📕 ابزارهایی که می‌تونن به شما در ریسرچ کمک کنن!

🚨 زمان مطالعه: ۱ دقیقه

🔗 #متفرقه

🔺 مدل‌های زبانی:

  🔹 ChatGPT: نسخه‌های رایگانش می‌تونه به شما در تولید متن و پاسخ به سوالات کمک کنه.

🔺 ابزارهای ویرایش و نگارش:

  🔹 Grammarly: نسخه رایگان این ابزار برای بررسی گرامر و املا مناسبه.

  🔹 Hemingway Editor: نسخه آنلاین این ابزار رایگانه و می‌تونه به بهبود خوانایی متن‌ها کمک کنه.

  🔹 Thesaurus.com: این سایت کلمات هم معنی رو به شما نمایش می‌ده و می‌تونید به جای تکرار یک واژه، از کلمات با معنی مشابه استفاده کنید.

🔺 ابزارهای تحقیق و جمع‌آوری داده:

  🔹 Zotero: یک نرم‌افزار رایگان و منبع باز برای مدیریت منابع و ایجاد فهرست مراجع.

  🔹 Mendeley: نسخه رایگان این ابزار نیز برای مدیریت مقالات و منابع مفیده.

  🔹 Connected Papers: برای کشف مقالات مرتبط و ایجاد نقشه‌ای از تحقیقات.

🔺 ابزارهای تحلیل محتوا:

  🔹 QuillBot: دارای نسخه رایگان است که می‌تونه به پارافریز کردن متن کمک کنه.

  🔹 Scribbr: دارای ابزار رایگان برای بررسی سرقت ادبی (با محدودیت).

🔺 ابزارهای تولید محتوای بصری:

  🔹 Canva: نسخه رایگان این ابزار برای طراحی گرافیک‌های ساده و تصاویر مناسبه.

  🔹 DALL-E: برای تولید تصاویر مبتنی بر متن مناسبه.

🔺 ابزارهای مدیریت زمان و بهره‌وری:

  🔹 Trello: برای سازمان‌دهی وظایف و ایده‌ها قابل استفاده‌ست.

  🔹 Notion: می‌تونه برای یادداشت‌برداری و سازمان‌دهی اطلاعات مفید باشه.

🔖 این ابزارها می‌تونن به شما در ویرایش، تحقیق و سازمان‌دهی مقالات کمک کنن، بدون اینکه نیاز به پرداخت هزینه داشته باشید. البته دقت کنید، نباید متن مقاله‌ی شما، نوشته شده توسط AI یا ابزار دیگری باشد، از این ابزارها برای ویرایش و سازمان‌دهی متون مقالات استفاده کنید.

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»

📕 مدل R1 از DeepSeek

🚨 زمان مطالعه: ۱ دقیقه و نیم

🔗 #مقاله

🔺 مدتی‌ست که شرکت‌های فعال در حوزه مدل‌های زبانی بزرگ (Large Language Models) تلاش‌های جدی برای توسعه مدل‌هایی با قابلیت استدلال (Reasoning) آغاز کردن. درباره‌ی این قابلیت بیشتر خواهیم نوشت در آینده، اما بد نیست بدونید که OpenAI با مدل O1 تونسته بود تا حدی به حل این چالش نزدیک بشه. حالا مدل DeepSeep R1 که توسط دانش‌مندان چینی توسعه داده شده، در روزهای اخیر به مرکز توجه محافل علمی و خبری تبدیل شده.

🔺 در واقع بالاخره اولین مدل استدلالی رایگان و OpenSource هم معرفی شد و مقاله‌ی اون هم در دسترس قرار گرفت. اما خب برای این‌که بیشتر از این پیشرفت علمی صحبت کنیم، خوبه به جدولی که در عکس این پست قرار داره اشاره کنیم و به کیفیت بالای این مدل استدلالی در حل سوالات ریاضی و برنامه‌نویسی بپردازیم.

