🔻 سختی ادمیشن Ph.D این روزها در Machine Learning

⌛️ زمان مطالعه: ۱ دقیقه

🔹 #دکتری

💥 حدودا ۵ ماه از این پست reddit می‌گذره:
🔗 https://www.reddit.com/r/MachineLearning/comments/1c2x5mx/d_folks_here_have_no_idea_how_competitive_top_phd/

🔺 شاید خیلی ترسناک به نظر بیاد محتوای پست، شاید خیلی از کامنت‌های همین پست مخالفش هستند و شاید تجربه‌ی biasedای باشه، اما خوبه درباره‌ی اون صحبت کنیم.

🔺 خیلی خلاصه بخوایم درباره‌ش صحبت کنیم، پست درباره‌ی این صحبت می‌کنه که این روزها ادمیشن گرفتن برای دکتری در زمینه‌ی Machine Learning و به‌خصوص فیلد Natural Language Processing خیلی سخت‌تر از قبل شده، افراد با ۷ ۸ تا مقاله در کنفرانس‌های معتبر جهان اپلای می‌کنند و بعضا مقاله‌های بسیار باکیفیتی هم هستن که جایزه‌ی بهترین مقاله‌ی اون کنفرانس رو هم دریافت می‌کنن. افراد خیلی‌هاشون اینترنشیپ‌های بسیار خفنی در بهترین شرکت‌های دنیا از جمله Google دارند و خیلی‌ها از بهترین Recommendation Letterهای اساتید خیلی خوب دانشگاه‌های معتبر استفاده می‌کنن و دیگه آسون نیست phd گرفتن و در واقع admission برای phd در فیلد ML.

🔺 کامنت‌های زیادی هم البته هست زیر این پست. بحث خوبی شکل گرفته. بحث درباره‌ی اینه که انقدر یاد گرفتن مهارت‌های مختلف از جمله تکنیک‌های Machine Learning آسون شده و دسترسی به courseهای مختلف امکان‌پذیر، که درآمدزایی در این زمینه هم نیاز نداره که شما phd بگیرید و بعدش برید سر کار و خیلی افراد بدون مدرک آکادمیک الان سر کار می‌رن در همین فیلد و درآمدهای خیلی بالا دارن.

🔺 کامنت دیگری هست درباره‌ی این‌که شخصی با مدرک phd در یک فیلد کاملا نامرتبط، ریسرچ Machine Learning انجام می‌ده این روزها و به تولید productهای جدید از اون‌ها مشغوله و کاملا self-taught به Machine Learning رو آورده برای کارش!

🔹 شاید خوب باشه بررسی پست‌های جدید reddit و مسائل مربوط به ریسرچ برای نتیجه‌گیری درباره‌ی میزان رقابت دکتری خواندن در کشورهای خوب دنیا در این زمینه.

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

🔅 «آکادمی هرم | @Pyramid_Research»

🔻 دنیای LLMها و ChatGPT

⌛️ زمان مطالعه: ۱ دقیقه

🔺 احتمالا وقتی کلمه‌ی LLM رو می‌خونید، متوجه نمی‌شید داستان این پست چیه. حتی اگر بگیم مخفف Large Language Models هم هست شاید خیلی واضح نباشه. اما اگر بگیم یک نمونه‌ی اون، ChatGPT هست که دنیا رو زیر و رو کرده دیگه واضح خواهد بود براتون. در این پست می‌خوایم راجع به LLMها صحبت کنیم و در پست‌های آینده خیلی بیشتر درباره‌ی مقالات مربوط به اون‌ها و تفاوت‌های بارزی که در زندگی روزمره‌ی ما به وجود میارن، صحبت خواهیم کرد.

