Kianimoghadam studyLab
🎓 اگر قرار بود فردا یک کارگاه روانشناسی برای شما برگزار شود، چه موضوعی را انتخاب میکردید؟ 🤔 ✨ این بار میخواهیم موضوع کارگاهها را بر اساس نیاز واقعی شما 🫵🏻 انتخاب کنیم. بدون توجه به اینکه معمولاً چه کارگاههایی برگزار میشوند، واقعاً به نیاز خودمان فکر…
💡
ما چند روز پیش ازتون پرسیدیم:
اگر قرار باشه یک کارگاه جدید برگزار کنیم، دوست دارید درباره چی باشه؟
حالا هنوز منتظر جوابهای شما هستیم. 👀
شاید موضوعی باشه که مدتهاست دنبالش میگردی؛
یک مهارت پژوهشی، یک ابزار، یک مسئله یا حتی چیزی که همیشه جای خالیش رو در آموزشها حس کردی.
📌 این بار میخوایم قبل از طراحی کارگاه، اول صدای شما رو بشنویم.
پرسشنامه رو پر کن و بهمون بگو:
«اگر انتخاب با من بود، این کارگاه رو برگزار میکردم...»
شاید دقیقاً همان موضوع، کارگاه بعدی آکادمی باشد. 🎓✨
ما چند روز پیش ازتون پرسیدیم:
اگر قرار باشه یک کارگاه جدید برگزار کنیم، دوست دارید درباره چی باشه؟
حالا هنوز منتظر جوابهای شما هستیم. 👀
شاید موضوعی باشه که مدتهاست دنبالش میگردی؛
یک مهارت پژوهشی، یک ابزار، یک مسئله یا حتی چیزی که همیشه جای خالیش رو در آموزشها حس کردی.
📌 این بار میخوایم قبل از طراحی کارگاه، اول صدای شما رو بشنویم.
پرسشنامه رو پر کن و بهمون بگو:
«اگر انتخاب با من بود، این کارگاه رو برگزار میکردم...»
شاید دقیقاً همان موضوع، کارگاه بعدی آکادمی باشد. 🎓✨
❤2👌2🔥1🤗1
🔍 اگر هوش مصنوعی پاسخ خیلی خوبی بدهد، از کجا میفهمیم پاسخ درست است؟
فرض کنید میخواهیم درباره رابطهی استفاده از شبکههای اجتماعی و عزتنفس، یک سؤال پژوهشی طراحی کنیم.
بهجای اینکه بنویسیم:
❌ «چند سؤال پژوهشی درباره شبکههای اجتماعی و عزتنفس بده.»
میتوانیم دقیقتر درخواست کنیم:
💬 «در نقش یک پژوهشگر روانشناسی، چند سؤال پژوهشی قابل آزمون درباره رابطه استفاده از شبکههای اجتماعی و عزتنفس در دانشجویان پیشنهاد بده. متغیرها را مشخص کن و از سؤالهای کلی و توصیفی پرهیز کن.»
احتمالاً پاسخ دوم خیلی بهتر خواهد بود.
اما یک مشکل همچنان وجود دارد:
🤔 اگر یکی از سؤالهای پیشنهادی از نظر روششناسی مناسب نباشد، یا رابطهای را علّی در نظر گرفته باشد که شواهد کافی برای آن نداریم، چطور متوجه شویم؟
اینجاست که تخصص در حوزه اهمیت پیدا میکند.
هوش مصنوعی میتواند برایمان ایده بدهد، سؤال بسازد، متن را بازنویسی کند و حتی گزینههای مختلف پیشنهاد دهد؛
اما این ما هستیم که باید تشخیص دهیم:
🔹 آیا سؤال واقعاً پژوهشی است؟
🔹 آیا متغیرها درست تعریف شدهاند؟
🔹 آیا رابطهای که مطرح شده قابل دفاع است؟
🔹 آیا روش پیشنهادی با سؤال پژوهش هماهنگ است؟
پس مهارت کار با هوش مصنوعی فقط این نیست که بهتر بپرسیم؛
باید یاد بگیریم بهتر ارزیابی کنیم.
🧠 پرامپت خوب، خروجی را بهتر میکند؛
تخصص، به ما کمک میکند بفهمیم آن خروجی چقدر قابل اعتماد است.
@KianimoghadamstudyLab🪷
فرض کنید میخواهیم درباره رابطهی استفاده از شبکههای اجتماعی و عزتنفس، یک سؤال پژوهشی طراحی کنیم.
بهجای اینکه بنویسیم:
❌ «چند سؤال پژوهشی درباره شبکههای اجتماعی و عزتنفس بده.»
میتوانیم دقیقتر درخواست کنیم:
💬 «در نقش یک پژوهشگر روانشناسی، چند سؤال پژوهشی قابل آزمون درباره رابطه استفاده از شبکههای اجتماعی و عزتنفس در دانشجویان پیشنهاد بده. متغیرها را مشخص کن و از سؤالهای کلی و توصیفی پرهیز کن.»
احتمالاً پاسخ دوم خیلی بهتر خواهد بود.
اما یک مشکل همچنان وجود دارد:
🤔 اگر یکی از سؤالهای پیشنهادی از نظر روششناسی مناسب نباشد، یا رابطهای را علّی در نظر گرفته باشد که شواهد کافی برای آن نداریم، چطور متوجه شویم؟
اینجاست که تخصص در حوزه اهمیت پیدا میکند.
هوش مصنوعی میتواند برایمان ایده بدهد، سؤال بسازد، متن را بازنویسی کند و حتی گزینههای مختلف پیشنهاد دهد؛
اما این ما هستیم که باید تشخیص دهیم:
🔹 آیا سؤال واقعاً پژوهشی است؟
🔹 آیا متغیرها درست تعریف شدهاند؟
🔹 آیا رابطهای که مطرح شده قابل دفاع است؟
🔹 آیا روش پیشنهادی با سؤال پژوهش هماهنگ است؟
پس مهارت کار با هوش مصنوعی فقط این نیست که بهتر بپرسیم؛
باید یاد بگیریم بهتر ارزیابی کنیم.