🔺 این متن Abstract مقاله‌ی DeepSeek R1 به زبان فارسی‌ست:

ما مدل‌های نسل اول استدلال خود را با نام‌های DeepSeek-R1-Zero و DeepSeek-R1 معرفی می‌کنیم. مدل DeepSeek-R1-Zero که با استفاده از یادگیری تقویتی در مقیاس بزرگ (RL) و بدون مرحله‌ی اولیه‌ی تنظیم دقیق تحت نظارت (SFT) آموزش دیده است، توانایی‌های استدلال شگفت‌انگیزی را نشان می‌دهد. این مدل از طریق RL به‌طور طبیعی رفتارهای استدلالی قدرتمند و جالبی را ارائه می‌دهد، اما با چالش‌هایی مانند ضعف در خوانایی و ترکیب زبان‌ها روبرو است. برای رفع این مشکلات و بهبود عملکرد استدلال، مدل DeepSeek-R1 معرفی شده است که از آموزش چندمرحله‌ای و داده‌های آغازین سرد قبل از RL بهره می‌برد. مدل DeepSeek-R1 به عملکردی قابل‌مقایسه با OpenAI-o1-1217 در وظایف استدلال دست یافته است. برای حمایت از جامعه تحقیقاتی، مدل‌های DeepSeek-R1-Zero، DeepSeek-R1، و شش مدل چگال (1.5B، 7B، 8B، 14B، 32B، 70B) استخراج‌شده از DeepSeek-R1 بر اساس Qwen و Llama متن‌باز شده‌اند.

🔖 لینک مقاله‌ی DeepSeek R1:
🔗 DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»

📕 کشف داروهای جدید با AI

🚨 زمان مطالعه: ۱ دقیقه

🔗 #مقاله
🔗 #پزشکی
🔗 #هوش‌مصنوعی

🔺 مطالعه‌ای که براتون آوردیم درمورد نقش هوش مصنوعی در کشف، طراحی و توسعه داروها صحبت می‌کنه. طراحی و توسعه دارو با چالش‌هایی مثل کارایی پایین و وجود داده‌های پیچیده از ژنوم و پروتئوم ارگانیسم‌ها مواجهه، و شیوه‌های سنتی به نحوی در تولید داروهای جدید ناکارآمد شده.

🔺 هوش مصنوعی می‌تونه این چالش‌ها رو برطرف کنه و استفاده از الگوریتم‌های مختلف Deep learning و Machine learning در قدم به قدم فرآیند کشف داروهای جدید کمک‌کننده‌ست.

🔺 تصویر این پست، خلاصه‌ی این قدم‌هاست که نشون می‌ده چطور خواص فارماکولوژیک داروها و ویژگی‌های بیوشیمیایی مولکول‌ها توسط الگوریتم‌ها تعیین می‌شن تا در نهایت به یک داروی مورد تایید برسیم.

🔖 لینک DOI مقاله:
🔗 Artificial intelligence to deep learning: machine intelligence approach for drug discovery

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»

📕 بهبود شناسایی و تقسیم‌بندی تومورهای مغزی با استفاده از یادگیری جمعی پیشرفته

🚨 زمان مطالعه: ۲ دقیقه

🔗 #مقاله
🔗 #پزشکی
🔗 #هوش‌مصنوعی

🔺 تومورهای مغزی، چه خوش‌خیم و چه بدخیم، تأثیر قابل توجهی بر سلامت انسان دارن و برای درمان موثر نیازه که شناسایی دقیق و زودهنگام انجام بشه. تحلیل تصاویر MRI یک روش رایج برای تشخیص و تقسیم‌بندی تومورهای مغزیه.

🔹 هدف این مطالعه، بهبود دقت و کارایی شناسایی و تقسیم‌بندی تومورهای مغزی با پیاده‌سازی یک رویکرد یادگیری جمعی پیشرفته (SEL) است.

🔖 یادگیری جمعی پیشرفته چیه؟

🔺 یادگیری جمعی پیشرفته یا SEL، یک تکنیک برجسته در پارادایم یادگیری ماشین هست که پیش‌بینی‌های چندین مدل پایه را ترکیب می‌کنه تا عملکرد کلی را بهبود ببخشه. با کاهش خطاها و تعصبات موجود در مدل‌های فردی، SEL دقت پیش‌بینی را افزایش می‌ده.

