🤓رژیم کتوژنیک و سرطان پانکراس
🔬 تحقیق جدید نشان میدهد که ترکیب رژیم کتوژنیک با داروی eFT508 میتواند رشد تومورهای مهاجم پانکراس را متوقف کند.
✅ مکانیسم اثر:
- جایگزینی گلوکز با کتونها، که سلولهای سرطانی قادر به مصرف آن نیستند.
- داروی eFT508 مکانیسم دفاعی سلولهای سرطانی را مختل کرده و مانع مصرف چربی میشود.
📌 نتایج:
- کاهش رشد تومورها و افزایش بقای حیوانات آزمایشگاهی.
- امید به درمانهای نوین ضدسرطان.
برای مشاهده متن کامل ما را در اینستاگرام فالو کنید.❤️
https://www.nature.com/articles/s41586-024-07781-7
https://scitechdaily.com/keto-diet-reveals-a-new-way-to-starve-deadly-cancer-cells/
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
🔬 تحقیق جدید نشان میدهد که ترکیب رژیم کتوژنیک با داروی eFT508 میتواند رشد تومورهای مهاجم پانکراس را متوقف کند.
✅ مکانیسم اثر:
- جایگزینی گلوکز با کتونها، که سلولهای سرطانی قادر به مصرف آن نیستند.
- داروی eFT508 مکانیسم دفاعی سلولهای سرطانی را مختل کرده و مانع مصرف چربی میشود.
📌 نتایج:
- کاهش رشد تومورها و افزایش بقای حیوانات آزمایشگاهی.
- امید به درمانهای نوین ضدسرطان.
برای مشاهده متن کامل ما را در اینستاگرام فالو کنید.❤️
https://www.nature.com/articles/s41586-024-07781-7
https://scitechdaily.com/keto-diet-reveals-a-new-way-to-starve-deadly-cancer-cells/
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
❤3
🔍 مرورهای سیستماتیک زائد و تکراری: چالشها و راهکارها
📌 تعریف و مشکل: نبود معیار مشخص باعث شده برخی مطالعاتِ ضعیف مرور سیستماتیک نامیده شوند. تعداد قابل قبول مرورها نیز نامشخص است.
⚠️ آسیبها:
🔹 اتلاف منابع علمی، پژوهشی و مالی
🔹 کاهش اعتماد عمومی به مرورهای سیستماتیک
🔹 انتشار نتایج متناقض و گمراهکننده
✅ راهکارهای پیشگیری:
📌 ثبت اجباری مرورها در پایگاههایی مانند PROSPERO
📌 رد مرورهای زائد توسط داوران و مجلات علمی
📌 بهبود گایدلاینهای گزارشدهی مثل PRISMA
📌 توسعه مرورهای زنده و بهروزرسانی مداوم دادهها
📌 حذف مرورهای زامبی و مطالعات بیاجرا
📌 آموزش پژوهشگران برای اجتناب از مرورهای تکراری
💡 جمعبندی: با اجرای راهکارهای بالا میتوان از اتلاف منابع جلوگیری کرد و کیفیت پژوهشهای علمی را ارتقا داد.
https://systematicreviewsjournal.biomedcentral.com/articles/10.1186/s13643-023-02191-8
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
📌 تعریف و مشکل: نبود معیار مشخص باعث شده برخی مطالعاتِ ضعیف مرور سیستماتیک نامیده شوند. تعداد قابل قبول مرورها نیز نامشخص است.
⚠️ آسیبها:
🔹 اتلاف منابع علمی، پژوهشی و مالی
🔹 کاهش اعتماد عمومی به مرورهای سیستماتیک
🔹 انتشار نتایج متناقض و گمراهکننده
✅ راهکارهای پیشگیری:
📌 ثبت اجباری مرورها در پایگاههایی مانند PROSPERO
📌 رد مرورهای زائد توسط داوران و مجلات علمی
📌 بهبود گایدلاینهای گزارشدهی مثل PRISMA
📌 توسعه مرورهای زنده و بهروزرسانی مداوم دادهها
📌 حذف مرورهای زامبی و مطالعات بیاجرا
📌 آموزش پژوهشگران برای اجتناب از مرورهای تکراری
💡 جمعبندی: با اجرای راهکارهای بالا میتوان از اتلاف منابع جلوگیری کرد و کیفیت پژوهشهای علمی را ارتقا داد.
https://systematicreviewsjournal.biomedcentral.com/articles/10.1186/s13643-023-02191-8
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
BioMed Central
Definition, harms, and prevention of redundant systematic reviews - Systematic Reviews
Background Along with other types of research, it has been stated that the extent of redundancy in systematic reviews has reached epidemic proportions. However, it was also emphasized that not all duplication is bad, that replication in research is essential…
❤2👏1
🔍 استفاده مسئولانه از هوش مصنوعی در سنتز شواهد
📌 گایدلاین RAISE: یک گایدلاین در حال تدوین توسط موسساتی نظیرکاکرین، JBI، EPPI و Campbell برای تنظیم استانداردهای استفاده از AI در پژوهشهای سنتز شواهد.
📖 اصول کلیدی
✔️ هوش مصنوعی جایگزین مسئولیت انسانی نیست؛ پژوهشگران باید بر دقت و صحت نتایج نظارت داشته باشند.
✔️ دلایل استفاده از AI باید شفاف باشد؛ نحوه تأثیرگذاری ابزار بر فرایند پژوهش باید مستند شود.
✔️ دادهها و کدهای آموزشی باید در دسترس باشند؛ در حد امکان، برای افزایش دقت مدلها منتشر شوند.
🚨 اقدامات ضروری
📌 ارزیابی مستقل کیفیت ابزارهای AI و بررسی محدودیتهای آنها برای مرورهای مختلف.
📌 گزارشدهی دقیق بر اساس اصول PRISMA؛ شامل ذکر نام و نسخه ابزار، نحوه استفاده و تأمین مالی.
📌 رعایت ملاحظات اخلاقی و حقوقی؛ از جمله محرمانگی دادهها و عدم نقض حق مؤلف.
📌 بهکارگیری الگوریتمهای شفاف و انسانمحور؛ ابزارهای AI نباید "جعبه سیاه" باشند.
📌 استانداردسازی و همکاری بین سازمانهای علمی؛ تولیدکنندگان مرورها نقش مهمی در اعتبارسنجی ابزارها دارند.
📌 تقویت تعامل بین پژوهشگران و توسعهدهندگان AI برای ارتقای کیفیت ابزارهای هوش مصنوعی.
📌 تشویق به اشتراک دانش و دادهها؛ به اشتراک گذاشتن نتایج موفق و ناموفق، به توسعه بهتر ابزارها کمک میکند.
💡 جمعبندی
🔹 هوش مصنوعی میتواند نقش مهمی در سنتز شواهد ایفا کند، اما مسئولیت صحت و اعتبار پژوهشها همچنان برعهده پژوهشگران است.
🔹 رعایت اصول شفافیت، گزارشدهی استاندارد و ارزیابی مداوم ابزارها میتواند از سوءاستفاده و اتلاف منابع علمی جلوگیری کند.
🔹 انتشار نسخه نهایی گایدلاین RAISE میتواند چارچوبی قوی برای استفاده مسئولانه از AI در تحقیقات علمی ارائه دهد.
https://osf.io/fwaud/files/osfstorage
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
📌 گایدلاین RAISE: یک گایدلاین در حال تدوین توسط موسساتی نظیرکاکرین، JBI، EPPI و Campbell برای تنظیم استانداردهای استفاده از AI در پژوهشهای سنتز شواهد.
📖 اصول کلیدی
✔️ هوش مصنوعی جایگزین مسئولیت انسانی نیست؛ پژوهشگران باید بر دقت و صحت نتایج نظارت داشته باشند.
✔️ دلایل استفاده از AI باید شفاف باشد؛ نحوه تأثیرگذاری ابزار بر فرایند پژوهش باید مستند شود.
✔️ دادهها و کدهای آموزشی باید در دسترس باشند؛ در حد امکان، برای افزایش دقت مدلها منتشر شوند.
🚨 اقدامات ضروری
📌 ارزیابی مستقل کیفیت ابزارهای AI و بررسی محدودیتهای آنها برای مرورهای مختلف.
📌 گزارشدهی دقیق بر اساس اصول PRISMA؛ شامل ذکر نام و نسخه ابزار، نحوه استفاده و تأمین مالی.
📌 رعایت ملاحظات اخلاقی و حقوقی؛ از جمله محرمانگی دادهها و عدم نقض حق مؤلف.
📌 بهکارگیری الگوریتمهای شفاف و انسانمحور؛ ابزارهای AI نباید "جعبه سیاه" باشند.
📌 استانداردسازی و همکاری بین سازمانهای علمی؛ تولیدکنندگان مرورها نقش مهمی در اعتبارسنجی ابزارها دارند.
📌 تقویت تعامل بین پژوهشگران و توسعهدهندگان AI برای ارتقای کیفیت ابزارهای هوش مصنوعی.
📌 تشویق به اشتراک دانش و دادهها؛ به اشتراک گذاشتن نتایج موفق و ناموفق، به توسعه بهتر ابزارها کمک میکند.
💡 جمعبندی
🔹 هوش مصنوعی میتواند نقش مهمی در سنتز شواهد ایفا کند، اما مسئولیت صحت و اعتبار پژوهشها همچنان برعهده پژوهشگران است.
🔹 رعایت اصول شفافیت، گزارشدهی استاندارد و ارزیابی مداوم ابزارها میتواند از سوءاستفاده و اتلاف منابع علمی جلوگیری کند.
🔹 انتشار نسخه نهایی گایدلاین RAISE میتواند چارچوبی قوی برای استفاده مسئولانه از AI در تحقیقات علمی ارائه دهد.
https://osf.io/fwaud/files/osfstorage
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
👌3
مطالعه در درون یک مرور ( SWAR = Study Within A Review): تقویت استانداردهای مرورهای نظاممند
📌 تعریف SWAR :
یک پژوهش مستقل که در دل مرورهای نظاممند اجرا میشود و هدف آن بهبود روشهای سنتز شواهد است. SWAR مشابه SWAT (مطالعه در درون یک کارآزمایی) عمل میکند و به رفع ابهامات روششناختی کمک میکند.
🔍 چرا SWAR اهمیت دارد؟
✔️ مرورهای نظاممند تصمیمات سیاستگذاری و عملی را شکل میدهند، اما هنوز ابهامات اجرایی زیادی دارند.
✔️ روشهای مرور نباید بر اساس عادات پژوهشی انتخاب شوند؛ باید مبتنی بر شواهد بهروز باشند.
✔️ امکان آزمایش و مقایسه روشهای مختلف مرور را فراهم میکند و باعث ارتقای کیفیت پژوهش میشود.
📌 ویژگیهای کلیدی SWAR :
🔹 بررسی اثربخشی روشهای مختلف برنامهریزی، اجرا، تحلیل و گزارش مرور.
🔹 اجرا در یک یا چند مرور بدون تأثیر منفی بر نتایج مرور میزبان.
🔹 اغلب مقرونبهصرفهتر از یک مطالعه مستقل، چون دادهها همزمان با مرور جمعآوری میشوند.
🔹 امکان ثبت SWAR در مخزن SWAR Store برای دسترسی عمومی و تسهیل استفاده در مرورهای آینده.
🔹 در اغلب موارد نیازی به تأیید اخلاقی ندارد (مگر در صورت جمعآوری داده از افراد).
🛠️ مثالهایی از SWAR در عمل :
🔸 مقایسه دو روش غربالگری استنادات: بررسی دو مرحلهای (عنوان → چکیده) در برابر غربالگری همزمان. نتیجه: روش همزمان سریعتر است.
🔸 ارزیابی شیوه مکاتبه با نویسندگان: مقایسه ایمیل کوتاه همراه پروتکل مرور با ایمیل طولانی بدون پروتکل. نتیجه: تفاوت معناداری در نرخ پاسخدهی دیده نشد.
🚀 روشهای انتشار SWAR و گسترش یافتهها :
📌 مقالات مستقل در ژورنالهای معتبر.
📌 گزارش در مرور میزبان (در بخش مجزا یا ضمیمه مرور).
📌 وبینارها، پادکستها، کنفرانسها و بلاگها برای افزایش دیدهشدن و کاربرد عملی یافتهها.
💡 جمعبندی: چرا SWAR راهکار مهمی است؟
🔹 مرورهای نظاممند نقش حیاتی در تصمیمگیریهای علمی دارند، اما هنوز ابهامات اجرایی در روششناسی آنها وجود دارد.
🔹 روشی مقرونبهصرفه و علمی برای بررسی کارایی روشهای مرور و تقویت شواهد روششناختی است.
🔹 با استفاده از مخزن SWAR Store و انتشار یافتهها، پژوهشگران میتوانند مرورهای آینده را دقیقتر و مؤثرتر اجرا کنند.
🔹 این روش به کاهش اتلاف منابع، بهبود کیفیت مرورها و ارتقای تصمیمگیریهای علمی و عملی کمک میکند.
https://pmc.ncbi.nlm.nih.gov/articles/PMC10107874/
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
📌 تعریف SWAR :
یک پژوهش مستقل که در دل مرورهای نظاممند اجرا میشود و هدف آن بهبود روشهای سنتز شواهد است. SWAR مشابه SWAT (مطالعه در درون یک کارآزمایی) عمل میکند و به رفع ابهامات روششناختی کمک میکند.
🔍 چرا SWAR اهمیت دارد؟
✔️ مرورهای نظاممند تصمیمات سیاستگذاری و عملی را شکل میدهند، اما هنوز ابهامات اجرایی زیادی دارند.
✔️ روشهای مرور نباید بر اساس عادات پژوهشی انتخاب شوند؛ باید مبتنی بر شواهد بهروز باشند.
✔️ امکان آزمایش و مقایسه روشهای مختلف مرور را فراهم میکند و باعث ارتقای کیفیت پژوهش میشود.
📌 ویژگیهای کلیدی SWAR :
🔹 بررسی اثربخشی روشهای مختلف برنامهریزی، اجرا، تحلیل و گزارش مرور.
🔹 اجرا در یک یا چند مرور بدون تأثیر منفی بر نتایج مرور میزبان.
🔹 اغلب مقرونبهصرفهتر از یک مطالعه مستقل، چون دادهها همزمان با مرور جمعآوری میشوند.
🔹 امکان ثبت SWAR در مخزن SWAR Store برای دسترسی عمومی و تسهیل استفاده در مرورهای آینده.
🔹 در اغلب موارد نیازی به تأیید اخلاقی ندارد (مگر در صورت جمعآوری داده از افراد).
🛠️ مثالهایی از SWAR در عمل :
🔸 مقایسه دو روش غربالگری استنادات: بررسی دو مرحلهای (عنوان → چکیده) در برابر غربالگری همزمان. نتیجه: روش همزمان سریعتر است.
