📕 تفسیر نمودارهای Forest Plot

🚨 زمان مطالعه: ۲ دقیقه

🔗 #معرفی
🔗 #پزشکی

🔺 چند روز پیش یکی از دوستام می‌گفت که توی جلسه ژورنال کلاب دانشگاه چندتا از اتندها مدت طولانی‌ای درباره تفسیر یک نمودار forest plot بحث می‌کردن.

🔹 به همین واسطه این‌جا در موردش یک توضیح اجمالی‌ای می‌دیم و بعدا درمورد مقاله‌های متاآنالیز بیشتر صحبت می‌کنیم.

🔺 نمودار بالا که حتما توی متاآنالیزها دیدین، یک نمودار forest plot هست که نتایج مقاله‌های گردآوری شده رو به یک روش استاندارد مثل relative risk یا odds ratio نمایش می‌ده و در نهایت یک برآورد کلی از همه‌ی اون‌ها می‌تونیم داشته باشیم.

🔺 در عکس بالا یک متاآنالیز رو می‌بینید که شامل هشت مطالعه‌ی مختلف هست که هر کدوم رو به صورت یک مربع و یک خط، به همراه risk ratio و confidence interval 95% نشون داده. اندازه‌ی هر مربع هم متناسب با وزن و تاثیری هست که توی برآورد کلی داره.

🔺 خط عمودی هم مربوط به بی‌اثر بودن درمان یا مداخله اون مطالعه‌ست و اگر که CI شامل عدد 1 باشه (خط عمودی رو قطع کرده باشه)، قابل برداشت هست که نتیجه مطالعه در سطح متعارف (اینجا 0.05) معنی‌دار نیست.

🔺 لوزی خط آخر هم نشون‌دهنده‌ی ترکیب risk ratioها و برآورد کلی هست که خط عمودی رو قطع نکرده و به نظر مداخله‌ی ما تاثیر معناداری در نتایج داشته!

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

🔅 «آکادمی هرم 💎 @Pyramid_Research»

📕 ترسیم نمودارهای Forest Plot

🚨 زمان تماشای ویدیو: ۱۳ دقیقه

✅ لینک زیر هم مربوط به یک کلیپ کوتاه در مورد ترسیم ساده‌ی این نمودار در اکسل هست که توضیح مختصر و مفیدی درباره‌ی اون داده.

🔹 لینک ویدیو:
🔗 https://youtu.be/jUXEHHqHAc0?si=egcqQmcAowqH99Av

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

🔅 «آکادمی هرم 💎 @Pyramid_Research»

🔻 فراتر از Impact Factor: شناخت دقیق‌تر متریک‌های مرتبط به ریسرچ

🚨 زمان مطالعه: ۱ دقیقه و نیم

🔗 #معرفی

🔺 وقتی می‌خوایم موفقیت یک مقاله پژوهشی رو ارزیابی کنیم، معمولاً Impact Factor خیلی مطرح می‌شه. ولی اینکه فقط به این شاخص تکیه کنیم، ممکنه تصویر دقیقی از تأثیر و اهمیت یه ریسرچ نده.

🔹 نکات کلیدی:

🔖 محدودیت‌های Impact Factor: اینکه مقاله در یک ژورنال با Impact Factor بالا منتشر بشه، همیشه به این معنی نیست که کیفیت یا اهمیتش بالاست. این شاخص یه میانگینه و می‌تونه تحت تأثیر چند مقاله پرارجاع باشه.
🔖 معیار Altmetrics: Altmetrics میزان توجهی که مقاله در شبکه‌های اجتماعی، رسانه‌ها، وبلاگ‌ها و... می‌گیره رو دنبال می‌کنه. این متریک سریع‌تر عمل می‌کنه و بهت می‌گه چقدر مقاله در کامیونیتی مطرح شده.

🔺 اما خب Impact Factor چیه؟ ضریب تاثیر یا ایمپکت فاکتور (Impact Factor) شاخصی علمی هست که میانگین تعداد استنادها (Citation) به مقالات اخیر منتشر شده در مجله‌ای علمی رو نشان می‌ده. این شاخص می‌تونه نشانه و نمادی از اعتبار مجله و مقالاتی باشه که در اون به چاپ رسیدن. مهم‌ترین نکته اینه که میانگین رو نشون می‌ده این عدد و نمی‌شه به راحتی درباره‌ی کیفیت همه‌ی مقالات یک ژورنال با این معیار تصمیم‌گیری کرد.