🧠 پرامپت خوب، خروجی را بهتر میکند؛
تخصص، به ما کمک میکند بفهمیم آن خروجی چقدر قابل اعتماد است.
@KianimoghadamstudyLab🪷
❤5👏1
🤖 از AI خواستی برای پژوهشت چند مقاله معرفی کند.
این ۳ رفرنس را بهت داده:
هر سهتا کاملاً علمی به نظر میرسند.
هر سه نویسنده دارند.
هر سه ژورنال دارند.
و مهمتر از همه...
هر سه DOI دارند! 👀
اما فقط یکی از آنها کاملاً درست است.
حالا ببین میتونی پیداشون کنی؟ 🕵🏻♀️
📄 رفرنس ۱
Baig, M. I., & Yadegaridehkordi, E. (2024).
ChatGPT in the higher education: A systematic literature review and research challenges.
International Journal of Educational Research, 127, 102411.
DOI: 10.1016/j.ijer.2024.102411
📄 رفرنس ۲
Castillo-Martínez, I. M., Flores-Bueno, D., Gómez-Puente, S. M., & Vite-León, V. O. (2024).
AI in higher education: A systematic literature review.
Frontiers in Education, 8, 1391485.
DOI: 10.3389/feduc.2024.1391485
📄 رفرنس ۳
Bhullar, P. S., Joshi, M., & Chugh, R. (2024).
Generative AI and academic research: Implications for research quality and scholarly productivity.
Education and Information Technologies, 29, 21501–21522.
DOI: 10.1007/s10639-024-12723-x
❗️فقط به این دلیل که یک رفرنس DOI دارد، واقعی فرضش نکن.
حتی ممکن است DOI واقعی باشد؛
اما به مقالهای که AI معرفی کرده تعلق نداشته باشد.
به نظرت:
🟢 کدام رفرنس کاملاً درست است؟
🟡 کدامیک دستکاری شده؟
🔴 کدامیک ساختگی است؟
@kianimoghadamstudylab🪷
این ۳ رفرنس را بهت داده:
هر سهتا کاملاً علمی به نظر میرسند.
هر سه نویسنده دارند.
هر سه ژورنال دارند.
و مهمتر از همه...
هر سه DOI دارند! 👀
اما فقط یکی از آنها کاملاً درست است.
حالا ببین میتونی پیداشون کنی؟ 🕵🏻♀️
📄 رفرنس ۱
Baig, M. I., & Yadegaridehkordi, E. (2024).
ChatGPT in the higher education: A systematic literature review and research challenges.
International Journal of Educational Research, 127, 102411.
DOI: 10.1016/j.ijer.2024.102411
📄 رفرنس ۲
Castillo-Martínez, I. M., Flores-Bueno, D., Gómez-Puente, S. M., & Vite-León, V. O. (2024).
AI in higher education: A systematic literature review.
Frontiers in Education, 8, 1391485.
DOI: 10.3389/feduc.2024.1391485
📄 رفرنس ۳
Bhullar, P. S., Joshi, M., & Chugh, R. (2024).
Generative AI and academic research: Implications for research quality and scholarly productivity.
Education and Information Technologies, 29, 21501–21522.
DOI: 10.1007/s10639-024-12723-x
❗️فقط به این دلیل که یک رفرنس DOI دارد، واقعی فرضش نکن.
حتی ممکن است DOI واقعی باشد؛
اما به مقالهای که AI معرفی کرده تعلق نداشته باشد.
به نظرت:
🟢 کدام رفرنس کاملاً درست است؟
🟡 کدامیک دستکاری شده؟
🔴 کدامیک ساختگی است؟
@kianimoghadamstudylab🪷
❤3👌1
🔎 خب، کدوم رفرنس مشکوک بود؟
اگر حدس زدی ۱ واقعی، ۲ دستکاریشده و ۳ ترکیبی، درست رفتی! 👀
اما مهمتر از جواب، اینه که چطور به جواب رسیدیم.
🟢 رفرنس ۱ | واقعی
اینجا همهچیز با منبع اصلی مطابقت دارد:
✓ عنوان
✓ نویسندگان
✓ سال انتشار
✓ نام ژورنال
✓ Volume و Article Number
✓ DOI
یعنی میتوانی به صفحه ناشر برسی و همان مقاله را پیدا کنی.
🟡 رفرنس ۲ | یک تغییر کوچک داره !
این مقاله واقعاً وجود دارد؛ اما یک جزئیات در رفرنس تغییر داده شده بود:
❌ Volume: 8
✅ Volume واقعی: 9
بقیه اطلاعات ممکن است کاملاً درست به نظر برسند؛ همین باعث میشود چنین خطایی بهراحتی از چشممان دور بماند.
نتیجه: مقاله واقعی است، اما رفرنس ارائهشده دقیق نیست. ⚠️
🔴 رفرنس ۳ |
اینجا قسمت جالب ماجراست.
DOI واقعی است؛ اما وقتی آن را بررسی میکنیم، به مقالهای با مشخصات دیگری میرسیم.
یعنی AI یک DOI واقعی را با اطلاعات مقاله دیگری ترکیب کرده است.
و این دقیقاً یکی از خطرناکترین حالتهای خطا در استفاده از AI برای پژوهش است؛ چون اگر فقط وجود DOI را چک کنی، ممکن هست اشتباه کنی.
🧠 پس چطور از این خطاها جلوگیری کنیم؟
هر بار AI برایت رفرنس آورد، فقط نپرس:
❌ «آیا این مقاله وجود دارد؟»
بلکه بپرس:
🔍 «آیا تمام اجزای این رفرنس متعلق به همان مقالهاند؟»
عنوان + نویسنده + سال + ژورنال + مشخصات انتشار + DOI
همه باید به یک مقاله واحد برسند.
📌 قانون طلایی:
هوش مصنوعی میتواند رفرنس پیشنهاد کند؛
اما اعتبار رفرنس را باید خودت تأیید کنی.
@kianimoghadamstudylab🪷
اگر حدس زدی ۱ واقعی، ۲ دستکاریشده و ۳ ترکیبی، درست رفتی! 👀
اما مهمتر از جواب، اینه که چطور به جواب رسیدیم.
