Evidence

چالش‌ها و مشکلات پلتفرم‌های داوری پس از انتشار دکتر محمد عبدالهی (استاد دانشکده داروسازی د.ع.پ تهران) و دکتر سید مجتبی دقیقی (دانشیار مرکز تحقیقات علوم دارویی د.ع.پ تهران) به همراه نویسندگانی از آمریکا، یونان، ایتالیا، اسپانیا و رومانی مقاله‌ای تحت عنوان زیر را در مجله DARU Journal of Pharmaceutical Sciences منتشر کرده‌اند: An expert criticism on post-publication peer review platforms: the case of pubpeer این مقاله به بررسی مزایا، چالش‌ها و سوء‌استفاده‌های احتمالی در داوری پس از انتشار (PPPR) می‌پردازد، با تمرکز ویژه بر پلتفرم PubPeer. اگرچه این پلتفرم‌ها نقش مهمی در شفافیت علمی و اصلاح اشتباهات دارند، اما به اعتقاد نویسندگان، در غیاب نظارت کافی می‌توانند به ابزارهای تخریب، حمله شخصی و گسترش بی‌اعتمادی تبدیل شوند. فواید اصلی این پلتفرم‌ها افراد بیشتری می‌توانند بعد از انتشار مقاله، آن را نقد کنند. اشتباهاتی که هنگام داوری معمولی دیده نشده، ممکن است بعدها پیدا شود. باعث شفافیت بیشتر در علم می‌شود. به اصلاح اشتباهات و بهتر شدن تحقیقات کمک می‌کند. مشکلات و خطرات مهم 🔻ناشناس بودن و کاهش مسئولیت‌پذیری منتقدان اغلب هویت، تخصص یا تعارض‌ منافع خود را اعلام نمی‌کنند. ناشناس بودن راه را برای نقدهای جانبدارانه، خصمانه یا مغرضانه باز می‌کند. 🔻نقدهای بی‌اهمیت یا اغراق‌آمیز تمرکز بر ایرادهای جزئی مثل اشتباهات تایپی، اختلافات جزئی گرافیکی یا p-value نزدیک مرز. تبدیل ایرادهای کوچک به حمله‌ای علیه کل مقاله و اعتبار نویسندگان. 🔻ظهور شکاکیت افراطی (Hyper-skepticism) نوعی بدبینی افراطی که قصدش بهبود علم نیست، بلکه ایجاد تردید مداوم است. هر مقاله-حتی مقاله بدون مشکل- تحت این نگاه، مشکوک جلوه می‌کند. 🔻سوءاستفاده از نقد علمی (Weaponized criticism) استفاده از پلتفرم‌ها برای: بی‌اعتبار کردن رقبا، پیشبرد منافع فردی/سازمانی و حذف دیدگاه‌های علمی متفاوت 🔻تبعات سنگین برای نویسندگان آسیب جدی به اعتبار نویسندگان، حتی با اتهامات غلط، از دست دادن بودجه، فرصت‌های ارتقا و حتی سلب اعتبار ناعادلانه مقالات؛ آسیب بیشتر به پژوهشگران جوان یا کشورهای کم‌برخوردار نویسندگان، بخشی از مشکلات را ناشی از سوء تغییر قوانین COPE می‌دانند از جمله: استفاده از گروه کنترل مشترک همیشه خطا نیست (مثلاً در مطالعات حیوانی) شباهت سلول‌ها در تصاویر لزوماً نشانه تقلب و دستکاری نیست (مثلاً فیبروبلاست‌ها) حمله گروهی علیه یک پژوهشگر، نوعی آزار علمی محسوب می‌شود ولی در PubPeer دیده می‌شود. راهکارهای پیشنهادی برای اصلاح PPPR 🔻الزام شفافیت و افشای هویت/تعارض منافع منتقدان حفظ حق ناشناس بودن تنها در موارد ضروری (مثلاً افشاگران واقعی). 🔻تقویت کنترل کیفیت محتوا توسط سردبیران (Editorial oversight) و استانداردسازی نقدها ارزیابی محتوای نقد از نظر: لحن، انصاف، ارزش علمی و عدم جانبداری 🔻حق پاسخ عادلانه و قابل رؤیت برای نویسندگان پاسخ نویسنده باید مشابه کامنتِ منتقد، قابل مشاهده و برابر باشد. 🔻اجرای دقیق‌تر دستورالعمل‌های COPE 2025 از جمله: عدم ریترکت مقاله صرفاً از بابت اختلاف‌های نویسندگی تفکیک Expression of Concern از Retract برای جلوگیری از ریترکشن عجولانه امکان انتشار مجدد مقالات ریترکت شده با شفافیت کامل شفافیت کامل در اطلاعیه‌های ریترکشن جلوگیری از استناد اشتباه به مقالات ریترکت شده استانداردهای جهانی و یکپارچه برای PPPR همکاری بین‌المللی برای هماهنگ‌سازی شیوه‌ها در پلتفرم‌های مختلف. در وب‌سایت مرکز تحقیقات علوم دارویی دانشگاه علوم پزشکی تهران خبری درباره این مقاله منتشر شده بود و از طریق همان خبر متوجه انتشار آن شدم. اما در بخشی از این خبر آمده است:

انتشار این مقاله، بیانگر جایگاه بر جسته علمی دکتر عبداللهی در حوزه اخلاق پژوهش و نقش مؤثر مرکز تحقیقات علوم دارویی در ارتقای مباحث بین‌ المللی سلامت علمی است. دانشگاه علوم پزشکی تهران این دستاورد ارزشمند را به ایشان و همکاران تبریک گفته و توفیقات روزافزون آنان را آرزو دارد.

در تخصص و جایگاه علمی استاد عبداللهی تردیدی وجود ندارد و این مقاله نیز از کیفیت مطلوبی برخوردار است؛ با این حال، شایان ذکر است که ایشان سردبیر این مجله هستند و دکتر دقیقی نیز از سردبیران تخصصی (موضوعی) آن به شمار می‌آید. ناشر علمی این مجله، د.ع.پ تهران است ولی اشپرینگر به عنوان ناشر تجاری مسئولیت انتشار آن را برعهده دارد. IF آن 2.1 است و در طبقه موضوعی Pharmacology & Pharmacy در چارک سوم (Q3) قرار دارد. مدل نشر آن بصورت هیبریدی است. برای چاپ مقاله بصورت اوپن اکسس، مبلغ 4590 دلار از نویسندگان دریافت می‌شود. در کل این مجله به عنوان یکی از مجلات معتبر و بین‌المللی د.ع.پ تهران به حساب می‌آید. #pubpeer #peer_review 🆔 @irevidence

▫️نسخه جدید GPT رسید: باهوش‌تر، طبیعی‌تر و انسانی‌تر ‏GPT-5.1 نسخه‌ جدید و ارتقایافته GPT-5 است که هم باهوش‌تر شده و هم گفت‌وگوهای طبیعی‌تر و انسانی‌تری ارائه می‌دهد. تفاوت با نسخه GPT-5 گفت‌وگو طبیعی‌تر و گرم‌تر: لحن انسانی‌تر، پاسخ‌های صمیمانه‌تر و مکالمه روان‌تر درک بهتر دستورها : مدل با دقت بیشتری همان کاری را انجام می‌دهد که می‌خواهید. قدرت بیشتر در حل مسائل پیچیده: ریاضی و استدلال قوی‌تر، کدنویسی دقیق‌تر و پاسخ‌های کامل‌تر برای سوالات پیچیده دارای دو حالت: ‏ GPT-5.1 Instant سریع‌تر، گرم‌تر و مکالمه‌ای‌تر، مدل اصلی برای استفاده روزمره ‏ GPT-5.1 Thinking استدلال پیشرفته‌، زمان فکر کردنِ تطبیقی و دقیق‌تر عمل کردن برای کارهای پیچیده. تنظیم لحن پاسخ‌ها: حالا می‌توانید لحن ChatGPT را به آسانی تنظیم کنید: دوستانه (Friendly) حرفه‌ای (Professional) مستقیم/صریح (Candid) بامزه/خلاق (Quirky) کارآمد و مختصر (Efficient) پیش‌فرض (Default) حتی می‌توانید جزئیات بیشتری مثل: میزان گرمی (warmth) کوتاهی/بلندی متن (conciseness) میزان استفاده از ایموجی (emoji frequency) را به‌دلخواه تغییر دهید. سریع‌تر برای کارهای ساده، دقیق‌تر برای کارهای پیچیده مدل Thinking بنا به نوع سؤال تصمیم می‌گیرد چقدر فکر کند. 🔗 اطلاعات بیشتر در: https://openai.com/index/gpt-5-1/ #AI #chatgpt #openai 🆔 @irevidence