🔸 ارزیابی شیوه مکاتبه با نویسندگان: مقایسه ایمیل کوتاه همراه پروتکل مرور با ایمیل طولانی بدون پروتکل. نتیجه: تفاوت معناداری در نرخ پاسخدهی دیده نشد.
🚀 روشهای انتشار SWAR و گسترش یافتهها :
📌 مقالات مستقل در ژورنالهای معتبر.
📌 گزارش در مرور میزبان (در بخش مجزا یا ضمیمه مرور).
📌 وبینارها، پادکستها، کنفرانسها و بلاگها برای افزایش دیدهشدن و کاربرد عملی یافتهها.
💡 جمعبندی: چرا SWAR راهکار مهمی است؟
🔹 مرورهای نظاممند نقش حیاتی در تصمیمگیریهای علمی دارند، اما هنوز ابهامات اجرایی در روششناسی آنها وجود دارد.
🔹 روشی مقرونبهصرفه و علمی برای بررسی کارایی روشهای مرور و تقویت شواهد روششناختی است.
🔹 با استفاده از مخزن SWAR Store و انتشار یافتهها، پژوهشگران میتوانند مرورهای آینده را دقیقتر و مؤثرتر اجرا کنند.
🔹 این روش به کاهش اتلاف منابع، بهبود کیفیت مرورها و ارتقای تصمیمگیریهای علمی و عملی کمک میکند.
https://pmc.ncbi.nlm.nih.gov/articles/PMC10107874/
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
PubMed Central (PMC)
Study within a review (SWAR)
❤2
تحول در دسترسی آزاد به Sci-Hub و پلتفرم Sci-Net
📌 ابتکار جدید از الکساندرا الباکیان، بنیانگذار Sci-Hub
🔹 پلتفرم Sci-Net شبکه اجتماعی علمی جدیدی است که امکان اشتراکگذاری آزاد مقالات را فراهم میکند.
🔹 کاربران میتوانند درخواست مقاله دهند و سایر اعضا در صورت دسترسی، نسخه PDF را آپلود کنند.
🔹 حریم خصوصی و ناشناس ماندن کاربران با حذف اطلاعات محرمانه تضمین شده است.
📌 نحوه عملکرد Sci-Net
✔️ ثبت درخواست مقاله: کاربران مقاله مورد نیاز خود را وارد میکنند و سیستم بررسی میکند که آیا در پایگاههای آزاد موجود است.
✔️ پاسخدهی به درخواستها: اعضایی که از طریق دسترسی دانشگاهی یا حرفهای مقاله را دارند، نسخه آن را بارگذاری میکنند.
✔️ دسترسی دائمی: یک بار آپلود مقاله، همه کاربران بدون محدودیت به آن دسترسی خواهند داشت.
✔️ امنیت و ناشناس ماندن: نیازی به ثبت ایمیل یا شماره تلفن نیست؛ تمام فعالیتها بدون افشای هویت انجام میشود.
✔️ سیستم پاداشدهی غیرمتمرکز: آپلودکنندگان مقاله توکن دریافت میکنند.
🚀 رمز ارز Sci-Hub (SCIHUB) و مدل اقتصادی آن
📌 مشخصات:
🔹 مبتنی بر بلاکچین سولانا (Solana).
🔹 هدف: حمایت از جنبش دسترسی آزاد به دانش (DeSci).
🔹 حداکثر عرضه: ۱ میلیارد توکن.
🔹 عرضه در گردش: تقریباً ۱ میلیارد توکن.
🔹 ارزش بازار: ۱.۳۳ میلیون دلار.
🔹 افت قیمت شدید: کاهش ۹۸٪ از بالاترین قیمت ثبتشده.
📌 چالشهای اقتصادی و انگیزه کاربران
✔️ کاهش ارزش توکن SCIHUB، میزان انگیزه کاربران برای آپلود مقاله را تحت تأثیر قرار داده است.
✔️ برخی کاربران بهجای پرداخت پاداش قابلتوجه، فقط ۱ توکن برای هر مقاله اختصاص میدهند!
✔️ افراد میتوانند از طریق دعوتنامه ثبتنام کنند و ۱۰۰۰ توکن رایگان دریافت کنند.
✔️ دو راه برای کسب توکن بیشتر: خرید مستقیم از طریق کیف پول Solflare یا آپلود مقاله برای دریافت پاداش.
🔍 آیا Sci-Net موفق خواهد شد؟
📌 مزایا:
✔️ دسترسی آزاد و رفع موانع علمی برای پژوهشگران.
✔️ مدل غیرمتمرکز و حفظ حریم خصوصی کاربران.
✔️ پاداشدهی و تشویق به اشتراکگذاری دانش علمی.
📌 چالشها:
⚠️ کاهش ارزش توکن SCIHUB میزان انگیزه مشارکت را کم کرده است.
⚠️ ریسک قانونی و واکنش ناشران به انتشار مقالات بدون مجوز.
⚠️ عدم قطعیت درباره آینده پلتفرم و امکان شکست آن.
💡 جمعبندی:
🔹پلتفرم Sci-Net یک ابتکار نوآورانه برای ایجاد دسترسی آزاد به مقالات علمی است، اما چالشهای اقتصادی و قانونی پیش روی آن قرار دارد.
🔹 موفقیت این سیستم وابسته به میزان مشارکت کاربران و پایداری مدل اقتصادی توکنها است.
🔹 در صورت تثبیت ارزش توکن SCIHUB و افزایش انگیزه کاربران، این پلتفرم میتواند تأثیر قابلتوجهی بر جنبش دسترسی آزاد داشته باشد.
https://sci-net.xyz/
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
📌 ابتکار جدید از الکساندرا الباکیان، بنیانگذار Sci-Hub
🔹 پلتفرم Sci-Net شبکه اجتماعی علمی جدیدی است که امکان اشتراکگذاری آزاد مقالات را فراهم میکند.
🔹 کاربران میتوانند درخواست مقاله دهند و سایر اعضا در صورت دسترسی، نسخه PDF را آپلود کنند.
🔹 حریم خصوصی و ناشناس ماندن کاربران با حذف اطلاعات محرمانه تضمین شده است.
📌 نحوه عملکرد Sci-Net
✔️ ثبت درخواست مقاله: کاربران مقاله مورد نیاز خود را وارد میکنند و سیستم بررسی میکند که آیا در پایگاههای آزاد موجود است.
✔️ پاسخدهی به درخواستها: اعضایی که از طریق دسترسی دانشگاهی یا حرفهای مقاله را دارند، نسخه آن را بارگذاری میکنند.
✔️ دسترسی دائمی: یک بار آپلود مقاله، همه کاربران بدون محدودیت به آن دسترسی خواهند داشت.
✔️ امنیت و ناشناس ماندن: نیازی به ثبت ایمیل یا شماره تلفن نیست؛ تمام فعالیتها بدون افشای هویت انجام میشود.
✔️ سیستم پاداشدهی غیرمتمرکز: آپلودکنندگان مقاله توکن دریافت میکنند.
🚀 رمز ارز Sci-Hub (SCIHUB) و مدل اقتصادی آن
📌 مشخصات:
🔹 مبتنی بر بلاکچین سولانا (Solana).
🔹 هدف: حمایت از جنبش دسترسی آزاد به دانش (DeSci).
🔹 حداکثر عرضه: ۱ میلیارد توکن.
🔹 عرضه در گردش: تقریباً ۱ میلیارد توکن.
🔹 ارزش بازار: ۱.۳۳ میلیون دلار.
🔹 افت قیمت شدید: کاهش ۹۸٪ از بالاترین قیمت ثبتشده.
📌 چالشهای اقتصادی و انگیزه کاربران
✔️ کاهش ارزش توکن SCIHUB، میزان انگیزه کاربران برای آپلود مقاله را تحت تأثیر قرار داده است.
✔️ برخی کاربران بهجای پرداخت پاداش قابلتوجه، فقط ۱ توکن برای هر مقاله اختصاص میدهند!
✔️ افراد میتوانند از طریق دعوتنامه ثبتنام کنند و ۱۰۰۰ توکن رایگان دریافت کنند.
✔️ دو راه برای کسب توکن بیشتر: خرید مستقیم از طریق کیف پول Solflare یا آپلود مقاله برای دریافت پاداش.
🔍 آیا Sci-Net موفق خواهد شد؟
📌 مزایا:
✔️ دسترسی آزاد و رفع موانع علمی برای پژوهشگران.
✔️ مدل غیرمتمرکز و حفظ حریم خصوصی کاربران.
✔️ پاداشدهی و تشویق به اشتراکگذاری دانش علمی.
📌 چالشها:
⚠️ کاهش ارزش توکن SCIHUB میزان انگیزه مشارکت را کم کرده است.
⚠️ ریسک قانونی و واکنش ناشران به انتشار مقالات بدون مجوز.
⚠️ عدم قطعیت درباره آینده پلتفرم و امکان شکست آن.
💡 جمعبندی:
🔹پلتفرم Sci-Net یک ابتکار نوآورانه برای ایجاد دسترسی آزاد به مقالات علمی است، اما چالشهای اقتصادی و قانونی پیش روی آن قرار دارد.
🔹 موفقیت این سیستم وابسته به میزان مشارکت کاربران و پایداری مدل اقتصادی توکنها است.
🔹 در صورت تثبیت ارزش توکن SCIHUB و افزایش انگیزه کاربران، این پلتفرم میتواند تأثیر قابلتوجهی بر جنبش دسترسی آزاد داشته باشد.
https://sci-net.xyz/
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
👍4
گایدلاین FUTURE-AI: استاندارد جهانی برای هوش مصنوعی در سلامت
📌 کنسرسیوم FUTURE-AI، با مشارکت ۱۱۷ متخصص از ۵۰ کشور، چارچوبی جامع برای هوش مصنوعی قابل اعتماد و قابل استقرار در مراقبتهای بهداشتی ارائه کرده است.
📌 این گایدلاین بر ۶ اصل بنیادین استوار است که تمامی مراحل طراحی، توسعه، اعتبارسنجی، تنظیمگری، استقرار و پایش AI در پزشکی را پوشش میدهد.
🔹 اصول بنیادین FUTURE-AI
✔️ عدالت (Fairness): ابزارهای AI باید بدون تبعیض برای تمامی گروههای اجتماعی قابل استفاده باشند و سوگیریهای بالقوه در آنها کاهش یابد.
✔️ جامعیت (Universality): سیستمهای AI باید در محیطهای واقعی نیز عملکرد مطلوبی داشته باشند و قابلیت تعمیمپذیری بالایی داشته باشند.
✔️ قابلیت ردیابی (Traceability): مستندسازی کامل مسیر توسعه تا استقرار، امکان ممیزی، شناسایی خطرات و بهروزرسانی مدلها را فراهم میکند.
✔️ کاربردپذیری (Usability): ابزارهای AI باید کارآمد، ایمن و آسان باشند و به بهبود عملکرد بالینی و کاهش خطاهای پزشکی کمک کنند.
✔️ استحکام (Robustness): مدلهای AI باید در برابر تغییرات دادههای ورودی مقاوم باشند تا عملکرد پایدار و دقیق داشته باشند.
✔️ تبیینپذیری (Explainability): ابزارهای AI باید دلیل تصمیمات خود را بهطور شفاف و معنادار ارائه دهند تا پزشکان بتوانند از آنها بهصورت مطمئن و آگاهانه استفاده کنند.
📌 ۳۰ مورد Best Practice برای هوش مصنوعی در پزشکی
🔹 طراحی و توسعه: استفاده از دادههای متنوع و کاهش سوگیریهای الگوریتمی.
🔹 اعتبارسنجی: آزمایش مدلها در محیطهای واقعی بالینی.
🔹 تنظیمگری: نظارت بر عملکرد و امنیت ابزارهای AI توسط نهادهای مستقل.
🔹 استقرار و پایش: مستندسازی کامل فرایندها برای شفافیت و بهینهسازی مداوم.
🔗 مطالعه مقاله منتشر شده در BMJ یا بررسی سایت FUTURE-AI برای مشاهده جزئیات توصیهها.
💡 جمعبندی
🔹 گایدلاین FUTURE-AI تلاش میکند اعتمادپذیری، شفافیت و عدالت را در هوش مصنوعی پزشکی تقویت کند.
🔹 رعایت این اصول میتواند به بهبود کیفیت تصمیمات بالینی، کاهش خطاهای AI و افزایش پذیرش آن در سیستمهای بهداشتی کمک کند.
🔹 هوش مصنوعی در پزشکی باید مسئولانه، ایمن و شفاف به کار گرفته شود تا تصمیمات بالینی بهینهتر شوند.
https://future-ai.eu/
https://www.bmj.com/content/388/bmj-2024-081554
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
📌 کنسرسیوم FUTURE-AI، با مشارکت ۱۱۷ متخصص از ۵۰ کشور، چارچوبی جامع برای هوش مصنوعی قابل اعتماد و قابل استقرار در مراقبتهای بهداشتی ارائه کرده است.
📌 این گایدلاین بر ۶ اصل بنیادین استوار است که تمامی مراحل طراحی، توسعه، اعتبارسنجی، تنظیمگری، استقرار و پایش AI در پزشکی را پوشش میدهد.
🔹 اصول بنیادین FUTURE-AI
✔️ عدالت (Fairness): ابزارهای AI باید بدون تبعیض برای تمامی گروههای اجتماعی قابل استفاده باشند و سوگیریهای بالقوه در آنها کاهش یابد.
✔️ جامعیت (Universality): سیستمهای AI باید در محیطهای واقعی نیز عملکرد مطلوبی داشته باشند و قابلیت تعمیمپذیری بالایی داشته باشند.
✔️ قابلیت ردیابی (Traceability): مستندسازی کامل مسیر توسعه تا استقرار، امکان ممیزی، شناسایی خطرات و بهروزرسانی مدلها را فراهم میکند.
✔️ کاربردپذیری (Usability): ابزارهای AI باید کارآمد، ایمن و آسان باشند و به بهبود عملکرد بالینی و کاهش خطاهای پزشکی کمک کنند.
✔️ استحکام (Robustness): مدلهای AI باید در برابر تغییرات دادههای ورودی مقاوم باشند تا عملکرد پایدار و دقیق داشته باشند.
✔️ تبیینپذیری (Explainability): ابزارهای AI باید دلیل تصمیمات خود را بهطور شفاف و معنادار ارائه دهند تا پزشکان بتوانند از آنها بهصورت مطمئن و آگاهانه استفاده کنند.
📌 ۳۰ مورد Best Practice برای هوش مصنوعی در پزشکی
🔹 طراحی و توسعه: استفاده از دادههای متنوع و کاهش سوگیریهای الگوریتمی.
