Мир сегодня с "Юрий Подоляка"

Труха⚡️Україна

Карап чыгуу

Николаевский Ванёк

Карап чыгуу

Мир сегодня с "Юрий Подоляка"

Карап чыгуу

Труха⚡️Україна

Карап чыгуу

Николаевский Ванёк

Карап чыгуу

Evidence

مرور سیستماتیک، جستجوی پیشرفته، آمار و روش تحقیق، مدیریت رفرنس و تولید محتوا
ادمین: رسول معصومی
@rasoul911
https://evidence.ir

TGlist рейтинг

ТипАчык

Текшерүү

Текшерилбеген

Ишенимдүүлүк

Ишенимсиз

Орду

ТилиБашка

Канал түзүлгөн датаСіч 25, 2025

TGlistке кошулган дата

Січ 21, 2025

Мен каналдын ээсимин

Өзгөрүүлөр тарыхы

Тиркелген топ

Evidence Chat

Telegram каналы Evidence статистикасы

Толугураак

Катталгандар

4 384

24 саат

20.1%Жума

120.3%Ай

1132.6%

Цитация индекси

0

Эскерүүлөр1Каналдарда бөлүштү0Каналдарда эскерүүлөр1

1 посттун орточо көрүүлөрү

1 665

12 саат880%24 саат1 6650%48 саат9870%

Катышуу (ER)

1.62%

Кайра посттошту27Комментарийлер2Реакциялар13

Көрүүлөр боюнча катышуу (ERR)

0%

24 саат0%Жума

10.33%Ай

17.88%

1 жарнама посттун орточо көрүүлөрү

1 665

1 саат69741.86%1 – 4 саат1468.77%4 - 24 саат1 25375.26%

Толугураак

Биздин ботту каналыңызга кошуп, анын аудиториясынын жынысын билүү.

Акыркы 24 саатта бардык посттор

1

Динамика

"Evidence" тобундагы акыркы жазуулар

Бардык посттор

26.04.202517:22

قابلیت Deep Research برای همه کاربرانِ ChatGPT بصورت رایگان در دسترس قرار گرفت.

از این قابلیت می‌توان برای پژوهش علمی و مخصوصاً سنتز دانش استفاده کرد. قبلاً فقط کاربران پلن‌های پولی ChatGPT می‌توانستند از آن استفاده کنند.

ماهانه فقط 5 بار می‌توانید از آن استفاده کنید. البته نسبت به نسخه اصلی، قابلیت‌های آن کمی پایین‌تر است و در حقیقت نسخه لایت آن محسوب می‌شود.

#AI
#deep_research
#evidence_synthesis
#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

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:

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

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

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

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

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

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

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

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

20.03.202511:32

▫️تبریک سال نو

فرا رسیدن سال نو و عید باستانی نوروز بر شما همراهان گرامی مبارک باشد. بهترین‌ها را برایتان آرزومندم.

با احترام/ رسول معصومی

16.03.202520:21

▫️تعریف، آسیب‌ها و پیشگیری از مرورهای سیستماتیک زائد و تکراری

مقاله‌ زیر در سال 2023 توسط Puljak و Lund در مجله Systematic Reviews منتشر شده است:

Definition, harms, and prevention of redundant systematic reviews

این مقاله به بررسی مفهوم مرورهای سیستماتیک زائد و تکراری (redundant systematic reviews) و آسیب‌های احتمالی ناشی از آن‌ها می‌پردازد و در آخر، راهکارهایی را برای پیشگیری از انجام چنین مرورهایی ارائه می‌کند. در سال‌های اخیر میزان انتشار مرورهای سیستماتیک زائد بسیار افزایش یافته است و این موضوع باعث شده است برخی محققان آن را در ابعاد اپیدمی توصیف کنند. در ادامه نکات مهم این مقاله بطور خلاصه شرح داده شده است:

در حال حاضر تعریف مورد اجماع و مشخصی از مرور سیستماتیک وجود ندارد و تعاریف موجود مبهم یا کلی هستند. نبود استانداردِ مشخص باعث شده است برخی پژوهش‌ها تحت عنوان مرور سیستماتیک معرفی شوند، در حالی که معیارهای حداقلی روش‌شناختی را رعایت نکرده‌اند.