▫️انتشار فهرست پژوهشگران پراستناد جهان در سال ۲۰۲۵ آنچه به‌عنوان پژوهشگران پراستناد (Highly Cited Researchers) می‌شناسیم، دقیقاً همین فهرست است که توسط شرکت Clarivate و بر پایه داده‌های پایگاه Web of Science و ارزیابی‌های کیفی تکمیلی منتشر می‌شود. فهرست‌هایی که تحت عنوان "۱ درصد برتر" یا "۲ درصد برتر" در جاهای دیگر معرفی می‌شوند، ارتباطی با Clarivate ندارند و اعتبار علمی آن‌ها نیز تا حدی محل تردید است. در سال ۲۰۲۵، تغییرات مهمی در شیوه انتخاب پژوهشگران اعمال شده تا فهرست نهایی منصفانه‌تر، دقیق‌تر و قابل اعتمادتر باشد. هدف Clarivate تنها معرفی افراد با بیشترین استناد نیست، بلکه اطمینان از این است که آثار منتخب، سالم، معتبر و دارای تأثیر واقعی در جامعه علمی باشند. تغییرات و بهبودهای کلیدی در روند انتخاب در سال گذشته، سخت‌گیری‌هایی نظیر حذف پژوهشگرانی با: سطح غیرعادی نویسندگی گروهی (Hyper-authorship) خوداستنادی بیش از حد (Excessive Self-citation) الگوهای غیرمعمول استنادات مشترک (Unusual Collaborative Citation Patterns) اعمال شده بود. در سال ۲۰۲۵ نیز دو تغییر اساسی در روند انتخاب صورت گرفت: ۱- پالایش دقیق‌تر مقالات: مقالاتی که نویسندگان آن‌ها در سال‌های گذشته به‌دلیل تخلف علمی یا دست‌کاری در استناد از فهرست حذف شده بودند، امسال از بررسی کنار گذاشته شدند. این اقدام موجب شد پژوهشگران شایسته‌ای که آثارشان پیش‌تر در سایه قرار داشت، فرصت دیده‌شدن پیدا کنند. ۲- ارزیابی نظام‌مندتر با کمک فناوری: در مرحله دوم انتخاب، از روش‌های الگوریتمی دقیق‌تر استفاده شد تا دخالت سلیقه انسانی کاهش یابد و فرایند داوری منصفانه‌تر باشد. با این حال، ارزیابی انسانی همچنان بخش مهمی از این فرآیند باقی مانده است. آمار کلی فهرست ۲۰۲۵ در مجموع، ۷۱۳۱ جایزه پژوهشگر پراستناد به ۶۸۶۸ فرد منحصربه‌فرد تعلق گرفته است؛ چون برخی پژوهشگران در بیش از یک حوزه علمی برگزیده شده‌اند. این پژوهشگران در ۶۰ کشور و منطقه فعالیت دارند. از نظر جغرافیایی، ۸۶٫۱ درصد از کل جوایز تنها در ۱۰ کشور و ۷۴٫۶ درصد در پنج کشور نخست (آمریکا، چین، بریتانیا، آلمان و استرالیا) متمرکز شده است. بیش از ۵۷ درصد از کل پژوهشگران پراستناد جهان در ایالات متحده یا چین زندگی می‌کنند. ده کشور برتر ۱- آمریکا (۲۶۷۰) ۲- چین (۱۴۰۶) ۳- بریتانیا (۵۷۰) ۴- آلمان (۳۶۳) ۵- استرالیا (۳۱۲) ۶- کانادا (۲۲۷) ۷- هلند (۱۹۴) ۸- هنگ‌کنگ (۱۴۵) ۹- سوئیس (۱۳۰) ۱۰- فرانسه (۱۲۱) از عربستان سعودی ۳۰ پژوهشگر و از ترکیه تنها ۲ پژوهشگر در فهرست حضور دارند. ده مؤسسه برتر ۱- آکادمی علوم چین (۲۵۸) ۲- دانشگاه هاروارد (۱۷۰) ۳- دانشگاه استنفورد (۱۴۱) ۴- دانشگاه چینهوا (۹۱) ۵- مؤسسه فناوری ماساچوست (۸۵) ۶- مؤسسه ملی سلامت آمریکا (۸۴) ۷- انجمن ماکس‌پلانک – آلمان (۶۶) ۸- دانشگاه آکسفورد (۵۹) ۹- دانشگاه پنسیلوانیا (۵۹) ۱۰- کالج دانشگاهی لندن – (۵۹) ده حوزه پژوهشی برتر ۱- بین‌رشته‌ای (۳۵۶۹) ۲- پزشکی بالینی (۳۷۹) ۳- زیست‌شناسی و بیوشیمی (۳۱۴) ۴- علوم اجتماعی (۲۶۰) ۵- محیط‌ زیست و بوم‌شناسی (۲۳۹) ۶- شیمی (۲۳۷) ۷- علوم اعصاب و رفتار (۱۹۲) ۸- علوم مواد (۱۸۷) ۹- مهندسی (۱۸۶) ۱۰- علوم گیاهی و جانوری (۱۶۶) وضعیت ایران در فهرست ۲۰۲۵، تنها سه پژوهشگر ایرانی حضور دارند. در سال ۲۰۲۴ نیز سه نفر، در سال ۲۰۲۳ پنج نفر، در سال ۲۰۲۲ دوازده نفر و در سال ۲۰۲۱ پانزده نفر از ایران در این فهرست قرار داشتند. پژوهشگران پراستناد ایرانی در سال ۲۰۲۵: ۱- دکتر مهدی دهقان – رشته ریاضیات (استاد تمام دانشکده ریاضی و علوم کامپیوتر دانشگاه صنعتی امیرکبیر) ۲- دکتر محمدعلی منصورنیا – رشته علوم اجتماعی (استاد اپیدمیولوژی و آمار زیستی دانشگاه علوم پزشکی تهران) ۳- دکتر مجید سلطانی – رشته بین‌رشته‌ای (دانشیار گروه تبدیل انرژی–بایو در دانشگاه صنعتی خواجه نصیرالدین طوسی) شایان ذکر است که دکتر منصورنیا در فهرست سال گذشته نیز حضور داشت و تداوم حضور او نشان‌دهنده اثرگذاری پایدار پژوهش‌هایش در سال‌های اخیر است. #research_metrics #research_outputs #highly_cited #clarivate #webofscience #citation 🆔 @irevidence

▫️دور زدن ممنوعیت انتشار به سبک یک پژوهشگر ایرانی: اما ماجرا پیچیده‌تر شد در سال ۲۰۱۰ مؤسسه مهندسان مکانیک بریتانیا (IMechE) هاشم قره‌بابایی، پژوهشگر دانشگاه گیلان (در حال حاضر استاد تمام دانشکده مهندسی مکانیک)، را به دلیل تخلف علمی از ارسال مقاله به مجلات خود محروم کرد. این تخلف پس از آن مشخص شد که قره‌بابایی بدون کسب اجازه، بخش‌هایی از کار پژوهشی ژنویو لنگدن (Genevieve Langdon) و تروِر کلوت (Trevor Cloete)، دو پژوهشگر مرتبط با دانشگاه کیپ‌تاون (Cape Town) در آفریقای جنوبی، را در مقالات خود استفاده کرده بود. لنگدن قبلاً به‌صراحت گفته بود که نسخه اولیه مقاله‌ای که در اختیار قره‌بابایی قرار داده، قابل انتشار نیست و نباید بدون تأیید او ارسال شود. بااین‌حال، قره‌بابایی دو مقاله را به مجلات IMechE فرستاد که یکی از آن‌ها شامل سرقت ادبی مستقیم از نوشته‌های لنگدن بود و در مقاله دیگر نیز بخش‌هایی از کار کلوت بدون ذکر نام او آورده شده بود. پس از بررسی، مجلاتِ این مؤسسه، مقالات را رد کردند و قره‌بابایی را از ادامه همکاری منع نمودند. با وجود این ممنوعیت، قره‌بابایی در سال‌های بعد توانست با استفاده از نسخه کوتاه‌شده نام خانوادگی خود یعنی "بابایی" دوباره در همان مجلات مقاله منتشر کند. او حتی ایمیل دانشگاهی خود را تغییر نداد و همین باعث شد که در نهایت یکی از همکاران قبلی‌اش، جرالد نوریک (Gerald Nurick)، متوجه این موضوع شود. به گفته نوریک، این اقدام نوعی دور زدن نظام اخلاق پژوهشی است و نشان می‌دهد که قره‌بابایی عمداً تلاش کرده ممنوعیت علمی خود را مخفی کند. تاکنون دست‌کم ۱۰ مقاله که پس از این ممنوعیت، با نام بابایی منتشر شده‌اند (در مجلات این موسسه) شناسایی شده است. همچنین یک مقاله او در سال ۲۰۱۰ به دلیل نقض اصول انتشار IEEE سلب اعتبار شده است. به عقیده نوریک تمام مقالاتی که پس از سال ۲۰۱۰ با نام بابایی منتشر شده‌اند باید مورد بررسی دوباره قرار گیرند و احتمالاً سلب اعتبار شوند، چون تغییر نام برای ادامه انتشار، اقدامی خلاف اصول حرفه‌ای و اخلاقی است. خبر فوق در پایگاه ریترکشن‌واچ آمده است. همانطوری که نوریک می‌گوید احتمالاً تمام مقالات جدید وی با نام خانوادگی بابایی در مجلات آن موسسه، مورد بررسی قرار خواهند گرفت ولی اینکه سلب اعتبار شوند، چیزی قطعی نیست. چون ممکن است پژوهش‌های بعدی وی، مشکلی نداشته باشند. اما اینکه وی، نام خانوادگی خود را تغییر داده تا لیست سیاه مجله یا ناشر را دور بزند، احتمالاً برایش مشکل‌زا خواهد بود و شاید از همین حربه برای سلب اعتبار تمام آن ۱۰ مقاله استفاده کنند. #retraction #research_ethics 🆔 @irevidence

▫️پرامپت پیشنهادی برای کاهش توهم هوش مصنوعی مولد کافیست در آخر پرامپت این را اضافه کنید:

لطفاً در هنگام پاسخ دادن، موارد زیر را رعایت کنید: 1. اگر پاسخ را نمی‌دانید یا مطمئن نیستید، بگویید: "نمی‌دانم" یا "مطمئن نیستم"؛ به‌جای حدس زدن. 2. هیچ اطلاعاتی را از خودتان اختراع نکنید. اگر منبعی ندارید، این را صریح بگویید. 3. قبل از پاسخ، در صورت نیاز، سؤال‌های شفاف‌سازی (Clarifying Questions) بپرسید تا مطمئن شوید منظور من را درست فهمیده‌اید. 4. هر ادعای واقعی را فقط در صورتی بیان کنید که: از آن مطمئن هستید و بتوانید منبع معتبر ارائه بدهید (لینک به منبع). اگر منبع ندارید، بگویید: "منبع معتبر در دسترس نیست". 5. سطح اطمینان خود را به صورت عددی بین 0 تا 100 بیان کنید.

البته نیازی به نوشتن هر 5 بند نیست. یک مثال (محدودیت کلمات گذاشتم) نقش محیط در بهره هوشی و توانایی شناختی را در حد 250 کلمه شرح دهید.

