سبد اکانت پایگاه های اطلاعاتی 
سبد منابع اطلاعاتی 
هر هفته دنیای علم و پژوهش شاهد تحولات و نوآوریهای تازهای است. در این سلسله مطالب — که بهصورت هفتگی منتشر میشود — گزیدهای از مهمترین اخبار و دستاوردهای علمی، پژوهشی و فناوری را گردآوری میکنیم تا پژوهشگران، کتابداران و علاقهمندان به علم بتوانند در یک نگاه با بهروزترین تحولات آشنا شوند.
این مطلب، «هفته سوم» از این مجموعه است و همچنان با گردآوری اخبار برجسته هفتهی اخیر، تلاش کردهایم تا خلاصهای مفید و کاربردی از تازهترین رویدادها در زمینه پژوهش و علم ارائه دهیم.
نیچر در مقالهای با عنوان «AI reviewers are here — we are not ready» بحث کرده است که ابزارهای جدید مبتنی بر هوش مصنوعی برای بازبینی مقالات علمی (peer review) عرضه شدهاند، اما جامعه علمی هنوز برای چنین تغییری آماده نیست.
- این ابزارها وعده «بازخورد سریع و مؤدبانه» میدهند — یعنی بازبینی در عرض دقیقهها یا چند ساعت بهجای ماهها.
- با این حال مؤلف هشدار میدهد: ما باید ابتدا «بازبینیکننده» (reviewer) را برای اعتبارسنجی بسنجیم — چون هوش مصنوعی ممکن است در تشخیص خلاقیت، نوآوری یا کشف نکات ظریف روششناسی و نتیجه علمی دچار ضعف شود.
- او میگوید که بازبینی انسانی دارای مزایایی است: تنوع دیدگاهها، تجربه پژوهشی، درک زمینه علمی، و توانایی تشخیص ارزش واقعی نتایج — مزایایی که هوش مصنوعی فعلاً نمیتواند بهطور کامل جایگزینشان شود.
منبع: Nature
در وبسایت Altmetric شرح داده شده است که این شرکت اکنون یک قابلیت جدید به نام “Sentiment Analysis” ارائه کرده است — ابزاری مبتنی بر هوش مصنوعی که فراتر از شمارش صرف ذکر (mention) در شبکههای اجتماعی، «احساسات و نظر واقعی» پشت اشارهها به مقالات پژوهشی را تحلیل میکند. این یعنی شما حالا میتوانید بفهمید که وقتی یک پژوهش در X (توییتر سابق) یا BlueSky ذکر میشود، آیا واکنشها مثبت، منفی یا خنثی بودهاند — نه فقط اینکه چند بار به آن ارجاع شده. :
- این سیستم برای هر “ارجاع” (mention) یک نمره احساسات میدهد — از «خیلی منفی» تا «خیلی مثبت» (مقیاس –۳ تا +۳).
- در خروجی ابزار میتوان نمودارِ توزیع احساسات دریافت کرد — مثلاً ببینید چند درصد واکنشها مثبت بوده، چند درصد منفی و چند درصد خنثی؛ و حتی بتوانید پستها را بر اساس احساسشان فیلتر کنید.
- این قابلیت برای محققان، تیمهای پژوهشی، ناشران، و بخشهای پزشکی/دانشگاهی خیلی کاربردی است: کمک میکند بفهمند اثر کارشان واقعاً چگونه در جامعه علمی و عمومی دریافت شده — آیا با استقبال همراه بوده، نقد دارد، یا بحث و تأمل ایجاد کرده است.
منبع: Altmetric
طبق گزارش Retraction Watch در نوشتاری با عنوان «Weekend reads: ‘The fall of a prolific science journal’; Clinical trials by ‘super-retractors’; ‘How to Study Things That May Not Exist’»، مجموعهای از موارد نگرانکننده در نظام نشر علمی مطرح شده است — از تعطیلی یک مجله پُرکار علمی گرفته تا بازپسگیری گسترده مقالات، تقلب سیستماتیک، و حتی آزمایش-های بالینی که بعدها رد میشوند.
- گزارش میدهد که یک تعداد نسبتاً کوچک از نویسندگان، سهم بسیار بزرگی از «مقالات پسگرفتهشده (retracted)» را در زمینه آزمایشهای بالینی ایجاد کردهاند (super-retractors).
- به این ترتیب، بسیاری از مطالعات بالینی منتشر شده — که ممکن است پایه تصمیمگیری بالینی یا سیاستگذاری بهداشتی شده باشند — قابل اعتماد نبودهاند.
- همچنین بحث «چگونه میتوان پژوهش روی پدیدههایی انجام داد که ممکن است اصلاً وجود نداشته باشند» مطرح شده: یعنی مواردی که نتایج یا دادهها ممکن است ساختگی، اشتباه یا غیرقابل احراز باشند — وضعیتی که اعتماد روی پژوهشها را تضعیف میکند.
منبع: Retraction Watch
در این مطلب از وبسایت Springer Nature توضیح داده میشود که چگونه داشتن «دسترسی سریع و آسان به مقالات و دادههای علمی» برای نهادهای بهداشت عمومی مانند Bio‑Manguinhos در برزیل میتواند به تسریع پژوهش و نوآوری کمک کند. وقتی تیمها بتوانند بهسرعت مطالعات مرتبط را ببیند، فرضیههای خود را تأیید یا رد کنند، از دوبارهکاری جلوگیری گردد و پروسههای تحقیق و توسعه (مثل واکسن، تشخیص، دارو) سریعتر پیش برود.
