▫️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
Evidence
▫️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
▫️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
▫️ترامپ چگونه علم را زیر و رو کرد؟
در 8 مه 2025 در مجله Science مقاله‌ای تحت عنوان How Trump upended science منتشر شده است. در این مقاله، به بررسی اقدامات دونالد ترامپ علیه نهادهای علمی، دانشگاه‌ها و پژوهشگران پرداخته شده است.
تأثیرات بی‌سابقه بر علم و پژوهش‌ها:
دولت ترامپ طی ۱۰۰ روز نخستِ دومین دوره ریاست‌جمهوری خود، اقدامات گسترده و سریع برای بازسازی و حتی حذف زیرساخت‌های علمی و بهداشت عمومی فدرال آمریکا انجام داده است.
این اقدامات به عنوان یکی از تأثیرگذارترین دوره‌های تاریخی در حوزه علم آمریکا پس از جنگ جهانی دوم شناخته شده است.
کاهش شدید بودجه تحقیقات علمی:
کاهش ۵۳ درصدی هزینه‌کرد برای اعطای گرنت‌ها و حمایت‌های مالی به پژوهش‌ها در مقایسه با مدت مشابه در سال ۲۰۲۴.
این کاهش‌ها به دلیل مسدود شدن هزینه‌های فدرال و حذف گرنت‌هایی بوده که موضوعات آنها مغایر با دستورات اجرایی دولت ترامپ بوده است.
تأثیر منفی بر آموزش و تربیت پژوهشگران جدید:
کاهش چشمگیر در بودجه‌هایی که به منظور آموزش دانشجویان و پژوهشگران در آغاز مسیر حرفه‌ای در نظر گرفته شده بود.
برنامه‌هایی که هدف آنها ایجاد تنوع، عدالت و شمول بوده است، به شدت محدود یا متوقف شده‌اند.
آسیب به دانشگاه‌های بزرگ و برتر تحقیقاتی:
دولت ترامپ گرنت‌های تحقیقاتی چند میلیارد دلاری را به دانشگاه‌های برجسته‌ای همچون هاروارد، کرنل و سایر موسسات آموزشی متوقف یا مسدود کرده است.
دلیل اعلام شده توسط دولت ترامپ، ادعاهایی همچون نقض حقوق مدنی و عدم مقابله کافی با ادعاهای یهودستیزی در محیط دانشگاهی بوده است.
دست‌کم ۵ میلیارد دلار بودجه تحقیقاتی در هشت دانشگاه بزرگ مسدود شده و ۱۷ میلیارد دلار دیگر نیز در خطر توقف کامل قرار گرفته است.
بی‌ثباتی و نگرانی جامعه علمی:
این اقدامات باعث شده است پژوهشگران در سطوح مختلف، از دانشجویان پسادکتری گرفته تا مدیران آزمایشگاهی، دچار احساس بلاتکلیفی و نگرانی درباره آینده شغلی و حرفه‌ای خود شوند.
برخی پژوهشگران شغل یا فرصت‌های آتی خود را در این مدت از دست داده‌اند.
واکنش‌ها و پیگیری‌های حقوقی:
انتظار می‌رود دادگاه‌های فدرال در پی شکایت‌ها و دعاوی حقوقی متعددی که بر علیه این سیاست‌ها مطرح شده است، تصمیمات تأثیرگذاری اتخاذ کنند.
چشم‌انداز آینده و پیامدهای بلندمدت:
گرچه هنوز ارزیابی دقیقی از میزان خسارت‌های وارده ممکن نیست، اما نگرانی‌ها درباره تخریب دائمی ظرفیت علمی آمریکا بسیار جدی است. این وضعیت نه تنها برای آینده پژوهش در ایالات متحده، بلکه برای جایگاه بین‌المللی این کشور در عرصه علمی نیز می‌تواند عواقب بلندمدتی داشته باشد.
🆔 @irevidence
در 8 مه 2025 در مجله Science مقاله‌ای تحت عنوان How Trump upended science منتشر شده است. در این مقاله، به بررسی اقدامات دونالد ترامپ علیه نهادهای علمی، دانشگاه‌ها و پژوهشگران پرداخته شده است.
تأثیرات بی‌سابقه بر علم و پژوهش‌ها:
دولت ترامپ طی ۱۰۰ روز نخستِ دومین دوره ریاست‌جمهوری خود، اقدامات گسترده و سریع برای بازسازی و حتی حذف زیرساخت‌های علمی و بهداشت عمومی فدرال آمریکا انجام داده است.
این اقدامات به عنوان یکی از تأثیرگذارترین دوره‌های تاریخی در حوزه علم آمریکا پس از جنگ جهانی دوم شناخته شده است.
کاهش شدید بودجه تحقیقات علمی:
کاهش ۵۳ درصدی هزینه‌کرد برای اعطای گرنت‌ها و حمایت‌های مالی به پژوهش‌ها در مقایسه با مدت مشابه در سال ۲۰۲۴.
این کاهش‌ها به دلیل مسدود شدن هزینه‌های فدرال و حذف گرنت‌هایی بوده که موضوعات آنها مغایر با دستورات اجرایی دولت ترامپ بوده است.
تأثیر منفی بر آموزش و تربیت پژوهشگران جدید:
کاهش چشمگیر در بودجه‌هایی که به منظور آموزش دانشجویان و پژوهشگران در آغاز مسیر حرفه‌ای در نظر گرفته شده بود.
برنامه‌هایی که هدف آنها ایجاد تنوع، عدالت و شمول بوده است، به شدت محدود یا متوقف شده‌اند.
آسیب به دانشگاه‌های بزرگ و برتر تحقیقاتی:
دولت ترامپ گرنت‌های تحقیقاتی چند میلیارد دلاری را به دانشگاه‌های برجسته‌ای همچون هاروارد، کرنل و سایر موسسات آموزشی متوقف یا مسدود کرده است.
دلیل اعلام شده توسط دولت ترامپ، ادعاهایی همچون نقض حقوق مدنی و عدم مقابله کافی با ادعاهای یهودستیزی در محیط دانشگاهی بوده است.
دست‌کم ۵ میلیارد دلار بودجه تحقیقاتی در هشت دانشگاه بزرگ مسدود شده و ۱۷ میلیارد دلار دیگر نیز در خطر توقف کامل قرار گرفته است.
بی‌ثباتی و نگرانی جامعه علمی:
این اقدامات باعث شده است پژوهشگران در سطوح مختلف، از دانشجویان پسادکتری گرفته تا مدیران آزمایشگاهی، دچار احساس بلاتکلیفی و نگرانی درباره آینده شغلی و حرفه‌ای خود شوند.
برخی پژوهشگران شغل یا فرصت‌های آتی خود را در این مدت از دست داده‌اند.
واکنش‌ها و پیگیری‌های حقوقی:
انتظار می‌رود دادگاه‌های فدرال در پی شکایت‌ها و دعاوی حقوقی متعددی که بر علیه این سیاست‌ها مطرح شده است، تصمیمات تأثیرگذاری اتخاذ کنند.
چشم‌انداز آینده و پیامدهای بلندمدت:
گرچه هنوز ارزیابی دقیقی از میزان خسارت‌های وارده ممکن نیست، اما نگرانی‌ها درباره تخریب دائمی ظرفیت علمی آمریکا بسیار جدی است. این وضعیت نه تنها برای آینده پژوهش در ایالات متحده، بلکه برای جایگاه بین‌المللی این کشور در عرصه علمی نیز می‌تواند عواقب بلندمدتی داشته باشد.
🆔 @irevidence
▫️گایدلاین گزارش‌دهی برای استفاده از ابزارهای هوش مصنوعی مولد در پژوهش‌های پزشکی: بیانیه GAMER
این گایدلاین در 13 مه 2025 در مجله BMJ Evidence-Based Medicine منتشر شده است و می‌توان گفت اولین گایدلاین اختصاصی در این زمینه است:
Reporting guideline for the use of Generative Artificial intelligence tools in MEdical Research: the GAMER Statement
افزایش استفاده از ابزارهای هوش مصنوعی مولد در پژوهش‌های پزشکی، بدون داشتن دستورالعمل مشخص، به مشکلاتی از جمله سرقت علمی، تقلب و نگرانی در مورد صحت نتایج منجر شده است. دستورالعمل‌های موجود مانند CONSORT-AI یا STARD-AI به طور خاص به استفاده از هوش مصنوعی مولد نپرداخته‌اند.
روش تدوین:
مرور اسکوپینگ
مطالعه بین‌المللی به روش دلفی (Delphi) با حضور 51 متخصص از 26 کشور.
انجام دو مرحله نظرسنجی دلفی و جلسات آنلاین برای دستیابی به اجماع نظر متخصصان.
چک‌لیست GAMER شامل 9 آیتم اصلی برای گزارش‌دهی است:
1. Did you use any GAI tools (such as large language models or large visual models) in any section or step of this manuscript or study?
آیا در هر بخش از این مقاله یا در هر مرحله از مطالعه، از ابزارهای هوش مصنوعی مولد (GAI) - مانند مدل‌های زبانی بزرگ (LLM) یا مدل‌های تصویری بزرگ (LVM) - استفاده کرده‌اید؟
2. Specify the GAI tool(s) used, their versions and/or release dates and the date(s)/period the tools were used.
نام ابزار (های) هوش مصنوعی مولدِ به‌کاررفته، نسخه و/یا تاریخ انتشار هر یک و نیز تاریخ یا بازۀ زمانیِ استفاده را ذکر کنید.
3. Describe whether a specific prompting technique was used to generate any content of the manuscript or to perform analyses during the study. Please also provide the unedited responses to the prompts.
اگر برای تولید محتوای مقاله یا انجام تحلیل‌ها از تکنیکِ پرامپت‌دهی خاصی استفاده کرده‌اید، آن را توضیح دهید و پاسخ‌های خام (ویرایش‌نشده) ِ مدل به آن پرامپت‌ها را نیز ارائه کنید.
4. If a new GAI tool was developed or fine-tuned based on an existing AI model, report the name and version of the original model.
چنانچه ابزار جدیدی بر پایۀ یک مدل موجود توسعه داده یا مدل از پیش موجودی را اصلاح و تنظیمِ دقیق (Fine-tune) کرده‌اید، نام و نسخۀ مدل اولیه را گزارش کنید.
5. Describe the role of GAI tools in all phases of this study where they were used (including manuscript writing).
نقش ابزارهای هوش مصنوعی مولد را در تمامی مراحل این مطالعه - از طراحی و تحلیل تا نگارش مقاله - شرح دهید.
6. Report the specific section or paragraphs of the manuscript that GAI tools contributed to.
مشخص کنید کدام بخش‌ها یا پاراگراف‌های مقاله با کمک ابزارهای هوش مصنوعی مولد نوشته شده‌اند.
7. Describe how the content generated by GAI tools was verified and (when necessary) modified.
شرح دهید که محتوای تولید شده با ابزارهای هوش مصنوعی مولد چگونه راستی‌آزمایی و در صورت لزوم اصلاح شده است.
8. Describe how data privacy and confidentiality were ensured during the use of GAI tools.
بیان کنید در طول استفاده از ابزارهای هوش مصنوعی مولد، چه تدابیری برای حفظ حریم خصوصی و محرمانگی داده‌ها اندیشیده شده است.
9. Describe whether and how the use of GAI tools may have influenced the interpretation of results, the study’s overall accuracy, or conclusions.
توضیح دهید استفاده از این ابزارها چه تأثیری بر تفسیر نتایج، دقت کلی مطالعه یا نتیجه‌گیری نهایی داشته یا می‌توانسته داشته باشد.
در متن مقاله هر کدام از آیتم‌های فوق بطور کامل شرح و بسط داده شده و همچنین چند مثال برای نحوه گزارش هر آیتم ارائه شده است.
تأثیرات مورد انتظار از GAMER:
افزایش شفافیت، تکرارپذیری و اعتمادپذیری در پژوهش‌های پزشکی.
ارائه معیاری استاندارد برای گزارش‌دهی استفاده از ابزارهای GAI.
کاربردها:
استفاده پژوهشگران برای شفافیت در گزارش‌دهی.
استفاده داوران و سردبیران برای ارزیابی مقالات.
این چک‌لیست به گونه‌ای طراحی شده که قابل استفاده در تمام انواع پژوهش‌های علوم پزشکی و سلامت و نیز برای تمامی ابزارهای هوش مصنوعی مولد باشد.
#AI
#reporting_guideline
#research
#LLM
🆔 @irevidence
این گایدلاین در 13 مه 2025 در مجله BMJ Evidence-Based Medicine منتشر شده است و می‌توان گفت اولین گایدلاین اختصاصی در این زمینه است:
Reporting guideline for the use of Generative Artificial intelligence tools in MEdical Research: the GAMER Statement
افزایش استفاده از ابزارهای هوش مصنوعی مولد در پژوهش‌های پزشکی، بدون داشتن دستورالعمل مشخص، به مشکلاتی از جمله سرقت علمی، تقلب و نگرانی در مورد صحت نتایج منجر شده است. دستورالعمل‌های موجود مانند CONSORT-AI یا STARD-AI به طور خاص به استفاده از هوش مصنوعی مولد نپرداخته‌اند.
روش تدوین:
مرور اسکوپینگ
مطالعه بین‌المللی به روش دلفی (Delphi) با حضور 51 متخصص از 26 کشور.
انجام دو مرحله نظرسنجی دلفی و جلسات آنلاین برای دستیابی به اجماع نظر متخصصان.
چک‌لیست GAMER شامل 9 آیتم اصلی برای گزارش‌دهی است:
1. Did you use any GAI tools (such as large language models or large visual models) in any section or step of this manuscript or study?
آیا در هر بخش از این مقاله یا در هر مرحله از مطالعه، از ابزارهای هوش مصنوعی مولد (GAI) - مانند مدل‌های زبانی بزرگ (LLM) یا مدل‌های تصویری بزرگ (LVM) - استفاده کرده‌اید؟
2. Specify the GAI tool(s) used, their versions and/or release dates and the date(s)/period the tools were used.
نام ابزار (های) هوش مصنوعی مولدِ به‌کاررفته، نسخه و/یا تاریخ انتشار هر یک و نیز تاریخ یا بازۀ زمانیِ استفاده را ذکر کنید.
3. Describe whether a specific prompting technique was used to generate any content of the manuscript or to perform analyses during the study. Please also provide the unedited responses to the prompts.
