تو پیام اول خواستم عکس کامل رو بزارم تا پیکسلی از این شاهکار رو از دست ندید.
اینکه در تصویر چه کسانی هستند رو احتمالا بدونید، اما اگر نمیدونید هم میتونید از gpt بپرسید!

@LLM_JC

📌 مرور نظام‌مند (Systematic Review) چیست و چرا به آن نیاز داریم؟

🔹 اگر در دنیای پژوهش و دانشگاه فعالیت می‌کنید، احتمالاً نام «مرور نظام‌مند» یا همان Systematic Review را زیاد شنیده‌اید. (خودم نشنیده بودم) مرور نظام‌مند، یک مرور ادبیاتِ (Literature Review) معمولی نیست؛ بلکه یک روش تحقیق ساختاریافته، کاملاً شفاف و دقیق است که با هدفی مشخص و بر اساس یک نقشه راهِ از پیش‌تعیین‌شده (Protocol) انجام می‌شود. در این روش، پژوهشگر برای پاسخ به یک سوالِ علمیِ مشخص، تمام مطالعات مرتبط و موجود در آن زمینه را به صورت جامع جستجو، غربالگری، ارزیابی کیفی و سپس ترکیب (Synthesize) می‌کند. هدف اصلی در یک مرور نظام‌مند این است که با به‌کارگیری معیارهای ورود و خروج شفاف، «سوگیری» (Bias) به حداقل برسد و نتایجی قابل‌اعتماد، تکرارپذیر و مستند به دست آید.
🔹 اما چرا به مرور نظام‌مند نیاز داریم؟ روزانه هزاران مقاله علمی منتشر می‌شود و برای یک پژوهشگر، پزشک یا سیاست‌گذار غیرممکن است که بتواند تمام این حجم از داده‌ها را بخواند و تحلیل کند؛ به‌ویژه وقتی که نتایج این مطالعات گاهی با هم متناقض هستند! اینجاست که به مرور نظام‌مند نیاز مبرم داریم. ما به این ابزار نیازمندیم تا قوی‌ترین و معتبرترین شواهد علمی موجود را یک‌جا جمع کنیم، سره را از ناسره تشخیص دهیم و بر اساس نگاهی جامع، به تصمیم‌گیری‌های حساس در دنیای واقعی (مانند تجویز یک دارو، تغییر یک سیاست اجتماعی یا انتخاب مسیر یک پروژه بزرگ مهندسی) کمک کنیم. مرور نظام‌مند به ما دیدگاهی بالادستی و بدون تعصبِ شخصی می‌دهد تا بدانیم علم در یک موضوع خاص تا کجا پیش رفته و «شکاف‌های پژوهشی» (Research Gaps) دقیقاً کجا هستند.

دانشگاه UCL یک مینی کورس نوشتاری شده در این خصوص داره که در لینک زیر میتونید مشاهده کنید:
🔗 https://library-guides.ucl.ac.uk/systematic-reviews/home
اگر علاقه‌ای به سبک بالا داشتید میتونید بقیه کورس‌هاشون رو هم اینجا ببینید:
🔗 https://library-guides.ucl.ac.uk/skills

@LLM_JC

روش Three-pass برای مطالعه مقالات علمی از Keshav استاد دانشگاه کمبریج

@LLM_JC

انگیزه ام از ایجاد این کانال این بود که همزمان با سمینارم بیام اون مسیر خودم تا دفاع و بعدش رو اینجا هم بزارم تا انگیزه‌ای بشه برای ادامه. کارهایی که تا اینجا کردم (البته چون همزمان بود با امتحانات و حتی الان که همزمانه با پروژه‌ها) زیاد نبوده. فعلا شیت پایین رو درست کردم و با یه دیپ ریسرچ جمینای چند تا مقاله رو اضافه کردم به شیت.

