Evidence
09.05.202513:35
▫️هوش مصنوعی Qwen نیز قابلیت Deep Research خود را معرفی کرد
ویژگی یا عامل Deep Research نخستین‌بار توسط شرکت OpenAI معرفی شد. پس از آن، Google نیز این قابلیت را به مدل‌های Gemini افزود. به کمک این ویژگی می‌توان در مدت زمان کوتاهی یک سنتز شواهد جامع درباره هر موضوعی تهیه کرد.
اکنون هوش مصنوعی شرکت Alibaba با نام Qwen، جدیدترین مدلی است که به قابلیت Deep Research مجهز شده است. برای استفاده از این قابلیت کافی است به آدرس زیر مراجعه کرده و وارد حساب کاربری خود شوید:
chat.qwen.ai
سپس در زیر کادر چت، گزینه Deep Research را فعال کنید. در مرحله بعد، عنوان مرور خود را وارد کرده و هرچه بیشتر جزئیات مورد نظر خود را ارائه دهید؛ برای مثال، می‌توانید اهداف مرور، معیارهای ورود و خروج، منابع مورد استناد و سایر نیازهای خود را مشخص کنید.
پس از چند دقیقه، مقاله مروری شما آماده خواهد بود. می‌توانید آن را به‌صورت فایل PDF دانلود کرده یا محتوای آن را کپی و در یک فایل Word ذخیره نمایید.
بر اساس بررسی‌هایی که انجام دادم، عملکرد آن در تولید مقالات مروری انگلیسی بسیار بهتر از فارسی است.
#AI
#qwen
#deep_research
🆔 @irevidence
ویژگی یا عامل Deep Research نخستین‌بار توسط شرکت OpenAI معرفی شد. پس از آن، Google نیز این قابلیت را به مدل‌های Gemini افزود. به کمک این ویژگی می‌توان در مدت زمان کوتاهی یک سنتز شواهد جامع درباره هر موضوعی تهیه کرد.
اکنون هوش مصنوعی شرکت Alibaba با نام Qwen، جدیدترین مدلی است که به قابلیت Deep Research مجهز شده است. برای استفاده از این قابلیت کافی است به آدرس زیر مراجعه کرده و وارد حساب کاربری خود شوید:
chat.qwen.ai
سپس در زیر کادر چت، گزینه Deep Research را فعال کنید. در مرحله بعد، عنوان مرور خود را وارد کرده و هرچه بیشتر جزئیات مورد نظر خود را ارائه دهید؛ برای مثال، می‌توانید اهداف مرور، معیارهای ورود و خروج، منابع مورد استناد و سایر نیازهای خود را مشخص کنید.
پس از چند دقیقه، مقاله مروری شما آماده خواهد بود. می‌توانید آن را به‌صورت فایل PDF دانلود کرده یا محتوای آن را کپی و در یک فایل Word ذخیره نمایید.
بر اساس بررسی‌هایی که انجام دادم، عملکرد آن در تولید مقالات مروری انگلیسی بسیار بهتر از فارسی است.
#AI
#qwen
#deep_research
🆔 @irevidence
03.05.202518:29
▫️رمز ارز Sci-Hub و پلتفرم Sci-Net: ابتکاری از خانم الباکیان
خانم الکساندرا الباکیان بنیان‌گذار Sci-Hub دست به بک ابتکار جدیدی زده است. وی پلتفرمی تحت عنوان Sci-Net راه‌اندازی کرده که یک شبکه اجتماعی تخصصی برای دسترسی و به اشتراک‌گذاری مقالات علمی به صورت آزاد و بدون محدودیت است.
https://sci-net.xyz/
در این شبکه، کاربرانی که به مقالات علمی مورد نیاز دسترسی ندارند یا با موانع قیمتی و دسترسی روبرو هستند، می‌توانند درخواست مقاله مورد نظر خود را ثبت کنند. سپس، اعضایی که از طریق اشتراک دانشگاهی یا سایر روش‌های قانونی به این مقالات دسترسی دارند، می‌توانند با آپلود نسخه PDF مقاله، به درخواست پاسخ داده و آن را در اختیار سایر کاربران قرار دهند.
نحوه استفاده از Sci-Net
1. ثبت درخواست مقاله:
وقتی کسی با مشکل دسترسی به یک مقاله علمی مواجه می‌شود، می‌تواند درخواست خود را در پلتفرم Sci-Net ثبت کند. این درخواست شامل وارد کردن DOI مقاله می‌شود. سیستم به طور خودکار بررسی می‌کند که آیا مقاله در پایگاه‌های دادهٔ آزاد (مانند arXiv) یا سیستم Sci-Hub موجود است یا خیر.
2. پاسخگویی به درخواست‌ها:
اعضای جامعه کاربران که از دسترسی‌های دانشگاهی یا حرفه‌ای بهره‌مندند، می‌توانند به درخواست‌های ثبت‌شده پاسخ دهند. آنها نسخه PDF مقاله را آپلود می‌کنند که این نسخه با استفاده از الگوریتم‌های حذف واترمارک نیز به صورت پاک ارائه می‌شود؛ این الگوریتم‌ها اطلاعات محرمانه مانند شناسه دانشگاه یا آدرس IP را حذف می‌کنند تا حریم خصوصی کاربران حفظ شود.
3. دسترسی آزاد و همیشگی:
یکبار مقاله آپلود شد، به‌صورت دائمی و برای همه کاربران در دسترس قرار می‌گیرد. این ویژگی تضمین می‌کند که دانش و اطلاعات علمی بدون هیچ محدودیتی، آزادانه منتشر شوند و افراد بدون نیاز به ثبت نام یا پرداخت هزینه بتوانند از آن بهره‌مند شوند.
4. ناشناس ماندن کاربران:
پلتفرم Sci-Net از ثبت‌نام با نیاز به اطلاعات شخصی مانند شماره تلفن یا ایمیل خودداری می‌کند. کاربران می‌توانند به صورت کامل ناشناس باقی بمانند، که این امر از نگرانی‌های مرتبط با حریم خصوصی و نظارت‌های احتمالی جلوگیری می‌کند.
5. سیستم پاداش‌دهی غیرمتمرکز با توکن‌ها:
یکی از ویژگی‌های منحصربه‌فرد Sci-Net استفاده از توکن‌های غیرمتمرکز برای تشویق به اشتراک‌گذاری مقالات است. به ازای هر بار تأیید صحت یک مقاله آپلودشده (که توسط کاربری که درخواست مقاله را ثبت کرده نیز صورت می‌گیرد)، آپلودکننده توکن پاداش دریافت می‌کند. این توکن‌ها به کاربران اجازه می‌دهند که از مزایا یا برداشت‌های اقتصادی بهره‌مند شوند و همچنین عامل تضمین کیفیت محتوا در پلتفرم محسوب می‌شوند.
درباره رمز ارز Sci-Hub
رمزارز Sci-Hub با نماد SCIHUB یک توکن مبتنی بر بلاک‌چین سولانا است که با هدف حمایت از علم غیرمتمرکز (DeSci) و ترویج دسترسی آزاد به دانش علمی ایجاد شده است. این توکن در دسته‌بندی میم‌کوین‌ها قرار می‌گیرد و با الهام از پلتفرم Sci-Hub، که به ارائه رایگان مقالات علمی می‌پردازد، توسعه یافته است.
هدف اصلی SCIHUB حمایت از جنبش دسترسی آزاد به دانش است. با تخصیص 20 درصد از کل عرضه توکن به الکساندرا الباکیان، این پروژه به دنبال تأمین مالی برای ادامه فعالیت‌های این پلتفرم و گسترش دسترسی به منابع علمی است. این اقدام نشان‌دهنده تعهد جامعه به شکستن موانع دسترسی به دانش علمی و حمایت از تحقیقات کم‌بودجه است.
ویژگی‌های فنی و اقتصادی:
بلاک‌چین: سولانا (Solana)
حداکثر عرضه: 1 میلیارد توکن
عرضه در گردش: تقریباً 1 میلیارد توکن
ارزش بازار: حدود 1.33 میلیون دلار
بالاترین قیمت ثبت‌شده: 0.004862 دلار در نوامبر 2024
در حال حاضر (3 می 2025) قیمت آن به 0.001246 دلار کاهش یافته است. یعنی ریزش حدود 98 درصدی نسبت به بالاترین قیمت ثبت شده!