🔺 مدل‌های زبانی بزرگ (Large Language Models) یا به اختصار LLMها، یکی از فناوری‌های پیشرفته‌ای هستن که بر مبنای هوش مصنوعی توسعه داده شدن. این مدل‌ها، که از یادگیری عمیق و شبکه‌های عصبی بهره می‌برن، به توانایی پردازش زبان‌های طبیعی (Natural Language Processing) دست یافتن و می‌تونن متونی بسیار شبیه به زبان انسان تولید کنن. کاربردهای گسترده‌ای که این مدل‌ها دارن، از پردازش و تحلیل داده‌های متنی تا تولید خودکار محتوا و حتی ترجمه و نوشتن مقالات علمی، نشان‌دهنده‌ی قابلیت‌های فوق‌العاده اون‌هاست.

🔺 اما بخوایم به زبان ساده بیان کنیم قابلیت‌های اون‌ها رو، کافیه به این فکر کنید یک هوش مصنوعی وجود داره که همه‌ی متن‌های ممکن رو قبلا خونده و وقتی شما سوال جدید ازش می‌پرسید، سوال شما رو با علمش تطبیق می‌ده و سعی می‌کنه خلاصه کنه دانش خودش رو در اون زمینه‌ی خاص و به شما پاسخ مربوط رو بده. یکی از دلایلی که بعضی وقت‌ها خیلی جواب‌ها کلی و general به شما می‌ده و اون پاسخی نیست که انتظار دارید، همین مورد هست که دیتای خیلی زیادی داره در هر زمینه‌ای و خلاصه کردن این دیتای با حجم بالا، به general شدن پاسخ نهایی می‌انجامه.

🔺 درباره‌ی ساختار LLMها بخوایم صحبت کنیم، مدل زبانی بزرگ اساساً یک شبکه عصبی پیچیده‌ست که با استفاده از داده‌های متنی وسیع آموزش دیده. این مدل‌ها توانایی درک و یادگیری از متن‌های نوشته‌شده رو از طریق پیش‌بینی توالی کلمات به دست میارن. به این معنی که با دیدن بخشی از یک متن، مدل قادر هست کلمه یا جمله بعدی رو با دقت بالایی پیش‌بینی کنه.

🔹 این مطالب، شروع صحبت ما درباره‌ی LLMها، دنیای ChatGPT و تفاوت ایجاد شده بعد از به‌وجود اومدن اون‌هاست. در ادامه خیلی بیشتر درباره‌ی ساختار، پیاده‌سازی، مطالب فنی‌تر و مقالات اون‌ها صحبت خواهیم کرد.

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

🔅 «آکادمی هرم | @Pyramid_Research»

🔻 مقالات Case Series

⌛ زمان مطالعه: یک دقیقه

🔹 #آموزش
🔹 #پزشکی

🔺 در این پست راجع‌به معیارهای CARE برای نوشتن Case Report صحبت کردیم.

🔺 یکی دیگه از انواع مقاله که هنوز در رده‌های پایین هرم پژوهش قرار داره، case series هست.

🔺 به طور کلی case series از گزارش چند کیس (معمولا کمتر از ۱۰ کیس) مرتبط و همسو با همدیگه تشکیل می‌شه، و معیارهای CARE در رابطه با نوشتن این نوع مقالات هم صادق هستن!!

🔺 چندتا نکته‌ی کلی هست که دونستش می‌تونه به بهتر شدن سطح کیفی مقاله کمک کنه و اتفاقا بعضی از ژورنال‌ها هم بهش اشاره کردن:

🔹 مداخلات، درمان‌ها و follow-up همه کیس‌ها بهتره که مستند باشن
🔹 گاها ممکنه توی بعضی از مقالات ببینین که روی متغیرهای بیسیک کیس‌ها مثل اطلاعات دموگرافیک (سن و جنس و...) آنالیز آماری صورت گرفته
🔹 اگر تعداد کیس‌ها بیشتر از ۱۰ تا بشه، احتمالا بد نیست که آنالیز آماری مفصل‌تری هم انجام بدین! البته توی این حالت شاید بهتر باشه نوع مطالعه تغییر کنه و مثلا از نوع کوهورت گذشته‌نگر بهش نگاه بشه.

