خب دوره بعدی بوت کمپمون بنظرتون قرار هست چی‌ باشه؟🤭

بعد از آشنایی با دیتا نوبت چیه؟🫠

متفاوت ترین دوره یادگیری ماشین و یادگیری عمیقی که تا الان دیدین😉

منتظر خبرهای خوب از نورایتکس باشین😎

🌱 گاهی اوضاع زندگی، فشار مالی یا دوری از منابع آموزشی باعث می‌شه یادگیری از اولویت‌ها عقب بیفته.


☀️ برای همین، مکتبخونه، با طرح حمایتی «همدلی در مسیر یادگیری»تعدادی از دوره‌های کاربردی و پرطرفدارش رو رایگان کرده.

💡 کافیه آموزش دلخواهت رو انتخاب کنی، تیک «دسترسی کامل» رو برداری و کد تخفیف HAMDELI رو وارد کنی تا دوره برات رایگان فعال بشه.

💰 این طرح حمایتی تا ۲۷ مرداد ماه فعاله

❗️دقت داشته باشید که با این کد تخفیف می‌تونید فقط یک درس رو رایگان تهیه کنید

🍀 اطلاعات دوره

———

NeurAItex Research Center (NeurAI Tech Medical Innovation)🧠

📱@neuraitex
📱neuraitex
📱neuraitex
📱neuraitex

متاسفانه به دلیل قطع ارائه خدمات توسط زرین پال از ۱۸ مرداد ماه، لینک های ثبت نام دوره از دسترس خارج شدن.

لطفا دوستانی که مایل به ثبت نام هستن جهت هماهنگی برای ثبت‌نام با ادمین مجموعه در ارتباط باشن ❤️

با توجه به حجم بالای پیام‌های دریافتی و ظرفیت محدود دوره ممنون میشیم که تنها در صورتی که تصمیم قطعی برای ثبت نام دارین اطلاعات خودتون رو ثبت بفرمایید.

✍️💫 پشت هر دوره نورایتکس، یه داستان واقعی خوابیده؛ داستان آدم‌هایی که هر کدوم مسیر خودشونو رفتن، راه‌های متفاوت رو تجربه کردن، شکست خوردن، یاد گرفتن و دوباره ادامه دادن. این فیلم، قصه‌ی دوره نوروایمیجینگه.

🍀 چهار نفر از بچه‌های نورایتکس این‌بار براتون از مسیر خودشون میگن؛ از نقطه شروع، از جاهایی که گیر کردن و زمین خوردن، از چیزهایی که کم‌کم کشف کردن.

❤️ هر کدوم راه متفاوتی رو اومدیم، ولی در نهایت نشستیم پای کار، همه تجربه‌ها رو کنار هم گذاشتیم، بررسی کردیم و نتیجه‌ش شد این دوره.

⚡️ این دوره از دل تجربه‌های واقعی ساخته شده؛ تجربه‌هایی که برای ما چندین سال طول کشید ولی حالا جوری براتون آماده کردیم که شما راحت‌تر و سریع‌تر یاد بگیرین.

⁉️ و اگه هنوز نمی‌دونین نوروایمیجینگ دقیقا چیه و کجا به درد می‌خوره، این فیلم برای شماست؛ تا هم باهاش آشنا بشین و هم ببینین چطور می‌تونه مسیر علمی یا کاری‌تون رو عوض کنه.

☮️ با تشکر از زحمات آقای مهندس عرفان جودی :) بابت تهیه این فیلم و همه دوستانی که با ارايه تجربیات ارزشمندشون مارو در تهیه این دوره یاری کردن

Strive for perfection in everything you do.
Take the best that exists and make it better.
When it does not exist, design it 🧠

#NeurAIVibe

برای قلبی که با دستان توانمندت دوباره می‌تپد،
برای چشمی که با دانشت روشنای آسمان را بازمی‌یابد،
برای نفسی که با هنر و صبوری‌ات جریان می‌گیرد،
برای مغزی که با اندیشه و تدبیرت امید دوباره را حس میکند.

و برای شما که نجاتی هستین برای جان‌ها، و مرهمی برای دردها.