محیط نقش بسیار مهمی در شکل‌گیری بهره‌ی هوشی و توانایی‌های شناختی انسان ایفا می‌کند. اگرچه ژنتیک چارچوب اولیه‌ی ظرفیت ذهنی را تعیین می‌کند، اما محیط است که باعث شکوفایی یا محدود شدن این ظرفیت‌ها می‌شود. یکی از مهم‌ترین عوامل محیطی، تحریک شناختی است. کودکانی که در سال‌های اولیه زندگی در معرض گفت‌وگو، کتاب‌خوانی، بازی‌های فکری و تعاملات اجتماعی قرار می‌گیرند، شبکه‌های عصبی گسترده‌تری در مغزشان شکل می‌گیرد. این تعاملات سبب تقویت حافظه، توجه، حل مسئله و خلاقیت می‌شوند. تغذیه‌ی مناسب نیز نقش اساسی دارد. کمبود مواد مغذی مانند آهن، ید و اسیدهای چرب امگا-۳ در سال‌های رشد می‌تواند رشد مغز را کند کرده و به کاهش توانایی‌های شناختی منجر شود. در مقابل، تغذیه‌ی کامل و متعادل، انرژی و مواد لازم برای رشد نورون‌ها و ارتباطات سیناپسی را فراهم می‌کند. محیط احساسی و عاطفی نیز تأثیر چشمگیری دارد. کودکانی که در محیط‌های پرتنش، همراه با اضطراب یا خشونت بزرگ می‌شوند، سطح بالاتری از کورتیزول را تجربه می‌کنند که می‌تواند ساختار مغز را تحت تأثیر قرار دهد. در مقابل، امنیت عاطفی، محبت و حمایت والدین، باعث بهبود یادگیری، اعتماد به نفس و انگیزه می‌شود. در نهایت، دسترسی به آموزش باکیفیت و فرصت‌های تجربه‌محور سبب گسترش توانایی‌های شناختی در طول زندگی می‌گردد. بنابراین، محیط می‌تواند ظرفیت‌های ژنتیکی را فعال، تقویت یا تضعیف کند و نقشی تعیین‌کننده در بهره‌ی هوشی فرد دارد.

پرامپت کاهش توهم را اضافه کردم، گفت:

1. منابع را از چه نوع منابعی می‌خواهید؟ منابع دانشگاهی (مقالات علمی، کتاب‌های معتبر) یا منابع عمومی معتبر (سایت‌های آموزشی مثل NIH, APA, WHO و غیره) لطفاً مشخص کنید. 2. منظور شما از «محیط» در این بحث کدام ابعاد است؟ محیط خانواده (تعامل والدین، سطح حمایت عاطفی) محیط آموزشی (مدرسه، کیفیت آموزش) محیط اجتماعی-اقتصادی (وضعیت مالی، دسترسی به منابع) یا همه‌ی موارد فوق؟ 3. آیا نیاز است که متن دقیقاً 250 کلمه باشد یا می‌تواند حدودی (±10 کلمه) باشد؟

گفتم: 1- منابع دانشگاهی، 2- همه موارد فوق و 3- حدود 250 کلمه.

در پژوهش‌های دانشگاهی، نقش محیط در بهره‌ی هوشی و توانایی‌های شناختی به‌طور قابل توجهی مورد مطالعه قرار گرفته است. یکی از یافته‌های مهم این است که وضعیت اجتماعی-اقتصادی می‌تواند بر میزان بروز و پرورش توانایی‌های شناختی اثر بگذارد. برای مثال، پژوهش Turkheimer و همکاران (2003) نشان داد که در خانواده‌های با وضعیت اقتصادی-اجتماعی پایین، نقش محیط در تعیین IQ بسیار بیشتر از ژنتیک است، در حالی که در طبقات بالاتر، سهم عوامل ژنتیکی برجسته‌تر می‌شود. منبع در سطح محیط خانواده، کیفیت تعامل والدین و میزان تحریک زبانی و شناختی اهمیت زیادی دارد. پژوهش Hart و Risley (1995) نشان داد کودکانی که در خانواده‌های دارای گفت‌وگوی غنی‌تر بزرگ می‌شوند، در سال‌های بعد عملکرد زبانی و شناختی بالاتری دارند. منبع کتاب: Hart, B., & Risley, T. R. (1995). Meaningful Differences... (منبع دانشگاهی؛ لینک آزاد در دسترس نیست.) محیط آموزشی نیز نقش تعیین‌کننده دارد. پژوهش Heckman (2006) تأکید می‌کند که مداخله‌های آموزشی و پرورشی در سال‌های اولیه، به‌ویژه در دوره پیش‌دبستانی، می‌توانند مهارت‌های شناختی و هیجانی را به‌شکلی پایدار تقویت کنند. منبع در مجموع، محیط از طریق فراهم‌سازی فرصت‌های یادگیری، حمایت عاطفی، تغذیه مناسب و دسترسی به تجربیات غنی، می‌تواند بر مسیر رشد شناختی اثر بگذارد. این اثرات در دوران کودکی، که مغز از انعطاف‌پذیری بالاتری برخوردار است، قوی‌تر هستند. بنابراین، سرمایه‌گذاری بر محیط‌های حمایتی و آموزشی به‌ویژه در سال‌های اولیه زندگی، می‌تواند به بهبود پایدار توانایی‌های شناختی منجر شود. سطح اطمینان: 100/100

#AI #prompt #hallucination 🆔 @irevidence

▫️چگونه مجلات کاملاً رایگان را پیدا کنیم؟ مجلات اوپن اکسس الماسی یا پلاتینی (Diamond/Platinum Open Access) نه از نویسندگان هزینه دریافت می‌کنند و نه از خوانندگان. بنابراین، آشنایی با این مجلات و ارسال مقاله به آنها می‌تواند گزینه‌ای مناسب برای انتشار رایگان باشد. وب‌سایت Scimago اخیراً قابلیت جستجوی اختصاصی این دسته از مجلات را فراهم کرده است. برای این کار کافی است مراحل زیر را انجام دهید. ابتدا وارد لینک زیر شوید: https://www.scimagojr.com/journalrank.php سپس گزینه‌ Only Diamond Open Access Journals را فعال کنید. با این کار، لیستی شامل بیش از ۴۵۰۰ مجلۀ کاملاً رایگان بازیابی می‌شود. در صورت نیاز، می‌توانید از بخش فیلترها، حوزۀ موضوعی یا کشور مورد نظر خود را نیز انتخاب کنید تا مجلات مناسب برای شما نمایش داده شوند. قبلاً سایتی به نام GAJET را هم معرفی کرده بودم که فقط مجلات کاملاً رایگانِ نمایه شده در مدلاین را لیست کرده است. #journal #open_access #publishing 🆔 @irevidence

▫️بازنگری در آیین‌نامه ارتقای اعضای هیأت علمی و طراحی نظام رتبه‌بندی دانشگاه‌ها حسین سیمایی‌صراف-وزیر علوم- در دیدار با با اعضای هیأت علمی دانشگاه‌های سیستان و بلوچستان سخنانی را ارائه کرده است که بخش‌های مرتبط را در ادامه به نقل از خبرگزاری ایسنا می‌آورم: در آیین‌نامه جدید، حوزه علوم انسانی و اجتماعی از رشته‌های فنی و مهندسی تفکیک شده و شاخص‌های اختصاصی برای هر بخش تعریف شده است. در این آیین‌نامه، ارتقای اعضای هیأت علمی تنها بر اساس تعداد مقالات و کتاب‌ها ارزیابی نمی‌شود و معیار «اثرگذاری اجتماعی» به عنوان شاخصی نوین در نظر گرفته شده است. استادانی که با پژوهش‌های علمی خود بتوانند مشکلات اقتصادی، اجتماعی یا فرهنگی استان‌ها را کاهش دهند، بیش از گذشته مورد تقدیر قرار خواهند گرفت. این تحول در نظام ارزیابی، به رسمیت شناختن نقش اجتماعی دانشگاه‌ها و تأکید بر تأثیر مستقیم علم در بهبود کیفیت زندگی مردم است. وی از طراحی نظام جدید رتبه‌بندی دانشگاه‌های کشور خبر داد و گفت: برخلاف نظام‌های بین‌المللی که شاخص‌های آموزشی و پژوهشی را ملاک ارزیابی قرار می‌دهند، در نظام داخلی جدید، معیارهایی همچون مسوولیت اجتماعی دانشگاه و مشارکت آن در حل مسائل اقتصادی و اجتماعی استان‌ها لحاظ شده است. دانشگاه‌هایی که در فعالیت‌های اقتصادی و اجتماعی منطقه نقش مؤثر داشته باشند، از امتیاز ویژه برخوردار خواهند شد. ✅ حرف‌های بسیار خوبی است. ببینیم چطور اجرایی می‎کنید. 🆔 @irevidence

▫️خرید و فروش مقاله و جایگاه نویسندگی عکس بالا را از یکی از کانال‌های به‌اصطلاح خدمات دانشجویی برداشتم. در روز روشن، مقاله و جایگاه نویسندگی خرید و فروش می‌شود. جمع مبالغ درج‌شده در تصویر حدود ۱۶۱ میلیون تومان است؛ معادل تقریباً حقوق پنج تا شش ماه یک عضو هیئت علمی تازه‌استخدام. تورم فقط برای گوشت و لوبیا و مسکن نیست، به‌نظر می‌رسد تورم خرید و فروش مقاله هم بالا رفته است! امیدوارم مسئولان مربوطه به این موضوع رسیدگی کنند. پیشنهاد می‌کنم بانک‌ها وامی تحت عنوان "وام خرید مقاله با سود چهار درصد" ارائه بدهند! از نظر اخلاقی درست نیست که مقاله‌تان را بدهید دیگری بنویسد، اما بد نیست بدانید بسیاری از این افراد و شرکت‌های فعال در این حوزه دیگر مانند گذشته زحمت زیادی نمی‌کشند و با هوش مصنوعی مقاله تولید می‌کنند. پس اگر قرار است مقاله‌ای بنویسید، خودتان استفاده از هوش مصنوعی را یاد بگیرید و با کمک آن بنویسید؛ حداقل در این صورت پولتان هدر نمی‌رود. #authorship #research_misconduct 🆔 @irevidence

