Україна Online: Новини | Політика
Телеграмна служба новин - Україна
Резидент
Мир сегодня с "Юрий Подоляка"
Труха⚡️Україна
Николаевский Ванёк
Лачен пише
Реальний Київ | Украина
Реальна Війна
Україна Online: Новини | Політика
Телеграмна служба новин - Україна
Резидент
Мир сегодня с "Юрий Подоляка"
Труха⚡️Україна
Николаевский Ванёк
Лачен пише
Реальний Київ | Украина
Реальна Війна
Україна Online: Новини | Політика
Телеграмна служба новин - Україна
Резидент
Evidence
مرور سیستماتیک، جستجوی پیشرفته، آمار و روش تحقیق، مدیریت رفرنس و تولید محتوا
ادمین: رسول معصومی
@rasoul911
https://evidence.ir
ادمین: رسول معصومی
@rasoul911
https://evidence.ir
Рэйтынг TGlist
0
0
ТыпПублічны
Вертыфікацыя
Не вертыфікаваныНадзейнасць
Не надзейныРазмяшчэнне
МоваІншая
Дата стварэння каналаJan 25, 2025
Дадана ў TGlist
Jan 21, 2025Прыкрепленая група
EV
Evidence Chat
2
04.04.202517:28
▫️آکادمی OpenAI
شرکت OpenAI به تازگی فیلم‌ها و محتواهای آموزشی خود را در سایت OpenAI Academy و بصورت رایگان در اختیار همه قرار داده است. برخی از فیلم‌های آموزشی:
هوش مصنوعی برای معلمان
هوش مصنوعی برای پژوهشگران
پرامپت‌نویسی
چت‌جی‌پی‌تی برای تحلیل داده‌ها
و آموزش‌های مفید دیگر
به سایت زیر تشریف ببرید و از این محتواهای رایگان و کاربردی استفاده کنید:
https://academy.openai.com/
#AI
#openai
#learning
#chatgpt
🆔 @irevidence
شرکت OpenAI به تازگی فیلم‌ها و محتواهای آموزشی خود را در سایت OpenAI Academy و بصورت رایگان در اختیار همه قرار داده است. برخی از فیلم‌های آموزشی:
هوش مصنوعی برای معلمان
هوش مصنوعی برای پژوهشگران
پرامپت‌نویسی
چت‌جی‌پی‌تی برای تحلیل داده‌ها
و آموزش‌های مفید دیگر
به سایت زیر تشریف ببرید و از این محتواهای رایگان و کاربردی استفاده کنید:
https://academy.openai.com/
#AI
#openai
#learning
#chatgpt
🆔 @irevidence
23.04.202509:59
🔷 عنوان کتاب: اصول طراحی مطالعات اپیدمیولوژیک
🟢 نویسنده: رضا وزیری‌نژاد (استاد اپیدمیولوژی)
🟢 ناشر: دانشگاه علوم پزشکی رفسنجان
🟢تاریخ انتشار: 1403
🟢 تعداد صفحات: 180
🟢 عناوین فصل‌ها
فصل اول: انتخاب صحیح نوع مطالعه
فصل دوم: متغیرها، نقش و نوع
فصل سوم: اندازه‌گیری متغیرها (قسمت اول: خطاهای اندازه‌گیری)
فصل چهارم: اندازه‌گیری متغیرها (قسمت دوم: روش‌های جمع‌آوری اطلاعات)
فصل پنجم: طبقه‌بندی مطالعات اپیدمیولوژیک
فصل ششم: اپیدمیولوژی توصیفی
فصل هفتم: فرضیه‌سازی
فصل هشتم: اپیدمیولوژی تحلیلی
فصل نهم: مطالعات تجربی
🔗 این کتاب بصورت رایگان و Open Access توسط دانشگاه علوم پزشکی رفسنجان منتشر شده است و از طریق این لینک قابل دانلود است.
#book
#methodology
#study_design
#epidemiology
🆔 @irevidence
🟢 نویسنده: رضا وزیری‌نژاد (استاد اپیدمیولوژی)
🟢 ناشر: دانشگاه علوم پزشکی رفسنجان
🟢تاریخ انتشار: 1403
🟢 تعداد صفحات: 180
🟢 عناوین فصل‌ها
فصل اول: انتخاب صحیح نوع مطالعه
فصل دوم: متغیرها، نقش و نوع
فصل سوم: اندازه‌گیری متغیرها (قسمت اول: خطاهای اندازه‌گیری)
فصل چهارم: اندازه‌گیری متغیرها (قسمت دوم: روش‌های جمع‌آوری اطلاعات)
فصل پنجم: طبقه‌بندی مطالعات اپیدمیولوژیک
فصل ششم: اپیدمیولوژی توصیفی
فصل هفتم: فرضیه‌سازی
فصل هشتم: اپیدمیولوژی تحلیلی
فصل نهم: مطالعات تجربی
🔗 این کتاب بصورت رایگان و Open Access توسط دانشگاه علوم پزشکی رفسنجان منتشر شده است و از طریق این لینک قابل دانلود است.
#book
#methodology
#study_design
#epidemiology
🆔 @irevidence
28.03.202509:40
▫️ملاحظات اخلاقی نحوه استفاده از هوش مصنوعی در تهیه آثار پژوهشی (راهنمای موقت)
این بخشنامه از طرف دکتر مجتبی پارسا- دبیر کمیته کشوری اخلاق در پژوهش‌های زیست پزشکی- در تاریخ 20 اسفند 1403 به تمام دانشگاه‌های علوم پزشکی و موسسات ذیربط ابلاغ شده است.
در خصوص ضرورت رعایت ملاحظات اخلاقی علمی در استفاده از هوش مصنوعی جهت نگارش آثار پژوهشی تا زمان تدوین و ابلاغ راهنمای کامل «ملاحظات اخلاقی نحوه استفاده از هوش مصنوعی در تهیه آثار پژوهشی» موارد زیر را به استحضار می‌رساند:
1- فناوری هوش مصنوعی شامل سیستم‌هایی است که بر اساس برنامه‌های زبان برنامه‌نویسی پیشرفته بنا شده‌اند و می‌توانند برای سازماندهی و خلاصه‌نویسی منابع پژوهشی، تولید نمودار و گرافیک‌های پژوهشی، تحلیل داده، تولید متن، تصاویر، داده‌های مصنوعی، شبیه‌سازی، کدنویسی و سایر موارد استفاده شوند.
2- استفاده از هوش مصنوعی در تهیه اثر پژوهشی هیچ مشکل اخلاقی ذاتی ندارد، مشروط بر آن که به طور مناسب و اخلاقی استفاده شود و نویسندگان ماهیت هرگونه تعامل و نحوه استفاده از آن را به صورت شفاف با درج دقیق منبع آن در طرح‌نامه، مقاله و...؛ مشخص کنند از جمله اینکه:
▫️در صورت استفاده از ابزارهای هوش مصنوعی جهت تهیه محتوا، ضروری است نویسنده هم در متن (ارجاعِ درون متنی) و هم در لیست فهرست منابع انتهای طرح تحقیقاتی/ پایان نامه (ارجاعِ پایان متنی) ملاحظات صحیح در ارجاع‌دهی را رعایت نماید.
▫️نویسندگان باید مشخص نمایند که کدام مدل از هوش مصنوعی، در چه زمانی و توسط چه کسی استفاده شده است.
▫️نویسندگان باید نوع ابزارهای هوش مصنوعی و ابزارهای ماشینی، مشخصات فنی مانند نام کامل ابزار، نسخه و مدل آن که در تهیه اثر پژوهشی خود استفاده نموده‌اند را مشخص نمایند.
▫️نویسندگان باید نحوه استفاده از ابزار هوش مصنوعی و این که کدام قسمت از محتوای تولید شده مقاله توسط هوش مصنوعی نوشته شده است را شرح دهند. به عنوان مثال، اگر از هوش مصنوعی برای کمک به نوشتن استفاده شده، این مورد را در بخش تقدیر و تشکر توضیح دهند یا اگر از هوش مصنوعی برای جمع‌آوری داده‌ها، تجزیه و تحلیل یا تولید شکل استفاده شده، نویسندگان باید این کاربرد را در روش‌ها بصورت شفاف توضیح دهند.
3- ابزار هوش مصنوعی نباید به عنوان نویسنده در نظر گرفته شود، زیرا؛
▫️فاقد اعتبار قانونی است پس نمی‌تواند حق چاپ یک اثر علمی را داشته باشد.
▫️در صورتی که مورد شکایت قرار گیرد، نمی‌تواند اثر علمی-پژوهشی را تأیید نماید.
4- داوران نباید از فناوری‌های هوش مصنوعی (AI) یا (Al-assisted) برای کمک به بازبینی علمی یک دست‌نوشته استفاده کنند، زیرا؛
▫️تفکر انتقادی و ارزیابی اصلی مورد نیاز برای بررسی همتایان خارج از محدوده این فناوری است و این خطر وجود دارد که این فناوری نتایج نادرست، ناقص و ... در مورد دست‌نوشته ایجاد کند.