روز پزشک مبارک ❤️🩹🌻

———

NeurAItex Research Center (NeurAI Tech Medical Innovation)🧠

📱@neuraitex
📱neuraitex
📱neuraitex
📱neuraitex

⚒ اولین قدم برای هر کار هوش مصنوعی توی پزشکی، داشتن یه دیتاست درست ‌و حسابیه.

❕ حالا فکر کن که بخوای روی بیماری‌هایی کار کنی که دیتاهاش به صورت پابلیک وجود نداره و یا بیمارانش رو به سختی میشه پیدا کرد.

اینجاست که یکی از سخت‌ترین کارا شروع میشه: جمع‌آوری دیتا

🖊 اول باید داده‌های تصویربرداری بیمارا یکی‌یکی جمع‌آوری بشن، از روی سی دی خونده بشن، کیفیتشون چک بشه و بعد همراه با اطلاعات بالینی بیماران روی سرورها رجیستر بشن که تازه بعدش برن واسه لیبل‌گذاری

📈 درسته که این کارهای پشت‌صحنه حسابی سخت و زمان‌برن، ولی همین تلاش‌هاست که راه رو برای لیبل‌گذاری دقیق و پروژه‌های هوش مصنوعی خفن هموار می‌کنه .

🏹 همه‌مون می‌دونیم هر مهارت جراحی پشتش یه داستان بزرگ از تمرین، خطا، یادگیری و پیشرفت هست. اما اینکه چطور میشه این مهارت‌ها رو درست و دقیق سنجید، همیشه یه چالش بوده.

🆕 دکتر آرش ایرانفر، از دانشجویان دکترا ازمایشگاه ما در دانشگاه تهران ، اخیرا یک مقاله خیلی جالب از پایان نامه دکتراشون که زیر نظر دکتر مشیری و دکتر تقی‌راد انجام شده منتشر کردن که به موضوع ارزیابی مهارت جراحی با داده‌های نرم پرداخته.

⁉️ تا حالا بیشتر کارها روی داده‌های سخت مثل حرکت دست یا ویدیو بوده، اما نویسنده‌ها اومدن بررسی کردن که آیا میشه فقط با نظرات متنی آزاد (کامنت‌هایی که متخصصا می‌نویسن) مهارت جراح‌ها رو سنجید یا نه 🎙📹

☄️ جالب اینجاست که برای این کار یه آزمایش طراحی کردن به اسم Vertex Pursuit که توش شرکت‌کننده‌ها باید با دستگاه لمسی روی یه مسیر ستاره‌ای حرکت کنن تا مهارت‌هایی مثل هماهنگی چشم و دست و دقت‌شون سنجیده بشه. بعد، نفرات برتر میان و به بقیه فیدبک متنی میدن.

نتیجه؟

📊 با استفاده از الگوریتم‌های NLP و مخصوصاً مدل‌های زبانی بزرگ (LLMها)، مشخص شد که داده‌های نرم می‌تونن خیلی خوب برای این ارزیابی عمل کنن؛ حتی بهترین نتایج رو مدل‌های decoder-only گرفتن وقتی با پرامپت‌های قانون‌محور تست شدن

📌 این مطالعه پایه‌گذار یه مسیر جدید برای ارزیابی عملکرد متخصصین هست که هدفش اینکه فشار روی متخصص‌ها کمتر بشه و سیستم‌های آموزشی جراحی هم مقیاس‌پذیرتر بشن.

🔗 لینک مقاله

———

NeurAItex Research Center (NeurAI Tech Medical Innovation)🧠

📱 @neuraitex
📱 neuraitex
📱 neuraitex
📱 neuraitex

💡هوش مصنوعی به زبان خیلی ساده با نورایتکس

✏️این قسمت: Linear Regression

1️⃣ رگرسیون خطی یکی از ساده‌ترین و پایه‌ای‌ترین روش‌های یادگیری ماشینه. توی این روش، مدل فقط با دو تا پارامتر سر و کار داره: شیب خط و عرض از مبدأ. شیب خط نشون می‌ده خط چقدر تنده و در چه جهتی حرکت می‌کنه، و عرض از مبدأ مشخص می‌کنه خط از کجای محور Y رد بشه.

