🔍 چگونه شکاف یا گپ پژوهش را (بعنوان گام اول انجام یک مطالعه مروری) شناسایی کنیم؟

یافتن شکاف پژوهش (Research Gap) نخستین گام برای طراحی هر مطالعه علمی ارزشمند از جمله مطالعات مروری است.

برای این کار می‌توانید مراحل زیر را دنبال کنید 👇

📚 ۱. جست‌وجو در پایگاه‌های داده علمی
مطالب و مقالات مرتبط با حوزه مورد نظر خود را بررسی کنید تا بدانید تاکنون چه کارهایی انجام شده است.

📖 ۲. بررسی مطالعات مروری موجود
مرورهای نظام‌مند و دامنه می‌توانند به‌خوبی نشان دهند در چه بخش‌هایی از دانش، هنوز خلأ وجود دارد.

🧩 ۳. تحلیل بخش «پیشنهادهایی برای پژوهش‌های آینده» در مقالات اخیر
این بخش معمولاً مستقیم‌ترین منبع برای یافتن ایده‌های جدید پژوهشی است.

🤖 ۴. استفاده از ابزارهای هوش مصنوعی
ابزارهای مبتنی بر هوش مصنوعی مانند Elicit و AnswerThis و SciSpace می توانند به شما در شناسایی خودکار شکاف‌های پژوهشی کمک کنند.

#گپ_پژوهش #شکاف_پژوهش #پژوهش #مطالعه_مروری #هوش_مصنوعی #آموزش_پژوهش #روش_تحقیق

https://news.1rj.ru/str/AIReviewStudies

📢 دعوت به همراهی

اگر مطالب این کانال را مفید و کاربردی می‌دانید، لطفاً لینک کانال را در گروه‌های پژوهشگران و دانشجویان تحصیلات تکمیلی به اشتراک بگذارید تا افراد بیشتری بتوانند از محتوای آموزشی استفاده کنند. 🌿

🙏 همراهی و حمایت شما باعث تداوم انتشار مطالب علمی و آموزشی باکیفیت‌تر خواهد بود.

https://news.1rj.ru/str/AIReviewStudies

چگونه با کمک ChatGPT# از نوآورانه بودن سئوال پژوهش خود برای انجام یک مطالعه مروری مطلع شویم؟

#Prompt:

I am a researcher in digital health and am planning to design a protocol for a systematic review addressing the following research question:

Research Question:
What is the effect of mobile app–based interventions versus usual care on glycemic control in adults with type 2 diabetes?

Please act as an expert in conducting review studies.

I am concerned about the novelty of this proposed review and would like to know whether any existing systematic reviews have already been published with the same or a very similar focus.
Could you assist me in assessing this?

https://news.1rj.ru/str/AIReviewStudies

🎯 آیا می‌توان از سؤال پژوهشی مشخص شده در تصویر بالا برای مطالعه مروری استفاده کرد؟

همان‌طور که در تصویر مشاهده می‌کنید، سؤال پژوهش به‌صورت دقیق و ساخت‌یافته تدوین نشده است.

🧠 ابزار Elicit پیشنهاد می‌کند که برای دقیق‌تر شدن سؤال، لازم است
پیامدها (Outcomes)،
جامعه پژوهشی (Population)
یا گروه مقایسه (Comparison)
در سؤال گنجانده شوند.

این کار به پژوهشگر کمک می‌کند تا در طراحی مروری، تمرکز بیشتری بر محدوده و هدف مطالعه داشته باشد.

#سؤال_پژوهش #مطالعه_مروری #مرور_نظام_مند #روش_تحقیق #ابزارهای_پژوهشی #Elicit #هوش_مصنوعی #آموزش_پژوهش

https://news.1rj.ru/str/AIReviewStudies

سئوال پیشنهادی Elicit برای مطالعه مروری با گنجاندن پیامد پیشنهادی.

https://news.1rj.ru/str/AIReviewStudies

سئوال پیشنهادی Elicit برای مطالعه مروری با گنجاندن جامعه پژوهش و پیامد پیشنهادی

https://news.1rj.ru/str/AIReviewStudies

📊 کارایی فوق العاده بالای هوش مصنوعی در غربالگری (#Screen) مقالات در انجام مطالعات مروری

در این نمودار عملکرد یک ابزار هوش مصنوعی با روش سنتی در مرور مقالات مقایسه شده است.

همان‌طور که مشاهده می‌شود، هوش مصنوعی توانسته است تقریباً تمام مقالات مرتبط را در مراحل ابتدایی مرور (حدود ۲هزار مقاله اول) شناسایی کند، در حالی که در روش سنتی، پژوهشگر باید تمام بیش از ۴۲هزار مقاله را بررسی کند تا به همان تعداد مقاله مرتبط برسد.