▫️ممکن است محرمانگی و حقوق مالکیت نویسندگان را نقض کند و در مواردی که دست نوشته حاوی اطلاعات قابل شناسایی شخصی باشد، ممکن است حقوق حریم خصوصی داده‌ها را رعایت نکرده و باعث انتشار عمدی/ سهوی اطلاعات حساس گردد.
▫️در نهایت داوران همتا مسئول و پاسخگوی اصالت صحت و درستی نظرات خود هستند.
5- اطلاعات محرمانه و داده‌های شخصی شرکت‌کنندگان در پژوهش/ بیماران نباید با ابزارهای هوش مصنوعی به اشتراک گذاشته شود.
6-ابزارهای مبتنی بر هوش مصنوعی صرفاً می‌توانند در مراحل مختلف طرح تحقیقاتی/ پایان‌نامه به عنوان یک دستیار کمکی بوده و هرگز نمی‌توانند جایگزین دانش و بینش فرد گردند. پس کلیه نویسندگان در قبال مطالبی که توسط هوش مصنوعی در اثر پژوهشی ارائه می‌شود (از جمله دقت مطالب ارائه شده، عدم سرقت ادبی، ذکر منابع، اعتبار منابع و ...) مسئولیت دارند. به عبارتی، مسئولیت اطمینان از درستی و مطابقت یک اثر پژوهشی با هنجارهای اخلاقی (حتی قسمت‌هایی که توسط هوش مصنوعی نوشته شده است)؛ با نویسندگان است.
(با سپاس از سرکار خانم دکتر مسگرپور بابت ارسال این بخشنامه)
#AI
#ethics
#research
#Iran
🆔 @irevidence
این بخشنامه از طرف دکتر مجتبی پارسا- دبیر کمیته کشوری اخلاق در پژوهش‌های زیست پزشکی- در تاریخ 20 اسفند 1403 به تمام دانشگاه‌های علوم پزشکی و موسسات ذیربط ابلاغ شده است.
در خصوص ضرورت رعایت ملاحظات اخلاقی علمی در استفاده از هوش مصنوعی جهت نگارش آثار پژوهشی تا زمان تدوین و ابلاغ راهنمای کامل «ملاحظات اخلاقی نحوه استفاده از هوش مصنوعی در تهیه آثار پژوهشی» موارد زیر را به استحضار می‌رساند:
1- فناوری هوش مصنوعی شامل سیستم‌هایی است که بر اساس برنامه‌های زبان برنامه‌نویسی پیشرفته بنا شده‌اند و می‌توانند برای سازماندهی و خلاصه‌نویسی منابع پژوهشی، تولید نمودار و گرافیک‌های پژوهشی، تحلیل داده، تولید متن، تصاویر، داده‌های مصنوعی، شبیه‌سازی، کدنویسی و سایر موارد استفاده شوند.
2- استفاده از هوش مصنوعی در تهیه اثر پژوهشی هیچ مشکل اخلاقی ذاتی ندارد، مشروط بر آن که به طور مناسب و اخلاقی استفاده شود و نویسندگان ماهیت هرگونه تعامل و نحوه استفاده از آن را به صورت شفاف با درج دقیق منبع آن در طرح‌نامه، مقاله و...؛ مشخص کنند از جمله اینکه:
▫️در صورت استفاده از ابزارهای هوش مصنوعی جهت تهیه محتوا، ضروری است نویسنده هم در متن (ارجاعِ درون متنی) و هم در لیست فهرست منابع انتهای طرح تحقیقاتی/ پایان نامه (ارجاعِ پایان متنی) ملاحظات صحیح در ارجاع‌دهی را رعایت نماید.
▫️نویسندگان باید مشخص نمایند که کدام مدل از هوش مصنوعی، در چه زمانی و توسط چه کسی استفاده شده است.
▫️نویسندگان باید نوع ابزارهای هوش مصنوعی و ابزارهای ماشینی، مشخصات فنی مانند نام کامل ابزار، نسخه و مدل آن که در تهیه اثر پژوهشی خود استفاده نموده‌اند را مشخص نمایند.
▫️نویسندگان باید نحوه استفاده از ابزار هوش مصنوعی و این که کدام قسمت از محتوای تولید شده مقاله توسط هوش مصنوعی نوشته شده است را شرح دهند. به عنوان مثال، اگر از هوش مصنوعی برای کمک به نوشتن استفاده شده، این مورد را در بخش تقدیر و تشکر توضیح دهند یا اگر از هوش مصنوعی برای جمع‌آوری داده‌ها، تجزیه و تحلیل یا تولید شکل استفاده شده، نویسندگان باید این کاربرد را در روش‌ها بصورت شفاف توضیح دهند.
3- ابزار هوش مصنوعی نباید به عنوان نویسنده در نظر گرفته شود، زیرا؛
▫️فاقد اعتبار قانونی است پس نمی‌تواند حق چاپ یک اثر علمی را داشته باشد.
▫️در صورتی که مورد شکایت قرار گیرد، نمی‌تواند اثر علمی-پژوهشی را تأیید نماید.
4- داوران نباید از فناوری‌های هوش مصنوعی (AI) یا (Al-assisted) برای کمک به بازبینی علمی یک دست‌نوشته استفاده کنند، زیرا؛
▫️تفکر انتقادی و ارزیابی اصلی مورد نیاز برای بررسی همتایان خارج از محدوده این فناوری است و این خطر وجود دارد که این فناوری نتایج نادرست، ناقص و ... در مورد دست‌نوشته ایجاد کند.
▫️ممکن است محرمانگی و حقوق مالکیت نویسندگان را نقض کند و در مواردی که دست نوشته حاوی اطلاعات قابل شناسایی شخصی باشد، ممکن است حقوق حریم خصوصی داده‌ها را رعایت نکرده و باعث انتشار عمدی/ سهوی اطلاعات حساس گردد.
▫️در نهایت داوران همتا مسئول و پاسخگوی اصالت صحت و درستی نظرات خود هستند.
5- اطلاعات محرمانه و داده‌های شخصی شرکت‌کنندگان در پژوهش/ بیماران نباید با ابزارهای هوش مصنوعی به اشتراک گذاشته شود.
6-ابزارهای مبتنی بر هوش مصنوعی صرفاً می‌توانند در مراحل مختلف طرح تحقیقاتی/ پایان‌نامه به عنوان یک دستیار کمکی بوده و هرگز نمی‌توانند جایگزین دانش و بینش فرد گردند. پس کلیه نویسندگان در قبال مطالبی که توسط هوش مصنوعی در اثر پژوهشی ارائه می‌شود (از جمله دقت مطالب ارائه شده، عدم سرقت ادبی، ذکر منابع، اعتبار منابع و ...) مسئولیت دارند. به عبارتی، مسئولیت اطمینان از درستی و مطابقت یک اثر پژوهشی با هنجارهای اخلاقی (حتی قسمت‌هایی که توسط هوش مصنوعی نوشته شده است)؛ با نویسندگان است.
(با سپاس از سرکار خانم دکتر مسگرپور بابت ارسال این بخشنامه)
#AI
#ethics
#research
#Iran
🆔 @irevidence
15.04.202514:01
▫️بیانیه CONSORT آپدیت شد: نسخه 2025
آخرین ورژن بیانیه COSNSORT برای گزارش مطالعات RCT در سال 2010 منتشر شده بود. از آن تاریخ حدود 15 سال می‌گذرد و به‌روزرسانی آن احساس می‌شد. تا اینکه بالاخره جدیدترین ورژن آن تحت عنوان CONSORT 2025 منتشر شد.
بیانیه CONSORT 2025 نسبت به ورژن 2010 تفاوت‌هایی دارد. از جمله اینکه تعداد آیتم‌های آن از 25 مورد به 30 مورد افزایش پیدا کرده و در 6 حیطه سازماندهی شده است:
حیطه‌های اصلی در CONSORT 2025:
عنوان و چکیده (Title & Abstract)
علم باز (Open Science) - حیطه جدید
مقدمه (Introduction)
روش‌ها (Methods)
نتایج (Results)
بحث (Discussion)
تغییرات اصلی نسبت به نسخه 2010:
✅ 7 آیتم جدید اضافه شده است:
اشتراک‌گذاری داده‌ها ( آیتم 4): اطلاعات درباره دسترسی به داده‌های شرکت‌کنندگان، کد آماری و دیگر منابع.
تضاد منافع نویسندگان (آیتم 5b): تضادهای مالی و غیرمالی باید به‌وضوح بیان شود.
