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
▫️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
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
👍13❤4
▫️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
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
❤28👍8👎4👌2
▫️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
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
👍28❤24😁2👎1👌1
▫️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.
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:
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:
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
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:
(و خیالت راحت: من قرار نیست با رفرنسسازی پولدار شم😄)
#AI
#prompt
#hallucination
🆔 @irevidence
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
❤30👍19😁10👌4🙏2
▫️تصحیح آمارهای ارائه شده توسط دکتر شاهین آخوندزاده
دکتر شاهین آخوندزاده، معاون پژوهشی وزارت بهداشت، درباره رتبه علمی کشور اعلام کردند:
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:
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
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
❤6👍4😁1
▫️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
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
❤20👍5💔1
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
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
❤17👍11😢1