🔹 اعتبارسنجی: آزمایش مدلها در محیطهای واقعی بالینی.
🔹 تنظیمگری: نظارت بر عملکرد و امنیت ابزارهای AI توسط نهادهای مستقل.
🔹 استقرار و پایش: مستندسازی کامل فرایندها برای شفافیت و بهینهسازی مداوم.
🔗 مطالعه مقاله منتشر شده در BMJ یا بررسی سایت FUTURE-AI برای مشاهده جزئیات توصیهها.
💡 جمعبندی
🔹 گایدلاین FUTURE-AI تلاش میکند اعتمادپذیری، شفافیت و عدالت را در هوش مصنوعی پزشکی تقویت کند.
🔹 رعایت این اصول میتواند به بهبود کیفیت تصمیمات بالینی، کاهش خطاهای AI و افزایش پذیرش آن در سیستمهای بهداشتی کمک کند.
🔹 هوش مصنوعی در پزشکی باید مسئولانه، ایمن و شفاف به کار گرفته شود تا تصمیمات بالینی بهینهتر شوند.
https://future-ai.eu/
https://www.bmj.com/content/388/bmj-2024-081554
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
❤2
معرفی Deep Research: ویژگی جدید ChatGPT برای سنتز پژوهش
📌 خود ChatGPT بهطور پیشفرض رفرنس ارائه نمیدهد و در پاسخهای خود ممکن است استنادات جعلی ارائه کند.
📌 اما OpenAI اخیراً ویژگی Deep Research را معرفی کرده است که این مشکل را حل کرده و قابلیت سنتز دانش را اضافه میکند.
🔍 تعریف Deep Research چیست؟
✔️ قابلیت پژوهش چندمرحلهای در اینترنت برای وظایف پیچیده.
✔️ توانایی جستجو، تحلیل و سنتز صدها منبع آنلاین در عرض چند دقیقه.
✔️ تولید گزارش جامع در حد یک تحلیلگر پژوهشی (Research Analyst).
📌 این ویژگی از مدل OpenAI o3 بهره میبرد و میتواند متون، تصاویر و فایلهای PDF را جستجو و تحلیل کند.
📌 توانایی سنتز دانش (Synthesize Knowledge) پیشنیازی برای خلق دانش جدید است و به توسعه هوش مصنوعی عمومی (AGI) کمک میکند.
📑 کاربرد Deep Research در حوزههای مختلف
🔹 مالی، علوم، سیاست، مهندسی: مناسب برای افرادی که نیاز به پژوهش جامع، دقیق و مستند دارند.
🔹 ارائه استنادهای شفاف همراه با خلاصهای از روند استدلال و روش پژوهش.
🔹 امکان ضمیمه کردن فایلها و صفحات گسترده برای ارتقای دقت نتایج.
🔹 مدت زمان پردازش: بین ۵ تا ۳۰ دقیقه بسته به عمق جستجو در وب.
🚀 قابلیتهای پیشرفته Deep Research
📌 ترسیم و اصلاح نمودارها با ابزار Python
📌 گنجاندن تصاویر و نمودارهای وبسایتها در گزارشهای تحلیلی
📌 استناد دقیق به جملات و بخشهای خاص منابع
📌 آزمونهای GAIA و Humanity’s Last Exam نشان دادهاند که این ویژگی نسبت به مدلهای قبلی در شیمی، علوم انسانی، اجتماعی و ریاضیات عملکرد بهتری دارد.
⚠️ محدودیتها و چالشهای Deep Research
🔹 احتمال بروز خطا (Hallucination) در ارائه حقایق و استنباطها.
🔹 عدم توانایی دقیق در تنظیم سطح اطمینان (Confidence Calibration).
🔹 ممکن است گاهی در تشخیص اطلاعات موثق از شایعات ضعف داشته باشد.
📌 انتظار میرود با افزایش میزان استفاده این چالشها بهسرعت بهبود پیدا کنند.
🔗 آینده Deep Research
✔️ اتصال به منابع داده تخصصیتر برای شخصیسازی بهتر.
✔️ ترکیب با Operator برای انجام وظایف پیچیده در دنیای واقعی.
✔️ اضافه شدن تصاویر، بصریسازی دادهها و سایر ابزارهای تحلیلی در چند هفته آینده.
📌 نحوه استفاده:
🔸 نیاز به اشتراک Pro چتجیپیتی (استفاده رایگان ممکن نیست).
🔸 بعد از انتخاب مدل، گزینه Deep Research را فعال کنید.
https://openai.com/index/introducing-deep-research/
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
📌 خود ChatGPT بهطور پیشفرض رفرنس ارائه نمیدهد و در پاسخهای خود ممکن است استنادات جعلی ارائه کند.
📌 اما OpenAI اخیراً ویژگی Deep Research را معرفی کرده است که این مشکل را حل کرده و قابلیت سنتز دانش را اضافه میکند.
🔍 تعریف Deep Research چیست؟
✔️ قابلیت پژوهش چندمرحلهای در اینترنت برای وظایف پیچیده.
✔️ توانایی جستجو، تحلیل و سنتز صدها منبع آنلاین در عرض چند دقیقه.
✔️ تولید گزارش جامع در حد یک تحلیلگر پژوهشی (Research Analyst).
📌 این ویژگی از مدل OpenAI o3 بهره میبرد و میتواند متون، تصاویر و فایلهای PDF را جستجو و تحلیل کند.
📌 توانایی سنتز دانش (Synthesize Knowledge) پیشنیازی برای خلق دانش جدید است و به توسعه هوش مصنوعی عمومی (AGI) کمک میکند.
📑 کاربرد Deep Research در حوزههای مختلف
🔹 مالی، علوم، سیاست، مهندسی: مناسب برای افرادی که نیاز به پژوهش جامع، دقیق و مستند دارند.
🔹 ارائه استنادهای شفاف همراه با خلاصهای از روند استدلال و روش پژوهش.
🔹 امکان ضمیمه کردن فایلها و صفحات گسترده برای ارتقای دقت نتایج.
🔹 مدت زمان پردازش: بین ۵ تا ۳۰ دقیقه بسته به عمق جستجو در وب.
🚀 قابلیتهای پیشرفته Deep Research
📌 ترسیم و اصلاح نمودارها با ابزار Python
📌 گنجاندن تصاویر و نمودارهای وبسایتها در گزارشهای تحلیلی
📌 استناد دقیق به جملات و بخشهای خاص منابع
📌 آزمونهای GAIA و Humanity’s Last Exam نشان دادهاند که این ویژگی نسبت به مدلهای قبلی در شیمی، علوم انسانی، اجتماعی و ریاضیات عملکرد بهتری دارد.
⚠️ محدودیتها و چالشهای Deep Research
🔹 احتمال بروز خطا (Hallucination) در ارائه حقایق و استنباطها.
🔹 عدم توانایی دقیق در تنظیم سطح اطمینان (Confidence Calibration).
🔹 ممکن است گاهی در تشخیص اطلاعات موثق از شایعات ضعف داشته باشد.
📌 انتظار میرود با افزایش میزان استفاده این چالشها بهسرعت بهبود پیدا کنند.
🔗 آینده Deep Research
✔️ اتصال به منابع داده تخصصیتر برای شخصیسازی بهتر.
✔️ ترکیب با Operator برای انجام وظایف پیچیده در دنیای واقعی.
✔️ اضافه شدن تصاویر، بصریسازی دادهها و سایر ابزارهای تحلیلی در چند هفته آینده.
📌 نحوه استفاده:
🔸 نیاز به اشتراک Pro چتجیپیتی (استفاده رایگان ممکن نیست).
🔸 بعد از انتخاب مدل، گزینه Deep Research را فعال کنید.
https://openai.com/index/introducing-deep-research/
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
Openai
Introducing deep research
An agent that uses reasoning to synthesize large amounts of online information and complete multi-step research tasks for you. Available to Pro users today, Plus and Team next.
💯3
🔍 هوش مصنوعی اسکوپوس (Scopus AI): عصر جدید دیتابیسهای کتابشناختی
📌 اسکوپوس اکنون دارای بیش از ۹۵ میلیون رکورد علمی است که شامل مقالات مجلات، مقالات همایشها و کتابها میشود. این پایگاه داده، بزرگترین دیتابیس استنادی و کتابشناختی جهان محسوب میشود، حتی بزرگتر از Web of Science Core Collection.
📌 حجم گسترده و کیفیت بالای دادههای اسکوپوس، آن را به یک منبع ایدهآل برای آموزش مدلهای زبانی بزرگ تبدیل کرده است. در حالی که چتباتهایی مانند ChatGPT و Copilot از همه منابع اطلاعاتی (داوریشده و نشده) استفاده میکنند و گاهی اطلاعات نادرست یا گمراهکننده ارائه میدهند، اسکوپوس AI تنها به دادههای معتبر استناد میکند.
🚀 رونمایی از Scopus AI: یک تحول بزرگ در پژوهشهای علمی
🔹 اسکوپوس اخیراً هوش مصنوعی خود را عرضه کرده است و آن را بهصورت پایلوت برای برخی کاربران فعال کرده بود. اکنون این قابلیت برای تعداد بیشتری از کاربران در دسترس است.
🔹 آزمایشهای اولیه نشان دادهاند که Scopus AI پاسخهای علمی، دقیق و معتبر ارائه میدهد که فراتر از انتظارات اولیه بوده است.
🔹 پاسخها در قالب "خلاصه" (Summary) نمایش داده میشوند و در سمت چپ صفحه، رفرنسهای مرتبط به هر جمله یا پاراگراف قابل مشاهده هستند. با کلیک روی هر رفرنس، جزئیات کامل مقاله در اسکوپوس نمایش داده میشود.
📑 قابلیتهای هوش مصنوعی اسکوپوس
✔️ خلاصه گسترشیافته (Expanded Summary) → ارائه پاسخهای کاملتر بر اساس رفرنسهای مرتبط.
✔️ نقشه مفهومی (Concept Map) → نمایش روابط بین مفاهیم مرتبط با سؤال.
✔️ متخصصان موضوعی (Topic Experts) → نمایش پژوهشگران فعال در حوزه موضوعی و امکان دسترسی به پروفایل آنان.
✔️ پیشنهاد سؤالات مرتبط برای پژوهشهای عمیقتر → Go Deeper
💡 جمعبندی
🔹 یک مدل هوش مصنوعی تخصصی است که بر دادههای معتبر و مستند تمرکز دارد.
🔹 این ابزار امکان جستجوی پیشرفته، دسترسی به رفرنسهای علمی و تعامل بهتر با دادههای پژوهشی را فراهم میکند.
🔹 پژوهشگران اکنون میتوانند از قابلیتهای نوین هوش مصنوعی برای بهبود فرآیند تحقیق و استناد استفاده کنند.
✅ آنچه خوبان همه دارند، Scopus AI یکجا دارد!
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
📌 اسکوپوس اکنون دارای بیش از ۹۵ میلیون رکورد علمی است که شامل مقالات مجلات، مقالات همایشها و کتابها میشود. این پایگاه داده، بزرگترین دیتابیس استنادی و کتابشناختی جهان محسوب میشود، حتی بزرگتر از Web of Science Core Collection.
📌 حجم گسترده و کیفیت بالای دادههای اسکوپوس، آن را به یک منبع ایدهآل برای آموزش مدلهای زبانی بزرگ تبدیل کرده است. در حالی که چتباتهایی مانند ChatGPT و Copilot از همه منابع اطلاعاتی (داوریشده و نشده) استفاده میکنند و گاهی اطلاعات نادرست یا گمراهکننده ارائه میدهند، اسکوپوس AI تنها به دادههای معتبر استناد میکند.
🚀 رونمایی از Scopus AI: یک تحول بزرگ در پژوهشهای علمی
🔹 اسکوپوس اخیراً هوش مصنوعی خود را عرضه کرده است و آن را بهصورت پایلوت برای برخی کاربران فعال کرده بود. اکنون این قابلیت برای تعداد بیشتری از کاربران در دسترس است.
🔹 آزمایشهای اولیه نشان دادهاند که Scopus AI پاسخهای علمی، دقیق و معتبر ارائه میدهد که فراتر از انتظارات اولیه بوده است.
🔹 پاسخها در قالب "خلاصه" (Summary) نمایش داده میشوند و در سمت چپ صفحه، رفرنسهای مرتبط به هر جمله یا پاراگراف قابل مشاهده هستند. با کلیک روی هر رفرنس، جزئیات کامل مقاله در اسکوپوس نمایش داده میشود.
📑 قابلیتهای هوش مصنوعی اسکوپوس
✔️ خلاصه گسترشیافته (Expanded Summary) → ارائه پاسخهای کاملتر بر اساس رفرنسهای مرتبط.
✔️ نقشه مفهومی (Concept Map) → نمایش روابط بین مفاهیم مرتبط با سؤال.
✔️ متخصصان موضوعی (Topic Experts) → نمایش پژوهشگران فعال در حوزه موضوعی و امکان دسترسی به پروفایل آنان.
✔️ پیشنهاد سؤالات مرتبط برای پژوهشهای عمیقتر → Go Deeper
💡 جمعبندی
🔹 یک مدل هوش مصنوعی تخصصی است که بر دادههای معتبر و مستند تمرکز دارد.
🔹 این ابزار امکان جستجوی پیشرفته، دسترسی به رفرنسهای علمی و تعامل بهتر با دادههای پژوهشی را فراهم میکند.
🔹 پژوهشگران اکنون میتوانند از قابلیتهای نوین هوش مصنوعی برای بهبود فرآیند تحقیق و استناد استفاده کنند.
✅ آنچه خوبان همه دارند، Scopus AI یکجا دارد!
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
❤2
🔍 ابزار Qwen AI و قابلیت جدید Deep Research
💡 ویژگی Deep Research نخستینبار توسط OpenAI معرفی شد، سپس Google آن را به مدلهای Gemini افزود. این قابلیت امکان تهیه سریع سنتز شواهد جامع درباره هر موضوع را فراهم میکند.
📌 اکنون هوش مصنوعی شرکت Alibaba با نام Qwen، به این قابلیت مجهز شده است!
✨ نحوه استفاده از Deep Research در Qwen AI
✔️ ورود به سایت: [chat.qwen.ai](https://chat.qwen.ai) و ورود به حساب کاربری.
✔️ فعال کردن Deep Research در زیر کادر چت.
✔️ مشخص کردن عنوان مرور و جزئیات موردنظر (اهداف، معیارهای ورود و خروج، منابع و سایر نیازها).
✔️ انتظار چند دقیقه برای دریافت مقاله مروری کامل.
✔️ دانلود فایل PDF یا ذخیره محتوا در Word.
📌 بررسیها نشان داده که عملکرد آن در تولید مقالات مروری انگلیسی بهتر از فارسی است.
