3347
دستیار هوش مصنوعی برای پژوهشگران دسترسی به منابع علمی، پیشنهاد ژورنال، داوری هوشمند، چت‌بات علمی چندزبانه با پاسخ‌های رفرنس‌دار، ابزارهای همکاری گروهی support@scinito.ai
هویت آشکار داوران در داوری همتا
پیش به‌سوی شفافیت یا حرکت با احتیاط؟
بخش دوم
ناشران چه تجربه‌ای داشته‌اند؟
ژورنال BMJ: شفاف، اما با چالش
🔹این مجله از نخستین مجلاتی بود که هویت داوران را آشکار و گزارش‌های داوری را منتشر کرد. مطالعات این مجله نشان داد که کیفیت فنی داوری تغییر چندانی نکرد، اما لحن داوری‌ها کمی سازنده‌تر شد و در عین حال، تمایل به داوری کاهش یافت. با وجود این، BMJ همچنان این مدل شفاف را ادامه داده است.
ژورنال Nature: اعتبار بدون انتشار گزارش
🔹مجله Nature مسیر متفاوتی را انتخاب کرده است. در این مدل، نام داوران (با رضایت دوطرفه) هنگام انتشار مقاله اعلام می‌شود، اما متن داوری‌ها منتشر نمی‌شود. حدود ۸۰٪ مقالات Nature دست‌کم نام یک داور را دارند. این تجربه بیشتر نشان‌دهنده تمایل داوران به دریافت اعتبار است تا تأثیر مستقیم بر کیفیت داوری.
مجله PeerJ: داوری امضاشده، نقدهای مثبت‌تر
🔹بررسی داده‌های PeerJ نشان می‌دهد داورانی که داوری خود را امضا می‌کنند، معمولاً گزارش‌های مثبت‌تر و ذهنی‌تری می‌نویسند. اگرچه این داده‌ها محدود است، اما نشان می‌دهد فشار اجتماعی می‌تواند بر صراحت نقد اثر بگذارد.
مجله PLOS: انتشار داوری، انتخاب با داور
🔹مجله PLOS گزارش‌های داوری را منتشر می‌کند، اما انتخاب آشکار یا پنهان بودن هویت را به داوران واگذار کرده است. داده‌ها نشان می‌دهد میزان داوری امضاشده در رشته‌های مختلف متفاوت است؛ بیشترین میزان در مجلات پزشکی دیده می‌شود. در مجموع، حدود یک‌پنجم مقالات داوری‌شده در PLOS دست‌کم یک داوری امضاشده دارند.
🔹در مقابل، استقبال از ثبت اعتبار داوری در ORCID بسیار بالاست؛ تقریباً نیمی از داوران این گزینه را فعال کرده‌اند.
داوری خارج از مجلات: نقش پیش‌چاپ‌ها
🔹با رشد سرورهای پیش‌چاپ مانند bioRxiv، داوری همتا دیگر محدود به مجلات نیست. بیشتر بازخوردها هنوز خصوصی‌اند، اما بحث‌های عمومی با هویت آشکار به‌ویژه در شبکه‌هایی مانند Twitter/X رو به افزایش است.
🔹سازمان‌هایی مانند PREreview نیز به پژوهشگران جوان اجازه می‌دهند به‌صورت گروهی نظر بدهند؛ رویکردی که می‌تواند ریسک فردی را کاهش دهد. اگرچه تأثیر مستقیم این فضاها بر تصمیم‌های مجلات هنوز به‌خوبی مطالعه نشده، اما نشان‌دهنده تغییر مهمی در فرهنگ داوری است.
🆔@SCINITOAI_IRAN
چرا سنجش استفاده و تاثیر کتابهای دسترسی آزاد تا امروز ممکن نبود؟
تحولات فنی و نهادی قابل توجه اخیر که باید بدانید
بخش سوم
از اشتراک داده تا «قابل فهم کردن» آنها
🔸 البته اشتراک داده به‌تنهایی کافی نیست. داده‌ها زمانی ارزشمند می‌شوند که بتوان آنها را یکپارچه، قابل فهم و قابل استفاده کرد. دقیقاً در همین نقطه است که ابزارهای تحلیلی و داشبوردها وارد عمل می‌شوند.
🔸یکی از نمونه‌های شاخص در این زمینه، Book Analytics Dashboard (BAD) است؛ پروژه‌ای با حمایت بنیاد ملون و هدایت Curtin Open Knowledge Initiative (COKI) با همکاری OAPEN و Educopia.
در این پروژه:
▪️ داده‌های استفاده از کتاب‌ها از منابع مختلفی مانند OAPEN، Google Books، Fulcrum، Crossref Event Data و JSTOR گردآوری و استانداردسازی می‌شوند
▪️ این داده‌ها در قالب یک داشبورد ساده و قابل فهم نمایش داده می‌شوند
▪️ ناشران می‌توانند به‌راحتی این اطلاعات را با نویسندگان، کتابخانه‌ها و سایر ذی‌نفعان به اشتراک بگذارند
🔸 نمونه اولیه این داشبورد هم‌اکنون توسط University of Michigan Press و پروژه Big Ten Open Books مورد استفاده قرار گرفته است؛ نشانه‌ای روشن از اینکه این ابزارها از مرحله آزمایشی عبور کرده‌اند و وارد استفاده عملی شده‌اند.
فراتر از تعداد دانلود: تصویر کامل‌تر از استفاده و تأثیر
🔸 گام بعدی در این مسیر، عبور از نگاه تک‌بعدی به «تعداد دانلود» است. برخی پروژه‌ها تلاش کرده‌اند تصویر کامل‌تری از استفاده و تأثیر کتابهای دسترسی آزاد ارائه دهند.
🔸نمونه مهم در این زمینه، OPERAS Metrics است؛ پروژه‌ای با تأمین مالی اتحادیه اروپا و مدیریت OPERAS، یک انجمن بین‌المللی غیرانتفاعی فعال در حوزه علوم انسانی و اجتماعی.
در OPERAS Metrics:
▪️ شناسه‌های کتاب (ISBN و DOI) نرمال‌سازی می‌شوند
▪️ داده‌های استفاده از پلتفرم‌هایی مانند Google Books، OAPEN و UPLOpen جمع‌آوری می‌شوند
▪️ علاوه بر بازدید و دانلود، شاخص‌هایی مانند استنادها و حضور کتاب در ویکی‌پدیا نیز رصد می‌شوند
▪️ همه این داده‌ها از طریق یک نقطه دسترسی واحد قابل مشاهده و تحلیل هستند
🔸 بخش قابل توجهی از کد این سرویس توسط Ubiquity Press و Open Book Publishers توسعه یافته و هم‌اکنون برای نمایش شاخص‌های استفاده از کتاب‌ها در UPLOpen و وب‌سایت Open Book Publishers به کار می‌رود.
🆔@SCINITOAI_IRAN
چرا سنجش استفاده و تاثیر کتابهای دسترسی آزاد تا امروز ممکن نبود؟
تحولات فنی و نهادی قابل توجه اخیر که باید بدانید
بخش اول
🔸در سال‌های اخیر، «دسترسی آزاد» (Open Access) به یکی از مهم‌ترین تحولات نشر علمی تبدیل شده است. در این میان، کتابهای علمی دسترسی آزاد به‌ویژه در حوزه علوم انسانی و اجتماعی نقش مهمی در گسترش دانش ایفا می‌کنند.