با توجه به افت شدید قیمت توکن SCIHUB، افراد کمتری تمایل به آپلود مقاله دارند. برخی کاربران هم خسّت به خرج می دهند و مثلاً به ازای هر مقاله فقط 1 توکن به آپلود کننده می‌پردازند!
من از طریق دعوتنامه‌ای در این سیستم ثبت نام کردم و 1000 توکن رایگان به من اهدا شد. از این توکن‌ها برای درخواست متن کامل مقاله می‌توانم استفاده کنم.
برای افزایش تعداد توکن‌ها دو راه وجود دارد: یا باید از طریق کیف پول Solflare مقداری رمز ارز سولانا (SOL) بخرید و آن را تبدیل به توکن SCIHUB کنید. یا اینکه به درخواست‌های کاربران پاسخ دهید و به ازای هر مقاله‌ای که آپلود می‌کنید بین 1 تا 1000 توکن می‌توانید دریافت کنید.
ابتکار جالبی است ولی پیش‌بینی اینکه آیا موفق خواهد شد یا به شکست کامل منجر خواهد شد، سخت است.
#scihub
#scinet
#crypto
🆔 @irevidence
خانم الکساندرا الباکیان بنیان‌گذار Sci-Hub دست به بک ابتکار جدیدی زده است. وی پلتفرمی تحت عنوان Sci-Net راه‌اندازی کرده که یک شبکه اجتماعی تخصصی برای دسترسی و به اشتراک‌گذاری مقالات علمی به صورت آزاد و بدون محدودیت است.
https://sci-net.xyz/
در این شبکه، کاربرانی که به مقالات علمی مورد نیاز دسترسی ندارند یا با موانع قیمتی و دسترسی روبرو هستند، می‌توانند درخواست مقاله مورد نظر خود را ثبت کنند. سپس، اعضایی که از طریق اشتراک دانشگاهی یا سایر روش‌های قانونی به این مقالات دسترسی دارند، می‌توانند با آپلود نسخه PDF مقاله، به درخواست پاسخ داده و آن را در اختیار سایر کاربران قرار دهند.
نحوه استفاده از Sci-Net
1. ثبت درخواست مقاله:
وقتی کسی با مشکل دسترسی به یک مقاله علمی مواجه می‌شود، می‌تواند درخواست خود را در پلتفرم Sci-Net ثبت کند. این درخواست شامل وارد کردن DOI مقاله می‌شود. سیستم به طور خودکار بررسی می‌کند که آیا مقاله در پایگاه‌های دادهٔ آزاد (مانند arXiv) یا سیستم Sci-Hub موجود است یا خیر.
2. پاسخگویی به درخواست‌ها:
اعضای جامعه کاربران که از دسترسی‌های دانشگاهی یا حرفه‌ای بهره‌مندند، می‌توانند به درخواست‌های ثبت‌شده پاسخ دهند. آنها نسخه PDF مقاله را آپلود می‌کنند که این نسخه با استفاده از الگوریتم‌های حذف واترمارک نیز به صورت پاک ارائه می‌شود؛ این الگوریتم‌ها اطلاعات محرمانه مانند شناسه دانشگاه یا آدرس IP را حذف می‌کنند تا حریم خصوصی کاربران حفظ شود.
3. دسترسی آزاد و همیشگی:
یکبار مقاله آپلود شد، به‌صورت دائمی و برای همه کاربران در دسترس قرار می‌گیرد. این ویژگی تضمین می‌کند که دانش و اطلاعات علمی بدون هیچ محدودیتی، آزادانه منتشر شوند و افراد بدون نیاز به ثبت نام یا پرداخت هزینه بتوانند از آن بهره‌مند شوند.
4. ناشناس ماندن کاربران:
پلتفرم Sci-Net از ثبت‌نام با نیاز به اطلاعات شخصی مانند شماره تلفن یا ایمیل خودداری می‌کند. کاربران می‌توانند به صورت کامل ناشناس باقی بمانند، که این امر از نگرانی‌های مرتبط با حریم خصوصی و نظارت‌های احتمالی جلوگیری می‌کند.
5. سیستم پاداش‌دهی غیرمتمرکز با توکن‌ها:
یکی از ویژگی‌های منحصربه‌فرد Sci-Net استفاده از توکن‌های غیرمتمرکز برای تشویق به اشتراک‌گذاری مقالات است. به ازای هر بار تأیید صحت یک مقاله آپلودشده (که توسط کاربری که درخواست مقاله را ثبت کرده نیز صورت می‌گیرد)، آپلودکننده توکن پاداش دریافت می‌کند. این توکن‌ها به کاربران اجازه می‌دهند که از مزایا یا برداشت‌های اقتصادی بهره‌مند شوند و همچنین عامل تضمین کیفیت محتوا در پلتفرم محسوب می‌شوند.
درباره رمز ارز Sci-Hub
رمزارز Sci-Hub با نماد SCIHUB یک توکن مبتنی بر بلاک‌چین سولانا است که با هدف حمایت از علم غیرمتمرکز (DeSci) و ترویج دسترسی آزاد به دانش علمی ایجاد شده است. این توکن در دسته‌بندی میم‌کوین‌ها قرار می‌گیرد و با الهام از پلتفرم Sci-Hub، که به ارائه رایگان مقالات علمی می‌پردازد، توسعه یافته است.
هدف اصلی SCIHUB حمایت از جنبش دسترسی آزاد به دانش است. با تخصیص 20 درصد از کل عرضه توکن به الکساندرا الباکیان، این پروژه به دنبال تأمین مالی برای ادامه فعالیت‌های این پلتفرم و گسترش دسترسی به منابع علمی است. این اقدام نشان‌دهنده تعهد جامعه به شکستن موانع دسترسی به دانش علمی و حمایت از تحقیقات کم‌بودجه است.
ویژگی‌های فنی و اقتصادی:
بلاک‌چین: سولانا (Solana)
حداکثر عرضه: 1 میلیارد توکن
عرضه در گردش: تقریباً 1 میلیارد توکن
ارزش بازار: حدود 1.33 میلیون دلار
بالاترین قیمت ثبت‌شده: 0.004862 دلار در نوامبر 2024
در حال حاضر (3 می 2025) قیمت آن به 0.001246 دلار کاهش یافته است. یعنی ریزش حدود 98 درصدی نسبت به بالاترین قیمت ثبت شده!
با توجه به افت شدید قیمت توکن SCIHUB، افراد کمتری تمایل به آپلود مقاله دارند. برخی کاربران هم خسّت به خرج می دهند و مثلاً به ازای هر مقاله فقط 1 توکن به آپلود کننده می‌پردازند!
من از طریق دعوتنامه‌ای در این سیستم ثبت نام کردم و 1000 توکن رایگان به من اهدا شد. از این توکن‌ها برای درخواست متن کامل مقاله می‌توانم استفاده کنم.
برای افزایش تعداد توکن‌ها دو راه وجود دارد: یا باید از طریق کیف پول Solflare مقداری رمز ارز سولانا (SOL) بخرید و آن را تبدیل به توکن SCIHUB کنید. یا اینکه به درخواست‌های کاربران پاسخ دهید و به ازای هر مقاله‌ای که آپلود می‌کنید بین 1 تا 1000 توکن می‌توانید دریافت کنید.
ابتکار جالبی است ولی پیش‌بینی اینکه آیا موفق خواهد شد یا به شکست کامل منجر خواهد شد، سخت است.
#scihub
#scinet
#crypto
🆔 @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
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
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
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
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
08.05.202508:20
▫️دانشگاه تهران، نماد آموزش عالی کشور، گرفتار بی‌ثباتی مدیریتی: انتصاب سرپرست جدید
در تاریخ ۲۷ شهریور ۱۴۰۳، وزیر علوم، تحقیقات و فناوری، دکتر سیدحسین حسینی را به عنوان سرپرست دانشگاه تهران منصوب کرد. در متن حکم وی آمده بود:
«نظر به مراتب تعهد، تخصص و تجارب ارزشمند جناب‌عالی، به موجب این حکم به عنوان سرپرست دانشگاه تهران منصوب می‌شوید.»