▫️آیا به دانشجویان، شایستگیِ هوش مصنوعی (AI competence) را آموزش می‌دهیم یا وابستگی (dependence) به آن را؟ در عصر AI، دانشگاه‌ها با چالشی بنیادین روبه‌رو هستند: آیا آموزش فعلی، دانشجویانی شایسته و توانمند در استفاده آگاهانه از AI تربیت می‌کند، یا نسلی وابسته که بدون آن قادر به تفکر مستقل نیست؟ Thorsten Fröhlich استاد تمام مدیریت IT در دانشگاه علوم کاربردی IU آلمان در نوشتاری به این دغدغه پرداخته است. پارادوکس عملکرد دانشگاه‌ها با شور و شتاب به استقبال فناوری‌های AI رفته‌اند، از آموزش مهندسی پرامپت تا تدوین دستورالعمل‌های اخلاقی. اما سوال اصلی نادیده گرفته شده است: آیا این آموزش‌ها به رشد فکری منجر می‌شوند یا فقط ظاهری از یادگیری را ایجاد می‌کنند؟ مطالعات متعدد نشان داده‌اند که استفاده زیاد از ابزارهای AI با افت تفکر انتقادی همراه است. دلیل این امر چیزی است که پژوهشگران تنبلی فراشناختی (metacognitive laziness) می‌نامند: یعنی دانشجو به‌جای درگیر شدن در فرایند تفکر، تصمیم‌گیری و تحلیل، مسئولیت این فرایندها را به ماشین می‌سپارد. اعتماد کاذب و توهم شایستگی این اتکا منجر به اعتماد بیش‌ازحد می‌شود. دانشجویان متونی تولید می‌کنند که از نظر ظاهری، علمی و دقیق است، اما خودشان قادر به توضیح یا دفاع از آن نیستند. پژوهش‌ها نشان می‌دهد بیشتر آن‌ها نمی‌توانند خطاهای تولیدشده توسط AI را تشخیص دهند، مگر این‌که مستقیماً درباره احتمال اشتباه هشدار داده شوند. در نتیجه نوعی توهم شایستگی شکل می‌گیرد؛ یعنی احساس تسلط بدون درک واقعی. برنامه درسی پنهانِ وابستگی در عمل، بسیاری از برنامه‌های آموزشی به‌جای آموزش سواد AI، وابستگی ذهنی به آن را تقویت می‌کنند. نتایج پژوهش‌ها نشان می‌دهد حتی دانشجویانی که می‌دانند این وابستگی خطرناک است، به‌تدریج در دام آن می‌افتند. پیامدهای این روند شامل: کاهش خلاقیت و توان حل مسئله، افزایش انفعال ذهنی، پذیرش بی‌چون‌وچرای اطلاعات تولیدشده، افت در تحلیل مستقل و ارزیابی انتقادی است. در واقع دانشگاه‌ها به‌صورت ناخواسته همان مهارت‌هایی را تضعیف می‌کنند که اندیشه انسانی را از پردازش ماشینی متمایز می‌سازد. ناتوانی نظام ارزیابی روش‌های ارزیابی فعلی این شکاف را تشخیص نمی‌دهند. آثار تولیدشده با کمک AI اغلب با استانداردهای دانشگاهی سازگارند، اما پشت آن‌ها درک و قضاوت انسانی وجود ندارد. حتی برنامه‌های موسوم به سواد AI نیز نشان داده‌اند که دانشجویان بیشتر در مهارت فنی موفق‌اند تا در استدلال اخلاقی و تحلیل نقادانه. در نتیجه، دانشگاه‌ها در ارزیابی واقعی یادگیری دچار خطا می‌شوند. مسیر اصلاح: پرورش شایستگی AI برای عبور از بحران، باید از آموزش ابزار فراتر رفت و به پرورش قضاوت هوش مصنوعی (AI judgment) پرداخت؛ یعنی توانایی تشخیص زمان، نحوه و ضرورت استفاده از AI در فرایند اندیشه. این امر مستلزم بازطراحی آموزش بر سه اصل است: 1. تمرین ارزیابی انتقادی (Critical evaluation practice): دانشجویان باید در چارچوبی ساختارمند، توانایی ارزیابی انتقادی خروجی‌های AI را تمرین کنند؛ یعنی دقت، ارتباط موضوعی و انسجام منطقی آن را بسنجند. برای این هدف می‌توان از تکالیفی مانند راستی‌آزمایی محتوا، شناسایی خطاها و شکاف‌های استدلالی، و مقایسه نتایج AI با منابع معتبر استفاده کرد. 2. پرورش آگاهی فراشناختی: (Meta-cognitive awareness development): دانشجویان باید شیوه‌های استفاده خود از AI و تأثیر آن بر یادگیری‌شان را آگاهانه بررسی کنند؛ برای این منظور می‌توان از تمرین‌های بازاندیشانه (reflection exercises) بهره گرفت که در آن، دانشجو یک وظیفه را هم با کمک AI و هم بدون آن انجام داده و سپس تفاوت در شیوه تفکر و تصمیم‌گیری خود را تحلیل می‌کند. 3. حفظ مالکیت فکری (Intellectual ownership maintenance): دانشجویان باید تفاوت بین استفاده از AI به‌عنوان ابزار و سپردن تفکر به آن را درک کنند. برای تقویت این مهارت، می‌توان از ارزیابی‌های شفاهی جهت سنجش توان توضیح و دفاع از ایده‌ها و نیز از پورتفولیوهای مستندکننده‌ی روند شکل‌گیری تفکر دانشجو در تعامل با AI استفاده کرد. اساتید نیز باید آموزش ببینند تا وابستگی ذهنی دانشجویان را تشخیص دهند، مهارت‌های تحلیلی را تقویت کنند و ارزیابی‌هایی طراحی نمایند که فرایند تفکر را بسنجد، نه فقط نتیجه تولیدشده را. انتخاب نهایی آینده آموزش عالی در گرو انتخابی روشن است: آیا دانشگاه‌ها فارغ‌التحصیلانی خواهند پروراند که صرفاً استفاده از AI را بلدند یا انسان‌هایی که می‌توانند با هوش مصنوعی فکر کنند؟ راه نخست به نسلی وابسته و ظاهراً توانمند اما بی‌درک می‌انجامد. راه دوم، هرچند دشوارتر، می‌تواند نسلی از اندیشمندان مستقل، منتقد و مسئول بسازد که از AI بهره می‌گیرند بی‌آنکه تفکر انسانی خود را تسلیم آن کنند. #AI 🆔 @irevidence

▫️دیتابیس PubMed در دوران تعطیلی دولت آمریکا در ایالات متحده، هر نهاد دولتی مانند وزارت بهداشت، آموزش، دفاع و غیره برای ادامۀ فعالیت خود نیازمند تصویب بودجۀ سالانه از سوی کنگره است. اگر رئیس‌جمهور و کنگره بر سر بودجه یا لایحه‌ای خاص به توافق نرسند، تخصیص بودجه متوقف می‌شود. در نتیجه، دولت نمی‌تواند به کارمندان خود حقوق پرداخت کند، خدمات غیرضروری متوقف می‌شوند و تنها بخش‌های حیاتی مانند پلیس فدرال، خدمات درمانی اضطراری یا کنترل ترافیک هوایی به کار خود ادامه می‌دهند. در چنین وضعیتی اصطلاحاً گفته می‌شود که دولت آمریکا تعطیل شده است (U.S. Government Shutdown). اما این مسئله چه ارتباطی به پابمد دارد؟ پابمد بخشی از مرکز ملی اطلاعات زیست‌فناوری (NCBI) است که زیرمجموعۀ کتابخانه‌ی ملی پزشکی آمریکا (NLM) محسوب می‌شود. NLM نیز یکی از بخش‌های مؤسسه‌ ملی سلامت آمریکا (NIH) است و NIH خود زیرمجموعۀ وزارت بهداشت و خدمات انسانی آمریکا (HHS) به شمار می‌رود. بنابراین، از آن‌جا که NIH نهادی فدرال و وابسته به دولت است، در زمان تعطیلی دولت فدرال، بودجۀ NIH و NLM نیز موقتاً قطع می‌شود. از آغاز تعطیلی (اول اکتبر)، در تمامی وب‌سایت‌های وابسته به NIH پیامی نمایش داده می‌شود مبنی بر اینکه به دلیل وقفه در تأمین بودجۀ دولتی، اطلاعات این پایگاه‌ها ممکن است به‌روز نباشند. با این حال، جست‌وجو در پابمد فرآیندی خودکار است و بخش عمده‌ای از آپلود اطلاعات مقالات جدید را خودِ مجلات انجام می‌دهند. به همین دلیل، مقالاتی که پس از آغاز تعطیلی منتشر می‌شوند، همچنان به پابمد اضافه می‌شوند، به شرط آن‌که مجلۀ مربوطه قبلاً در این پایگاه نمایه شده باشد. سامانه‌های خودکار NLM نیز برای این مقالات Medline citation ایجاد کرده و اصطلاحات MeSH را تخصیص می‌دهند تا در جست‌وجوها قابل بازیابی باشند. با وجود این، بخشی از فعالیت‌های پابمد در دوران تعطیلی متوقف شده است؛ چون حدود ۸۰ درصد کارکنان NIH به مرخصی اجباری رفته‌اند و کارهایی که نیاز به بررسی انسانی دارند مانند ارزیابی مجلات جدید برای نمایه‌شدن در مدلاین در این مدت انجام نمی‌شوند. در ابتدای تعطیلی، از سازمان‌ها خواسته شده مشخص کنند کدام‌یک از خدماتشان ضروری به شمار می‌رود. NIH گفته که خدمات مربوط به مدلاین از جمله فعالیت‌های ضروری است. برای بررسی تأثیر تعطیلی دولت بر روند به‌روزرسانی پابمد، جست‌وجویی انجام دادم و تعداد مقالات افزوده‌شده در بازه‌های زمانی مشابه را مقایسه کردم: از ۱ تا ۲۴ اکتبر (دوران تعطیلی): ۱۳۳۷۷۸ رکورد از ۱ تا ۲۴ سپتامبر: ۱۶۳۵۸۱ رکورد از ۱ تا ۲۴ اوت: ۱۵۳۵۸۱ رکورد از ۱ تا ۲۴ ژوئیه: ۱۷۱۷۳۶ رکورد با اینکه تعداد رکوردهای افزوده‌شده در دوران تعطیلی، نسبت به ماه‌های گذشته کاهش یافته است، اما این اختلاف چندان چشمگیر نیست و نمی‌تواند نشانۀ جدی از به‌روز نبودن پایگاه پابمد باشد. به قول نویسنده مقاله‌ای در مجلۀ BMJ، پابمد فعلاً رفته روی حالت autopilot #pubmed #medline #database 🆔 @irevidence