🟢 رفرنس ۱ | واقعی
اینجا همهچیز با منبع اصلی مطابقت دارد:
✓ عنوان
✓ نویسندگان
✓ سال انتشار
✓ نام ژورنال
✓ Volume و Article Number
✓ DOI
یعنی میتوانی به صفحه ناشر برسی و همان مقاله را پیدا کنی.
🟡 رفرنس ۲ | یک تغییر کوچک داره !
این مقاله واقعاً وجود دارد؛ اما یک جزئیات در رفرنس تغییر داده شده بود:
❌ Volume: 8
✅ Volume واقعی: 9
بقیه اطلاعات ممکن است کاملاً درست به نظر برسند؛ همین باعث میشود چنین خطایی بهراحتی از چشممان دور بماند.
نتیجه: مقاله واقعی است، اما رفرنس ارائهشده دقیق نیست. ⚠️
🔴 رفرنس ۳ |
اینجا قسمت جالب ماجراست.
DOI واقعی است؛ اما وقتی آن را بررسی میکنیم، به مقالهای با مشخصات دیگری میرسیم.
یعنی AI یک DOI واقعی را با اطلاعات مقاله دیگری ترکیب کرده است.
و این دقیقاً یکی از خطرناکترین حالتهای خطا در استفاده از AI برای پژوهش است؛ چون اگر فقط وجود DOI را چک کنی، ممکن هست اشتباه کنی.
🧠 پس چطور از این خطاها جلوگیری کنیم؟
هر بار AI برایت رفرنس آورد، فقط نپرس:
❌ «آیا این مقاله وجود دارد؟»
بلکه بپرس:
🔍 «آیا تمام اجزای این رفرنس متعلق به همان مقالهاند؟»
عنوان + نویسنده + سال + ژورنال + مشخصات انتشار + DOI
همه باید به یک مقاله واحد برسند.
📌 قانون طلایی:
هوش مصنوعی میتواند رفرنس پیشنهاد کند؛
اما اعتبار رفرنس را باید خودت تأیید کنی.
@kianimoghadamstudylab🪷
❤3👍2
📌 ۵ قدم برای اینکه قربانی مقالهی ساختگی نشوید.
ظاهر علمی یک رفرنس، دلیل واقعیبودن آن نیست.
@kianimoghadamstudylab🪷
ظاهر علمی یک رفرنس، دلیل واقعیبودن آن نیست.
@kianimoghadamstudylab🪷
❤3👍2
هوش مصنوعی نویسنده نیست؛ اما ردپاش در فرایند پژوهش مهم است.
شاید چند سال پیش سؤال اصلی این بود که «آیا استفاده از هوش مصنوعی در پژوهش مجاز است یا نه؟»
امروز سؤال مهمتر این است:
چطور از AI استفاده کنیم، بدون اینکه شفافیت و مسئولیت علمی را از دست بدهیم؟
مسئله فقط این نیست که AI چه چیزی تولید کرده؛ مهم این است که پژوهشگر با آن خروجی چه کرده است.
آیا آن را بررسی و راستیآزمایی کرده؟
آیا منابع را خودش کنترل کرده؟
آیا میتواند از تصمیمها و ادعاهای نهایی مقاله دفاع کند؟
استفاده از AI میتواند فرایند پژوهش را سریعتر و کارآمدتر کند؛ اما مسئولیت علمی را نمیتوان به یک ابزار واگذار کرد.
شاید بهترین رویکرد این باشد:
هوش مصنوعی میتواند در تولید کمک کند؛
اما انسان باید همچنان پاسخگوی دانش تولیدشده باشد. 🔬
به نظر شما مرز بین «کمک گرفتن از AI» و «واگذار کردن بخشی از پژوهش به AI» کجاست؟
@kianimoghadamstudylab🪷
شاید چند سال پیش سؤال اصلی این بود که «آیا استفاده از هوش مصنوعی در پژوهش مجاز است یا نه؟»
امروز سؤال مهمتر این است:
چطور از AI استفاده کنیم، بدون اینکه شفافیت و مسئولیت علمی را از دست بدهیم؟
مسئله فقط این نیست که AI چه چیزی تولید کرده؛ مهم این است که پژوهشگر با آن خروجی چه کرده است.
آیا آن را بررسی و راستیآزمایی کرده؟
آیا منابع را خودش کنترل کرده؟
آیا میتواند از تصمیمها و ادعاهای نهایی مقاله دفاع کند؟
استفاده از AI میتواند فرایند پژوهش را سریعتر و کارآمدتر کند؛ اما مسئولیت علمی را نمیتوان به یک ابزار واگذار کرد.
شاید بهترین رویکرد این باشد:
هوش مصنوعی میتواند در تولید کمک کند؛
اما انسان باید همچنان پاسخگوی دانش تولیدشده باشد. 🔬
به نظر شما مرز بین «کمک گرفتن از AI» و «واگذار کردن بخشی از پژوهش به AI» کجاست؟
@kianimoghadamstudylab🪷
❤4🔥2
🔬 هر رابطهای، یک علت پشت خودش ندارد!
یکی از خطرناکترین لحظهها در پژوهش، زمانی است که یک رابطه آماری میبینیم و خیلی سریع نتیجه میگیریم:
«پس A باعث B شده است!» ❌
🛑اما صبر کنید…
ممکن است یک متغیر سوم پشت ماجرا باشد.
ممکن است جهت رابطه را برعکس فهمیده باشیم.
یا شاید دو اتفاق فقط همزمان رخ دادهاند، بدون اینکه واقعاً علت یکدیگر باشند.
📊 Correlation
به ما میگوید: «بین دو متغیر رابطهای وجود دارد.»