اگر برای تولید محتوای مقاله یا انجام تحلیل‌ها از تکنیکِ پرامپت‌دهی خاصی استفاده کرده‌اید، آن را توضیح دهید و پاسخ‌های خام (ویرایش‌نشده) ِ مدل به آن پرامپت‌ها را نیز ارائه کنید.
4. If a new GAI tool was developed or fine-tuned based on an existing AI model, report the name and version of the original model.
چنانچه ابزار جدیدی بر پایۀ یک مدل موجود توسعه داده یا مدل از پیش موجودی را اصلاح و تنظیمِ دقیق (Fine-tune) کرده‌اید، نام و نسخۀ مدل اولیه را گزارش کنید.
5. Describe the role of GAI tools in all phases of this study where they were used (including manuscript writing).
نقش ابزارهای هوش مصنوعی مولد را در تمامی مراحل این مطالعه - از طراحی و تحلیل تا نگارش مقاله - شرح دهید.
6. Report the specific section or paragraphs of the manuscript that GAI tools contributed to.
مشخص کنید کدام بخش‌ها یا پاراگراف‌های مقاله با کمک ابزارهای هوش مصنوعی مولد نوشته شده‌اند.
7. Describe how the content generated by GAI tools was verified and (when necessary) modified.
شرح دهید که محتوای تولید شده با ابزارهای هوش مصنوعی مولد چگونه راستی‌آزمایی و در صورت لزوم اصلاح شده است.
8. Describe how data privacy and confidentiality were ensured during the use of GAI tools.
بیان کنید در طول استفاده از ابزارهای هوش مصنوعی مولد، چه تدابیری برای حفظ حریم خصوصی و محرمانگی داده‌ها اندیشیده شده است.
9. Describe whether and how the use of GAI tools may have influenced the interpretation of results, the study’s overall accuracy, or conclusions.
توضیح دهید استفاده از این ابزارها چه تأثیری بر تفسیر نتایج، دقت کلی مطالعه یا نتیجه‌گیری نهایی داشته یا می‌توانسته داشته باشد.
در متن مقاله هر کدام از آیتم‌های فوق بطور کامل شرح و بسط داده شده و همچنین چند مثال برای نحوه گزارش هر آیتم ارائه شده است.
تأثیرات مورد انتظار از GAMER:
افزایش شفافیت، تکرارپذیری و اعتمادپذیری در پژوهش‌های پزشکی.
ارائه معیاری استاندارد برای گزارش‌دهی استفاده از ابزارهای GAI.
کاربردها:
استفاده پژوهشگران برای شفافیت در گزارش‌دهی.
استفاده داوران و سردبیران برای ارزیابی مقالات.
این چک‌لیست به گونه‌ای طراحی شده که قابل استفاده در تمام انواع پژوهش‌های علوم پزشکی و سلامت و نیز برای تمامی ابزارهای هوش مصنوعی مولد باشد.
#AI
#reporting_guideline
#research
#LLM
🆔 @irevidence
▫️بهرام عین‌الهی و تیتر یک روزنامه کیهان
بهرام عین‌الهی، وزیر سابق بهداشت، در گفت‌وگو با روزنامه کیهان مدعی شده است: «دولت شهید رئیسی در 3 سال به اندازه 8 سال کار کرد.» و جالب اینکه کیهان هم این جمله را تیتر یک کرده است. کاری به عملکرد سایر بخش‌های دولت سیزدهم ندارم-که حتماً موفقیت‌هایی هم داشته است- اما لازم می‌دانم به عملکرد خود شما بپردازم:
آسیبی که طی سه سال وزارت‌تان به دانشگاه‌های علوم پزشکی وارد کردید، با هشت سال کار شبانه‌روزی هم جبران نخواهد شد.
خوب است فقط کمی به این موارد فکر کنید:
چند استاد را به اجبار بازنشسته کردید؟
چند استاد، خودخواسته عطای دانشگاه را به لقایش بخشیدند؟
چند نفر از اساتید، ناامید از آینده، راه مهاجرت را در پیش گرفتند؟
چند رزیدنت به زندگی خود پایان دادند؟
چه بلایی سر پژوهش کشور آوردید؟
چه کسانی را و با چه صلاحیتی برای ریاست دانشگاه‌ها منصوب کردید؟
چرا با همکاری وزیر علوم، آیین‌نامه ننگین انضباطی دانشجویان را تصویب کردید؟
چند دانشجو را اخراج، تعلیق یا برایشان پرونده‌سازی کردید؟
چرا معاون دانشجویی شما عملاً مقابل دانشجویان و فعالیت‌های صنفی می‌ایستاد؟
🆔 @irevidence
بهرام عین‌الهی، وزیر سابق بهداشت، در گفت‌وگو با روزنامه کیهان مدعی شده است: «دولت شهید رئیسی در 3 سال به اندازه 8 سال کار کرد.» و جالب اینکه کیهان هم این جمله را تیتر یک کرده است. کاری به عملکرد سایر بخش‌های دولت سیزدهم ندارم-که حتماً موفقیت‌هایی هم داشته است- اما لازم می‌دانم به عملکرد خود شما بپردازم:
آسیبی که طی سه سال وزارت‌تان به دانشگاه‌های علوم پزشکی وارد کردید، با هشت سال کار شبانه‌روزی هم جبران نخواهد شد.
خوب است فقط کمی به این موارد فکر کنید:
چند استاد را به اجبار بازنشسته کردید؟
چند استاد، خودخواسته عطای دانشگاه را به لقایش بخشیدند؟
چند نفر از اساتید، ناامید از آینده، راه مهاجرت را در پیش گرفتند؟
چند رزیدنت به زندگی خود پایان دادند؟
چه بلایی سر پژوهش کشور آوردید؟
چه کسانی را و با چه صلاحیتی برای ریاست دانشگاه‌ها منصوب کردید؟
چرا با همکاری وزیر علوم، آیین‌نامه ننگین انضباطی دانشجویان را تصویب کردید؟
چند دانشجو را اخراج، تعلیق یا برایشان پرونده‌سازی کردید؟
چرا معاون دانشجویی شما عملاً مقابل دانشجویان و فعالیت‌های صنفی می‌ایستاد؟
🆔 @irevidence
▫️استفاده افراطی از واژه Unleashing در عناوین مقالات
در متون علمی و مقالات معمولاً وقتی می‌گویند "unleashing X"، منظورشان "آزاد کردن پتانسیل یا ظرفیت کامل یک حوزه" یا "به کار گرفتن کامل یک دانش برای پیشرفت" است.
با جستجوی واژه Unleashing در فیلد عنوان پایگاه اسکوپوس، تعداد 2779 رکورد بازیابی می‌شود (تا تاریخ 16 مه 2025). جالب است که 1936 رکورد (حدود 70 درصد)، از سال 2022 به بعد منتشر شده‌اند. در سال 2024 تعداد 1040 رکورد با این واژه در عنوان منتشر شده است، در حالی که در سال 2021 فقط 81 رکورد وجود داشته است (افزایش 1180 درصدی).
افزایش عجیب و غریب استفاده از این واژه در عنوان مقالات، احتمالاً یک دلیل بیشتر ندارد:
استفاده از هوش مصنوعی مولد برای نوشتن عنوان مقالات. ظاهراً هم این مدل‌ها خیلی به Unleashing علاقه دارند.
#AI
#academic_writing
🆔 @irevidence
در متون علمی و مقالات معمولاً وقتی می‌گویند "unleashing X"، منظورشان "آزاد کردن پتانسیل یا ظرفیت کامل یک حوزه" یا "به کار گرفتن کامل یک دانش برای پیشرفت" است.
با جستجوی واژه Unleashing در فیلد عنوان پایگاه اسکوپوس، تعداد 2779 رکورد بازیابی می‌شود (تا تاریخ 16 مه 2025). جالب است که 1936 رکورد (حدود 70 درصد)، از سال 2022 به بعد منتشر شده‌اند. در سال 2024 تعداد 1040 رکورد با این واژه در عنوان منتشر شده است، در حالی که در سال 2021 فقط 81 رکورد وجود داشته است (افزایش 1180 درصدی).
افزایش عجیب و غریب استفاده از این واژه در عنوان مقالات، احتمالاً یک دلیل بیشتر ندارد:
استفاده از هوش مصنوعی مولد برای نوشتن عنوان مقالات. ظاهراً هم این مدل‌ها خیلی به Unleashing علاقه دارند.
#AI
#academic_writing
🆔 @irevidence
▫️چگونه داور بدخلق و بی‌رحمی شویم: راهنمای عملی
حدود 16 سال پیش دست‌نوشته‌ای را برای یکی از مجلات داخلی ارسال کردم که ریجکت شد. در بخش بحث آن مقاله نوشته بودم که بیشتر مطالعات انجام‌شده در این حوزه، کیفیت مناسبی ندارند. داور محترم آن بخش را هایلایت کرده و با تندی نوشته بود: «دقیقاً مطالعه خود شما هم جزو همین نوع مطالعات است و کیفیتش افتضاح است!»
واقعیت این است که برخی داوران چنان رفتار می‌کنند که گویی خصومت شخصی با نویسنده دارند: کامنت‌های تند و کوبنده، نقدهای غیرسازنده و استفاده از ادبیاتی نامحترم و غیرحرفه‌ای از جمله ویژگی‌های این داوران است.
دکتر Kinnear و دو تا از همکارانش در مقاله اخیرشان به شیوه‌ای طنز و هجوآمیز به پدیده معروف Reviewer 2 در فرایند داوری مقالات علمی پرداخته‌اند. شخصیتی که در بین پژوهشگران، نماد داوری سخت‌گیرانه، بی‌رحم، غیرسازنده و گاهی حتی بدخواهانه شده است.
راهنمای عملی برای تبدیل شدن به Reviewer 2:
1. آمادگی (Preparation)
سفر خود برای تبدیل شدن به داور شماره 2 را با گرفتن یک دوش آب سرد و حسابی آغاز کنید. انقباض عروق ناشی از سرما باعث می‌شود خون به سمت آمیگدال (مرکز احساسات منفی مثل خشم و نفرت) جریان پیدا کند و شما را برای داوری بی‌رحمانه آماده کند.
2. تحریک‌پذیری (Stimulation)
اگر عادت به نوشیدن کافئین دارید، آن روز مصرفش را کنار بگذارید تا سردرد بگیرید. اگر معمولاً کافئین نمی‌خورید، حالا وقتش است امتحانش کنید. کمی تحریک‌پذیری ذهنی و عاطفی، کاملاً مفید است. اگر دیدید سردردتان در حال فروکش کردن است و حال‌تان دارد بهتر می‌شود، کافی است کمی در شبکه‌های اجتماعی بچرخید تا دوباره از دنیا عصبانی شوید.
3. فداکاری (Sacrifice)
با تفریح و دورهمی‌های دوستانه خداحافظی کنید. وقتی می‌توانید از حس برتری علمی و تحقیر دیگران لذت ببرید، دیگر چه نیازی به معاشرت است؟ حسرت عقب ماندن از جمع را به انرژی منفی برای حمله به نویسندگان تبدیل کنید.
4. فضاسازی (Ambiance)
برای ورود به حال و هوای مناسب داوری منفی، آهنگ‌هایی آزاردهنده مثل آثار گروه Nickelback یا هر موزیک گوش‌خراش دیگری پخش کنید. هیچ‌چیز به‌اندازه موسیقی افتضاح، حس حق به‌جانب بودن شما را تقویت نمی‌کند.
5. دیدگاه (Perspective)
نویسندگان را افرادی متکبر و مغرور تصور کنید که مطمئن‌اند شما شیفته مقاله‌شان خواهید شد و فقط تعریف و تمجید نثارشان خواهید کرد. بگذارید این تصویر ذهنی، انتقاداتتان را هدایت کند و با هر کامنت، اعتمادبه‌نفس این نویسندگان خودراضی را پایین بیاورید.
6. بازخورد (Feedback)
انتقادات مخرب بنویسید و چاشنی طعنه را فراموش نکنید. اگر برای انجام یک پژوهش، چند روش مختلف وجود داشت، همیشه تاکید کنید که راهی که نویسندگان انتخاب کرده‌اند اشتباه بوده است. این نوع بازخورد، یک "دوره آموزشی فشرده" برای یاد دادن فروتنی به نویسندگان است.
7. ابراز وجود (Assertiveness)
اگر حتی یک مقاله، وبلاگ یا یادداشتی که خیلی هم مرتبط با موضوع نیست نوشته‌اید، حتماً بخواهید نویسندگان به آن استناد بدهند. اگر لازم شد، حتی سؤال پژوهش آنها را هم تغییر دهید؛ مطمئن باشید این کار به نفع‌شان است.
8. ابهام! (Clarity)
ابهام می‌تواند به نویسندگان کمک کند به شفافیت برسند. مثلاً می‌توانید این جملات آماده را در داوری‌های خود کپی-پیست کنید: "این جمله نامفهوم است" یا "از این قسمت خوشم نمی‌آید." هرگز به شماره صفحات یا خطوط مشخصی اشاره نکنید تا ناخواسته به نویسندگان کمک زیادی نکرده باشید.
9. تاکید (Emphasis)
قید و صفت‌ها را فراموش نکنید! وقتی می‌توانید با بیست کلمه حرف‌تان را بزنید، چرا به یک کلمه بسنده کنید؟ مثلاً به جای "این بخش می‌تواند واضح‌تر نوشته شود"، بنویسید: "این بخش به طرز باورنکردنی، به‌شدت، و به‌طور غیرقابل‌انکاری مبهم نوشته شده و نیازمند بازنویسی اساسی و قاطعانه است." ما اسم این تکنیک را گذاشته‌ایم بهمن آکادمیک (academic avalanching) تا رؤیای نویسنده برای چاپ مقاله، زیر انبوهی از کلمات دفن شود.
10. ناشناس ماندن (Anonymity)
یادتان باشد که شما به‌عنوان داور شماره 2، مثل یک ابرقهرمان هستید. پس حتماً هویت خودتان را مخفی کنید. این کار صرفاً برای حفاظت از اطرافیان شماست و اصلاً به معنای این نیست که می‌خواهید خود واقعیِ نه‌چندان خوشایندتان را از همکاران دوست‌داشتنی پنهان کنید! خلاصه اینکه هرجا لازم بود، گزینه "عدم نمایش نام" را انتخاب کنید تا نظرات‌تان در هاله‌ای اسرارآمیز قرار بگیرد.