🔹 در پست‌های آينده بیشتر درباره‌ی معیارهای سنجش ارزش یک مقاله و پژوهش بیشتر صحبت می‌کنیم و به معرفی معیارهای بیشتری خواهیم پرداخت.

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

🔅 «آکادمی هرم | @Pyramid_Research»

🔻 بهره‌وری و تأثیرگذاری: قدرت h-index و g-index

🚨 زمان مطالعه: ۲ دقیقه

🔗 #معرفی

🔺 حالا که Impact Factor بیشتر به ژورنال‌ها می‌پردازه، شاخص‌های h-index و g-index روی پژوهشگرها تمرکز دارن و ترکیبی از تعداد مقالات و تعداد ارجاعاتی که گرفتن رو بررسی می‌کنن.

🔹 نکات کلیدی:

🔖 معیار h-index: این شاخص رو قبلا این‌جا معرفی کردیم. همون‌طور که گفتیم، این شاخص هم بهره‌وری و هم میزان ارجاع به کارهای یک پژوهشگر رو می‌سنجه. مثلاً، اگه یک پژوهشگر h-indexش ۱۰ باشه، یعنی حداقل ۱۰ تا مقاله داره که هر کدومشون حداقل ۱۰ بار ارجاع داده شدن. البته این شاخص خیلی توجهی به اینکه این ارجاعات از کجا میان یا اهمیت هر مقاله نداره.
🔖 معیار g-index: نسخه بهبودیافته h-index که به مقالات پرارجاع بیشتر وزن می‌ده. این شاخص بهتر نشون می‌ده پژوهشگرهایی که تعداد مقالات کمتر ولی تأثیر بیشتری دارن چطوری عمل کردن.

🔺 به طور کلی مهم ترین چیز اینه که سعی کن هم مقالات با کیفیت بالا بنویسین و هم مقالاتی که بتونن تو حوزه‌های نوظهور تأثیر زیادی بذارن تا ارجاع بیشتری بگیری و هر دو شاخص با هم بالا برن.

🔹 اما خب معیارهای دیگری هم برای سنجش کیفیت ریسرچ‌ها وجود دارند. برای مثال متریک Field-Weighted Citation Impact (FWCI) میزان تأثیر ارجاعات به مقاله رو نسبت به میانگین جهانی تو همون رشته نشون می‌ده. اگه امتیاز ۱ باشه یعنی مقاله به اندازه مورد انتظار ارجاع گرفته و اگه بیشتر از ۱ باشه یعنی عملکرد بهتری داشته.

🔹 همچنین ابزارهایی مثل Collaboration Index (CI) و International Collaboration Percentage (ICP) هم در حال بیشتر مطرح شدن هستند. این ابزارهام یزان همکاری پژوهشگران از مؤسسات یا کشورهای مختلف رو نشون می‌دن و معمولاً منجر به دیده شدن بیشتر و ارجاعات بیشتر هم می‌شن.

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

🔅 «آکادمی هرم | @Pyramid_Research»

🔻 واکسن های کرونا، خوب یا بد؟

🚨 زمان مطالعه: ۱ دقیقه

🔗 #پزشکی
🔗 #مقاله

🔺 توی دوران اوج COVID-19 صحبت‌های زیادی می‌شد که تزریق واکسن‌ها بر ارگان‌های مختلف بدن اثر سوء می‌ذارن و همین باعث شد که بسیاری از جوامع و افراد از تزریق واکسن خودداری کنن.

🔹 توی این مقاله که پژوهشگران ترکیه‌ای نزدیک ۲۰ روز پیش چاپ کردن، تاثیر تزریق واکسن Sinovac بر پارامترهای بینایی افراد واکسینه شده بررسی شده.