🧪 اما Causation سؤال سختتری میپرسد: «آیا واقعاً یکی باعث دیگری شده است؟»
و دقیقاً همینجاست که تفاوت یک تحلیل سطحی با یک استنباط پژوهشی دقیق مشخص میشود. 🧠
پس دفعه بعد که در یک مقاله خواندید:
یه چیزی باعث Y می شود
کمی مکث کنید و بپرسید: 🤔
🔍 شواهد علیت چیست؟
🔄 آیا جهت رابطه مشخص است؟
🧩 آیا متغیر دیگری نمیتواند این رابطه را توضیح دهد؟
پژوهش خوب فقط پیدا کردن رابطه بین متغیرها نیست؛
بلکه فهمیدن داستان واقعی پشت آن رابطه است. ✨
@kianimoghadamstudylab 🪷
یکی از خطرناکترین لحظهها در پژوهش، زمانی است که یک رابطه آماری میبینیم و خیلی سریع نتیجه میگیریم:
«پس A باعث B شده است!» ❌
🛑اما صبر کنید…
ممکن است یک متغیر سوم پشت ماجرا باشد.
ممکن است جهت رابطه را برعکس فهمیده باشیم.
یا شاید دو اتفاق فقط همزمان رخ دادهاند، بدون اینکه واقعاً علت یکدیگر باشند.
📊 Correlation
به ما میگوید: «بین دو متغیر رابطهای وجود دارد.»
🧪 اما Causation سؤال سختتری میپرسد: «آیا واقعاً یکی باعث دیگری شده است؟»
و دقیقاً همینجاست که تفاوت یک تحلیل سطحی با یک استنباط پژوهشی دقیق مشخص میشود. 🧠
پس دفعه بعد که در یک مقاله خواندید:
یه چیزی باعث Y می شود
کمی مکث کنید و بپرسید: 🤔
🔍 شواهد علیت چیست؟
🔄 آیا جهت رابطه مشخص است؟
🧩 آیا متغیر دیگری نمیتواند این رابطه را توضیح دهد؟
پژوهش خوب فقط پیدا کردن رابطه بین متغیرها نیست؛
بلکه فهمیدن داستان واقعی پشت آن رابطه است. ✨
@kianimoghadamstudylab 🪷
❤5🔥2
🚩 چرا بعضی مقالهها Reject میشوند؟
گاهی فکر میکنیم دلیل رد شدن یک مقاله این است که:
«موضوعش به اندازه کافی جذاب نبوده.»
«Reviewer با ایدهاش موافق نبوده.»
«ژورنال خیلی سختگیر بوده.»
اما اگر به دادههای واقعی داوری مقالات نگاه کنیم، داستان کمی متفاوت است.
یک مطالعهی معروف، نظرات چندین Reviewer درباره ۱۲۳ مقاله در حوزه آموزش پزشکی را بررسی کرد تا ببیند واقعاً چه چیزهایی بیشتر از همه باعث رد شدن مقالهها میشوند.
مشکل خیلی وقتها خودِ «موضوع» نبود؛
بلکه چیزهایی بود که شاید نویسنده هنگام نوشتن مقاله اصلاً جدیشان نگرفته بود:
📊 تحلیل آماری نامناسب
📉 نتیجهگیری فراتر از دادهها
👥 نمونه ناکافی یا جانبدارانه
📚 مرور ادبیات ضعیف یا قدیمی
⚠️ گزارشهای نادقیق یا ناسازگار
و این فقط یک فهرست از توصیههای رایج پژوهشی نیست؛
اینها چیزهایی هستند که در ارزیابی واقعی Reviewerها تکرار شدهاند.
پس بیایید ببینیم دادهها دربارهی Red Flagهای واقعی یک مقاله چه میگویند. 👇
🚩 ۱. آمار نامناسب یا ناقص
این مورد در رتبه اول قرار داشت.
یعنی مشکل فقط این نیست که «آمار بلد نباشیم»؛
انتخاب نامناسب آزمون، گزارش ناقص تحلیلها یا استفاده نادرست از روش آماری میتواند اعتبار کل مطالعه را زیر سؤال ببرد.
🚩 ۲. تفسیر بیش از حد نتایج
داده یک چیز میگوید، مقاله چیز بزرگتری نتیجه میگیرد.
مثلاً مطالعه فقط یک ارتباط را نشان داده، اما نویسنده از زبان علّی استفاده میکند.
این دقیقاً همان جایی است که Reviewer ممکن است بپرسد:
«دادهات واقعاً اجازه چنین نتیجهای را میدهد؟»
مطالعات روششناختی و راهنماهای آماری نیز روی همین تفاوت بین association و causation تأکید کردهاند.
🚩 ۳. نمونه کوچک یا جانبدارانه
نمونه فقط نباید «وجود داشته باشد»؛
باید برای سؤال پژوهش و تحلیلهای انجامشده قابل دفاع باشد.
حجم نمونه ناکافی یا نمونهای که بهشکل نامناسب انتخاب شده باشد.
🚩 ۴. مرور ادبیات ناقص، نادرست یا قدیمی
ارجاع دهی زیاد لزوماً یعنی Literature Review خوب نیست.
Reviewer میخواهد ببیند:
آیا نویسنده واقعاً وضعیت دانش موجود را فهمیده؟
یا فقط چند مقاله را پشت سر هم آورده تا Introduction پرتر به نظر برسد؟
🚩 ۵. دادههای نادقیق یا ناسازگار
وقتی عددی در Abstract با Results نمیخواند،
جدول با متن تناقض دارد،
یا تعداد نمونهها در بخشهای مختلف مقاله متفاوت گزارش میشود،
اعتماد به کل مقاله میتواند آسیب ببیند.
🚩 و یک Red Flag آماری دیگر: «ماهیگیری برای معناداری»
یک مقاله در Journal of Forestry Research (2022) به چند مشکل آماری اشاره میکند که میتوانند به رد مقاله منجر شوند.
یکی از آنها زمانی اتفاق میافتد که پژوهشگر تعداد زیادی آزمون یا مقایسه انجام میدهد و عملاً با آزمونهای بیشتر، احتمال پیدا کردن یک نتیجه معنادار را بالا میبرد.
نویسندگان این وضعیت را بهعنوان fishing for significant results توضیح میدهند.