🔖 روش‌شناسی
رویکرد پیشنهادی شامل طراحی یک مدل متا به نام SEL-DenseNet201 هست که بر اساس DenseNet201 ساخته شده.
این مدل با ۶ مدل پایه دیگه تکمیل می‌شه.
هر مدل پایه، جنبه‌های مختلفی از MRI تومور مغزی رو مورد ارزیابی قرار می‌ده که به بهبود عملکرد تقسیم‌بندی کمک می‌کنه.
مدل SEL-DenseNet201 با استفاده از مجموعه داده‌های MRI تومور مغزی، آموزش داده می‌شه و تکنیک‌های افزایش داده برای متعادل‌سازی و بهبود عملکرد مدل از طریق تقویت تصویر و تکنیک‌های تقسیم‌بندی اعمال می‌شه.

🔖 نتایج
مدل پیشنهادی SEL-DenseNet201 نتایج قابل توجهی رو به دست آورد و دقت 99.65% و ضریب دایس 97.43% رو کسب کرد.
این نتایج برتری مدل پیشنهادی رو نسبت به روش‌های موجود نشان می‌ده و پتانسیلش رو به عنوان

یک ابزار غربالگری اولیه قابل اعتماد برای شناسایی زودهنگام تومورهای مغزی

تأیید می‌کنه.

و نهایتا این‌که

با نرخ موفقیت بالا، SEL-DenseNet201 می‌تونه نقش مهمی در تشخیص زودهنگام و برنامه‌ریزی درمان بیماران مبتلا به تومورهای مغزی ایفا کنه.

🔖 لینک DOI مقاله:
🔗 https://pubmed.ncbi.nlm.nih.gov/39862469/

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»

📕 بررسی تصمیم‌گیری هدفمند در انسان و هوش مصنوعی

🚨 زمان مطالعه: ۳۰ ثانیه

🔗 #معرفی
🔗 #ارائه

🔺 ۲۱ بهمن، ارائه‌ای در زمینه‌ی نوروساینس توسط گروه نوروساینس و فناوری‌های شناختی پژوهشکده فناوری‌های همگرا دانشگاه تهران (CONNECT) برگزار می‌شه. ارائه‌دهنده‌ی این جلسه، علی شیراوند، دانشجوی دکترای علوم اعصاب‌شناختی دانشگاه ENS Paris - PSL هست.

🔹 ارائه به شکل آنلاین خواهد بود و ثبت‌نام در آن نیز، رایگانه. به همین دلیل، شرکت در این ارائه رو پیشنهاد می‌کنیم!

🔖 لینک پست اصلی ارائه:
🔗 https://news.1rj.ru/str/Lets_CONNECT_fa/222

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»

📕 Reinforcement Learning Hub

🚨 زمان مطالعه: ۳۰ ثانیه

🔗 #معرفی

🔺 همون‌طور که قبلا در این پست هم گفتیم، یکی از مدل‌های حل مسائل یادگیری ماشین، یادگیری تقویتی (Reinforcement Learning) هست که برای خودش دنیایی داره و دامنه‌ی خیلی بزرگی از مسائل رو شامل می‌شه. معمولا منابع فارسی مناسب جهت آموزش این مفاهیم پیشرفته هم خیلی زیاد نیستند و علاقه‌مندان برای یادگیری این مسائل، به sourceهای انگلیسی‌زبان مراجعه می‌کنند.

🔹 اخیرا گروهی از دانشجوهای دانشگاه‌های تهران مجموعه‌ای جهت آموزش رایگان Reinforcement Learning و مباحث پایه‌ای ایجاد کردند به نام RL Hub، هدف‌شون نیز آموزش از پایه تا مفاهیم پیشرفته هست. یکی از اصلی‌ترین تفاوت‌های این مجموعه هم، شروع از مفاهیم آمار و احتمال، جبرخطی و ریاضی‌ست که عموم sourceها این مورد رو شامل نمی‌شن و معمولا از نقطه‌ی نسبتا پیشرفته‌تری فعالیت خودشون رو آغاز می‌کنن.