بر اساس مقررات، اداره دانشگاه با سرپرست تنها برای مدت حداکثر شش ماه مجاز است و پس از آن باید رئیس دانشگاه به‌صورت رسمی منصوب شود. بنابراین، مهلت قانونی سرپرستی دکتر حسینی در پایان سال ۱۴۰۳ به پایان رسیده بود و ایشان حدود ۵۰ روز به‌طور غیرقانونی در این سمت باقی ماند.
ظاهراً شورای عالی انقلاب فرهنگی صلاحیت دکتر حسینی را تأیید نکرده است. (برخی خبرها هم حاکی از آن است که وزیر علوم اصلاً سرپرست قبلی را به شورا معرفی نکرده است!)در پی این اتفاق، وزیر علوم در تاریخ ۱۷ اردیبهشت ۱۴۰۴، فرد دیگری را به عنوان سرپرست جدید دانشگاه تهران منصوب کرد. در حکم دکتر محمدحسین امید نیز عبارت مشابهی آمده است:
«نظر به مراتب تعهد، تخصص و تجارب ارزشمند جناب‌عالی، به موجب این حکم به عنوان سرپرست دانشگاه تهران منصوب می‌شوید.»
زمانی که دانشگاه تهران تأسیس شد، یکی از اصول بنیادین آن «خودسامانی» و انتخاب رئیس دانشگاه توسط اعضای هیئت علمی بود. اما امروز نه تنها این اصل به فراموشی سپرده شده، بلکه حتی وزیر علوم نیز به‌تنهایی اختیار تعیین رئیس دانشگاه را ندارد.
در عوض، این صلاحیت به تأیید اعضای شورای عالی انقلاب فرهنگی وابسته است؛ افرادی مانند حسن رحیم‌پور ازغدی، غلامعلی حدادعادل، امیرحسین بانکی‌پور (از صحنه‌گردانان اصلی طرح عفاف و حجاب)، پیمان جبلی (رئیس صداوسیما) و دیگر چهره‌های منصوب شده.
اگرچه برخی اعضای دولت (مانند وزرای علوم، بهداشت، آموزش و پرورش، فرهنگ و ارشاد اسلامی و شخص رئیس‌جمهور) نیز در شورا حضور دارند، اما ترکیب شورا به گونه‌ای است که اکثریت تصمیم‌گیرندگان را افراد غیر دولتی تشکیل می‌دهند.
احتمالاً چند ماهی طول خواهد کشید تا بررسی صلاحیت سرپرست جدید در شورا انجام شود. این در حالی است که سرپرست قبلی، تغییرات متعددی در ساختار مدیریتی دانشگاه ایجاد کرده و اکنون این پرسش مطرح است که آیا سرپرست جدید نیز دست به تغییر مجدد معاونان و مسئولان کلیدی دانشگاه خواهد زد؟
دانشگاه تهران، به عنوان نماد آموزش عالی کشور، همچنان در شرایط بی‌ثباتی مدیریتی به سر می‌برد و اداره آن با سرپرستی ادامه دارد، موضوعی که جای تأمل و نگرانی دارد.
#آزادی_آکادمیک
#دانشگاه_تهران
🆔 @irevidence
در تاریخ ۲۷ شهریور ۱۴۰۳، وزیر علوم، تحقیقات و فناوری، دکتر سیدحسین حسینی را به عنوان سرپرست دانشگاه تهران منصوب کرد. در متن حکم وی آمده بود:
«نظر به مراتب تعهد، تخصص و تجارب ارزشمند جناب‌عالی، به موجب این حکم به عنوان سرپرست دانشگاه تهران منصوب می‌شوید.»
بر اساس مقررات، اداره دانشگاه با سرپرست تنها برای مدت حداکثر شش ماه مجاز است و پس از آن باید رئیس دانشگاه به‌صورت رسمی منصوب شود. بنابراین، مهلت قانونی سرپرستی دکتر حسینی در پایان سال ۱۴۰۳ به پایان رسیده بود و ایشان حدود ۵۰ روز به‌طور غیرقانونی در این سمت باقی ماند.
ظاهراً شورای عالی انقلاب فرهنگی صلاحیت دکتر حسینی را تأیید نکرده است. (برخی خبرها هم حاکی از آن است که وزیر علوم اصلاً سرپرست قبلی را به شورا معرفی نکرده است!)در پی این اتفاق، وزیر علوم در تاریخ ۱۷ اردیبهشت ۱۴۰۴، فرد دیگری را به عنوان سرپرست جدید دانشگاه تهران منصوب کرد. در حکم دکتر محمدحسین امید نیز عبارت مشابهی آمده است:
«نظر به مراتب تعهد، تخصص و تجارب ارزشمند جناب‌عالی، به موجب این حکم به عنوان سرپرست دانشگاه تهران منصوب می‌شوید.»
زمانی که دانشگاه تهران تأسیس شد، یکی از اصول بنیادین آن «خودسامانی» و انتخاب رئیس دانشگاه توسط اعضای هیئت علمی بود. اما امروز نه تنها این اصل به فراموشی سپرده شده، بلکه حتی وزیر علوم نیز به‌تنهایی اختیار تعیین رئیس دانشگاه را ندارد.
در عوض، این صلاحیت به تأیید اعضای شورای عالی انقلاب فرهنگی وابسته است؛ افرادی مانند حسن رحیم‌پور ازغدی، غلامعلی حدادعادل، امیرحسین بانکی‌پور (از صحنه‌گردانان اصلی طرح عفاف و حجاب)، پیمان جبلی (رئیس صداوسیما) و دیگر چهره‌های منصوب شده.
اگرچه برخی اعضای دولت (مانند وزرای علوم، بهداشت، آموزش و پرورش، فرهنگ و ارشاد اسلامی و شخص رئیس‌جمهور) نیز در شورا حضور دارند، اما ترکیب شورا به گونه‌ای است که اکثریت تصمیم‌گیرندگان را افراد غیر دولتی تشکیل می‌دهند.
احتمالاً چند ماهی طول خواهد کشید تا بررسی صلاحیت سرپرست جدید در شورا انجام شود. این در حالی است که سرپرست قبلی، تغییرات متعددی در ساختار مدیریتی دانشگاه ایجاد کرده و اکنون این پرسش مطرح است که آیا سرپرست جدید نیز دست به تغییر مجدد معاونان و مسئولان کلیدی دانشگاه خواهد زد؟
دانشگاه تهران، به عنوان نماد آموزش عالی کشور، همچنان در شرایط بی‌ثباتی مدیریتی به سر می‌برد و اداره آن با سرپرستی ادامه دارد، موضوعی که جای تأمل و نگرانی دارد.
#آزادی_آکادمیک
#دانشگاه_تهران
🆔 @irevidence
01.05.202508:47
▫️زبان فارسی به قابلیت صوتی NotebookLM اضافه شد.
اگر از سرویس NotebookLM گوگل استفاده کرده باشید، احتمالاً با قابلیت Audio Overviews نیز آشنا هستید. این ابزار به شما امکان می‌دهد تا به‌راحتی یک متن را به یک پادکست صوتی واقع‌گرایانه تبدیل کنید. ساختار پادکست به‌صورت پرسش و پاسخ است و توسط دو گوینده، یکی خانم و دیگری آقا، روایت می‌شود.
خبر خوب این است که NotebookLM به‌تازگی از زبان فارسی نیز در ویژگی Audio Overviews پشتیبانی می‌کند.
برای تولید پادکست فارسی، مراحل زیر را دنبال کنید:
به وبسایت زیر مراجعه کنید و با اکانت جیمیل خود وارد شوید.
https://notebooklm.google.com
از بخش Settings گزینه Output Language را انتخاب کنید. سپس در کادر Choose your language override زبان فارسی را برگزینید و روی دکمه Save کلیک کنید. با این کار، هم چت‌ها و هم پادکست خروجی به زبان فارسی خواهند بود.
حالا در صفحه اصلی سایت روی گزینه Create New Notebook کلیک کرده و متن مورد نظر خود را آپلود کنید.
تنها کاری که باقی می‌ماند، کلیک روی گزینه Audio Overview است. بسته به حجم متن، چند دقیقه زمان نیاز دارد تا پادکست آماده شود.