▫️آینده نشر علمی: نیازمند تغییرات رادیکال انتشارات کمبریج گزارش جالبی درباره وضعیت نشر و آینده پیش روی آن منتشر کرده است. در عنوان گزارش آمده است که برای آینده نشر علمی، باید تغییرات رادیکال صورت بگیرد. با برگزاری کارگاه‌ها و انجام مصاحبه‌های عمیق با ذی‌نفعان مختلف (پژوهشگران، اعضای هیئت تحریریه مجلات، انجمن‌های علمی، ناشران و غیره)، پرسش‌نامه‌ای تدوین شد و در اختیار بیش از 3 هزار نفر از 120 کشور جهان قرار گرفت. در آخر هم یک جلسه نهایی با شرکت 16 نفر تشکیل شد تا یافته‌ها را مرور و پیشنهادهای آینده را نهایی کنند. گزارش در 61 صفحه تنظیم شده است ولی در اینجا به مهم‌ترین یافته‌های آن اشاره می‌کنیم. 🔻چالش‌های موجود ۱. وضعیت کنونی نظام نشر علمی نظام فعلی هنوز نقش مهمی در حفظ کیفیت و سلامت پژوهش دارد، اما نشانه‌های فرسودگی در آن دیده می‌شود. افزایش حجم مقالات، روند طولانی داوری و فشار زیاد بر داوران باعث کندی و سنگینی فرایندها شده است. این ساختار با نیازهای آینده هم‌خوانی ندارد و باید بازنگری شود. ۲. گذار به دسترسی حرکت به سوی دسترسی آزاد از نظر دسترسی به دانش مثبت ارزیابی شده است، اما مشکلاتی نیز پدید آورده است. هزینه‌های بالای انتشار برای نویسندگان فاقد بودجه، نبود شفافیت در مدل‌های مالی و الگوهای هیبریدی که در آن هم برای چاپ و هم برای خواندن هزینه دریافت می‌شود، از مهم‌ترین چالش‌ها هستند. ۳. ثبات مالی مدل‌های مالی فعلی که ترکیبی از اشتراک و پرداخت هزینه چاپ‌اند، دیگر پایدار نیستند. رشد سریع تعداد مقالات، هزینه‌های فزاینده و نبود شفافیت مالی نظام نشر را با خطر بی‌ثباتی روبه‌رو کرده است. نیاز فوری به الگوهایی وجود دارد که شفاف، منصفانه و پایدار باشند. ۴. عدالت و دسترسی برابر با وجود گسترش دسترسی آزاد، برابری در فرصت انتشار هنوز محقق نشده است. پژوهشگران کشورهای کم‌درآمد و مؤسسات کوچک در پرداخت هزینه‌های انتشار با مشکل روبه‌رو هستند. عدالت در این زمینه به معنای فراهم‌کردن فرصت برابر برای انتشار و دسترسی به نتایج علمی، بدون محدودیت مالی یا جغرافیایی است. ۵. نظام پاداش و ارزیابی بسیاری از پژوهشگران احساس می‌کنند ارزیابی علمی بیش از حد بر کمیت تکیه دارد و کیفیت، نوآوری و همکاری علمی کمتر مورد توجه است. فعالیت‌هایی مانند داوری همتا، منتورینگ، انتشار داده و توسعه نرم‌افزار معمولاً در نظام پاداش دیده نمی‌شود. تغییر این الگوها برای ایجاد انگیزه‌های سالم پژوهشی ضروری است. ۶. داوری همتا داوری همتا همچنان سنگ‌بنای اعتبار علمی است، اما فشار کاری و کمبود داوران موجب کاهش کیفیت و طولانی‌شدن زمان داوری شده است. در کنار آن، پدیده‌هایی مانند کارخانه‌های تولید مقاله و استفاده نادرست از هوش مصنوعی، اعتماد به فرآیند داوری را تهدید می‌کنند. ۷. نقش فناوری و هوش مصنوعی فناوری و به‌ویژه هوش مصنوعی می‌تواند در ترجمه، ویرایش و داوری به کار آید، اما نگرانی‌هایی درباره تولید محتوای نادرست یا جعلی نیز وجود دارد. هوش مصنوعی باید به‌عنوان ابزار کمکی و با نظارت انسانی به کار گرفته شود تا به کیفیت علم آسیب نزند. ۸. داده و انتشار باز پژوهشگران آینده‌ای را ترجیح می‌دهند که داده‌های پژوهش آزاد و شفاف در دسترس باشد. بااین‌حال، هنوز زیرساخت، بودجه و آموزش کافی برای اشتراک داده وجود ندارد و نیاز به حمایت فنی و مالی احساس می‌شود. 🔻راهکارهای پیشنهادی ▫️کمتر اما با کیفیت‌تر منتشر شود و مسیرهای متنوع و کم‌هزینه‌تر انتشار تقویت گردد. ▫️دوگانگی مالی پایان یابد و قیمت‌گذاری‌ها شفاف و منطبق بر ارزش واقعی خدمات باشد. ▫️عدالت در طراحی سیاست‌ها محور قرار گیرد؛ از معافیت‌ها، مدل‌های جمع‌سپاری و آموزش در مناطق کم‌برخوردار حمایت شود. ▫️نظام پاداش و ارزیابی بازطراحی شود تا کیفیت، داده، داوری و نقش‌های اجتماعی نیز ارزش‌گذاری شوند. ▫️داوری همتا به‌عنوان فعالیتی علمی به رسمیت شناخته و برای آن آموزش، امتیاز و حمایت در نظر گرفته شود. ▫️ پلتفرم‌های جایگزین مانند مدل دسترسی آزاد الماسی (Diamond OA) و سرورهای پری‌پرینت تقویت شوند. ▫️زیرساخت داده باز توسعه یابد تا اشتراک‌گذاری داده‌ها آسان و ایمن شود. ▫️همکاری جمعی بین ناشران، دانشگاه‌ها و حامیان مالی برای تدوین استانداردهای مشترک شکل گیرد. ▫️نوآوری و آزمایش مدل‌های جدید به‌صورت شفاف و گزارش‌پذیر انجام شود. ▫️در محیط‌های باز، تمایز محتوای داوری‌شده و نشده به‌روشنی مشخص شود تا اعتماد عمومی حفظ گردد. خانم Hill مدیر انتشارات کمبریج در مقدمه گزارش نوشته است:

بیشتر نکات گزارش شاید تازه نباشند، اما نکته شگفت‌انگیز این است که خودِ یک ناشر نتیجه گرفته است که باید تعداد مقالات منتشر شده کاهش یابد. [درود بهت!]

کمتر ولی باکیفیت‌تر منتشر کنیم! #publishing #cambridge #critique 🆔 @irevidence

▫️انتقال مجلات BMC به Springer Nature Link انتشارات اشپرینگر از چندی قبل، تمام مجلات سری BMC را از پلتفرم biomedcentral.com به Springer Nature Link منتقل کرده است. در حال حاضر مجلات از طریق دو پلتفرم در دسترس هستند. اما در آینده نزدیک، پلتفرم biomedcentral.com غیرفعال خواهد شد و تمام مجلات منحصراً از طریق آدرس زیر در دسترس خواهند بود: https://link.springer.com/brands/bmc برای مثال آدرس مجله BMC Nutrition در پلتفرم BMC بدین صورت بود: https://bmcnutr.biomedcentral.com اما در پلتفرم Springer Nature Link به این صورت در آمده است: https://link.springer.com/journal/40795 مجموعه مجلات Nature هم با برند Nature Portfolio زیر مجموعه Springer Nature هستند ولی بعید به نظر می‌رسد کاری با آن‌ها داشته باشد. #publisher #BMC #springer 🆔 @irevidence

▫️تأثیر پرامپت بر خروجی هوش مصنوعی مولد از GPT-5 پرسیدم: سوگیری بقا را در حد 50 کلمه تعریف کنید.

سوگیری بقا خطایی شناختی است که در آن فقط نمونه‌های موفق یا باقی‌مانده دیده و بررسی می‌شوند، در حالی که موارد شکست‌خورده یا حذف‌شده نادیده گرفته می‌شوند. این باعث می‌شود نتایج یا احتمال موفقیت بیش‌ازحد واقعی برآورد شود و تصمیم‌گیری‌ها بر پایه داده‌های ناقص شکل گیرد.

سوگیری بقا را به زبان ساده و در حد 50 کلمه تعریف کنید.

سوگیری بقا یعنی توجه‌کردن فقط به کسانی یا چیزهایی که موفق شده‌اند و نادیده‌گرفتن آن‌هایی که شکست خورده‌اند. مثلاً وقتی فقط از کارآفرینان موفق می‌شنویم، فکر می‌کنیم موفقیت آسان است، چون شکست‌خورده‌ها را نمی‌بینیم. این باعث می‌شود برداشت ما از واقعیت اشتباه شود.

سوگیری بقا را بصورت ابله فهم و در حد 50 کلمه تعریف کنید.

سوگیری بقا یعنی فقط برنده‌ها را دیدن و بازنده‌ها را فراموش کردن. مثلاً می‌بینی چند نفر با سرمایه‌گذاری پولدار شدن و فکر می‌کنی خیلی راحته، چون اونایی که ضرر کردن رو نمی‌بینی. اینطوری مغزت گول می‌خوره و فکر می‌کنی موفقیت همیشه اتفاق می‌افته.

سوگیری بقا را بصورت پیچیده و غامض تعریف کنید که کسی چیزی از آن نفهمد.

سوگیری بقا نوعی انحراف معرفت‌شناختی است که از ناهم‌خوانی در نمونه‌برداری آماری ناشی می‌شود، جایی که داده‌های مشاهده‌پذیر صرفاً شامل بازماندگان یک فرایند گزینشی‌اند. در نتیجه، ذهن دچار توهم تعمیم استقرایی می‌گردد و ساختار احتمالاتی واقعیت را بر مبنای بقای تصادفی، نه توزیع کامل رویدادها، بازسازی می‌کند.

بهش گفتم. من فهمیدم. گفت: عجب! پس یعنی باید تعریف رو پیچیده‌تر کنم که دیگه هیچ‌کس نفهمه؟ می‌خوای نسخه‌ی «غیرقابل‌درکِ نهایی» سوگیری بقا رو برات بنویسم؟

سوگیری بقا را می‌توان به‌منزله‌ی بازتابی اپیستمولوژیک از یک پارادایم داده‌زدایی در چارچوب بازنمایی‌های نادقیق هستی‌شناختی دانست، جایی که سازوکارهای شناختی در تعامل با فیلترهای انتخابیِ غیرتصادفی، منجر به هم‌ریزش پارادایمی میان واقع‌نمایی و نمود تجربی می‌شوند؛ به‌گونه‌ای که تمایز میان غیاب و حضور، خود به‌نحوی متناقض، بازتولیدگر خطای ادراکی اولیه است.

در ادامه گفت: می‌خوای یه درجه دیگه هم مبهم‌ترش کنم تا خودش هم نفهمه چرا وجود داره؟😄 گفتم آره.

سوگیری بقا، تبلورِ پارادوکسیکالِ یک ساختار فرااستقرایی در ماتریس ادراکات بازگشتی‌ست که در آن، غیریتِ حذف‌شده به‌منزله‌ی پیش‌شرطِ دلالتِ حضور بازتعریف می‌شود. این فرایند، از طریق انقباض اپیستمی در فضای احتمالِ پسا‌تجربی، منجر به زایش توهمِ امتداد علّی در غیاب داده‌های حذف‌شده می‌گردد.