🔖 لینک کانال RL Hub:
🔗 https://news.1rj.ru/str/RL_Hub

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»

📕 ارزیابی تشخیصی ADHD در بزرگسالان با Machine Learning

🚨 زمان مطالعه: ۱ دقیقه

🔗 #مقاله
🔗 #پزشکی
🔗 #هوش‌مصنوعی

🔺 تجربه نشون داده که بزرگسالان معمولاً به دلیل احساس شرم یا نادرستی در گزارش علائم، اطلاعات غیرقابل‌اعتمادی رو بیان می‌کنن. این موضوع می‌تونه تشخیص دقیق ADHD رو سخت کنه و حتی به تشخیص اشتباه منجر بشه.

🔹 در یک مطالعه‌ی جدید، از یادگیری ماشین بدون نظارت برای شناسایی گزارش‌دهی غیرقابل‌اعتماد علائم ADHD استفاده شده و نتایج خوبی هم گرفته شده.

🔺 این روش می‌تونه الگوهای پنهان در داده‌ها رو شناسایی کنه و به ما کمک کنه تا دو گروه متمایز از شرکت‌کنندگان رو شناسایی کنیم، کسانی که علائمشون رو به درستی گزارش می‌کنن و کسانی که ممکنه اطلاعات غیرقابل‌اعتمادی ارائه بدن. در این مطالعه از مدل "sidClustering" و ترکیبی از الگوریتم‌های خوشه‌بندی و جنگل تصادفی استفاده شده.

🔹 آزمایش انجامی شامل ۶۲۳ بزرگ‌سال بود و نشون داد که اعتبارسنجی برای گزارش‌دهی بیش از حد علائم روان‌پزشکی، مهم‌ترین عامل در شناسایی گروه‌های متمایز هست. همچنین، استفاده از دو افزایش در نمرات آزمون اعتبارسنجی به عنوان معیاری برای شناسایی گزارش‌دهی غیرقابل‌اعتماد پیشنهاد شد.

🔖 لینک DOI مقاله:
🔗 https://pubmed.ncbi.nlm.nih.gov/39862143/

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»

📕 رنکینگ دانشگاه‌های رشته‌ی Computer Science

🚨 زمان مطالعه: ۱ دقیقه و نیم

🔗 #مهندسی

🔺 برای مقایسه‌ی دانشگاه‌های مختلف معیارهای مختلفی از سالیان قبل معرفی شده و هر سال نیز این لیست‌ها آپدیت می‌شه. قبلا در این پست نیز به بررسی رنکینگ US News پرداختیم. اما خب برای هر رشته معمولا سایت مجزایی هم وجود داره که مشخصا با توجه به ویژگی‌های اون رشته به این مقایسه پرداخته.

🔹 سایت csopenrankings، یکی از این سایت‌هاست که توسط اساتید دانشگاه Brown آمریکا طراحی شده و با هدف رنک‌بندی دقیق‌تر دانشگاه‌ها در رشته‌ی Computer Science فعالیت می‌کنه.

🔺 معیارهای این سایت
◀️ رتبه‌بندی اعتبار (U.S. News): بر اساس نظرسنجی‌های دانشگاهی، امتیاز اعتبار هر دانشگاه تعیین شده
◀️ انتشارات علمی (csrankings.org): تعداد مقالات منتشر شده توسط اساتید در کنفرانس‌های برتر فیلد مدنظر شما
◀️ رتبه‌بندی اشتغال آکادمیک (placement rank): بر اساس تعداد فارغ‌التحصیلانی که در موقعیت‌های هیئت علمی در دانشگاه‌ها مشغول به کار شدن
◀️ جایزه بهترین مقاله (best paper awards): تعداد مقالاتی که در کنفرانس‌های برتر به‌عنوان بهترین مقاله انتخاب شدن

🔗 در نهایت با جمع‌بندی این ۴ تا ستون یک امتیازی به هر دانشگاه داده شده و رنک‌شون رو تعیین کرده. این نکته نیز حائز اهمیت هست که می‌تونید در این سایت contribute کنید و به آپدیت لیست اساتید اون بپردازید. همچنین این سایت فقط شامل دانشگاه‌های آمریکا و کانادا هست.