مشارکت بیماران/افراد جامعه در طراحی مطالعه (آیتم 8)
معیارهای انتخاب مراکز یا افراد مداخله‌گر (آیتم 12b)
نحوه ارزیابی عوارض ناخواسته (آیتم 15): اضافه‌شده از CONSORT Harms extension
تحلیل شرکت‌کنندگان و داده‌های گمشده (21b و 21c)
جزئیات اجرای مداخله و مراقبت همراه (24a و 24b)
🔄 3 آیتم کاملاً بازنگری شده است:
آیتم 3: محل دسترسی به پروتکل و برنامه تحلیل آماری
آیتم 10: گزارش تغییرات مهم پس از شروع مطالعه
آیتم 26: جزئیات مربوط به تعداد شرکت‌کنندگان در هر تحلیل و داده‌های در دسترس
❌ یک آیتم حذف‌شده:
آیتم مربوط به قابلیت تعمیم‌پذیری (Generalizability)، اکنون در بخش "limitations" (آیتم 30) گنجانده شده است.
همچنین این نسخه با SPIRIT 2025 (گلایدلاین گزارش دهی پروتکل) کاملاً هم‌راستا و هماهنگ شده و آیتم‌هایی از extensions مثل:
Harms
Outcomes
Non-pharmacological treatments
را به‌صورت ادغام‌شده درون چک‌لیست آورده است تا نیازی به استفاده جداگانه از آنها نباشد و بنابراین کار برای نویسندگان راحت‌تر باشد.
این بیانیه بطور همزمان در مجلات مهمی مثل JAMA، Lancet، BMJ، Nuture Medicine و PLoS Medicine منتشر شده است.
🔗آدرس دسترسی
لینک دانلود بیانیه CONSORT 2025 (مجله BMJ)
لینک دانلود توضیح و تشریح آن (CONSORT 2025 explanation and elaboration) (مجله BMJ)
#CONSORT
#CONSORT2025
#RCT
#reporting_guideline
🆔 @irevidence
آخرین ورژن بیانیه COSNSORT برای گزارش مطالعات RCT در سال 2010 منتشر شده بود. از آن تاریخ حدود 15 سال می‌گذرد و به‌روزرسانی آن احساس می‌شد. تا اینکه بالاخره جدیدترین ورژن آن تحت عنوان CONSORT 2025 منتشر شد.
بیانیه CONSORT 2025 نسبت به ورژن 2010 تفاوت‌هایی دارد. از جمله اینکه تعداد آیتم‌های آن از 25 مورد به 30 مورد افزایش پیدا کرده و در 6 حیطه سازماندهی شده است:
حیطه‌های اصلی در CONSORT 2025:
عنوان و چکیده (Title & Abstract)
علم باز (Open Science) - حیطه جدید
مقدمه (Introduction)
روش‌ها (Methods)
نتایج (Results)
بحث (Discussion)
تغییرات اصلی نسبت به نسخه 2010:
✅ 7 آیتم جدید اضافه شده است:
اشتراک‌گذاری داده‌ها ( آیتم 4): اطلاعات درباره دسترسی به داده‌های شرکت‌کنندگان، کد آماری و دیگر منابع.
تضاد منافع نویسندگان (آیتم 5b): تضادهای مالی و غیرمالی باید به‌وضوح بیان شود.
مشارکت بیماران/افراد جامعه در طراحی مطالعه (آیتم 8)
معیارهای انتخاب مراکز یا افراد مداخله‌گر (آیتم 12b)
نحوه ارزیابی عوارض ناخواسته (آیتم 15): اضافه‌شده از CONSORT Harms extension
تحلیل شرکت‌کنندگان و داده‌های گمشده (21b و 21c)
جزئیات اجرای مداخله و مراقبت همراه (24a و 24b)
🔄 3 آیتم کاملاً بازنگری شده است:
آیتم 3: محل دسترسی به پروتکل و برنامه تحلیل آماری
آیتم 10: گزارش تغییرات مهم پس از شروع مطالعه
آیتم 26: جزئیات مربوط به تعداد شرکت‌کنندگان در هر تحلیل و داده‌های در دسترس
❌ یک آیتم حذف‌شده:
آیتم مربوط به قابلیت تعمیم‌پذیری (Generalizability)، اکنون در بخش "limitations" (آیتم 30) گنجانده شده است.
همچنین این نسخه با SPIRIT 2025 (گلایدلاین گزارش دهی پروتکل) کاملاً هم‌راستا و هماهنگ شده و آیتم‌هایی از extensions مثل:
Harms
Outcomes
Non-pharmacological treatments
را به‌صورت ادغام‌شده درون چک‌لیست آورده است تا نیازی به استفاده جداگانه از آنها نباشد و بنابراین کار برای نویسندگان راحت‌تر باشد.
این بیانیه بطور همزمان در مجلات مهمی مثل JAMA، Lancet، BMJ، Nuture Medicine و PLoS Medicine منتشر شده است.
🔗آدرس دسترسی
لینک دانلود بیانیه CONSORT 2025 (مجله BMJ)
لینک دانلود توضیح و تشریح آن (CONSORT 2025 explanation and elaboration) (مجله BMJ)
#CONSORT
#CONSORT2025
#RCT
#reporting_guideline
🆔 @irevidence
20.04.202518:18
▫️مطالعه در درون یک مرور (Study Within A Review: SWAR )
مرورهای نظام‌مند و سایر روش‌های سنتز شواهد با گردآوری اطلاعات از چندین مطالعه، به تصمیم‌گیری‌های سیاستی و عملی کمک می‌کنند. این مرورها با استفاده از روش‌های سیستماتیک، شواهد را شناسایی، انتخاب، ارزیابی و تحلیل کرده و یافته‌های خود را با هدف کاهش سوگیری‌ها و ارتقای تصمیم‌گیری‌های آگاهانه گزارش می‌دهند.
با وجود پیشرفت‌های مهم در برنامه‌ریزی، اجرا و انتشار مرورها، هنوز ابهامات زیادی در نحوه اجرای هر مرحله از فرایند مرور نظام‌مند وجود دارد و برای رفع این ابهامات به تلاش‌های منسجم‌تری نیاز است. برای مثال می‌توان به موارد زیر اشاره کرد:
روش‌های بهینه برای جستجو و غربالگری استنادات
اثربخشی یادگیری ماشینی در پشتیبانی از غربالگری و استخراج داده‌ها
تأثیر شیوه‌های مختلف انتشار یافته بر مخاطبان گوناگون
یک راهکار مقرون‌به‌صرفه برای این ارزیابی‌ها، اجرای مطالعه در درون یک مرور است. SWAR پژوهشی مستقل است که مشابه مطالعه در درون یک کارآزمایی (SWAT) عمل می‌کند و هدف آن تقویت پایه شواهد روش‌های مرور نظام‌مند است.
SWAR چیست؟
SWAR مطالعه‌ای است که با هدف پاسخ به ابهامات روش‌شناختی در فرایند برنامه‌ریزی، اجرا و انتشار مرورهای نظام‌مند طراحی می‌شود. SWAR معمولاً در دل یک مرور نظام‌مند یا سایر روش‌های سنتز شواهد جای می‌گیرد و اثربخشی روش‌های متفاوت در اجرای مراحل خاص مرور را مقایسه می‌کند.
برخی SWARها در یک مرور واحد اجرا می‌شوند و برخی دیگر در چند مرور همزمان یا متوالی اجرا شده و به گسترش تدریجی شواهد کمک می‌کنند. همچنین SWARها می‌توانند جنبه‌های کیفی مانند کارایی محصول نهایی مرور یا کیفیت تفسیر نتایج در مراحل غربالگری، استخراج داده‌ها، ارزیابی انتقادی و تلفیق یافته‌ها را بررسی کنند.
از آنجا که بیشتر داده‌های موردنیاز همزمان با مرور گردآوری می‌شوند یا با صرف تلاش اندک قابل جمع‌آوری‌اند، SWAR روشی مقرون‌به‌صرفه برای بهبود فرایند مرور است.
SWARها باید:
اثربخشی روش‌های مختلف برنامه‌ریزی، اجرا، تحلیل و گزارش مرور را بسنجد.
تأثیر این روش‌ها بر نتایج و استنتاج‌های مرور را بررسی کند.
چرا به SWAR نیاز داریم؟
مرورهای نظام‌مند با هدف پاسخگویی به سوالات مهم در حوزه بهداشت و مراقبت‌های اجتماعی انجام می‌شوند و نتایج آنها می‌تواند بر جان و زندگی افراد تأثیر بگذارد. بنابراین، باید با دقتِ روش‌شناختی و شفافیت بالا انجام شوند.
روش‌های مرور نباید بر اساس عادات یا قراردادهای نانوشته انتخاب شوند؛ بلکه باید بر پایه شواهد به‌روز پژوهشی باشند تا از اتلاف وقت و منابع جلوگیری شود. پژوهش در روش‌های مرور نظام‌مند نقش کلیدی در ارتقای کیفیت این مرورها دارد و SWAR ابزار مناسبی برای این منظور است.
ویژگی‌های کلیدی SWAR
تولید شواهد برای رفع ابهامات در برنامه‌ریزی، اجرا و انتشار مرورهای نظام‌مند.