🔺 توی این مطالعه پارامترهای مختلف بینایی افراد واکسینه شده و غیرواکسینه با استفاده از تصاویر OCT اندازه‌گیری شده که نتیجه اون جالب بود:

🔖 یک هفته بعد از تزریق، برخی از پارامترها مثل ضخامت لایه کورویید و فیبرهای عصبی لایه رتین افزایش پیدا کردن، اما بعد از یک ماه به حالت نرمال برگشتن.
🔖 سایر پارامترها تغییر چشمگیری نسبت به افراد غیرواکسینه نداشتن.
🔖 به طور کلی آنالیزهای آماری تفاوت چندانی رو بین دو گروه نشون نمی‌دادن.

🔺 از این نتایج می‌تونیم نتیجه بگیریم که این واکسن‌ها حداقل شاید روی سیستم بینایی اثرات تخریب‌کننده برگشت‌ناپذیر نداشتن!

🔹 اما همچنان تحقیقات بیشتری برای رو‌شن کردن باقی ابعاد موضوع لازمه.

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

🔅 «آکادمی هرم | @Pyramid_Research»

📕 تاثیر میکروبیوم روده بر رتینوپاتی دیابتی

🚨 زمان مطالعه: ۲ دقیقه

🔗 #مقاله
🔗 #پزشکی

🔺 در مقاله‌ای که چهار روز پیش پژوهشگران هندی چاپ کردن، به تاثیر دیس‌بیوز میکروبیوم روده‌ای بر ایجاد و پیشرفت رتینوپاتی در بیمارای دیابتی پرداخته شده.

🔺 توی این مطالعه افراد به سه گروه سالم (HC)، دیابتی بدون رتینوپاتی (DM) و دیابتی با رتینوپاتی (DR) تقسیم شدن و پروفایل میکروبیوم روده و زلالیه اون‌ها به وسیله‌ی سنجش 16sRNA بررسی شده.

🔹 در نهایت نتایج نشون دادن که سویه‌های میکروبی که خاصیت ضدالتهابی داشتن توی این محل‌ها، کم و سویه‌هایی که خاصیت پاتوژن و التهابی داشتن افزایش پیدا کردن.

🔺 البته این انواع میکروب‌های تغییریافته توی چشم و روده شباهت بالایی با همدیگه نداشتن، اما با این وجود ممکنه بر همدیگه تاثیر داشته باشن. حالا از چه طریقی؟

🔹 فرضیه‌ای که مطرح شده اینه که دیس‌بیوز روده منجر به القای هایپرگلایسمی و شروع پروسه دیابت می‌شه،

🔺 از طرف دیگه همین هایپرگلایسمی باعث اختلال در تمامیت سد روده‌ای می‌شه و ورود متابولیت‌های التهابی به خون منجر به تحریک سیستم ایمنی و متعاقبا شکست سد چشمی-خونی و دیس‌بیوز زلالیه می‌شه!

🔺 بنابراین یک کانسپت جدیدی که توی این مورد می‌تونه شکل بگیره محور روده-چشم هست که البته برای روشن‌سازی اون به تحقیقات وسیع‌تری نیاز هست.

🔺 عکس بالا هم خلاصه نتایج این مقاله‌ست که می‌تونین بهش نگاه بندازین 😉

🔖 لینک مقاله:
🔗 https://journals.lww.com/ijo/abstract/9900/gut_and_intraocular_fluid_dysbiosis_in_people_with.307.aspx

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

🔅 «آکادمی هرم 💎 @Pyramid_Research»

📕 دنیای ترنسفورمرها، آغاز واقعی هوش مصنوعی

🚨 زمان مطالعه: ۲ دقیقه و نیم

🔗 #مقاله
🔗 #مهندسی
🔗 #هوش‌مصنوعی

🔺 چند سالی می‌شه که دنیای هوش مصنوعی زیر و رو شده و تغییرات خیلی زیادی به خودش دیده. عموم این تغییرات هم طوری رخ داده‌اند که تاثیر زیادی در میزان عملکرد ربا‌ت‌ها و مدل‌های کامپیوتری ایجاد کردن و علم پیشرفت زیادی به خودش دیده.

🔺 یکی از مواردی که تغییر به سزایی ایجاد کرده، معرفی یک معماری شبکه عصبی هست با عنوان Transformer که در سال ۲۰۱۷ و در مقاله‌آی با عنوان Attention is All You Need معرفی شد و از اون زمان به یکی از اجزای اصلی در پیشرفت‌های مدل‌های زبان طبیعی و بینایی ماشین تبدیل شده. این معماری بر پایه‌ی مکانیزم توجه متمرکز هست و از دو بخش اصلی Encoder و Decoder ساخته شده.