🔖 لینک سایت:
🔗 https://drafty.cs.brown.edu/csopenrankings/

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»

📕 کاربردهای هوش مصنوعی در استارتاپ‌های حوزه علوم شناختی

🚨 زمان مطالعه: ۳۰ ثانیه

🔗 #معرفی
🔗 #ارائه

🔺 ۹ اسفند، ارائه‌ای در زمینه‌ی کاربرد هوش مصنوعی در Start-Upها توسط گروه نوروساینس و فناوری‌های شناختی پژوهشکده فناوری‌های همگرا دانشگاه تهران (CONNECT) برگزار می‌شه. ارائه‌دهنده‌های این جلسه، هادی مرادی سبزوار و محمدرضا ابوالقاسمی، اساتید دانشگاه تهران هستند.

🔹 ارائه به شکل آنلاین خواهد بود و ثبت‌نام در آن نیز، رایگانه. به همین دلیل، شرکت در این ارائه رو پیشنهاد می‌کنیم!

🔖 لینک پست اصلی ارائه:
🔗 https://news.1rj.ru/str/Lets_CONNECT_fa/230

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»

📕 جایزه‌ی Best Paper در کنفرانس‌ها

🚨 زمان مطالعه: ۱ دقیقه

🔗 #مقاله

🔺 در دنیای آکادمیک، هر سال، در بسیاری از کنفرانس‌های معتبر، تعدادی از مقالات به‌عنوان "Best Paper" یا "Best Paper Award" معرفی می‌شن. این جوایز به مقالاتی تعلق می‌گیره که از نظر نوآوری، کیفیت علمی و کاربرد عملی برجسته باشن. انتخاب بهترین مقاله‌ها معمولاً توسط داوران برجسته در هر حوزه انجام می‌شه و معمولا مقالات Best Paper خیلی بیشتر از باقی مقالات، دیده شده و به اون‌ها استناد می‌شه.

🔹 بررسی آمار Best Paper Awards: اما خب یک نکته‌ی عجیب که طبق تحلیل داده‌های چند سال اخیر بدست اومده اینه که بیشترین جوایز بهترین مقاله‌ها به چند موسسه محدود می‌ره! به طور خاص، در ۳۰ کنفرانس برتر رشته‌ی علوم کامپیوتر، فقط ۲۵ موسسه بیش از ۴۴ درصد از این جوایز را دریافت کرده‌اند. از جمله این موسسات، می‌توان به
Microsoft، Washington، CMU، Stanford، MIT و Berkeley
اشاره کرد که در مجموع سهم بزرگی از جوایز بهترین مقاله‌ها را به خود اختصاص دادن. نکته جالب این است که علاوه بر دانشگاه‌ها، برخی شرکت‌ها مانند Google، IBM و Microsoft نیز در میان برندگان این جوایز قرار دارن.

🔖 منبع:
🔗 https://jeffhuang.com/computer-science-open-data/#who-wins-cs-best-paper-awards

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»

📕 داستان پشت هر مقاله!

🚨 زمان مطالعه: ۱ دقیقه

🔗 #مقاله

🔺 شاید خیلی از ما وقتی به مقالات علمی نگاه می‌کنیم، فکر کنیم که نوشتن یک مقاله کار ساده‌ای بوده و هرچقدر که خوب باشه، به راحتی منتشر می‌شه. اما واقعیت چیز دیگریه. Jeff Huang، استاد دانشگاه و محقق، در یک پست جذاب به نام
Behind the Scenes: The Struggle for Each Paper
از چالش‌ها و داستان‌های پشت انتشار مقالاتش صحبت کرده. او توضیح می‌ده که نوشتن و منتشر کردن هر مقاله، یک داستان پیچیده‌ست که پر از تلاش‌های سخت، اشتباهات، و تصمیمات بزرگه.