یعنی:
«بذار چند تست دیگه هم بزنیم، شاید بالاخره یکی p<0.05 شد!» 😬
مشکل اینجاست که تحلیل آماری باید از سؤال و طراحی پژوهش بیاید، نه از نتیجهای که دوست داریم به آن برسیم.
🧠 اما قسمت جالب ماجرا اینجاست که:
در همان مطالعه Bordage، مقالههایی که پذیرفته شده بودند بیشتر با این ویژگیها شناخته میشدند:
🔹 اهمیت یا بهروز بودن مسئله
🔹 کیفیت بالای نگارش
🔹 طراحی پژوهشی محکم
پس قرار نیست یک مقاله «بینقص» بنویسیم.
قرار است مقالهای بنویسیم که وقتی Reviewer از خودش میپرسد:
«چرا این کار را انجام دادهاند؟»
برای تصمیمهای مهم پژوهش، یک پاسخ منطقی و قابل دفاع داشته باشیم.
@kianimoghadamstudylab🪷
گاهی فکر میکنیم دلیل رد شدن یک مقاله این است که:
«موضوعش به اندازه کافی جذاب نبوده.»
«Reviewer با ایدهاش موافق نبوده.»
«ژورنال خیلی سختگیر بوده.»
اما اگر به دادههای واقعی داوری مقالات نگاه کنیم، داستان کمی متفاوت است.
یک مطالعهی معروف، نظرات چندین Reviewer درباره ۱۲۳ مقاله در حوزه آموزش پزشکی را بررسی کرد تا ببیند واقعاً چه چیزهایی بیشتر از همه باعث رد شدن مقالهها میشوند.
مشکل خیلی وقتها خودِ «موضوع» نبود؛
بلکه چیزهایی بود که شاید نویسنده هنگام نوشتن مقاله اصلاً جدیشان نگرفته بود:
📊 تحلیل آماری نامناسب
📉 نتیجهگیری فراتر از دادهها
👥 نمونه ناکافی یا جانبدارانه
📚 مرور ادبیات ضعیف یا قدیمی
⚠️ گزارشهای نادقیق یا ناسازگار
و این فقط یک فهرست از توصیههای رایج پژوهشی نیست؛
اینها چیزهایی هستند که در ارزیابی واقعی Reviewerها تکرار شدهاند.
پس بیایید ببینیم دادهها دربارهی Red Flagهای واقعی یک مقاله چه میگویند. 👇
🚩 ۱. آمار نامناسب یا ناقص
این مورد در رتبه اول قرار داشت.
یعنی مشکل فقط این نیست که «آمار بلد نباشیم»؛
انتخاب نامناسب آزمون، گزارش ناقص تحلیلها یا استفاده نادرست از روش آماری میتواند اعتبار کل مطالعه را زیر سؤال ببرد.
🚩 ۲. تفسیر بیش از حد نتایج
داده یک چیز میگوید، مقاله چیز بزرگتری نتیجه میگیرد.
مثلاً مطالعه فقط یک ارتباط را نشان داده، اما نویسنده از زبان علّی استفاده میکند.
این دقیقاً همان جایی است که Reviewer ممکن است بپرسد:
«دادهات واقعاً اجازه چنین نتیجهای را میدهد؟»
مطالعات روششناختی و راهنماهای آماری نیز روی همین تفاوت بین association و causation تأکید کردهاند.
🚩 ۳. نمونه کوچک یا جانبدارانه
نمونه فقط نباید «وجود داشته باشد»؛
باید برای سؤال پژوهش و تحلیلهای انجامشده قابل دفاع باشد.
حجم نمونه ناکافی یا نمونهای که بهشکل نامناسب انتخاب شده باشد.
🚩 ۴. مرور ادبیات ناقص، نادرست یا قدیمی
ارجاع دهی زیاد لزوماً یعنی Literature Review خوب نیست.
Reviewer میخواهد ببیند:
آیا نویسنده واقعاً وضعیت دانش موجود را فهمیده؟
یا فقط چند مقاله را پشت سر هم آورده تا Introduction پرتر به نظر برسد؟
🚩 ۵. دادههای نادقیق یا ناسازگار
وقتی عددی در Abstract با Results نمیخواند،
جدول با متن تناقض دارد،
یا تعداد نمونهها در بخشهای مختلف مقاله متفاوت گزارش میشود،
اعتماد به کل مقاله میتواند آسیب ببیند.
🚩 و یک Red Flag آماری دیگر: «ماهیگیری برای معناداری»
یک مقاله در Journal of Forestry Research (2022) به چند مشکل آماری اشاره میکند که میتوانند به رد مقاله منجر شوند.
یکی از آنها زمانی اتفاق میافتد که پژوهشگر تعداد زیادی آزمون یا مقایسه انجام میدهد و عملاً با آزمونهای بیشتر، احتمال پیدا کردن یک نتیجه معنادار را بالا میبرد.
نویسندگان این وضعیت را بهعنوان fishing for significant results توضیح میدهند.
یعنی:
«بذار چند تست دیگه هم بزنیم، شاید بالاخره یکی p<0.05 شد!» 😬
مشکل اینجاست که تحلیل آماری باید از سؤال و طراحی پژوهش بیاید، نه از نتیجهای که دوست داریم به آن برسیم.
🧠 اما قسمت جالب ماجرا اینجاست که:
در همان مطالعه Bordage، مقالههایی که پذیرفته شده بودند بیشتر با این ویژگیها شناخته میشدند:
🔹 اهمیت یا بهروز بودن مسئله
🔹 کیفیت بالای نگارش
🔹 طراحی پژوهشی محکم
پس قرار نیست یک مقاله «بینقص» بنویسیم.
قرار است مقالهای بنویسیم که وقتی Reviewer از خودش میپرسد:
«چرا این کار را انجام دادهاند؟»
برای تصمیمهای مهم پژوهش، یک پاسخ منطقی و قابل دفاع داشته باشیم.
@kianimoghadamstudylab🪷
❤4😍2❤🔥1
Where to Find Us🪷
پژوهش فقط پیدا کردن یک مقاله یا نوشتن یک پروپوزال نیست؛
مسیر یادگیری، پرسیدن، جستوجو کردن و تبدیل ایدهها به کارهای معنادار است. 🌱
در Kianimoghadam Study Lab تلاش میکنیم فضایی برای یادگیری، تبادل ایده و همراهی در مسیر پژوهش ایجاد کنیم.