✅ نتیجه: استفاده از هوش مصنوعی در فرایند غربالگری مطالعات مرور نظام‌مند، می‌تواند زمان و هزینه فرایند جست‌وجو و انتخاب مقالات را به‌طور چشمگیری کاهش دهد و کار پژوهشگران را بسیار کارآمدتر کند. 👌

در پست های بعدی نحوه استفاده از این ابزار هوش مصنوعی جهت Screen مقالات را آموزش خواهیم داد.

#هوش_مصنوعی #مطالعه_مروری #پژوهش #کارایی_پژوهش

https://news.1rj.ru/str/AIReviewStudies

🔍 توضیح نمودار:

محور افقی (Records Reviewed): نشان‌دهنده‌ی تعداد کل مقالاتی است که مرور شده‌اند.

محور عمودی (Relevant Records): تعداد مقالات مرتبطی را نشان می‌دهد که شناسایی شده‌اند.

خط زرد: روش مبتنی بر هوش مصنوعی است که تقریباً تمام مقالات مرتبط را در مراحل ابتدایی مرور — حدود ۲هزار مقاله‌ی اول — شناسایی می‌کند.

خط خاکستری (Random Relevant): روش سنتی و تصادفی غربالگری است که مقالات مرتبط را به‌تدریج و با کارایی پایین‌تر شناسایی می‌کند و برای رسیدن به همان تعداد مقاله مرتبط، باید تقریباً تمام ۴۲هزار مقاله را مرور کرد.

#هوش_مصنوعی #مرور_نظام‌مند #پژوهش #کارایی_پژوهش

https://news.1rj.ru/str/AIReviewStudies

#فان
عصبانیت اساتید بعلت استفاده دانشجویان از ChatGPT برای انجام تکالیف

بزودی هوش مصنوعی بخشی از آموزش و پژوهش خواهد شد، بدون تردید اینگونه اساتید باید روش خود را اصلاح کنند.

https://news.1rj.ru/str/AIReviewStudies

نکته مهم،
اگر به مقاله ایی ارجاع دهیم، مخصوصا اگر در یک مطالعه مروری مقاله ایی را وارد کنیم که بعدا آن مقاله ارجاع شده به هر دلیلی ریترکت شود، احتمال دارد مقاله ما هم ریترکت شود؛ بخصوص در شرایطی که نتایج مقاله ریترکت شده تاثیر قابل توجهی در نتایج و بحث مقاله ما داشته باشد.

https://news.1rj.ru/str/AIReviewStudies

نکته مهم،
اگر بدون اجازه و هماهنگی یک محقق اسم وی را در لیست نویسندگان مقاله قرار دهیم، درصورتیکه آن محقق عدم اطلاع خود از چاپ این مقاله را به مجله اطلاع دهد، امکان ریترکت مقاله وجود دارد.

https://news.1rj.ru/str/AIReviewStudies

نکته مهم،
اگر در هر مرحله از مطالعه از AI استفاده کرده باشیم ولی این استفاده را در مقاله اعلام نکرده باشیم و بعدا متوجه این موضوع شوند، امکان ریترکت مقاله وجود دارد.

https://news.1rj.ru/str/AIReviewStudies

نکته مهم،
اگر بدون اجازه و هماهنگی یک همکار اسم وی را در لیست نویسندگان مقاله قرار ندهیم، درصورتیکه آن همکار با ارسال مدارک موضوع را به مجله اطلاع دهد، امکان ریترکت مقاله وجود دارد.

https://news.1rj.ru/str/AIReviewStudies

🔔 معرفی یک ابزار مهم برای پژوهشگران

اگر در پژوهش، پایان‌نامه یا نگارش مقاله از ابزارهای هوش مصنوعی مثل ChatGPT استفاده می‌کنید، لازم است میزان و نحوه این استفاده را به‌صورت شفاف گزارش کنید.

ابزار آنلاین GAIDeT Declaration Generator این کار را بسیار ساده کرده است. کافی است چند سوال ساده را پاسخ دهید تا یک متن حرفه‌ای و استاندارد برای درج در مقاله یا پایان‌نامه تولید شود.

مزایای این ابزار:
• افزایش شفافیت و اعتبار پژوهش
• رعایت استانداردهای علمی جدید
• ارائه توضیح دقیق درباره اینکه کدام بخش از کار به هوش مصنوعی سپرده شده
• مناسب برای پژوهشگران، نویسندگان و سردبیران

📌 لینک ابزار:
[https://panbibliotekar.github.io/gaidet-declaration/index.html](https://panbibliotekar.github.io/gaidet-declaration/index.html)

توجه مهم: استفاده از هوش مصنوعی در پژوهش اگر شفاف گزارش شود، نه تنها ضعف نیست، بلکه نشانه مسئولیت‌پذیری و حرفه‌ای بودن است.