💡 جمعبندی
🔹 ابزار Qwen AI با قابلیت Deep Research، ابزار قدرتمندی برای تولید سنتز شواهد علمی است.
🔹 میتوان در مدت کوتاهی اطلاعات علمی دقیق و مستند را گردآوری کرد.
🔹 این قابلیت آینده پژوهش آنلاین را هوشمندتر و سریعتر میکند.
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
💡 ویژگی Deep Research نخستینبار توسط OpenAI معرفی شد، سپس Google آن را به مدلهای Gemini افزود. این قابلیت امکان تهیه سریع سنتز شواهد جامع درباره هر موضوع را فراهم میکند.
📌 اکنون هوش مصنوعی شرکت Alibaba با نام Qwen، به این قابلیت مجهز شده است!
✨ نحوه استفاده از Deep Research در Qwen AI
✔️ ورود به سایت: [chat.qwen.ai](https://chat.qwen.ai) و ورود به حساب کاربری.
✔️ فعال کردن Deep Research در زیر کادر چت.
✔️ مشخص کردن عنوان مرور و جزئیات موردنظر (اهداف، معیارهای ورود و خروج، منابع و سایر نیازها).
✔️ انتظار چند دقیقه برای دریافت مقاله مروری کامل.
✔️ دانلود فایل PDF یا ذخیره محتوا در Word.
📌 بررسیها نشان داده که عملکرد آن در تولید مقالات مروری انگلیسی بهتر از فارسی است.
💡 جمعبندی
🔹 ابزار Qwen AI با قابلیت Deep Research، ابزار قدرتمندی برای تولید سنتز شواهد علمی است.
🔹 میتوان در مدت کوتاهی اطلاعات علمی دقیق و مستند را گردآوری کرد.
🔹 این قابلیت آینده پژوهش آنلاین را هوشمندتر و سریعتر میکند.
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
chat.qwen.ai
Qwen Chat
Qwen Chat offers comprehensive functionality spanning chatbot, image and video understanding, image generation, document processing, web search integration, tool utilization, and artifacts.
❤2
📌 ۵۰ درصد پژوهشگران بعد از یک دهه، فعالیت علمی را متوقف میکنند
🔹 مطالعهای که در ۲۳ آگوست ۲۰۲۴ در مجله Higher Education منتشر شد نشان میدهد که تقریباً نیمی از پژوهشگران در طول ۱۰ سال پس از انتشار نخستین مقالهشان، دیگر فعالیت علمی ندارند.
📌 دادههای پایگاه استنادی Scopus بررسی شدهاند و نشان میدهند که:
✔️ یک سوم پژوهشگران طی ۵ سال اول فعالیت علمی خود را کنار میگذارند.
✔️ ۵۰ درصد آنها در دهه اول فعالیت پژوهشی خود را متوقف میکنند.
✔️ زنان ۱۲٪ بیشتر از مردان احتمال دارد که علم را ترک کنند.
🔍 دادههای بررسیشده
🔹 پژوهش بر روی ۴۰۰,۰۰۰ پژوهشگر از ۳۸ کشور عضو OECD در حوزههای علوم، فناوری، مهندسی، ریاضیات و پزشکی انجام شده است.
🔹 دو کوهورت اصلی بررسی شدهاند:
✔️ کوهورت ۲۰۰۰: ۱۴۲,۷۷۶ پژوهشگر (۵۲,۱۱۵ زن).
✔️ کوهورت ۲۰۱۰: ۲۳۲,۸۴۳ پژوهشگر (۹۷,۱۴۵ زن).
📌 نتایج کلیدی:
✔️ کوهورت ۲۰۰۰: تنها ۲۹٪ از زنان و ۳۴٪ از مردان تا سال ۲۰۱۹ به انتشار ادامه دادند.
✔️ کوهورت ۲۰۱۰: تقریباً ۴۱٪ از زنان و ۴۲٪ از مردان نه سال پس از نخستین مقالهشان همچنان فعال بودند.
📌 رشتههای با بیشترین تفاوت جنسیتی:
✔️ زیستشناسی: احتمال ترک علم در زنان ۵۸٪ و در مردان ۴۹٪.
✔️ علوم زیستی و پزشکی: تفاوتهای قابلتوجه بین مردان و زنان مشاهده شد.
📌 رشتههایی با تفاوت جنسیتی کمتر:
✔️ فیزیک، ریاضیات، مهندسی، علوم کامپیوتر.
⚠️ چالشها و محدودیتهای پژوهش
🔹 پژوهش دلایل ترک علم را بررسی نکرده است اما عوامل احتمالی شامل:
✔️ اشتغال در صنعت
✔️ پیوستن به موسساتی که پژوهش اولویت آنها نیست
✔️ گرفتن سمتهای مدیریتی و اجرایی
🔹 ممکن است زنان در پژوهشهای منتشر شده به عنوان همکار شناخته نشوند و این موضوع در دادههای انتشارات منعکس نشود.
📌 مطالعات جداگانه در سال ۲۰۲۳ نشان دادند که عوامل خانوادگی، وضعیت استخدام و حقوق و مزایا، تأثیر زیادی در ترک دانشگاهها دارند.
🔹 برنامه آینده: پژوهشگران قصد دارند با پیمایشهای گسترده و مصاحبهها، دلایل عمیقتر خروج محققان از علم را بررسی کنند.
💡 جمعبندی
🔹 این پژوهش تصویری جامع از چالشهای ماندگاری پژوهشگران در محیطهای علمی ارائه میدهد.
🔹 عوامل جنسیتی، شرایط کاری و ساختارهای دانشگاهی در ترک علم تأثیرگذار هستند.
🔹 ادامه تحقیقات برای شفافسازی دلایل واقعی خروج محققان از حوزه علمی ضروری است.
https://link.springer.com/article/10.1007/s10734-024-01284-0
https://www.nature.com/articles/d41586-024-03222-7
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
🔹 مطالعهای که در ۲۳ آگوست ۲۰۲۴ در مجله Higher Education منتشر شد نشان میدهد که تقریباً نیمی از پژوهشگران در طول ۱۰ سال پس از انتشار نخستین مقالهشان، دیگر فعالیت علمی ندارند.
📌 دادههای پایگاه استنادی Scopus بررسی شدهاند و نشان میدهند که:
✔️ یک سوم پژوهشگران طی ۵ سال اول فعالیت علمی خود را کنار میگذارند.
✔️ ۵۰ درصد آنها در دهه اول فعالیت پژوهشی خود را متوقف میکنند.
✔️ زنان ۱۲٪ بیشتر از مردان احتمال دارد که علم را ترک کنند.
🔍 دادههای بررسیشده
🔹 پژوهش بر روی ۴۰۰,۰۰۰ پژوهشگر از ۳۸ کشور عضو OECD در حوزههای علوم، فناوری، مهندسی، ریاضیات و پزشکی انجام شده است.
🔹 دو کوهورت اصلی بررسی شدهاند:
✔️ کوهورت ۲۰۰۰: ۱۴۲,۷۷۶ پژوهشگر (۵۲,۱۱۵ زن).
✔️ کوهورت ۲۰۱۰: ۲۳۲,۸۴۳ پژوهشگر (۹۷,۱۴۵ زن).
📌 نتایج کلیدی:
✔️ کوهورت ۲۰۰۰: تنها ۲۹٪ از زنان و ۳۴٪ از مردان تا سال ۲۰۱۹ به انتشار ادامه دادند.
✔️ کوهورت ۲۰۱۰: تقریباً ۴۱٪ از زنان و ۴۲٪ از مردان نه سال پس از نخستین مقالهشان همچنان فعال بودند.
📌 رشتههای با بیشترین تفاوت جنسیتی:
✔️ زیستشناسی: احتمال ترک علم در زنان ۵۸٪ و در مردان ۴۹٪.
✔️ علوم زیستی و پزشکی: تفاوتهای قابلتوجه بین مردان و زنان مشاهده شد.
📌 رشتههایی با تفاوت جنسیتی کمتر:
✔️ فیزیک، ریاضیات، مهندسی، علوم کامپیوتر.
⚠️ چالشها و محدودیتهای پژوهش
🔹 پژوهش دلایل ترک علم را بررسی نکرده است اما عوامل احتمالی شامل:
✔️ اشتغال در صنعت
✔️ پیوستن به موسساتی که پژوهش اولویت آنها نیست
✔️ گرفتن سمتهای مدیریتی و اجرایی
🔹 ممکن است زنان در پژوهشهای منتشر شده به عنوان همکار شناخته نشوند و این موضوع در دادههای انتشارات منعکس نشود.
📌 مطالعات جداگانه در سال ۲۰۲۳ نشان دادند که عوامل خانوادگی، وضعیت استخدام و حقوق و مزایا، تأثیر زیادی در ترک دانشگاهها دارند.
🔹 برنامه آینده: پژوهشگران قصد دارند با پیمایشهای گسترده و مصاحبهها، دلایل عمیقتر خروج محققان از علم را بررسی کنند.
💡 جمعبندی
🔹 این پژوهش تصویری جامع از چالشهای ماندگاری پژوهشگران در محیطهای علمی ارائه میدهد.
🔹 عوامل جنسیتی، شرایط کاری و ساختارهای دانشگاهی در ترک علم تأثیرگذار هستند.
🔹 ادامه تحقیقات برای شفافسازی دلایل واقعی خروج محققان از حوزه علمی ضروری است.
https://link.springer.com/article/10.1007/s10734-024-01284-0
https://www.nature.com/articles/d41586-024-03222-7
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
SpringerLink
Quantifying attrition in science: a cohort-based, longitudinal study of scientists in 38 OECD countries
Higher Education - In this paper, we explore how members of the scientific community leave academic science and how attrition (defined as ceasing to publish) differs across genders, academic...
👍3
📌 بیانیه GAMER: گایدلاین گزارشدهی برای استفاده از هوش مصنوعی مولد در پژوهشهای پزشکی
🔹 این گایدلاین که در ۱۳ مه ۲۰۲۵ در مجله BMJ Evidence-Based Medicine منتشر شده است، اولین دستورالعمل اختصاصی در این حوزه محسوب میشود.
📌 چرا GAMER ضروری است؟
✔️ افزایش استفاده از ابزارهای هوش مصنوعی مولد در پژوهشهای پزشکی، بدون داشتن استانداردهای مشخص، به چالشهایی مانند سرقت علمی، تقلب و نگرانی درباره صحت نتایج منجر شده است.
✔️ دستورالعملهای قبلی مانند CONSORT-AI و STARD-AI بهطور خاص به نحوه استفاده از هوش مصنوعی مولد در پژوهشها نپرداختهاند.
📝 روش تدوین GAMER
📌 مطالعه بینالمللی به روش دلفی (Delphi) با حضور ۵۱ متخصص از ۲۶ کشور:
✔️ مرور اسکوپینگ برای بررسی منابع موجود.
✔️ دو مرحله نظرسنجی دلفی و جلسات آنلاین برای رسیدن به اجماع نظر.
📌 چکلیست GAMER شامل ۹ آیتم اصلی گزارشدهی است:
✔️ مشخص کردن نقش و میزان استفاده از ابزارهای هوش مصنوعی مولد در پژوهش.
✔️ نام ابزارهای GAI، نسخهها و بازه زمانی استفاده.
✔️ تکنیکهای پرامپتدهی و ارائه پاسخهای خام مدل.
✔️ تنظیم دقیق (Fine-tuning) مدلهای موجود و ذکر جزئیات اولیه.
✔️ نقش هوش مصنوعی در تمامی مراحل پژوهش (از طراحی تا نگارش مقاله).
✔️ مشخص کردن بخشهایی که با GAI نوشته شدهاند.
✔️ روشهای راستیآزمایی و اصلاح محتوای تولیدشده توسط هوش مصنوعی.
✔️ تدابیر حفظ محرمانگی و حریم خصوصی دادهها.
✔️ بررسی تأثیر استفاده از این ابزارها بر دقت کلی و نتیجهگیری مطالعه.
📌 هر کدام از این آیتمها در متن مقاله توضیح داده شده و شامل مثالهای کاربردی برای نحوه گزارشدهی هستند.
🌍 تأثیرات مورد انتظار GAMER
✔️ افزایش شفافیت، تکرارپذیری و اعتمادپذیری در پژوهشهای پزشکی.
✔️ ارائه یک معیار استاندارد برای گزارشدهی استفاده از هوش مصنوعی مولد در تحقیقات علمی.
📌 کاربردها:
✔️ پژوهشگران میتوانند از این چکلیست برای شفافیت در گزارشدهی استفاده از AI در مطالعات خود بهره ببرند.
✔️ داوران و سردبیران مجلات میتوانند از GAMER برای ارزیابی مقالات علمی و بررسی میزان استفاده از هوش مصنوعی استفاده کنند.
📌 چکلیست GAMER قابل استفاده در تمامی پژوهشهای علوم پزشکی و سلامت است و برای تمامی ابزارهای هوش مصنوعی مولد کاربرد دارد.
💡 جمعبندی
🔹 بیانیه GAMER نخستین استاندارد اختصاصی برای گزارشدهی استفاده از ابزارهای هوش مصنوعی مولد در پژوهشهای پزشکی است.
🔹 با رعایت این گایدلاین، پژوهشگران میتوانند شفافیت و اعتمادپذیری مطالعات خود را افزایش دهند.
🔹 تدوین این چکلیست، گامی مهم در جهت تنظیم استفاده از هوش مصنوعی مولد در تحقیقات علمی است.
https://ebm.bmj.com/content/early/2025/05/13/bmjebm-2025-113825
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
🔹 این گایدلاین که در ۱۳ مه ۲۰۲۵ در مجله BMJ Evidence-Based Medicine منتشر شده است، اولین دستورالعمل اختصاصی در این حوزه محسوب میشود.
📌 چرا GAMER ضروری است؟
✔️ افزایش استفاده از ابزارهای هوش مصنوعی مولد در پژوهشهای پزشکی، بدون داشتن استانداردهای مشخص، به چالشهایی مانند سرقت علمی، تقلب و نگرانی درباره صحت نتایج منجر شده است.
✔️ دستورالعملهای قبلی مانند CONSORT-AI و STARD-AI بهطور خاص به نحوه استفاده از هوش مصنوعی مولد در پژوهشها نپرداختهاند.
📝 روش تدوین GAMER
📌 مطالعه بینالمللی به روش دلفی (Delphi) با حضور ۵۱ متخصص از ۲۶ کشور:
✔️ مرور اسکوپینگ برای بررسی منابع موجود.
✔️ دو مرحله نظرسنجی دلفی و جلسات آنلاین برای رسیدن به اجماع نظر.
📌 چکلیست GAMER شامل ۹ آیتم اصلی گزارشدهی است:
✔️ مشخص کردن نقش و میزان استفاده از ابزارهای هوش مصنوعی مولد در پژوهش.
