مؤسسه فناوری ماساچوست (۸۵)
۶- مؤسسه ملی سلامت آمریکا (۸۴)
۷- انجمن ماکسپلانک – آلمان (۶۶)
۸- دانشگاه آکسفورد (۵۹)
۹- دانشگاه پنسیلوانیا (۵۹)
۱۰- کالج دانشگاهی لندن – (۵۹)
ده حوزه پژوهشی برتر
۱- بینرشتهای (۳۵۶۹)
۲- پزشکی بالینی (۳۷۹)
۳- زیستشناسی و بیوشیمی (۳۱۴)
۴- علوم اجتماعی (۲۶۰)
۵- محیط زیست و بومشناسی (۲۳۹)
۶- شیمی (۲۳۷)
۷- علوم اعصاب و رفتار (۱۹۲)
۸- علوم مواد (۱۸۷)
۹- مهندسی (۱۸۶)
۱۰- علوم گیاهی و جانوری (۱۶۶)
وضعیت ایران
در فهرست ۲۰۲۵، تنها سه پژوهشگر ایرانی حضور دارند.
در سال ۲۰۲۴ نیز سه نفر، در سال ۲۰۲۳ پنج نفر، در سال ۲۰۲۲ دوازده نفر و در سال ۲۰۲۱ پانزده نفر از ایران در این فهرست قرار داشتند.
پژوهشگران پراستناد ایرانی در سال ۲۰۲۵:
۱- دکتر مهدی دهقان – در فیلد ریاضیات (استاد تمام دانشکده ریاضی و علوم کامپیوتر دانشگاه صنعتی امیرکبیر)
۲- دکتر محمدعلی منصورنیا – در فیلد علوم اجتماعی (استاد اپیدمیولوژی و آمار زیستی دانشگاه علوم پزشکی تهران)
۳- دکتر مجید سلطانی – در فیلد بینرشتهای (دانشیار گروه تبدیل انرژی–بایو در دانشگاه صنعتی خواجه نصیرالدین طوسی)
شایان ذکر است که دکتر منصورنیا در فهرست سال گذشته نیز حضور داشت و تداوم حضور او نشاندهنده اثرگذاری پایدار پژوهشهایش در سالهای اخیر است.
#research_metrics
#research_outputs
#highly_cited
#clarivate
#webofscience
#citation
🆔 @irevidence
آنچه بهعنوان پژوهشگران پراستناد (Highly Cited Researchers) میشناسیم، دقیقاً همین فهرست است که توسط شرکت Clarivate و بر پایه دادههای پایگاه Web of Science و ارزیابیهای کیفی تکمیلی منتشر میشود.
فهرستهایی که تحت عنوان "۱ درصد برتر" یا "۲ درصد برتر" در جاهای دیگر معرفی میشوند، ارتباطی با Clarivate ندارند و اعتبار علمی آنها نیز تا حدی محل تردید است.
در سال ۲۰۲۵، تغییرات مهمی در شیوه انتخاب پژوهشگران اعمال شده تا فهرست نهایی منصفانهتر، دقیقتر و قابل اعتمادتر باشد.
هدف Clarivate تنها معرفی افراد با بیشترین استناد نیست، بلکه اطمینان از این است که آثار منتخب، سالم، معتبر و دارای تأثیر واقعی در جامعه علمی باشند.
تغییرات و بهبودهای کلیدی در روند انتخاب
در سال گذشته، سختگیریهایی نظیر حذف پژوهشگرانی با:
سطح غیرعادی نویسندگی گروهی (Hyper-authorship)
خوداستنادی بیش از حد (Excessive Self-citation)
الگوهای غیرمعمول استنادات مشترک (Unusual Collaborative Citation Patterns)
اعمال شده بود.
در سال ۲۰۲۵ نیز دو تغییر اساسی در روند انتخاب صورت گرفت:
۱- پالایش دقیقتر مقالات:
مقالاتی که نویسندگان آنها در سالهای گذشته بهدلیل تخلف علمی یا دستکاری در استناد از فهرست حذف شده بودند، امسال از بررسی کنار گذاشته شدند. این اقدام موجب شد پژوهشگران شایستهای که آثارشان پیشتر در سایه قرار داشت، فرصت دیدهشدن پیدا کنند.
۲- ارزیابی نظاممندتر با کمک فناوری:
در مرحله دوم انتخاب، از روشهای الگوریتمی دقیقتر استفاده شد تا دخالت سلیقه انسانی کاهش یابد و فرایند داوری منصفانهتر باشد. با این حال، ارزیابی انسانی همچنان بخش مهمی از این فرآیند باقی مانده است.
آمار کلی فهرست ۲۰۲۵
در مجموع، ۷۱۳۱ جایزه پژوهشگر پراستناد به ۶۸۶۸ فرد منحصربهفرد تعلق گرفته است؛ چون برخی پژوهشگران در بیش از یک حوزه علمی برگزیده شدهاند. این پژوهشگران در ۶۰ کشور و منطقه فعالیت دارند.