2️⃣ کاری که مدل انجام می‌ده اینه که توی مرحله‌ی آموزش، مدام این دو تا عدد رو تغییر می‌ده و امتحان می‌کنه تا بالاخره به خطی برسه که بهترین برازش رو با داده‌ها داشته باشه؛ یعنی فاصله‌ی بین نقاط واقعی و نقاطی که مدل پیش‌بینی کرده، کمترین حد ممکن بشه.

3️⃣ به زبان ساده، رگرسیون خطی میاد یه خط صاف رو روی داده‌ها می‌کشه و سعی می‌کنه این خط طوری تنظیم بشه که بیشترین تطابق رو با داده‌ها داشته باشه. همین روند ساده در واقع خلاصه‌ی کل ماجرای یادگیری ماشینه: این‌که مدل بتونه پارامترهاشو خودش تغییر بده و هر بار بهتر پیش‌بینی کنه.

↗️ برای اینکه ملموس‌تر باشه، یه مثال روزمره بزنیم: تصور کن می‌خوای رابطه‌ی بین ساعت مطالعه و نمره امتحان رو بفهمی. یه عده دانشجو هستن که هر کدوم تعداد مشخصی ساعت درس خوندن و بعدش نمره گرفتن. حالا این داده‌ها رو روی یه نمودار می‌ذاری: محور افقی تعداد ساعت مطالعه‌ست و محور عمودی نمره امتحانه.

رگرسیون خطی میاد یه خط صاف بین این نقاط می‌کشه. اگر خط رو درست انتخاب کنه، می‌تونی فقط با دونستن این‌که کسی چند ساعت خونده، حدس بزنی نمره‌ش حدوداً چند می‌شه.

مدل برای این کار دو چیز رو دستکاری می‌کنه:
• شیب خط: مثلاً اگر شیب زیاد باشه، یعنی هر یک ساعت مطالعه بیشتر، نمره خیلی بالاتر می‌ره.
• عرض از مبدأ: یعنی کسی که هیچی نخونده، نمره‌ش تقریباً از کجا شروع می‌شه.

مدل توی آموزش، بارها و بارها این خط رو جابه‌جا می‌کنه تا به خطی برسه که بهترین پیش‌بینی رو بده. این داستان ساده نشون می‌ده یادگیری ماشین در اصل همین چیزه: مدام تنظیم کردن پارامترها برای اینکه پیش‌بینی‌ها واقعی‌تر بشن.

———

NeurAItex Research Center (NeurAI Tech Medical Innovation)🧠

📱@neuraitex
📱neuraitex
📱neuraitex
📱neuraitex

💡هوش مصنوعی به زبان خیلی ساده با نورایتکس

✏️این قسمت: K-Nearest Neighbors (KNN)

1️⃣ این روش یکی از ساده‌ترین و در عین حال جالب‌ترین روش‌های یادگیری ماشینه. ایده‌ی اصلی خیلی ساده است: وقتی می‌خوای چیزی رو پیش‌بینی یا دسته‌بندی کنی، به نزدیک‌ترین همسایه‌ها نگاه می‌کنه و بر اساس اون تصمیم می‌گیره.

2️⃣ در KNN هیچ مدلی با پارامترهای پیچیده یاد گرفته نمی‌شه، بلکه همه چیز روی فاصله بین نقاط داده‌ها حساب می‌شه. وقتی یک داده‌ی جدید میاد، الگوریتم میاد K تا نقطه نزدیک‌ترین داده‌های موجود رو پیدا می‌کنه و با نگاه به کلاس یا مقدار اون نقاط، تصمیم می‌گیره که داده جدید چه ویژگی‌ای داره یا در چه دسته‌ای قرار می‌گیره.

3️⃣ به زبان ساده، KNN مثل اینه که بخوای یه تصمیم بگیری و بگی: «همسایه‌ها چی گفتن؟ من هم همون رو می‌کنم!»