11. تشکر (Gratitude)
و در نهایت، هیچ‌وقت فراموش نکنید که از نویسندگان و سردبیران تشکر کنید. ادب و احترام، شاخصۀ یک داور شماره 2 واقعی است و مطمئن باشید با این کار، همیشه اولین انتخاب برای داوری‌های آینده خواهید بود.
#peer_review
🆔 @irevidence
حدود 16 سال پیش دست‌نوشته‌ای را برای یکی از مجلات داخلی ارسال کردم که ریجکت شد. در بخش بحث آن مقاله نوشته بودم که بیشتر مطالعات انجام‌شده در این حوزه، کیفیت مناسبی ندارند. داور محترم آن بخش را هایلایت کرده و با تندی نوشته بود: «دقیقاً مطالعه خود شما هم جزو همین نوع مطالعات است و کیفیتش افتضاح است!»
واقعیت این است که برخی داوران چنان رفتار می‌کنند که گویی خصومت شخصی با نویسنده دارند: کامنت‌های تند و کوبنده، نقدهای غیرسازنده و استفاده از ادبیاتی نامحترم و غیرحرفه‌ای از جمله ویژگی‌های این داوران است.
دکتر Kinnear و دو تا از همکارانش در مقاله اخیرشان به شیوه‌ای طنز و هجوآمیز به پدیده معروف Reviewer 2 در فرایند داوری مقالات علمی پرداخته‌اند. شخصیتی که در بین پژوهشگران، نماد داوری سخت‌گیرانه، بی‌رحم، غیرسازنده و گاهی حتی بدخواهانه شده است.
راهنمای عملی برای تبدیل شدن به Reviewer 2:
1. آمادگی (Preparation)
سفر خود برای تبدیل شدن به داور شماره 2 را با گرفتن یک دوش آب سرد و حسابی آغاز کنید. انقباض عروق ناشی از سرما باعث می‌شود خون به سمت آمیگدال (مرکز احساسات منفی مثل خشم و نفرت) جریان پیدا کند و شما را برای داوری بی‌رحمانه آماده کند.
2. تحریک‌پذیری (Stimulation)
اگر عادت به نوشیدن کافئین دارید، آن روز مصرفش را کنار بگذارید تا سردرد بگیرید. اگر معمولاً کافئین نمی‌خورید، حالا وقتش است امتحانش کنید. کمی تحریک‌پذیری ذهنی و عاطفی، کاملاً مفید است. اگر دیدید سردردتان در حال فروکش کردن است و حال‌تان دارد بهتر می‌شود، کافی است کمی در شبکه‌های اجتماعی بچرخید تا دوباره از دنیا عصبانی شوید.
3. فداکاری (Sacrifice)
با تفریح و دورهمی‌های دوستانه خداحافظی کنید. وقتی می‌توانید از حس برتری علمی و تحقیر دیگران لذت ببرید، دیگر چه نیازی به معاشرت است؟ حسرت عقب ماندن از جمع را به انرژی منفی برای حمله به نویسندگان تبدیل کنید.
4. فضاسازی (Ambiance)
برای ورود به حال و هوای مناسب داوری منفی، آهنگ‌هایی آزاردهنده مثل آثار گروه Nickelback یا هر موزیک گوش‌خراش دیگری پخش کنید. هیچ‌چیز به‌اندازه موسیقی افتضاح، حس حق به‌جانب بودن شما را تقویت نمی‌کند.
5. دیدگاه (Perspective)
نویسندگان را افرادی متکبر و مغرور تصور کنید که مطمئن‌اند شما شیفته مقاله‌شان خواهید شد و فقط تعریف و تمجید نثارشان خواهید کرد. بگذارید این تصویر ذهنی، انتقاداتتان را هدایت کند و با هر کامنت، اعتمادبه‌نفس این نویسندگان خودراضی را پایین بیاورید.
6. بازخورد (Feedback)
انتقادات مخرب بنویسید و چاشنی طعنه را فراموش نکنید. اگر برای انجام یک پژوهش، چند روش مختلف وجود داشت، همیشه تاکید کنید که راهی که نویسندگان انتخاب کرده‌اند اشتباه بوده است. این نوع بازخورد، یک "دوره آموزشی فشرده" برای یاد دادن فروتنی به نویسندگان است.
7. ابراز وجود (Assertiveness)
اگر حتی یک مقاله، وبلاگ یا یادداشتی که خیلی هم مرتبط با موضوع نیست نوشته‌اید، حتماً بخواهید نویسندگان به آن استناد بدهند. اگر لازم شد، حتی سؤال پژوهش آنها را هم تغییر دهید؛ مطمئن باشید این کار به نفع‌شان است.
8. ابهام! (Clarity)
ابهام می‌تواند به نویسندگان کمک کند به شفافیت برسند. مثلاً می‌توانید این جملات آماده را در داوری‌های خود کپی-پیست کنید: "این جمله نامفهوم است" یا "از این قسمت خوشم نمی‌آید." هرگز به شماره صفحات یا خطوط مشخصی اشاره نکنید تا ناخواسته به نویسندگان کمک زیادی نکرده باشید.
9. تاکید (Emphasis)
قید و صفت‌ها را فراموش نکنید! وقتی می‌توانید با بیست کلمه حرف‌تان را بزنید، چرا به یک کلمه بسنده کنید؟ مثلاً به جای "این بخش می‌تواند واضح‌تر نوشته شود"، بنویسید: "این بخش به طرز باورنکردنی، به‌شدت، و به‌طور غیرقابل‌انکاری مبهم نوشته شده و نیازمند بازنویسی اساسی و قاطعانه است." ما اسم این تکنیک را گذاشته‌ایم بهمن آکادمیک (academic avalanching) تا رؤیای نویسنده برای چاپ مقاله، زیر انبوهی از کلمات دفن شود.
10. ناشناس ماندن (Anonymity)
یادتان باشد که شما به‌عنوان داور شماره 2، مثل یک ابرقهرمان هستید. پس حتماً هویت خودتان را مخفی کنید. این کار صرفاً برای حفاظت از اطرافیان شماست و اصلاً به معنای این نیست که می‌خواهید خود واقعیِ نه‌چندان خوشایندتان را از همکاران دوست‌داشتنی پنهان کنید! خلاصه اینکه هرجا لازم بود، گزینه "عدم نمایش نام" را انتخاب کنید تا نظرات‌تان در هاله‌ای اسرارآمیز قرار بگیرد.
11. تشکر (Gratitude)
و در نهایت، هیچ‌وقت فراموش نکنید که از نویسندگان و سردبیران تشکر کنید. ادب و احترام، شاخصۀ یک داور شماره 2 واقعی است و مطمئن باشید با این کار، همیشه اولین انتخاب برای داوری‌های آینده خواهید بود.
#peer_review
🆔 @irevidence
▫️حذف استنادهای مرتبط با مقالات ریترکت‌شده از محاسبه ضریب تأثیر مجلات
کلاریویت به‌تازگی اعلام کرده است که از سال 2025، استنادهای مربوط به مقالات ریترکت‌شده را در محاسبه ضریب تأثیر مجلات (Journal Impact Factor) لحاظ نخواهد کرد. این تصمیم با هدف جلوگیری از تحریف احتمالی در ارزیابی‌های علمی و حفظ اعتبار شاخص‌های استنادی اتخاذ شده است.
اگرچه استنادهای مربوط به مقالات ریترکت‌شده از محاسبه JIF حذف خواهند شد، اما خودِ این مقالات همچنان در شمارش کل مقالات (مخرج کسر JIF) باقی می‌مانند. این اقدام با هدف حفظ شفافیت و مسئولیت‌پذیری در گزارش‌دهی صورت گرفته است.
افزایش تعداد ریترکشن‌ها، کاهش زمان فرآیند ریترکشن مقالات و پیشگیری از تحریف شاخص‌ها از جمله دلایل اتخاذ این تصمیم عنوان شده‌اند.
اقدام خوب ولی دیرهنگامی است؛ چون بررسی‌های مختلف نشان داده‌اند که بسیاری از مقالات، حتی پس از ریترکت شدن نیز همچنان استناد دریافت می‌کنند و اغلب این استنادات نیز مثبت هستند. در نتیجه، زمانی که این استنادات در محاسبه ضریب تأثیر مجلات لحاظ می‌شوند، عملاً نوعی پاداش‌دهی به آن مجله به حساب می‌آید.
با این حال، این استنادات همچنان در محاسبه H-Index نویسندگان لحاظ می‌شوند و نویسندگان ممکن است به واسطه ریترکشن نیز پاداش دریافت کنند. البته باید بین ریترکشن‌های ناشی از اشتباهات صادقانه و آن‌هایی که به دلیل تخلفات آشکار پژوهشی رخ می‌دهند، تمایز قائل شد.
#impact_factor
#research_metrics
#retraction
#clarivate
🆔 @irevidence
کلاریویت به‌تازگی اعلام کرده است که از سال 2025، استنادهای مربوط به مقالات ریترکت‌شده را در محاسبه ضریب تأثیر مجلات (Journal Impact Factor) لحاظ نخواهد کرد. این تصمیم با هدف جلوگیری از تحریف احتمالی در ارزیابی‌های علمی و حفظ اعتبار شاخص‌های استنادی اتخاذ شده است.
اگرچه استنادهای مربوط به مقالات ریترکت‌شده از محاسبه JIF حذف خواهند شد، اما خودِ این مقالات همچنان در شمارش کل مقالات (مخرج کسر JIF) باقی می‌مانند. این اقدام با هدف حفظ شفافیت و مسئولیت‌پذیری در گزارش‌دهی صورت گرفته است.
افزایش تعداد ریترکشن‌ها، کاهش زمان فرآیند ریترکشن مقالات و پیشگیری از تحریف شاخص‌ها از جمله دلایل اتخاذ این تصمیم عنوان شده‌اند.
اقدام خوب ولی دیرهنگامی است؛ چون بررسی‌های مختلف نشان داده‌اند که بسیاری از مقالات، حتی پس از ریترکت شدن نیز همچنان استناد دریافت می‌کنند و اغلب این استنادات نیز مثبت هستند. در نتیجه، زمانی که این استنادات در محاسبه ضریب تأثیر مجلات لحاظ می‌شوند، عملاً نوعی پاداش‌دهی به آن مجله به حساب می‌آید.
با این حال، این استنادات همچنان در محاسبه H-Index نویسندگان لحاظ می‌شوند و نویسندگان ممکن است به واسطه ریترکشن نیز پاداش دریافت کنند. البته باید بین ریترکشن‌های ناشی از اشتباهات صادقانه و آن‌هایی که به دلیل تخلفات آشکار پژوهشی رخ می‌دهند، تمایز قائل شد.
#impact_factor
#research_metrics
#retraction
#clarivate
🆔 @irevidence
▫️نمایه یک ژورنال کاملآً جعلی در اسکوپوس
به گزارش پایگاه ریترکشن‌واچ، در سال 2024 دیتابیس اسکوپوس یک ژورنال جعلی به نام Science of Law را نمایه کرده است که نه تنها هیئت تحریریه‌اش ساختگی بود بلکه آرشیو آن نیز جعلی و غیرقابل دسترس بود. نام ادیتورهای این ژورنال، از جمله Alessio Miceli، Anita Steinberg و Jeffrey Robinson نه در اسکوپوس پروفایل داشتند و نه در دانشگاه‌های اعلام شده حضور داشتند.
بیش از 60 عضو هیئت تحریریه نیز اسامی جعلی بودند. ناشر این ژورنال، Online Science Publishing، تعداد 12 ژورنال دیگر نیز منتشر می‌کند و برای چاپ مقاله در Science of Law مبلغ 780 دلار دریافت می‌کند.
دامنه وبسایت ژورنال در دسامبر 2023 به صورت ناشناس ثبت شد که خود نشانه‌ای از تقلبی بودن آن است. طبق قوانین اسکوپوس، ژورنال‌ها باید دست‌کم دو سال سابقه انتشار داشته باشند اما این ژورنال تنها چند ماه پس از ثبت دامنه، در جولای 2024 ایندکس شد. برای ایجاد سابقه، آرشیو جعلی با مقالات ساختگی و نویسندگان غیرواقعی از سال 2021 تا 2024 ساخته شد، در حالی که متن کامل مقالات فقط با خرید اشتراک قابل مشاهده است. بسیاری از مقالات حتی به مقالات دیگر همان ژورنال استناد داده‌اند.
این رویداد ضعف جدی سیستم ارزیابی اسکوپوس را نشان می‌دهد و اعتبار این دیتابیس را زیر سؤال می‌برد. این ماجرا هشدار می‌دهد که نبود کنترل کیفیت کافی و نظارت بر ناشران متقلب، باعث کاهش اعتماد جامعه علمی به داده‌های نمایه‌شده خواهد شد. به دنبال این افشاگری، اسکوپوس اعلام کرده که ژورنال مذکور را حذف می‌کند. (منبع)
#scopus
#fake_journal
#predatory_journal
#indexing
🆔 @irevidence
به گزارش پایگاه ریترکشن‌واچ، در سال 2024 دیتابیس اسکوپوس یک ژورنال جعلی به نام Science of Law را نمایه کرده است که نه تنها هیئت تحریریه‌اش ساختگی بود بلکه آرشیو آن نیز جعلی و غیرقابل دسترس بود. نام ادیتورهای این ژورنال، از جمله Alessio Miceli، Anita Steinberg و Jeffrey Robinson نه در اسکوپوس پروفایل داشتند و نه در دانشگاه‌های اعلام شده حضور داشتند.
بیش از 60 عضو هیئت تحریریه نیز اسامی جعلی بودند. ناشر این ژورنال، Online Science Publishing، تعداد 12 ژورنال دیگر نیز منتشر می‌کند و برای چاپ مقاله در Science of Law مبلغ 780 دلار دریافت می‌کند.
دامنه وبسایت ژورنال در دسامبر 2023 به صورت ناشناس ثبت شد که خود نشانه‌ای از تقلبی بودن آن است. طبق قوانین اسکوپوس، ژورنال‌ها باید دست‌کم دو سال سابقه انتشار داشته باشند اما این ژورنال تنها چند ماه پس از ثبت دامنه، در جولای 2024 ایندکس شد. برای ایجاد سابقه، آرشیو جعلی با مقالات ساختگی و نویسندگان غیرواقعی از سال 2021 تا 2024 ساخته شد، در حالی که متن کامل مقالات فقط با خرید اشتراک قابل مشاهده است. بسیاری از مقالات حتی به مقالات دیگر همان ژورنال استناد داده‌اند.