🔺 در پیوست یک مقاله‌ی case series از پژوهشگرهای کشور خودمون گذاشتیم که می‌تونین مطالعه و قسمت‌های مختلفش رو بررسی کنین.

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

🔅 «آکادمی هرم | @Pyramid_Research»

🔻 افت ۴۵ درصدی پذیرش دانشجوهای international در دانشگاه‌های کانادا

⌛ زمان مطالعه: یک دقیقه و نیم

🔹 #اپلای

🔺 اخیرا بحث اپلای به کشورهای آمریکا و کانادا خیلی داغ‌تر از قبل شده و با توجه به admission ساده‌تر و البته ارزشمندتر دانشجوها در دانشگاه‌های این کشورها نسبت به پذیرش از کنکور ارشد و دکتری در دانشگاه شریف و تهران، خیلی از دانشجوهای دانشگاه‌های کشور و به‌خصوص رشته‌های مهندسی، به اپلای برای این دانشگاه‌ها و تحصیل در مقاطع ارشد و دکتری می‌پردازن.

🔺 اما طبق سیاست جدید دولت کانادا، پذیرش دانشجوهای خارجی در دانشگاه‌های کانادا، افت ۴۵ درصدی داشته است. دولت فدرال، سقفی برای دانشجوهای بین‌المللی تعیین کرده تا فشار روی خدمات مثل مسکن و بهداشت رو کم کنه، ولی به نظر می‌رسه این طرح جواب نداده. می‌گن این سقف باعث شده تعداد پذیرش‌ها از ۳۶۴ هزار تا تو سال ۲۰۲۴ به حدود ۲۹۲ هزار تا کاهش پیدا کنه.

🔺 حالا مایکل مک‌دونالد، مدیر روابط دولتی کالج‌ها و مؤسسات کانادا، می‌گه افت ثبت‌نام خیلی شدیدتر از این حرفاست و دانشگاه‌ها و کالج‌ها ممکنه حتی بیشتر از این هم ضرر ببینن.

🔺 این کاهش شدید دانشجوها می‌تونه خیلی روی توانایی مدارس برای ارائه آموزش خوب تأثیر بذاره. به‌خصوص که دانشجوهای بین‌المللی علاوه بر پولی که برای تحصیل می‌دن، به اقتصاد کانادا هم کمک می‌کنن. البته که جذب دانشجوهای خارجی و مخصوصا ایرانی، در دانشگاه‌های کانادا همواره زیاد بوده و خیلی وقت‌ها باکیفیت‌ترین دانشجوهای ایرانی، مقصد مهاجرت خودشون رو کانادا انتخاب می‌کردن تا ریسک ریجکتی ویزای آمریکا و البته چالش‌های مالیاتی اروپا رو نداشته باشن.

🔺 حالا بحث اینه که دولت کانادا باید چیکار کنه؟ میلر می‌گه لازمه دولت هرچه زودتر یه کمپین بازاریابی جهانی رو شروع کنه تا شهرت کانادا رو به عنوان یه مقصد برای بهترین‌ها و باهوش‌ترین‌ها برگردونه. احتمالا تا انجام هر اقدامی زمان زیادی طول می‌کشه و ادمیشن‌های کانادا در ادامه‌ی سیاست‌های سال قبل، امسال نیز کم و کم‌تر بشن.

🔺 از دلایل اصلی این اتفاق می‌شه به مهاجرت خیلی زیاد دانشجوهای هندی، افزایش نرخ بیکاری و قیمت مسکن اشاره کرد.

⭐ منبع این پست:
🔗 https://globalnews.ca/news/10738537/universities-canada-international-student-enrolment-drop/

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

🔅 «آکادمی هرم | @Pyramid_Research»

🔻 شاخص H-index

⌛ زمان مطالعه: یک دقیقه و نیم

🔹 #معرفی

🔺 یکی از شاخص‌هایی که (شاید به اشتباه!!) برای سنجش تاثیر علمی محقق‌ها به کار می‌ره، H-index هست.