↗️ برای ملموس شدن، یه مثال بزنیم:

تصور کن می‌خوای حدس بزنی یه میوه تازه‌ای که دستت گرفتی سیب است یا پرتقال. چند میوه قبلاً داشتیم و می‌دونیم سیب و پرتقال کدومه. الگوریتم KNN میاد و میگه: «بیایم ببینیم این میوه جدید به چه میوه‌هایی نزدیک‌تره.» اگر بیشتر نزدیک سیب‌ها باشه، می‌گه «این سیبه!» و اگر نزدیک پرتقال‌ها باشه، می‌گه «این پرتقاله!»

اینجاست که عدد K اهمیت پیدا می‌کنه؛ مثلا K=3 یعنی سه همسایه‌ی نزدیک‌ترین بررسی می‌شن و بر اساس اکثریت، تصمیم گرفته می‌شه.

این روش ساده، اما قدرتمند، نشون می‌ده که در یادگیری ماشین همیشه لازم نیست چیز پیچیده‌ای بسازی تا پیش‌بینی درست داشته باشی. گاهی فقط نگاه کردن به اطراف و استفاده از داده‌های واقعی موجود کفایت می‌کنه.

———

NeurAItex Research Center (NeurAI Tech Medical Innovation)🧠

📱@neuraitex
📱neuraitex
📱neuraitex
📱neuraitex

با تشکر از همراهی و استقبال شما در دوره آشنایی با تصویر برداری مغز ❤️

به منظور حفظ کیفیت دوره و همچنین جهت انجام هماهنگی‌های لازم با شرکت‌کنندگان و دانشگاه، ثبت نام در این دوره تنها برای پنج نفر و تا تاریخ ۲۷ شهریور ماه امکان پذیر هست.

با تشکر از شما
تیم اجرایی نورایتکس 🧠

#فرصت_همکاری_پژوهشی

ما در مرکز تحقیقات نورایتکس جهت انجام یک پروژه تحقیقاتی نیازمند یک همکار جهت دانلود داده تصویربرداری و کمک در لیبل گذاری آن هستیم.

💡 موضوع پروژه:
هوش مصنوعی و تومور‌های مغزی

🏠 مکان انجام پروژه:
بیمارستان حضرت رسول، ستارخان

↗️ توانمندی‌های لازم جهت همکاری:
۱- داشتن زمان و وقت کافی جهت همکاری
۲- آشنایی با نحوه کار و دانلود داده از سیستم پکس بیمارستانی
۳- آشنایی با مودالیتی های مختلف داده MRI نظیر T1, T2, Flair و غیره.

❤️ متاسفانه در قسمت های مرتبط با هوش مصنوعی و مدل‌سازی در حال حاضر امکان جذب نیروی جدید نداریم، پس ممنون میشیم اگر فقط در صورتی که در انجام این تسک مایل به همکاری هستین رزومتون رو ارسال کنین.

‼️ توجه داشته باشید که روند انتخاب شامل یک مرحله مصاحبه حضوری با اساتید می‌باشد، پس لطفا از ارسال رزومه در صورت عدم تسلط به موارد بالا جدا خودداری بفرمایید.

💌 نحوه ارسال رزومه:
لطفا رزومه خود شامل:

1️⃣ اطلاعات فردی، اطلاعات تماس و سوابق تحصیلی
2️⃣ سوابق انجام کارهای پژوهشی مشابه شامل: موضوع پروژه، محل انجام پروژه و وضعیت فعلی پروژه
3️⃣ میزان ساعتی که در هفته میتونید روی این پروژه وقت بزارید
4️⃣ میزان آشنایی شما با نوروایمیجینگ


رو در قالب یک فایل پی دی اف برای ما در تلگرام به ای دی زیر ارسال بفرمایید.

📞@neuraitex_admin

❗️ ددلاین ارسال رزومه:
سوم مهرماه ۱۴۰۴

❓ آیا پروژه شامل دریافت حقوق هست؟
خیر این یک فرصت همکاری پژوهشی هست.

با تشکر از همراهی و استقبال شما در دوره آشنایی با تصویر برداری مغز ❤️

مهلت ثبت‌نام دوره به صورت حضوری به اتمام رسیده و از امروز ما شروع به انجام تدارکات کرده ایم.

در چند روز آینده با شما برای هماهنگی تماس خواهیم گرفت.