این رویداد ضعف جدی سیستم ارزیابی اسکوپوس را نشان می‌دهد و اعتبار این دیتابیس را زیر سؤال می‌برد. این ماجرا هشدار می‌دهد که نبود کنترل کیفیت کافی و نظارت بر ناشران متقلب، باعث کاهش اعتماد جامعه علمی به داده‌های نمایه‌شده خواهد شد. به دنبال این افشاگری، اسکوپوس اعلام کرده که ژورنال مذکور را حذف می‌کند. (منبع)
#scopus
#fake_journal
#predatory_journal
#indexing
🆔 @irevidence
▫️دانشگاه آزاد به دنبال جایزه نوبل؛ سرمایه‌گذاری در سطح جهانی
بیژن رنجبر، قائم‌مقام رئیس دانشگاه آزاد اسلامی، اخیراً صحبت‌های جالبی کرده است. از Grok 3 خواستم خلاصه و نکات مهم صحبت‌های ایشان را بنویسد:
۱. هدف‌گذاری برای مرجعیت علمی و جایزه نوبل
- سیاست جدید دانشگاه آزاد: سرمایه‌گذاری مالی و انسانی در سطح جوایز بین‌المللی مانند نوبل برای بازآفرینی جایگاه علمی ایران.
- تأکید بر مرجعیت علمی: ایران در گذشته خاستگاه تمدن و علم بوده و باید با تکیه بر ظرفیت‌های بومی و فرهنگی، دوباره به این جایگاه بازگردد.
۲. میراث تاریخی و تمدنی ایران
- ایران باستان: مراکز علمی مانند دانشگاه جندی‌شاپور، پیشرو در تولید و انتقال دانش در حوزه‌های پزشکی، نجوم، معماری و تعلیم و تربیت.
- پس از اسلام: تلفیق معارف اسلامی و میراث علمی ایران، منجر به شکوفایی علمی با محوریت ایران شد (بیت‌الحکمه، نظامیه، ظهور ابن‌سینا، خوارزمی و طوسی).
- تأثیر بر اروپا: نظامیه‌های ایرانی الگوی تأسیس دانشگاه‌هایی مانند بولونیا، سوربن و آکسفورد بودند.
۳. دوران افول و احیا
- حمله مغول‌ها: تخریب مراکز علمی و افول مرجعیت علمی ایران در قرن هفتم هجری.
- دوره ایلخانی: بازسازی علمی با تأسیس مراکزی مانند رصدخانه مراغه و ربع رشیدی.
- دوره صفویه: احیای هویت ملی و رشد علوم اسلامی، فلسفه و ادب.
- دوره قاجار و پهلوی: افول علمی به دلیل تقلید از غرب و بی‌توجهی به ظرفیت‌های بومی؛ نظام آموزشی ناکارآمد و بی‌سوادی گسترده تا پیش از انقلاب.
۴. انقلاب اسلامی و خیزش علمی
- پس از انقلاب: آغاز دوباره پیشرفت علمی و تلاش برای بازگشت به جایگاه مرجعیت علمی.
- دیدگاه رهبری: تأکید بر مرجعیت علمی از سال ۱۳۸۴ با دو هدف: ۱) قرار گرفتن در میان سرآمدان جهانی، ۲) حل مسائل کلیدی کشور.
- رستاخیز علمی: پیشرفت‌های علمی پس از انقلاب تنها آغاز راه بوده و فاصله زیادی تا قله‌های جهانی باقی است.
۵. نقش دانشگاه آزاد در مرجعیت علمی
- سند تحول دانشگاه: حرکت به سمت بازتولید مرجعیت علمی با تکیه بر ظرفیت‌های بومی و اسلامی.
- جهاد علمی: لزوم تلاش نخبگان، اساتید و دانشجویان برای دستیابی به قله‌های علمی.
- زبان علم فارسی: تأکید بر تبدیل زبان فارسی به زبان علم برای تحقق مرجعیت علمی.
- انقلاب علمی: هدف، تولید نظریه و دانش نوین به جای صرف مقاله‌نویسی.
۶. مدل راهبردی تحول دانشگاه
- آموزش: اصلاح بسته‌های آموزشی با تمرکز بر الگوی شاگردپرور و تقویت مباحث اخلاقی و فرهنگی.
- پژوهش و فناوری: جهش در پژوهش‌های نوآورانه و مرزدانش‌محور.
- خودکفایی مالی: کاهش وابستگی به شهریه با درآمد از اقتصاد دانش‌بنیان و پیوند با صنعت.
۷. حمایت از پژوهشگران نخبه
- پژوهشگاه مرکزی: حمایت مالی فصلی (گرنت) از ۱۰۰ پژوهشگر نخبه برای تولید علم واقعی.
تقسیم‌بندی پژوهش‌ها:
۱. پژوهش‌های پایان‌نامه‌ای (حمایت معاونت‌های موضوعی).
۲. پژوهش‌های منجر به محصول (حمایت معاونت فناوری).
۳. پژوهش‌های بنیادی (حمایت پژوهشگاه اسلامی).
- سرمایه‌گذاری کلان: بودجه ۵۰۰ میلیارد تومانی برای حمایت از پژوهشگران در ۱۴ حوزه برتر علمی.
- تسهیلات مشابه فرهنگستان‌ها: ایجاد وضعیت «اعضای پیوسته» با حمایت‌های مالی و زیرساختی.
۸. علوم پایه و فناوری
- اهمیت علوم پایه: رکن اساسی پیشرفت علمی کشور و تمرکز دانشگاه برای ارتقاء جایگاه آن.
- توسعه فناوری: هدف‌گذاری برای تولید محصول و گسترش شبکه نوآوری باز.
۹. دیپلماسی علمی و همکاری‌های بین‌المللی
- پروژه‌های مشترک: آغاز پروژه‌های تحقیقاتی بین‌المللی با مشارکت ایران و سایر کشورها.
- حمایت از اساتید و دانشجویان: تأمین مالی مأموریت‌های علمی (تا یک سال) برای پروژه‌های مرز دانش.
- تقویت ارتباطات: تفاهم‌نامه‌های بین‌المللی و فرصت‌های مطالعاتی برای دانشجویان دکتری.
۱۰. ارتقای فرهنگ سازمانی و فضای انقلابی
- وظایف دانشگاه: تربیت متخصصان متعهد، انتقال علم، خدمت به نظام و مدیریت کارآمد.
- تحول ساختاری: ایجاد نظام آموزشی و پژوهشی پاسخگو با تمرکز بر توسعه فناوری و اقتصاد دانش‌بنیان.
- حفظ کیان دانشگاه: گسترش فضای انقلابی و وحدت در راستای اهداف علمی.
۱۱. چشم‌انداز ۱۴۱۵
- نقشه جامع علمی کشور: ترسیم مسیر علمی تا ۱۴۱۵ با اهداف و ارزیابی‌های مشخص.
- تمدن نوین اسلامی: حرکت علمی به‌عنوان الزام اصلی برای تحقق این هدف.
۱۲. سرآمدان علمی
- آیین‌نامه به‌روز شده: انتخاب بیش از ۷۰۰ پژوهشگر ممتاز با معیارهای سخت‌گیرانه.
- حمایت از پسادکتری: تقویت عضویت پیوسته در پژوهشگاه مرکزی برای پژوهشگران ویژه.
۱۳. سرمایه‌گذاری در سطح جهانی
- بودجه‌های کلان: حمایت مالی تا سقف ۷۰ میلیارد تومان برای پروژه‌های خاص.
- هدف‌گذاری جهانی: حضور فعال در ۲۰ جبهه تحقیقاتی برتر جهان و رقابت برای جوایز بین‌المللی.
🆔 @irevidence
بیژن رنجبر، قائم‌مقام رئیس دانشگاه آزاد اسلامی، اخیراً صحبت‌های جالبی کرده است. از Grok 3 خواستم خلاصه و نکات مهم صحبت‌های ایشان را بنویسد:
۱. هدف‌گذاری برای مرجعیت علمی و جایزه نوبل
- سیاست جدید دانشگاه آزاد: سرمایه‌گذاری مالی و انسانی در سطح جوایز بین‌المللی مانند نوبل برای بازآفرینی جایگاه علمی ایران.
- تأکید بر مرجعیت علمی: ایران در گذشته خاستگاه تمدن و علم بوده و باید با تکیه بر ظرفیت‌های بومی و فرهنگی، دوباره به این جایگاه بازگردد.
۲. میراث تاریخی و تمدنی ایران
- ایران باستان: مراکز علمی مانند دانشگاه جندی‌شاپور، پیشرو در تولید و انتقال دانش در حوزه‌های پزشکی، نجوم، معماری و تعلیم و تربیت.
- پس از اسلام: تلفیق معارف اسلامی و میراث علمی ایران، منجر به شکوفایی علمی با محوریت ایران شد (بیت‌الحکمه، نظامیه، ظهور ابن‌سینا، خوارزمی و طوسی).
- تأثیر بر اروپا: نظامیه‌های ایرانی الگوی تأسیس دانشگاه‌هایی مانند بولونیا، سوربن و آکسفورد بودند.
۳. دوران افول و احیا
- حمله مغول‌ها: تخریب مراکز علمی و افول مرجعیت علمی ایران در قرن هفتم هجری.
- دوره ایلخانی: بازسازی علمی با تأسیس مراکزی مانند رصدخانه مراغه و ربع رشیدی.
- دوره صفویه: احیای هویت ملی و رشد علوم اسلامی، فلسفه و ادب.
- دوره قاجار و پهلوی: افول علمی به دلیل تقلید از غرب و بی‌توجهی به ظرفیت‌های بومی؛ نظام آموزشی ناکارآمد و بی‌سوادی گسترده تا پیش از انقلاب.
۴. انقلاب اسلامی و خیزش علمی
- پس از انقلاب: آغاز دوباره پیشرفت علمی و تلاش برای بازگشت به جایگاه مرجعیت علمی.
- دیدگاه رهبری: تأکید بر مرجعیت علمی از سال ۱۳۸۴ با دو هدف: ۱) قرار گرفتن در میان سرآمدان جهانی، ۲) حل مسائل کلیدی کشور.
- رستاخیز علمی: پیشرفت‌های علمی پس از انقلاب تنها آغاز راه بوده و فاصله زیادی تا قله‌های جهانی باقی است.
۵. نقش دانشگاه آزاد در مرجعیت علمی
- سند تحول دانشگاه: حرکت به سمت بازتولید مرجعیت علمی با تکیه بر ظرفیت‌های بومی و اسلامی.
- جهاد علمی: لزوم تلاش نخبگان، اساتید و دانشجویان برای دستیابی به قله‌های علمی.
- زبان علم فارسی: تأکید بر تبدیل زبان فارسی به زبان علم برای تحقق مرجعیت علمی.
- انقلاب علمی: هدف، تولید نظریه و دانش نوین به جای صرف مقاله‌نویسی.
۶. مدل راهبردی تحول دانشگاه
- آموزش: اصلاح بسته‌های آموزشی با تمرکز بر الگوی شاگردپرور و تقویت مباحث اخلاقی و فرهنگی.
- پژوهش و فناوری: جهش در پژوهش‌های نوآورانه و مرزدانش‌محور.
- خودکفایی مالی: کاهش وابستگی به شهریه با درآمد از اقتصاد دانش‌بنیان و پیوند با صنعت.
۷. حمایت از پژوهشگران نخبه
- پژوهشگاه مرکزی: حمایت مالی فصلی (گرنت) از ۱۰۰ پژوهشگر نخبه برای تولید علم واقعی.
تقسیم‌بندی پژوهش‌ها:
۱. پژوهش‌های پایان‌نامه‌ای (حمایت معاونت‌های موضوعی).
۲. پژوهش‌های منجر به محصول (حمایت معاونت فناوری).
۳. پژوهش‌های بنیادی (حمایت پژوهشگاه اسلامی).
- سرمایه‌گذاری کلان: بودجه ۵۰۰ میلیارد تومانی برای حمایت از پژوهشگران در ۱۴ حوزه برتر علمی.
- تسهیلات مشابه فرهنگستان‌ها: ایجاد وضعیت «اعضای پیوسته» با حمایت‌های مالی و زیرساختی.
۸. علوم پایه و فناوری
- اهمیت علوم پایه: رکن اساسی پیشرفت علمی کشور و تمرکز دانشگاه برای ارتقاء جایگاه آن.
- توسعه فناوری: هدف‌گذاری برای تولید محصول و گسترش شبکه نوآوری باز.
۹. دیپلماسی علمی و همکاری‌های بین‌المللی
- پروژه‌های مشترک: آغاز پروژه‌های تحقیقاتی بین‌المللی با مشارکت ایران و سایر کشورها.
- حمایت از اساتید و دانشجویان: تأمین مالی مأموریت‌های علمی (تا یک سال) برای پروژه‌های مرز دانش.
- تقویت ارتباطات: تفاهم‌نامه‌های بین‌المللی و فرصت‌های مطالعاتی برای دانشجویان دکتری.
۱۰. ارتقای فرهنگ سازمانی و فضای انقلابی
- وظایف دانشگاه: تربیت متخصصان متعهد، انتقال علم، خدمت به نظام و مدیریت کارآمد.
- تحول ساختاری: ایجاد نظام آموزشی و پژوهشی پاسخگو با تمرکز بر توسعه فناوری و اقتصاد دانش‌بنیان.
- حفظ کیان دانشگاه: گسترش فضای انقلابی و وحدت در راستای اهداف علمی.
۱۱. چشم‌انداز ۱۴۱۵
- نقشه جامع علمی کشور: ترسیم مسیر علمی تا ۱۴۱۵ با اهداف و ارزیابی‌های مشخص.
- تمدن نوین اسلامی: حرکت علمی به‌عنوان الزام اصلی برای تحقق این هدف.
۱۲. سرآمدان علمی
- آیین‌نامه به‌روز شده: انتخاب بیش از ۷۰۰ پژوهشگر ممتاز با معیارهای سخت‌گیرانه.
- حمایت از پسادکتری: تقویت عضویت پیوسته در پژوهشگاه مرکزی برای پژوهشگران ویژه.
۱۳. سرمایه‌گذاری در سطح جهانی
- بودجه‌های کلان: حمایت مالی تا سقف ۷۰ میلیارد تومان برای پروژه‌های خاص.
- هدف‌گذاری جهانی: حضور فعال در ۲۰ جبهه تحقیقاتی برتر جهان و رقابت برای جوایز بین‌المللی.