در ادامه گفت: حالا صادقانه—هیچی نفهمیدی، یا هنوز یه ذره فهم باقی مونده؟ رسماً دیوانه است! در یکی از پرامپت‌ها گفتم بصورت ابله فهم تعریف کن. حتماً از این اصطلاح استفاده کنید، ضرر نمی‌کنید! #AI #prompt #chatgpt 🆔 @irevidence

▫️بیش از ۱۰۰۰ اصطلاح برای توصیف سنتز شواهد! قبلاً در پستی با عنوان "سنتز شواهد: از خانواده‌ دو نفره تا ۴۸ نفره" به بررسی طبقه‌بندی انواع سنتز شواهد پرداخته بودیم. در سال ۲۰۰۹، گرنت و بوث ۱۴ نوع مرور متون را معرفی کردند. در سال ۲۰۱۶، تریکو و همکارانش ۲۵ نوع سنتز شواهد را شناسایی کردند و سرانجام ساتن و همکاران در سال ۲۰۱۹ تعداد ۴۸ نوع سنتز شواهد را در قالب ۷ خانواده مرور طبقه‌بندی نمودند. چندی پیش، با مشارکت بیش از ۱۵۰ متخصص سنتز شواهد از سراسر جهان (از مؤسساتی مانند JBI، کاکرین، کمبل و دیگر مراکز معتبر)، پروژه‌ای جهانی تحت عنوان ابتکار تاکسونومی سنتز شواهد (Evidence Synthesis Taxonomy Initiative) یا به اختصار ESTI آغاز شد. رهبری این پروژه را Zachary Munn و Danielle Pollock از دانشگاه آدلاید (استرالیا) بر عهده دارند. از ایران نیز سکینه حاج‌ابراهیمی، استاد گروه ارولوژی دانشگاه علوم پزشکی تبریز و رئیس قطب علمی مؤسسه JBI در ایران، در این پروژه حضور دارد. هدف اصلی این ابتکار، تدوین یک تاکسونومی جامع، پویا، مقیاس‌پذیر و آنلاین برای سنتز شواهد است تا انتخاب و اجرای مرورها و سنتزهای شواهد به‌صورت مناسب و کارآمد انجام شود و در نهایت به تصمیم‌سازی مبتنی بر شواهد در سیاست‌گذاری و عمل کمک کند. در تازه‌ترین دستاورد این ابتکار، مقاله‌ای با عنوان: Over 1000 terms have been used to describe evidence synthesis: a scoping review در مجله‌ی BMJ Evidence-Based Medicine منتشر شده است. این مقاله با مشارکت ۴۱ نویسنده از سراسر جهان نگارش یافته است و متدولوژیست‌هایی نام آشنا مثل Danielle Pollock، Andrea C. Tricco، Andrew Booth و Zachary Munn در بین نویسندگان دیده می‌شود. همچنین یک پژوهشگر ایرانی‌الاصل به نام نهال حبیبی، عضو هیئت علمی دانشکده‌ کشاورزی، غذا و شراب دانشگاه آدلاید استرالیا، نیز از نویسندگان این مقاله است. هدف این مطالعه، شناسایی، مقایسه و تحلیل تمام نظام‌های طبقه‌بندی، تاکسونومی‌ها و گونه‌شناسی‌های موجود برای انواع روش‌های سنتز شواهد بود تا مبنایی برای توسعه‌ی یک تاکسونومی زنده و جامع در این حوزه فراهم شود. این مرور بر اساس روش‌شناسی مرور اسکوپینگ JBI انجام شده است. نویسندگان در کل ۱۵۶۳۴ را غربالگری کردند تا به ۴۴۶ مدرک واجد شرایط برسند. چند یافته مهم: شناسایی ۴۹ نظام طبقه‌بندی و تاکسونومی برای سنتز شواهد؛ شناساییِ در مجموع ۱۰۱۰ اصطلاح منحصربه‌فرد برای انواع سنتز شواهد؛ از این بین، ۷۴۲ اصطلاح تنها یک بار در کل متون دیده شده‌اند؛ متداول‌ترین اصطلاحات: systematic review، scoping review، meta-analysis، rapid review و narrative review؛ گزارش بیش از ۱۵۸ زیرگونه از systematic review (مانند systematic review of trials). ۱۵ بعد کلان: تیم پژوهش ۴۷۵ ویژگی متمایزکننده (facets) را از متون استخراج و در ۱۵ بعد کلان (dimensions) گروه‌بندی کرد: 1. Review question and foci of interest 2. Discipline or field 3. Perspective 4. Coverage 5. Eligibility criteria / data sources considered 6. Review purpose 7. Methodological principles 8. Theoretical underpinnings / philosophical perspective 9. Resource considerations 10. Compatibility with heterogeneity 11. Sequence planning 12. Analytical techniques to synthesise the evidence 13. Intended product / output 14. Intended audience 15. Intended impact or influence جامعه‌ علمی تاکنون تلاش‌های متعددی برای نظم‌بخشی به انواع سنتز شواهد انجام داده است، اما اغلب این نظام‌ها: بر شواهد تجربی استوار نبوده‌اند و به‌ندرت مورد ارزیابی قرار گرفته‌اند، و معمولاً ایستا هستند و با پیشرفت‌های روش‌شناسی به‌روزرسانی نمی‌شوند. چالش اصلی، تنوع و هم‌پوشانی گسترده در واژگان است؛ به‌گونه‌ای که گاهی برای یک روش، نام‌های متفاوت و یا برای روش‌های متفاوت، نامی یکسان به کار می‌رود. بنابراین، نیاز فوری جامعه‌ی پژوهش آن است که یک تاکسونومی زنده و پویا (Living Taxonomy) برای هماهنگ‌سازی زبان، اصطلاحات و ساختار مفهومی در حوزه‌ی سنتز شواهد ایجاد شود. پژوهشگران پیشنهاد می‌کنند با ایجاد این تاکسونومی زنده و مبتنی بر شواهد، ارتباط و هماهنگی در بین پژوهشگران افزایش یافته و دقت در انتخاب و گزارش روش‌های سنتز شواهد بهبود یابد تا تصمیم‌سازی علمی و سیاست‌گذاری بر پایه‌ی شواهد قوی‌تر صورت گیرد. 🔗 وبسایت رسمی ESTI ✅خواندن بخش methods این مرور به‌شدت توصیه می‌شود، چون برخی نویسندگان آن، از توسعه‌دهندگان مرور اسکوپینگ هستند. با خواندن این بخش، می‌توان با نحوه انجام و گزارش یک مرور اسکوپینگِ استاندارد به‌خوبی آشنا شد. #evidence_synthesis #taxonomy #scoping_review 🆔 @irevidence

▫️دستورالعمل استفاده از ابزارهای هوش مصنوعی در پژوهش‌های علمی تصویب شد. این تیتر خبری طی دو هفته‌ی گذشته در صدها سایت خبری، خبرگزاری، کانال تلگرامی و صفحه‌ اینستاگرامی منتشر شده است؛ در واقع همه‌شان متن خبر را از جایی کپی‌پیست کرده‌اند. این دستورالعمل توسط بنیاد ملی علم ایران تدوین شده است. در وب‌سایت این بنیاد آمده است:

بنیاد ملی علم ایران با هدف صیانت از اخلاق علمی و سامان‌دهی استفاده از فناوری‌های نوین، دستورالعملی جامع در حوزه‌ی بهره‌گیری از ابزارهای هوش مصنوعی در پژوهش تدوین و در تاریخ ۲۹ شهریور ۱۴۰۴ به تصویب شورای علمی خود رساند.

با خواندن خبر در رسانه‌های مختلف، این‌گونه به نظر می‌رسد که این دستورالعمل برای همه‌ی دانشگاه‌ها و مؤسسات آموزش عالی کشور تدوین و ابلاغ شده است، در حالی که چنین نیست. در مقدمه‌ی دستورالعمل تصریح شده است:

هدف از تدوین این شیوه‌نامه، ایجاد چارچوبی منسجم، شفاف و اخلاقی برای استفاده از ابزارهای هوش مصنوعی در تمامی مراحل پژوهش (پروپوزال، طرح، اجرا، گزارش و داوری) توسط پژوهشگران و داوران همکار با بنیاد ملی علم ایران است.

بنابراین، کاملاً روشن است که این شیوه‌نامه صرفاً برای استفاده‌ی پژوهشگران و داوران بنیاد ملی علم ایران تدوین شده و شامل همه‌ی نهادهای پژوهشی و دانشگاه‌های کشور نمی‌شود. بهتر است موقع کپی‌پیست، بیشتر دقت کنیم. #AI #guideline #research #ethics 🆔 @irevidence