برای دادن نظم به کارهام یه گوگل شیت درست کردم که چهار تا تب داره:
- schedule (یه رودمپ تا پایان سمینار - یعنی دفاعش - رسم شده، شامل فاز و ددلاین اون فاز)
- task (تقریبا مثل بالاست ولی ریزتر، و اینکه بیان شده برای یه تسک چند ساعت وقت گذاشتم)
- literature-repository (اینجا تمام مقالاتی که پیدا کردم رو آوردم)
- content-synthesis (اینجا هم یه خلاصه ساختارمند از مقاله‌های مهم تب قبلی رو آوردم)

ستون‌های literature-repository عبارتند از:
ID, Title, Authors, Year, status, Q, Journal / Conference, type, cites, How did I find it, keywords, DOI, link(s), note

ستون های content-synthesis هم عبارتند از:
ID, title, year, concept and contributes, implementation and methods, core related work, input data characteristics, type of evaluation, representitive image, key, quotes, خلاصه فارسی

از حرکت‌های خاصی هم که زدم اینه که توی literature-repository اگر title یا doi دو تا رکود یکی بود اونا رو هایلایت میکنه، اینطوری مقالات کپی شده (احتمالا از کوئری‌های سرچ مختلفی اومدن) سریع تر پیدا میشن
تو content-synthesis هم وقتی آیدی وارد میکنی، باعث میشه خوکار بره از literature-repository بره title و year رو برداره

علاوه بر اینا، هفته‌ای ۳ روز هم جلسه با منتور داریم. در ادامه سعی میکنم هر مقاله‌ای رو که خوندم خودش رو به همراه یه توضیحی بفرستم.

@LLM_JC

📄 A SURVEY OF LLM-BASED MULTI-AGENT SYSTEMS IN MEDICINE

authors: Yanna Lin, Shaojie Xu, et al.

keywords: Survey, LLM-based Multi-agent Systems, Medical domain

paper link
@LLM_JC

❕اسم‌ها رو به آیدی (بالاتر گفتم چیه) تغییر دادم، به همین خاطر اینطوری اند

📄 LLaVA-Med: Training a Large Language-and-Vision Assistant for Biomedicine in One Day

TLDR: This paper proposes a cost-efficient approach for training a vision-language conversational assistant that can answer open-ended research questions of biomedical images, and releases instruction-following data and the LLaVA-Med model, which exhibits excellent multimodal conversational capability.

semantic scholar
@LLM_JC

📄 Towards Generalist Biomedical AI

TLDR: Med-PaLM M is a large multimodal generative model that flexibly encodes and interprets biomedical data including clinical language, imaging, and genomics with the same set of model weights and reaches performance competitive with or exceeding the state of the art on all MultiMedBench tasks, often surpassing specialist models by a wide margin.

semantic scholar
@LLM_JC

این عبارت مخفف Too Long, Didn't Read هست که سایت semantic scholar ارائه داده اش (به معنی خیلی زیاده نخوندم 🗿). یه خلاصه خیلی کوتاه و مفید برای اینکه بدونید قراره تقریبا تو مقاله چی ببینید.

برای اینکه یه لینک به مقاله بدم بنظرم semantic scholar اون مقاله بهترین گزینه است. البته فکر کنم تحریم/فیلتری چیزی باشه ولی یه خیلی اطلاعات زیادی از مقاله رو میتونید اینجا پیدا کنید. از دیگر لینک‌های مقاله گرفته تا رفرنس‌هاش و مقالاتی که به این مقاله سایتیشن زدن و مقالات مرتبط و این که کجا و کی چاپ شده و ...

حالا خود سایتش رو هم ببینید شاید جذب شدید:

یکی دیگه از سایت‌های فوق العاده برای ریسرچ alphaxiv هست. حالا نمیدونم ربطی به arxiv هم داره یا نه. همونطور که تو عکس مشخصه شما میتونید مقاله رو شکل یه بلاگ در بیارید (به هر زبونی ولی قاعدتا انگلیسیش چیز تمیزتریه) یه قسمت خاص رو که نفهمیدید هایلایت کنید و از دستیار هوش مصنوعیش سوال بپرسید.

https://www.alphaxiv.org/overview/2306.00890

آلفاکایو یه نقشه به اسم researcher map داره، توش دانشمندان معروفی که مقالات‌شون رو پوشش میده آورده، دایره‌هه هم هر چقدر بزرگ‌تر باشه احتمالا اون فرد معروف تره. بیشتر اسم‌های آشنا برام تو قسمت deep learning بود مثل Li Fei-Fei و Christopher Manning و Yann LeCun و Ilya Sutskever کوفاندر openAI.

@LLM_JC