از صبوری شما متشکریم

با تشکر از شما
تیم اجرایی نورایتکس 🧠

❗️ به اطلاع شرکت کنندگان محترم دوره تصویربرداری میرسانیم که با توجه به مشکلات ارسال لینک از طریق پیامک، لینک گروه از طریق تلگرام خدمت دوستان ارسال گردیده است.

📞 دوستانی که شماره تلگرام آنها با شماره وارد شده در فرم متفاوت هست و تا کنون لینک را دریافت نکرده‌اند لطفا جهت هماهنگی با ادمین مجموعه در ارتباط باشند.

از صبوری شما متشکریم

با تشکر از شما
تیم اجرایی نورایتکس 🧠

اکتبر سال ۲۰۲۲ مقاله زیر در ساینس چاپ شد و سر و صدای زیادی به پا کرد چون این تیم کره‌ای نشون داده بودن که با روشی به نام DIANA (direct imaging of neuronal activity) میتونن با استفاده از دستگاه MRI به طور مستقیم از خود فعالیت نورونی ثبت بگیرن. چرا این مهمه؟ چون در روش‌های مرسوم fMRI، از فعالیت عصبی به صورت مستقیم ثبت گرفته نمیشه بلکه سیگنال به دست اومده میزان اکسیژن خون رو نشون میده که به عنوان نوعی پروکسی برای فعالیت عصبی در نظر گرفته میشه. بنابراین اینکه روشی بتونه با دستگاه MRI از فعالیت عصبی به صورت مستقیم ثبت بگیره میتونه نوروساینس رو واقعاً دگرگون کنه چون اجازه میده تا بتونیم به‌صورت غیرتهاجمی و با دقت مکانی و زمانی بالا (در حد چند میلی‌ثانیه) از همه مغز ثبت بگیریم. این دقیقاً ادعایی بود که مقاله زیر داشت و برای همین هم خیلی توجه‌ها رو به خودش جلب کرد:

https://www.science.org/doi/10.1126/science.abh4340

طبیعتاً وقتی یک همچین مقاله‌ای در ژورنالی مثل ساینس چاپ میشه، آدما مشتاق میشن که در اسرع وقت این روش رو خودشون پیاده کنن. اما همه تیم‌هایی که سعی میکنن تا این روش رو پیاده کنن شکست میخورن. مقاله زیر که یکی از همین تلاش‌های شکست خورده بود عملاً میگه چیزی که تو مقاله بالا گزارش شده یک آرتیفکته که در اثر انتخاب گزینشی ترایال‌ها به وجود اومده:

https://www.science.org/doi/10.1126/sciadv.adl0999

فقط هم این مقاله نبود و کارهای دیگه‌ای هم عدم تکرارپذیری DIANA رو گزارش کردن که در مقاله زیر به خوبی جمع شده:

https://doi.org/10.53053/KINZ6963

این‌ها همه باعث شد که خود ادیتورهای مقاله اصلی نگرانی‌هاشون رو ابراز کنن و بگن که نویسنده‌ها به اندازه کافی متود رو توضیح ندادن و برای همین آدمای دیگه نتونستن تکرارش کنن. خوندن این کامنت کوتاه جالبه:

https://www.science.org/doi/10.1126/science.adk4448

و درنهایت پس از بالا و پایین‌های فراوان، سه روز پیش خود تیم کره‌ای مقاله رو Retract کردن! خلاصه‌ای از این ماجرا رو در نوشته زیر میتونید بخونید:

https://www.thetransmitter.org/retraction/authors-retract-science-paper-on-controversial-fmri-method/?utm_source=bluesky&utm_medium=org-social&utm_campaign=20250925-news-authors-retract-science-paper-on-fMRI-method