همچنین توافق نظری درباره تعریف مرورهای زائد و تکراری هم وجود ندارد. David Moher اشاره کرده است که شاید داشتن ۲ تا ۳ مرور سیستماتیکِ مشابه روی یک موضوع منطقی باشد، اما بیش از آن قطعاً اضافی است. اصطلاحات مرتبط دیگری مانند غیرضروری (unnecessary) و همپوشان (overlapping) نیز استفاده می‌شوند، اما میزان شباهتِ قابل قبول هنوز مشخص نیست.

تکرار (replication) به معنای انجام مجدد همان مطالعۀ قبلی برای پاسخ به همان سؤال (یا سؤالات) پژوهشی است؛ درحالی‌که بازتولید (reproduction) به معنای تحلیلِ مجدد داده‌های جمع‌آوری‌شده در مطالعه قبلی، با استفاده از همان داده‌ها، گام‌های محاسباتی و کدهای تحلیلیِ مطالعه اصلی است.

دو نوع تکرار مرور مطرح است:

تکرار مستقیم (direct replication): تکرار کامل همان سؤال پژوهشی با هدف تأیید نتایج

تکرار مفهومی (conceptual replication): بررسی مجدد یک سؤال پژوهشی با تغییرات جزئی

دلایل تولید مرورهای سیستماتیک زائد و تکراری

بسیاری از مرورهای تکراری بدون عمد تولید می‌شوند، چون محققان در مرحله جستجو، مرورهای مشابه قبلی را به دلایل مختلف پیدا نمی‌کنند. (مانند عدم جستجوی پایگاه‌هایی مثل PROSPERO).

پروتکل برخی مرورهای سیستماتیک در PROSPERO یا جاهای دیگر ثبت می‌شوند ولی هرگز اجرا نمی‌شوند. به این مرورها، مرورهای زامبی (zombie reviews) گفته می‌شود و باعث گمراهی محققان دیگر می‌شوند.

مرور سیستماتیکِ جدید روی موضوع مشابه تنها در دو حالت قابل توجیه است:

1- در صورت وجود ایرادات روش‌شناختی جدی در مرور قبلی.
2- در صورت نیاز به آپدیت مرور قبلی.

آسیب‌های ناشی از مرورهای سیستماتیک تکراری

آسیب علمی: هدر رفت پژوهشی (research waste)
آسیب اخلاقی: انجام تحقیقات بی‌فایده و گاه سوگیرانه
آسیب اقتصادی: صرف منابع مالی و انسانی بیهوده
آسیب اجتماعی: ایجاد بی‌اعتمادی نسبت به مرورهای سیستماتیک به دلیل ارائه نتایج متناقض و گیج‌کننده برای مخاطبان

راهکارهای پیشگیری از مرورهای زائد و تکراری

▫️ثبت اجباری و پیش از اجرای مرورهای سیستماتیک در پایگاه‌هایی مانند PROSPERO

▫️رد کردن مرورهای تکراری و زائد توسط سردبیران و داوران مجلات

▫️اصلاح گایدلاین‌های گزارش‌دهی مانند PRISMA برای تأکید بر ضرورت جستجوی مرورهای قبلی

▫️تدوین روش‌هایی برای مانیتورینگِ پژوهش‌های مبتنی بر شواهد (evidence‑based research)

▫️ارائه تعریف روشن و قابلِ اجماع از مرور سیستماتیک

▫️تعیین معیارهای مشخص برای مرورهای سیستماتیک قطعی (Conclusive) تا نیاز به مرورهای جدید از بین برود: در حال حاضر تعریفی برای پژوهش قطعی (conclusive research) نداریم؛ یعنی روشی مشخص نشده است که براساس آن اعلام کنیم شواهد کافی در دسترس است و دیگر نیازی به انجام پژوهش جدید در آن موضوع وجود ندارد.