🔺 به طور کلی اگه بخوایم با یک مثال ساده تعریفش کنیم، شما برای اینکه H-indexای برابر با q داشته باشین، باید q تا مقاله داشته باشین که هر کدوم q بار مورد استناد سایر پژوهش‌ها قرار گرفته یا به اصطلاح citation خورده باشه.

🔺 اما برای این‌که درمورد رزومه‌ی پژوهشی یک فرد قضاوت کنین، این شاخص کافی نیست! مسائلی مثل نوع مطالعه، کیفیت مقاله، کیفیت ژورنال و حتی خود استنادی می‌تونن توی impact حقیقی پژوهش‌گر و پایین یا بالا بودن این شاخص، موثر باشن.

🔺 برای مثال عموما مطالعات ریویو یا مطالعات اپیدمولوژیک سایتیشن‌های زیادی می‌خورن و بالعکس، مطالعات کوهورت ممکنه به نسبت انرژی‌ای که برای انجام‌شون برده می‌شه، سایتیشن‌های کمتری بخورن!

🔺 بنابراین نکته‌ای که مهمه اینه که بیشتر روی کیفیت مقاله‌تون کار کنید تا اینکه صرفا رزومه‌تون رو پر کرده باشین و H-index بالایی داشته باشین 😉

🔹 گذشته از این مسائل شما داخل سایت زیر می‌تونین H-index اساتید فعال در وزارت بهداشت رو مشاهده کنین و در صورت علاقه به فیلد کاری‌شون باهاشون لینک بشین.

🔗 https://isid.research.ac.ir/

🔹 تصویر پست هم مربوط به پروفسور رونالد کسلر هست که بالاترین H-index رو در دنیا دارن 😎🔥

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

🔅 «آکادمی هرم | @Pyramid_Research»

🔻 استخراج اطلاعات documentهای مختلف با AI

⌛ زمان مطالعه: ۱ دقیقه و نیم

🔹 #مقاله

🔺 احتمالا برای شما هم پیش اومده که بخواید در کوتاه‌ترین زمان ممکن، جواب خودتون رو از sourceهای مختلف که تعداد صفحات بالایی هم دارن پیدا کنید. از وقتی مدل‌های زبانی پیشرفت قابل توجهی کردند، یکی از taskهای مدنظر تعداد زیادی از ریسرچرها، استخراج اطلاعات از documentها و سوال و جواب آنلاین با کمک مدل‌های زبانی بوده و هست.

🔺 اما اخیرا محققانی از دانشگاه استنفورد و شرکت Adobe، مقاله‌ای رو منتشر کردند که با استفاده از ابزار اون، عملیات پرسش و پاسخ روی فایل‌ها و اسناد مختلف خیلی آسون‌تر شده. PDFTriage که ابزار این مقاله هستش، قادره به صورت خودکار ساختار محتوایی یک سند PDF رو تشخیص بده و سپس به سوالات مختلفی که از اون سند پرسیده می‌شه در سریع‌ترین زمان ممکن و با کیفیت بالا، پاسخ بده.

🔺 اما خب شاید فکر کنید خیلی مقاله‌های مشابهی هستن و همین کار رو می‌کنن که فکر درستی هم هست، اما تفاوت اصلی این approach با روش‌های دیگه، اینه که در نظر گرفته خیلی از webpageها، pdfها و فایل‌ها، شامل جدول، تعداد صفحات زیاد، بخش و عکس هستند و اون‌ها رو هم با استفاده از PDFTriage می‌تونید آنالیز کنید. در واقع اکثر مقالات از این روش استفاده می‌کنن که متن‌های مربوط به سوال شما رو استخراج می‌کنن از pdf و پاسخ شما رو از اون متون جمع‌بندی می‌کنن، اما این روش همه‌ی بخش‌های فایل رو بررسی می‌کنه حتی عکس‌ها و جدول‌ها و نهایتا خروجی رو از همه‌ی اطلاعات مربوطه جمع‌بندی می‌کنه.