🔹اما یک پرسش اساسی همچنان باقی است: چگونه می‌توان میزان استفاده، دیده‌شدن و تأثیر واقعی این کتاب‌ها را به‌درستی و منصفانه سنجید؟
برخلاف تصور رایج، پاسخ به این سؤال ساده نیست. کتاب‌ها برخلاف مقالات مجلات علمی، مسیرهای انتشار و مصرف بسیار متنوعی دارند.
همین موضوع باعث شده که سنجش میزان استفاده از آنها به یک چالش جدی تبدیل شود. با این حال، در سال‌های اخیر، جامعه نشر علمی گام‌های مهمی برای حل این مسئله برداشته است.
نتیجه این وضعیت روشن است:
ردیابی دقیق میزان استفاده از کتابهای دسترسی آزاد بسیار دشوار است.
نقدی بر اصطلاح «پول موجود» در میان مدیران کتابخانه‌ها و دانشگاه‌ها در حوزه نشر علمی دنیا
در سال‌های اخیر، مدل‌های نشر دسترسی آزاد مانند Subscribe-to-Open (S2O) و Diamond با وعده‌ای جذاب مطرح شده‌اند: انتشار علم بدون پرداخت هزینه از سوی خواننده.
منطق اصلی این رویکردها ساده و در نگاه اول قانع‌کننده است؛ اینکه پول لازم برای نشر علمی «همین حالا» در سیستم وجود دارد و فقط باید مسیر آن را از حق اشتراک به حمایت از دسترسی آزاد تغییر داد.
نکته کلیدی اینجاست که در هر سه حالت، پولی که قبلاً برای دسترسی اجتناب‌ناپذیر خرج می‌شد، حالا به یک منبع قابل‌مذاکره تبدیل می‌شود؛ منبعی که می‌تواند برای نیازهای دیگر دانشگاه مصرف شود و این تبدیل به چالش اصلی کتابخانه‌های دانشگاهی دنیا شده است. این تغییر، به جای حل مسئله پایداری مالی نشر، خود می‌تواند منبعی از مشکل تازه باشد.
اما این حمایت تنها تا زمانی دوام دارد که مؤسسه پشتیبان یعنی دانشگاه احساس کند این بهترین استفاده از بودجه محدود آن است.
🔹سهم خروجی‌های دارای پیش‌چاپ در رشته‌های علمی مختلف و کشورهای گوناگون اروپایی طی سال‌های ۲۰۲۱ تا ۲۰۲۲. این آمار تنها برای کشورهایی ارائه شده است که در هر رشته حداقل ۵۰ خروجی داوری‌شده داشته‌اند.
🆔@SCINITOAI_IRAN
خروج ایالات متحده از یونسکو و آینده علم باز: چالشی ژئوپلیتیکی برای زیرساخت‌های دانش جهانی
علم باز در تقاطع سیاست و دانش
🔹علم باز (Open Science) با هدف دموکراتیزه‌کردن دانش علمی شکل گرفته است؛ جنبشی که دسترسی آزاد به مقالات، داده‌ها، نرم‌افزارها و فرایندهای پژوهشی را حق همگانی می‌داند. یونسکو در سال ۲۰۲۱ با تصویب «توصیه‌نامه علم باز»، چارچوبی جهانی برای تحقق این آرمان ارائه کرد که بر ارزش‌هایی چون کیفیت و سلامت علمی، منفعت جمعی، عدالت، تنوع و فراگیری تأکید دارد.
🔹با این حال، خروج ایالات متحده از یونسکو در سال ۲۰۲۵، پرسش‌های جدی درباره آینده این توصیه‌نامه و میزان تعهد عملی کشورها به‌ویژه قدرت‌های علمی بزرگ به ارزش‌های علم باز ایجاد کرده است.
نقش ایالات متحده در اکوسیستم علم باز
🔹پیش از خروج از یونسکو، ایالات متحده یکی از بازیگران اصلی در توسعه و ترویج علم باز بود. سرمایه‌گذاری‌های دولتی، ابتکارهای جامعه‌محور و خدمات تجاری این کشور نقش مهمی در شکل‌گیری زیرساخت‌های علم باز ایفا کرده‌اند. اعلام «سال علم باز» توسط ناسا در سال ۲۰۲۳ و برنامه‌های گسترده آموزش و ظرفیت‌سازی در این حوزه، نمونه‌ای روشن از این نقش فعال است.
🔹با وجود این سابقه، تغییر جهت سیاست‌های داخلی و خارجی دولت ترامپ، به‌ویژه در حوزه تحریم‌ها، مهاجرت علمی و کاهش حمایت از برنامه‌های تنوع و شمول، نشان می‌دهد که تعهد نهادی به ارزش‌های علم باز می‌تواند به‌سرعت تحت تأثیر سیاست قرار گیرد.
تمرکز زیرساخت‌های علم باز و مسئله نابرابری جهانی
🔹مطالعات متعدد نشان داده‌اند که بخش عمده‌ای از زیرساخت‌های حیاتی علم باز از پایگاه‌های داده و مخازن پژوهشی گرفته تا سرورهای پیش‌چاپ و پلتفرم‌های نرم‌افزاری در ایالات متحده متمرکز شده‌اند. این تمرکز جغرافیایی، اگرچه از منظر کارایی فنی قابل‌درک است، اما از منظر عدالت علمی و حکمرانی جهانی دانش، چالش‌برانگیز محسوب می‌شود.
🔹وابستگی شدید به زیرساخت‌هایی که تحت قوانین ملی یک کشور اداره می‌شوند، علم جهانی را در برابر تحریم‌ها، محدودیت‌های مالی، ژئوبلاکینگ و تصمیمات سیاسی آسیب‌پذیر می‌کند. در چنین شرایطی، دسترسی برابر به علم که یکی از اصول بنیادین علم باز است به‌شدت خدشه‌دار می‌شود.
شناسه دیجیتالی اشیا به‌عنوان نمونه‌ای گویا از مسئله زیرساخت
🔹شناسه دیجیتالی اشیا (DOI) یکی از ستون‌های اصلی علم باز مدرن است. DOIها امکان شناسایی پایدار و بلندمدت مقالات، داده‌ها و نرم‌افزارهای علمی را فراهم می‌کنند و نقش حیاتی در قابلیت بازیابی و استناد علمی دارند.
🔹با این حال، صدور DOI توسط تعداد محدودی از سازمان‌ها، از جمله Crossref و DataCite، انجام می‌شود که هر دو ملزم به رعایت تحریم‌های اقتصادی ایالات متحده هستند. نتیجه آن است که ناشران و پژوهشگران برخی کشورها از جمله ایران، کوبا، سوریه و کره شمالی عملاً از ثبت DOI برای تولیدات علمی خود محروم می‌شوند. این محدودیت‌ها صرفاً فنی نیستند، بلکه پیامدهای عمیق علمی دارند: پژوهشی که DOI ندارد، کمتر دیده می‌شود، کمتر استناد می‌گیرد و در حافظه بلندمدت علم جهانی جایگاه ضعیف‌تری خواهد داشت.