✔️ نام ابزارهای GAI، نسخهها و بازه زمانی استفاده.
✔️ تکنیکهای پرامپتدهی و ارائه پاسخهای خام مدل.
✔️ تنظیم دقیق (Fine-tuning) مدلهای موجود و ذکر جزئیات اولیه.
✔️ نقش هوش مصنوعی در تمامی مراحل پژوهش (از طراحی تا نگارش مقاله).
✔️ مشخص کردن بخشهایی که با GAI نوشته شدهاند.
✔️ روشهای راستیآزمایی و اصلاح محتوای تولیدشده توسط هوش مصنوعی.
✔️ تدابیر حفظ محرمانگی و حریم خصوصی دادهها.
✔️ بررسی تأثیر استفاده از این ابزارها بر دقت کلی و نتیجهگیری مطالعه.
📌 هر کدام از این آیتمها در متن مقاله توضیح داده شده و شامل مثالهای کاربردی برای نحوه گزارشدهی هستند.
🌍 تأثیرات مورد انتظار GAMER
✔️ افزایش شفافیت، تکرارپذیری و اعتمادپذیری در پژوهشهای پزشکی.
✔️ ارائه یک معیار استاندارد برای گزارشدهی استفاده از هوش مصنوعی مولد در تحقیقات علمی.
📌 کاربردها:
✔️ پژوهشگران میتوانند از این چکلیست برای شفافیت در گزارشدهی استفاده از AI در مطالعات خود بهره ببرند.
✔️ داوران و سردبیران مجلات میتوانند از GAMER برای ارزیابی مقالات علمی و بررسی میزان استفاده از هوش مصنوعی استفاده کنند.
📌 چکلیست GAMER قابل استفاده در تمامی پژوهشهای علوم پزشکی و سلامت است و برای تمامی ابزارهای هوش مصنوعی مولد کاربرد دارد.
💡 جمعبندی
🔹 بیانیه GAMER نخستین استاندارد اختصاصی برای گزارشدهی استفاده از ابزارهای هوش مصنوعی مولد در پژوهشهای پزشکی است.
🔹 با رعایت این گایدلاین، پژوهشگران میتوانند شفافیت و اعتمادپذیری مطالعات خود را افزایش دهند.
🔹 تدوین این چکلیست، گامی مهم در جهت تنظیم استفاده از هوش مصنوعی مولد در تحقیقات علمی است.
https://ebm.bmj.com/content/early/2025/05/13/bmjebm-2025-113825
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
BMJ Evidence-Based Medicine
Reporting guideline for the use of Generative Artificial intelligence tools in MEdical Research: the GAMER Statement
Objectives Generative artificial intelligence (GAI) tools can enhance the quality and efficiency of medical research, but their improper use may result in plagiarism, academic fraud and unreliable findings. Transparent reporting of GAI use is essential, yet…
👍4
📌 نقشه زنده پژوهشها درباره ابزارهای مبتنی بر مدلهای زبانی بزرگ (LLM) در مراقبتهای بهداشتی و اجتماعی
🔹 مرکز EPPI مرورهای سیستماتیک و سنتز شواهد را در حوزههای سلامت، آموزش، رفاه و مراقبت اجتماعی انجام میدهد.
🔹 این مرکز اخیراً چندین Evidence and Gap Maps (EGMs) در زمینه مطالعات مرتبط با مدلهای زبانی بزرگ تهیه کرده است.
🖥️ معرفی نقشه زنده پژوهشها (Living Map)
📌 نقشهای تعاملی و بهروز از مطالعات مربوط به ابزارهای مولد LLM در سلامت بالینی، سلامت عمومی و مراقبت اجتماعی.
📌 فقط شامل پژوهشهایی است که بهطور مستقیم به ابزارهای LLM میپردازند (نه سایر انواع AI).
📌 مناسب برای پژوهشگران، سیاستگذاران و متخصصانی که نیاز دارند شواهد موجود و گپهای پژوهشی را شناسایی کنند.
📑 نحوه گردآوری دادهها
✔️ جستوجوی خودکار در OpenAlex و تلفیق با ابزار EPPI-Reviewer.
✔️ بررسی بیش از ۲۵۰ میلیون رکورد علمی برای شناسایی مطالعات مرتبط.
📌 نسخه فعلی (نسخه ۴ – ۱۰ دسامبر ۲۰۲۴، منتشرشده ۳۰ آوریل ۲۰۲۵):
✔️ ۴۲۳ رکورد کاملاً کدگذاریشده.
✔️ هر رکورد بر اساس ۹ بُعد (کلاس کاربرد، نوع مقاله، نوع مدل، نحوه استفاده، نوع وظیفه، جمعیت، نسخه و غیره) دستهبندی شده است.
🔍 امکانات تعاملی نقشه
✔️ پایگاه وب تعاملی (EPPI-Vis) برای جستوجو و فیلتر پیشرفته.
✔️ ۵ نمای ازپیشپیکربندیشده برای نمایش اطلاعات کلیدی.
✔️ امکان خروجی گرفتن (Export) لیست مطالعات برای استفاده شخصی یا استنادی.
✔️ بخش اختصاصی شامل مطالعات آموزش پزشکی، پاسخ به سؤالات امتحانی و آموزش بیماران.
⚠️ محدودیتها
📌 کیفیت مطالعات ارزیابی نقادانه نشده است و نقشه تمایز میان شواهد قوی و ضعیف را مشخص نمیکند.
📌 بررسی انتقادی مستقل در آینده منتشر خواهد شد.
🏛️ نهادهای اجرا و پشتیبانی
✔️ مرکز EPPI (دانشگاه کالج لندن) تحت پوشش برنامه سیاستپژوهی NIHR.
✔️ همکاری با مرکز CRD (دانشگاه یورک) و دانشکده LSHTM.
💡 چرا ممکن است برای شما مفید باشد؟
📌 اگر در حال طراحی یا ارزیابی ابزارهای مبتنی بر LLM در سلامت و مراقبت اجتماعی هستید:
✔️ بهترین راه برای شناسایی مطالعات مشابه و گپهای پژوهشی.
✔️ مشاهده روندهای تحقیقاتی و تحلیل دادههای خام برای بررسی عمیقتر.
✅ این نقشه به پژوهشگران کمک میکند تا در لحظه، مطالعات کلیدی مرتبط با LLM را بررسی کنند!
https://eppi.ioe.ac.uk/EPPI-Vis/Review/Index/708
https://eppi.ioe.ac.uk/
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
🔹 مرکز EPPI مرورهای سیستماتیک و سنتز شواهد را در حوزههای سلامت، آموزش، رفاه و مراقبت اجتماعی انجام میدهد.
🔹 این مرکز اخیراً چندین Evidence and Gap Maps (EGMs) در زمینه مطالعات مرتبط با مدلهای زبانی بزرگ تهیه کرده است.
🖥️ معرفی نقشه زنده پژوهشها (Living Map)
📌 نقشهای تعاملی و بهروز از مطالعات مربوط به ابزارهای مولد LLM در سلامت بالینی، سلامت عمومی و مراقبت اجتماعی.
📌 فقط شامل پژوهشهایی است که بهطور مستقیم به ابزارهای LLM میپردازند (نه سایر انواع AI).
📌 مناسب برای پژوهشگران، سیاستگذاران و متخصصانی که نیاز دارند شواهد موجود و گپهای پژوهشی را شناسایی کنند.
📑 نحوه گردآوری دادهها
✔️ جستوجوی خودکار در OpenAlex و تلفیق با ابزار EPPI-Reviewer.
✔️ بررسی بیش از ۲۵۰ میلیون رکورد علمی برای شناسایی مطالعات مرتبط.
📌 نسخه فعلی (نسخه ۴ – ۱۰ دسامبر ۲۰۲۴، منتشرشده ۳۰ آوریل ۲۰۲۵):
✔️ ۴۲۳ رکورد کاملاً کدگذاریشده.
✔️ هر رکورد بر اساس ۹ بُعد (کلاس کاربرد، نوع مقاله، نوع مدل، نحوه استفاده، نوع وظیفه، جمعیت، نسخه و غیره) دستهبندی شده است.
🔍 امکانات تعاملی نقشه
✔️ پایگاه وب تعاملی (EPPI-Vis) برای جستوجو و فیلتر پیشرفته.
✔️ ۵ نمای ازپیشپیکربندیشده برای نمایش اطلاعات کلیدی.
✔️ امکان خروجی گرفتن (Export) لیست مطالعات برای استفاده شخصی یا استنادی.
✔️ بخش اختصاصی شامل مطالعات آموزش پزشکی، پاسخ به سؤالات امتحانی و آموزش بیماران.
⚠️ محدودیتها
📌 کیفیت مطالعات ارزیابی نقادانه نشده است و نقشه تمایز میان شواهد قوی و ضعیف را مشخص نمیکند.
📌 بررسی انتقادی مستقل در آینده منتشر خواهد شد.
🏛️ نهادهای اجرا و پشتیبانی
✔️ مرکز EPPI (دانشگاه کالج لندن) تحت پوشش برنامه سیاستپژوهی NIHR.
✔️ همکاری با مرکز CRD (دانشگاه یورک) و دانشکده LSHTM.
💡 چرا ممکن است برای شما مفید باشد؟
📌 اگر در حال طراحی یا ارزیابی ابزارهای مبتنی بر LLM در سلامت و مراقبت اجتماعی هستید:
✔️ بهترین راه برای شناسایی مطالعات مشابه و گپهای پژوهشی.
✔️ مشاهده روندهای تحقیقاتی و تحلیل دادههای خام برای بررسی عمیقتر.
✅ این نقشه به پژوهشگران کمک میکند تا در لحظه، مطالعات کلیدی مرتبط با LLM را بررسی کنند!
https://eppi.ioe.ac.uk/EPPI-Vis/Review/Index/708
https://eppi.ioe.ac.uk/
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
👌2
📊 پیشی گرفتن عربستان از ایران در Web of Science Core Collection
📌 برای اولین بار، عربستان در تعداد مدارک علمی منتشرشده از ایران پیشی گرفته است!
🔹 در واقع Web of Science Core Collection شامل ۱۰ نمایهنامه استنادی است و در حال حاضر ۹۵.۹ میلیون رکورد علمی دارد.
🔹 نمایه علوم-گسترشیافته (SCIE) بزرگترین و مهمترین نمایه استنادی این مجموعه محسوب میشود، زیرا ۷۰.۵٪ از کل رکوردهای پایگاه را شامل میشود.
📑 مقایسه ایران و عربستان در Web of Science
📌 در سال ۲۰۲۳:
✔️ ایران با ۵۹,۶۰۶ مدرک علمی در رتبه ۱۷ جهانی قرار داشت.
✔️ عربستان با ۵۸,۱۶۳ مدرک علمی در رتبه ۱۸ قرار داشت.
📌 اما در سال ۲۰۲۴:
✔️ ایران ۵۸,۴۸۰ مدرک تولید کرده است که کاهش نسبت به سال گذشته را نشان میدهد.
✔️ عربستان ۶۳,۹۵۰ مدرک تولید کرده است که ۵,۷۸۷ مدرک افزایش نسبت به سال قبل را نشان میدهد.
✔️ عربستان با دو پله صعود به رتبه ۱۶ رسیده است، در حالی که ایران همچنان در جایگاه ۱۷ باقی مانده است.
📌 مقایسه با روسیه:
✔️ در سال ۲۰۲۳، روسیه بالاتر از ایران بود اما در ۲۰۲۴ فعلاً پایینتر از ایران قرار دارد.
✔️ اختلاف بین ایران و روسیه تنها ۲ هزار مدرک است و احتمال بسیار بالایی وجود دارد که روسیه در ماههای آینده از ایران پیشی بگیرد.
✔️ در صورت پیشی گرفتن روسیه، ایران به رتبه ۱۹ سقوط خواهد کرد.
🔍 وضعیت ایران در اسکوپوس
📌 در حال حاضر، ایران در اسکوپوس جلوتر از عربستان است و تعداد مدارک علمی بیشتری دارد.
📌 اما با روند فعلی، در سال ۲۰۲۵ عربستان احتمالاً جایگاه ایران را در اسکوپوس نیز خواهد گرفت.
✔️ در سالهای اخیر، عربستان سرمایهگذاریهای زیادی در حوزه پژوهش و توسعه انجام داده است که بر افزایش تعداد مدارک علمی این کشور تأثیر مستقیم داشته است.
✔️ در مقابل، ایران با کاهش تعداد مدارک علمی مواجه شده است که میتواند دلایلی مانند کاهش بودجه پژوهشی، محدودیتهای انتشار و تغییرات در سیاستهای علمی داشته باشد.
💡 جمعبندی
🔹 برای اولین بار، عربستان توانسته است از ایران در Web of Science Core Collection پیشی بگیرد.
🔹 با ادامه این روند، ایران به احتمال زیاد جایگاه خود را در رتبهبندیهای علمی از دست خواهد داد، هم در Web of Science و هم در اسکوپوس.
🔹 پیشرفت سریع عربستان در تولید علم نشاندهنده سرمایهگذاریهای وسیع این کشور در زمینه پژوهش و توسعه است.
🔹 تحلیل این روند برای سیاستگذاران علمی ایران اهمیت بالایی دارد، زیرا حفظ جایگاه علمی کشور در سطح جهانی نیازمند توجه به این تغییرات و اتخاذ سیاستهای حمایتی مناسب است.
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
📌 برای اولین بار، عربستان در تعداد مدارک علمی منتشرشده از ایران پیشی گرفته است!
🔹 در واقع Web of Science Core Collection شامل ۱۰ نمایهنامه استنادی است و در حال حاضر ۹۵.۹ میلیون رکورد علمی دارد.
🔹 نمایه علوم-گسترشیافته (SCIE) بزرگترین و مهمترین نمایه استنادی این مجموعه محسوب میشود، زیرا ۷۰.۵٪ از کل رکوردهای پایگاه را شامل میشود.
📑 مقایسه ایران و عربستان در Web of Science
📌 در سال ۲۰۲۳:
✔️ ایران با ۵۹,۶۰۶ مدرک علمی در رتبه ۱۷ جهانی قرار داشت.
✔️ عربستان با ۵۸,۱۶۳ مدرک علمی در رتبه ۱۸ قرار داشت.
📌 اما در سال ۲۰۲۴:
✔️ ایران ۵۸,۴۸۰ مدرک تولید کرده است که کاهش نسبت به سال گذشته را نشان میدهد.
✔️ عربستان ۶۳,۹۵۰ مدرک تولید کرده است که ۵,۷۸۷ مدرک افزایش نسبت به سال قبل را نشان میدهد.
✔️ عربستان با دو پله صعود به رتبه ۱۶ رسیده است، در حالی که ایران همچنان در جایگاه ۱۷ باقی مانده است.