▫️آیا در همه مرورهای سیستماتیک کیفی، جستجوی جامع و حساس نیاز هست؟ تصور کنید می‌خواهید یک مرور سیستماتیک کمی (مثلاً در مورد اثربخشی یک دارو) انجام دهید و قرار است متاآنالیز هم بکنید. در این حالت، باید تمام تلاش خود را به کار بگیرید تا تمامی کارآزمایی‌های تصادفی کنترل‌شده (RCTs) مرتبط را پیدا کنید؛ چون نادیده گرفتن حتی یک مطالعه می‌تواند نتیجه‌گیری مرور را به‌طور چشمگیری تغییر دهد. به همین دلیل، در مرورهای کمی، جستجو باید جامع و بسیار حساس (sensitive) باشد تا هیچ مطالعه مرتبطی از قلم نیفتد. اما در آن طرف قضیه، پژوهش‌های کیفی را داریم. در اینجا، از ابتدا نمی‌دانیم حجم نمونه چقدر است. نمونه‌گیری معمولاً به‌صورت هدفمند (purposive) انجام می‌شود و داده‌ها آن‌قدر گردآوری می‌شوند تا جایی که محقق احساس کند با اضافه کردن داده‌های جدید، نکته تازه‌ای برای تحلیل باقی نمانده است. این نقطه را اشباع نظری (theoretical saturation) می‌نامند؛ یعنی زمانی که با افزودن داده‌های جدید، درک ما از پدیده مورد مطالعه تغییر محسوسی پیدا نمی‌کند. با گسترش استفاده از مرورهای سیستماتیک کیفی یا آنچه کاکرین از آن با عنوان سنتز شواهد کیفی (Qualitative Evidence Synthesis – QES) یاد می‌کند، این سوال مطرح می‌شود که آیا در این نوع مرورها نیز باید مانند مرورهای کمی، جستجویی جامع انجام دهیم یا می‌توانیم همانند مطالعات کیفی، جستجویی هدفمند و تکرارشونده (iterative) داشته باشیم؟ واقعیت این است که در همه انواع سنتز شواهد کیفی، هدف اصلی این نیست که تمام مطالعات موجود را پیدا کنیم، بلکه تمرکز بر شناسایی مجموعه‌ای از پژوهش‌هاست که تنوع دیدگاه‌ها، زمینه‌ها و تجربیات انسانی را به‌خوبی بازتاب دهند. بنابراین، جستجوی هدفمند یا گزینشی می‌تواند جایگزینی منطقی برای جستجوی جامع باشد، مخصوصاً زمانی که هدف از مرور، توسعه و تدوین نظریه، تبیین پدیده‌ها یا درک عمیق‌تر از تجربه انسانی باشد. در این رویکرد، پژوهشگر از جستجوهای مرحله‌به‌مرحله و تکرارشونده استفاده می‌کند و منابع جدید را تا زمانی شناسایی می‌کند که داده‌های تازه، بینش جدیدی به دست ندهند. جستجوی هدفمند به جای تمرکز بر حساسیت، بر غنا، تنوع و ارتباط مفهومی تأکید دارد و از روش‌هایی مثل گلوله برفی (Snowballing)، پیگیری استنادی (Citation Chasing) و منابع خاکستری استفاده می‌کند. البته جستجوی هدفمند برای همه مرورهای کیفی مناسب نیست و در برخی موارد مثل مرورهای meta-aggregation باید جستجوی جامع انجام داد. بنابراین انتخاب این نوع جستجو باید کاملاً با اهداف مرور و روش سنتز کیفی ما هماهنگ باشد و دلیل این انتخاب را هم باید بطور شفاف در پروتکل و گزارش مرورمان توضیح دهیم. با این کار هدفمند، نه تنها کارایی فرایند مرورمان بیشتر می‌شود و حجم مقالات غیرمرتبط کاهش می‌یابد، بلکه می‌توانیم تصویری غنی‌تر، چندصدایی و عمیق‌تر از موضوع مورد بررسی ارائه دهیم. با این وجود، متأسفانه در ایران و خیلی جاهای دیگر، با مرورهای کمی و کیفی یکسان برخورد می‌شود. خودم تجربه داشتم که برای یک دانشجوی دکتری که مرور کیفی داشت، هفت دیتابیس را جستجو کردم، ولی استاد راهنما پرسیده بود: «چرا فلان دیتابیس را سرچ نکردی؟!» این در حالی است که ماهیت سؤالات کیفی باعث می‌شود جستجوی جامع، معمولاً حجم عظیمی از رکوردهای نامرتبط را بازیابی کند و انرژی و زمان زیادی باید صرف غربالگری شود تا مطالعات واقعاً مرتبط پیدا شوند. اگر این کار را انجام دهید، چه اتفاقی می‌افتد؟

فرض کنید دانشجوی دکتری هستید و در پروپوزال پایان‌نامه‌تان می‌نویسید که قصد دارید جستجوی هدفمند برای مرور کیفی‌تان انجام خواهید داد (برای فاز اول پایان‌نامه). در جلسه‌ی دفاع از پروپوزال، داوران و اعضای گروه و حتی اساتید راهنما و مشاور، شما را از فلک آویزان خواهند کرد. لای انگشت‌هایتان خودکار می‌گذارند و فشار می‌دهند. روی کاغذ A4 عبارت خر تنبل می‌نویسند، آن را به شکل کلاه درمی‌آورند و بر سرتان می‌گذارند. کارشناس گروه با نگاهی آمیخته به تحقیر به شما خیره می‌شود و دیگر دانشجویان با نگاهی دلسوزانه به حالتان تأسف می‌خورند!

خانم Ames و همکارانش در قالب مثالی، نمونه‌گیری (جستجوی) هدفمند در سنتز شواهد کیفی را نشان داده‌اند: Purposive sampling in a qualitative evidence synthesis: a worked example from a synthesis on parental perceptions of vaccination communication (Link) #evidence_synthesis #qualitative_review #searching #QES 🆔 @irevidence

▫️نوشتن نتیجه مطالعه در عنوان مقاله: مزایا، معایب و توصیه‌ها به این نمونه‌ عناوین مقالات از مجله Clinical Epidemiology توجه فرمایید: A scoping review identified additional considerations for defining estimands in cluster randomised trials Continuous predicted risks should be retained when deploying clinical prediction models Reporting guidelines can be used to foster reporting of evidence-based research principles: A cross-sectional study Statistical model assessment in published dose-response meta-analyses is suboptimal: Evidence from a methodological review and re-analysis of 242 datasets Peer review of prediction model studies in oncology needs improvement: A systematic review of open peer review reports from BMC journals همان‌طور که مشاهده می‌شود، نتیجه اصلی مطالعه در خودِ عنوان مقاله بیان شده است. به این نوع عنوان‌ها، اصطلاحاً Declarative titles گفته می‌شود که با عناوین توصیفی (Descriptive titles)-که به‌صورت سنتی رایج‌ترند- تفاوت دارند. قابل ذکر است که تمام مجلات اجازه استفاده از چنین عناوینی را نمی‌دهند؛ بنابراین قبل از انتخاب عنوان، باید راهنمای نویسندگان مجله را مطالعه کرد تا مشخص شود استفاده از آن مجاز است یا نه. به‌عنوان مثال، در تمامی مجلات وابسته به JAMA این کار مجاز نیست، چون در راهنمای نویسندگان به‌روشنی آمده است:

For scientific manuscripts, do not use overly general titles, declarative titles, titles that include the direction of study results, or questions as titles.

دیدگاه‌های موافقان طرفداران این نوع عنوان‌ها معتقدند که در مقایسه با سایر سبک‌ها، آگاهی‌بخش‌ترند. چنین عنوان‌هایی به خوانندگان کمک می‌کنند تا محتوا و نتایج مقاله را سریع‌تر درک کنند و به پژوهشگران یا پزشکان پرمشغله امکان می‌دهند به‌سادگی از تازه‌های علمی باخبر شوند. از دید نویسنده نیز، این عناوین، قوی‌تر و تأثیرگذارترند و در نتیجه احتمال بیشتری دارند که توجه و علاقه سردبیر را جلب کنند؛ همچنین، مقالاتی با این نوع عنوان معمولاً بیشتر در فضای آنلاین به اشتراک گذاشته می‌شوند و به مخاطبان عمومی وسیع‌تری دست می‌یابند [بدین ترتیب احتمالاً استناد بالاتری هم دریافت می‌کنند] دیدکاه‌های مخالفان در مقابل، منتقدان بر این باورند که چنین عنوان‌هایی می‌توانند گمراه‌کننده باشند و از چارچوب علم مبتنی بر فرضیه (hypothesis-based science) فاصله بگیرند؛ در این نوع علم، فرضیه هیچ‌گاه اثبات نمی‌شود، بلکه صرفاً تأیید یا رد می‌گردد. به اعتقاد آنان، هر یافته باید قابل تفسیر و بازنگری باشد، چون هر مطالعه‌ای محدودیت‌ها و ضعف‌های خاص خود را دارد؛ بنابراین، عناوین declarative گاه نتیجه‌گیری مطالعه را با اطمینانِ بیش از حد، مطرح می‌کنند. علاوه بر این، چنین عنوان‌هایی ممکن است اهمیت داده‌های استثنایی، یعنی شرکت‌کنندگانی که نتایجشان با الگوی کلی مطالعه هم‌خوانی ندارد، را نادیده بگیرند. استفاده از عناوین declarative همچنین با شیوه آموزش پژوهشگران جوان در تضاد است؛ چون به آنان آموخته می‌شود که: تنها بر عنوان یا برداشت اولیه مقاله تکیه نکنند، بلکه خودشان داده‌ها، روش‌ها و نتایج را بررسی کنند و بر پایه آن قضاوت مستقل داشته باشند که آیا نتیجه‌گیری پژوهش درست است یا نه. اما عناوین declarative، معمولاً نتیجه را از همان ابتدا، قطعی بیان می‌کنند (مثلاً X باعث کاهش Y می‌شود) و این باعث می‌شود خواننده، ناخودآگاه نتیجه را به‌عنوان حقیقت بپذیرد، بدون آن‌که خود، فرایند استدلال را طی کند. اگر تصمیم گرفتید از این نوع عنوان استفاده کنید، موارد زیر را مدنظر داشته باشید: 1. در مقالات پژوهشی اصلی از زمان گذشته استفاده کنید. Acute high-intensity interval exercise reduced colon cancer cell growth این عنوان نشان می‌دهد که مقاله بر اساس یک مطالعه خاص است و بنابراین نباید به‌عنوان حقیقتی کلی یا همیشگی تلقی شود. 2. از لحن مجهول استفاده کنید، چون قطعیت کمتری دارد. Colon cancer cell growth was reduced by acute high-intensity interval exercise این بیان محتاطانه‌تر است و از شدت قاطعیت عنوان پیشین می‌کاهد. 3. در بیان یافته‌ها و نتیجه‌گیری‌ها از اغراق یا نسبت‌دادن رابطه علت و معلولی نادرست بپرهیزید. ممکن است یک پیامد با مداخله‌ای ارتباط داشته باشد، اما به‌وسیلۀ آن ایجاد نشده باشد. (منبع) #article_title #declarative_title #academic_writing 🆔 @irevidence

▫️پیگیری‌های شفق آفتاب جواب داد. داستان از این قرار بود که آقای داود قربان‌زاده عضو هیئت علمی دانشگاه آزاد واحد تهران شمال، داور مقاله خانم شفق آفتاب-پژوهشگر پاکستانی-در مجله Information Development بود. قربان‌زاده مقاله وی را رد کرده بود. اما در کمال تعجب، همان مقاله را با تغییرات جزئی به نام خود در مجله Systems Research and Behavioural Science منتشر کرده بود. خانم آفتاب پیگیر این مسئله بود ولی قربان‌زاده تمام اتهامات را رد می‌کرد. با این حال، انتشارات وایلی قرار بود بررسی‌های بیشتری انجام دهد. بالاخره بررسی‌ها به سرانجام رسید و مقاله قربان زاده سلب اعتبار (retract) شد. در اطلاعیه ربترکشن آمده که بخش‌های زیادی از متن، بدون ذکر منبع از یک دست‌نوشتۀ منتشرنشده کپی شده است. همچنین خطاهای علمی دیگری در مقاله مشاهده شد. نویسندگان همکار با ریترکشن موافق بودند ولی قربان‌زاده باز زیر بار نرفت و احتمالاً گفت خیلی نامردید! بدین ترتیب در یک سال گذشته این سومین مقالۀ قربان‌زاده است که سلب اعتبار می‌شود. خانم شفق آفتاب به پایگاه retraction watch گفته است که از این تصمیم بسیار خوشحال است:

این سلب اعتبار، یادآوری مهمی است که کسانی که تلاش دیگران را به نام خود ثبت می‌کنند، سرانجام با عواقب آن روبه‌رو خواهند شد. پیام من به جامعه علمی روشن است: اگر قصد دارید زحمات کسی را بدزدید، بدانید که پاسخ‌گو خواهید بود. در چنین موقعیت‌هایی تنها چیزی که لازم است صبر و ایمان است، زیرا در نهایت حقیقت و صداقت پیروز می‌شوند.