این داستان بنظرم نکات مهمی رو درباره پژوهش علمی بهمون یادآوری میکنه.
اولاً علی‌رغم اهمیت فرآیند داوری مقالات، نباید فراموش کنیم که درنهایت این جامعه علمی هستش که با تکرار و تکوین اون کار، داوریش میکنه. وگرنه شکی نیست که داوری ژورنالی مثل ساینس دقیق و سختگیرانه بوده اما خب داورها نرفتن این متود رو خودشون پیاده کنن! بنابراین وقتی کاری در یک ژورنال معتبر منتشر میشه نباید بهش به عنوان وحی منزل نگاه کنیم. نمونه‌های مشابه هم بسیار زیاده.
ثانیاً این مورد نشون میده که چرا فهمیدن دقیق روش آنالیز دیتای یک مقاله انقدر مهمه. حالا این مقاله که خود متودش هم مشکل داشته اما یکی از مشکلات مربوط به روش آنالیز بوده. کلاً ما در نوروساینس دچار یک بحران بزرگ هستیم! اونم اینه که روش‌های مختلف آنالیزی بهمون جواب‌های بسیار متفاوتی میدن. یکی از کارهای درخشانی که این مشکل رو به زیبایی نشون میده مقاله زیره که حتماً پیشنهاد میدم بخونید:

https://www.nature.com/articles/s41586-020-2314-9

اما در نهایت، با مطالعه سیر اتفاقات این داستان متوجه میشید که آدم‌ها در علم گاهی زیادی به یافته‌هاشون میچسبن، خصوصاً اگر اون یافته منجر به یک نتیجه زیبا شده باشه! حتی اگر غلط باشه! نقل قول زیر از Alan Jasanoff نشون‌دهنده همین مسئله هست

🔖 این متن که توسط اقای مهندس امیررضا بهرامنی در کانالشون منتشر شده به خوبی نشون میده که چرا صرفا ایمپکت فکتور ژورنال یک مقاله به معنی معتبر بودن نتایج یک مقاله نیست

I think it’s a sad fact about science that we make mistakes, and when the mistakes lead us in interesting directions, sometimes it’s difficult to completely let go.

⭐ ما در حال انجام یک آزمایش پژوهشی درباره‌ی یادگیری حرکتی هستیم و خیلی خوشحال می‌شیم که اگه با مشارکت در قسمت نمونه‌برداری به ما کمک کنین.

🔣 محل برگزاری: پردیس دانشکدگان فنی دانشگاه تهران-دانشکده مهندسی برق و کامپیوتر، ساختمان شماره ۲- طبقه7- اتاق شماره 707
🔣 مدت زمان نمونه‌برداری: 9 جلسه و هر جلسه حدود 45 دقیقه

❗️ شرکت در این آزمایش کاملاً اختیاری است و همه‌ی اطلاعات شما محرمانه باقی می‌ماند.

❓ هدف ما از این پژوهش پاسخ به سوالاتی است که در نهایت کمک به توانبخشی بیماران و یا افزایش سرعت یادگیری ورزشکاران خواهد کرد و بدون همکاری شما این کار ممکن نخواهد بود

❤️ جهت قدردانی از همکاری شما به 3 نفر که بهترین نتایج در یادگیری را داشته باشند، مبلغ 5 میلیون ریال تقدیم خواهد شد.

🛫 اگر مایل به همکاری هستین، لطفا فرم شرکت در پژوهش رو پر کنین تا ما با شما تماس بگیریم.

خیلی از بچه‌ها به ما پیام میدن و میگن که خیلی علاقمند به کار روی دیتا‌های مغز و استفاده از هوش مصنوعی برای مدل‌سازی هستن ولی اصلا نمیدونن از کجا باید شروع کنن 😭

✨ توی هر بخش از این کتاب، نویسندگان اومدن و نقش مدل‌های هوش‌ مصنوعی رو توی هر‌ یک از بیمار‌ها بررسی کردن و پتانسیل‌های استفاده ازش رو مورد بحث قرار دادن.

پس اگر شما هم جز اون دسته از کسایی هستین که با نوروایمیجینگ اشنایین ولی نمیدونین چجوری باید ازشون استفاده کنین این کتاب میتونه خیلی دید بهتری از این فیلد بهتون بده 🤓

متاسفانه امروز با خبر شدیم که یکی از دانشجویان پزشکی در یزد بخاطر فشار‌های استاد راهنماش فوت کرده و این اتفاق باعث شد که بخواییم یکم از تجربیات این چند سال خودمون در این رابطه صحبت کنیم 💔