انتخاب طرح مناسب از بین انواع مطالعه (تصادفی‌شده، غیرتصادفی، کیفی و...).
اجرا در یک یا چند مرور به‌منظور مقایسه روش‌ها.
نباید بر هدف، روش‌ها یا انتشار مرور میزبان (host review) تأثیر منفی بگذارد.
داشتن پروتکل جداگانه و ثبت در مخزن SWAR.
کمک به بهبود مرورهای آینده و در صورت لزوم، تأثیرگذاری بر مرور میزبان.
معمولاً از یک مطالعه مجزا کم‌هزینه‌تر است.
اغلب نیازی به تأیید اخلاقی ندارد، مگر در موارد جمع‌آوری داده از افراد.
مثال‌هایی از SWAR
مطالعه تصادفی دو روش غربالگری استنادات در مرور توانبخشی ریوی بیماران COPD: مقایسه غربالگری دو مرحله‌ای (ابتدا عنوان و سپس چکیده) با یک مرحله‌ای (همزمان). نتیجه: غربالگری همزمان عنوان و چکیده سریع‌تر انجام شد.
مقایسه دو روش مکاتبه با نویسندگان برای درخواست داده‌های اضافی: ایمیل کوتاه همراه با پروتکل مرور در برابر ایمیل طولانی بدون پروتکل؛ تفاوت معناداری در نرخ پاسخ‌دهی دیده نشد.
ثبت SWAR: مخزن SWAR Store
مخزن SWAR Store در مرکز متدولوژی ایرلند شمالی، کتابخانه‌ای متمرکز برای ثبت و دسترسی به طرح‌ها و نتایج SWARها فراهم می‌کند. علاقه‌مندان می‌توانند با فرم ساده‌ای، SWAR جدید خود را ثبت کنند.
انتشار SWAR
مقالات مستقل: بهترین شیوه انتشار، تهیه مقاله اختصاصی SWAR در ژورنال‌های دسترسی آزاد است.
گزارش در مرور میزبان: در صورت مقتضی، یافته‌های SWAR می‌توانند در بخش مجزا یا ضمیمه مرور میزبان گزارش شوند؛ در چکیده مرور باید به صراحت به Study Within a Review اشاره شود.
وبینارها، پادکست‌ها، کنفرانس‌ها و بلاگ‌ها ابزارهای مکمل برای افزایش دیده شدن و کاربرد عملی یافته‌ها هستند.
منبع:
Devane D, Burke NN, Treweek S, et al. Study within a review (SWAR). J Evid Based Med. 2022; 15: 328–332. (Fulltext)
#systematic_review
#meta_research
#methodology
🆔 @irevidence
مرورهای نظام‌مند و سایر روش‌های سنتز شواهد با گردآوری اطلاعات از چندین مطالعه، به تصمیم‌گیری‌های سیاستی و عملی کمک می‌کنند. این مرورها با استفاده از روش‌های سیستماتیک، شواهد را شناسایی، انتخاب، ارزیابی و تحلیل کرده و یافته‌های خود را با هدف کاهش سوگیری‌ها و ارتقای تصمیم‌گیری‌های آگاهانه گزارش می‌دهند.
با وجود پیشرفت‌های مهم در برنامه‌ریزی، اجرا و انتشار مرورها، هنوز ابهامات زیادی در نحوه اجرای هر مرحله از فرایند مرور نظام‌مند وجود دارد و برای رفع این ابهامات به تلاش‌های منسجم‌تری نیاز است. برای مثال می‌توان به موارد زیر اشاره کرد:
روش‌های بهینه برای جستجو و غربالگری استنادات
اثربخشی یادگیری ماشینی در پشتیبانی از غربالگری و استخراج داده‌ها
تأثیر شیوه‌های مختلف انتشار یافته بر مخاطبان گوناگون
یک راهکار مقرون‌به‌صرفه برای این ارزیابی‌ها، اجرای مطالعه در درون یک مرور است. SWAR پژوهشی مستقل است که مشابه مطالعه در درون یک کارآزمایی (SWAT) عمل می‌کند و هدف آن تقویت پایه شواهد روش‌های مرور نظام‌مند است.
SWAR چیست؟
SWAR مطالعه‌ای است که با هدف پاسخ به ابهامات روش‌شناختی در فرایند برنامه‌ریزی، اجرا و انتشار مرورهای نظام‌مند طراحی می‌شود. SWAR معمولاً در دل یک مرور نظام‌مند یا سایر روش‌های سنتز شواهد جای می‌گیرد و اثربخشی روش‌های متفاوت در اجرای مراحل خاص مرور را مقایسه می‌کند.
برخی SWARها در یک مرور واحد اجرا می‌شوند و برخی دیگر در چند مرور همزمان یا متوالی اجرا شده و به گسترش تدریجی شواهد کمک می‌کنند. همچنین SWARها می‌توانند جنبه‌های کیفی مانند کارایی محصول نهایی مرور یا کیفیت تفسیر نتایج در مراحل غربالگری، استخراج داده‌ها، ارزیابی انتقادی و تلفیق یافته‌ها را بررسی کنند.
از آنجا که بیشتر داده‌های موردنیاز همزمان با مرور گردآوری می‌شوند یا با صرف تلاش اندک قابل جمع‌آوری‌اند، SWAR روشی مقرون‌به‌صرفه برای بهبود فرایند مرور است.
SWARها باید:
اثربخشی روش‌های مختلف برنامه‌ریزی، اجرا، تحلیل و گزارش مرور را بسنجد.
تأثیر این روش‌ها بر نتایج و استنتاج‌های مرور را بررسی کند.
چرا به SWAR نیاز داریم؟
مرورهای نظام‌مند با هدف پاسخگویی به سوالات مهم در حوزه بهداشت و مراقبت‌های اجتماعی انجام می‌شوند و نتایج آنها می‌تواند بر جان و زندگی افراد تأثیر بگذارد. بنابراین، باید با دقتِ روش‌شناختی و شفافیت بالا انجام شوند.
روش‌های مرور نباید بر اساس عادات یا قراردادهای نانوشته انتخاب شوند؛ بلکه باید بر پایه شواهد به‌روز پژوهشی باشند تا از اتلاف وقت و منابع جلوگیری شود. پژوهش در روش‌های مرور نظام‌مند نقش کلیدی در ارتقای کیفیت این مرورها دارد و SWAR ابزار مناسبی برای این منظور است.
ویژگی‌های کلیدی SWAR
تولید شواهد برای رفع ابهامات در برنامه‌ریزی، اجرا و انتشار مرورهای نظام‌مند.
انتخاب طرح مناسب از بین انواع مطالعه (تصادفی‌شده، غیرتصادفی، کیفی و...).
اجرا در یک یا چند مرور به‌منظور مقایسه روش‌ها.
نباید بر هدف، روش‌ها یا انتشار مرور میزبان (host review) تأثیر منفی بگذارد.
داشتن پروتکل جداگانه و ثبت در مخزن SWAR.
کمک به بهبود مرورهای آینده و در صورت لزوم، تأثیرگذاری بر مرور میزبان.
معمولاً از یک مطالعه مجزا کم‌هزینه‌تر است.
اغلب نیازی به تأیید اخلاقی ندارد، مگر در موارد جمع‌آوری داده از افراد.
مثال‌هایی از SWAR
مطالعه تصادفی دو روش غربالگری استنادات در مرور توانبخشی ریوی بیماران COPD: مقایسه غربالگری دو مرحله‌ای (ابتدا عنوان و سپس چکیده) با یک مرحله‌ای (همزمان). نتیجه: غربالگری همزمان عنوان و چکیده سریع‌تر انجام شد.
مقایسه دو روش مکاتبه با نویسندگان برای درخواست داده‌های اضافی: ایمیل کوتاه همراه با پروتکل مرور در برابر ایمیل طولانی بدون پروتکل؛ تفاوت معناداری در نرخ پاسخ‌دهی دیده نشد.
ثبت SWAR: مخزن SWAR Store
مخزن SWAR Store در مرکز متدولوژی ایرلند شمالی، کتابخانه‌ای متمرکز برای ثبت و دسترسی به طرح‌ها و نتایج SWARها فراهم می‌کند. علاقه‌مندان می‌توانند با فرم ساده‌ای، SWAR جدید خود را ثبت کنند.
انتشار SWAR
مقالات مستقل: بهترین شیوه انتشار، تهیه مقاله اختصاصی SWAR در ژورنال‌های دسترسی آزاد است.
گزارش در مرور میزبان: در صورت مقتضی، یافته‌های SWAR می‌توانند در بخش مجزا یا ضمیمه مرور میزبان گزارش شوند؛ در چکیده مرور باید به صراحت به Study Within a Review اشاره شود.
وبینارها، پادکست‌ها، کنفرانس‌ها و بلاگ‌ها ابزارهای مکمل برای افزایش دیده شدن و کاربرد عملی یافته‌ها هستند.