تعارض میان حاکمیت ملی و جنبش جهانی علم باز
🔹قرار گرفتن نام کشورهایی مانند کوبا در فهرست تحریم‌ها، در حالی که اتحادیه اروپا و بریتانیا تحریم مالی علیه آنها ندارند، نشان می‌دهد که سیاست خارجی یک کشور می‌تواند دسترسی جهانی به زیرساخت‌های دانش را تعیین کند. این مسئله زمانی نگران‌کننده‌تر می‌شود که آن کشور دیگر عضو یونسکو نباشد، اما همچنان کنترل عملی بر بخش بزرگی از زیرساخت‌های علم باز را در اختیار داشته باشد.
این وضعیت پرسشی بنیادین را مطرح می‌کند:
آیا یک کشور واحد باید بتواند تعیین کند چه کسانی مجاز به مشارکت در یک جنبش جهانی علمی هستند؟
«خروج به نفع جامعه» (Exit to Community) مدلی از حاکمیت و مالکیت است که در آن، هنگام واگذاری یا تغییر نقش بنیان‌گذاران یک زیرساخت یا پلتفرم، به‌جای فروش یا انتقال کنترل به نهادهای تجاری یا دولتی، مالکیت و تصمیم‌گیری به‌صورت جمعی به جامعه کاربران و ذی‌نفعان آن سپرده می‌شود تا استقلال، پایداری بلندمدت و هم‌سویی با ارزش‌های علم باز حفظ گردد.
وبینار "مسیر پژوهش تخصصی و تحلیل پیشرفته با هوش مصنوعی"
سناریوهای کاربردی و تخصصی برای پژوهشگران و کتابداران با SCiNiTO AI
آموزش قوانین و نحوه افشای استفاده از هوش مصنوعی در پژوهش
برگزاری کارگاه آموزشی در دانشگاه خوارزمی
🔹کارگاه آموزشی SCiNiTO AI به همت کتابخانه مرکزی دانشگاه خوارزمی و با حضور جمعی از علاقه‌مندان، روز ۸ آذر ۱۴۰۴ در کتابخانه مرکزی پردیس کرج دانشگاه خوارزمی برگزار شد.
🔸در این کارگاه، بخش‌های مختلف از جمله قابلیت‌های متنوع محصول و نقش SCiNiTO AI در مراحل گوناگون چرخه پژوهش آموزش داده شد.
🆔@SCINITOAI_IRAN
بازآفرینی نشر علمی در عصر هوش مصنوعی
انتشار و کشف محتوا: از کلیک تا بهینه‌سازی برای هوش مصنوعی
🔹رفتار مخاطبان و مصرف محتوای علمی به سرعت در حال تغییر است. بیش از ۴۰٪ کاربران اکنون ترجیح می‌دهند جستجوی خود را از طریق سیستم‌های هوش مصنوعی مولد (Generative AI) انجام دهند تا پاسخ سریع و هدفمند به پرسش‌های علمی خود دریافت کنند. در چنین محیطی، بهینه‌سازی هوش مصنوعی مولد (Generative Engine Optimization – GEO) اهمیت حیاتی پیدا می‌کند.
بهینه‌سازی هوش مصنوعی مولد (GEO) چیست؟
▪️بهینه‌سازی هوش مصنوعی مولد مجموعه‌ای از روش‌ها و اقدامات است که محتوای علمی را به گونه‌ای آماده می‌کند تا سیستم‌های هوش مصنوعی بتوانند آن را شناسایی، پردازش و در پاسخ‌ها استفاده کنند. به بیان دیگر، وقتی یک مدل هوش مصنوعی پرسشی را پاسخ می‌دهد، محتوای ساختارمند، با فرمت استاندارد و دقیق، شانس بیشتری دارد که در نتایج ظاهر شود و مورد استفاده قرار گیرد.
بازآفرینی نشر علمی در عصر هوش مصنوعی
ضرورت بازآفرینی نشر
صنعت نشر علمی با فشارهای چندگانه‌ای مواجه است.
▪️تعداد مقالات علمی سالانه به شکل قابل توجهی افزایش یافته و رشد همکاری‌های بین‌رشته‌ای، ابزارهای پژوهشی سریع و حتی ظهور مقالات کم‌کیفیت یا تولیدشده توسط «کارخانه‌های مقاله» چالش‌های تازه‌ای ایجاد کرده‌اند.
▪️همزمان، داوری همتا ظرفیت محدودی دارد و روش‌های سنتی نمی‌توانند با حجم و سرعت تولید دانش همگام شوند.
هوش مصنوعی اکنون فراتر از ابزارهای ساده جستجو و پردازش متن عمل می‌کند و می‌تواند به عنوان یک شریک هوشمند و فعال در فرآیند نشر ایفای نقش کند. این تغییرات نشان می‌دهند که افزودن قابلیت‌های AI به سیستم‌های سنتی کافی نیست؛ بلکه لازم است کل چرخه نشر بازطراحی شود تا همکاری انسان و هوش مصنوعی بهینه، مسئولانه و مقیاس‌پذیر باشد.
تحلیل داده‌های STM و روندهای جهانی مدل‌های انتشار
مدل پولی هنوز پادشاه نشر علمی است
همین اصل درباره مدل‌های انتشار نیز صادق است. تنوع در این حوزه به نظام علمی انعطاف‌پذیری، پایداری و ظرفیت سازگاری می‌بخشد.
▪️وجود مدل‌های مختلف دسترسی آزاد و پولی، امکان اصلاح تدریجی ساختارها و بهبود هر مدل را فراهم می‌کند: هر مدل می‌تواند نقاط ضعف خود را کاهش دهد و قابلیت‌هایش برای گروه‌های مختلف پژوهشگران و ذی‌نفعان تقویت شود. تلاش برای یک‌دست‌سازی کامل نظام نشر، نه تنها با پیچیدگی‌های واقعی پژوهش سازگار نیست، بلکه می‌تواند کارکردهای حیاتی برخی مدل‌ها را نیز تضعیف کند و انعطاف اکوسیستم علمی را کاهش دهد.
در نهایت، میزان کارآمدی هر سیاست یا رویکرد زمانی سنجیده می‌شود که بیشترین منفعت را برای بیشترین تعداد افراد با حداقل هزینه و محدودیت به همراه داشته باشد.
▪️آینده ارتباطات علمی نه در تحمیل یک مدل واحد، بلکه در مدیریت هوشمندانه تنوع و ایجاد توازن میان قالب‌ها و مدل‌های مختلف انتشار شکل خواهد گرفت و موفقیت پایدار نظام نشر جهانی به همین انعطاف، تنوع و هماهنگی میان گزینه‌های موجود وابسته است.
تحلیل داده‌های STM و روندهای جهانی مدل‌های انتشار
مدل پولی هنوز پادشاه نشر علمی است
تحلیل داده‌های STM حاکی از آن است که این روندها پیچیدگی و تنوع چشمگیر نظام نشر علمی را بازتاب می‌دهند و نشان می‌دهند که دسترسی آزاد هنوز به طور یکپارچه و فراگیر در تمام حوزه‌ها تحقق نیافته است.
▪️مسیر طلایی به عنوان یک مدل تجاری موفق توانسته است مزایای اقتصادی و دسترسی را ترکیب کند و به سرعت در حال رشد است، در حالی که مسیرهای سبز و برنزی همچنان محدود و کم‌تأثیر باقی مانده‌اند
این تحولات به خوبی نشان می‌دهند که آینده دسترسی آزاد در قالب ترکیبی از مدل‌ها شکل خواهد گرفت، نه تنها به واسطه یک مسیر واحد.