❗️ یکی از مواردی که تقریبا همه کسایی که به نوعی کار پژوهشی انجام میدن باهاش رو‌به‌رو شدن رفتارهای غیر حرفه‌ای، غیر محترمانه و سواستفاده از عدم اگاهی دانشجویان هستش. هرچند که رسیدگی به این قبیل رفتار‌ها و جلوگیری از اونها نیازمند یک بررسی کامل، وضع قوانین مشخص و اعمال فیلتر‌های سختگیرانه‌تر در انتخاب هیئت‌علمی و پژوهشگران در دانشگاه‌ها و فضاهای مربوطه هست، اما در هر حال حاضر این مدل رفتار‌ها همه جا وجود داره و اگر دانشجویی هستین که علارغم تلاشی که میکنید متاسفانه حقوقتون رعایت نمیشه و یا تحت فشار روانی قرار دارین نکاتی هستن که شاید دونستنشون بتونه بهتون کمک کنه:

1️⃣ سعی کنید تا حد ممکن برای ارتباط با اساتید و اعضای تیمتون از ابزار‌های رسمی مثل ایمیل یا پیامک استفاده کنین و ازشون درخواست کنید اگر کاری دارن باهاتون از این طریق ارتباط داشته باشن

2️⃣ برای جلساتتون از پلتفرم‌هایی استفاده کنین که امکان ضبط جلسه رو به صورت کامل (صدا و تصویر) رو دارن و حتما اعلام کنید که جلسه به صورت کامل در‌ حال ریکورد شدن هست.

3️⃣ در صورتی که هرگونه ‌گزارشی از کارتون میفرستین از طریق ایمیل این‌کار رو انجام بدین و سعی کنید به صورت کامل توی متن ایمیل به انگلیسی مشخص کنید که چه قسمتی توسط شما انجام شده و از اینجا به بعد چه قسمتی باید توسط شما و بقیه انجام بشه. اگر قسمت مرتبط با فرد دیگری رو انجام میدین خیلی واضح مشخص کنین که وظیفه شما نبوده ولی برای پیشبرد کار انجام دادین.

4️⃣ شما برای نویسندگی در هر مقاله باید در ۴ نقش اصلی مشارکت داشته باشین. در صورتی که میزان همکاری شما کمتر از این مقدار باشه اسم شما از نظر قانونی میتونه به عنوان نویسنده وارد مقاله نشه پس از همون اول همه موارد رو در موردش صحبت کنین و در صورت امکان به صورت مکتوب امضا کنین.

5️⃣ حقوق مادی و معنوی پایان‌نامه به دانشجو تعلق داره و در صورت عدم رضایت دانشجو استاد راهنما نمیتونه نتایج کار شما رو در اختیار فرد دیگه‌ای بزاره.

6️⃣ تمامی افراد یک تیم حق این رو دارن که بدونن با چه افرادی دارن کار میکنن و هرکسی چه نقشی در تهیه اون پژوهش و مقاله داره.

7️⃣ بر خلاف تصور عموم، کمیته اخلاق و حراست دانشگاه در صورت وجود شواهد لازم و کافی به این مسائل رسیدگی میکنه چون انتشار موارد موثق از تخلفات اخلاقی و علمی میتونه به شدت به اعتبار علمی و بین‌المللی دانشگاه و افراد خدشه وارد کنه.

8️⃣ قبل از جوین شدن به هر تیمی قبلش پرس و جو کنید، مقالات قبلی اون تیم رو بخونید و سعی کنید حتی قبلش چنتا از سخرانی‌ها یا جلسات علمی اون تیم رو برید ببینید تا مطمئن بشین دارین با افرادی کار میکنین که حداقل میدونن در مورد چی دارن حرف میزنن.