منبع:
Devane D, Burke NN, Treweek S, et al. Study within a review (SWAR). J Evid Based Med. 2022; 15: 328–332. (Fulltext)
#systematic_review
#meta_research
#methodology
🆔 @irevidence
27.03.202519:07
▫️یک پیشرفت شگفت‌انگیز در حوزه هوش مصنوعی موفق شده است سرطان را با دقت 99 درصد تشخیص دهد
سرطان آندومتر (سرطان پوشش داخلی رحم) یکی از متداول‌ترین سرطان‌ها در میان زنان است و در عین حال از دشوارترین سرطان‌ها برای تشخیص به‌موقع محسوب می‌شود. اما اکنون یک پیشرفت تازه در تشخیص سرطان به کمک هوش مصنوعی، سطح دقت (accuracy) را به شکل بی‌سابقه‌ای تا 99 درصد بالا برده و ابزار قدرتمندی را در اختیار پزشکان قرار داده است.
این رقم، جهشی عظیم نسبت به مدل‌های پیشین مبتنی بر هوش مصنوعی است که تنها قادر بودند سرطان آندومتر را با دقتی در حدود 80 درصد شناسایی کنند. علاوه بر این، مدل جدید به منابع کمتری نیاز دارد و در نتیجه سریع‌تر و در دسترس‌تر است.
کارایی بالای مدل جدید ـ که ECgMLP نام دارد ـ به نحوه پردازش داده‌های تصویری برمی‌گردد. این مدل ابتدا تصویر را بهبود می‌بخشد و سپس نویزهای اضافی را حذف می‌کند. این فرایند به آن امکان می‌دهد روی مهمترین بخش‌های بافت متمرکز شود؛ عاملی که برای ابزارهای تشخیص سرطان به کمک هوش مصنوعی اهمیت بسیاری دارد.
در گام بعد، مدل با استفاده از مکانیسم‌های پیشرفتۀ self-attention (نوعی الگویابی دیجیتال) با سرعت، بافت را ارزیابی و پیش‌بینی تشخیصی را با دقتی چشمگیر ارائه می‌دهد. قبلاً پیشرفت‌های مشابهی را در زمینه تشخیص سرطان پستان توسط هوش مصنوعی دیده بودیم و این دستاورد نیز پیروزی دیگری برای هوش مصنوعی در حوزه پزشکی به شمار می‌رود.
سامانه‌های اتوماتیک کنونی برای شناسایی سرطان آندومتر نهایتاً به حدود 80 درصد دقت می‌رسند، در حالی که ECgMLP نزدیک به 20 درصد بیشتر از این سطح عمل می‌کند و همزمان از منابع کمتری استفاده می‌کند. این مدل سریع است، دقت بالایی دارد و برای انواع گوناگونی از مجموعه داده‌ها (datasets) طراحی شده است.
اهمیت این مدل هوش مصنوعی تشخیص سرطان، فراتر از سرطان آندومتر است. در آزمایش‌های انجام‌شده روی سایر مجموعه داده‌ها، ECgMLP سرطان روده بزرگ را با دقت 98.57 درصد، سرطان پستان را با دقت 98.2 درصد و سرطان دهان را با دقت 97.34 درصد شناسایی کرد.
این توانمندی گسترده، دریچه‌ای برای کاربردهای فراگیرتر این فناوری در تشخیص‌های پزشکی باز می‌کند. همچنین پژوهشگران معتقدند که در آینده می‌توان این مدل را با نرم‌افزارهای بالینی ادغام کرد تا به تصمیم‌گیری بهتر پزشکان کمک کند و با تشخیص زودهنگام، پیامدهای درمانی را بهبود بخشد.
از آنجا که هوش مصنوعی می‌تواند داده‌های حجیم را به سرعت پردازش کند، در مناطقی که با کمبود نیروی متخصص مواجه هستند نیز پتانسیل کاربردی بالایی دارد. این دقیقاً همان قلمرویی است که هوش مصنوعی می‌تواند در آن مفید واقع شود؛ نه به‌عنوان جایگزین پزشکان، بلکه برای توانمندسازی آنان با ابزارهایی دقیق‌تر و سریع‌تر.
ممکن است مدتی طول بکشد تا ECgMLP در مقیاس گسترده در بیمارستان‌ها به کار گرفته شود، اما موفقیت کنونی آن گامی بزرگ به سوی آینده‌ای روشن‌تر در تشخیص سرطان با کمک هوش مصنوعی است. (منبع خبر)
محققانی از بنگلادش، استرالیا و کانادا نتایج این پژوهش را در مجله Computer Methods and Programs in Biomedicine Update منتشر کرده‌اند:
ECgMLP: A novel gated MLP model for enhanced endometrial cancer diagnosis
#AI
#medical
#cancer
🆔 @irevidence
سرطان آندومتر (سرطان پوشش داخلی رحم) یکی از متداول‌ترین سرطان‌ها در میان زنان است و در عین حال از دشوارترین سرطان‌ها برای تشخیص به‌موقع محسوب می‌شود. اما اکنون یک پیشرفت تازه در تشخیص سرطان به کمک هوش مصنوعی، سطح دقت (accuracy) را به شکل بی‌سابقه‌ای تا 99 درصد بالا برده و ابزار قدرتمندی را در اختیار پزشکان قرار داده است.
این رقم، جهشی عظیم نسبت به مدل‌های پیشین مبتنی بر هوش مصنوعی است که تنها قادر بودند سرطان آندومتر را با دقتی در حدود 80 درصد شناسایی کنند. علاوه بر این، مدل جدید به منابع کمتری نیاز دارد و در نتیجه سریع‌تر و در دسترس‌تر است.
کارایی بالای مدل جدید ـ که ECgMLP نام دارد ـ به نحوه پردازش داده‌های تصویری برمی‌گردد. این مدل ابتدا تصویر را بهبود می‌بخشد و سپس نویزهای اضافی را حذف می‌کند. این فرایند به آن امکان می‌دهد روی مهمترین بخش‌های بافت متمرکز شود؛ عاملی که برای ابزارهای تشخیص سرطان به کمک هوش مصنوعی اهمیت بسیاری دارد.
در گام بعد، مدل با استفاده از مکانیسم‌های پیشرفتۀ self-attention (نوعی الگویابی دیجیتال) با سرعت، بافت را ارزیابی و پیش‌بینی تشخیصی را با دقتی چشمگیر ارائه می‌دهد. قبلاً پیشرفت‌های مشابهی را در زمینه تشخیص سرطان پستان توسط هوش مصنوعی دیده بودیم و این دستاورد نیز پیروزی دیگری برای هوش مصنوعی در حوزه پزشکی به شمار می‌رود.
سامانه‌های اتوماتیک کنونی برای شناسایی سرطان آندومتر نهایتاً به حدود 80 درصد دقت می‌رسند، در حالی که ECgMLP نزدیک به 20 درصد بیشتر از این سطح عمل می‌کند و همزمان از منابع کمتری استفاده می‌کند. این مدل سریع است، دقت بالایی دارد و برای انواع گوناگونی از مجموعه داده‌ها (datasets) طراحی شده است.
اهمیت این مدل هوش مصنوعی تشخیص سرطان، فراتر از سرطان آندومتر است. در آزمایش‌های انجام‌شده روی سایر مجموعه داده‌ها، ECgMLP سرطان روده بزرگ را با دقت 98.57 درصد، سرطان پستان را با دقت 98.2 درصد و سرطان دهان را با دقت 97.34 درصد شناسایی کرد.
این توانمندی گسترده، دریچه‌ای برای کاربردهای فراگیرتر این فناوری در تشخیص‌های پزشکی باز می‌کند. همچنین پژوهشگران معتقدند که در آینده می‌توان این مدل را با نرم‌افزارهای بالینی ادغام کرد تا به تصمیم‌گیری بهتر پزشکان کمک کند و با تشخیص زودهنگام، پیامدهای درمانی را بهبود بخشد.
از آنجا که هوش مصنوعی می‌تواند داده‌های حجیم را به سرعت پردازش کند، در مناطقی که با کمبود نیروی متخصص مواجه هستند نیز پتانسیل کاربردی بالایی دارد. این دقیقاً همان قلمرویی است که هوش مصنوعی می‌تواند در آن مفید واقع شود؛ نه به‌عنوان جایگزین پزشکان، بلکه برای توانمندسازی آنان با ابزارهایی دقیق‌تر و سریع‌تر.
ممکن است مدتی طول بکشد تا ECgMLP در مقیاس گسترده در بیمارستان‌ها به کار گرفته شود، اما موفقیت کنونی آن گامی بزرگ به سوی آینده‌ای روشن‌تر در تشخیص سرطان با کمک هوش مصنوعی است. (منبع خبر)
محققانی از بنگلادش، استرالیا و کانادا نتایج این پژوهش را در مجله Computer Methods and Programs in Biomedicine Update منتشر کرده‌اند:
ECgMLP: A novel gated MLP model for enhanced endometrial cancer diagnosis
#AI
#medical
#cancer
🆔 @irevidence
22.04.202510:21
▫️فراخوان‌های تازه موسسه نیماد و نقدی بر معیار فرهیختگی
مؤسسه ملی توسعه تحقیقات علوم پزشکی ایران (نیماد) دو فراخوان مهم برای حمایت از طرح‌های تحقیقاتی منتشر کرده است. این فراخوان‌ها که اولین فراخوان‌های مؤسسه در دولت چهاردهم هستند شامل چهارمین فراخوان گرنت مبتنی بر درخواست پروپوزال تحقیقاتی (RFP-based) و چهاردهمین فراخوان گرنت پژوهشگر فرهیخته است.