▫️گسترش مرورهای سیستمایتک زنده و پویا (living systematic reviews) که به‌طور مداوم به‌روز شوند

▫️پاکسازی مرورهای زامبی و حذف مرورهای ثبت‌شده اما رها شده

▫️استفاده از ابزارهای اتوماتیک برای جلوگیری از ثبت مرورهای تکراری در لحظه ثبت پروتکل‌ها

▫️آموزش پژوهشگران درباره مشکلات مرورهای تکراری و نحوه اجتناب از آن‌ها

نویسندگان تأکید می‌کنند که رفع کامل مشکل مرورهای زائد و تکراری ممکن نیست، اما توجه به روش‌های پیشگیری و اصلاح روند فعلی می‌تواند اثرات منفی آن‌ها را کاهش دهد.

#systematic_review
#evidence_synthesis
#methodology
#meta_research

🆔 @irevidence

14.03.202519:55

▫️قابلیت Deep Research هوش مصنوعی Gemini بصورت رایگان در دسترس قرار گرفت.

چندی قبل بود که OpenAI از ایجنت Deep Research خود برای هوش مصنوعی ChatGPT رونمایی کرد. در این پست آن را معرفی کرده بودم. اما استفاده از آن رایگان نیست و باید اشتراک Plus (20 دلار) یا Pro (200 دلار) ChatGPT تهیه شود. در نسخه Plus در هر ماه فقط 10 بار امکان استفاده از آن وجود دارد.

گوگل در یک حرکت جالب توجه، قابلیت Deep Research هوش مصنوعی Gemini را بصورت رایگان در دسترس همه کاربران قرار داده است.

برای استفاده از آن کافیست وارد سایت Gemini شوید و از منوی کشویی گزینه Deep Research را انتخاب کنید. (تصویر پیوست را ملاحظه فرمایید)

حالا می‌توانید پرامپت مد نظرتان را بنویسید و از آن بخواهید که برایتان یک سنتز پژوهش جامع انجام دهد. سعی کنید جزئیات بیشتری بنویسید تا خروجی مطلوب‌تری تولید کند.

قبل از شروع پژوهش، پیش‌نویسی از Outline‌های مقاله را نمایش می‌دهد اگر مشکلی نداشت بر روی گزینه Start Research کلیک کنید تا فرایند انجام پژوهش شروع شود. در غیر این صورت ابتدا آن را ویرایش کنید و سپس اجرا نمایید.

بسته به موضوع، انجام پژوهش چند دقیقه‌ای طول خواهد کشید. بعد از آن، متن علمی تولید شده همراه با استنادات نمایش داده می‌شود. می‌توانید آن را کپی کنید و در Word پیست کنید (تمام ساختار بخوبی حفظ می‌شود حتی جداول) یا به Google Docs خروجی بگیرید.

ظاهراً فقط 5 بار در ماه می‌توان بصورت رایگان از این قابلیت استفاده کرد.

#AI
#gemini
#deep_research
#evidence_synthesis

🆔 @irevidence

12.03.202518:44

▫️جعل‌شده: تقلب، تکبر و تراژدی در جستجوی درمان آلزایمر

Doctored: Fraud, Arrogance, and Tragedy in the Quest to Cure Alzheimer's

چارلز پیلر (Charles Piller) به‌تازگی کتاب مناقشه‌برانگیزی در باب دستکاری و تقلب در پژوهش‌های مربوط به آلزایمر منتشر کرده است. وی قبلاً در مجله ساینس به این تخلف پرداخته بود که بازتاب گسترده‌ای به همراه داشت.

کارل الیوت (Carl Elliott) در مجله ساینس مروری داشته است بر این کتاب:

کتاب پیلر داستانی است هشدارآمیز درباره این‌که چگونه تقلب‌ها، فریب‌ها و منفعت‌طلبی‌ها، تحقیقات علمی در حوزه آلزایمر را از مسیر اصلی خود منحرف کرده است. نویسنده با دقت فراوان و روشی شبیه به تحقیقات کارآگاهی، لایه‌های مختلف این تقلب‌ها را بررسی و افشا کرده است. او در این کتاب، طیفی از خطاهای اخلاقی در فضای آکادمیک از جمله طمع، خودفریبی، دورویی و به‌ویژه غرور را شرح می‌دهد و معتقد است این مسائل، ضربه‌ای شدید به اعتبار پژوهش علمی در این حوزه وارد کرده است.