- بسیاری از نهادهای بهداشت عمومی با مشکل «ادبیات علمی گسترده و پراکنده» مواجهاند — یافتن مطالعات مرتبط یا بهروز سخت و زمانبر است.
- موسسه Bio-Manguinhos با بهرهگرفتن از پایگاههای معتبر و دستهبندیشده (مثلاً AdisInsight) توانسته این شکاف را پر کند و دانش جهانی را به نیاز محلی تبدیل کند؛ این کار به توسعه سریع واکسن، کیت تشخیص و محصولات بیولوژیک انجامیده است.
- این رویکرد مزایای گسترده دارد: از سادهتر شدن مستندسازیهای قانونی تا تسریع روند تأیید کیفیت، آموزش کارکنان جدید، و هماهنگی بین بخشهای مختلف (پژوهش، کیفیت، تنظیم مقررات).
چرا مهم است؟
وقتی «دسترسی به دانش بهروز» برای تیمهای بهداشت عمومی فراهم باشد، این یعنی واکنش سریعتر به بحرانها — مثل همهگیری، ظهور ویروس جدید، یا نیاز به دارو/تشخیص جدید. چنین دسترسی باعث میشود پژوهش، توسعه و تولید دارو یا واکسن با کیفیت، سریع و بر پایه شواهد علمی انجام شود.
منبع: Springer Nature
در بلاگ Scopus مقالهای منتشر شده است با عنوان «Tips for choosing and using agentic AI» که راهنماییهایی کاربردی برای دانشگاهها، پژوهشگران و کتابخانهها ارائه میدهد تا در انتخاب و استفاده از سیستمهای هوش مصنوعی «عاملی» (agentic AI) با آگاهی و مسئولیت عمل کنند.
- باید مطمئن شوید سیستم انتخابی «human-in-the-loop» (انسان در حلقه تصمیم) را پشتیبانی میکند — یعنی AI بهعنوان ابزار کمکی استفاده شود، نه جایگزین کامل تفکر و داوری پژوهشگر.
- شفافیت عملکرد مهم است: ابزار باید بتواند نشان دهد چگونه به نتیجه رسیده، چه منابعی استفاده کرده و مسیر منطقی تصمیماتش روشن باشد.
- لازم است مراقب سوگیریها و خطاهای احتمالی (مثل «hallucination» یا تولید اطلاعات نادرست) باشید و خروجی AI را با قضاوت انسانی بررسی کنید.
- توجه به نحوه مدیریت دادههای کاربران: امنیت، حریم خصوصی و سیاستهای داده ابزار باید شفاف و مطمئن باشند.
- اگر سازمان یا کتابخانه هستید، توصیه میشود مهارت «سواد هوش مصنوعی» (AI literacy) را تقویت کنید: کارکنان را آموزش دهید، قوانینی برای استفاده از AI تعیین کنید و ابزارها را با دقت آزمایش و ارزیابی نمایید.
منبع: Scopus Blog
برای دستیاران پزشکی، زمان محدود و تصمیمها حیاتی هستند. اجرای پزشکی مبتنی بر شواهد (EBM) مستلزم ترکیب تخصص بالینی با بهترین پژوهشهای در دسترس است و دسترسی سریع به این شواهد میتواند تفاوت بزرگی در کیفیت تصمیمگیری ایجاد کند.
یک پایگاه داده پژوهشی جامع به دستیاران کمک میکند شواهد پزشکی را بهصورت مؤثر و با اطمینان پیدا و ارزیابی کنند و در عمل به کار ببرند. چنین پایگاهی فراتر از یک ابزار آموزشی عمل میکند و به یک همراه ضروری در تصمیمگیریهای بالینی تبدیل میشود.
منبع: یابش
در این مقاله از وبلاگ Turnitin با عنوان “Navigating AI misuse: Tackling the impact of AI bypassers on academic integrity” بحث شده که چگونه استفادهٔ نادرست از ابزارهای هوش مصنوعی — بهخصوص تکنیکهایی که سیستمهای ضدتقلب را دور میزنند — تهدیدی جدی برای صداقت علمی و اخلاق آکادمیک بهوجود آورده است. این پست با ارائه نمونهها و روندهای اخیر، به چالشهای واقعی در محیطهای آموزشی و پژوهشی میپردازد.
- ابزارهای AI bypasser از روشهایی استفاده میکنند که میتوانند سیستمهای تشخیص تقلب سنتی را فریب دهند — مثلاً تولید متن یا پاسخهایی که بهگونهای طراحی شدهاند تا از الگوریتمهای تشخیص تقلب عبور کنند.
- این سوءاستفادهها باعث میشود ارزیابی عادلانهٔ دانشجویان و اعتبار نتایج علمی به خطر بیفتد، زیرا تشخیص اینکه کار واقعاً توسط انسان انجام شده یا توسط ابزار AI دشوار میشود.
- ترن ایت این تأکید میکند که بهجای مجازات صرف یا اتکا به سیستمهای صرفِ تشخیص، باید آموزشهایی دربارهٔ استفادهٔ درست از هوش مصنوعی**، تقویت سواد دیجیتال، و روشهای **پشتیبانی اخلاقمحور در محیط آموزشی ارائه شود.
- همچنین پیشنهاد شده که ابزارهای تشخیص هوش مصنوعی باید با تکنولوژیهای پیشرفتهترِ یادگیری ماشین و تحلیل رفتاری ترکیب شوند تا بتوانند تقلبهای پیچیدهتر را کشف کنند و بهطور مؤثر با آنها مقابله کنند.
منبع: Turnitin
اخبار هفته دوم را اینجا بخوانید.