📌 مقایسه با روسیه:
✔️ در سال ۲۰۲۳، روسیه بالاتر از ایران بود اما در ۲۰۲۴ فعلاً پایینتر از ایران قرار دارد.
✔️ اختلاف بین ایران و روسیه تنها ۲ هزار مدرک است و احتمال بسیار بالایی وجود دارد که روسیه در ماههای آینده از ایران پیشی بگیرد.
✔️ در صورت پیشی گرفتن روسیه، ایران به رتبه ۱۹ سقوط خواهد کرد.
🔍 وضعیت ایران در اسکوپوس
📌 در حال حاضر، ایران در اسکوپوس جلوتر از عربستان است و تعداد مدارک علمی بیشتری دارد.
📌 اما با روند فعلی، در سال ۲۰۲۵ عربستان احتمالاً جایگاه ایران را در اسکوپوس نیز خواهد گرفت.
✔️ در سالهای اخیر، عربستان سرمایهگذاریهای زیادی در حوزه پژوهش و توسعه انجام داده است که بر افزایش تعداد مدارک علمی این کشور تأثیر مستقیم داشته است.
✔️ در مقابل، ایران با کاهش تعداد مدارک علمی مواجه شده است که میتواند دلایلی مانند کاهش بودجه پژوهشی، محدودیتهای انتشار و تغییرات در سیاستهای علمی داشته باشد.
💡 جمعبندی
🔹 برای اولین بار، عربستان توانسته است از ایران در Web of Science Core Collection پیشی بگیرد.
🔹 با ادامه این روند، ایران به احتمال زیاد جایگاه خود را در رتبهبندیهای علمی از دست خواهد داد، هم در Web of Science و هم در اسکوپوس.
🔹 پیشرفت سریع عربستان در تولید علم نشاندهنده سرمایهگذاریهای وسیع این کشور در زمینه پژوهش و توسعه است.
🔹 تحلیل این روند برای سیاستگذاران علمی ایران اهمیت بالایی دارد، زیرا حفظ جایگاه علمی کشور در سطح جهانی نیازمند توجه به این تغییرات و اتخاذ سیاستهای حمایتی مناسب است.
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
👍3
🔍 بررسی کیفیت پاسخهای چتبات Bing به سؤالات دارویی بیماران
📌 افزایش استفاده از اینترنت برای دریافت اطلاعات دارویی و نقش چتباتهای مبتنی بر هوش مصنوعی، توجه محققان را به دقت و ایمنی این اطلاعات جلب کرده است.
🔹 مطالعهای مقطعی در آوریل ۲۰۲۳، عملکرد چتبات Bing را در پاسخگویی به ۱۰ سؤال رایج بیماران درباره ۵۰ داروی پرمصرف بررسی کرد.
🔹 سه معیار اصلی ارزیابی شامل خوانایی (Readability)، جامعیت (Completeness) و دقت (Accuracy) بود.
📑 نتایج مطالعه
📌 خوانایی پاسخها:
✔️ میانگین نمره خوانایی ۳۷.۲ از ۱۰۰ که نشاندهنده دشواری درک پاسخها برای عموم افراد است.
✔️ برای فهم کامل این پاسخها، سطح تحصیلات دانشگاهی مورد نیاز است.
📌 جامعیت و دقت پاسخها:
✔️ میانه جامعیت پاسخها ۱۰۰٪ (با میانگین ۷۶.۷٪).
✔️ میانه دقت ۱۰۰٪ (با میانگین ۸۸.۷٪).
📌 بررسی خطرات احتمالی:
✔️ تنها ۵۴٪ از پاسخها با اجماع علمی هماهنگ بودند.
✔️ ۳۹٪ از پاسخها مخالف اجماع علمی و ۶٪ فاقد اجماع علمی مشخص بودند.
✔️ ۶۶٪ از پاسخها دارای پتانسیل آسیبرسانی بودند(۳٪ احتمال بالا، ۲۹٪ احتمال متوسط، ۳۴٪ احتمال پایین).
✔️ ۲۲٪ از پاسخها میتوانستند منجر به آسیب شدید یا حتی مرگ شوند.
⚠️ علل فنی کیفیت پایین برخی پاسخها
📌 چالشهای اصلی چتباتها در ارائه اطلاعات دقیق:
✔️ ترکیب اطلاعات از منابع معتبر و نامعتبر.
✔️ ارجاع کلی به وبسایتها بدون مشخص کردن بخشهای خاص.
✔️ عدم تأیید بهروز بودن منابع اطلاعاتی.
💡 توصیههای محققان
🔹 چتباتهای AI با وجود پاسخهای نسبتاً دقیق، هنوز خطر ارائه اطلاعات ناقص یا نادرست را دارند.
🔹 تا زمان توسعه راهحلهای ایمنتر، توصیه میشود بیماران برای اطلاعات دارویی به متخصصان سلامت مراجعه کنند.
🔹 بهبود نظارت و کنترل اطلاعات ارائهشده توسط چتباتها برای حفظ ایمنی بیماران ضروری است.
✅ این مطالعه نشان میدهد که با وجود پیشرفتهای AI، اعتماد به منابع علمی معتبر و متخصصان پزشکی همچنان ضروری است!
https://qualitysafety.bmj.com/content/early/2024/09/18/bmjqs-2024-017476
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
📌 افزایش استفاده از اینترنت برای دریافت اطلاعات دارویی و نقش چتباتهای مبتنی بر هوش مصنوعی، توجه محققان را به دقت و ایمنی این اطلاعات جلب کرده است.
🔹 مطالعهای مقطعی در آوریل ۲۰۲۳، عملکرد چتبات Bing را در پاسخگویی به ۱۰ سؤال رایج بیماران درباره ۵۰ داروی پرمصرف بررسی کرد.
🔹 سه معیار اصلی ارزیابی شامل خوانایی (Readability)، جامعیت (Completeness) و دقت (Accuracy) بود.
📑 نتایج مطالعه
📌 خوانایی پاسخها:
✔️ میانگین نمره خوانایی ۳۷.۲ از ۱۰۰ که نشاندهنده دشواری درک پاسخها برای عموم افراد است.
✔️ برای فهم کامل این پاسخها، سطح تحصیلات دانشگاهی مورد نیاز است.
📌 جامعیت و دقت پاسخها:
✔️ میانه جامعیت پاسخها ۱۰۰٪ (با میانگین ۷۶.۷٪).
✔️ میانه دقت ۱۰۰٪ (با میانگین ۸۸.۷٪).
📌 بررسی خطرات احتمالی:
✔️ تنها ۵۴٪ از پاسخها با اجماع علمی هماهنگ بودند.
✔️ ۳۹٪ از پاسخها مخالف اجماع علمی و ۶٪ فاقد اجماع علمی مشخص بودند.
✔️ ۶۶٪ از پاسخها دارای پتانسیل آسیبرسانی بودند(۳٪ احتمال بالا، ۲۹٪ احتمال متوسط، ۳۴٪ احتمال پایین).
✔️ ۲۲٪ از پاسخها میتوانستند منجر به آسیب شدید یا حتی مرگ شوند.
⚠️ علل فنی کیفیت پایین برخی پاسخها
📌 چالشهای اصلی چتباتها در ارائه اطلاعات دقیق:
✔️ ترکیب اطلاعات از منابع معتبر و نامعتبر.
✔️ ارجاع کلی به وبسایتها بدون مشخص کردن بخشهای خاص.
✔️ عدم تأیید بهروز بودن منابع اطلاعاتی.
💡 توصیههای محققان
🔹 چتباتهای AI با وجود پاسخهای نسبتاً دقیق، هنوز خطر ارائه اطلاعات ناقص یا نادرست را دارند.
🔹 تا زمان توسعه راهحلهای ایمنتر، توصیه میشود بیماران برای اطلاعات دارویی به متخصصان سلامت مراجعه کنند.
🔹 بهبود نظارت و کنترل اطلاعات ارائهشده توسط چتباتها برای حفظ ایمنی بیماران ضروری است.
✅ این مطالعه نشان میدهد که با وجود پیشرفتهای AI، اعتماد به منابع علمی معتبر و متخصصان پزشکی همچنان ضروری است!
https://qualitysafety.bmj.com/content/early/2024/09/18/bmjqs-2024-017476
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
BMJ Quality & Safety
Artificial intelligence-powered chatbots in search engines: a cross-sectional study on the quality and risks of drug information…
Background Search engines often serve as a primary resource for patients to obtain drug information. However, the search engine market is rapidly changing due to the introduction of artificial intelligence (AI)-powered chatbots. The consequences for medication…
👍2
📌 عنوان مقاله
✅ استدلال اتفاقی و بهداشت پژوهش
🔍 افزایش غلطهای املایی رایج؛ بازتابی از وضعیت فرهنگ تحقیقاتی؟
📊 تحلیل دادهها: افزایش خطاهای املایی در مقالات علمی
طبق بررسی بیش از ۳۲ میلیون چکیده علمی منتشر شده طی ۵۰ سال گذشته، پژوهشگران Adrian Barnett و Nicole White دریافتند که اشتباهات املایی در مقالات پژوهشی بهطور قابلتوجهی افزایش یافته است. این مسئله میتواند نشانهای از تغییر فرهنگ پژوهشی باشد، جایی که کمیت بر کیفیت اولویت دارد.
👨🔬برنده جایزه نوبل، Peter Higgs، در سال ۲۰۱۳ اظهار کرد:
"اگر در سیستم دانشگاهی امروز کار میکردم، به اندازه کافی بهرهوری نداشتم!"
📌 این فشار بر پژوهشگران ممکن است باعث کاهش دقت و کیفیت در مقالات علمی شود.
🚨 چرا این افزایش خطاها مهم است؟
🔴 نرخ کل اشتباهات املایی:
📅 ۱۹۷۰: ۰.۱ در هر ۱۰هزار چکیده
📅 ۲۰۲۳: ۸.۷ در هر ۱۰هزار چکیده
📌 این روند نشان میدهد که توجه به کیفیت و دقت علمی کاهش یافته است.
🔍 برخی اشتباهات رایج که بررسی شدهاند:
✔️ "odds ratio" → "odds ration"
✔️ "research" → "reserach"
✍️ خطاهای املایی شاید مستقیماً اعتبار مقاله را زیر سؤال نبرند، اما میتوانند نشانهای از کاهش دقت و کیفیت علمی باشند.
🎯 چگونه پژوهشگران میتوانند کیفیت تحقیقات را حفظ کنند؟
✅ بازخوانی دقیق مقالات قبل از انتشار
✅ استفاده از ابزارهای ویراستاری و نرمافزارهای گرامری
✅ کمتر اما بهتر پژوهش کنیم
✅ تمرکز بر بررسیهای دقیق و تحلیل نتایج
🔸 داگ آلتمن (Doug Altman) در سال ۱۹۹۴ بر این اصل تأکید کرد:
"پژوهش کمتر، پژوهش بهتر!"
🔸 امروز، بیش از هر زمان دیگری، کیفیت باید بر کمیت اولویت داشته باشد.
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
✅ استدلال اتفاقی و بهداشت پژوهش
🔍 افزایش غلطهای املایی رایج؛ بازتابی از وضعیت فرهنگ تحقیقاتی؟
📊 تحلیل دادهها: افزایش خطاهای املایی در مقالات علمی
طبق بررسی بیش از ۳۲ میلیون چکیده علمی منتشر شده طی ۵۰ سال گذشته، پژوهشگران Adrian Barnett و Nicole White دریافتند که اشتباهات املایی در مقالات پژوهشی بهطور قابلتوجهی افزایش یافته است. این مسئله میتواند نشانهای از تغییر فرهنگ پژوهشی باشد، جایی که کمیت بر کیفیت اولویت دارد.
👨🔬برنده جایزه نوبل، Peter Higgs، در سال ۲۰۱۳ اظهار کرد:
"اگر در سیستم دانشگاهی امروز کار میکردم، به اندازه کافی بهرهوری نداشتم!"
📌 این فشار بر پژوهشگران ممکن است باعث کاهش دقت و کیفیت در مقالات علمی شود.
🚨 چرا این افزایش خطاها مهم است؟
🔴 نرخ کل اشتباهات املایی:
📅 ۱۹۷۰: ۰.۱ در هر ۱۰هزار چکیده
📅 ۲۰۲۳: ۸.۷ در هر ۱۰هزار چکیده
📌 این روند نشان میدهد که توجه به کیفیت و دقت علمی کاهش یافته است.
🔍 برخی اشتباهات رایج که بررسی شدهاند:
✔️ "odds ratio" → "odds ration"
✔️ "research" → "reserach"
✍️ خطاهای املایی شاید مستقیماً اعتبار مقاله را زیر سؤال نبرند، اما میتوانند نشانهای از کاهش دقت و کیفیت علمی باشند.
🎯 چگونه پژوهشگران میتوانند کیفیت تحقیقات را حفظ کنند؟
✅ بازخوانی دقیق مقالات قبل از انتشار
✅ استفاده از ابزارهای ویراستاری و نرمافزارهای گرامری
✅ کمتر اما بهتر پژوهش کنیم
✅ تمرکز بر بررسیهای دقیق و تحلیل نتایج
🔸 داگ آلتمن (Doug Altman) در سال ۱۹۹۴ بر این اصل تأکید کرد:
"پژوهش کمتر، پژوهش بهتر!"
🔸 امروز، بیش از هر زمان دیگری، کیفیت باید بر کمیت اولویت داشته باشد.
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
👍2
Media is too big
VIEW IN TELEGRAM
🔥نکات دکتر مائده خاتمی دندانپزشک پژوهشگر!
📌 اگر میخواهید مقالهنویسی را از پایه تا حرفهای یاد بگیرید، دورههای تخصصی راهین ساینس دقیقاً همان چیزی است که نیاز دارید!
👇 برای اطلاعات بیشتر به پیج ما سر بزنید.
✔️ این پست رو سیو کن و به دوستاتی که به پژوهش و مقالهنویسی علاقهدارن بفرست!
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
📌 اگر میخواهید مقالهنویسی را از پایه تا حرفهای یاد بگیرید، دورههای تخصصی راهین ساینس دقیقاً همان چیزی است که نیاز دارید!
👇 برای اطلاعات بیشتر به پیج ما سر بزنید.
✔️ این پست رو سیو کن و به دوستاتی که به پژوهش و مقالهنویسی علاقهدارن بفرست!
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
❤5
🔍 دیتابیس LIGHTS : کتابخانهای نوین برای راهنمایی پژوهشگران سلامت
دیتابیس LIGHTS کتابخانهای تخصصی برای پژوهشگران حوزه سلامت است که تمرکز ویژهای بر روششناسی مطالعات و دستورالعملهای گزارشدهی پژوهشها دارد. این دیتابیس، که به تازگی در دسترس قرار گرفته، نقش مهمی در بهبود کیفیت تحقیقات علمی ایفا میکند.