▪️بررسی تحولات عرصه نشر علمی نشان می‌دهد که طی سال‌های اخیر، انتشار با دسترسی آزاد به بخشی مهم و تأثیرگذار از جریان ارتباطات پژوهشی تبدیل شده است. بسیاری از نهادها، مؤسسات علمی، سازمان‌های تأمین مالی و ذی‌نفعان مختلف، به روش‌های گوناگون از افزایش دسترسی به نتایج پژوهش حمایت کرده‌اند و همین روند باعث شده است که سهم OA در تولید علمی جهانی به‌طور قابل توجهی افزایش یابد و در بسیاری از حوزه‌ها نقش محوری پیدا کند.
▪️با این حال، این رشد به معنای شکل‌گیری یک نظام الزام‌آور و عمومی برای دسترسی آزاد نیست.
سیاست‌ها و دستورالعمل‌هایی که در سطح سازمان‌ها، دانشگاه‌ها یا ساختارهای ملی اتخاذ شده‌اند بیشتر بر تشویق، تسهیل و ایجاد گزینه‌های متنوع برای پژوهشگران تمرکز داشته‌اند و کمتر به سمت ایجاد الزام کامل پژوهشگران به انتشار آزاد حرکت کرده‌اند.
▪️به همین دلیل، می‌توان نتیجه گرفت که دسترسی آزاد در حال گسترش است، اما هنوز به‌عنوان یک قاعده اجباری و فراگیر در نظام علمی جهان تثبیت نشده است.
تحلیل داده‌های STM و روندهای جهانی مدل‌های انتشار
مدل پولی هنوز پادشاه نشر علمی است
گزارش انجمن بین‌المللی ناشران علمی، فنی و پزشکی (STM) تصویری روشن و جامع از تحولات اخیر در بازار نشر علمی ارائه می‌کند و روندهای مهمی را در نحوه انتشار پژوهش‌ها و سهم انواع مدل‌ها نشان می‌دهد.
داده‌های این گزارش نشان می‌دهد که مدل انتشار مبتنی بر دسترسی پولی همچنان ستون اصلی و غالب نظام نشر علمی جهانی است.
▪️این مدل، حتی پس از کاهش جزئی در سهم خود در نیمه دهه ۲۰۱۰، در سال‌های بعد به‌تدریج موقعیت پیشین خود را بازیافته و تثبیت کرده است.
▪️روندها نشان می‌دهند که بین سال‌های ۲۰۲۳ و ۲۰۲۴ نرخ رشد انتشار مبتنی بر پرداخت افزایش قابل توجهی داشته و این امر نشان‌دهنده تداوم پایداری و استقبال از مدل پولی در سطح جهانی است.
▪️بر اساس آمار سال ۲۰۲۴، مدل مبتنی بر پرداخت همچنان بزرگ‌ترین بخش از تولیدات پژوهشی جهان را در اختیار دارد و نقش کلیدی خود را در زیست‌بوم نشر علمی حفظ کرده است.
در کنار این روند، گزارش STM نشان می‌دهد که مدل هزینه پردازش مقاله (APC) به عنوان موتور اصلی گسترش دسترسی آزاد (OA) عمل کرده است و نقشی بسیار پررنگ در افزایش سهم OA در تولیدات علمی داشته است.
▪️در این چارچوب، انتشار طلایی (Gold OA) رشد چشمگیری تجربه کرده و سهم آن در بازار اکنون به مرز نزدیک شدن به سهم نشریات پولی رسیده است، موضوعی که نشان‌دهنده تحول قابل توجهی در نحوه انتشار پژوهش‌ها و تأثیرگذاری مدل طلایی در گسترش دسترسی آزاد است.
در مقابل، دو مدل دیگر دسترسی آزاد، یعنی سبز (Green) و برنزی (Bronze)، طی سال‌های اخیر نه تنها در سطحی پایین باقی مانده‌اند بلکه در برخی بازه‌ها روندی نزولی نیز تجربه کرده‌اند.
▪️این تفاوت‌ها نشان می‌دهد که رشد دسترسی آزاد به طور عمده تحت تأثیر مسیر طلایی بوده و سهم مدل‌های دیگر نتوانسته تأثیر قابل ملاحظه‌ای در بازار داشته باشد.
وقتی هوش مصنوعی با عینک غربی به دنیا نگاه می‌کند
چرا مدل‌های هوش مصنوعی آسیای جنوبی را اشتباه می‌بینند؟
بخش دوم
طبقه‌بندی سه‌گانه سوگیری‌ها
🔹مقاله یک چارچوب جامع برای دسته‌بندی سوگیری‌ها ارائه می‌دهد که به سه دسته اصلی تقسیم شده:
۱. سوگیری‌های مرتبط با هویت
درباره جنسیت و مردسالاری: نویسندگان نشان می‌دهند که مدل‌های زبانی و بینایی نقش زنان آسیای جنوبی را محدود به ازدواج و فرزندآوری می‌بینند. مقاله به تحقیقاتی اشاره می‌کند که نشان داده متن‌های تولیدشده توسط هوش مصنوعی، زنان مجرد یا بدون فرزند را با اصطلاحات توهین‌آمیز برچسب می‌زنند.
مسئله طبقه‌بندی اجتماعی/قشر: یکی از بخش‌های مهم مقاله به سلسله‌مراتب اجتماعی اختصاص دارد. محققان توضیح می‌دهند که مدل‌ها سلسله‌مراتب‌های بالا را با نقش‌های کاهنی و مقدس و سلسله‌مراتب‌های پایین را با کارهای دستی و خدماتی مرتبط می‌سازند. این دقیقاً همان الگوی تبعیض‌آمیزی است که قرن‌هاست با آن مبارزه می‌شود.
تعصب مذهبی: مقاله به مطالعه‌ای اشاره می‌کند که نشان داده مدل‌ها اغلب مسلمانان را با خشونت و افراط‌گرایی و هندوها را با کلیشه‌های استعماری قدیمی مرتبط می‌سازند.
رنگ‌پرستی: نویسندگان خاطرنشان می‌کنند که مدل‌ها "زیبایی" را با پوست روشن برابر می‌دانند و افراد تیره‌پوست را کمتر یا در موقعیت‌های نامطلوب نشان می‌دهند.
۲. سوگیری‌های مرتبط با بازنمایی
تصویر فقیرانه: مقاله مثال‌های مشخصی می‌زند. مثلاً تصاویر بمبئی که تأکید بر فقر دارند، یا تصاویر پیشاور که فاقد میراث معماری آن هستند و فقط خیابان‌های خاکی و ریکشا (سه‌چرخه) نشان می‌دهند.
بازنمایی ابتدایی: محققان به ممیزی سوگیری یک مدل بینایی اشاره می‌کنند که نشان داده کلمه "قبیله‌ای" تقریباً انحصاراً با تصاویر مردم هند و "وحشیانه" انحصاراً با تصاویر افراد خاورمیانه‌ای مرتبط شده.
کلیشه تروریسم: یکی از یافته‌های تکان‌دهنده مقاله این است که مدل‌ها تصاویر "تروریست" را عمدتاً با مردان قهوه‌ای‌پوست با ریش و لباس سنتی مرتبط می‌کنند، و تقریباً هیچ تصویری از "تروریست" به‌عنوان مرد سفیدپوست ظاهر نمی‌شود.