🔹 ذکر این نکته اهمیت زیادی داره که مقاله‌های هوش مصنوعی معمولا پیچیدگی بالایی دارند و حالات مختلفی رو بررسی کردن، برای همین خلاصه کردن اون‌ها در یک متن شاید شامل ساده‌سازی خیلی زیادی بخش‌های مختلفی باشه که لزوما ساده نیستن. برای همین پیشنهاد می‌کنم در کنار مطالعه‌ی این متن، حتما به مطالعه‌ی خود مقالات نیز بپردازین اگر علاقه‌مند بودید بیشتر در این زمینه عمیق بشین.

🔺 بخش Encoder: این بخش شامل چند لایه هست که هر کدوم دارای ۲ بخش اصلی هستن. sub-layer توجه چند سر (multi-head attention) و شبکه عصبی پیش‌رو (feed-forward neural network). لایه‌های توجه چند سر به مدل امکان می‌دن تا اطلاعات رو از بخش‌های مختلف ورودی به طور همزمان درک کنه، در نتیجه تفسیر متن کارآمدتر صورت می‌گیره. بعد از این، هر لایه از شبکه پیش‌رو عبور می‌کنه که شامل تبدیل‌های خطی ساده و توابع غیرخطی هست.

🔺 بخش Decoder: این بخش هم مشابه بخش Encoder هست اما با افزودن یک لایه‌ی attention دیگه به اون، cross-attention می‌گن. این لایه اجازه می‌ده که Decoder بتونه به خروجی‌های Encoder دسترسی داشته باشه و اطلاعات لازم رو برای تولید خروجی بعدی از اون استخراج کنه. برای مثال ترجمه‌ی ماشینی با توجه به کلمات ورودی، کلمات خروجی رو تولید می‌کنه و این دسترسی اون‌جا کاربری زیادی داره.

🔹 در واقع ایده از این‌جایی میاد که فرض کنید برای این‌که هوش مصنوعی حدس بزنه کلمه‌ی بعدی مورد استفاده چی باشه، میاد ورودی‌ها رو بررسی می‌کنه و می‌بینه معمولا بعد هر کلمه چه کلماتی استفاده می‌شه و یک توزیع احتمالی از ارتباطات کلمات و objectها تشکیل می‌شه که کمک می‌کنه انتخاب‌های بعدی، دقیق‌ترین و مرسوم‌ترین انتخاب‌ها باشن. حالا این ایده رو مقایسه کنید با بچه‌ای که در حال آموزش تکلم هست و کلماتی که در ابتدا به کار می‌بره، معمولا کلماتی هستن که بیش از همیشه شنیده کنار هم و به مرور ارتباط‌شون با هم رو سنجیده.

🔖 لینک مقاله:
🔗 https://arxiv.org/abs/1706.03762

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

🔅 «آکادمی هرم 💎 @Pyramid_Research»

🔗 #متفرقه

🔺 امشب با یک فایل ورد که قفل‌گذاری شده بود و آپشن‌هاش غیرقابل دسترسی شده بودن، به چالش برخورده بودیم،

🔺 این فیلم یک دقیقه‌ای رو در یوتیوب دیدیم که به سادگی آموزش می‌ده چطور قفل فایل‌های ورد رو بشکنیم.

🔹 سیو کنید شاید به کارتون بیاد!

🔖 لینک ویدیو:
🔗 https://youtu.be/_RAo48I-xOQ?si=eoMaicuyODvCrCb2

🚨 زمان مطالعه و تماشای ویدیو: ۱ دقیقه

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

🔅 «آکادمی هرم 💎 @Pyramid_Research»

📕 شروع مطالعه‌ی مقالات هوش مصنوعی

🚨 زمان مطالعه: ۱ دقیقه

🔗 #مقاله
🔗 #هوش‌مصنوعی

🔺 احتمالا پیش اومده علاقه‌مند بشید به فیلد هوش مصنوعی ولی ندونید از کجا شروع کنید. هوش مصنوعی چند سالی هست که بعد از پیاده‌سازی معماری Transformerها، پیشرفت زیادی به خودش دیده و این چند سال trend کنفرانس‌ها و ژورنال‌های مختلفی بوده و خیلی رشته‌ها برای دوباره زنده شدن، به ارائه‌ی مقالاتی با استفاده از methodهای هوش مصنوعی پرداختن.