من مطالب مربوط به پست «آیا نویسندگی همچنان معنایی دارد؟» را بارگذاری کردم و خروجی پادکستی که دریافت کردم، بسیار واقع‌گرایانه، جذاب، علمی و در قالب پرسش و پاسخ بود. جز چند مورد تلفظ نادرست، باقی بخش‌ها کیفیت بالایی داشتند.
اگر تمایل داشتید به این پادکست گوش کنید. به نظر خودم خیلی بهتر از نسخه متنی شده است!
#AI
#notebooklm
#podcast
اگر از سرویس NotebookLM گوگل استفاده کرده باشید، احتمالاً با قابلیت Audio Overviews نیز آشنا هستید. این ابزار به شما امکان می‌دهد تا به‌راحتی یک متن را به یک پادکست صوتی واقع‌گرایانه تبدیل کنید. ساختار پادکست به‌صورت پرسش و پاسخ است و توسط دو گوینده، یکی خانم و دیگری آقا، روایت می‌شود.
خبر خوب این است که NotebookLM به‌تازگی از زبان فارسی نیز در ویژگی Audio Overviews پشتیبانی می‌کند.
برای تولید پادکست فارسی، مراحل زیر را دنبال کنید:
به وبسایت زیر مراجعه کنید و با اکانت جیمیل خود وارد شوید.
https://notebooklm.google.com
از بخش Settings گزینه Output Language را انتخاب کنید. سپس در کادر Choose your language override زبان فارسی را برگزینید و روی دکمه Save کلیک کنید. با این کار، هم چت‌ها و هم پادکست خروجی به زبان فارسی خواهند بود.
حالا در صفحه اصلی سایت روی گزینه Create New Notebook کلیک کرده و متن مورد نظر خود را آپلود کنید.
تنها کاری که باقی می‌ماند، کلیک روی گزینه Audio Overview است. بسته به حجم متن، چند دقیقه زمان نیاز دارد تا پادکست آماده شود.
من مطالب مربوط به پست «آیا نویسندگی همچنان معنایی دارد؟» را بارگذاری کردم و خروجی پادکستی که دریافت کردم، بسیار واقع‌گرایانه، جذاب، علمی و در قالب پرسش و پاسخ بود. جز چند مورد تلفظ نادرست، باقی بخش‌ها کیفیت بالایی داشتند.
اگر تمایل داشتید به این پادکست گوش کنید. به نظر خودم خیلی بهتر از نسخه متنی شده است!
#AI
#notebooklm
#podcast
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
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
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
فرا رسیدن سال نو و عید باستانی نوروز بر شما همراهان گرامی مبارک باشد. بهترین‌ها را برایتان آرزومندم.
با احترام/ رسول معصومی
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
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
07.05.202520:46
▫️نقشه زنده پژوهش‌ها درباره ابزارهای مبتنی بر مدل‌های زبانی بزرگ (LLM) برای مراقبت‌های بهداشتی و اجتماعی
مرکز EPPI، بهترین شواهد (مرورهای سیستماتیک و سایر انواع سنتز شواهد) را در حوزه‌های بهداشت، آموزش، رفاه و مراقبت اجتماعی و حوزه‌های مرتبط تولید می‌کند. این مرکز به تازگی سعی کرده چندین Evidence and Gap Maps یا به اصطلاح EGMs در زمینه مطالعات مرتبط با مدل‌های زبانی بزرگ تهیه کند.
🔗 این نقشه‌ها را در آدرس زیر و بصورت رایگان می‌توانید مشاهده کنید:
https://eppi.ioe.ac.uk/EPPI-Vis/Review/Index/708
در ادامه توضیحات این محصول به نقل از وبسایت آن آمده است:
این محصول یک نقشه زندۀ (Living Map) تعاملی است که به‌صورت مداوم جدیدترین پژوهش‌های مربوط به عملکرد و کاربرد ابزارهای مولد مبتنی بر مدل‌های زبانی بزرگ در حوزه‌های سلامت بالینی، سلامت عمومی و مراقبت اجتماعی را گردآوری و به‌روزرسانی می‌کند.
هدف و دامنه
پوشش موضوعی: فقط مطالعاتی را شامل می‌شود که به‌طور مستقیم به ابزارهای مولد LLM (و نه سایر انواع هوش مصنوعی) می‌پردازند.
مخاطبان: پژوهشگران، سیاست‌گذاران، و متخصصانی که نیاز دارند سریعاً تصویر جامع و به‌روز از شواهد موجود یا گپ‌های پژوهشی را مشاهده کنند.
نحوه گردآوری داده‌ها
جست‌وجوهای اتوماتیک در OpenAlex با ابزار EPPI‑Reviewer تلفیق می‌شوند تا در میان بیش از ۲۵۰ میلیون رکورد علمی، مقالات مرتبط شناسایی شده و کدگذاری شوند.
محتوای فعلی (نسخه ۴ – ۱۰ دسامبر ۲۰۲۴، منتشرشده ۳۰ آوریل ۲۰۲۵)
۴۲۳ رکورد کاملاً کدگذاری‌شده.
هر رکورد بر اساس نه بُعد (کلاس کاربرد، نوع مقاله، نوع مدل، نحوه استفاده، نوع وظیفه، حیطه سلامت/مراقبت، جمعیت، نسخه و وضعیت کدگذاری) طبقه‌بندی شده است.
امکانات تعاملی
یک پایگاه وب تعاملی (EPPI‑Vis) که به کاربر اجازه می‌دهد جست‌وجو و فیلتر دلخواه انجام دهد یا از ۵ نمای ازپیش‌پیکربندی‌شده EGM استفاده کند؛ برای مثال"نوع وظیفه × کلاس کاربرد × نوع مقاله".
امکان خروجی گرفتن (export) فهرست مطالعات برای استفاده شخصی یا استنادی.
علاوه بر نقشه اصلی، یک بخش جداگانه وجود دارد که مطالعات متمرکز بر آموزش پزشکی/پاسخ به سؤالات امتحانی و آموزش بیماران را در بر می‌گیرد.
محدودیت‌ها
کیفیت مطالعات ارزیابی نقادانه نشده است؛ بنابراین نقشه به‌تنهایی تمایزی میان شواهد قوی و ضعیف قائل نمی‌شود. قرار است بررسی انتقادی مستقلی در ادامه منتشر شود.
نهاد اجرا و پشتیبانی
این کار را تیمی در مرکز EPPI (دانشگاه کالج لندن) تحت پوشش تسهیلات مرورهای پژوهشی برنامه سیاست‌پژوهی NIHR و در همکاری با مرکز CRD (دانشگاه یورک) و دانشکده LSHTM انجام می‌دهد.
چرا ممکن است برای شما مفید باشد؟
اگر در حال طراحی یا ارزیابی راهکارهای مبتنی بر LLM در سلامت یا مراقبت اجتماعی هستید، این نقشه سریع‌ترین راه برای شناسایی مطالعات مشابه و گپ‌های پژوهشی است.
می‌توانید روندهای موضوعی (مثلاً بیشترین مدل‌های استفاده‌شده یا حیطه‌هایی با کمبود شواهد) را در یک نگاه ببینید و داده‌های خام را برای تحلیل عمیق‌تر دریافت کنید.
#AI
#EPPI
#LLM
#EGM
#research
🆔 @irevidence
مرکز EPPI، بهترین شواهد (مرورهای سیستماتیک و سایر انواع سنتز شواهد) را در حوزه‌های بهداشت، آموزش، رفاه و مراقبت اجتماعی و حوزه‌های مرتبط تولید می‌کند. این مرکز به تازگی سعی کرده چندین Evidence and Gap Maps یا به اصطلاح EGMs در زمینه مطالعات مرتبط با مدل‌های زبانی بزرگ تهیه کند.
🔗 این نقشه‌ها را در آدرس زیر و بصورت رایگان می‌توانید مشاهده کنید:
https://eppi.ioe.ac.uk/EPPI-Vis/Review/Index/708
در ادامه توضیحات این محصول به نقل از وبسایت آن آمده است:
این محصول یک نقشه زندۀ (Living Map) تعاملی است که به‌صورت مداوم جدیدترین پژوهش‌های مربوط به عملکرد و کاربرد ابزارهای مولد مبتنی بر مدل‌های زبانی بزرگ در حوزه‌های سلامت بالینی، سلامت عمومی و مراقبت اجتماعی را گردآوری و به‌روزرسانی می‌کند.