🔹 چه چیزی توی این داستان‌ها هست؟ در این پست، جف از ۱۵ مقاله‌اش به عنوان دانشجو و ۱۵ مقاله‌اش به عنوان استاد صحبت می‌کنه. چطور هر مقاله از ایده‌ شروع می‌شه و بعد چالش‌هایی که برای رسیدن به مرحله انتشار پیش میاد. این پست بیشتر از این‌که فقط یک داستان علمی باشه، داستان تلاش‌های پشت پرده‌ایه که نشون می‌ده چطور هر مقاله می‌تونه تبدیل به یک موفقیت بشه.

🔺 چرا این داستان‌ها مهمه؟ این داستان‌ها به ما یادآوری می‌کنه که تحقیق و نوشتن مقاله نه تنها به علم و دانش نیاز داره بلکه به پشتکار و پشت صحنه‌های زیادی هم وابسته است. خیلی وقت‌ها، مقالات با چالش‌ها و مشکلات زیادی مواجه می‌شن تا به یک نتیجه خوب برسن.

🔖 منبع:
🔗 https://jeffhuang.com/struggle_for_each_paper/

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»

📕 همکاری پژوهشی در زمینه‌ی مدل‌های زبانی و پزشکی

برای کاری پژوهشی در زمینه‌ی مدل‌های زبانی (LLM) و پزشکی، در حال تشکیل تیمی شامل دانشجویان پزشکی و مهندسی هستیم. هدف کلی این پروژه‌ی پژوهشی، تمرکز روی مدل‌های زبانی با توجه به مسائل پزشکی و تلاش برای حل این سوالات براساس داده‌های در دسترس و evaluate براساس آزمون‌های معتبر این رشته هست.

در صورتی که علاقه‌مند به حضور در تیم این پروژه هستید، این فرم رو پر کرده، در ادامه توسط مسئولین پروژه، با شما ارتباط گرفته خواهد شد.

🔖 لینک فرم:
🔗 https://docs.google.com/forms/d/e/1FAIpQLScAl02dPBHjDwXN8v7Rh0Evr40YfmboC7l61XBD-e_qzcdtnw/viewform

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»

📕 کنترل درد به کمک داروهای جدید غیراپیوئیدی

🚨 زمان مطالعه: ۳۰ ثانیه

🔗 #مقاله
🔗 #پزشکی

🔺 نزدیک یک ماه پیش، ٣٠ ژانویه امسال، سازمان غذا و داروی آمریکا (FDA) دارویی به نام Suzetrigine رو به عنوان یک داروی ضد درد موثر approve کرد.

🔺 قبل از معرفی این دارو (و البته درحال حاضر تو کشور خودمون) از داورهای اوپیوئید مثل مورفین و پتدین برای کنترل درد استفاده می‌شد. نکته ای مهمی که توی استفاده از این داروها وجود داره اینه که به شدت می‌تونن اعتیادآور باشن و البته راه برای سوء مصرفشون هم بازه و در دوزهای بالا می‌تونن کشنده باشن.

🔹 اما داروی Suzetrigine با مهار اختصاصی کانال های سدیم Nav1.8 در گیرنده‌های محیطی، علاوه بر این‌که درد رو به طور موثری کنترل می‌کنه، اثرات اعتیادآور نداره و داروی به مراتب safeتری هست.

🔺 لیست بالا، کارآزمایی‌های بالینی دیگه رو نشون می‌ده که در حال انجام هستن و روی مکانیسم‌های مشابهی برای کنترل درد کار می‌کنن و می‌تونن نویدبخش ظهور استاندارهای جدید در این مقوله باشن.

🔖 لینک DOI مقاله:
🔗 https://doi.org/10.5582/ddt.2025.01010

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»

📕 اپلای تحصیلی

🚨 زمان مطالعه: ۴۵ ثانیه

🔗 #اپلای

🔺 یکی از اصلی‌ترین دلایل ریسرچ و چاپ مقاله، اپلای تحصیلی و گرفتن پوزیشن‌های اپلای در دانشگاه‌های برتر جهان هست. تا چند سال پیش که مستند «میراث آلبرتا» منتشر نشده بود، خیلی اطلاعات زیادی در رابطه با مهاجرت تحصیلی موجود نبود و اکثر اطلاعات هم سینه به سینه منتقل می‌شد.