🏥 مقایسه با EQUATOR
شبکه EQUATOR برای معرفی و دسترسی به گایدلاینهای گزارشدهی مطالعات شناخته شده است، اما LIGHTS علاوه بر این، شامل مقالات مرتبط با روششناسی پژوهشهای علمی نیز میشود.
پژوهشگران با استفاده از این منابع نهتنها میتوانند مطالعات خود را براساس استانداردهای علمی منتشر کنند، بلکه به اطلاعاتی درباره روشهای تحقیق، تحلیل دادهها و طراحی مطالعات نیز دسترسی خواهند داشت.
📊 ویژگیها و امکانات
✅ گردآوری ۱۶۱۵ مقاله راهنما در زمینه روششناسی پژوهشهای سلامت
✅ دسترسی به طیف گستردهای از راهنماهای پژوهشی برای طراحی و تحلیل مطالعات
✅ امکان جستجو و مرور تخصصی مقالات مرتبط با موضوع پژوهشی
✅ انتشار رسمی در مجله JAMA Network Open (۲۰۲۳)
این دیتابیس به پژوهشگران امکان میدهد تا مطالعات خود را براساس مستندات قویتر و دقیقتر طراحی کنند و از جدیدترین مقالات راهنما بهره ببرند.
🔬 رهبری پروژه توسط Gordon Guyatt
پزشک و روششناس برجسته کانادایی، هدایت این پروژه را بر عهده دارد. او در سال ۱۹۹۱ اصطلاح پزشکی مبتنی بر شواهد را معرفی کرد که تحولی اساسی در روشهای تصمیمگیری پزشکی ایجاد کرد.
هدف این پروژه، تسهیل دسترسی پژوهشگران به منابع معتبر برای ارتقای کیفیت تحقیقات علمی است.
🎯 چرا LIGHTS اهمیت دارد؟
در دنیای امروز، پژوهشهای علمی با چالشهای روششناسی مواجهاند و بسیاری از مطالعات نیازمند راهنماهای دقیق برای طراحی پژوهش، تحلیل دادهها و گزارشدهی علمی هستند.
این کتابخانهی تخصصی به پژوهشگران کمک میکند تا مطالعات خود را استانداردسازی کنند، از اشتباهات رایج دوری کنند و طراحی پژوهشی بهینهتری داشته باشند.
https://www.equator-network.org/
https://lights.science/
https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2801408
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
دیتابیس LIGHTS کتابخانهای تخصصی برای پژوهشگران حوزه سلامت است که تمرکز ویژهای بر روششناسی مطالعات و دستورالعملهای گزارشدهی پژوهشها دارد. این دیتابیس، که به تازگی در دسترس قرار گرفته، نقش مهمی در بهبود کیفیت تحقیقات علمی ایفا میکند.
🏥 مقایسه با EQUATOR
شبکه EQUATOR برای معرفی و دسترسی به گایدلاینهای گزارشدهی مطالعات شناخته شده است، اما LIGHTS علاوه بر این، شامل مقالات مرتبط با روششناسی پژوهشهای علمی نیز میشود.
پژوهشگران با استفاده از این منابع نهتنها میتوانند مطالعات خود را براساس استانداردهای علمی منتشر کنند، بلکه به اطلاعاتی درباره روشهای تحقیق، تحلیل دادهها و طراحی مطالعات نیز دسترسی خواهند داشت.
📊 ویژگیها و امکانات
✅ گردآوری ۱۶۱۵ مقاله راهنما در زمینه روششناسی پژوهشهای سلامت
✅ دسترسی به طیف گستردهای از راهنماهای پژوهشی برای طراحی و تحلیل مطالعات
✅ امکان جستجو و مرور تخصصی مقالات مرتبط با موضوع پژوهشی
✅ انتشار رسمی در مجله JAMA Network Open (۲۰۲۳)
این دیتابیس به پژوهشگران امکان میدهد تا مطالعات خود را براساس مستندات قویتر و دقیقتر طراحی کنند و از جدیدترین مقالات راهنما بهره ببرند.
🔬 رهبری پروژه توسط Gordon Guyatt
پزشک و روششناس برجسته کانادایی، هدایت این پروژه را بر عهده دارد. او در سال ۱۹۹۱ اصطلاح پزشکی مبتنی بر شواهد را معرفی کرد که تحولی اساسی در روشهای تصمیمگیری پزشکی ایجاد کرد.
هدف این پروژه، تسهیل دسترسی پژوهشگران به منابع معتبر برای ارتقای کیفیت تحقیقات علمی است.
🎯 چرا LIGHTS اهمیت دارد؟
در دنیای امروز، پژوهشهای علمی با چالشهای روششناسی مواجهاند و بسیاری از مطالعات نیازمند راهنماهای دقیق برای طراحی پژوهش، تحلیل دادهها و گزارشدهی علمی هستند.
این کتابخانهی تخصصی به پژوهشگران کمک میکند تا مطالعات خود را استانداردسازی کنند، از اشتباهات رایج دوری کنند و طراحی پژوهشی بهینهتری داشته باشند.
https://www.equator-network.org/
https://lights.science/
https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2801408
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
👌2
🔍 معرفی سرویس Citrus Search : ابزار نوین برای جستجوی مقالات علمی
سرویسهای نقشهبرداری متون علمی امکان جستجو و بازیابی هوشمند مقالات مرتبط را فراهم کردهاند. این ابزارها متفاوت از موتورهای جستجوی علمی عمل میکنند و به پژوهشگران این امکان را میدهند که با یک مقاله مرتبط، به مجموعهای گسترده از منابع علمی دسترسی پیدا کنند.
یکی از این سرویسها، Citrus Search است که توسط سازندگان موتور جستجوی علمی طراحی شده و فرآیند پیدا کردن مقالات مرتبط را بسیار ساده میکند.
✨ مراحل استفاده از Citrus Search
✅ مراجعه به وبسایت:
📍 وارد [Citrus Search](https://citrus-search.com) شوید.
✅ انتخاب مقاله مرجع:
🔎 عنوان، DOI یا کلیدواژه مرتبط را وارد کنید و یک یا چند مقاله اصلی (Seed Papers) را انتخاب کنید.
✅ تنظیم تعداد نتایج:
📊 تعداد مقالات مرتبط را تعیین کنید (بین ۱۰ تا ۵۰ مقاله).
✅ دریافت نتایج:
📌 مقالات مرتبط بر اساس استنادات و رفرنسها نمایش داده میشوند.
✅ تحلیل بصری نتایج:
🔹 مقالات مرتبط در قالب نقشه و گراف علمی نمایش داده میشوند:
🔸 دایرههای زرد مقالات مرتبط را نشان میدهند (هرچه بزرگتر، مرتبطتر).
🔸 دایرههای آبی مقالات اصلی را مشخص میکنند.
✅ دسترسی به اطلاعات کتابشناختی:
📖 مشاهده جزئیات مقاله، استنادات و رفرنسها در Semantic Scholar و فرمتهای خروجی.
🎯 چرا Citrus Search ابزار مفیدی است؟
🔹 جستجو بر پایه ارتباط علمی میان مقالات
🔹 نمایش بصری مقالات و تحلیل دادهها
🔹 استفاده از یادگیری ماشین برای پیشنهاد منابع دقیقتر
📌 ابزار قدرتمندی برای پژوهشگران، بهویژه در مطالعات بینرشتهای و مرورهای نظاممند
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
سرویسهای نقشهبرداری متون علمی امکان جستجو و بازیابی هوشمند مقالات مرتبط را فراهم کردهاند. این ابزارها متفاوت از موتورهای جستجوی علمی عمل میکنند و به پژوهشگران این امکان را میدهند که با یک مقاله مرتبط، به مجموعهای گسترده از منابع علمی دسترسی پیدا کنند.
یکی از این سرویسها، Citrus Search است که توسط سازندگان موتور جستجوی علمی طراحی شده و فرآیند پیدا کردن مقالات مرتبط را بسیار ساده میکند.
✨ مراحل استفاده از Citrus Search
✅ مراجعه به وبسایت:
📍 وارد [Citrus Search](https://citrus-search.com) شوید.
✅ انتخاب مقاله مرجع:
🔎 عنوان، DOI یا کلیدواژه مرتبط را وارد کنید و یک یا چند مقاله اصلی (Seed Papers) را انتخاب کنید.
✅ تنظیم تعداد نتایج:
📊 تعداد مقالات مرتبط را تعیین کنید (بین ۱۰ تا ۵۰ مقاله).
✅ دریافت نتایج:
📌 مقالات مرتبط بر اساس استنادات و رفرنسها نمایش داده میشوند.
✅ تحلیل بصری نتایج:
🔹 مقالات مرتبط در قالب نقشه و گراف علمی نمایش داده میشوند:
🔸 دایرههای زرد مقالات مرتبط را نشان میدهند (هرچه بزرگتر، مرتبطتر).
🔸 دایرههای آبی مقالات اصلی را مشخص میکنند.
✅ دسترسی به اطلاعات کتابشناختی:
📖 مشاهده جزئیات مقاله، استنادات و رفرنسها در Semantic Scholar و فرمتهای خروجی.
🎯 چرا Citrus Search ابزار مفیدی است؟
🔹 جستجو بر پایه ارتباط علمی میان مقالات
🔹 نمایش بصری مقالات و تحلیل دادهها
🔹 استفاده از یادگیری ماشین برای پیشنهاد منابع دقیقتر
📌 ابزار قدرتمندی برای پژوهشگران، بهویژه در مطالعات بینرشتهای و مرورهای نظاممند
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
Citrus-Search
Citrus Search
Get an overview of relevant articles in a research field with a single search.
👍2
🔍 استخراج دادهها با مدل زبانی بزرگ: مطالعهای برای اثبات مفهوم
استخراج دادهها از مطالعات اولیه یکی از مراحل زمانبر و مستعد خطا در مرورهای سیستماتیک محسوب میشود. پژوهشگران مدتها در تلاش بودهاند تا این فرایند را بهصورت اتوماتیک یا نیمهاتوماتیک انجام دهند.
🔹 یک مطالعه منتشر شده در مجله Research Synthesis Methods (مارس ۲۰۲۴) به بررسی امکانپذیری استفاده از مدل زبانی Claude 2 برای استخراج دادهها پرداخته است.
📊 روش پژوهش و طراحی مطالعه
✅ انتخاب ۱۰ مرور سیستماتیک شامل ۳۲ مطالعه اولیه (RCT)
✅ بررسی ۱۶ نوع داده مختلف شامل نام نویسنده، شماره ثبت مطالعه، میانگین سنی، معیارهای ورود و خروج، تعداد نمونه، پیامدهای اولیه و سایر متغیرهای کلیدی
🔹 محققین Claude 2 را با دادههای استخراج شده توسط پژوهشگران مقایسه شد اما از آنجا که برخی دادههای استخراجشده دستی دارای اشکالاتی بودند، پژوهشگران مجبور شدند قبل از مقایسه، این خطاها را اصلاح کنند.
🔹 چالش اصلی این مطالعه، طراحی Promptهای مناسب برای Claude 2 بود که تمامی آنها در صفحه ۱۱ مقاله منتشر شده است.
🏆 نتایج پژوهش
✔️ دقت ۹۶.۳ درصد در استخراج دادهها (تنها ۶ خطا در میان ۱۶۰ مورد)
✔️ ثبات عملکرد با روش test-retest (پایایی ۹۵ درصد در آزمون مجدد پس از ۴ هفته)
📌 این نتایج نشان میدهند که مدلهای زبانی بزرگ میتوانند به عنوان ابزار کمکی در مرورهای سیستماتیک و استخراج دادهها مورد استفاده قرار بگیرند.
⚠️ نکات مهم درباره این مطالعه
🔹 این پژوهش صرفاً یک مطالعه اثبات مفهوم است و هدف آن بررسی امکانپذیری این روش بوده است.
🔹 نتایج بر اساس RCTها به دست آمده است که گزارشهای ساختارمندتری نسبت به سایر انواع مطالعات دارند؛ بنابراین تعمیم این یافتهها به دیگر طرحهای پژوهشی نیاز به بررسی بیشتر دارد.
🎯 نحوه استفاده از Claude 2 برای استخراج دادهها
✅ مراجعه به سایت: [claude.ai](https://claude.ai/)
✅ ثبت نام یا ورود با Gmail
✅ آپلود فایل PDF مقاله
✅ طرح سوالات برای استخراج دادههای موردنظر
📌 برای شروع، انتخاب یک RCT و استفاده از ۱۶ Prompt مقاله پیشنهاد میشود.
🔸 نسخه رایگان محدودیتهایی دارد، پس تعداد سوالات را مدیریت کنید!
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
استخراج دادهها از مطالعات اولیه یکی از مراحل زمانبر و مستعد خطا در مرورهای سیستماتیک محسوب میشود. پژوهشگران مدتها در تلاش بودهاند تا این فرایند را بهصورت اتوماتیک یا نیمهاتوماتیک انجام دهند.
🔹 یک مطالعه منتشر شده در مجله Research Synthesis Methods (مارس ۲۰۲۴) به بررسی امکانپذیری استفاده از مدل زبانی Claude 2 برای استخراج دادهها پرداخته است.
📊 روش پژوهش و طراحی مطالعه
✅ انتخاب ۱۰ مرور سیستماتیک شامل ۳۲ مطالعه اولیه (RCT)
✅ بررسی ۱۶ نوع داده مختلف شامل نام نویسنده، شماره ثبت مطالعه، میانگین سنی، معیارهای ورود و خروج، تعداد نمونه، پیامدهای اولیه و سایر متغیرهای کلیدی
🔹 محققین Claude 2 را با دادههای استخراج شده توسط پژوهشگران مقایسه شد اما از آنجا که برخی دادههای استخراجشده دستی دارای اشکالاتی بودند، پژوهشگران مجبور شدند قبل از مقایسه، این خطاها را اصلاح کنند.
🔹 چالش اصلی این مطالعه، طراحی Promptهای مناسب برای Claude 2 بود که تمامی آنها در صفحه ۱۱ مقاله منتشر شده است.
🏆 نتایج پژوهش
✔️ دقت ۹۶.۳ درصد در استخراج دادهها (تنها ۶ خطا در میان ۱۶۰ مورد)
✔️ ثبات عملکرد با روش test-retest (پایایی ۹۵ درصد در آزمون مجدد پس از ۴ هفته)
📌 این نتایج نشان میدهند که مدلهای زبانی بزرگ میتوانند به عنوان ابزار کمکی در مرورهای سیستماتیک و استخراج دادهها مورد استفاده قرار بگیرند.
⚠️ نکات مهم درباره این مطالعه
🔹 این پژوهش صرفاً یک مطالعه اثبات مفهوم است و هدف آن بررسی امکانپذیری این روش بوده است.