🆔 @irevidence
▫️افزایش مقالات بی‌کیفیت و سوءاستفاده از داده‌های عمومی و هوش مصنوعی
در ۱۴ مه ۲۰۲۵ مقاله‌ای تحت عنوان زیر در مجله Science منتشر شده است:
Low-quality papers are surging by exploiting public data sets and AI
در این مقاله به رشد مقالات بی‌کیفیتی اشاره شده است که با استفاده از مجموعه داده‌های عمومی سلامت و هوش مصنوعی نوشته شده‌اند.
در سال‌های اخیر، سیل مقالات علمی کم‌کیفیت مبتنی بر مجموعه داده‌های سلامت عمومی، به‌ویژه NHANES (پیمایش ملی سلامت و تغذیه آمریکا)، توجه سردبیران و پژوهشگران را به خود جلب کرده است. مت اسپیک (Matt Spick)، متخصص آمار و کمک‌سردبیر مجله Scientific Reports، متوجه شد که مقالات با ساختار و موضوعات بسیار مشابه، به طور مکرر برای داوری ارسال می‌شوند؛ مقالاتی که همگی بر اساس داده‌های NHANES نوشته شده‌اند. این مجموعه داده، اطلاعات سلامت، تغذیه و آزمایش‌های پزشکی بیش از ۱۳۰ هزار نفر را شامل می‌شود.
اسپیک متوجه شد که این مسئله، بخشی از یک مشکل بسیار گسترده‌تر است. در گزارشی که وی و همکارانش در مجله PLOS Biology منتشر کردند، نشان دادند که موجی از مقالات تکراری و کم‌ارزش مبتنی بر NHANES به صورت انفجاری افزایش یافته است. طبق بررسی آنها، کارخانه‌های تولید مقاله (Paper mills) و ابزارهای هوش مصنوعی (مانند ChatGPT) در شدت گرفتن این روند نقش داشته‌اند. این ابزارها امکان تولید مقالات جدید با تغییرات جزئی و بازنویسی یافته‌ها را بسیار آسان کرده‌اند و راهی برای دور زدن سیستم‌های تشخیص سرقت علمی فراهم آورده‌اند.
ریس ریچاردسون، متاساینتیست (metascientist) دانشگاه نورث‌وسترن، توضیح می‌دهد که داده‌های رایگان و عمومی مثل NHANES به هر کسی اجازه می‌دهد با جایگزینی متغیرها و اعمال یک قالب ثابت، مقالات متعددی بسازد؛ مشابه بازی Mad Libs. این اتفاق نه فقط در حوزه سلامت، بلکه در زمینه‌های دیگری مثل ژنتیک، کتاب‌سنجی و مطالعات جنسیتی نیز رخ داده است.
مقالات شناسایی‌شده تقریباً همیشه از یک فرمول تکراری پیروی می‌کنند: انتخاب یک بیماری یا وضعیت سلامت، یک متغیر محیطی یا فیزیولوژیک و یک گروه جمعیتی خاص (مثلاً ارتباط سطح ویتامین D با افسردگی در مردان بالای ۶۵ سال). اسپیک می‌گوید: "احساس می‌کردم همه ترکیب‌های ممکن را کسی دارد امتحان می‌کند."
در یک بررسی گسترده، اسپیک و همکارانش دو پایگاه PubMed و Scopus را جستجو کردند و ۳۴۱ مقاله یافتند که تنها یک ارتباط را با NHANES بررسی کرده بودند و در ۱۴۷ مجله منتشر شده بودند (از جمله Scientific Reports و BMJ Open). در فاصله ۲۰۱۴ تا ۲۰۲۱، به طور متوسط سالانه چهار مقاله از این نوع چاپ می‌شد، اما از ۲۰۲۲ به بعد جهش بزرگی رخ داد و تا اکتبر ۲۰۲۴ تعداد این مقالات به ۱۹۰ رسید. این افزایش، به مراتب بیشتر از رشد کلی مقالات سلامت مبتنی بر داده‌های بزرگ بوده است. جالب آنکه، ۹۲ درصد از مقالات NHANES پس از سال ۲۰۲۱ نویسندۀ اول چینی داشتند (در مقایسه با ۸ درصد قبل از ۲۰۲۱)، که نشان‌دهنده نقش جدی پژوهشگران چینی و فشارهای شغلی در چین برای تولید سریع مقاله است.
از سوی دیگر، این مقالات معمولاً بخش‌هایی از داده‌ها را به شکل انتخابی تحلیل کرده‌اند (مثلاً فقط سال‌های خاص یا گروه‌های سنی محدود) و به دنبال یافته‌های آماری معنادار بوده‌اند؛ وضعیتی که به ایجاد یافته‌های کاذب منجر می‌شود. وقتی تیم اسپیک ۲۸ مقاله NHANES درباره افسردگی را بررسی کردند، فقط ۱۳ مورد پس از تصحیح آماری همچنان معنادار باقی ماندند.
ناشران مطرحی مانند اشپرینگر نیچر (مالک Scientific Reports و BMC Public Health) و گروه BMJ اعلام کرده‌اند که چندین مقاله NHANES را ریترکت کرده‌اند و ارزیابی‌ها برای مقابله با این مشکل ادامه دارد. با این حال، احتمال می‌رود ابعاد واقعی معضل بسیار بزرگ‌تر باشد؛ چرا که بررسی اسپیک فقط مقالات با الگوی خاص را دربرگرفته بود، اما جستجوی جامع‌تر نشان داد که تعداد کل مقالات NHANES از ۴۹۲۶ در سال ۲۰۲۳ به ۷۸۷۶ در سال ۲۰۲۴ رسیده است. (افزایش ۶۰ درصدی)
ریچاردسون می‌گوید این مقالات بازتاب مشکلات گسترده‌ای در انتشار علمی و شیوه‌های پاداش‌دهی به پژوهش هستند. او یادآور می‌شود: همه ناشران نام‌برده احتمالاً برای چاپ تک‌تک این مقالات بی‌ارزش حدود هزار دلار گرفته‌اند. وی می‌افزاید که پژوهشگران برای پیشرفت شغلی خود، تشویق می‌شوند تا به جای مقالات باکیفیت‌تر، تعداد بیشتری مقاله منتشر کنند. او هشدار می‌دهد: این معضل وخیم‌تر هم خواهد شد مگر آنکه نظام انگیزشیِ نشر علمی را به‌طور بنیادین بازسازی کنیم.
در نهایت، اسپیک هشدار می‌دهد که سوءاستفاده از داده‌های بزرگ، با کمک هوش مصنوعی، نه فقط به اشباع متون علمی از یافته‌های بی‌ارزش منجر می‌شود، بلکه اعتبار و کیفیت پژوهش‌های علمی را هم زیر سؤال می‌برد.
#AI
#publishing
#paper_mill
🆔 @irevidence
در ۱۴ مه ۲۰۲۵ مقاله‌ای تحت عنوان زیر در مجله Science منتشر شده است:
Low-quality papers are surging by exploiting public data sets and AI
در این مقاله به رشد مقالات بی‌کیفیتی اشاره شده است که با استفاده از مجموعه داده‌های عمومی سلامت و هوش مصنوعی نوشته شده‌اند.
در سال‌های اخیر، سیل مقالات علمی کم‌کیفیت مبتنی بر مجموعه داده‌های سلامت عمومی، به‌ویژه NHANES (پیمایش ملی سلامت و تغذیه آمریکا)، توجه سردبیران و پژوهشگران را به خود جلب کرده است. مت اسپیک (Matt Spick)، متخصص آمار و کمک‌سردبیر مجله Scientific Reports، متوجه شد که مقالات با ساختار و موضوعات بسیار مشابه، به طور مکرر برای داوری ارسال می‌شوند؛ مقالاتی که همگی بر اساس داده‌های NHANES نوشته شده‌اند. این مجموعه داده، اطلاعات سلامت، تغذیه و آزمایش‌های پزشکی بیش از ۱۳۰ هزار نفر را شامل می‌شود.
اسپیک متوجه شد که این مسئله، بخشی از یک مشکل بسیار گسترده‌تر است. در گزارشی که وی و همکارانش در مجله PLOS Biology منتشر کردند، نشان دادند که موجی از مقالات تکراری و کم‌ارزش مبتنی بر NHANES به صورت انفجاری افزایش یافته است. طبق بررسی آنها، کارخانه‌های تولید مقاله (Paper mills) و ابزارهای هوش مصنوعی (مانند ChatGPT) در شدت گرفتن این روند نقش داشته‌اند. این ابزارها امکان تولید مقالات جدید با تغییرات جزئی و بازنویسی یافته‌ها را بسیار آسان کرده‌اند و راهی برای دور زدن سیستم‌های تشخیص سرقت علمی فراهم آورده‌اند.
ریس ریچاردسون، متاساینتیست (metascientist) دانشگاه نورث‌وسترن، توضیح می‌دهد که داده‌های رایگان و عمومی مثل NHANES به هر کسی اجازه می‌دهد با جایگزینی متغیرها و اعمال یک قالب ثابت، مقالات متعددی بسازد؛ مشابه بازی Mad Libs. این اتفاق نه فقط در حوزه سلامت، بلکه در زمینه‌های دیگری مثل ژنتیک، کتاب‌سنجی و مطالعات جنسیتی نیز رخ داده است.
مقالات شناسایی‌شده تقریباً همیشه از یک فرمول تکراری پیروی می‌کنند: انتخاب یک بیماری یا وضعیت سلامت، یک متغیر محیطی یا فیزیولوژیک و یک گروه جمعیتی خاص (مثلاً ارتباط سطح ویتامین D با افسردگی در مردان بالای ۶۵ سال). اسپیک می‌گوید: "احساس می‌کردم همه ترکیب‌های ممکن را کسی دارد امتحان می‌کند."
در یک بررسی گسترده، اسپیک و همکارانش دو پایگاه PubMed و Scopus را جستجو کردند و ۳۴۱ مقاله یافتند که تنها یک ارتباط را با NHANES بررسی کرده بودند و در ۱۴۷ مجله منتشر شده بودند (از جمله Scientific Reports و BMJ Open). در فاصله ۲۰۱۴ تا ۲۰۲۱، به طور متوسط سالانه چهار مقاله از این نوع چاپ می‌شد، اما از ۲۰۲۲ به بعد جهش بزرگی رخ داد و تا اکتبر ۲۰۲۴ تعداد این مقالات به ۱۹۰ رسید. این افزایش، به مراتب بیشتر از رشد کلی مقالات سلامت مبتنی بر داده‌های بزرگ بوده است. جالب آنکه، ۹۲ درصد از مقالات NHANES پس از سال ۲۰۲۱ نویسندۀ اول چینی داشتند (در مقایسه با ۸ درصد قبل از ۲۰۲۱)، که نشان‌دهنده نقش جدی پژوهشگران چینی و فشارهای شغلی در چین برای تولید سریع مقاله است.
از سوی دیگر، این مقالات معمولاً بخش‌هایی از داده‌ها را به شکل انتخابی تحلیل کرده‌اند (مثلاً فقط سال‌های خاص یا گروه‌های سنی محدود) و به دنبال یافته‌های آماری معنادار بوده‌اند؛ وضعیتی که به ایجاد یافته‌های کاذب منجر می‌شود. وقتی تیم اسپیک ۲۸ مقاله NHANES درباره افسردگی را بررسی کردند، فقط ۱۳ مورد پس از تصحیح آماری همچنان معنادار باقی ماندند.
ناشران مطرحی مانند اشپرینگر نیچر (مالک Scientific Reports و BMC Public Health) و گروه BMJ اعلام کرده‌اند که چندین مقاله NHANES را ریترکت کرده‌اند و ارزیابی‌ها برای مقابله با این مشکل ادامه دارد. با این حال، احتمال می‌رود ابعاد واقعی معضل بسیار بزرگ‌تر باشد؛ چرا که بررسی اسپیک فقط مقالات با الگوی خاص را دربرگرفته بود، اما جستجوی جامع‌تر نشان داد که تعداد کل مقالات NHANES از ۴۹۲۶ در سال ۲۰۲۳ به ۷۸۷۶ در سال ۲۰۲۴ رسیده است. (افزایش ۶۰ درصدی)
ریچاردسون می‌گوید این مقالات بازتاب مشکلات گسترده‌ای در انتشار علمی و شیوه‌های پاداش‌دهی به پژوهش هستند. او یادآور می‌شود: همه ناشران نام‌برده احتمالاً برای چاپ تک‌تک این مقالات بی‌ارزش حدود هزار دلار گرفته‌اند. وی می‌افزاید که پژوهشگران برای پیشرفت شغلی خود، تشویق می‌شوند تا به جای مقالات باکیفیت‌تر، تعداد بیشتری مقاله منتشر کنند. او هشدار می‌دهد: این معضل وخیم‌تر هم خواهد شد مگر آنکه نظام انگیزشیِ نشر علمی را به‌طور بنیادین بازسازی کنیم.
در نهایت، اسپیک هشدار می‌دهد که سوءاستفاده از داده‌های بزرگ، با کمک هوش مصنوعی، نه فقط به اشباع متون علمی از یافته‌های بی‌ارزش منجر می‌شود، بلکه اعتبار و کیفیت پژوهش‌های علمی را هم زیر سؤال می‌برد.
#AI
#publishing
#paper_mill
🆔 @irevidence
▫️ماجرای جالب مجله پزشکی ابن‌سینا
به‌صورت کاملاً اتفاقی با مجله‌ای به نام Avicenna Journal of Medicine برخورد کردم. در نگاه اول تصور کردم که با یکی دیگر از مجلات علمی داخلی مواجه‌ام؛ چراکه در ایران نیز مجلاتی وجود دارند که از نام ابن سینا بهره برده‌اند، از جمله «مجله پزشکی بالینی ابن سینا» وابسته به دانشگاه علوم پزشکی همدان یا «مجله ابن سینا» متعلق به دانشگاه علوم پزشکی ارتش.
با این حال، این مجله هیچ‌گونه وابستگی به نهادهای علمی ایران نداشت. ناشر علمی آن، انجمن پزشکی سوری–آمریکایی (Syrian American Medical Society) است؛ نهادی غیرانتفاعی، غیرسیاسی و حرفه‌ای که در سال ۱۹۹۸ در ایالات متحده تأسیس شده و نماینده جامعه‌ای گسترده از پزشکان سوری‌تبار مقیم آمریکاست. این انجمن فعالیت‌هایی در زمینه ارائه خدمات بشردوستانه به مردم سوریه انجام می‌دهد.