🔺 این‌جا یک لیست خوبی از مقالات هوش مصنوعی از قدیم تا امروزه آماده شده که بعد از یاد گرفتن مفاهیم اولیه‌ی هوش مصنوعی، مطالعه‌ی هر کدوم از اون‌ها می‌تونه دید خیلی زیادی نسبت به این فیلد بهتون بده.

🔹 از امروز می‌خواهیم به مرور خلاصه‌ی این مقالات رو این‌جا بنویسیم، بررسی کنیم و با هم به ارائه‌ی کلیات و جزئیات مهم اون‌ها بپردازیم. معمولا مقالات ژورنالی بالای ۲۰ صفحه هستند و خب خیلی از مفاهیم ارائه شده در مقاله رو نیاز نیست که بلد باشیم مگر بخواهیم از اون‌ها استفاده کنیم. سعی می‌کنیم در متن خلاصه مقالات مربوطه، به ارائه‌ی مهم‌ترین نکات مقالات بپردازیم.

🔖 لینک منبع:
🔗 https://github.com/aimerou/awesome-ai-papers

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

🔅 «آکادمی هرم 💎 @Pyramid_Research»

📕 پرسپترون: یک مدل احتمالی برای ذخیره‌سازی و سازماندهی اطلاعات در مغز

🚨 زمان مطالعه: ۱ دقیقه

🔗 #مقاله
🔗 #هوش‌مصنوعی

🔺 یکی از مقالات خیلی قدیمی هوش مصنوعی و مهم این فیلد، مقاله‌ی

The perceptron: A probabilistic model for information storage and organization in the brain

نوشته‌ی فرانک روزنبلت در سال ۱۹۵۸ هست که در اون تلاش شده تا به سوالاتی درباره چگونگی احساس اطلاعات از دنیای فیزیکی، شکل ذخیره‌سازی اطلاعات، و تأثیر اطلاعات ذخیره شده در حافظه بر روی تشخیص و رفتار پاسخ داده بشه. در این مقاله، نظریه‌ای برای سیستم عصبی فرضی به نام پرسپترون توسعه پیدا کرده که به عنوان پلی بین بیوفیزیک و روان‌شناسی عمل می‌کنه.

🔺 پرسپترون قادر هست با استفاده از رویکرد آماری کمی، منحنی‌های یادگیری رو از متغیرهای عصب‌شناختی پیش‌بینی کنه و بالعکس. این امر به درک بهتر سازماندهی سیستم‌های شناختی کمک می‌کنه. روزنبلت در این مقاله ایده‌هایی رو مطرح می‌کنه که بعدها به عنوان بنیانی برای توسعه شبکه‌های عصبی مصنوعی شناخته شده و مورد استفاده قرار گرفتن.

🔹 این مقاله تلاش می‌کنه تا ارتباطات میان بخش‌های مختلف سیستم عصبی و چگونگی تعامل اون‌ها با محیط رو توضیح بده. با استفاده از مدل‌های احتمالی، روزنبلت نشان می‌ده چگونه ساختارهای عصبی می‌تونن اطلاعات رو دریافت، پردازش و در نهایت ذخیره‌سازی کنن که این فرآیند بر توانایی‌های شناختی و رفتاری تأثیر می‌گذاره.

🔺 در نهایت، این مقاله به عنوان یک گام مهم در فهم نظری و عملی سیستم‌های پیچیده عصبی و کاربرد اون‌ها در فناوری‌های جدید شناخته شده و همچنان به عنوان یک مرجع کلیدی در تحقیقات مرتبط با هوش مصنوعی و علوم عصبی به شمار می‌ره.

🔹 همچنین تا این لحظه، ۸۴۲۹ مقاله‌ی دیگه به این مقاله استناد کرده‌اند و یکی از اصلی‌ترین و پایه‌ای مقالات این فیلد، محسوب می‌شه.

🔖 لینک مقاله:
🔗 https://psycnet.apa.org/record/1959-09865-001

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

🔅 «آکادمی هرم 💎 @Pyramid_Research»