🔺 یکی دیگه از contributionهای این مقاله، ایجاد دیتاستی شامل بیش از ۹۰۰ سوال نوشته‌ی انسان بر روی بیش از ۸۰ فایل ساختارمند از ۱۰ موضوع مختلف هست که باعث می‌شه کارهای آتی مربوط به این موضوع آسون‌تر بشن و بتونن از این دیتاست هم به عنوان نمونه استفاده کنن.

🔹 لینک مقاله:
🔗 https://huggingface.co/papers/2309.08872

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

🔅 «آکادمی هرم | @Pyramid_Research»

🔻 پادکست آکادمی پژوهش

🔹 #معرفی

🔺 اگر به محتوای شنیداری علاقه‌مند هستین و می‌خواین در مورد ریسرچ یاد بگیرین، پیشنهاد می‌کنیم پادکست دکتر خاوریان رو گوش بدین ☺️

🔺 توی این پادکست در مورد اصول بیسیک مقاله‌نویسی، پایان‌نامه‌نویسی، دفاع از پایان‌نامه، ویژگی‌های مقاله‌ی ردنشدنی و خیلی موارد مربوط دیگه توضیحات خوبی دادن.

🔗 https://castbox.fm/va/5085030

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

🔅 «آکادمی هرم | @Pyramid_Research»

🔻 دانشگاه‌های برتر ایران براساس آخرین رتبه‌بندی US NEWS

۱. دانشگاه تهران - رتبه‌ی ۲۷۵ جهان
۲. دانشگاه آزاد - رتبه‌ی ۳۷۴ جهان
۳. دانشگاه صنعتی شریف - رتبه‌ی ۵۱۶ جهان
۳. دانشگاه علوم پزشکی تهران - رتبه‌ی ۵۱۶ جهان
۵. دانشگاه تبریز - رتبه‌ی ۵۲۱ جهان
۶. دانشگاه امیرکبیر - رتبه‌ی ۶۴۹ جهان
۷. دانشگاه تربیت مدرس - رتبه‌ی ۶۶۵ جهان
۸. دانشگاه علوم پزشکی تبریز - رتبه‌ی ۷۲۶ جهان
۹. دانشگاه علوم پزشکی ایران - رتبه‌ی ۷۴۳ جهان
۱۰. دانشگاه علوم پزشکی شهید بهشتی - رتبه‌ی ۷۵۸ جهان

🔺 نکات جالب این لیست:
🔹 دانشگاه صنعتی شریف و دانشگاه علوم پزشکی تهران با هم در رتبه‌ی ۳ ایران و ۵۱۶ جهان قرار دارند.
🔹 دانشگاه‌ها براساس عملکرد پژوهشی و ریتینگ اعضای جامعه‌ی آکادمیک‌شون در جهان رتبه‌بندی شده‌اند.
🔹 ۱۸ دانشگاه ایران در ۱۰۰۰ دانشگاه برتر جهان حضور دارند.

🔹 لینک منبع:
🔗 https://www.usnews.com/education/best-global-universities/iran

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

🔅 «آکادمی هرم | @Pyramid_Research»

🔻 بات‌های تلگرامی ریسرچ‌محور

🔗 ابزارهای مرتبط به ریسرچ روز به روز بیشتر می‌شن و کار ما رو هم راحت‌تر می‌کنن. یک دسته از این ابزارها، بات‌های تلگرام هستن که برای دسترسی به منابع علمی ایجاد شدن. با استفاده از این بات‌های تلگرامی، به سادگی به مقالات علمی، منابع پژوهشی و کتاب‌ها دسترسی پیدا کنید. دیگر نیازی به جستجوی طولانی نیست، فقط کافی‌ست که عنوان یا DOI مقاله مورد نظر خودتون رو وارد کنید و بگذارید بات‌ها کارشون رو انجام بدن!