9️⃣ یک تجربه شخصی هم اینکه از کارکردن با افرادی که هیچ مقاله نویسنده اولی ندارن، سطح زبان خوبی ندارن و معمولا حتی در نوشتن و پرزنت کردن کوچکترین مباحث مشکل دارن بپرهیزید و لطفا تحت تاثیر فیک نیوز‌هایی مثل اینکه آسمون باز شده تیم ما فرود اومده قرار نگیرید 🥲


❤️ و اینکه این رو بدونین که اگر روزی کار‌ها خوب پیش نرفت، بهتون حس ناکافی بودن دادن و حتی تمام تلاشهاتون رو زیر سوال بردن، شما تنها نیستین و همه ما متاسفانه یه جایی از زندگی اکادمیکمون این تجربیات تلخ رو داشتیم. پس اگر روزی فشار زیادی رو‌ی خودتون احساس کردین و نیاز داشتین با کسی در این مورد صحبت کنین میتونین به ما پیام بدین تا باهم صحبت کنیم شاید راهی برای حل کردنش پیدا کنیم.

⁨❗️این روزها شاید ببینید که خیلی از افراد مقاله چاپ شدشون در ژورنال لنست رو پروموت میکنن که ‌تعداد بسیار زیادی نویسنده داره.

💡 مقالات بار جهانی بیماری ها یا همون GBD در لنست چاپ میشه و سالانه هزاران سایتیشن میگیرن ولی نکته اینه‌که اعتباری برای collaborator ها نداره و صرفا برای اینه که گوگل اسکولارشون رو خیلی خفن جلوه بدن.

‼️ نکته‌ی مهم تر اینه که مراقب افرادی که تلاش می کنن با GBD برای خودشون اعتبار درست کنن باشید که خدایی نکرده هزینه و وقتتون تلف نشه.

🧠 پروژه NextBrain: روایتی از سفر شگفت‌انگیز نقشه‌برداری مغز انسان

📌 توی دنیای تصویربرداری مغزی، اطلس‌ها نقش نقشه‌ی راه رو دارن؛ ابزاری برای اینکه بتونیم مغز رو به نواحی دقیق تقسیم کنیم، افراد مختلف رو با هم مقایسه کنیم، و همه چیز رو توی یه چارچوب مشترک ببینیم.

🔝 همه چیز از سال ۱۹۰۹ شروع شد، وقتی کوربینیان برودمن مغز رو به ۵۲ ناحیه در هر نیمکره تقسیم کرد. سال‌ها بعد، در ۲۰۱۶، دیوید ون‌اسن و متیو گلسر با ترکیب داده‌های ساختاری و عملکردی، اطلس ۳۶۰ ناحیه‌ای خودشون رو ارائه دادن و مرزهای شناخت مغز رو جابه‌جا کردن.

⌛ در آوریل ۲۰۲۵، تیم John Ngai در کنسرسیوم MiCRONS با بازسازی نقشه‌ی ارتباطات مغز موش در مقیاس میکروسکوپی، تونستن بیش از ۲۰۰ هزار سلول، ۷۵ هزار نورون و ۵۲۳ میلیون سیناپس رو شناسایی کنن؛ یه کار واقعاً حیرت‌انگیز!

🔄 و حالا، در نوامبر ۲۰۲۵، نوبت خوان اوخنیو ایگلسیاس و همکارانشه که تاریخ رو دوباره بنویسن: با ارائه‌ی اطلس جدیدی از ۳۳۳ ناحیه در هر نیمکره (۶۶۶ ناحیه در کل مغز) و یه ابزار بیزی پیشرفته برای تقسیم‌بندی خودکار این نواحی در تصاویر MRI.

📊 این پیشرفت فقط یه عدد جدید نیست؛ بلکه یه گام بزرگه برای اینکه بتونیم مغز رو با دقتی بی‌سابقه ببینیم، عملکردهاش رو بهتر درک کنیم و حتی مسیرهایی برای درمان‌های دقیق‌تر مبتنی بر نوروپلاستیسیته و مدل‌های هوش مصنوعی در علوم اعصاب باز کنیم.

💬 پروژه‌ی NextBrain درست همین‌جاست که معنا پیدا می‌کنه؛ جایی که علم، داده و الگوریتم کنار هم میان تا درک ما از مغز انسان رو وارد مرحله‌ی بعد کنن؛ مرحله‌ای که نقشه‌برداری فقط برای مشاهده نیست، بلکه برای درک، درمان و تحول طراحی شده.

🔗 لینک مقاله

———

NeurAItex Research Center (NeurAI Tech Medical Innovation)🧠

📱@neuraitex
📱neuraitex
📱neuraitex
📱neuraitex