غریب‌سازی: نویسندگان توضیح می‌دهند که مدل‌ها آسیای جنوبی را به‌عنوان مکانی عجیب، آشفته و اساساً متفاوت نشان می‌دهند - با تأکید بر صحنه‌هایی مثل گاوها در خیابان یا زنان با جواهرات سنگین.
۳. سوگیری‌های مرتبط با داده
همگن‌سازی: مقاله تأکید می‌کند که آسیای جنوبی شامل هشت کشور، ده‌ها زبان اصلی و صدها گروه قومی است، اما مدل‌ها اغلب آن را به‌عنوان یک کل یکپارچه در نظر می‌گیرند.
کم‌بازنمایی: نویسندگان خاطرنشان می‌کنند که کشورهای کوچک‌تر مانند نپال یا بوتان تقریباً هیچ بازنمایی مستقیمی در داده‌های آموزشی ندارند.
🆔@SCINITOAI_IRAN
این کارگاه ویژه کتابداران و اعضای محترم مرکز اطلاع‌رسانی، کتابخانه و نشر دانشگاه صنعتی امیرکبیر است.
Читать полностью…
هویت آشکار داوران در داوری همتا
پیش به‌سوی شفافیت یا حرکت با احتیاط؟
بخش اول
🔹داوری همتا یکی از ارکان اصلی اعتماد به پژوهش علمی است؛ فرایندی که کیفیت علم منتشرشده را تضمین می‌کند، اما معمولاً پشت درهای بسته انجام می‌شود.
در سال‌های اخیر و همزمان با گسترش رویکرد «علم باز»، تلاش‌ها برای شفاف‌تر کردن داوری همتا افزایش یافته است. انتشار گزارش‌های داوری، اختصاص DOI به آنها و حتی آشکار کردن هویت داوران، از جمله اقداماتی هستند که در این مسیر مطرح شده‌اند.
با وجود این روند رو به رشد، یک پرسش اساسی همچنان بی‌پاسخ مانده است:
آیا آشکار بودن هویت داوران واقعاً به بهبود داوری کمک می‌کند یا می‌تواند پیامدهای ناخواسته‌ای برای انصاف و کیفیت علم داشته باشد؟
چرا سنجش استفاده و تاثیر کتابهای دسترسی آزاد تا امروز ممکن نبود؟
تحولات فنی و نهادی قابل توجه اخیر که باید بدانید
بخش دوم
تلاش‌های جمعی برای حل مسئله
🔸خبر خوب این است که این چالش‌ها نادیده گرفته نشده‌اند. در چند سال گذشته، ناشران، کتابخانه‌ها، پژوهشگران و توسعه‌دهندگان فناوری به این نتیجه رسیده‌اند که هیچ نهاد واحدی به‌تنهایی نمی‌تواند این مشکل را حل کند. راه‌حل، همکاری جامعه‌محور بوده است.
حرکت به سمت اشتراک مسئولانه داده‌ها
🔸یکی از پیشرفت‌های مهم در چند سال گذشته، تلاش برای ایجاد یک چارچوب اخلاقی و امن برای به‌اشتراک‌گذاری داده‌های استفاده از کتابهای دسترسی آزاد بوده است. در ابتدا ایده این بود که یک «اعتماد داده» (Data Trust) شکل گیرد؛ یعنی یک نهاد مرکزی که داده‌ها را جمع‌آوری و مدیریت کند و اعضا بتوانند به داده‌های نرمال‌شده دسترسی داشته باشند، بدون آنکه حریم خصوصی یا محرمانگی داده‌ها خدشه‌دار شود.
برای مثال، گزارش BISG با حمایت مالی بنیاد ملون در سال ۲۰۱۹، مفهوم Data Trust for OA eBook Usage را مطرح کرد. طبق این ایده:
▪️اعضای اعتماد داده توافق می‌کردند داده‌های استفاده از کتابهای دسترسی آزاد خود را با دیگر اعضا به اشتراک بگذارند
▪️دسترسی به داده‌ها از طریق داشبوردهای اختصاصی انجام می‌شد
▪️داده‌های حساس و محرمانه با رعایت کامل حریم خصوصی و ناشناس‌سازی ارائه می‌شدند
▪️امکان استخراج بخشی از داده‌ها برای تحلیل‌های مستقل، از طریق APIهای مشخص فراهم بود
🔸با گذشت زمان و پس از مشاوره‌های گسترده با ناشران، کتابخانه‌ها و پلتفرم‌ها، تمرکز پروژه‌ها به سمت یک فضای داده غیرمتمرکز تغییر یافت، که به آن Data Space گفته می‌شود. این مدل به همه اعضا اجازه می‌دهد مالکیت داده‌های خود را حفظ کنند، اما همچنان بتوانند داده‌ها را به شیوه‌ای امن و استاندارد با سایر مشارکت‌کنندگان به اشتراک بگذارند.
🔸نمونه عملی این رویکرد پروژه OA Book Usage Data Trust (OAEBUDT) با حمایت مالی بنیاد ملون است، که در سال ۲۰۲۵ یک نمونه اثبات مفهوم (Proof of Concept) از فضای داده ایجاد کرد.
🔸این فضای داده بر بستر AWS Cloud توسط شرکت Think-IT پیاده‌سازی شد و امکان تبادل آزمایشی داده‌ها میان ناشرانی مانند Ubiquity Press، University of Michigan Publishing، Punctum Books، JSTOR و LibLynx فراهم شد.
🔸به‌عبارت ساده، به جای اینکه یک نهاد تمام داده‌ها را کنترل کند، یک شبکه همکاری ایجاد شده است که همه اعضا هم مالک و هم مشارکت‌کننده هستند. این رویکرد هم امنیت و حریم خصوصی داده‌ها را تضمین می‌کند و هم امکان تحلیل و استفاده جمعی از داده‌ها را فراهم می‌آورد.
🆔@SCINITOAI_IRAN
📣 اطلاع‌رسانی
🔸ضمن تشکر و قدردانی از مشارکت ارزشمند شما در وبیناری که با همراهی ایرانداک در تاریخ 16 آذر 1404 برگزار شد، به اطلاع می‌رساند ویدیوی ضبط‌شده وبینار به همراه فایل ارائه و سایر محتوای تکمیلی، برای کلیه افرادی که در این وبینار ثبت‌نام کرده بودند، از طریق ایمیل ارسال شده است.
🔹در صورت عدم دریافت ایمیل، لطفاً پوشه‌های Spam / Junk را نیز بررسی فرمایید.
🔸با سپاس و آرزوی موفقیت و به امید دیدار دوباره شما در برنامه‌های آتی.
🆔@SCINITOAI_IRAN
سهم پیش‌چاپ‌ها در رشته‌های مختلف و کشورهای اروپایی
بخش دوم
وضعیت پیش‌چاپ در اروپا
🔹بررسی دقیق‌تر کشورهای اروپایی نشان می‌دهد که حتی در درون این قاره نیز تفاوت‌های قابل‌توجهی وجود دارد. کشورهای اروپای غربی و شمالی، از جمله سوئیس و کشورهای اسکاندیناوی، معمولاً نرخ بالاتری از پذیرش پیش‌چاپ را ثبت می‌کنند.