🔻 بهترین بات‌های تلگرام برای دسترسی به مقالات علمی:
🔗 @sks7777777nexusbot
🔗 @Fr_lib_pirate_bot
🔗 @NexusbotBot

🔹 بهترین بات‌های تلگرام برای دسترسی به کتاب‌ها:
🔗 @nexus_bookss_bot
🔗 @subitoafk_bot
🔗 @Nexus_books_moji_bot
🔗 @rcbook_bot
🔗 @nexusbooks_maxenswlfr_bot
🔗 @Crawl_for_books_bot

✍️ سوالی که ممکنه پیش بیاد اینه که چطوری از بات‌ها استفاده کنیم. برای استفاده از بات‌ها، این مراحل رو طی کنید:

🗯 روی نام هر یک از این ربات‌ها کلیک کنید و اون‌ها رو start کنین،
🗯 عنوان، DOI یا کلیدواژه‌های مقاله یا کتابی که به دنبال اون هستین رو وارد کنین،
🗯 ربات، لینک‌های دانلود یا گزینه‌های دسترسی رو برای شما فراهم می‌کنه.

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

🔅 «آکادمی هرم | @Pyramid_Research»

💻 آکادمی هرم | Pyramid!

ما در هرم سعی می‌کنیم از دنیای ریسرچ، ابعاد مختلف و کاربردی اون، پژوهش‌های مقاطع مختلف و لبه‌ی تکنولوژی و علم صحبت کنیم.

🌐 بررسی مقالات فیلدهای پزشکی و مهندسی
🌐 آموزش ریسرچ
🌐 معرفی اپلای و اینترنشیپ
🌐 ارتباط با اساتید معتبر ایران و جهان

برای پیدا کردن پست مدنظر خودتون، کافیه از این هشتگ‌ها استفاده کنید:

🔗 #آموزش
🔗 #معرفی
🔗 #پزشکی
🔗 #مهندسی
🔗 #هوش‌مصنوعی
🔗 #مقاله
🔗 #اپلای
🔗 #دکتری
🔗 #ارشد
🔗 #کارشناسی

✅ روابط عمومی کانال:
✈️ @Pyramid_Research_Support

😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم | @Pyramid_Research»

🔻 ریسرچ و پژوهش در شرکت‌های معتبر جهانی

⌛ زمان مطالعه: یک دقیقه

🔺 احتمالا شنیدید که افراد خیلی وقت‌ها دنیای صنعت و کار رو جدای از دنیای پژوهش و آکادمیک می‌دونن، در این پست قراره درباره‌ی پوزیشن‌های تحقیقاتی تو شرکت‌های معتبر جهان از جمله مایکروسافت، گوگل و آمازون صحبت کنیم.

🔺 یکی از دلایلی که دانشجوهای هندی، چینی و خیلی کشورهای دیگه پوزیشن‌های اپلای بهتری نسبت به ما ایرانی‌ها می‌گیرن، اینه که تجربیات ریسرچ رو در شرکت‌های معتبر خیلی وقت‌ها کسب می‌کنن و استادی که می‌خواد دانشجوی phd بگیره، خیلی راحت کسی که ۱ سال تو مایکروسافت کار کرده و هندی هست رو ترجیح می‌ده به کسی که با یکی دوتا استاد ایرانی کار کرده. این موضوع خیلی رایج‌تر می‌شه زمانی که پوزیشن‌های ریسرچ در شرکت‌های Tech بیشتر و بیشتر می‌شن و افراد رزومه‌ی خیلی خوبی می‌سازن با همون ریسرچ نرمال در این شرکت‌های معتبر.

🔹 این پست Reddit رو ببینید:
🔗 https://www.reddit.com/r/OperationsResearch/comments/1dee901/are_there_any_large_companies_that_have_research/

🔺 یکی از کامنت‌ها نوشته:

Google has OR researchers. They recently published a new algorithm for solving the liner ship network design problem.