ماجرا به همین‌جا ختم نمی‌شود. در NLM Catalog ناشر تجاری مجله، Medknow ذکر شده است که در شهر بمبئی هندوستان مستقر است، اما نسخه آنلاین مجله از طریق پلتفرم Thieme Connect متعلق به ناشر معتبر آلمانی، Thieme Publishing Group، در دسترس است. جالب‌تر آنکه سردبیر کنونی این نشریه نیز از کشور عربستان سعودی انتخاب شده است.
ترکیب جالبی بود!
#journal
#Avicenna
🆔 @irevidence
به‌صورت کاملاً اتفاقی با مجله‌ای به نام Avicenna Journal of Medicine برخورد کردم. در نگاه اول تصور کردم که با یکی دیگر از مجلات علمی داخلی مواجه‌ام؛ چراکه در ایران نیز مجلاتی وجود دارند که از نام ابن سینا بهره برده‌اند، از جمله «مجله پزشکی بالینی ابن سینا» وابسته به دانشگاه علوم پزشکی همدان یا «مجله ابن سینا» متعلق به دانشگاه علوم پزشکی ارتش.
با این حال، این مجله هیچ‌گونه وابستگی به نهادهای علمی ایران نداشت. ناشر علمی آن، انجمن پزشکی سوری–آمریکایی (Syrian American Medical Society) است؛ نهادی غیرانتفاعی، غیرسیاسی و حرفه‌ای که در سال ۱۹۹۸ در ایالات متحده تأسیس شده و نماینده جامعه‌ای گسترده از پزشکان سوری‌تبار مقیم آمریکاست. این انجمن فعالیت‌هایی در زمینه ارائه خدمات بشردوستانه به مردم سوریه انجام می‌دهد.
ماجرا به همین‌جا ختم نمی‌شود. در NLM Catalog ناشر تجاری مجله، Medknow ذکر شده است که در شهر بمبئی هندوستان مستقر است، اما نسخه آنلاین مجله از طریق پلتفرم Thieme Connect متعلق به ناشر معتبر آلمانی، Thieme Publishing Group، در دسترس است. جالب‌تر آنکه سردبیر کنونی این نشریه نیز از کشور عربستان سعودی انتخاب شده است.
ترکیب جالبی بود!
#journal
#Avicenna
🆔 @irevidence
🔘 عنوان وبینار: تدوین استراتژی جستجو با 2Dsearch
⌛️ تاریخ: یکشنبه ۱۸ خرداد ۱۴۰۴
⏰ ساعت: ۱۸ تا ۲۰
👨🏻🏫 مدرس: رسول معصومی
انجام جستجوهای پیشرفته همواره زمان‌بر و چالش‌برانگیز است؛ به‌ویژه اینکه هر دیتابیس سینتکس و قواعد مخصوص به خود را دارد و کار با فیلدکدها، عملگرهای بولی و پرانتزها هم نیاز به دقت زیادی دارد.
در این وبینار با سرویس 2Dsearch آشنا می‌شوید؛ ابزاری نوآورانه که فرایند جستجو را برای شما ساده و لذت‌بخش می‌کند.
کافی است تنها به اصطلاحات و کلیدواژه‌ها فکر کنید و طراحی استراتژی جستجوی پیچیده را به این سرویس قدرتمند بسپارید.
سامانه 2Dsearch به شما امکان می‌دهد جستجوی خود را در یک فضای بصری دوبعدی بسازید، آن را به فرمت پایگاه‌های مختلف تبدیل کنید و حتی برای طراحی بهتر، از پیشنهادات هوش مصنوعی هم بهره‌مند شوید.
این سرویس طیف وسیعی از دیتابیس‌ها و موتورهای جستجو را پوشش می‌دهد و برای پژوهشگران، دانشجویان و کتابداران یک ابزار حرفه‌ای به شمار می‌آید.
در این وبینار، به صورت عملی و گام‌به‌گام با نحوه کار با 2Dsearch آشنا خواهیم شد.
🔗 لینک ثبت‌نام سریع
#2dsearch
#searching
🆔 @irevidence
⌛️ تاریخ: یکشنبه ۱۸ خرداد ۱۴۰۴
⏰ ساعت: ۱۸ تا ۲۰
👨🏻🏫 مدرس: رسول معصومی
انجام جستجوهای پیشرفته همواره زمان‌بر و چالش‌برانگیز است؛ به‌ویژه اینکه هر دیتابیس سینتکس و قواعد مخصوص به خود را دارد و کار با فیلدکدها، عملگرهای بولی و پرانتزها هم نیاز به دقت زیادی دارد.
در این وبینار با سرویس 2Dsearch آشنا می‌شوید؛ ابزاری نوآورانه که فرایند جستجو را برای شما ساده و لذت‌بخش می‌کند.
کافی است تنها به اصطلاحات و کلیدواژه‌ها فکر کنید و طراحی استراتژی جستجوی پیچیده را به این سرویس قدرتمند بسپارید.
سامانه 2Dsearch به شما امکان می‌دهد جستجوی خود را در یک فضای بصری دوبعدی بسازید، آن را به فرمت پایگاه‌های مختلف تبدیل کنید و حتی برای طراحی بهتر، از پیشنهادات هوش مصنوعی هم بهره‌مند شوید.
این سرویس طیف وسیعی از دیتابیس‌ها و موتورهای جستجو را پوشش می‌دهد و برای پژوهشگران، دانشجویان و کتابداران یک ابزار حرفه‌ای به شمار می‌آید.
در این وبینار، به صورت عملی و گام‌به‌گام با نحوه کار با 2Dsearch آشنا خواهیم شد.
🔗 لینک ثبت‌نام سریع
#2dsearch
#searching
🆔 @irevidence
▫️بحران تکرارپذیری در پژوهش‌های مبتنی بر مدل‌های زبانی بزرگ
در یک نظرسنجی منتشرشده در مجله نیچر در سال ۲۰۱۶، مشخص شد که ۷۰ درصد از پژوهشگران قادر به بازتولید آزمایش‌های سایر محققان نیستند و بیش از نیمی از آنها حتی در بازتولید نتایج پژوهش‌های خود نیز با شکست مواجه شده‌اند از این مشکل با عنوان بحران تکرارپذیری (Reproducibility Crisis) یاد می‌شود.
تکرارپذیری یکی از ارکان اساسی پژوهش‌های علمی است. بر اساس تعریف کمیته بین‌المللی اخلاق نشر (COPE)، تکرارپذیری به معنای توانایی یک پژوهشگر مستقل در تکرار نتایج یک مطالعه با استفاده از داده‌ها و روش‌های اصلی است. این اصل موجب افزایش اعتبار، اعتمادپذیری و قابلیت استفاده نتایج علمی در مطالعات بعدی می‌شود.
بحران بیشتر با ظهور هوش مصنوعی مولد
با ورود هوش مصنوعی مولد (Generative AI) و مدل‌های زبانی بزرگ در عرصه پژوهش‌های علمی، چالش‌هایی جدید در خصوص تکرارپذیری مطرح شده است.
به دلایل زیر، تکرارپذیری در پژوهش‌های مبتنی بر این فناوری به یک معضل جدی تبدیل شده است:
توسعه و به‌روزرسانی مداوم مدل‌ها
مدل‌های مولد به طور پیوسته با داده‌های جدید آموزش داده می‌شوند و پارامترهایشان تغییر می‌کند. شرکت‌های توسعه‌دهنده برای ارتقای عملکرد و رفع باگ‌ها، معماری مدل را بهبود می‌بخشند. این باعث می‌شود نتایج خروجی یک پرامپت خاص در زمان‌های مختلف متفاوت باشد؛ در حالی‌که در روش‌های علمی سنتی، ابزار یا نرم‌افزار معمولاً ثابت است یا نسخه آن قابل دسترس است.
عدم دسترسی به نسخه‌های قبلی مدل‌ها
بسیاری از مدل‌های هوش مصنوعی به صورت سرویس آنلاین ارائه می‌شوند (مانند OpenAI ChatGPT، Google Gemini و غیره) و کاربران فقط به آخرین نسخه مدل دسترسی دارند. نسخه‌های قبلی اغلب به دلایل تجاری یا فنی حذف می‌شوند. این موضوع تکرار دقیق نتایج را حتی برای خود پژوهشگر اصلی نیز غیرممکن می‌کند.
تغییرپذیری خروجی مدل‌ها
بسیاری از LLMها حتی با ورودی یکسان، در اجراهای مکرر ممکن است خروجی‌های متفاوتی تولید کنند. این عدم قطعیت ذاتی، تکرار دقیق نتایج را دشوار می‌سازد.
منسوخ شدن سریع مدل‌ها و ظهور مدل‌های جدید
در فضای پرتلاطم هوش مصنوعی، مدل‌ها به سرعت از دور خارج می‌شوند و مدل‌های جدید جایگزین آنها می‌شوند. این پویایی باعث می‌شود بازتولید یا حتی مقایسه نتایج پژوهش‌های مختلف دشوار یا غیرممکن گردد.
نبود مستندسازی کافی
بسیاری از مقالات، تمام جزئیات لازم برای تکرار دقیق آزمایش‌ها، مانند پرامپت دقیق، تنظیمات ابرپارامترها یا نسخه دقیق مدل را گزارش نمی‌کنند.
به نظر می‌رسد در عصر هوش مصنوعی مولد باید تعریف جدیدی از تکرارپذیری در پژوهش‌های علمی ارائه کرد.
#AI
#reproducibility
#research
#LLM
🆔 @irevidence
در یک نظرسنجی منتشرشده در مجله نیچر در سال ۲۰۱۶، مشخص شد که ۷۰ درصد از پژوهشگران قادر به بازتولید آزمایش‌های سایر محققان نیستند و بیش از نیمی از آنها حتی در بازتولید نتایج پژوهش‌های خود نیز با شکست مواجه شده‌اند از این مشکل با عنوان بحران تکرارپذیری (Reproducibility Crisis) یاد می‌شود.
تکرارپذیری یکی از ارکان اساسی پژوهش‌های علمی است. بر اساس تعریف کمیته بین‌المللی اخلاق نشر (COPE)، تکرارپذیری به معنای توانایی یک پژوهشگر مستقل در تکرار نتایج یک مطالعه با استفاده از داده‌ها و روش‌های اصلی است. این اصل موجب افزایش اعتبار، اعتمادپذیری و قابلیت استفاده نتایج علمی در مطالعات بعدی می‌شود.
بحران بیشتر با ظهور هوش مصنوعی مولد
با ورود هوش مصنوعی مولد (Generative AI) و مدل‌های زبانی بزرگ در عرصه پژوهش‌های علمی، چالش‌هایی جدید در خصوص تکرارپذیری مطرح شده است.
به دلایل زیر، تکرارپذیری در پژوهش‌های مبتنی بر این فناوری به یک معضل جدی تبدیل شده است:
توسعه و به‌روزرسانی مداوم مدل‌ها
مدل‌های مولد به طور پیوسته با داده‌های جدید آموزش داده می‌شوند و پارامترهایشان تغییر می‌کند. شرکت‌های توسعه‌دهنده برای ارتقای عملکرد و رفع باگ‌ها، معماری مدل را بهبود می‌بخشند. این باعث می‌شود نتایج خروجی یک پرامپت خاص در زمان‌های مختلف متفاوت باشد؛ در حالی‌که در روش‌های علمی سنتی، ابزار یا نرم‌افزار معمولاً ثابت است یا نسخه آن قابل دسترس است.
عدم دسترسی به نسخه‌های قبلی مدل‌ها
بسیاری از مدل‌های هوش مصنوعی به صورت سرویس آنلاین ارائه می‌شوند (مانند OpenAI ChatGPT، Google Gemini و غیره) و کاربران فقط به آخرین نسخه مدل دسترسی دارند. نسخه‌های قبلی اغلب به دلایل تجاری یا فنی حذف می‌شوند. این موضوع تکرار دقیق نتایج را حتی برای خود پژوهشگر اصلی نیز غیرممکن می‌کند.
تغییرپذیری خروجی مدل‌ها
بسیاری از LLMها حتی با ورودی یکسان، در اجراهای مکرر ممکن است خروجی‌های متفاوتی تولید کنند. این عدم قطعیت ذاتی، تکرار دقیق نتایج را دشوار می‌سازد.
منسوخ شدن سریع مدل‌ها و ظهور مدل‌های جدید
در فضای پرتلاطم هوش مصنوعی، مدل‌ها به سرعت از دور خارج می‌شوند و مدل‌های جدید جایگزین آنها می‌شوند. این پویایی باعث می‌شود بازتولید یا حتی مقایسه نتایج پژوهش‌های مختلف دشوار یا غیرممکن گردد.
نبود مستندسازی کافی
بسیاری از مقالات، تمام جزئیات لازم برای تکرار دقیق آزمایش‌ها، مانند پرامپت دقیق، تنظیمات ابرپارامترها یا نسخه دقیق مدل را گزارش نمی‌کنند.
به نظر می‌رسد در عصر هوش مصنوعی مولد باید تعریف جدیدی از تکرارپذیری در پژوهش‌های علمی ارائه کرد.
#AI
#reproducibility
#research
#LLM
🆔 @irevidence
▫️تفاوت‌های بین تئوری، چارچوب نظری و چارچوب مفهومی
در سال 2020 و در مجله Academic Medicine خانم Lara Varpio و سه همکارش مقاله‌ای با عنوان زیر منتشر کرده‌اند که تاکنون 1143 بار استناد دریافت کرده است.
The Distinctions Between Theory, Theoretical Framework, and Conceptual Framework
نویسندگان ابتدا به تعریف دو رویکرد کلی پژوهش پرداخته‌اند: رویکرد قیاسی عینی‌گرا (Objectivist Deductive) و رویکرد استقرایی ذهنی‌گرا (Subjectivist Inductive) و سپس سه اصطلاح تئوری (Theory)، چارچوب نظری (Theoretical Framework) و چارچوب مفهومی (Conceptual Framework) را تعریف و شرح داده‌اند.
رویکرد قیاسی عینی‌گرا
در رویکرد قیاسی، پژوهشگر از یک تئوری یا چارچوب نظریِ کلی آغاز می‌کند و با استخراج فرضیه‌ها یا پیش‌بینی‌هایی بر اساس آن تئوری، به جمع‌آوری داده‌های تجربی می‌پردازد تا این فرضیه‌ها را آزمون کند. این مسیر از کل به جزء است و هدف آن تأیید، رد یا اصلاح تئوری‌های موجود است. پژوهش‌های قیاسی اغلب در قالب آزمایش‌ها و مطالعاتی هستند که به بررسی رابطه علت و معلولی بین متغیرها می‌پردازند. چارچوب نظری یا مفهومی، قبل از شروع پژوهش تعیین می‌شوند و معمولاً در طول مطالعه ثابت باقی می‌مانند.