یکی از موارد برجسته در این کتاب، ماجرای شرکت دارویی کساوا ساینسز (Cassava Sciences) و داروی آزمایشی آن با نام سیموفیلام (simufilam) است. پیلر به دنبال ادعاهای یک منبع معتبر، در سال ۲۰۲۱ متوجه شد که در تحقیقات مربوط به این دارو ممکن است تقلب صورت گرفته باشد. او با کمک متخصصانی موسوم به "کارآگاه داده‌ها" (data sleuths)، شبکه‌ای از سوءرفتارهای علمی احتمالی را کشف کرد که شامل پژوهشگران برجسته‌ای همچون لیندزی برنز (از شرکت کساوا)، هو-یان وانگ (از دانشگاه سیتی نیویورک)، استیون آرنولد (از هاروارد)، الیزر ماسلیا (از مؤسسه ملی سالمندی آمریکا) و بریسلاو زلوکوویچ (از دانشگاه کالیفرنیای جنوبی) بود.

یکی از نام‌های کلیدی که پیلر به آن اشاره می‌کند سیلوان لِنِه (Sylvain Lesné)، پژوهشگر دانشگاه مینه‌سوتا است. لنه متهم به دستکاری گسترده در تصاویر و داده‌های پژوهشی شده است. بیش از ۷۰ تصویر مشکوک در حداقل ۲۰ مقاله او شناسایی شد که معروف‌ترین آن‌ها مقاله‌ای تأثیرگذار بود که در سال ۲۰۰۶ در مجله Nature منتشر شده بود. این مقاله یکی از پایه‌های فرضیه رایج در مورد نقش یک نوع الیگومر خاص از آمیلوئید بتا (Aβ*56) در ایجاد اختلالات حافظه در بیماری آلزایمر است. سلب اعتبار (retraction) این مقاله توسط مجله نیچر در سال ۲۰۲۴ نشان داد که عمق مشکل بسیار بیشتر از یک اشتباه جزئی بوده است.

در این کتاب، متیو شراگ (Matthew Schrag)، استاد جوان از دانشگاه وندربیلت (Vanderbilt)، به عنوان قهرمانی اخلاق‌مدار معرفی شده است. شراگ به طور اتفاقی به این ماجرا وارد شد، هنگامی که تعدادی از سرمایه‌گذاران متخصص علوم اعصاب، نگرانی‌هایی درباره جعلی بودن تحقیقات شرکت کساوا ساینسز به او ابراز کردند. هرچند شراگ در ابتدا تمایلی به ورود به این پرونده نداشت، اما به دلیل نگرانی از آسیب‌های احتمالی به بیماران، در نهایت تصمیم گرفت در تحقیقات همکاری کند. او به تدریج متوجه شد که مسئله تقلب در تحقیقات علمی بسیار گسترده‌تر و عمیق‌تر از آن چیزی است که فکر می‌کرد.

شراگ فردی معرفی می‌شود که نه‌تنها بسیار دقیق و اخلاق‌مدار است، بلکه با وجود این‌که تمایلی به آسیب رساندن به دیگران ندارد، اما تعهدش به حقیقت، او را وادار به روبه‌رو شدن با واقعیات تلخی کرده است؛ از جمله زمانی که مجبور شد منتور و دوست قدیمی خود را به دلیل یافته‌های مشکوک در مقالاتش مورد پرسش قرار دهد.

یکی از جنبه‌های مهم کتاب پیلر، توجه به فضای حاکم بر جامعه پژوهشی است. او به وجود جوی از ترس و واهمه اشاره می‌کند که باعث شده بسیاری از پژوهشگران و محققان از افشاگری یا حتی صحبت با رسانه‌ها درباره موارد تقلب خودداری کنند. این افراد به شدت از پیامدهایی چون اخراج، شکایت حقوقی و نابودی مالی یا حرفه‌ای وحشت دارند.