البته امیدوارم خانم آفتاب، نور خود را به روی پژوهشگران پاکستانی هم بتاباند، چون اون کشور هم اصلاً وضعیت خوبی از لحاظ اخلاق پژوهش ندارد. در پست مربوط به این خبر، مطلبی را نوشته بودم که اینجا عیناً می‌آورم:

باید بدانیم که با این رفتارهای غیراخلاقی، نه‌تنها آبروی خود یا دانشگاه‌مان، بلکه اعتبار ایران را خدشه‌دار می‌کنیم و این خطایی بزرگ است. چنین اقداماتی باعث می‌شود سردبیران مجلات علمی نسبت به چاپ مقالات پژوهشگران ایرانی بی‌اعتماد شوند و این امر در حق پژوهشگران و داورانی که صادقانه و اخلاق‌مدارانه فعالیت می‌کنند، ظلم و اجحاف است.

#research_ethics #plagiarism #peer_review #wiley #Iran 🆔 @irevidence

▫️برندگان جایزه نوبل پزشکی 2025 مری ای. برانکو (Mary E. Brunkow)، فرد رمزدل (Fred Ramsdell) و شیمون ساکاگوچی (Shimon Sakaguchi) به طور مشترک موفق به دریافت جایزه نوبل فیزیولوژی یا پزشکی شدند. مبلغ این جایزه 11 میلیون کرون سوئد است که بین سه برنده به طور مساوی تقسیم می‌شود (هر کدام تقریباً 391 هزار دلار) این سه به این خاطر جایزه نوبل گرفتند که چون نشان دادند چطور بدن می‌تواند جلوی سیستم ایمنی خودش را بگیرد تا به اندام‌ها و بافت‌های سالم حمله نکند. نگاهی کوتاه به زندگی‌نامه و دستاوردهای پژوهشی این سه برنده (بر اساس داده‌های پایگاه اسکوپوس) خالی از لطف نیست: 1️⃣ خانم مری ای. برانکو (Mary E. Brunkow) سن: 64 ساله (متولد 1961 آمریکا) تحصیلات: دکتری زیست‌شناسی مولکولی از دانشگاه پرینستون سمت فعلی: مدیر ارشد برنامه‌ها در مؤسسه زیست‌شناسی سامانه‌ای، سیاتل برونداد علمی: 31 مقاله شاخص اچ: 22 تعداد کل استنادات: 10,761 در چهار سال پیاپی (2020 تا 2023) مقاله‌ای منتشر نکرده و در مجموعِ ده سال اخیر تنها 9 مقاله به چاپ رسانده است. 2️⃣ آقای فرد رمزدل (Fred Ramsdell) سن: 65 ساله (متولد 1960 آمریکا) تحصیلات: دکتری میکروبیولوژی و ایمنی‌شناسی از دانشگاه UCLA سمت فعلی: مشاور علمی در شرکت Sonoma Biotherapeutics (فعال در زمینه توسعه درمان‌های سلولی برای بیماری‌های خودایمنی و التهابی) برونداد علمی: 63 مقاله شاخص اچ: 40 تعداد کل استنادات: 18,688 در ده سال گذشته تنها 8 مقاله منتشر کرده است. در برخی سال‌ها (از جمله 2019، 2021، 2022 و 2024) هیچ مقاله‌ای منتشر نکرده است. 3️⃣ آقای شیمون ساکاگوچی (Shimon Sakaguchi) سن: 74 ساله (متولد 1951 ژاپن) تحصیلات: دکترای پزشکی (MD) و دکتری ایمونولوژی از دانشگاه کیوتو سمت فعلی: استاد ممتاز (Distinguished Professor) در دانشگاه اوساکا برونداد علمی: 384 مقاله شاخص اچ: 122 تعداد کل استنادات: 94,664 در ده سال گذشته 128 مقاله منتشر کرده است. هرچند نسبت به دو برنده دیگر بسیار پرکارتر است، اما در مقایسه با پژوهشگران فوق‌العاده پرکار (که گاهی بیش از 300 مقاله در سال منتشر می‌کنند)، این رقم متوسط محسوب می‌شود. #nobelprize #medicine #physiology 🆔 @irevidence

▫️هزار متاآنالیز در ده رشته: درس‌هایی که می‌آموزیم آقای Weilun Wu و همکارانش کار جالبی انجام داده‌اند: آن‌ها برای اولین بار تلاش کرده‌اند با بررسی 1000 متاآنالیز از 10 رشته مختلف (آناتومی و فیزیولوژی، زیست‌شناسی، کسب‌وکار و اقتصاد، آموزش، مهندسی، علوم محیط‌زیست، پزشکی، داروسازی و فارماکولوژی، روانشناسی و بهداشت عمومی) تصویری کلی و مقایسه‌ای از وضعیت روش‌شناسی متاآنالیزها ارائه دهند. این تیم می‌خواست بداند که متاآنالیزها در رشته‌های مختلف چگونه طراحی و اجرا می‌شوند، چه شباهت‌ها و تفاوت‌هایی دارند و تا چه اندازه با استانداردها و توصیه‌های روش‌شناسی همخوانی دارند. مخصوصاً تمرکز آن‌ها بر روی موضوعاتی مثل اندازه نمونه‌ها، نوع اندازه اثر (Effect Size)، توجه به مطالعات منتشرنشده، استفاده از روش‌های آماری و بررسی سوگیری انتشار بود. پژوهشگران برای هر رشته، 100 متاآنالیز انتخاب کردند (در کل 1000 تا) و همچنین برای جلوگیری از غلبه یک نشریه خاص، حداکثر ۱۰ مقاله از هر ژورنال انتخاب نمودند. بهتر است متن کامل مقاله را بخوانید با این حال در ادامه نتایج مهم این مطالعه آمده است: اندازه متاآنالیزها: در رشته‌های پزشکی و داروسازی بیشتر متاآنالیزها خیلی کوچک‌اند؛ معمولاً فقط بین 10 تا 20 مطالعه در آن‌ها بررسی می‌شود. در مقابل، در رشته‌های علوم اجتماعی مثل اقتصاد و روانشناسی متاآنالیزها خیلی بزرگ‌تر هستند؛ گاهی صدها مطالعه را در یک تحقیق کنار هم می‌گذارند. وابستگی داده‌ها: در خیلی از متاآنالیزها، یک مطالعه فقط یک پیامد نمی‌دهد؛ بلکه چند پیامد یا برآورد مختلف دارد. بیش از نصف متاآنالیزها چنین وضعیتی دارند. اما بیشتر پژوهشگران این موضوع را نادیده می‌گیرند و همه پیامدها را طوری حساب می‌کنند که انگار از مطالعات کاملاً مستقل آمده‌اند. این کار می‌تواند باعث شود نتایج نهایی دقیق نباشند و گاهی حتی گمراه‌کننده شوند. استفاده از مطالعات منتشرنشده: در کل فقط حدود یک‌سوم متاآنالیزها منابع خاکستری (مثل پایان‌نامه‌ها یا گزارش‌ها) را وارد می‌کنند. این رقم در روانشناسی و اقتصاد بالاست (60-70 درصد) اما در پزشکی و زیست‌شناسی بسیار کم (زیر 20 درصد). انواع اندازه اثر (Effect Size): پزشکی و زیست‌شناسی بیشتر از نسبت‌ها (Odds Ratio, Risk Ratio) استفاده می‌کنند. روانشناسی و آموزش بیشتر از تفاوت میانگین‌ها (Cohen’s d) و اقتصاد بیشتر از همبستگی‌ها و ضرایب رگرسیونی. روش‌های آماری: مدل اثرات تصادفی (Random Effects) غالب است (80 درصد موارد). روش‌های پیشرفته مثل مدل‌های چندسطحی یا بیزین کمتر از 10 درصد استفاده می‌شوند. ناهمگنی (Heterogeneity): تقریباً همه رشته‌ها سطوح بالایی از ناهمگنی دارند (I² اغلب بالای 75 درصد)، اما کمتر از نصف مطالعات از متارگرسیون برای بررسی دلایل این تفاوت‌ها استفاده می‌کنند. سوگیری انتشار (Publication Bias): حدود 70 درصد متاآنالیزها آن را بررسی کرده‌اند، اما فقط در 30 درصد شواهدی از آن یافتند. متداول‌ترین ابزار، نمودار قیفی و تست رگرسیون Egger است. نرم‌افزار: بیشتر از R و Stata استفاده می‌شود؛ در پزشکی و داروسازی RevMan رایج است. نویسندگان چند توصیه داشته‌اند: 1. استفاده بیشتر از متارگرسیون و روش‌های چندمتغیره برای بررسی ناهمگنی. 2. اصلاح روش‌های وزن‌دهی در مواردی که اندازه اثر وابسته به واریانس است (مثلاً همبستگی‌ها). 3. گنجاندن مطالعات منتشرنشده برای کاهش سوگیری انتشار. 4. گزارش شفاف‌تر ناهمگنی (گزارش هم I² و هم τ²) 5. استفاده از روش‌های آماری پیشرفته‌تر برای داده‌های وابسته. 6. به‌کارگیری نرم‌افزارهای اوپن سورس و قابل بازتولید (مثل R) برای ارتقای شفافیت نویسندگان نتیجه گرفتند که متاآنالیزها در رشته‌های مختلف از نظر اندازه، نوع داده‌ها و روش‌های آماری تفاوت زیادی دارند و در بسیاری موارد با بهترین شیوه‌های توصیه‌شده فاصله دارند. این مطالعه در 2 اکتبر 2025 در مجله Research Synthesis Methods منتشر شده است: What can we learn from 1,000 meta-analyses across 10 different disciplines? #meta_analysis #evidence_synthesis #methodology 🆔 @irevidence