از نظر جغرافیایی، ۸۶٫۱ درصد از کل جوایز تنها در ۱۰ کشور و ۷۴٫۶ درصد در پنج کشور نخست (آمریکا، چین، بریتانیا، آلمان و استرالیا) متمرکز شده است.
بیش از ۵۷ درصد از کل پژوهشگران پراستناد جهان در ایالات متحده یا چین زندگی میکنند.
ده کشور برتر
۱- آمریکا (۲۶۷۰)
۲- چین (۱۴۰۶)
۳- بریتانیا (۵۷۰)
۴- آلمان (۳۶۳)
۵- استرالیا (۳۱۲)
۶- کانادا (۲۲۷)
۷- هلند (۱۹۴)
۸- هنگکنگ (۱۴۵)
۹- سوئیس (۱۳۰)
۱۰- فرانسه (۱۲۱)
از عربستان سعودی ۳۰ پژوهشگر و از ترکیه تنها ۲ پژوهشگر در فهرست حضور دارند.
ده مؤسسه برتر
۱- آکادمی علوم چین (۲۵۸)
۲- دانشگاه هاروارد (۱۷۰)
۳- دانشگاه استنفورد (۱۴۱)
۴- دانشگاه چینهوا (۹۱)
۵- مؤسسه فناوری ماساچوست (۸۵)
۶- مؤسسه ملی سلامت آمریکا (۸۴)
۷- انجمن ماکسپلانک – آلمان (۶۶)
۸- دانشگاه آکسفورد (۵۹)
۹- دانشگاه پنسیلوانیا (۵۹)
۱۰- کالج دانشگاهی لندن – (۵۹)
ده حوزه پژوهشی برتر
۱- بینرشتهای (۳۵۶۹)
۲- پزشکی بالینی (۳۷۹)
۳- زیستشناسی و بیوشیمی (۳۱۴)
۴- علوم اجتماعی (۲۶۰)
۵- محیط زیست و بومشناسی (۲۳۹)
۶- شیمی (۲۳۷)
۷- علوم اعصاب و رفتار (۱۹۲)
۸- علوم مواد (۱۸۷)
۹- مهندسی (۱۸۶)
۱۰- علوم گیاهی و جانوری (۱۶۶)
وضعیت ایران
در فهرست ۲۰۲۵، تنها سه پژوهشگر ایرانی حضور دارند.
در سال ۲۰۲۴ نیز سه نفر، در سال ۲۰۲۳ پنج نفر، در سال ۲۰۲۲ دوازده نفر و در سال ۲۰۲۱ پانزده نفر از ایران در این فهرست قرار داشتند.
پژوهشگران پراستناد ایرانی در سال ۲۰۲۵:
۱- دکتر مهدی دهقان – در فیلد ریاضیات (استاد تمام دانشکده ریاضی و علوم کامپیوتر دانشگاه صنعتی امیرکبیر)
۲- دکتر محمدعلی منصورنیا – در فیلد علوم اجتماعی (استاد اپیدمیولوژی و آمار زیستی دانشگاه علوم پزشکی تهران)
۳- دکتر مجید سلطانی – در فیلد بینرشتهای (دانشیار گروه تبدیل انرژی–بایو در دانشگاه صنعتی خواجه نصیرالدین طوسی)
شایان ذکر است که دکتر منصورنیا در فهرست سال گذشته نیز حضور داشت و تداوم حضور او نشاندهنده اثرگذاری پایدار پژوهشهایش در سالهای اخیر است.
#research_metrics
#research_outputs
#highly_cited
#clarivate
#webofscience
#citation
🆔 @irevidence
❤36👍7👎4
▫️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
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
❤9👍9
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:
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
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
❤9😁6👍4👎1
🔘 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:
🔗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
⌛️ 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
❤8👍2
Evidence
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…
▫️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:
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:
کانال Scientometric بهدرستی یادآوری کرده است:
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:
اکنون اگر به همان لینک مراجعه کنید، مشاهده میکنید که جمله دوم کاملاً حذف شده و جمله نخست نیز چنین بازنویسی شده 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
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
😁24❤2👌2
Media is too big
VIEW IN TELEGRAM
▫️ 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
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
❤34👍13🙏2👌1
▫️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.
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
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
😁19😢7👍3👎2💔2
▫️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
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
❤7👍5
Evidence
🔘 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…
🎬 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:
#AI
#screening
#systematic_review
#evidence_synthesis
#asreview
🆔 @irevidence
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
❤8👍2🙏1
Media is too big
VIEW IN TELEGRAM
🎬 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
⏱️ 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
❤18👍7🙏4👌2
▫️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
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
👍15❤4👌2
▫️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
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
👍53👌12❤8😁4🙏2
▫️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
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
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
😁42👍22❤9💔3🙏1
▫️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:
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
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
👍17🤔5❤4👌3