تاریخ اعلام فراخوان، اول اردیبهشت‌ماه 1404 و مهلت ارسال پروپوزال‌ها تا 31 اردیبهشت‌ماه 1404 خواهد بود.
یکی از شرایط اصلی برای فراخوان گرنت پژوهشگر فرهیخته، بند زیر است:
قبلاً درباره استفاده از اچ ایندکس به عنوان مبنای پرداخت گرنت پستی منتشر کرده بودم. در آن زمان، مبنای فرهیختگی اچ ایندکس 20 به بالا بود ولی در این فراخوان به 40 افزایش پیدا کرده است (افزایش دو برابری).
در یکی از پست‌ها، فیلمی تحت عنوان عوامل مؤثر بر ارزش استناد منتشر کرده‌ام. در آنجا اشاره شد که:
اساس سنجه‌های پژوهشیِ کلاسیک، استناد است. اما استناد فقط به عملکرد یک فرد، مجله یا سازمان بستگی ندارد، بلکه حداقل شش عامل دیگر نیز بر میزان و ارزش آن تأثیر می‌گذارند. این عوامل عبارتند از:
1- اندازه (Size)
2- رشته (Discipline): میزان انتشارات، تعداد رفرنس‌های هر مقاله و تعداد نویسندگان همکار
3- نوع انتشار (Publication-type)
4- پوشش دیتابیس (Database coverage)
5- دستکاری (Manipulation)
6- زمان (Time)
وقتی رشته‌ها و حوزه‌های تحقیقاتی این 205 استاد فرهیخته را بررسی کردم به نتایج جالبی رسیدم:
نزدیک به 30 درصد اساتید فرهیخته (60 نفر) در حوزه دارو فعالیت می‌کنند (داروسازی، داروشناسی، فارماسیوتیکس، شیمی دارویی و ...)
رشته تحصیلی 28 استاد فرهیخته (13.65 درصد)، مهندسی بهداشت محیط است.
این دو حوزه به تنهایی حدود 43 درصد اساتید فرهیخته را تشکیل می‌دهند.
سایر رشته‌هایی که بیشترین تعداد استاد فرهیخته را دارند:
آمار زیستی و اپیدمیولوژی: 14 نفر
ایمنی‌شناسی پزشکی: 11 نفر
علوم تغذیه: 10 نفر
در ده‌ها رشته و حوزه دیگر، هیچ استاد فرهیخته‌ای در لیست 205 نفره وجود ندارد. برای مثال:
جراحی و ارتوپدی (تمام تخصص‌ها و فوق تخصص‌ها)
بیماری‌های داخلی
تمام گرایش‌های پرستاری و مامایی
و ده‌ها رشته دیگر
از طرف دیگر:
در کل حوزه دندانپزشکی فقط 1 استاد فرهیخته داریم
در حوزه قلب و تمام تخصص‌های آن هم فقط 1 استاد فرهیخته داریم.
این اعداد نشان می‌دهند که استناد و سنجه‌های حاصل از آن (مثل اچ ایندکس) بشدت وابسته به حوزه موضوعی هستند. بنابراین مبنا قرار دادن آن به عنوان معیاری برای اعطای گرنت، راهکار ِمنطقی به نظر نمی‌رسد.
#grant
#nimad
#critique
#research_metrics
#faculty
🆔 @irevidence
مؤسسه ملی توسعه تحقیقات علوم پزشکی ایران (نیماد) دو فراخوان مهم برای حمایت از طرح‌های تحقیقاتی منتشر کرده است. این فراخوان‌ها که اولین فراخوان‌های مؤسسه در دولت چهاردهم هستند شامل چهارمین فراخوان گرنت مبتنی بر درخواست پروپوزال تحقیقاتی (RFP-based) و چهاردهمین فراخوان گرنت پژوهشگر فرهیخته است.
تاریخ اعلام فراخوان، اول اردیبهشت‌ماه 1404 و مهلت ارسال پروپوزال‌ها تا 31 اردیبهشت‌ماه 1404 خواهد بود.
یکی از شرایط اصلی برای فراخوان گرنت پژوهشگر فرهیخته، بند زیر است:
محقق اصلی (Principle Investigator) می‌بایست عضو هیأت علمی شاغل در دانشگاه‌های علوم پزشکی و سازمانهای وابسته به وزارت بهداشت بوده و طبق فهرست سامانه ISID در تاریخ 9 اسفندماه 1403 دارای h-Index برابر با 40 و یا بالاتر (با حذف مقالات پرنویسنده) بر اساس بانک اطلاعاتی Scopus باشد.اسامی 205 استاد فرهیخته (شامل 20 استاد جوان) در صفحه مربوط به این فراخوان آمده است.
قبلاً درباره استفاده از اچ ایندکس به عنوان مبنای پرداخت گرنت پستی منتشر کرده بودم. در آن زمان، مبنای فرهیختگی اچ ایندکس 20 به بالا بود ولی در این فراخوان به 40 افزایش پیدا کرده است (افزایش دو برابری).
در یکی از پست‌ها، فیلمی تحت عنوان عوامل مؤثر بر ارزش استناد منتشر کرده‌ام. در آنجا اشاره شد که:
اساس سنجه‌های پژوهشیِ کلاسیک، استناد است. اما استناد فقط به عملکرد یک فرد، مجله یا سازمان بستگی ندارد، بلکه حداقل شش عامل دیگر نیز بر میزان و ارزش آن تأثیر می‌گذارند. این عوامل عبارتند از:
1- اندازه (Size)
2- رشته (Discipline): میزان انتشارات، تعداد رفرنس‌های هر مقاله و تعداد نویسندگان همکار
3- نوع انتشار (Publication-type)
4- پوشش دیتابیس (Database coverage)
5- دستکاری (Manipulation)
6- زمان (Time)
وقتی رشته‌ها و حوزه‌های تحقیقاتی این 205 استاد فرهیخته را بررسی کردم به نتایج جالبی رسیدم:
نزدیک به 30 درصد اساتید فرهیخته (60 نفر) در حوزه دارو فعالیت می‌کنند (داروسازی، داروشناسی، فارماسیوتیکس، شیمی دارویی و ...)
رشته تحصیلی 28 استاد فرهیخته (13.65 درصد)، مهندسی بهداشت محیط است.
این دو حوزه به تنهایی حدود 43 درصد اساتید فرهیخته را تشکیل می‌دهند.
سایر رشته‌هایی که بیشترین تعداد استاد فرهیخته را دارند:
آمار زیستی و اپیدمیولوژی: 14 نفر
ایمنی‌شناسی پزشکی: 11 نفر
علوم تغذیه: 10 نفر
در ده‌ها رشته و حوزه دیگر، هیچ استاد فرهیخته‌ای در لیست 205 نفره وجود ندارد. برای مثال:
جراحی و ارتوپدی (تمام تخصص‌ها و فوق تخصص‌ها)
بیماری‌های داخلی
تمام گرایش‌های پرستاری و مامایی
و ده‌ها رشته دیگر
از طرف دیگر:
در کل حوزه دندانپزشکی فقط 1 استاد فرهیخته داریم
در حوزه قلب و تمام تخصص‌های آن هم فقط 1 استاد فرهیخته داریم.
این اعداد نشان می‌دهند که استناد و سنجه‌های حاصل از آن (مثل اچ ایندکس) بشدت وابسته به حوزه موضوعی هستند. بنابراین مبنا قرار دادن آن به عنوان معیاری برای اعطای گرنت، راهکار ِمنطقی به نظر نمی‌رسد.
#grant
#nimad
#critique
#research_metrics
#faculty
🆔 @irevidence
07.04.202520:04
▫️استفاده مسئولانه از هوش مصنوعی در سنتز شواهد
عده ای از متخصصان سنتز شواهد با همکاری موسساتی مثل کاکرین، JBI، مرکز EPPI و Campbell در حال تدوین گایدلاینی تحت عنوان RAISE هستند و در حال حاضر درفت اولیه آن در پلتفرم OSF به رایگان در دسترس است.
در این سند، برای استفاده مسئولانه از هوش مصنوعی (AI) در سنتز شواهد، توصیه‌ها به‌گونه‌ای ارائه شده‌اند که بر اساس نقش‌های مختلف (نظیر پژوهشگران سنتز شواهد، روش‌شناسان، توسعه‌دهندگان ابزار AI، سازمانهای تولیدکننده سنتز شواهد، تأمین‌کنندگان مالی و ناشران) تفکیک شده‌اند.