🔹 احتمالا براتون سوال می‌شه چرا یک سری افراد از گوگل باید مقاله چاپ کنن، خب چرا نباید برای همون productهای گوگل که میلیاردی ازش استفاده مي‌کنن افراد، feature جدید اضافه بکنن. واقعیت اینه شرکت‌ها بعد یک مدتی پی بردن لزوما ساید صنعتی، اون بخشی نیست که باعث پیشرفت می‌شه. خیلی وقت‌ها اون مسائلی که تاثیر بلندمدتی می‌ذارن و نیاز به نیروی Full Time بلندمدت دارن، در ریسرچ حل می‌شن، نه در صنعت که شما خروجی رو خیلی زود می‌خواید؛ یا خیلی وقت‌ها، شما نیاز دارید روی یک مسئله‌ی Open هزینه کنید و انتظار خروجی هم لزوما نداشته باشید، همه‌ی این‌ها در دنیای ریسرچ ممکنه و صنعت جواب‌گو نیست. برای همینه که ساید تحقیقاتی شرکت‌های بزرگ هم فعالند و ریسرچر هم جذب می‌کنن!

🔺 معمولا آرزوی خیلی از دانشجوهای ایرانی، ریسرچر شدن (به خاطر فضای اپلای دانشجویی کشور ما) در یکی از این شرکت‌های معتبر هست. شاید خوب باشه بدونید خیلی از ریسرچرهای گوگل، آمازون و مایکروسافت ایرانی هستند!

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

🔅 «آکادمی هرم | @Pyramid_Research»

🔻 وب‌سایت ResearchRabbit و آسان‌سازی Literature Review

⌛ زمان مطالعه: یک دقیقه

🔗 #معرفی

🔺 وبسایت ResearchRabbit یک پلتفرم پیشرفته و ابزاریه که برای بهینه‌سازی فرآیند literature review طراحی شده. این ابزار با ارائه visualizationها از کامیونیتی‌های ریسرچ و ارتباط کارها با همدیگه، به شما این امکان رو می‌ده که مقالات مرتبط رو پیدا کنین، ترندهای نوظهور رو پیگیری کنین و به عمق ارتباطات بین نویسندگان و موضوعات در زمینه‌ی مدنظرتون بپردازین.

🔺 کارهایی که می‌تونید با ResearchRabbit انجام بدید:

🔹 پیدا کردن آسون مقالات مرتبط: به راحتی جدیدترین و مرتبط‌ترین مقاله‌های مرتبط با علایق پژوهشی خودتون رو می‌تونید پیدا کنید.
🔹 ویژوالایز کردن گراف Co-Authorship: با گشتن تو شبکه‌های پیچیده‌ی ارتباط بین مقالات، نویسندگان و همچنین دیدگاه جامعی از فضای ریسرچ فیلد مدنظر رو می‌شه بدست آورد.
🔹 ایجاد و همکاری در مجموعه‌ها (collections): مقالات رو در مجموعه‌های موضوعی، سازماندهی کنین و با همکاران خود از طریق اشتراک‌گذاری بینش‌ها و یادداشت‌ها همکاری کنین.

🔺 بزودی درباره‌ی جزئیات انجام هر کدوم از این کارها هم صحبت می‌کنیم و با عکس نشون می‌دیم چطوری می‌شه این کارها رو انجام داد و خیلی ساده‌تر مراحل ابتدایی نوشتن مقاله رو پیش برد.

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

🔅 «آکادمی هرم | @Pyramid_Research»

📕 استفاده از قابلیت‌های مختلف ResearchRabbit

🚨 زمان مطالعه: یک دقیقه

🔗 #معرفی

🔺 حالا درباره‌ی این‌که چطوری از این قابلیت‌ها می‌شه استفاده کرد، صحبت می‌کنیم. روندها به این شکله:

🔹 جستجوی اولیه: یک مقاله کلیدی، نام نویسنده یا موضوع مورد نظر رو در نوار جستجوی ResearchRabbit وارد کنین.
🔹 بررسی پیشنهادات: ResearchRabbit لیستی از مقالات مرتبط رو ارائه می‌ده که نه تنها براساس citationها، بلکه براساس شباهت‌های موضوعی هست، بنابراین مقالاتی رو که ممکنه با موتورهای جستجوی سنتی از دست بدید، پیدا می‌کنید.
🔹 تنظیم فید: با اشتراک در به‌روزرسانی‌های مجموعه‌های خود، هنگامی که مقالات جدید مرتبط منتشر می‌شن، نوتیف دریافت می‌کنین و از خبرهای فیلد خودتون مطلع می‌مونید.