از طریق پلتفرمهای مختلف میتوانید با ما همراه باشید:
💼 LinkedIn | https://www.linkedin.com/company/kianimoghadam-studylab/
📸 Instagram | instagram.com/kianimoghadam.studylab
💬 Telegram Group | https://t.me/Kianimoghadam_studyLab
📢 Telegram Channel | https://t.me/KianimoghadamstudyLab
خوشحالیم که در این مسیر کنار شما هستیم. 🤝📚
پژوهش فقط پیدا کردن یک مقاله یا نوشتن یک پروپوزال نیست؛
مسیر یادگیری، پرسیدن، جستوجو کردن و تبدیل ایدهها به کارهای معنادار است. 🌱
در Kianimoghadam Study Lab تلاش میکنیم فضایی برای یادگیری، تبادل ایده و همراهی در مسیر پژوهش ایجاد کنیم.
از طریق پلتفرمهای مختلف میتوانید با ما همراه باشید:
💼 LinkedIn | https://www.linkedin.com/company/kianimoghadam-studylab/
📸 Instagram | instagram.com/kianimoghadam.studylab
💬 Telegram Group | https://t.me/Kianimoghadam_studyLab
📢 Telegram Channel | https://t.me/KianimoghadamstudyLab
خوشحالیم که در این مسیر کنار شما هستیم. 🤝📚
🔥4❤2👎1👏1🤩1🏆1
🔻 قیف پژوهشی؛ از یک علاقه کلی تا یک سؤال مشخص
شروع پژوهش معمولاً با یک علاقه کلی آغاز میشود؛ اما علاقه به یک حوزه، هنوز یک سؤال پژوهشی نیست.
برای رسیدن به یک سؤال قابل بررسی، باید موضوع را مرحلهبهمرحله دقیقتر کنیم:
🔸حوزه وسیع
🔸 جامعه یا زمینه
🔸 مسئله مشخص
🔸سازه
🔸شکاف پژوهشی
🔸سؤال پژوهشی
قیف پژوهشی به ما کمک میکند از میان یک حوزه گسترده، به سؤالی برسیم که مشخص، قابل بررسی و مبتنی بر یک شکاف واقعی پژوهشی باشد.
🎯 گاهی برای پیدا کردن یک ایده پژوهشی جدید، لازم نیست دنبال موضوعی کاملاً جدید بگردیم؛ کافی است چیزی را که به آن علاقه داریم، دقیقتر و عمیقتر بررسی کنیم.
پژوهش خوب از یک سؤال بزرگ شروع نمیشود؛ از دقیقتر کردن یک علاقه کلی شروع میشود.
@kianimoghadamstudylab🪷
شروع پژوهش معمولاً با یک علاقه کلی آغاز میشود؛ اما علاقه به یک حوزه، هنوز یک سؤال پژوهشی نیست.
برای رسیدن به یک سؤال قابل بررسی، باید موضوع را مرحلهبهمرحله دقیقتر کنیم:
🔸حوزه وسیع
🔸 جامعه یا زمینه
🔸 مسئله مشخص
🔸سازه
🔸شکاف پژوهشی
🔸سؤال پژوهشی
قیف پژوهشی به ما کمک میکند از میان یک حوزه گسترده، به سؤالی برسیم که مشخص، قابل بررسی و مبتنی بر یک شکاف واقعی پژوهشی باشد.
🎯 گاهی برای پیدا کردن یک ایده پژوهشی جدید، لازم نیست دنبال موضوعی کاملاً جدید بگردیم؛ کافی است چیزی را که به آن علاقه داریم، دقیقتر و عمیقتر بررسی کنیم.
پژوهش خوب از یک سؤال بزرگ شروع نمیشود؛ از دقیقتر کردن یک علاقه کلی شروع میشود.
@kianimoghadamstudylab🪷
❤7❤🔥1
از مسئله تا فرضیه؛
قبل از اینکه عنوان بنویسیم، فکر کنیم.
یک ایده پژوهشی خوب معمولاً با یک مسئله شروع میشود، نه با یک عنوان جذاب.
نقشه ذهنی کمک میکند مسئله را به اجزای کوچکتر تقسیم کنیم، مفاهیم و متغیرهای مرتبط را کنار هم ببینیم و رابطههای احتمالی میان آنها را بررسی کنیم. در نهایت، این فرایند میتواند به شکلگیری یک سؤال پژوهشی مشخص و فرضیهای قابل آزمون کمک کند.
📌 بنابراین، قبل از نوشتن فرضیه از خودمان بپرسیم:
دقیقاً چه چیزی را نمیدانیم؟
چه رابطهای را میخواهیم بررسی کنیم؟
و شواهد موجود درباره آن چه میگویند؟
پژوهش خوب فقط پیدا کردن یک موضوع نیست؛
ساختن یک مسیر منطقی از مسئله تا سؤال و آزمون آن است.
شواهد پژوهشی نیز نشان میدهند که استفاده از نقشههای ذهنی و مفهومی میتواند به سازماندهی اطلاعات و درک بهتر ارتباط میان مفاهیم کمک کند، هرچند میزان اثربخشی آن به زمینه و نحوه استفاده بستگی دارد.
@kianimoghadamstudylab🪷
قبل از اینکه عنوان بنویسیم، فکر کنیم.
یک ایده پژوهشی خوب معمولاً با یک مسئله شروع میشود، نه با یک عنوان جذاب.
نقشه ذهنی کمک میکند مسئله را به اجزای کوچکتر تقسیم کنیم، مفاهیم و متغیرهای مرتبط را کنار هم ببینیم و رابطههای احتمالی میان آنها را بررسی کنیم. در نهایت، این فرایند میتواند به شکلگیری یک سؤال پژوهشی مشخص و فرضیهای قابل آزمون کمک کند.