عنوان کامل سند:
Responsible AI in Evidence Synthesis (RAISE): guidance and recommendations
🔗 دانلود متن کامل سند در 18 صفحه در قالب PDF (لینک)
در این پست مهمترین توصیه‌های این سند آورده شده است. با این حال تعداد توصیه‌ها خیلی زیاد است و مطالعه متن کامل آن پیشنهاد می‌شود. همچنین به گفته نویسندگان، به‌زودی ویرایش نهایی این سند منتشر خواهد شد.
🔹حفظ مسئولیت‌پذیری نهایی در نتایج سنتز شواهد
هوش مصنوعی نمی‌تواند جایگزین مسئولیت انسانی شود؛ هر ابزار AI صرفاً ابزاری در کنار متخصصان است.
کاربران باید آگاه باشند که حتی با استفاده از ابزارهای خودکار، صحت و دقت نهایی سنتز شواهد بر عهده آنها خواهد بود.
🔹توجیه روشن برای استفاده از ابزارهای هوش مصنوعی
هنگام گزارش یک مطالعه مروری، دلیل استفاده از AI و چگونگی ارزیابی تناسب آن برای فرایند سنتز شواهد باید شفاف بیان شود.
نتایج یا داده‌های تولیدشده توسط AI (مانند خلاصه‌ها، دسته‌بندی مقالات، و غیره) تنها درصورتی قابل اتکا هستند که محدودیت‌ها و نقاط ضعف ابزار به‌خوبی شناخته شده و تحت کنترل باشد.
🔹گزارش‌دهی شفاف و کامل
در مستندات پژوهش (مخصوصاً بر اساس اصول گزارش‌دهی نظیر PRISMA)، باید جزئیات استفاده از هوش مصنوعی مانند:
نام و نسخه ابزار AI
مرحله یا مراحل سنتز شواهد که ابزار در آن به‌کار رفته
نحوه به‌کارگیری و تعامل داده‌ها با ابزار
نتایج ارزیابی دقت و محدودیت ابزار
هرگونه منبع تأمین مالی یا تضاد منافع
را به‌روشنی اعلام کرد.
در صورت امکان، داده‌ها و کُدهایی که برای آموزش و ارزیابی عملکرد هوش مصنوعی استفاده شده‌اند، به‌صورت عمومی به اشتراک گذاشته شوند.
🔹ارزیابی و پایش ابزار هوش مصنوعی
برای اطمینان از کیفیت و قابل اعتماد بودن ابزار، باید ارزیابی‌های مستقل و ساختارمندی انجام شود.
لازم است کارایی ابزار در حوزه‌ها یا انواع مختلف مرورها مورد بررسی قرار گیرد و محدودیت‌های آن صریحاً گزارش شود.
🔹رعایت اخلاق و ملاحظات حقوقی
پیش از واردکردن داده‌های حساس به ابزارهای AI، جنبه‌های حفظ محرمانگی و حقوق مؤلفان (مثلاً عدم نقض کپی‌رایت) بررسی شود.
هرگونه کپی‌برداری یا خلاصه‌نویسی خودکار از مقالات باید مطابق با قوانین مربوط به استفاده از آثار علمی باشد.
🔹توسعه و استقرار ابزار به‌صورت انسان‌محور
تیم‌های توسعه‌دهنده ابزار باید از ابتدا نیازها و ملاحظات پژوهشگران سنتز شواهد را در طراحی الگوریتم‌ها مدنظر قرار دهند.
گزارش نحوه آموزش الگوریتم، اندازه و کیفیت داده‌های تمرینی، و هرگونه سوگرایی (Bias) احتمالی در آنها کاملاً شفاف باشد.
ابزار نباید صرفاً جعبه سیاه باشد؛ تا حد ممکن باید سازوکار آن و محدودیت‌هایش در دسترس یا دست‌کم روشن باشد.
🔹استانداردسازی و همکاری بین بازیگران مختلف
سازمانهای بزرگ تولیدکننده مرورها، نقش مهمی در تعیین استانداردهای عمومی دارند؛ ازجمله معرفی ابزارهای معتبر، تدوین گایدلاین‌های آموزشی و نظارت بر نحوه استفاده.
ناشران علمی نیز با ایجاد رهنمودهای ویژه در فرایند داوری و انتشار مقالات، شفافیت در استفاده از AI را الزامی کنند.
تأمین‌کنندگان مالی می‌توانند با تخصیص بودجه ویژه برای پژوهش‌های ارزیابی ابزارهای هوش مصنوعی و پروژه‌های متن‌باز، روند ارتقای کیفیت را تسهیل کنند.
🔹تشویق به اشتراک دانش و داده‌ها
در کنار رعایت ملاحظات حقوقی، در حد امکان داده‌های لازم برای آموزش و ارزیابی ابزارهای AI به اشتراک گذاشته شود تا ابزارها دقت بیشتری پیدا کنند.
به اشتراک‌گذاشتن تجارب موفق یا ناموفق از پیاده‌سازی این ابزارها نیز به بهبود کلی جامعه علمی کمک می‌کند.
🔹ارتقای مهارت‌ها و آموزش مداوم
پژوهشگران سنتز شواهد، روش‌شناسان، توسعه‌دهندگان ابزار و ناشران باید در شبکه‌های آموزشی مشترک، کنفرانس‌ها یا وبینارها به‌صورت منظم حضور پیدا کنند و به‌روزرسانی‌های حوزه AI را پیگیری نمایند.
برقراری تعامل مستمر بین نقش‌های مختلف (پژوهشگران، توسعه‌دهندگان، ناشران، سازمانهای پژوهشی) باعث می‌شود استانداردها و ابزارها با نیازهای واقعی پژوهشگران هماهنگ باقی بمانند.
#AI
#evidence_synthesis
#systematic_review
#research_ethics
#RISE
#guideline
🆔 @irevidence
عده ای از متخصصان سنتز شواهد با همکاری موسساتی مثل کاکرین، JBI، مرکز EPPI و Campbell در حال تدوین گایدلاینی تحت عنوان RAISE هستند و در حال حاضر درفت اولیه آن در پلتفرم OSF به رایگان در دسترس است.
در این سند، برای استفاده مسئولانه از هوش مصنوعی (AI) در سنتز شواهد، توصیه‌ها به‌گونه‌ای ارائه شده‌اند که بر اساس نقش‌های مختلف (نظیر پژوهشگران سنتز شواهد، روش‌شناسان، توسعه‌دهندگان ابزار AI، سازمانهای تولیدکننده سنتز شواهد، تأمین‌کنندگان مالی و ناشران) تفکیک شده‌اند.
عنوان کامل سند:
Responsible AI in Evidence Synthesis (RAISE): guidance and recommendations
🔗 دانلود متن کامل سند در 18 صفحه در قالب PDF (لینک)
در این پست مهمترین توصیه‌های این سند آورده شده است. با این حال تعداد توصیه‌ها خیلی زیاد است و مطالعه متن کامل آن پیشنهاد می‌شود. همچنین به گفته نویسندگان، به‌زودی ویرایش نهایی این سند منتشر خواهد شد.
🔹حفظ مسئولیت‌پذیری نهایی در نتایج سنتز شواهد
هوش مصنوعی نمی‌تواند جایگزین مسئولیت انسانی شود؛ هر ابزار AI صرفاً ابزاری در کنار متخصصان است.
کاربران باید آگاه باشند که حتی با استفاده از ابزارهای خودکار، صحت و دقت نهایی سنتز شواهد بر عهده آنها خواهد بود.
🔹توجیه روشن برای استفاده از ابزارهای هوش مصنوعی
هنگام گزارش یک مطالعه مروری، دلیل استفاده از AI و چگونگی ارزیابی تناسب آن برای فرایند سنتز شواهد باید شفاف بیان شود.
نتایج یا داده‌های تولیدشده توسط AI (مانند خلاصه‌ها، دسته‌بندی مقالات، و غیره) تنها درصورتی قابل اتکا هستند که محدودیت‌ها و نقاط ضعف ابزار به‌خوبی شناخته شده و تحت کنترل باشد.
🔹گزارش‌دهی شفاف و کامل
در مستندات پژوهش (مخصوصاً بر اساس اصول گزارش‌دهی نظیر PRISMA)، باید جزئیات استفاده از هوش مصنوعی مانند:
نام و نسخه ابزار AI
مرحله یا مراحل سنتز شواهد که ابزار در آن به‌کار رفته
نحوه به‌کارگیری و تعامل داده‌ها با ابزار
نتایج ارزیابی دقت و محدودیت ابزار
هرگونه منبع تأمین مالی یا تضاد منافع
را به‌روشنی اعلام کرد.
در صورت امکان، داده‌ها و کُدهایی که برای آموزش و ارزیابی عملکرد هوش مصنوعی استفاده شده‌اند، به‌صورت عمومی به اشتراک گذاشته شوند.