🔺 ویژوالایز کردن گراف Co-Authorship:

🔹 دسترسی به گراف‌های شبکه افراد: برای هر مقاله یا نویسنده، به بخش «Networks» برید. در اینجا می‌تونید گراف‌هایی ‌از ارتباطات رو مشاهده کنین.
🔹 تحلیل روابط: با کلیک بر روی nodeهای مقالات یا نویسندگان، ارتباطات اون‌ها رو بررسی کنین. این کار به شناسایی آثار تأثیرگذار و همکاران کلیدی کمک می‌کنه.
🔹 شناسایی روندهای پژوهشی: با مشاهده‌ی کلاسترها و ارتباطات، می‌تونید حوزه‌های نوظهور رو شناسایی کنین.

🔺 ایجاد و همکاری در مجموعه‌ها (collections):

🔹 مرتب کردن فرآیند Literature Review: مقالات رو در مجموعه‌هایی براساس موضوع یا پروژه اضافه کنین تا مراجع‌تون ساختارمندتر و قابل دسترسی باشن.
🔹 اشتراک با همکاران‌تون: با وارد کردن ایمیل اون‌ها، همکاراتون رو به مجموعه‌های خودتون دعوت کنین تا اون‌ها بتونن مقالات رو مشاهده، اضافه و در یادداشت‌ها مشارکت کنن.
🔹 یادداشت‌گذاری و بحث: از ویژگی یادداشت‌گذاری برای افزودن نظرات به مقالات استفاده کنین؛ ایده‌آل برای پروژه‌های گروهی یا دریافت بازخورد از همکارها.

🔺 با وجود تمام این ویژگی ها، ResearchRabbit به‌طور قابل توجهی فرآیند literature review رو بهبود می‌بخشه. این ابزار به شما امکان می‌ده به‌صورت کارآمد در میان حجم گسترده‌ای از مقالات علمی سرچ کنین، ارتباط مقاله‌ها و ریسرچرها رو کشف کنین و به سادگی با دیگران همکاری داشته باشید.

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

🔅 «آکادمی هرم 💎 @Pyramid_Research»

📕 مطالعات Observational

🚨 زمان مطالعه: یک دقیقه

🔗 #آموزش
🔗 #پزشکی

🔺 چک‌لیست STROBE چک‌لیستیه که برای نوشتن با کیفیت‌تر مطالعه‌های observational (کراس سکشنال، کیس کنترل، کوهورت) استفاده می‌شه.

🔺 فایلی که پیوست کردیم، مربوط به این چک‌لیست برای مطالعه‌های کیس کنترل هست و از لینک زیر می‌تونین این چک‌لیست رو برای سایر انواع مطالعه‌هایی که بالاتر گفتیم هم دانلود کنین:
🔗 https://www.strobe-statement.org/checklists/

🔺 توی این چک‌لیست‌ها در مورد موارد مختلفی مثل اینکه مشارکت‌کننده‌ها رو به چه صورت انتخاب می‌کنیم، در هر گروه چند نفر هستند و چگونه اون‌ها را انتخاب و match می‌کنیم، توضیح داده شده.

🔺 نکته‌ی مهمی که وجود داره اینه که باید design مقاله خودتون رو مشخص کنین و در ابتدا تفاوت مقاله‌های کیس کنترل، کوهورت و کراس سکشنال رو فهمیده باشین.

🔹 این تفاوت ها که مربوط به exposure، outcome و تایم‌لاین زمانی مطالعه هست، توی پست بعد به زیبایی نشون داده خواهند شد!

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

🔅 «آکادمی هرم 💎 @Pyramid_Research»