🔹در مقابل، کشورهای جنوب و شرق اروپا در بسیاری از رشته‌ها عقب‌تر هستند. این تفاوت‌ها می‌تواند بازتابی از سیاست‌های ملی علم باز، فرهنگ‌های پژوهشی، زیرساخت‌های نشر و میزان آگاهی پژوهشگران از مزایای پیش‌چاپ باشد
مطالعه موردی: هلند
🔹هلند یکی از نمونه‌های برجسته در اروپا از نظر پذیرش پیش‌چاپ به شمار می‌رود. با این حال، بررسی در سطح دانشگاهی نشان می‌دهد که حتی در این کشور نیز اختلاف‌های معناداری میان مؤسسات آموزش عالی وجود دارد. برخی دانشگاه‌ها در رشته‌های خاص، مانند فیزیک، ریاضیات یا علوم رایانه، سهم بالایی از خروجی‌های پیش‌چاپ‌شده دارند، در حالی که در همان رشته‌ها، دانشگاه‌های دیگر تقریباً از پیش‌چاپ استفاده نمی‌کنند.
🔹این تفاوت‌ها تا حد زیادی به ترکیب موضوعی پژوهش‌ها بازمی‌گردد. برای مثال، حوزه‌هایی مانند نجوم دارای سنتی دیرینه در استفاده از پیش‌چاپ هستند، در حالی که پژوهش‌های نزدیک به علوم پزشکی معمولاً محتاطانه‌تر با پیش‌چاپ برخورد می‌کنند. بنابراین، آمارهای کلی رشته‌ای گاهی ناهمگنی‌های درون‌رشته‌ای را پنهان می‌کنند.
راهبردهای ترویج پیش‌چاپ
🔹با وجود رشد اخیر، میزان پذیرش پیش‌چاپ در بسیاری از رشته‌ها همچنان پایین است و این امر می‌تواند انتشار به‌موقع دانش علمی را با چالش مواجه کند. مطالعات پیمایشی نشان می‌دهد که مؤثرترین راهکار برای ترویج پیش‌چاپ، ادغام آن در فرایندهای کاری مجلات علمی است؛ به‌گونه‌ای که ارسال همزمان مقاله به مجله و سرور پیش‌چاپ تسهیل شود.
🔹علاوه بر این، به‌رسمیت شناختن پیش‌چاپ‌ها در نظام‌های ارزیابی و پاداش‌دهی پژوهشگران، نقش مهمی در افزایش انگیزه استفاده از آنها دارد.
🔹در سطح ملی و نهادی، اقداماتی مانند تشویق رسمی به پیش‌چاپ، ارائه آموزش‌های هدفمند و تدوین راهنماهای عملی می‌تواند تأثیرگذار باشد. همچنین، درک تفاوت‌های فرهنگی و هنجاری میان رشته‌های مختلف برای طراحی سیاست‌های مؤثر، امری ضروری است.
🆔@SCINITOAI_IRAN
سهم پیش‌چاپ‌ها در رشته‌های مختلف و کشورهای اروپایی
بخش اول
پیش‌چاپ‌ها و تسریع انتشار علمی
🔹فرایند داوری همتا در مجلات علمی، اگرچه نقش اساسی در تضمین کیفیت پژوهش دارد، اغلب زمان‌بر است و می‌تواند انتشار یافته‌های علمی را ماه‌ها یا حتی سال‌ها به تعویق بیندازد.
🔹در چنین بستری، پیش‌چاپ‌ها (Preprints) به‌عنوان نسخه‌هایی از مقالات پژوهشی که پیش از داوری رسمی به‌صورت آزاد منتشر می‌شوند، به راهکاری مؤثر برای تسریع انتشار دانش تبدیل شده‌اند. پیش‌چاپ‌ها امکان دسترسی سریع، آزاد و گسترده به نتایج پژوهش را فراهم می‌کنند و می‌توانند به افزایش شفافیت، تعامل علمی و سرعت پیشرفت علم کمک کنند.
🔹محققان در یک مقاله پیش‌چاپ که در یکی از پایگاه‌های پیش‌چاپ علمی منتشر شده است، به بررسی و تحلیل وضعیت جهانی پیش‌چاپ‌ها پرداخته‌اند. در این مطالعه، الگوهای پذیرش پیش‌چاپ در رشته‌ها، مناطق جغرافیایی و نهادهای علمی مختلف مورد واکاوی قرار گرفته و تصویری کلان از جایگاه پیش‌چاپ در نظام نشر علمی معاصر ارائه شده است.
داده‌ها و رویکرد تحلیلی
🔹تحلیل‌های ارائه‌شده در این مقاله بر اساس داده‌های کتاب‌سنجی گسترده‌ای انجام شده است. در این رویکرد، درصد خروجی‌های داوری‌شده (شامل مقالات مجلات، کتاب‌ها و مجموعه‌مقالات کنفرانسی) که نسخه پیش‌چاپ متناظر دارند، به‌عنوان شاخصی برای سنجش میزان پذیرش پیش‌چاپ در نظر گرفته شده است.
🔹هرچند محدودیت‌هایی در پوشش داده‌ها و شناسایی کامل پیش‌چاپ‌ها وجود دارد، اما این داده‌ها تصویری قابل‌اتکا از الگوهای کلی و تفاوت‌های معنادار در پذیرش پیش‌چاپ ارائه می‌دهند.
الگوهای جهانی پذیرش پیش‌چاپ
🔹در مقیاس جهانی، پذیرش پیش‌چاپ به‌طور یکنواخت توزیع نشده است. کشورهای آمریکای شمالی و اروپای غربی و شمالی معمولاً سهم بالاتری از خروجی‌های پیش‌چاپ‌شده را به خود اختصاص می‌دهند، در حالی که بسیاری از کشورهای آفریقایی و آسیایی همچنان با نرخ‌های پایین‌تری از پذیرش پیش‌چاپ مواجه‌اند.
🔹از منظر رشته‌ای، فیزیک و ریاضیات پیشروترین حوزه‌ها در استفاده از پیش‌چاپ هستند و پس از آن علوم رایانه، علوم زمین، شیمی و مهندسی قرار می‌گیرند. در مقابل، در رشته‌هایی مانند پزشکی و برخی علوم اجتماعی، پیش‌چاپ هنوز به یک رویه رایج تبدیل نشده است.
🆔@SCINITOAI_IRAN
تحول SEO در نشر علمی: گذار از رویکردهای سنتی به نسل جدید
🔹کشف‌پذیری محتوا همواره یکی از دغدغه‌های اصلی ناشران و پژوهشگران بوده است. سئو طی دو دهه گذشته با هدف بهبود جایگاه محتوا در نتایج جستجو شکل گرفت و به‌تدریج به یکی از ارکان استراتژی‌های دیجیتال تبدیل شد. با این حال، ظهور هوش مصنوعی مولد مسیر جستجو را متحول کرده است. کاربران دیگر تنها به نتایج صفحه جستجو وابسته نیستند؛ بلکه از مدل‌های گفتگومحور می‌خواهند اطلاعات را تحلیل، ترکیب و به زبانی قابل‌فهم ارائه کنند. این تغییر بنیادین، پرسش‌های تازه‌ای درباره نحوه دستیابی به محتوای علمی قابل‌اعتماد ایجاد کرده است.