🔹ارزیابی و پایش ابزار هوش مصنوعی
برای اطمینان از کیفیت و قابل اعتماد بودن ابزار، باید ارزیابی‌های مستقل و ساختارمندی انجام شود.
لازم است کارایی ابزار در حوزه‌ها یا انواع مختلف مرورها مورد بررسی قرار گیرد و محدودیت‌های آن صریحاً گزارش شود.
🔹رعایت اخلاق و ملاحظات حقوقی
پیش از واردکردن داده‌های حساس به ابزارهای AI، جنبه‌های حفظ محرمانگی و حقوق مؤلفان (مثلاً عدم نقض کپی‌رایت) بررسی شود.
هرگونه کپی‌برداری یا خلاصه‌نویسی خودکار از مقالات باید مطابق با قوانین مربوط به استفاده از آثار علمی باشد.
🔹توسعه و استقرار ابزار به‌صورت انسان‌محور
تیم‌های توسعه‌دهنده ابزار باید از ابتدا نیازها و ملاحظات پژوهشگران سنتز شواهد را در طراحی الگوریتم‌ها مدنظر قرار دهند.
گزارش نحوه آموزش الگوریتم، اندازه و کیفیت داده‌های تمرینی، و هرگونه سوگرایی (Bias) احتمالی در آنها کاملاً شفاف باشد.
ابزار نباید صرفاً جعبه سیاه باشد؛ تا حد ممکن باید سازوکار آن و محدودیت‌هایش در دسترس یا دست‌کم روشن باشد.
🔹استانداردسازی و همکاری بین بازیگران مختلف
سازمانهای بزرگ تولیدکننده مرورها، نقش مهمی در تعیین استانداردهای عمومی دارند؛ ازجمله معرفی ابزارهای معتبر، تدوین گایدلاین‌های آموزشی و نظارت بر نحوه استفاده.
ناشران علمی نیز با ایجاد رهنمودهای ویژه در فرایند داوری و انتشار مقالات، شفافیت در استفاده از AI را الزامی کنند.
تأمین‌کنندگان مالی می‌توانند با تخصیص بودجه ویژه برای پژوهش‌های ارزیابی ابزارهای هوش مصنوعی و پروژه‌های متن‌باز، روند ارتقای کیفیت را تسهیل کنند.
🔹تشویق به اشتراک دانش و داده‌ها
در کنار رعایت ملاحظات حقوقی، در حد امکان داده‌های لازم برای آموزش و ارزیابی ابزارهای AI به اشتراک گذاشته شود تا ابزارها دقت بیشتری پیدا کنند.
به اشتراک‌گذاشتن تجارب موفق یا ناموفق از پیاده‌سازی این ابزارها نیز به بهبود کلی جامعه علمی کمک می‌کند.
🔹ارتقای مهارت‌ها و آموزش مداوم
پژوهشگران سنتز شواهد، روش‌شناسان، توسعه‌دهندگان ابزار و ناشران باید در شبکه‌های آموزشی مشترک، کنفرانس‌ها یا وبینارها به‌صورت منظم حضور پیدا کنند و به‌روزرسانی‌های حوزه AI را پیگیری نمایند.
برقراری تعامل مستمر بین نقش‌های مختلف (پژوهشگران، توسعه‌دهندگان، ناشران، سازمانهای پژوهشی) باعث می‌شود استانداردها و ابزارها با نیازهای واقعی پژوهشگران هماهنگ باقی بمانند.
#AI
#evidence_synthesis
#systematic_review
#research_ethics
#RISE
#guideline
🆔 @irevidence
01.04.202508:51
▫️پژوهش‌هایی که قبل از انتشار، منسوخ می‌شوند.
اولین نسخه از مدل ChatGPT که در دسترس عموم قرار گرفت، مبتنی بر مدل زبانی GPT-3.5 بود و در تاریخ 30 نوامبر 2022 منتشر شد. با این حال، این نسخه اکنون منسوخ شده و دیگر قابل استفاده نیست. در حال حاضر، قدیمی‌ترین نسخه‌ای که در وب‌سایت ChatGPT در دسترس قرار دارد، ChatGPT 4 است.
با این وجود، پژوهش‌های فراوانی وجود دارند که بر پایه نسخه 3.5 انجام و منتشر شده و می‌شوند. برای بررسی میزان این پژوهش‌ها، جستجویی در پایگاه اسکوپوس با استراتژی زیر انجام دادم:
TITLE-ABS-KEY ((gpt OR chatgpt) PRE/1 3.5)
این جستجو به بازیابی 2797 رکورد منجر شد. البته باید توجه داشت که این روش جستجو ممکن است تمام مقالات مرتبط را بازیابی نکند؛ زیرا ممکن است برخی نویسندگان بدون اشاره به نسخه 3.5، تنها از اصطلاح ChatGPT در عنوان یا چکیده مقاله استفاده کرده باشند.
بر اساس نتایج این جستجو، 427 مقاله در سال 2025 و 1915 مقاله در سال 2024 منتشر شده‌اند.
طبیعتاً، هنگامی که پژوهشگران در حال انجام پژوهش‌های خود بوده‌اند، نسخه 3.5 از مدل ChatGPT در دسترس آنها بوده است. اما باید در نظر داشت که فرایند نگارش مقاله، ارسال آن به مجله، داوری همتا و انجام مراحل ویرایشی و صفحه‌آرایی زمان‌بر است. بنابراین، از زمان شروع پژوهش تا انتشار نهایی مقاله معمولاً حداقل یک سال طول می‌کشد. در برخی موارد، رد شدن مقاله در یک مجله و فرستادن آن به مجله دیگر، تأخیرِ انتشار یک مقاله را ممکن است به دو برابر افزایش دهد.
در طول این مدت، مدل‌های هوش مصنوعی یا کاملاً منسوخ شده‌اند یا تغییرات اساسی یافته‌اند. در نتیجه، تعداد قابل توجهی از پژوهش‌های انجام شده با استفاده از ChatGPT 3.5 (مخصوصاً آنهایی که از نیمه دوم 2024 به این طرف منتشر شده‌اند) حتی پیش از انتشار، منسوخ شده‌اند و نتایج آنها دیگر قابل اعتماد و قابل تعمیم نیست.
#AI
#chatgpt
#research
🆔 @irevidence
اولین نسخه از مدل ChatGPT که در دسترس عموم قرار گرفت، مبتنی بر مدل زبانی GPT-3.5 بود و در تاریخ 30 نوامبر 2022 منتشر شد. با این حال، این نسخه اکنون منسوخ شده و دیگر قابل استفاده نیست. در حال حاضر، قدیمی‌ترین نسخه‌ای که در وب‌سایت ChatGPT در دسترس قرار دارد، ChatGPT 4 است.
با این وجود، پژوهش‌های فراوانی وجود دارند که بر پایه نسخه 3.5 انجام و منتشر شده و می‌شوند. برای بررسی میزان این پژوهش‌ها، جستجویی در پایگاه اسکوپوس با استراتژی زیر انجام دادم:
TITLE-ABS-KEY ((gpt OR chatgpt) PRE/1 3.5)
این جستجو به بازیابی 2797 رکورد منجر شد. البته باید توجه داشت که این روش جستجو ممکن است تمام مقالات مرتبط را بازیابی نکند؛ زیرا ممکن است برخی نویسندگان بدون اشاره به نسخه 3.5، تنها از اصطلاح ChatGPT در عنوان یا چکیده مقاله استفاده کرده باشند.
بر اساس نتایج این جستجو، 427 مقاله در سال 2025 و 1915 مقاله در سال 2024 منتشر شده‌اند.
طبیعتاً، هنگامی که پژوهشگران در حال انجام پژوهش‌های خود بوده‌اند، نسخه 3.5 از مدل ChatGPT در دسترس آنها بوده است. اما باید در نظر داشت که فرایند نگارش مقاله، ارسال آن به مجله، داوری همتا و انجام مراحل ویرایشی و صفحه‌آرایی زمان‌بر است. بنابراین، از زمان شروع پژوهش تا انتشار نهایی مقاله معمولاً حداقل یک سال طول می‌کشد. در برخی موارد، رد شدن مقاله در یک مجله و فرستادن آن به مجله دیگر، تأخیرِ انتشار یک مقاله را ممکن است به دو برابر افزایش دهد.
در طول این مدت، مدل‌های هوش مصنوعی یا کاملاً منسوخ شده‌اند یا تغییرات اساسی یافته‌اند. در نتیجه، تعداد قابل توجهی از پژوهش‌های انجام شده با استفاده از ChatGPT 3.5 (مخصوصاً آنهایی که از نیمه دوم 2024 به این طرف منتشر شده‌اند) حتی پیش از انتشار، منسوخ شده‌اند و نتایج آنها دیگر قابل اعتماد و قابل تعمیم نیست.
#AI
#chatgpt
#research
🆔 @irevidence
Увайдзіце, каб разблакаваць больш функцый.