رویکرد استقرایی ذهنی‌گرا
در رویکرد استقرایی، پژوهشگر بدون فرضیه یا تئوری اولیۀ مشخص، با جمع‌آوری داده‌های تجربی درباره یک پدیده خاص آغاز می‌کند و تلاش می‌کند از دل داده‌ها، الگوها و مفاهیم جدید را کشف و تئوری‌سازی کند. این رویکرد از جزء به کل حرکت می‌کند و تأکید آن بر فهم عمیق پدیده و ایجاد یا توسعه تئوری‌های نوین بر اساس داده‌های گردآوری‌شده است. چارچوب مفهومی و حتی چارچوب نظری می‌توانند در طول پژوهش تکمیل و اصلاح شوند.
بیشتر پژوهش‌های کیفی، استقرایی و بیشتر پژوهش‌های کمی، قیاسی هستند. اما همیشه این‌طور نیست و نوع رویکرد (قیاسی یا استقرایی) بستگی به هدف، سؤال و طراحی پژوهش دارد و نه صرفاً روش (کیفی یا کمی) آن.
تئوری
تئوری مجموعه‌ای از گزاره‌ها و مفاهیم است که رابطه بین چندین مفهوم را به صورت منطقی بیان می‌کند و هدف آن کمک به درک جهان پیرامون است. تئوری‌ها می‌توانند توصیفی باشند (یعنی پدیده‌ای را نام‌گذاری و توصیف می‌کنند)، تبیینی باشند (روابط بین پدیده‌ها را روشن می‌سازند)، رهایی‌بخش باشند (ظلم و ستم وارده به یک گروه را بیان می‌کنند)، مخرب یا انتقادی باشند (دانش موجود را گسترش داده یا به چالش می‌کشند) یا پیش‌بینی‌کننده باشند (بر اساس داده‌ها یا ورودی‌های خاص، یک نتیجه را پیش‌بینی می‌کنند) و ممکن است دامنه آنها از تئوری‌های کلان تا خرد متفاوت باشد. قدرت یک تئوری به میزان داده‌ها و شواهدی که از آن حمایت می‌کنند وابسته است.
در رویکرد قیاسی، تئوری نقطه شروع تحقیق است و فرضیه‌ها از دل آن استخراج می‌شود و آزمون می‌گردد. در رویکرد استقرایی، تئوری می‌تواند محصول تحقیق باشد یا در مراحل مختلف تحقیق شکل بگیرد یا اصلاح شود.
چارچوب نظری
چارچوب نظری، مجموعه‌ای منطقی از مفاهیم و پیش‌فرض‌هاست که از یک یا چند تئوری استخراج می‌شود و پژوهشگر آن را برای ساختاردهی به مطالعه خود توسعه می‌دهد. در واقع، چارچوب نظری، ترجمه و تبدیلِ تئوری به عمل است؛ به این معنا که تئوری انتخاب شده را به شکل عملیاتی و کاربردی وارد پژوهش می‌کند، متغیرهای مورد مطالعه را تعریف می‌کند و جهت‌گیری تحلیل داده‌ها را مشخص می‌سازد.
در مطالعات قیاسی، چارچوب نظری قبل از جمع‌آوری داده‌ها شکل می‌گیرد و معمولاً ثابت باقی می‌ماند. اما در پژوهش‌های استقرایی، بسته به نوع طراحی مطالعه، ممکن است چارچوب نظری از ابتدا تعیین شود یا در طول فرآیند تحلیل داده‌ها شکل بگیرد یا تغییر کند.
چارچوب مفهومی
چارچوب مفهومی، توجیه و دلیل انجام یک مطالعه را فراهم می‌کند. این چارچوب معمولاً شامل مروری بر دانش موجود، شناسایی شکاف‌های پژوهشی، و توضیح بنیان‌های روش‌شناختی مطالعه است. چارچوب مفهومی به دو سوال کلیدی پاسخ می‌دهد: "چرا این پژوهش اهمیت دارد؟" و "این پژوهش چه کمکی به دانش موجود خواهد کرد؟"
در مطالعات قیاسی، چارچوب مفهومی اغلب قبل از آغاز پژوهش، نهایی می‌شود و تغییر نمی‌کند. اما در پژوهش‌های استقرایی، ممکن است در طول پژوهش و با کسب اطلاعات جدید، اصلاح یا تکمیل شود.
بطور کلی:
تئوری، یک نظام مفهومی انتزاعی است که روابط بین پدیده‌ها را بیان می‌کند.
چارچوب نظری، کاربرد و عملی‌سازی یک یا چند تئوری منتخب برای یک مطالعه مشخص است.
چارچوب مفهومی، منطق و ضرورت انجام پژوهش، مرور متون، و بیان شکاف‌ها و سؤالات پژوهش را در بر می‌گیرد.
در رویکرد قیاسی، تئوری و چارچوب نظری نقطه شروع‌اند؛ اما در رویکرد استقرایی، تئوری می‌تواند محصول نهایی پژوهش باشد و چارچوب‌ها قابل تغییر و تکمیل هستند.
#methodology
#research
🆔 @irevidence
در سال 2020 و در مجله Academic Medicine خانم Lara Varpio و سه همکارش مقاله‌ای با عنوان زیر منتشر کرده‌اند که تاکنون 1143 بار استناد دریافت کرده است.
The Distinctions Between Theory, Theoretical Framework, and Conceptual Framework
نویسندگان ابتدا به تعریف دو رویکرد کلی پژوهش پرداخته‌اند: رویکرد قیاسی عینی‌گرا (Objectivist Deductive) و رویکرد استقرایی ذهنی‌گرا (Subjectivist Inductive) و سپس سه اصطلاح تئوری (Theory)، چارچوب نظری (Theoretical Framework) و چارچوب مفهومی (Conceptual Framework) را تعریف و شرح داده‌اند.
رویکرد قیاسی عینی‌گرا
در رویکرد قیاسی، پژوهشگر از یک تئوری یا چارچوب نظریِ کلی آغاز می‌کند و با استخراج فرضیه‌ها یا پیش‌بینی‌هایی بر اساس آن تئوری، به جمع‌آوری داده‌های تجربی می‌پردازد تا این فرضیه‌ها را آزمون کند. این مسیر از کل به جزء است و هدف آن تأیید، رد یا اصلاح تئوری‌های موجود است. پژوهش‌های قیاسی اغلب در قالب آزمایش‌ها و مطالعاتی هستند که به بررسی رابطه علت و معلولی بین متغیرها می‌پردازند. چارچوب نظری یا مفهومی، قبل از شروع پژوهش تعیین می‌شوند و معمولاً در طول مطالعه ثابت باقی می‌مانند.
رویکرد استقرایی ذهنی‌گرا
در رویکرد استقرایی، پژوهشگر بدون فرضیه یا تئوری اولیۀ مشخص، با جمع‌آوری داده‌های تجربی درباره یک پدیده خاص آغاز می‌کند و تلاش می‌کند از دل داده‌ها، الگوها و مفاهیم جدید را کشف و تئوری‌سازی کند. این رویکرد از جزء به کل حرکت می‌کند و تأکید آن بر فهم عمیق پدیده و ایجاد یا توسعه تئوری‌های نوین بر اساس داده‌های گردآوری‌شده است. چارچوب مفهومی و حتی چارچوب نظری می‌توانند در طول پژوهش تکمیل و اصلاح شوند.
بیشتر پژوهش‌های کیفی، استقرایی و بیشتر پژوهش‌های کمی، قیاسی هستند. اما همیشه این‌طور نیست و نوع رویکرد (قیاسی یا استقرایی) بستگی به هدف، سؤال و طراحی پژوهش دارد و نه صرفاً روش (کیفی یا کمی) آن.
تئوری
تئوری مجموعه‌ای از گزاره‌ها و مفاهیم است که رابطه بین چندین مفهوم را به صورت منطقی بیان می‌کند و هدف آن کمک به درک جهان پیرامون است. تئوری‌ها می‌توانند توصیفی باشند (یعنی پدیده‌ای را نام‌گذاری و توصیف می‌کنند)، تبیینی باشند (روابط بین پدیده‌ها را روشن می‌سازند)، رهایی‌بخش باشند (ظلم و ستم وارده به یک گروه را بیان می‌کنند)، مخرب یا انتقادی باشند (دانش موجود را گسترش داده یا به چالش می‌کشند) یا پیش‌بینی‌کننده باشند (بر اساس داده‌ها یا ورودی‌های خاص، یک نتیجه را پیش‌بینی می‌کنند) و ممکن است دامنه آنها از تئوری‌های کلان تا خرد متفاوت باشد. قدرت یک تئوری به میزان داده‌ها و شواهدی که از آن حمایت می‌کنند وابسته است.
در رویکرد قیاسی، تئوری نقطه شروع تحقیق است و فرضیه‌ها از دل آن استخراج می‌شود و آزمون می‌گردد. در رویکرد استقرایی، تئوری می‌تواند محصول تحقیق باشد یا در مراحل مختلف تحقیق شکل بگیرد یا اصلاح شود.
چارچوب نظری
چارچوب نظری، مجموعه‌ای منطقی از مفاهیم و پیش‌فرض‌هاست که از یک یا چند تئوری استخراج می‌شود و پژوهشگر آن را برای ساختاردهی به مطالعه خود توسعه می‌دهد. در واقع، چارچوب نظری، ترجمه و تبدیلِ تئوری به عمل است؛ به این معنا که تئوری انتخاب شده را به شکل عملیاتی و کاربردی وارد پژوهش می‌کند، متغیرهای مورد مطالعه را تعریف می‌کند و جهت‌گیری تحلیل داده‌ها را مشخص می‌سازد.
در مطالعات قیاسی، چارچوب نظری قبل از جمع‌آوری داده‌ها شکل می‌گیرد و معمولاً ثابت باقی می‌ماند. اما در پژوهش‌های استقرایی، بسته به نوع طراحی مطالعه، ممکن است چارچوب نظری از ابتدا تعیین شود یا در طول فرآیند تحلیل داده‌ها شکل بگیرد یا تغییر کند.
چارچوب مفهومی
چارچوب مفهومی، توجیه و دلیل انجام یک مطالعه را فراهم می‌کند. این چارچوب معمولاً شامل مروری بر دانش موجود، شناسایی شکاف‌های پژوهشی، و توضیح بنیان‌های روش‌شناختی مطالعه است. چارچوب مفهومی به دو سوال کلیدی پاسخ می‌دهد: "چرا این پژوهش اهمیت دارد؟" و "این پژوهش چه کمکی به دانش موجود خواهد کرد؟"
در مطالعات قیاسی، چارچوب مفهومی اغلب قبل از آغاز پژوهش، نهایی می‌شود و تغییر نمی‌کند. اما در پژوهش‌های استقرایی، ممکن است در طول پژوهش و با کسب اطلاعات جدید، اصلاح یا تکمیل شود.
بطور کلی:
تئوری، یک نظام مفهومی انتزاعی است که روابط بین پدیده‌ها را بیان می‌کند.
چارچوب نظری، کاربرد و عملی‌سازی یک یا چند تئوری منتخب برای یک مطالعه مشخص است.
چارچوب مفهومی، منطق و ضرورت انجام پژوهش، مرور متون، و بیان شکاف‌ها و سؤالات پژوهش را در بر می‌گیرد.
در رویکرد قیاسی، تئوری و چارچوب نظری نقطه شروع‌اند؛ اما در رویکرد استقرایی، تئوری می‌تواند محصول نهایی پژوهش باشد و چارچوب‌ها قابل تغییر و تکمیل هستند.
#methodology
#research
🆔 @irevidence
سایت‌اسکور 2024 منتشر شد
✍️ رسول معصومی
ویرایش سال 2024 سنجه CiteScore منتشر و برای مجلات نمایه‌شده در پایگاه Scopus اعمال شد. برخی نکات کلیدی این نسخه عبارتند از:
▫️در گزارش سال 2024، تعداد 31138 مجله و پیایند موفق به دریافت سایت‌اسکور شده‌اند که از این بین، 1973 عنوان برای اولین بار صاحب این شاخص شده‌اند.
▫️ بر اساس CiteScore 2024، مجلات و پیایندها به این صورت در چارک‌های استنادی توزیع شده‌اند:
Q1 (چارک اول): 9655 عنوان
Q2 (چارک دوم): 8056 عنوان
Q3 (چارک سوم): 7101 عنوان
Q4 (چارک چهارم): 6326 عنوان
▫️از بین نشریات دارای سایت‌اسکور، 7961 عنوان با دسترسی آزاد (Open Access) منتشر می‌شوند که 55 مورد از آنها در طبقه‌بندی موضوعی خود، رتبه اول را دارند.
▫️در اسکوپوس، 11826 مجله و پیایند دارای CiteScore 2024 هستند، در حالی که فاقد Impact Factor براساس گزارش JCR 2023 می‌باشند. جالب آنکه 424 مورد از این نشریات در طبقه‌بندی‌های موضوعی خود، در میان 10 درصد برتر قرار دارند.
▫️24 درصد از نشریات به زبان‌هایی غیر از انگلیسی منتشر می‌شوند (معادل 7339 نشریه). به‌طور کلی، نشریات منتشرشده به بیش از 50 زبان مختلف - از جمله زبان فارسی - تحت پوشش پایگاه اسکوپوس قرار دارند.
▫️نسبت به گزارش سال 2023، 649 نشریه با افزایش 100 درصدی یا بیشتر در سایت‌اسکور خود مواجه بوده‌اند.
▫️مجله Ca-A Cancer Journal for Clinicians با سایت‌اسکور 1154.2، رتبه نخست را در بین تمامی نشریات کسب کرده است. این مقدار نسبت به نسخه قبلی، بیش از 281 واحد افزایش داشته است. این مجله نخستین نشریه‌ای است که سایت‌اسکوری بالاتر از 1000 به دست آورده است. دلایل بالا بودن CiteScore و IF این مجله قبلاً توضیح داده شده است (اینجا)
▫️رتبه‌های دوم تا پنجم بالاترین CiteScore نیز به ترتیب متعلق‌اند به:
Foundations and Trends in Machine Learning (202.9)
Nature Reviews Drug Discovery (181.8)
Nature Reviews Molecular Cell Biology (150.9)
MMWR Recommendations and Reports (129.9)
▫️برخی از نشریات معتبر کاهش قابل توجهی در سایت‌اسکور خود داشته‌اند؛ برای مثال:
The Lancet از 148.1 به 87.6 کاهش یافته (کاهش 60.5 واحدی)
New England Journal of Medicine از 145.4 به 96.4 رسیده (کاهش 49 واحدی)
⚠️ لازم به یادآوری است که CiteScore یک سنجه استانداردشدۀ بین‌رشته‌ای نیست؛ بنابراین، مقایسه و رتبه‌بندی نشریات حوزه‌های موضوعیِ متفاوت بر پایه این شاخص، نادرست است. این شاخص صرفاً برای مقایسه نشریاتِ درون یک طبقه موضوعی خاص کاربرد دارد.