ساینیتو با همراهی ایرانداک برگزار می‌کند
وبینار "مسیر پژوهش تخصصی و تحلیل پیشرفته با هوش مصنوعی"
سناریوهای کاربردی و تخصصی برای پژوهشگران و کتابداران با SCiNiTO AI
آموزش قوانین و نحوه افشای استفاده از هوش مصنوعی در پژوهش
📣 اطلاعیه: برگزاری وبینار تخصصی جدید
🔸پس از برگزاری وبینار کشوری اول با عنوان «بهینه‌سازی پژوهش با هوش مصنوعی: تجربه‌ای جامع از چرخه کامل پژوهش با SCiNiTO AI» که با همراهی ایرانداک برگزار شد، به زودی وبینار دوم برگزار می‌شود. این وبینار تخصصی با همراهی ایرانداک و دانشگاه‌های مختلف برگزار می‌شود و شامل بررسی سناریوهای مختلف کاربردی پژوهشگران و کتابداران و تحلیل عمیق و تخصصی در بخش‌های مختلف پژوهش است.
🔹با توجه به سوالات و دغدغه‌هایی که از سمت پژوهشگران مطرح شده است، یکی از بخش‌های مهم این وبینار به شکل تخصصی به موضوع افشای استفاده از هوش مصنوعی در پژوهش اختصاص دارد. در این بخش، شیوه‌های صحیح افشا، نکات کاربردی و سناریوهای عملی در انجام مراحل مختلف پژوهش بررسی می‌شوند تا پژوهشگران بتوانند به شکل حرفه‌ای و مطابق با استانداردها و قوانین علمی این کار را انجام دهند.
🔹به زودی تاریخ برگزاری و جزئیات ثبت‌نام این وبینار اطلاع‌رسانی خواهد شد.
🆔@SCINITOAI_IRAN
بازآفرینی نشر علمی در عصر هوش مصنوعی
داوری همتا: تقویت قضاوت انسانی با هوش مصنوعی
🔹داوری همتا ستون کیفیت علمی است اما محدودیت‌های انسانی و کمبود ظرفیت، این فرآیند را کند کرده است. هوش مصنوعی می‌تواند نقش مکمل و تسهیل‌کننده داشته باشد:
▪️بررسی صحت ارجاعات، داده‌ها و کدهای ارائه‌شده
▪️ارائه ادبیات مرتبط و شناسایی مطالعات مشابه
▪️پالایش و خلاصه‌سازی بازخورد داوران و تشخیص نقاط توافق و اختلاف
🔹با پیشرفت هوش مصنوعی، ارزیابی نوآوری، اصالت، و روش‌شناسی پژوهش‌ها قابل انجام است. داوری مشترک انسان و هوش مصنوعی می‌تواند با سیاست‌ها و آموزش مناسب، همزمان دقت و اعتماد را افزایش دهد.
🔹علاوه بر این، قابلیت بازتولید تحلیل‌ها و کدها در محیط‌های sandbox و خودکارسازی پیام‌ها و رهگیری وضعیت، تجربه کاربری برای نویسندگان، داوران و سردبیران را بهبود می‌بخشد.
🔹تشویق و قدردانی از داوران نیز بخشی کلیدی است؛ از طریق سرویس‌های مختلف مانند Reviewer Credit و همچنین معیارهای ارتقای شغلی و سامانه‌های ردیابی پژوهش، انگیزه و شفافیت در داوری حفظ می‌شود.
تولید و آماده‌سازی محتوا: همکاری هوش مصنوعی و متخصصان انسانی
🔹در مرحله تولید و آماده‌سازی، هوش مصنوعی می‌تواند بسیاری از کارهای تکراری و زمان‌بر مانند ویرایش، صفحه‌آرایی و بازخوانی را انجام دهد. با این حال، تصمیمات نهایی و نظارت بر کیفیت باید توسط انسان انجام شود.
مزایای این مدل:
▪️تولید خروجی‌های چندزبانه با نظارت دقیق انسانی روی بخش‌های کلیدی
▪️ارائه قالب‌های دسترس‌پذیر و متن جایگزین برای تصاویر
▪️چکیده‌های گرافیکی و خلاصه‌های عمومی برای طیف گسترده مخاطبان
🔹این اقدامات هم سیگنال اعتماد برای خوانندگان ایجاد می‌کنند و هم قابلیت دیده شدن توسط سیستم‌های هوش مصنوعی را افزایش می‌دهند.
🆔@SCINITOAI_IRAN
پوشش همزمان مقالات اشتراکی و دسترسی آزاد در SCiNiTO AI
تنوع مدل‌های Open Access در SCiNiTO AI
🔹یکی از ویژگی‌های مهم SCiNiTO AI، دسترسی گسترده آن به انواع مدل‌های دسترسی آزاد (Open Access) است. این پلتفرم نه‌تنها مقالات بسته (Closed) یا اشتراکی (Subscription) را پوشش می‌دهد، بلکه حجم قابل‌توجهی از محتوای اپن‌اکسس را نیز در اختیار کاربران قرار می‌دهد.
🔹از بیش از ۲۷۱ میلیون مقاله موجود در پایگاه، بیش از ۷۸ میلیون مقاله به‌صورت دسترسی آزاد (Open Access) در دسترس هستند که در مدل‌های مختلف Gold، Green، Bronze و Diamond منتشر شده‌اند.
🔹این تنوع مدل‌ها نشان می‌دهد که SCiNiTO AI دسترسی پژوهشگران به منابع را به‌طور چشمگیری بهبود می‌بخشد.
🆔@SCINITOAI_IRAN
تحلیل داده‌های STM و روندهای جهانی مدل‌های انتشار
مدل پولی هنوز پادشاه نشر علمی است
در این میان، یک پیش‌فرض قدرتمند نیز همواره در فضای گفت‌وگوها و سیاست‌گذاری‌ها نقش داشته است: این تصور که پرداخت هزینه برای دسترسی به نتایج پژوهش علمی باید به طور کامل کنار گذاشته شود.
▪️تجربه عملی نشان می‌دهد که هیچ شکل واحدی از دسترسی آزاد نمی‌تواند تمام چالش‌های نشر علمی، از جمله کارآمدی، عدالت، پایداری و اثربخشی را برطرف کند. هر روش جدیدی که برای تأمین مالی یا توزیع محتوا معرفی می‌شود چه بر پایه نویسنده، چه مؤسسه یا مدل‌های مشارکتی در کنار مزایا و فرصت‌هایی که ایجاد می‌کند، چالش‌ها و محدودیت‌های تازه‌ای نیز به همراه دارد.
▪️همین ویژگی باعث شده است که مدل‌های OA همواره در حال تکثر، تحول و آزمایش‌های مداوم باشند؛ هیچ رویکردی به‌تنهایی پاسخ کامل نیست و موفقیت واقعی هر مدل در تعامل با سایر مدل‌ها معنا پیدا می‌کند.
به همین ترتیب، سیستم‌های انتشار مبتنی بر پرداخت نیز ترکیبی از آثار مثبت و منفی دارند.