🔹 نتایج بر اساس RCTها به دست آمده است که گزارشهای ساختارمندتری نسبت به سایر انواع مطالعات دارند؛ بنابراین تعمیم این یافتهها به دیگر طرحهای پژوهشی نیاز به بررسی بیشتر دارد.
🎯 نحوه استفاده از Claude 2 برای استخراج دادهها
✅ مراجعه به سایت: [claude.ai](https://claude.ai/)
✅ ثبت نام یا ورود با Gmail
✅ آپلود فایل PDF مقاله
✅ طرح سوالات برای استخراج دادههای موردنظر
📌 برای شروع، انتخاب یک RCT و استفاده از ۱۶ Prompt مقاله پیشنهاد میشود.
🔸 نسخه رایگان محدودیتهایی دارد، پس تعداد سوالات را مدیریت کنید!
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
claude.ai
Talk with Claude, an AI assistant from Anthropic
❤2
🔍 بانک اصطلاحات و جملات برای نگارش متون علمی
نگارش آکادمیک زبان و الگوی خاص خود را دارد و رعایت ساختارهای استاندارد در مقالات علمی اهمیت زیادی دارد. برخی اصطلاحات و جملات رایج در مقالات پژوهشی بارها تکرار میشوند و منابعی وجود دارند که این الگوها را گردآوری و دستهبندی کردهاند تا نویسندگان بتوانند با سهولت بیشتری متون علمی خود را تنظیم کنند.
📌 در این پست، چند کتاب و سایت معتبر برای دسترسی به این اصطلاحات معرفی شدهاند.
📚 کتابهای مفید برای نگارش علمی
🔹 کتابی با عنوان The Only Academic Phrasebook You'll Ever Need از Luiz Barros در سال ۲۰۱۶ منتشر شده است.
🔹 شامل ۶۰۰ اصطلاح پرکاربرد برای بخشهای مختلف مقاله مانند مقدمه، اهداف پژوهش، مرور متون و روش اجرا.
🔹 جزو پرفروشترین کتابهای آمازون در زمینه نگارش آکادمیک.
🌐 سایتهای مفید برای اصطلاحات علمی
🔸 دانشگاه منچستر – Academic Phrasebank
✅ ارائه اصطلاحات استاندارد بر اساس بخشهای مختلف مقاله پژوهشی
🔗 لینک دسترسی: [phrasebank.manchester.ac.uk](https://www.phrasebank.manchester.ac.uk)
🔸 سایت Trinka – بانک جملات علمی
✅ ابزارهای هوش مصنوعی برای بررسی گرامر و نگارش علمی
✅ مجموعهای جامع از اصطلاحات و عبارات علمی
🔗 لینک دسترسی: [trinka.ai/academic-phrasebank](https://www.trinka.ai/academic-phrasebank)
🔸 سایت Ref-N-Write – بانک اصطلاحات علمی
✅ دارای بیش از ۲۰ هزار اصطلاح و جمله علمی
✅ ارائه افزونهای برای نرمافزار Word
✅ امکان استفاده از ابزارهای پارافریزینگ و بررسی سرقت علمی
🔗 لینک دسترسی: [ref-n-write.com/academic-phrasebank](https://www.ref-n-write.com/academic-phrasebank)
📌 پس از نصب افزونه این سایت، یک تب جدید در نرمافزار Word نمایش داده میشود که شامل بانک کامل اصطلاحات علمی است.
🎯 چرا این منابع برای پژوهشگران مهم هستند؟
✅ استانداردسازی نگارش علمی و رعایت ساختارهای درست
✅ صرفهجویی در زمان با استفاده از اصطلاحات آماده
✅ بهبود کیفیت و خوانایی مقالات علمی
📌 پژوهشگران با استفاده از این منابع میتوانند مقالات خود را دقیقتر و حرفهایتر تنظیم کنند.
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
نگارش آکادمیک زبان و الگوی خاص خود را دارد و رعایت ساختارهای استاندارد در مقالات علمی اهمیت زیادی دارد. برخی اصطلاحات و جملات رایج در مقالات پژوهشی بارها تکرار میشوند و منابعی وجود دارند که این الگوها را گردآوری و دستهبندی کردهاند تا نویسندگان بتوانند با سهولت بیشتری متون علمی خود را تنظیم کنند.
📌 در این پست، چند کتاب و سایت معتبر برای دسترسی به این اصطلاحات معرفی شدهاند.
📚 کتابهای مفید برای نگارش علمی
🔹 کتابی با عنوان The Only Academic Phrasebook You'll Ever Need از Luiz Barros در سال ۲۰۱۶ منتشر شده است.
🔹 شامل ۶۰۰ اصطلاح پرکاربرد برای بخشهای مختلف مقاله مانند مقدمه، اهداف پژوهش، مرور متون و روش اجرا.
🔹 جزو پرفروشترین کتابهای آمازون در زمینه نگارش آکادمیک.
🌐 سایتهای مفید برای اصطلاحات علمی
🔸 دانشگاه منچستر – Academic Phrasebank
✅ ارائه اصطلاحات استاندارد بر اساس بخشهای مختلف مقاله پژوهشی
🔗 لینک دسترسی: [phrasebank.manchester.ac.uk](https://www.phrasebank.manchester.ac.uk)
🔸 سایت Trinka – بانک جملات علمی
✅ ابزارهای هوش مصنوعی برای بررسی گرامر و نگارش علمی
✅ مجموعهای جامع از اصطلاحات و عبارات علمی
🔗 لینک دسترسی: [trinka.ai/academic-phrasebank](https://www.trinka.ai/academic-phrasebank)
🔸 سایت Ref-N-Write – بانک اصطلاحات علمی
✅ دارای بیش از ۲۰ هزار اصطلاح و جمله علمی
✅ ارائه افزونهای برای نرمافزار Word
✅ امکان استفاده از ابزارهای پارافریزینگ و بررسی سرقت علمی
🔗 لینک دسترسی: [ref-n-write.com/academic-phrasebank](https://www.ref-n-write.com/academic-phrasebank)
📌 پس از نصب افزونه این سایت، یک تب جدید در نرمافزار Word نمایش داده میشود که شامل بانک کامل اصطلاحات علمی است.
🎯 چرا این منابع برای پژوهشگران مهم هستند؟
✅ استانداردسازی نگارش علمی و رعایت ساختارهای درست
✅ صرفهجویی در زمان با استفاده از اصطلاحات آماده
✅ بهبود کیفیت و خوانایی مقالات علمی
📌 پژوهشگران با استفاده از این منابع میتوانند مقالات خود را دقیقتر و حرفهایتر تنظیم کنند.
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
Academic Phrasebank
Home
👌3
🔍 سیناهل یا سینهال؟ بررسی یکی از مهمترین دیتابیسهای حوزه سلامت
نمایه تجمعی برای متون پرستاری و پیراپزشکی یکی از پرمخاطبترین دیتابیسهای علمی در حوزه سلامت است. این منبع مهم که با نام CINAHL شناخته میشود، تخصصیترین پایگاه داده برای پرستاری، مامایی و علوم پیراپزشکی محسوب میشود. البته حوزههای دیگری مانند آموزش بهداشت، روانشناسی، مدیریت خدمات درمانی و طب مکمل را نیز شامل میشود.
📊 نسخههای مختلف این پایگاه داده
پنج نسخه متفاوت از این منبع علمی ارائه شده که هرکدام از نظر سالهای پوشش و تعداد مجلات نمایهشده با یکدیگر تفاوت دارند:
✅ نسخه Ultimate جامعترین ورژن بوده و شامل ۳۸۲۳ مجله است که ۱۷۸۱ عنوان از آنها بهصورت متن کامل نمایه شدهاند. این نسخه از سال ۱۹۳۷ به بعد را پوشش میدهد.
✅ نسخه Complete نیز از سال ۱۹۳۷ به بعد را شامل میشود و مجلات علمی گستردهای را در اختیار دارد.
✅ نسخه Plus with Full Text مشابه نسخههای قبلی بوده، اما تمرکز بیشتری بر مقالات دسترسی کامل دارد.
✅ نسخه With Full Text از سال ۱۹۶۳ به بعد را دربرمیگیرد.
✅ نسخه پایه از سال ۱۹۷۶ به بعد را تحت پوشش دارد.
📌 دانشگاهها و مؤسسات علمی بر اساس بودجه خود، یکی از این نسخهها را خریداری میکنند. هنگام گزارش جستجو، باید نسخه مورد استفاده و سالهای تحت پوشش ذکر شود.
🎯 اهمیت این پایگاه داده در پژوهشهای سلامت
این منبع در مطالعات سنتزی و مرورهای سیستماتیک نقش کلیدی ایفا میکند.
📌 استراتژی جستجوی TITLE-ABS-KEY در پایگاه اسکوپوس نشان میدهد که بیش از ۵۳ هزار رکورد از این پایگاه داده بازیابی شده است.
📌 در مرورها و پروتکلهای کاکرین، ۴۵۹۲ مقاله از این دیتابیس استفاده کردهاند.
🚨 خطای رایج در نوشتن نام این پایگاه داد
✅ نام صحیح این پایگاه CINAHL است، اما برخی پژوهشگران آن را CINHAL مینویسند.
✅ اولین مقالهای که این اشتباه را مرتکب شد، در سال ۱۹۹۷ منتشر شده و هر ساله این خطاها افزایش یافته است.
📊 تعداد مقالاتی که اشتباه CINHAL را نوشتهاند:
📌 در سال ۲۰۲۳، این خطا در ۲۲۶ مقاله مشاهده شده است.
📌 در دو ماه اول سال ۲۰۲۴، ۴۱ مقاله این اشتباه را تکرار کردهاند.
📌 بیشترین خطاها در میان پژوهشگران بریتانیا، آمریکا، استرالیا و کانادا دیده شده است. پژوهشگران ایرانی نیز با ۷۵ مقاله در رتبه هفتم قرار دارند.
📌 این اشتباه حتی در مجلات معتبر مانند BMJ Open، Plos One و Cochrane Database of Systematic Reviews مشاهده شده است.
🔎 چرا توجه به این نکات مهم است؟
✅ خطای تایپی تأثیری در یافتههای علمی ندارد، اما انتظار میرود در مجلات معتبر، چنین اشتباهاتی کمتر رخ دهد.
✅ پژوهشگران هنگام ارجاع به پایگاه دادههای علمی باید از نام صحیح آنها استفاده کنند.
📌 مشابه این خطا در پایگاه داده PsycINFO نیز مشاهده شده است، که برخی بهاشتباه آن را PsychINFO مینویسند.
✨ این پایگاه چقدر در پژوهشهای شما کاربرد داشته است؟ 🔎
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
نمایه تجمعی برای متون پرستاری و پیراپزشکی یکی از پرمخاطبترین دیتابیسهای علمی در حوزه سلامت است. این منبع مهم که با نام CINAHL شناخته میشود، تخصصیترین پایگاه داده برای پرستاری، مامایی و علوم پیراپزشکی محسوب میشود. البته حوزههای دیگری مانند آموزش بهداشت، روانشناسی، مدیریت خدمات درمانی و طب مکمل را نیز شامل میشود.
📊 نسخههای مختلف این پایگاه داده
پنج نسخه متفاوت از این منبع علمی ارائه شده که هرکدام از نظر سالهای پوشش و تعداد مجلات نمایهشده با یکدیگر تفاوت دارند:
✅ نسخه Ultimate جامعترین ورژن بوده و شامل ۳۸۲۳ مجله است که ۱۷۸۱ عنوان از آنها بهصورت متن کامل نمایه شدهاند. این نسخه از سال ۱۹۳۷ به بعد را پوشش میدهد.
✅ نسخه Complete نیز از سال ۱۹۳۷ به بعد را شامل میشود و مجلات علمی گستردهای را در اختیار دارد.
✅ نسخه Plus with Full Text مشابه نسخههای قبلی بوده، اما تمرکز بیشتری بر مقالات دسترسی کامل دارد.
✅ نسخه With Full Text از سال ۱۹۶۳ به بعد را دربرمیگیرد.
✅ نسخه پایه از سال ۱۹۷۶ به بعد را تحت پوشش دارد.
📌 دانشگاهها و مؤسسات علمی بر اساس بودجه خود، یکی از این نسخهها را خریداری میکنند. هنگام گزارش جستجو، باید نسخه مورد استفاده و سالهای تحت پوشش ذکر شود.
🎯 اهمیت این پایگاه داده در پژوهشهای سلامت
این منبع در مطالعات سنتزی و مرورهای سیستماتیک نقش کلیدی ایفا میکند.
📌 استراتژی جستجوی TITLE-ABS-KEY در پایگاه اسکوپوس نشان میدهد که بیش از ۵۳ هزار رکورد از این پایگاه داده بازیابی شده است.
📌 در مرورها و پروتکلهای کاکرین، ۴۵۹۲ مقاله از این دیتابیس استفاده کردهاند.
🚨 خطای رایج در نوشتن نام این پایگاه داد
✅ نام صحیح این پایگاه CINAHL است، اما برخی پژوهشگران آن را CINHAL مینویسند.
✅ اولین مقالهای که این اشتباه را مرتکب شد، در سال ۱۹۹۷ منتشر شده و هر ساله این خطاها افزایش یافته است.
📊 تعداد مقالاتی که اشتباه CINHAL را نوشتهاند:
📌 در سال ۲۰۲۳، این خطا در ۲۲۶ مقاله مشاهده شده است.
📌 در دو ماه اول سال ۲۰۲۴، ۴۱ مقاله این اشتباه را تکرار کردهاند.
📌 بیشترین خطاها در میان پژوهشگران بریتانیا، آمریکا، استرالیا و کانادا دیده شده است. پژوهشگران ایرانی نیز با ۷۵ مقاله در رتبه هفتم قرار دارند.
📌 این اشتباه حتی در مجلات معتبر مانند BMJ Open، Plos One و Cochrane Database of Systematic Reviews مشاهده شده است.
🔎 چرا توجه به این نکات مهم است؟
✅ خطای تایپی تأثیری در یافتههای علمی ندارد، اما انتظار میرود در مجلات معتبر، چنین اشتباهاتی کمتر رخ دهد.
✅ پژوهشگران هنگام ارجاع به پایگاه دادههای علمی باید از نام صحیح آنها استفاده کنند.
📌 مشابه این خطا در پایگاه داده PsycINFO نیز مشاهده شده است، که برخی بهاشتباه آن را PsychINFO مینویسند.
✨ این پایگاه چقدر در پژوهشهای شما کاربرد داشته است؟ 🔎
راه های ارتباط با ما👇🏼
Tel channel: @RahenScience
Admin: @rahen_science
Instagram: rahen.science
Bot: @RahenScienceBot
⚡️راهین: مشاوره و همکاری در پروژه های علوم پزشکی و زیستی⚡️
👍2