هدف و دامنه
پوشش موضوعی: فقط مطالعاتی را شامل می‌شود که به‌طور مستقیم به ابزارهای مولد LLM (و نه سایر انواع هوش مصنوعی) می‌پردازند.
مخاطبان: پژوهشگران، سیاست‌گذاران، و متخصصانی که نیاز دارند سریعاً تصویر جامع و به‌روز از شواهد موجود یا گپ‌های پژوهشی را مشاهده کنند.
نحوه گردآوری داده‌ها
جست‌وجوهای اتوماتیک در OpenAlex با ابزار EPPI‑Reviewer تلفیق می‌شوند تا در میان بیش از ۲۵۰ میلیون رکورد علمی، مقالات مرتبط شناسایی شده و کدگذاری شوند.
محتوای فعلی (نسخه ۴ – ۱۰ دسامبر ۲۰۲۴، منتشرشده ۳۰ آوریل ۲۰۲۵)
۴۲۳ رکورد کاملاً کدگذاری‌شده.
هر رکورد بر اساس نه بُعد (کلاس کاربرد، نوع مقاله، نوع مدل، نحوه استفاده، نوع وظیفه، حیطه سلامت/مراقبت، جمعیت، نسخه و وضعیت کدگذاری) طبقه‌بندی شده است.
امکانات تعاملی
یک پایگاه وب تعاملی (EPPI‑Vis) که به کاربر اجازه می‌دهد جست‌وجو و فیلتر دلخواه انجام دهد یا از ۵ نمای ازپیش‌پیکربندی‌شده EGM استفاده کند؛ برای مثال"نوع وظیفه × کلاس کاربرد × نوع مقاله".
امکان خروجی گرفتن (export) فهرست مطالعات برای استفاده شخصی یا استنادی.
علاوه بر نقشه اصلی، یک بخش جداگانه وجود دارد که مطالعات متمرکز بر آموزش پزشکی/پاسخ به سؤالات امتحانی و آموزش بیماران را در بر می‌گیرد.
محدودیت‌ها
کیفیت مطالعات ارزیابی نقادانه نشده است؛ بنابراین نقشه به‌تنهایی تمایزی میان شواهد قوی و ضعیف قائل نمی‌شود. قرار است بررسی انتقادی مستقلی در ادامه منتشر شود.
نهاد اجرا و پشتیبانی
این کار را تیمی در مرکز EPPI (دانشگاه کالج لندن) تحت پوشش تسهیلات مرورهای پژوهشی برنامه سیاست‌پژوهی NIHR و در همکاری با مرکز CRD (دانشگاه یورک) و دانشکده LSHTM انجام می‌دهد.
چرا ممکن است برای شما مفید باشد؟
اگر در حال طراحی یا ارزیابی راهکارهای مبتنی بر LLM در سلامت یا مراقبت اجتماعی هستید، این نقشه سریع‌ترین راه برای شناسایی مطالعات مشابه و گپ‌های پژوهشی است.
می‌توانید روندهای موضوعی (مثلاً بیشترین مدل‌های استفاده‌شده یا حیطه‌هایی با کمبود شواهد) را در یک نگاه ببینید و داده‌های خام را برای تحلیل عمیق‌تر دریافت کنید.
#AI
#EPPI
#LLM
#EGM
#research
🆔 @irevidence
27.04.202509:39
باز هم داغی تازه بر دل این سرزمین نشست... این بار در بندر شهید رجایی و بندر عباس، عزیزانی را از دست دادیم. درگذشت جان‌های نازنین این حادثۀ تلخ را به خانواده‌های داغدار، مردم صبور و خونگرم آن خطه و همه‌ی هم‌میهنان تسلیت می‌گوییم. برای مجروحان این رویداد ناگوار، آرزوی شفای عاجل و سلامتی داریم. دل‌هایمان در این غم سنگین، همراه شماست...
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
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
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
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
10.03.202511:34
▫️اگر می‌خواهید استناد بیشتری دریافت کنید، عناوین دارای عباراتِ سه‌بخشی بنویسید!
به تازگی Bornmann و Wohlrabe در نشریه CESifo Working Paper مقاله‌ای تحت این عنوان منتشر کرده‌اند:
Pattern, Perception, and Performance: Tripartite Phrases in Academic Paper Titles
الگو، ادراک و عملکرد: عبارات سه‌بخشی در عناوینِ مقالات علمی
چکیده این مقاله را در ادامه ملاحظه می‌کنید. برای مشاهده متن کامل آن به این لینک مراجعه فرمایید.
چکیده:
این مطالعه بررسی می‌کند که عبارات سه‌بخشی در عناوین مقالات علمی چگونه بر تعداد استنادات تأثیر می‌گذارند. عبارات سه‌بخشی (tripartite phrases) شامل سه جزء مرتبط هستند که به وسیله ویرگول و حروف ربط به هم متصل می‌شوند، مانند الگو، ادراک و عملکرد (pattern, perception, and performance).
با تحلیل مجموعه داده‌های جامعی از حوزه‌های اقتصاد (235,330 مقاله) و پزشکی و علوم زیستی (93,713 مقاله)، دریافتیم که مقالاتی که عناوین آنها حاوی عبارات سه‌بخشی است، استنادهای بیشتری دریافت می‌کنند.
به‌طور متوسط، مقالاتی که عبارات سه‌بخشی در عنوانشان دارند در مقایسه با مقالات فاقد این عبارات، در حوزه اقتصاد 3.5 استناد و در حوزه پزشکی و علوم زیستی 32 استناد بیشتر دریافت می‌کنند؛ این تفاوت‌ها پس از کنترل ویژگی‌های مقاله، ویژگی‌های مجله و زمان انتشار مقالات به‌دست آمده است. در مقالات حوزه پزشکی و علوم زیستی، این تأثیر حتی زمانی که کیفیت مقالات توسط متخصصان ارزیابی و کنترل شد نیز همچنان مشاهده شد.
سهم نسبی عناوینِ حاوی عبارات سه‌بخشی از کلِ مقالات منتشر شده در طول زمان تقریباً ثابت بوده است: حدود 9 درصد در اقتصاد و 4 درصد در پزشکی و علوم زیستی، که نشان می‌دهد این سبک عنوان‌نویسی به یک روال و سبکِ پذیرفته‌شده تبدیل شده است.
برخی از نمونه مقالات داری عناوین سه‌بخشی:
در پزشکی و علوم زیستی:
Hepatitis C in pregnancy: screening, treatment, and management
RNA-Catalyzed Polymerization of Deoxyribose, Threose, and Arabinose Nucleic Acids
Hospitalization, surgery, and incident dementia
Red meat, dairy, and insulin sensitivity: a randomized crossover intervention study
The B73 maize genome: complexity, diversity, and dynamics
در اقتصاد:
Envy, inequality and fertility
Informed trade, uninformed trade and stock price delay
Housing, adjustment costs, and macro dynamics
Trade, development, and poverty-induced comparative advantage
Market concentration, collusion and social welfare in Mexico: A methodological update
واقعاً فکر نمی‌کردم عناوین دارای عبارات سه‌بخشی تأثیر معنی‌داری بر استناد داشته باشد!
#citation
#research_metrics
#manipulation
🆔 @irevidence
به تازگی Bornmann و Wohlrabe در نشریه CESifo Working Paper مقاله‌ای تحت این عنوان منتشر کرده‌اند:
Pattern, Perception, and Performance: Tripartite Phrases in Academic Paper Titles
الگو، ادراک و عملکرد: عبارات سه‌بخشی در عناوینِ مقالات علمی
چکیده این مقاله را در ادامه ملاحظه می‌کنید. برای مشاهده متن کامل آن به این لینک مراجعه فرمایید.
چکیده:
این مطالعه بررسی می‌کند که عبارات سه‌بخشی در عناوین مقالات علمی چگونه بر تعداد استنادات تأثیر می‌گذارند. عبارات سه‌بخشی (tripartite phrases) شامل سه جزء مرتبط هستند که به وسیله ویرگول و حروف ربط به هم متصل می‌شوند، مانند الگو، ادراک و عملکرد (pattern, perception, and performance).