پیلر همچنین نقدی تند به سیستم علمی موجود دارد و معتقد است این سیستم، خود مشوق تقلب و سوءرفتار است. او می‌گوید که مؤسسات پژوهشی و مجلات علمی معمولاً به دلایل مختلفی مانند حفظ اعتبار، منافع مالی و یا پرهیز از حاشیه، در برابر سلب اعتبارِ مقالاتِ مشکل‌دار مقاومت کرده و به ندرت محققان متخلف را مجازات می‌کنند.

در ژوئن ۲۰۲۴، مجله نیچر سرانجام مقاله سال ۲۰۰۶ لنه و اَش را ریترکت کرد. دانشگاه مینه‌سوتا ادعا کرد که لنه را برای آن مقاله خاص از اتهامات تبرئه کرده است، ولی درباره ۱۹ مقاله دیگرِ مشکوک او سکوت کرد. به این ترتیب، دانشگاه مینه‌سوتا حالا یکی از بدنام‌ترین دانشگاه‌ها در زمینه تقلب پژوهشی است.

در پایان، این پرسش مهم و اساسی مطرح می‌شود که چرا برخی مؤسسات علمی به مراکز تقلب و سوءاستفاده تبدیل می‌شوند و برخی دیگر موفق می‌شوند خود را از این فساد دور نگه دارند؟

#research_ethics
#misconduct
#Alzheimer

🆔 @irevidence

11.03.202512:06

▫️تعداد رکوردهای دیتابیس اسکوپوس از 100 میلیون گذشت.

در حال حاضر (11 مارس 2025) تعداد رکوردهای اسکوپوس به 100 میلیون و 469 هزار و 503 رسیده است.

اگر کل رکوردهای اسکوپوس را در نظر بگیریم:

آمریکا با 23.28 درصد کل مدارک اسکوپوس (23,391,226) در رتبه اول قرار دارد.

چین با 12.13 درصد (12,194,371) در رتبه دوم قرار دارد.

در رتبه‌های سوم تا دهم به ترتیب کشورهای بریتانیا، آلمان، ژاپن، هند، فرانسه، ایتالیا، کانادا و استرالیا قرار دارند.

حدود 70 درصد کل رکوردهای اسکوپوس را این ده کشور تولید کرده‌اند.

کشورمان با 998,365 مدرک (99 صدم درصد) در رتبه 21 قرار دارد.

#scopus
#research_outputs

🆔 @irevidence

Бардык посттор

Жарнамаланган1 күндүз

23.04.202510:40شبکه گیاهی ایران

2.3K

Жарнамаланган11 саат

16.04.202507:18کمیته تحقیقات و فناوری علوم پزشکی البرز

1.4K

Жарнамаланган1 күндүз

28.03.202512:41مطالعات میان‌رشته‌ای: منبع شناسی، روش‌شناسی، آسیب‌شناسی

2.2K

Толугураак

Рекорддор

26.04.202523:59

4.4KКатталгандар

31.03.202523:59

300Цитация индекси

26.10.202423:59

2.3K1 посттун көрүүлөрү

26.10.202423:59

2.3K1 жарнама посттун көрүүлөрү

19.10.202423:59

15.18%ER

28.02.202519:20

51.19%ERR

Өнүгүү

Толугураак

Катталуучулар

Citation индекси

Бир посттун көрүүсү

Жарнамалык посттун көрүүсү

ERR

Толугураак

Evidence популярдуу жазуулары

Бардык посттор

04.04.202517:28

23.04.202509:59

26.04.202517:22

28.03.202509:40

15.04.202514:01

20.04.202518:18

27.03.202519:07

07.04.202520:04

22.04.202510:21

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.

01.04.202508:51

Канал өзгөрүүлөр тарыхы

Көбүрөөк функцияларды ачуу үчүн кириңиз.