🔗 دسترسی رایگان به مجلات نمایه شده در اسکوپوس به همراه CiteScore آنها:
https://www.scopus.com/sources
#citescore
#research_metrics
#scopus
#journal
🆔 @irevidence
✍️ رسول معصومی
ویرایش سال 2024 سنجه CiteScore منتشر و برای مجلات نمایه‌شده در پایگاه Scopus اعمال شد. برخی نکات کلیدی این نسخه عبارتند از:
▫️در گزارش سال 2024، تعداد 31138 مجله و پیایند موفق به دریافت سایت‌اسکور شده‌اند که از این بین، 1973 عنوان برای اولین بار صاحب این شاخص شده‌اند.
▫️ بر اساس CiteScore 2024، مجلات و پیایندها به این صورت در چارک‌های استنادی توزیع شده‌اند:
Q1 (چارک اول): 9655 عنوان
Q2 (چارک دوم): 8056 عنوان
Q3 (چارک سوم): 7101 عنوان
Q4 (چارک چهارم): 6326 عنوان
▫️از بین نشریات دارای سایت‌اسکور، 7961 عنوان با دسترسی آزاد (Open Access) منتشر می‌شوند که 55 مورد از آنها در طبقه‌بندی موضوعی خود، رتبه اول را دارند.
▫️در اسکوپوس، 11826 مجله و پیایند دارای CiteScore 2024 هستند، در حالی که فاقد Impact Factor براساس گزارش JCR 2023 می‌باشند. جالب آنکه 424 مورد از این نشریات در طبقه‌بندی‌های موضوعی خود، در میان 10 درصد برتر قرار دارند.
▫️24 درصد از نشریات به زبان‌هایی غیر از انگلیسی منتشر می‌شوند (معادل 7339 نشریه). به‌طور کلی، نشریات منتشرشده به بیش از 50 زبان مختلف - از جمله زبان فارسی - تحت پوشش پایگاه اسکوپوس قرار دارند.
▫️نسبت به گزارش سال 2023، 649 نشریه با افزایش 100 درصدی یا بیشتر در سایت‌اسکور خود مواجه بوده‌اند.
▫️مجله Ca-A Cancer Journal for Clinicians با سایت‌اسکور 1154.2، رتبه نخست را در بین تمامی نشریات کسب کرده است. این مقدار نسبت به نسخه قبلی، بیش از 281 واحد افزایش داشته است. این مجله نخستین نشریه‌ای است که سایت‌اسکوری بالاتر از 1000 به دست آورده است. دلایل بالا بودن CiteScore و IF این مجله قبلاً توضیح داده شده است (اینجا)
▫️رتبه‌های دوم تا پنجم بالاترین CiteScore نیز به ترتیب متعلق‌اند به:
Foundations and Trends in Machine Learning (202.9)
Nature Reviews Drug Discovery (181.8)
Nature Reviews Molecular Cell Biology (150.9)
MMWR Recommendations and Reports (129.9)
▫️برخی از نشریات معتبر کاهش قابل توجهی در سایت‌اسکور خود داشته‌اند؛ برای مثال:
The Lancet از 148.1 به 87.6 کاهش یافته (کاهش 60.5 واحدی)
New England Journal of Medicine از 145.4 به 96.4 رسیده (کاهش 49 واحدی)
⚠️ لازم به یادآوری است که CiteScore یک سنجه استانداردشدۀ بین‌رشته‌ای نیست؛ بنابراین، مقایسه و رتبه‌بندی نشریات حوزه‌های موضوعیِ متفاوت بر پایه این شاخص، نادرست است. این شاخص صرفاً برای مقایسه نشریاتِ درون یک طبقه موضوعی خاص کاربرد دارد.
🔗 دسترسی رایگان به مجلات نمایه شده در اسکوپوس به همراه CiteScore آنها:
https://www.scopus.com/sources
#citescore
#research_metrics
#scopus
#journal
🆔 @irevidence
▫️بررسی مجلات ایرانی نمایه‌شده در اسکوپوس
متأسفانه در بخش Sources پایگاه اسکوپوس، فیلتری برای محدود کردن مجلات به یک کشور خاص وجود ندارد. بنابراین، لیست مجلات ایرانی نمایه‌شده در اسکوپوس را از سایت Scimago استخراج کرده و شماره ISSN آنها را جدا نمودم. سپس این مجلات را در دسته‌های ۲۷تایی قرار دادم تا بتوان در اسکوپوس جست‌وجو کرد. در مجموع، ۳۷۶ مجله بازیابی شد.
توزیع مجلات ایرانی در چارک‌های استنادی:
چارک اول: ۳۰ مجله (۷.۹۷ درصد)
چارک دوم: ۵۴ مجله (۱۴.۳۶ درصد)
چارک سوم: ۱۵۳ مجله (۴۰.۶۹ درصد)
چارک چهارم: ۱۳۶ مجله (۳۶.۱۷ درصد)
بدون چارک: ۳ مجله (توقف نمایه‌سازی در اسکوپوس)
در مجموع، حدود ۷۷ درصد مجلات ایرانی (۲۸۹ عنوان) در چارک‌های سوم و چهارم قرار دارند. همچنین نسبت به سال‌های قبل، رشد متوسطی در تعداد مجلات ایرانی در چارک‌های اول و دوم دیده می‌شود.
۱۰ مجله ایرانی با بالاترین سایت‌اسکور
1. Progress in Color, Colorants and Coatings (7.8)
2. Journal of Applied and Computational Mechanics (7.2)
3. International Journal of Health Policy and Management (7.1)
4. Civil Engineering Journal (6.5)
5. Advanced Pharmaceutical Bulletin (6.4)
6. Health Promotion Perspectives (6.1)
7. Iranian Journal of Catalysis (6)
8. Journal of Soft Computing in Civil Engineering (5.6)
9. Global Journal of Environmental Science and Management (4.9)
10. BioImpacts (4.7)
در بین این ۱۰ مجله، چهار مجله وابسته به دانشگاه‌های علوم پزشکی هستند که سه عنوان آن متعلق به دانشگاه علوم پزشکی تبریز (شماره‌های ۵، ۶ و ۱۰) و یکی متعلق به دانشگاه علوم پزشکی کرمان (شماره ۳) است.
همان‌طور که بارها اشاره شده است، CiteScore یک شاخص استانداردشده بر اساس رشته نیست و مقایسه بین‌رشته‌ای آن صحیح نیست. همچنین، میزان استناد و متعاقب آن CiteScore تا حد زیادی به رشته و رفتار استنادی آن حوزه بستگی دارد.
به عنوان مثال، هرچند مجله Progress in Color, Colorants and Coatings با CiteScore برابر ۷.۸ در چارک اول قرار دارد، اما در صدک ۸۱ام است؛ در مقابل، مجله Archives of Academic Emergency Medicine متعلق به دانشگاه علوم پزشکی شهید بهشتی با CiteScore معادل ۳.۵ در صدک ۹۷ام قرار دارد (رتبه ۱ در بین ۱۷ مجله مرتبط با طب اورژانس).
یا مجله Journal of Medical Ethics and History of Medicine وابسته به دانشگاه علوم پزشکی تهران، با وجود CiteScore تنها ۱.۸، در چارک اول و صدک ۹۳ام حوزه موضوعی تاریخ قرار دارد.
همچنین مجله Persica Antiqua متعلق به گروه پژوهشی باستان‌کاوی تیسافرن با CiteScore برابر ۱، در صدک ۹۳ام حوزه ادبیات و نظریه ادبی قرار گرفته است. مجله Journal of Sistan and Baluchistan Studies نیز با CiteScore برابر ۱، در چارک اول و صدک ۸۲ام حوزه تاریخ جای دارد.
۱۰ مجله ایرانی برتر بر اساس بالاترین صدک موضوعی:
1. Archives of Academic Emergency Medicine 97% (CiteCore=3.5)
2. International Journal of Health Policy and Management 96% (CiteCore=7.1)
3. Iranian Journal of Language Teaching Research 94% (CiteCore=4.6)
4. Journal of Medical Ethics and History of Medicine 93% (CiteCore=1.8)
5. Persica Antiqua 93% (CiteCore=1)
6. Journal of Soft Computing in Civil Engineering 91% (CiteCore=5.6)
7. Global Journal of Environmental Science and Management 89% (CiteCore=4.9)
8. Journal of Applied and Computational Mechanics 88% (CiteCore=7.2)
9. Health Promotion Perspectives 87% (CiteCore=6.1)
10. Journal of Advances in Medical Education and Professionalism 87% (CiteCore=3.6)
شش مجله از ده مجله فوق، صدک‌های بالای ۹۰ دارند، یعنی جزو مجلات ۱۰ درصد برتر در طبقه موضوعی خود در جهان هستند.
🔗 خروجی اکسل اطلاعات تمام مجلات ایرانی
#citescore
#research_metrics
#scopus
#journal
#Iran
🆔 @irevidence
متأسفانه در بخش Sources پایگاه اسکوپوس، فیلتری برای محدود کردن مجلات به یک کشور خاص وجود ندارد. بنابراین، لیست مجلات ایرانی نمایه‌شده در اسکوپوس را از سایت Scimago استخراج کرده و شماره ISSN آنها را جدا نمودم. سپس این مجلات را در دسته‌های ۲۷تایی قرار دادم تا بتوان در اسکوپوس جست‌وجو کرد. در مجموع، ۳۷۶ مجله بازیابی شد.
توزیع مجلات ایرانی در چارک‌های استنادی:
چارک اول: ۳۰ مجله (۷.۹۷ درصد)
چارک دوم: ۵۴ مجله (۱۴.۳۶ درصد)
چارک سوم: ۱۵۳ مجله (۴۰.۶۹ درصد)
چارک چهارم: ۱۳۶ مجله (۳۶.۱۷ درصد)
بدون چارک: ۳ مجله (توقف نمایه‌سازی در اسکوپوس)
در مجموع، حدود ۷۷ درصد مجلات ایرانی (۲۸۹ عنوان) در چارک‌های سوم و چهارم قرار دارند. همچنین نسبت به سال‌های قبل، رشد متوسطی در تعداد مجلات ایرانی در چارک‌های اول و دوم دیده می‌شود.
۱۰ مجله ایرانی با بالاترین سایت‌اسکور
1. Progress in Color, Colorants and Coatings (7.8)
2. Journal of Applied and Computational Mechanics (7.2)
3. International Journal of Health Policy and Management (7.1)
4. Civil Engineering Journal (6.5)
5. Advanced Pharmaceutical Bulletin (6.4)
6. Health Promotion Perspectives (6.1)
7. Iranian Journal of Catalysis (6)
8. Journal of Soft Computing in Civil Engineering (5.6)
9. Global Journal of Environmental Science and Management (4.9)
10. BioImpacts (4.7)
در بین این ۱۰ مجله، چهار مجله وابسته به دانشگاه‌های علوم پزشکی هستند که سه عنوان آن متعلق به دانشگاه علوم پزشکی تبریز (شماره‌های ۵، ۶ و ۱۰) و یکی متعلق به دانشگاه علوم پزشکی کرمان (شماره ۳) است.
همان‌طور که بارها اشاره شده است، CiteScore یک شاخص استانداردشده بر اساس رشته نیست و مقایسه بین‌رشته‌ای آن صحیح نیست. همچنین، میزان استناد و متعاقب آن CiteScore تا حد زیادی به رشته و رفتار استنادی آن حوزه بستگی دارد.
به عنوان مثال، هرچند مجله Progress in Color, Colorants and Coatings با CiteScore برابر ۷.۸ در چارک اول قرار دارد، اما در صدک ۸۱ام است؛ در مقابل، مجله Archives of Academic Emergency Medicine متعلق به دانشگاه علوم پزشکی شهید بهشتی با CiteScore معادل ۳.۵ در صدک ۹۷ام قرار دارد (رتبه ۱ در بین ۱۷ مجله مرتبط با طب اورژانس).
یا مجله Journal of Medical Ethics and History of Medicine وابسته به دانشگاه علوم پزشکی تهران، با وجود CiteScore تنها ۱.۸، در چارک اول و صدک ۹۳ام حوزه موضوعی تاریخ قرار دارد.
همچنین مجله Persica Antiqua متعلق به گروه پژوهشی باستان‌کاوی تیسافرن با CiteScore برابر ۱، در صدک ۹۳ام حوزه ادبیات و نظریه ادبی قرار گرفته است. مجله Journal of Sistan and Baluchistan Studies نیز با CiteScore برابر ۱، در چارک اول و صدک ۸۲ام حوزه تاریخ جای دارد.
۱۰ مجله ایرانی برتر بر اساس بالاترین صدک موضوعی:
1. Archives of Academic Emergency Medicine 97% (CiteCore=3.5)
2. International Journal of Health Policy and Management 96% (CiteCore=7.1)
3. Iranian Journal of Language Teaching Research 94% (CiteCore=4.6)
4. Journal of Medical Ethics and History of Medicine 93% (CiteCore=1.8)
5. Persica Antiqua 93% (CiteCore=1)
6. Journal of Soft Computing in Civil Engineering 91% (CiteCore=5.6)
7. Global Journal of Environmental Science and Management 89% (CiteCore=4.9)
8. Journal of Applied and Computational Mechanics 88% (CiteCore=7.2)
9. Health Promotion Perspectives 87% (CiteCore=6.1)
10. Journal of Advances in Medical Education and Professionalism 87% (CiteCore=3.6)
شش مجله از ده مجله فوق، صدک‌های بالای ۹۰ دارند، یعنی جزو مجلات ۱۰ درصد برتر در طبقه موضوعی خود در جهان هستند.
🔗 خروجی اکسل اطلاعات تمام مجلات ایرانی
#citescore
#research_metrics
#scopus
#journal
#Iran
🆔 @irevidence