با تحلیل مجموعه داده‌های جامعی از حوزه‌های اقتصاد (235,330 مقاله) و پزشکی و علوم زیستی (93,713 مقاله)، دریافتیم که مقالاتی که عناوین آنها حاوی عبارات سه‌بخشی است، استنادهای بیشتری دریافت می‌کنند.
به‌طور متوسط، مقالاتی که عبارات سه‌بخشی در عنوانشان دارند در مقایسه با مقالات فاقد این عبارات، در حوزه اقتصاد 3.5 استناد و در حوزه پزشکی و علوم زیستی 32 استناد بیشتر دریافت می‌کنند؛ این تفاوت‌ها پس از کنترل ویژگی‌های مقاله، ویژگی‌های مجله و زمان انتشار مقالات به‌دست آمده است. در مقالات حوزه پزشکی و علوم زیستی، این تأثیر حتی زمانی که کیفیت مقالات توسط متخصصان ارزیابی و کنترل شد نیز همچنان مشاهده شد.
سهم نسبی عناوینِ حاوی عبارات سه‌بخشی از کلِ مقالات منتشر شده در طول زمان تقریباً ثابت بوده است: حدود 9 درصد در اقتصاد و 4 درصد در پزشکی و علوم زیستی، که نشان می‌دهد این سبک عنوان‌نویسی به یک روال و سبکِ پذیرفته‌شده تبدیل شده است.
برخی از نمونه مقالات داری عناوین سه‌بخشی:
در پزشکی و علوم زیستی:
Hepatitis C in pregnancy: screening, treatment, and management
RNA-Catalyzed Polymerization of Deoxyribose, Threose, and Arabinose Nucleic Acids
Hospitalization, surgery, and incident dementia
Red meat, dairy, and insulin sensitivity: a randomized crossover intervention study
The B73 maize genome: complexity, diversity, and dynamics
در اقتصاد:
Envy, inequality and fertility
Informed trade, uninformed trade and stock price delay
Housing, adjustment costs, and macro dynamics
Trade, development, and poverty-induced comparative advantage
Market concentration, collusion and social welfare in Mexico: A methodological update
واقعاً فکر نمی‌کردم عناوین دارای عبارات سه‌بخشی تأثیر معنی‌داری بر استناد داشته باشد!
#citation
#research_metrics
#manipulation
🆔 @irevidence
05.05.202508:17
▫️آزادی آکادمیک
آزادی آکادمیک (Academic Freedom) در مهمترین سند بین‌المللی این حوزه، توصیه‌نامهٔ یونسکو/سازمان بین‌المللی کار درباره جایگاه اعضای هیئت علمی، چنین تعریف شده است:
این آزادی نه صرفاً برای رفاه استاد و دانشجو، بلکه به نفع جامعه است؛ چون پیشرفت دانش و در نهایت رفاه عمومی وقتی تضمین می‌شود که جست‌وجوی حقیقت از قید و بند قدرت سیاسی، مذهبی یا منافع گروهی آزاد باشد.
از سانسور کلیساها تا کنترل دولت–ملت‌های سده‌های ۱۸ و ۱۹، از محو کامل آزادی در آلمان نازی تا محدودیت در کشورهای کمونیست (که غالباً به علوم سخت محدود می‌شد)، و از سوگندهای وفاداری ضدکمونیستی دهۀ ۱۹۵۰ ایالات متحده گرفته تا کدهای گفتار "سیاسی درست" دهۀ ۱۹۸۰ و ۹۰؛ همگی نشان می‌دهند آزادی آکادمیک دائماً در کشاکش قدرت بوده است.
ابعاد کلیدی آزادی آکادمیک
آزادی تدریس: انتخاب محتوا، روش و طرح درس با رعایت استانداردهای رشته.
آزادی پژوهش و انتشار: انتخاب موضوع، جمع‌آوری داده و چاپ نتایج حتی اگر نتایج جنجالی یا نقد قدرت باشد.
آزادی شرکت در حکمرانی دانشگاهی: مشارکت در شوراها، اتحادیه‌ها و بیان دیدگاه درباره سیاست‌های مؤسسه.
آزادی بیان برون دانشگاهی (extramural): حقِ اظهارنظرِ استاد به عنوان شهروند درباره مسائل عمومی، مشروط به اعلام اینکه سخنان او الزاماً موضع مؤسسه نیست.
طبیعی است که آزادی آکادمیک مطلق نیست و با مسئولیت‌هایی همراه است از جمله:
صحت و دقت علمی، رعایت اخلاق پژوهش و حقوق آزمودنی‌ها
پرهیز از تحریف عمدی یا انتشار دادۀ ساختگی
احترام به کرامت و آزادی فکر دانشجویان و همکاران
تمایز روشن بین اظهارنظر شخصی و موضع رسمی دانشگاه
آزادی آکادمیک در ایران
موسسان دانشگاه تهران از همان ابتدا (1313) دنبال استقلال دانشگاه تهران بودند ولی این امر در سال 1321 و با پافشاری دکتر علی اکبر سیاسی محقق شد. وی در خاطراتش می‌نویسد:
دکتر سیاسی پس از این اقدام به دانشکده‌ها دستور می‌دهد که هرکدام شورایی از استادان خود تشکیل دهند و رییس دانشکده خود را انتخاب و معرفی کنند. بر این اساس دکتر غلامحسین رهنما به ریاست دانشکده فنی، صدیق حضرت (مظاهر) ریاست دانشکده حقوق، دکتر محمود حسابی ریاست دانشکده علوم، سید محمد عصار به ریاست دانشکده معقول و منقول و پروفسور ابرلن به ریاست دانشکده پزشکی انتخاب شدند.
اما بعد از کودتای 28 مرداد 1332 عرصه بر اساتید دانشگاه تهران تنگ شد و درخواست اخراج 12 نفر از آنها از طرف حکومت وقت به علی اکبر سیاسی اعلام شد. دکتر سیاسی که این اقدام را بر خلاف استقلال دانشگاه می‌دانست، جمله تکان دهنده‌ای می‌گوید:
این واقعه زمینه وضع قانون برای جلوگیری از انتخاب دکتر سیاسی برای پنجمین بار به ریاست دانشگاه را فراهم می‌آورد. در واقع به بهای از دست رفتن استقلال دانشگاه، قانونی تصویب می‌شود مبنی بر آن که ریاست دانشگاه دیگر توسط شورای دانشگاه تعیین نمی‌شود، بلکه دانشگاه تنها می‌تواند سه نفر را برای ریاست به دولت پیشنهاد کند، ضمن آن که هیچ رییسی نمی‌تواند بیش از دو دوره متوالی این مقام را داشته باشد. تصویب این طرح توسط مجلس شورای ملی و سپس سنا در واقع نقطه پایانی بود بر دوازده سال کوشش در راستای استقلال دانشگاه.
بعد از انقلاب اسلامی
پس از انقلاب اسلامی، و به‌ویژه پس از انقلاب فرهنگی، اندک استقلال باقی‌مانده دانشگاه‌ها نیز عملاً از بین رفت و نظرات و تصمیمات اساتید در مدیریت دانشگاه‌ها بی‌اهمیت تلقی شد.
حتی وزیر علوم یا بهداشت نیز به تنهایی اختیار تعیین رئیس دانشگاه را ندارند؛ بلکه پس از طی استعلام‌های متعدد، فرد مورد نظر ابتدا به‌عنوان سرپرست منصوب می‌شود و سپس برای رئیس شدن، باید مورد تأیید شورای عالی انقلاب فرهنگی قرار گیرد.
در چنین ساختاری، رئیس دانشگاه خود را موظف به جلب رضایت اساتید و دانشجویان نمی‌بیند؛ چرا که مستقیماً زیردست وزیر است و بیشتر در پی اجرای خواسته‌ها و منویات وی و کل نظام است.
در پست دیگری به اقدامات دونالد ترامپ در محدود کردن آزادی آکادمیک در دانشگاه‌های آمریکایی خواهم پرداخت.