🔹 طی سالیان اخیر اما دانشجویانی که خودشون این مسیر رو طی کردند، به ایجاد کانال‌ها و راه‌های ارتباطی مختلف جهت انتقال تجربه رو آوردند. معمولا دانشجوهای دانشگاه‌های برتر ایران هم هستند که مسیر رو یک بار می‌رن و در ادامه به آموزش همین مسیر به افراد دیگر می‌پردازند.

🔻 یکی از این کانال‌ها که توسط دانشجوها تشکیل شده، کانال Apply Hints هست که در اون، پست‌های واقع‌بینانه و آموزشی در رابطه با مهاجرت تحصیلی قرار می‌گیره. اگر علاقه‌مند بودید، می‌تونید از این‌جا دنبال‌شون کنید:
🔗https://news.1rj.ru/str/sharif_admission

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»

📕 تحلیل وضعیت رشته‌ی مهندسی کامپیوتر

🚨 زمان مطالعه: ۱ دقیقه

🔗 #مهندسی

🔺 حدود ۳ سال پیش، آقای Jeff Huang، استاد دانشگاه Brown، با هدف فراهم کردن اطلاعات جامع و شفاف درباره‌ی رشته‌ی مهندسی کامپیوتر، وب‌سایت "Computer Science Open Data" رو راه‌اندازی کرد. این سایت مجموعه‌ای از داده‌های مرتبط با اساتید، رتبه‌بندی‌ها، مقالات برتر و کمک‌هزینه‌های تحصیلی در این حوزه رو ارائه می‌ده و امروز قراره درباره‌ش صحبت کنیم.

🔹 داده‌های موجود در سایت:
◀️ اساتید: اطلاعاتی درباره‌ی بیش از ۵۰۰۰ استاد مهندسی کامپیوتر در ایالات متحده و کانادا، شامل نام، دانشگاه، مدرک تحصیلی، زیرشاخه تخصصی و سال پیوستن به دانشگاه.
◀️ رتبه‌بندی‌ها: تحلیل‌هایی درباره‌ی روند استخدام اساتید در زیرشاخه‌های مختلف مهندسی کامپیوتر، مانند سیستم‌ها، نظریه، هوش مصنوعی و بین‌رشته‌ای.
◀️ مقالات برتر: اطلاعاتی درباره‌ی برندگان جوایز بهترین مقاله در کنفرانس‌های معتبر مهندسی کامپیوتر.
◀️ کمک‌هزینه‌های تحصیلی: داده‌هایی درباره‌ی میزان کمک‌هزینه‌های تحصیلی ارائه‌شده به دانشجویان دکتری در رشته‌ی مهندسی کامپیوتر.

🔹 یک نکته‌ی جالب در این داده‌ها اینه که حدود ۲۵٪ از اساتید از چهار دانشگاه MIT، دانشگاه برکلی، دانشگاه CMU و دانشگاه استنفورد فارغ‌التحصیل شدن!

🔖 منبع:
🔗 https://jeffhuang.com/computer-science-open-data/

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»

📕 تاپ‌ترین کنفرانس‌های AI برای چاپ مقاله (در سال ۲۰۲۵)

🚨 زمان مطالعه: ۱ دقیقه و نیم

🔗 #هوش‌مصنوعی

🔺 اگه در ریسرچ AI جدی هستید، چاپ مقاله در یک کنفرانس خیلی خوب، موفقیت بزرگی حساب می‌شه. این کنفرانس‌ها رقابتی‌ترین رویدادهای علمی توی دنیای AI هستن و مسیر آینده‌ی شما رو می‌تونن تغییر بدن.

🔹 معتبرترین کنفرانس‌های AI و Machine Learning

◀️ کنفرانس NeurIPS (Neural Information Processing Systems) – تاپ‌ترین کنفرانس AI/ML که توش موضوعاتی مثل Deep Learning، Reinforcement Learning و Optimization کار می‌شه. مقاله‌هایی که اینجا چاپ می‌شن، خیلی اوقات مسیر ریسرچ AI رو مشخص می‌کنن.