📌 بنابراین، قبل از نوشتن فرضیه از خودمان بپرسیم:
دقیقاً چه چیزی را نمیدانیم؟
چه رابطهای را میخواهیم بررسی کنیم؟
و شواهد موجود درباره آن چه میگویند؟
پژوهش خوب فقط پیدا کردن یک موضوع نیست؛
ساختن یک مسیر منطقی از مسئله تا سؤال و آزمون آن است.
شواهد پژوهشی نیز نشان میدهند که استفاده از نقشههای ذهنی و مفهومی میتواند به سازماندهی اطلاعات و درک بهتر ارتباط میان مفاهیم کمک کند، هرچند میزان اثربخشی آن به زمینه و نحوه استفاده بستگی دارد.
@kianimoghadamstudylab🪷
❤4🔥2👏1
🔎 یک سؤال مهم برای هر پژوهشگر:
وقتی چندین مقاله درباره موضوع پژوهشمان پیدا میکنیم، آیا واقعاً «پیشینه» نوشتهایم؟
گاهی پیشینه پژوهش تبدیل میشود به مجموعهای از جملههای پشتسرهم:
«پژوهش X نشان داد…»
«پژوهش Y گزارش کرد…»
«مطالعه Z نیز بیان کرد…»
اما ارزش واقعی مرور پیشینه زمانی مشخص میشود که بین مطالعات ارتباط برقرار کنیم.
یعنی بهجای اینکه هر مقاله را یک جزیره مستقل ببینیم، آنها را کنار هم قرار دهیم و ببینیم:
🧩 چه الگوهایی از میان مطالعات دیده میشود؟
🧩 کجاها شواهد متناقضاند؟
🧩 چه عواملی ممکن است این تفاوتها را توضیح دهند؟
🧩 و این مجموعه شواهد، ما را به چه سؤالی میرساند؟
این تغییر کوچک در شیوه خواندن و نوشتن، تفاوت بین «گزارش ادبیات» و «استدلال پژوهشی» را رقم میزند.
📌 شاید بهترین سؤال هنگام نوشتن هر پاراگراف پیشینه این باشد:
«من از کنار هم قرار دادن این مطالعات چه نتیجهای میگیرم که از خواندن هرکدام بهتنهایی نمیشد فهمید؟»
@kianimoghadamstudylab🪷
وقتی چندین مقاله درباره موضوع پژوهشمان پیدا میکنیم، آیا واقعاً «پیشینه» نوشتهایم؟
گاهی پیشینه پژوهش تبدیل میشود به مجموعهای از جملههای پشتسرهم:
«پژوهش X نشان داد…»
«پژوهش Y گزارش کرد…»
«مطالعه Z نیز بیان کرد…»
اما ارزش واقعی مرور پیشینه زمانی مشخص میشود که بین مطالعات ارتباط برقرار کنیم.
یعنی بهجای اینکه هر مقاله را یک جزیره مستقل ببینیم، آنها را کنار هم قرار دهیم و ببینیم:
🧩 چه الگوهایی از میان مطالعات دیده میشود؟
🧩 کجاها شواهد متناقضاند؟
🧩 چه عواملی ممکن است این تفاوتها را توضیح دهند؟
🧩 و این مجموعه شواهد، ما را به چه سؤالی میرساند؟
این تغییر کوچک در شیوه خواندن و نوشتن، تفاوت بین «گزارش ادبیات» و «استدلال پژوهشی» را رقم میزند.
📌 شاید بهترین سؤال هنگام نوشتن هر پاراگراف پیشینه این باشد:
«من از کنار هم قرار دادن این مطالعات چه نتیجهای میگیرم که از خواندن هرکدام بهتنهایی نمیشد فهمید؟»
@kianimoghadamstudylab🪷
❤5
Google_Scholar_Advanced_Search_Kianimoghadam-1 (1).pdf
80.9 KB
جستجوی علمی، فقط پیدا کردن مقالات نیست؛ پیدا کردن مقالات درست است.
تفاوت میان یک مرور ادبیات سطحی و یک مرور عمیق، اغلب در نحوه جستجو نهفته است.
این راهنمای فشرده، با رویکردی علمی و کاربردی، به شما کمک میکند تا از ظرفیت واقعی Google Scholar بهره ببرید و نتایج دقیقتری بهدست آورید.
این پی دی اف برای شماهایی هست که پژوهش را جدی میگیرید.🪷
تفاوت میان یک مرور ادبیات سطحی و یک مرور عمیق، اغلب در نحوه جستجو نهفته است.
این راهنمای فشرده، با رویکردی علمی و کاربردی، به شما کمک میکند تا از ظرفیت واقعی Google Scholar بهره ببرید و نتایج دقیقتری بهدست آورید.
این پی دی اف برای شماهایی هست که پژوهش را جدی میگیرید.🪷
❤8🔥1🙏1
یک جایی در مسیر نوشتن مقاله، تعداد تبهای باز مرورگرت از تعداد ایدههای پژوهشت بیشتر میشود! 😅
یک مقاله اینجاست، PDF یکی دیگر آنجاست، رفرنسها هم معلوم نیست کجا ذخیره شدهاند و آخر کار باید بنشینی و همه را دستی مرتب کنی.
اینجا Zotero وارد ماجرا میشود.
نه قرار است پژوهش را برایت انجام دهد، نه قرار است جای فکر کردن را بگیرد؛
فقط کمک میکند بخش خستهکنندهی مدیریت منابع کمتر وقتت را بگیرد.
توی این آموزش، Zotero را از همان جایی شروع کردهایم که احتمالاً بیشتر به کارتان میآید:
📁 منابع را چطور مرتب کنیم؟
📄 مقاله را چطور اضافه کنیم؟
🏷️ چطور منابع را دستهبندی و علامتگذاری کنیم؟
📝 چطور هنگام نوشتن، رفرنس اضافه کنیم؟
🔄 و اگر سبک رفرنسدهی عوض شد، چه کنیم؟
زوترو را قرار نیست فقط بشناسیم، قرار هست یاد بگیریم چطور از آن استفاده کنیم. 👀
یک مقاله اینجاست، PDF یکی دیگر آنجاست، رفرنسها هم معلوم نیست کجا ذخیره شدهاند و آخر کار باید بنشینی و همه را دستی مرتب کنی.