منابع:
Unesco
Britannica
دنیای اقتصاد
#آزادی_آکادمیک
#دانشگاه
🆔 @irevidence
آزادی آکادمیک (Academic Freedom) در مهمترین سند بین‌المللی این حوزه، توصیه‌نامهٔ یونسکو/سازمان بین‌المللی کار درباره جایگاه اعضای هیئت علمی، چنین تعریف شده است:
حقِ اعضای دانشگاهی است که بدون اجبار به پیروی از تعالیم تجویزی، در تدریس و بحث آزاد باشند، پژوهش و انتشار نتایج را آزادانه انجام دهند، نظرشان را درباره نهاد یا نظامی که در آن کار می‌کنند ابراز کنند، از سانسور نهادی مصون باشند و در انجمن‌های حرفه‌ای مشارکت کنند.
این آزادی نه صرفاً برای رفاه استاد و دانشجو، بلکه به نفع جامعه است؛ چون پیشرفت دانش و در نهایت رفاه عمومی وقتی تضمین می‌شود که جست‌وجوی حقیقت از قید و بند قدرت سیاسی، مذهبی یا منافع گروهی آزاد باشد.
از سانسور کلیساها تا کنترل دولت–ملت‌های سده‌های ۱۸ و ۱۹، از محو کامل آزادی در آلمان نازی تا محدودیت در کشورهای کمونیست (که غالباً به علوم سخت محدود می‌شد)، و از سوگندهای وفاداری ضدکمونیستی دهۀ ۱۹۵۰ ایالات متحده گرفته تا کدهای گفتار "سیاسی درست" دهۀ ۱۹۸۰ و ۹۰؛ همگی نشان می‌دهند آزادی آکادمیک دائماً در کشاکش قدرت بوده است.
ابعاد کلیدی آزادی آکادمیک
آزادی تدریس: انتخاب محتوا، روش و طرح درس با رعایت استانداردهای رشته.
آزادی پژوهش و انتشار: انتخاب موضوع، جمع‌آوری داده و چاپ نتایج حتی اگر نتایج جنجالی یا نقد قدرت باشد.
آزادی شرکت در حکمرانی دانشگاهی: مشارکت در شوراها، اتحادیه‌ها و بیان دیدگاه درباره سیاست‌های مؤسسه.
آزادی بیان برون دانشگاهی (extramural): حقِ اظهارنظرِ استاد به عنوان شهروند درباره مسائل عمومی، مشروط به اعلام اینکه سخنان او الزاماً موضع مؤسسه نیست.
طبیعی است که آزادی آکادمیک مطلق نیست و با مسئولیت‌هایی همراه است از جمله:
صحت و دقت علمی، رعایت اخلاق پژوهش و حقوق آزمودنی‌ها
پرهیز از تحریف عمدی یا انتشار دادۀ ساختگی
احترام به کرامت و آزادی فکر دانشجویان و همکاران
تمایز روشن بین اظهارنظر شخصی و موضع رسمی دانشگاه
آزادی آکادمیک در ایران
موسسان دانشگاه تهران از همان ابتدا (1313) دنبال استقلال دانشگاه تهران بودند ولی این امر در سال 1321 و با پافشاری دکتر علی اکبر سیاسی محقق شد. وی در خاطراتش می‌نویسد:
با توجه به روح قانون اساسی، دانشگاه- این موسسه بزرگ علمی- از امروز از وزارت فرهنگ تفکیک می‌شود. از این پس مستقیماً و مستقلاٌ به اداره امور علمی و اداری خود می‌پردازد.
دکتر سیاسی پس از این اقدام به دانشکده‌ها دستور می‌دهد که هرکدام شورایی از استادان خود تشکیل دهند و رییس دانشکده خود را انتخاب و معرفی کنند. بر این اساس دکتر غلامحسین رهنما به ریاست دانشکده فنی، صدیق حضرت (مظاهر) ریاست دانشکده حقوق، دکتر محمود حسابی ریاست دانشکده علوم، سید محمد عصار به ریاست دانشکده معقول و منقول و پروفسور ابرلن به ریاست دانشکده پزشکی انتخاب شدند.
اما بعد از کودتای 28 مرداد 1332 عرصه بر اساتید دانشگاه تهران تنگ شد و درخواست اخراج 12 نفر از آنها از طرف حکومت وقت به علی اکبر سیاسی اعلام شد. دکتر سیاسی که این اقدام را بر خلاف استقلال دانشگاه می‌دانست، جمله تکان دهنده‌ای می‌گوید:
من اگر دستم را قطع کنند با ابلاغ اخراج این استادان موافقت نخواهم کرد.
این واقعه زمینه وضع قانون برای جلوگیری از انتخاب دکتر سیاسی برای پنجمین بار به ریاست دانشگاه را فراهم می‌آورد. در واقع به بهای از دست رفتن استقلال دانشگاه، قانونی تصویب می‌شود مبنی بر آن که ریاست دانشگاه دیگر توسط شورای دانشگاه تعیین نمی‌شود، بلکه دانشگاه تنها می‌تواند سه نفر را برای ریاست به دولت پیشنهاد کند، ضمن آن که هیچ رییسی نمی‌تواند بیش از دو دوره متوالی این مقام را داشته باشد. تصویب این طرح توسط مجلس شورای ملی و سپس سنا در واقع نقطه پایانی بود بر دوازده سال کوشش در راستای استقلال دانشگاه.
بعد از انقلاب اسلامی
پس از انقلاب اسلامی، و به‌ویژه پس از انقلاب فرهنگی، اندک استقلال باقی‌مانده دانشگاه‌ها نیز عملاً از بین رفت و نظرات و تصمیمات اساتید در مدیریت دانشگاه‌ها بی‌اهمیت تلقی شد.
حتی وزیر علوم یا بهداشت نیز به تنهایی اختیار تعیین رئیس دانشگاه را ندارند؛ بلکه پس از طی استعلام‌های متعدد، فرد مورد نظر ابتدا به‌عنوان سرپرست منصوب می‌شود و سپس برای رئیس شدن، باید مورد تأیید شورای عالی انقلاب فرهنگی قرار گیرد.
در چنین ساختاری، رئیس دانشگاه خود را موظف به جلب رضایت اساتید و دانشجویان نمی‌بیند؛ چرا که مستقیماً زیردست وزیر است و بیشتر در پی اجرای خواسته‌ها و منویات وی و کل نظام است.
در پست دیگری به اقدامات دونالد ترامپ در محدود کردن آزادی آکادمیک در دانشگاه‌های آمریکایی خواهم پرداخت.
منابع:
Unesco
Britannica
دنیای اقتصاد
#آزادی_آکادمیک
#دانشگاه
🆔 @irevidence
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
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
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
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
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
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
07.03.202519:48
▫️اشتباه شایع در استفاده از گایدلاین PRISMA در مرورهای سیستماتیک
هر پژوهشی را ابتدا طراحی (Design)، سپس اجرا (Conduct) و در نهایت گزارش (Report) می‌کنیم. گایدلاین‌های گزارش‌دهی (Reporting Guidelines) ربطی به نحوه طراحی و اجرای مطالعات ندارند، بلکه تمرکز آنها فقط بر روی نحوه گزارش‌دهیِ مناسب انواع مطالعات است. مثلاً برای گزارش کارآزمایی‌های بالینی از گایدلاین CONSORT و برای گزارش مطالعات مشاهده‌ای از STROBE استفاده می‌کنیم.
گایدلاین PRISMA نیز برای گزارش مرورهای سیستماتیک و متاآنالیز تدوین شده است. اینکه یک مرور سیستماتیک را چگونه انجام بدهیم (Conduct)، ارتباطی به PRISMA ندارد. برای نحوه انجام مرورها می‌توان از راهنماهای موجود مثل دستنامه کاکرین یا راهنمای JBI استفاده کرد.
این به نظر خیلی بدیهی می‌آید ولی تاکنون هزاران مرور منتشر شده‌اند و ادعا می‌کنند که برای انجامشان از PRISMA استفاده شده است. برای بررسی بیشتر، استراتژی زیر را در دیتابیس اسکوپوس اجرا کردم:
ABS ( "was conducted" W/5 ( "Preferred Reporting Items for Systematic reviews and Meta-Analyses" OR prisma ))
حدود 10 هزار رکورد بازیابی شد. اکثر مرورهای بازیابی شده به اشتباه قید کرده‌اند که از PRISMA برای انجام استفاده کرده‌اند. مثلاً این جملات را ببینید:
A systematic review was conducted following PRISMA guidelines.