◀️ کنفرانس ICML (International Conference on Machine Learning) – یکی از مهم‌ترین کنفرانس‌های ML که کلی ریسرچر تاپ کاراشون رو اینجا سابمیت می‌کنن.

◀️ کنفرانس ICLR (International Conference on Learning Representations) – اگه توی Deep Learning و Representation Learning کار می‌کنی، این کنفرانس یکی از بهترین جاها برای ارائه‌ی کار شماست!

◀️ کنفرانس AAAI (Association for the Advancement of Artificial Intelligence) – یک کنفرانس OG که کلی موضوع AI مثل Planning و Reasoning و Generative AI رو پوشش می‌ده.

🔺 کنفرانس‌های تخصصی در AI

◀️ کنفرانس‌های CVPR / ICCV / ECCV – سه تا از خفن‌ترین کنفرانس‌های Computer Vision که روی Image Generation، Object Detection و AI توی بینایی ماشین تمرکز دارن.
◀️ کنفرانس‌های ACL / EMNLP – بهترین جا برای NLP که کلی کار قوی روی LLMs و Transformers و Multimodal AI این‌جا ارائه می‌شه.
◀️ کنفرانس‌های AISTATS / UAI / COLT – مخصوص اون‌هایی که روی تئوری ML و مدل‌های احتمالاتی در AI کار می‌کنن.

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»

📕 کاهش استفاده از Social Media و بهتر شدن حس‌مون نسبت به زندگی!

🚨 زمان مطالعه: ۱ دقیقه و نیم

🔗 #مقاله

🔺 امسال مقاله‌ای منتشر شده با موضوع بهبود حس ما نسبت به زندگی و ظاهرمون با کاهش استفاده از شبکه‌های اجتماعی. خوبه اشاره کنیم که شرکت‌کننده‌های آزمایش این مقاله، تعدادی از دانشجویان کارشناسی یک دانشگاه کانادایی و ثبت‌نام‌کننده در کورس روان‌شناسی، بودند.

🔺 آزمایشی که برای این پژوهش طراحی شد، این‌طوری پیش رفت که ۲۲۰ نفر که گرفتار اضطراب و افسردگی بودند در مرحله‌ی اول انتخاب شدند، باهاشون مصاحبه انجام شده و طی مصاحبه متوجه شدن که اکثر اون‌ها زمان زیادی از روزمره‌ی خودشون رو در شبکه‌های اجتماعی از جمله اینستاگرام می‌گذرونن. در نتیجه، مرحله‌ی بعدی آزمایش با توجه به این مسئله طراحی شد.

🔺 مرحله‌ی بعدی آزمایش این‌طوری طراحی شده که به ۲ گروه ۱۱۰ نفری تقسیم شدند این افراد و روی تلفن همراه یک گروه، نرم‌افزارهایی نصب شده که محدودیت استفاده از social media اعمال کنه برای اون‌ها و فقط روزانه ۱ ساعت بتونن در شبکه‌های اجتماعی خودشون زمان بگذرونن، گروه دوم اما روند عادی زندگی خودشون رو پیش بردن. مدت زمان این مرحله از آزمایش هم ۴ هفته بوده.

🔹 نهایتا بعد از ۴ هفته نتایج نشون داده که استفاده‌ی کمتر از social media تاثیر خیلی زیادی روی دیدِ مثبت‌تر افراد نسبت به مسائل زندگی خودشون از جمله ظاهر، وزن و باقی حس‌ها داشته.

🔻 آزمایشی هم که انجام شده در این مقاله خیلی large scale هست در نوع خودش، معمولا duration آزمایش هر چی می‌ره بالاتر، تعداد شرکت‌کننده‌ها میاد پایین‌تر ولی کنترل کردن ۲۲۰ نفر به مدت ۴ هفته واقعا کار سختی‌ست.

🔹 خلاصه، به نظر برای زندگی بهتر، محدود کردن استفاده از social media یک راه حل هست!

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»