▪️درست است که هزینه‌محور بودن این مدل، دسترسی برخی افراد یا گروه‌ها را محدود می‌کند، اما از سوی دیگر، این رویکرد بار مالی نشر را میان تعداد زیادی از کاربران و مشترکان توزیع می‌کند و نوعی توازن طبیعی میان میزان استفاده از محتوا و پرداخت هزینه ایجاد می‌نماید. بنابراین، همان‌طور که مدل‌های OA نقاط ضعف و قوت خاص خود را دارند، مدل‌های پولی نیز نه کاملاً بی‌نقص و نه کاملاً مشکل‌زا هستند و هر دو باید در کنار یکدیگر و با مدیریت مناسب فعالیت کنند.
برای درک بهتر این چشم‌انداز، باید توجه داشت که هیچ قالب تولید علمی برای همه اهداف مناسب نیست.
▪️مقالات پژوهشی، کتاب‌ها، داده‌ها، گزارش‌های سیاستی و سایر خروجی‌های علمی هر یک برای نوع خاصی از مخاطب یا کارکرد طراحی شده‌اند. بنابراین، سالم‌ترین و پایدارترین زیست‌بوم علمی آن است که انواع قالب‌ها و خروجی‌ها بتوانند به‌صورت همزمان و متنوع حضور داشته باشند و رشد کنند.
📈 این نمودار روند سهم انواع مدل‌های انتشار را در طول زمان نشان می‌دهد.
🔹داده‌ها حاکی از ثبات و رشد مدل انتشار مبتنی بر دسترسی پولی به عنوان بخش غالب تولیدات علمی است.
🔸در مقابل، انتشار با دسترسی آزاد تحت تأثیر مسیر طلایی (Gold OA) رشد قابل توجهی داشته، در حالی که مدل‌های سبز (Green) و برنزی (Bronze) در طول سال‌ها سهمی محدود و حتی کاهش نسبی را تجربه کرده‌اند.
🆔@SCINITOAI_IRAN
وقتی هوش مصنوعی با عینک غربی به دنیا نگاه می‌کند
چرا مدل‌های هوش مصنوعی آسیای جنوبی را اشتباه می‌بینند؟
بخش سوم
چالش‌های شناسایی‌شده در مقاله
محققان چندین چالش اساسی را برجسته می‌کنند:
۱. تعریف غرب‌محور از عدالت: مقاله استدلال می‌کند که مفاهیمی مانند تبعیض مبتنی بر سلسله‌مراتب اجتماعی یا تعامل مذهب و قومیت در آسیای جنوبی بخش ناچیزی از چک‌لیست‌های سوگیری بوده‌اند.
۲. مشکل زبانی: نویسندگان اشاره می‌کنند که مدل‌های فعلی قابلیت‌های ناهمواری در زبان‌های آسیای جنوبی دارند و فقط زبان‌هایی مثل هندی به‌خوبی پشتیبانی می‌شوند.
۳. عدم مشارکت محلی: مقاله تأکید می‌کند که افراد آسیای جنوبی اغلب در فرآیند جمع‌آوری داده‌ها شرکت نمی‌کنند، که می‌تواند به حذف دانش مهم یا عدم شناسایی محتوای مضر منجر شود.
۴. عدالت زمینه‌ای: محققان مثال جالبی می‌زنند: یک چت‌بات ممکن است هنگام پاسخ به زبان انگلیسی بدون سوگیری باشد، اما وقتی کاربر بین انگلیسی و هندی جابه‌جا می‌شود، به خروجی‌های مغرضانه برگردد.
پیشنهادات محققان
مقاله با چند پیشنهاد عملی به پایان می‌رسد:
🔸گسترش مشارکت محققان آسیای جنوبی (از همه کشورها، نه فقط هند)
🔸رویکرد مشارکتی در جمع‌آوری داده‌ها
🔸توسعه معیارهای ارزیابی خاص منطقه
🔸اعطای کنترل بیشتر به کاربران برای گزارش و اصلاح بازنمایی‌های نادرست
🔸آزمایش مدل‌ها در سناریوهای واقعی و زمینه‌ای
در پایان، نمی‌توان از این هشدار نویسندگان چشم‌پوشی کرد: "اگر میلیاردها نفر در آسیای جنوبی در کلیشه‌ها رنگ‌آمیزی شوند، وعده هوش مصنوعی اخلاقی به‌طور خطرناکی محدود می‌شود."
وقتی هوش مصنوعی با عینک غربی به دنیا نگاه می‌کند
چرا مدل‌های هوش مصنوعی آسیای جنوبی را اشتباه می‌بینند؟
بخش اول
تصور کنید از یک هوش مصنوعی پیشرفته بخواهید تصویری از یک شهر هندی بسازد. احتمالاً با خیابان‌های خاکی، ترافیک وحشتناک و محله‌های فقیرنشین مواجه می‌شوید. یا اگر بخواهید درباره یک زن آسیایی جنوبی بنویسد، ممکن است او را فقط در نقش همسر یا مادر توصیف کند. این‌ها فقط اشتباهات تصادفی نیستند - بلکه نشانه‌های یک مشکل بزرگ‌تر هستند.
مقاله‌ای در مجله Nature Machine Intelligence منتشر شده که پرده از روی یکی از بزرگ‌ترین نقاط کور هوش مصنوعی برمی‌دارد: سوگیری علیه آسیای جنوبی.
بحران جدید در نامه‌های ارسالی به سردبیر: وقتی استنادهای بی‌ربط چت‌بات‌های عمومی دردسرساز می‌شوند
بخش سوم
ظرافت مرز میان توانمندسازی و جعل در عصر هوش مصنوعی
🔹نکته مهم و بحث‌برانگیز این است که برخی از نویسندگان پرکار از کشورهای غیرانگلیسی‌زبان هستند. طبیعی است که ابزارهای هوش مصنوعی می‌توانند به آنها در بهتر نوشتن کمک کنند.
🔹اما مشکل زمانی آغاز می‌شود که:
▪️ابزار جای نویسنده را کاملاً بگیرد
▪️متن بدون بررسی تولید شود
▪️و رفرنس‌های ساختگی وارد فضای علمی شود
🔹برای مقابله با این مشکل، برخی مجلات از نویسندگان مشکوک می‌خواهند نقل‌قول دقیق و قابل‌راستی‌آزمایی از هر منبع ارائه کنند، فشاری که زمان و انرژی زیادی از تیم کوچک سردبیری می‌گیرد.
پیامدهای خطرناک: از تخریب علم تا نابودی اعتماد
🔹به گفته پژوهشگرانی که این پدیده را بررسی کرده‌اند، ارجاعات نادرست تولیدشده توسط چت‌بات‌های عمومی می‌تواند به‌طور مستقیم به اعتبار علمی آسیب بزند (در این ویدیو به موضوع رفرنس‌های جعلی چت‌بات‌های عمومی و راهکارهای جلوگیری از آن پرداخته شده است).
پژوهشگر مقاله‌ی کنترل مالاریا در NEJM می‌گوید:
"نوشتن مقاله منتشر شده در NEJM برای من شش سال زمان و ۲۵ میلیون دلار بودجه برد، اما ممکن است کسی در چند دقیقه نامه‌ای بسازد و ادعا کند نقد علمی نوشته است. من چگونه با چنین سرعتی رقابت کنم؟"
در نهایت، پژوهشگران باید یاد بگیرند استفاده از هوش مصنوعی را شفاف اعلام کنند، اینکه در کدام بخش کار مجاز است، کجا نیست، و چگونه باید به‌درستی افشا شود تا اعتماد علمی و سلامت پژوهش حفظ شود.