This study was conducted based on the PRISMA 2020 criteria.
It was conducted by following the PRISMA statement.
a comprehensive systematic review was conducted based on the preferred reporting items for systematic review and meta-analyses (PRISMA) criteria.
This study was conducted in accordance with the PRISMA guidelines.
این هم جالب بود:
The meta-analysis was conducted in accordance with the Preferred Reporting Items for Systematic Reviews and Meta-Analyses Protocols (PRISMA-P). Link
پژوهشگر عزیز PRISMA-P برای گزارش پروتکل‌های مرور است نه برای انجام متاآنالیز!
مقاله فوق در مجله BMC Cancer با نمایه اسکوپوس، مدلاین و وب آو ساینس ( IF=3.4) منتشر شده است.
همچنین برخی از نویسندگان قید می‌کنند که برای انجام جستجو از PRISMA استفاده کرده‌اند، در حالی که PRISMA هیچ توصیه‌ای برای نحوه انجام جستجو ندارد. بلکه فقط دو آیتم برای نحوه گزارش جستجو دارد. این دو آیتم هم آن قدر ناقص بود که مجبور شدند یک گایدلاین اختصاصی برای نحوه گزارش جستجو تحت عنوان PRISMA-S تدوین کنند. (شرح کامل این بیانیه را اینجا می‌توانید پیدا کنید.)
برای مثال برخی از جملات را در ادامه می‌آورم:
A literature search was conducted according to PRISMA guidelines.
A comprehensive search followed PRISMA guidelines across Medline, Scopus, Web of Science, and Google Scholar from inception to September 2024.
The search strategy was based on the PRISMA statement.
A PRISMA-compliant literature search was conducted in MEDLINE, Embase, PsycInfo, Scopus, and CINAHL for articles published from 2000 to 2024.
Following PRISMA guidelines, a comprehensive search of PubMed, EMBASE, Cochrane Library, and Web of Science was conducted.
A comprehensive search was conducted across PubMed, Embase, and Cochrane Library following the Preferred Reporting Items for Systematic reviews and Meta-Analyses (PRISMA) guidelines.
هزاران مقاله این اشتباه را مرتکب شده‌اند. این خطای واضح حتی در معتبرترین مجلات هم شایع است.
در حقیقت باید اشاره کنیم که برای گزارش یا آماده‌سازی این مرور از PRISMA پیروی کردیم. مثلاً:
… results are reported in accordance with PRISMA (preferred reporting items for systematic reviews and meta-analyses).
We reported the results according to PRISMA guidelines.
The results were reported following the Preferred Reporting Items for Systematic Reviews (PRISMA) checklist.
This study was prepared by adhering to the Preferred Reporting Items for Systematic Reviews and Meta-analyses (PRISMA).
This systematic review was reported following the PRISMA guidelines.
شخصی پرسید آیا بر روی کفش می‌شود مسح کشید؟ روحانی گفت: نه عزیزم نمیشه، وضویت صحیح نیست. آن شخص گفت: من کشیدم و شد!
ما می‌گوییم با PRISMA نمی‌شود مرور انجام داد ولی ظاهراً عده‌ای انجام می‌دهند و می‌شود!
#systematic_review
#PRISMA
#reporting_guidelines
🆔 @irevidence
هر پژوهشی را ابتدا طراحی (Design)، سپس اجرا (Conduct) و در نهایت گزارش (Report) می‌کنیم. گایدلاین‌های گزارش‌دهی (Reporting Guidelines) ربطی به نحوه طراحی و اجرای مطالعات ندارند، بلکه تمرکز آنها فقط بر روی نحوه گزارش‌دهیِ مناسب انواع مطالعات است. مثلاً برای گزارش کارآزمایی‌های بالینی از گایدلاین CONSORT و برای گزارش مطالعات مشاهده‌ای از STROBE استفاده می‌کنیم.
گایدلاین PRISMA نیز برای گزارش مرورهای سیستماتیک و متاآنالیز تدوین شده است. اینکه یک مرور سیستماتیک را چگونه انجام بدهیم (Conduct)، ارتباطی به PRISMA ندارد. برای نحوه انجام مرورها می‌توان از راهنماهای موجود مثل دستنامه کاکرین یا راهنمای JBI استفاده کرد.
این به نظر خیلی بدیهی می‌آید ولی تاکنون هزاران مرور منتشر شده‌اند و ادعا می‌کنند که برای انجامشان از PRISMA استفاده شده است. برای بررسی بیشتر، استراتژی زیر را در دیتابیس اسکوپوس اجرا کردم:
ABS ( "was conducted" W/5 ( "Preferred Reporting Items for Systematic reviews and Meta-Analyses" OR prisma ))
حدود 10 هزار رکورد بازیابی شد. اکثر مرورهای بازیابی شده به اشتباه قید کرده‌اند که از PRISMA برای انجام استفاده کرده‌اند. مثلاً این جملات را ببینید:
A systematic review was conducted following PRISMA guidelines.
This study was conducted based on the PRISMA 2020 criteria.
It was conducted by following the PRISMA statement.
a comprehensive systematic review was conducted based on the preferred reporting items for systematic review and meta-analyses (PRISMA) criteria.
This study was conducted in accordance with the PRISMA guidelines.
این هم جالب بود:
The meta-analysis was conducted in accordance with the Preferred Reporting Items for Systematic Reviews and Meta-Analyses Protocols (PRISMA-P). Link
پژوهشگر عزیز PRISMA-P برای گزارش پروتکل‌های مرور است نه برای انجام متاآنالیز!
مقاله فوق در مجله BMC Cancer با نمایه اسکوپوس، مدلاین و وب آو ساینس ( IF=3.4) منتشر شده است.
همچنین برخی از نویسندگان قید می‌کنند که برای انجام جستجو از PRISMA استفاده کرده‌اند، در حالی که PRISMA هیچ توصیه‌ای برای نحوه انجام جستجو ندارد. بلکه فقط دو آیتم برای نحوه گزارش جستجو دارد. این دو آیتم هم آن قدر ناقص بود که مجبور شدند یک گایدلاین اختصاصی برای نحوه گزارش جستجو تحت عنوان PRISMA-S تدوین کنند. (شرح کامل این بیانیه را اینجا می‌توانید پیدا کنید.)
برای مثال برخی از جملات را در ادامه می‌آورم:
A literature search was conducted according to PRISMA guidelines.
A comprehensive search followed PRISMA guidelines across Medline, Scopus, Web of Science, and Google Scholar from inception to September 2024.
The search strategy was based on the PRISMA statement.
A PRISMA-compliant literature search was conducted in MEDLINE, Embase, PsycInfo, Scopus, and CINAHL for articles published from 2000 to 2024.
Following PRISMA guidelines, a comprehensive search of PubMed, EMBASE, Cochrane Library, and Web of Science was conducted.
A comprehensive search was conducted across PubMed, Embase, and Cochrane Library following the Preferred Reporting Items for Systematic reviews and Meta-Analyses (PRISMA) guidelines.
هزاران مقاله این اشتباه را مرتکب شده‌اند. این خطای واضح حتی در معتبرترین مجلات هم شایع است.
در حقیقت باید اشاره کنیم که برای گزارش یا آماده‌سازی این مرور از PRISMA پیروی کردیم. مثلاً:
… results are reported in accordance with PRISMA (preferred reporting items for systematic reviews and meta-analyses).
We reported the results according to PRISMA guidelines.
The results were reported following the Preferred Reporting Items for Systematic Reviews (PRISMA) checklist.
This study was prepared by adhering to the Preferred Reporting Items for Systematic Reviews and Meta-analyses (PRISMA).
This systematic review was reported following the PRISMA guidelines.
شخصی پرسید آیا بر روی کفش می‌شود مسح کشید؟ روحانی گفت: نه عزیزم نمیشه، وضویت صحیح نیست. آن شخص گفت: من کشیدم و شد!
ما می‌گوییم با PRISMA نمی‌شود مرور انجام داد ولی ظاهراً عده‌ای انجام می‌دهند و می‌شود!
#systematic_review
#PRISMA
#reporting_guidelines
🆔 @irevidence
显示 1 - 24 共 56
登录以解锁更多功能。