#پژوهش #هوش_مصنوعی #پژوهش_علمی #GAIDeT #علم_باز

https://news.1rj.ru/str/AIReviewStudies

🔵 آموزش استفاده از GAIDeT Declaration Generator

اگر برای بخش‌هایی از پژوهش یا نگارش مقاله از ابزارهای هوش مصنوعی استفاده کرده‌اید (مثلاً تولید متن، بازبینی، اصلاح نگارشی یا حتی تحلیل)، این ابزار کمک می‌کند یک بیانیه دقیق و استاندارد برای گزارش آن تولید کنید.

نحوه استفاده بسیار ساده است:

1️⃣ ورود به صفحه ابزار
[https://panbibliotekar.github.io/gaidet-declaration/index.html](https://panbibliotekar.github.io/gaidet-declaration/index.html)

2️⃣ مشخص کردن شخص استفاده‌کننده
در قسمت “Who delegated the tasks?” مشخص کنید چه کسی از هوش مصنوعی استفاده کرده:
• خود پژوهشگر
• گروه پژوهشی
• یا شخص دیگری

3️⃣ ثبت نام مدل هوش مصنوعی
در بخش “Which LLM was used” مشخص کنید از چه ابزاری استفاده شده، مثل:
ChatGPT – GPT-4
Gemini – Ultra
Claude – 3 Opus
Llama – 3

4️⃣ انتخاب وظایفی که هوش مصنوعی انجام داده
در مرحله “Select Delegated Tasks” تیک بزنید که در کدام بخش از پژوهش از AI کمک گرفته‌اید، مثل:
• تولید متن
• بازبینی و ویرایش
• ترجمه
• تدوین ساختار مقاله
• تحلیل داده
• طراحی پرسش‌ها و کدگذاری

5️⃣ افزودن توضیحات تکمیلی
اگر نکته مهمی وجود دارد، در قسمت “Additional Comments” یادداشت کنید.

6️⃣ تولید متن نهایی
در پایان روی “Generate” کلیک کنید تا یک متن رسمی و استاندارد تحویل بگیرید.
این متن آماده است و می‌توانید آن را مستقیماً در مقاله، پایان‌نامه یا گزارش پژوهش درج کنید.

✳️ این کار باعث افزایش شفافیت، مسئولیت‌پذیری و اعتبار علمی پژوهش خواهد شد.

#پژوهش #هوش_مصنوعی #GAIDeT #شفافیت_علمی #گرامر_پژوهش

https://news.1rj.ru/str/AIReviewStudies

پردازنده TPU چیست و چه کاربردی دارد؟

پردازنده TPU یا Tensor Processing Unit یک نوع پردازنده‌ی تخصصی است که توسط گوگل طراحی شده تا محاسبات مربوط به هوش مصنوعی و یادگیری ماشین را بسیار سریع‌تر انجام دهد.
در حالی که CPU و GPU برای کارهای عمومی طراحی شده‌اند، TPU فقط روی یک نوع عملیات تمرکز دارد:
پردازش حجم بالای محاسبات مربوط به شبکه‌های عصبی.

🔹 چرا TPU مهم است؟

سرعت بسیار بالاتر در آموزش مدل‌های هوش مصنوعی

مصرف انرژی کمتر نسبت به GPU در برخی کاربردها

مناسب برای پروژه‌های بزرگ مانند تشخیص تصویر، پردازش زبان و تحلیل داده‌های پیچیده

🔹 چه کسانی از TPU استفاده می‌کنند؟
پژوهشگران، شرکت‌های فناوری، و توسعه‌دهندگانی که با مدل‌های یادگیری عمیق سروکار دارند—به‌خصوص زمانی که حجم داده‌ها زیاد و سرعت پردازش حیاتی است.


https://news.1rj.ru/str/AIReviewStudies

کارگاه آنلاین کاربردهای هوش مصنوعی برای ارتقای کیفیت و سرعت انجام مطالعات مروری

ویژه اعضای هیات علمی و پژوهشگران حوزه سلامت

مدرس: دکتر احسان نبوتی، دانشیار انفورماتیک پزشکی، عضو هیات علمی دانشگاه علوم پزشکی کاشان

تاریخ و زمان:
روز سه شنبه، یازدهم آذر 1404
ساعت 10 الی 12 صبح

لینک برگزاری:
https://webinar.kaums.ac.ir/ch/research

لینک کانال تلگرام:
https://news.1rj.ru/str/AIReviewStudies

باسلام، درصورت امکان اطلاعیه کارگاه را در گروه های مرتبط ارسال کنید.

باسلام و عرض ادب، ضمن تشکر بخاطر شرکت در کارگاه امروز، اسلایدها در ادامه ارسال می شود. 👇