اینجا Zotero وارد ماجرا میشود.
نه قرار است پژوهش را برایت انجام دهد، نه قرار است جای فکر کردن را بگیرد؛
فقط کمک میکند بخش خستهکنندهی مدیریت منابع کمتر وقتت را بگیرد.
توی این آموزش، Zotero را از همان جایی شروع کردهایم که احتمالاً بیشتر به کارتان میآید:
📁 منابع را چطور مرتب کنیم؟
📄 مقاله را چطور اضافه کنیم؟
🏷️ چطور منابع را دستهبندی و علامتگذاری کنیم؟
📝 چطور هنگام نوشتن، رفرنس اضافه کنیم؟
🔄 و اگر سبک رفرنسدهی عوض شد، چه کنیم؟
زوترو را قرار نیست فقط بشناسیم، قرار هست یاد بگیریم چطور از آن استفاده کنیم. 👀
❤3🔥1👏1
zotero_kianimoghadam studyLab.pdf
1.2 MB
گاهی یک فایل کوچک میتواند چند ساعت سرچ و آزمونوخطا را نجات بدهد. 🌱
📥 فایل را ذخیره کنید؛
احتمالاً موقع نوشتن مقاله یا پایاننامه، یک بار دیگر به کارتان میآید.
📥 فایل را ذخیره کنید؛
احتمالاً موقع نوشتن مقاله یا پایاننامه، یک بار دیگر به کارتان میآید.
❤6👏2🙏2🔥1
اگر تا حالا وسط مرور ادبیات نشستی و دیدی مقالات مثل موج میان و ذهنت پر شده از «این یکی چی گفت؟ اون یکی چی؟»، این پست دقیقاً برای توئه.
ماتریس سنتز (Synthesis Matrix) یه تکنیک سادهست که کمکت میکنه از این سردرگمی بیرون بیای.
در واقع یه جدول معمولی (تو اکسل، گوگل شیت یا حتی ورد) هست که منابع رو بهجای لیست خطی، بهصورت شبکهای کنار هم میچینه.
هر ردیف نشوندهندهی یک مقالهست و هر ستون یکی از موضوعها، تمها، روشها یا یافتههای کلیدی رو پوشش میده. وقتی این کار رو انجام میدی، دیگه لازم نیست بیست تا مقاله رو جدا جدا بخونی و بعد یادت بره چی نوشته بودن. همهشون رو یکجا میبینی و رابطههاشون کمکم آشکار میشه.
این دقیقاً همون جاییه که ماتریس برای تعداد بالای مقالات معجزه میکنه.
✨شباهتها و تضادها فوری معلوم میشن
✨شکافهای تحقیقاتی خودشون رو نشون میدن
✨الگوهای تکراری در روش، نمونه یا نتیجه بهراحتی دیده میشن.
در نتیجه موقع نوشتن دیگه از صفر شروع نمیکنی؛ فقط از روی همون جدول سنتز مینویسی.
ستونها رو هم دقیقاً بر اساس نیاز موضوعت تنظیم کن. لازم نیست همهشون رو پر کنی. حتی خالی بودن بعضی خانهها خودش اطلاعات مهمی بهت میده🙌
یادت باشه ماتریس سنتز برای جمعکردن مقالهها ساخته نشده. هدفش دیدن رابطهی بین مقالههاست.
چون هدف Literature Review این نیست که فقط نشون بدیم هر مقاله چه گفته. هدف اینه که بتونیم بگیم وقتی این مطالعات رو کنار هم میذاریم، چه تصویری از موضوع بهدست میاد🤌
اگه بیست تا مقاله داری و هنوز حس میکنی تصویر کلی مشخص نیست، شاید مشکل کمبود مقاله نباشه. شاید هنوز اونا رو واقعاً کنار هم ندیدی🧐
@KianimoghadamstudyLab🪷
ماتریس سنتز (Synthesis Matrix) یه تکنیک سادهست که کمکت میکنه از این سردرگمی بیرون بیای.
در واقع یه جدول معمولی (تو اکسل، گوگل شیت یا حتی ورد) هست که منابع رو بهجای لیست خطی، بهصورت شبکهای کنار هم میچینه.
هر ردیف نشوندهندهی یک مقالهست و هر ستون یکی از موضوعها، تمها، روشها یا یافتههای کلیدی رو پوشش میده. وقتی این کار رو انجام میدی، دیگه لازم نیست بیست تا مقاله رو جدا جدا بخونی و بعد یادت بره چی نوشته بودن. همهشون رو یکجا میبینی و رابطههاشون کمکم آشکار میشه.
این دقیقاً همون جاییه که ماتریس برای تعداد بالای مقالات معجزه میکنه.
✨شباهتها و تضادها فوری معلوم میشن
✨شکافهای تحقیقاتی خودشون رو نشون میدن
✨الگوهای تکراری در روش، نمونه یا نتیجه بهراحتی دیده میشن.
در نتیجه موقع نوشتن دیگه از صفر شروع نمیکنی؛ فقط از روی همون جدول سنتز مینویسی.
ستونها رو هم دقیقاً بر اساس نیاز موضوعت تنظیم کن. لازم نیست همهشون رو پر کنی. حتی خالی بودن بعضی خانهها خودش اطلاعات مهمی بهت میده🙌
یادت باشه ماتریس سنتز برای جمعکردن مقالهها ساخته نشده. هدفش دیدن رابطهی بین مقالههاست.
چون هدف Literature Review این نیست که فقط نشون بدیم هر مقاله چه گفته. هدف اینه که بتونیم بگیم وقتی این مطالعات رو کنار هم میذاریم، چه تصویری از موضوع بهدست میاد🤌
اگه بیست تا مقاله داری و هنوز حس میکنی تصویر کلی مشخص نیست، شاید مشکل کمبود مقاله نباشه. شاید هنوز اونا رو واقعاً کنار هم ندیدی🧐
@KianimoghadamstudyLab🪷
❤7🔥2