MicroResearch
249 subscribers
4 photos
1 video
81 links
کانال معاونت پژوهشی دانشکده دندانپزشکی دانشگاه علوم پزشکی تهران

🔆آموزش مجازی و توانمندسازی در جهت ارتقای کیفیت پژوهش
Download Telegram
MicroResearch

🔺 سرفصل دوازدهم: آینده‌ پژوهی در پژوهش‌های دندانپزشکی

🌍 علم باز (Open Science): پره‌پرینت، دسترسی آزاد و دیتا شیرینگ

علم باز جنبشی جهانی است که هدف آن ایجاد شفافیت، دسترسی برابر و همکاری گسترده‌تر در فرایند پژوهش است. در این رویکرد، پژوهش به جای انحصار، بر پایه‌ی اشتراک‌گذاری آزاد اطلاعات، داده‌ها و نتایج شکل می‌گیرد.

پژوهشگران می‌توانند داده‌های خام، کدهای تحلیلی و مستندات خود را از طریق پلتفرم‌هایی مانند Open Science Framework (OSF)، Zenodo یا Figshare در اختیار دیگران قرار دهند. این شفافیت نه‌تنها موجب افزایش اعتماد و بازتولیدپذیری نتایج می‌شود، بلکه همکاری میان گروه‌های پژوهشی مختلف را نیز تسهیل می‌کند.

یکی از ارکان مهم علم باز، انتشار پره‌پرینت‌ها (Preprints) است — نسخه‌های اولیه مقالات پژوهشی که پیش از داوری رسمی در سرورهایی مانند medRxiv، bioRxiv و Research Square منتشر می‌شوند. این اقدام باعث می‌شود یافته‌های علمی سریع‌تر به جامعه پژوهشی برسند، از دوباره‌کاری جلوگیری شود و زمینه‌ی بحث و بازخورد پیش از انتشار نهایی فراهم گردد.

در کنار آن، دسترسی آزاد (Open Access) به مقالات علمی، امکان مطالعه و استفاده از نتایج پژوهش‌ها را برای همه فراهم می‌سازد — به‌ویژه برای پژوهشگران در کشورهای کم‌درآمد یا مؤسساتی که اشتراک مجلات گران‌قیمت را ندارند.

با وجود مزایای فراوان، علم باز نیازمند پایبندی به اصول اخلاقی و حفظ حریم بیماران و شرکت‌کنندگان است. داده‌ها باید با رعایت استانداردهای حفاظت از اطلاعات شخصی منتشر شوند.

در نهایت، آینده علم — از جمله پژوهش‌های دندانپزشکی — بر پایه‌ی اشتراک، شفافیت و هم‌افزایی است، نه رقابت و انحصار. هر پژوهشگر می‌تواند با گام‌های کوچک، از به‌اشتراک‌گذاری پره‌پرینت‌ها تا مستندسازی داده‌ها، به شکل‌گیری فرهنگی علمی‌تر و بازتر کمک کند.

🔜 در پست بعدی، به موضوع «بیگ‌دیتا (Big Data) و تحلیل هوشمند داده‌ها در دندانپزشکی» خواهیم پرداخت.

🌐 #dentalresearch #openscience #preprint #opendata #openaccess #researchstrategy #innovation #MicroResearch
#dentalresearch #futurescience #researchstrategy #innovation #scientometrics #AIindentalresearch #dentistry #MicroResearch

🌟 با ما همراه باشید ☺️

🔗 لینک کانال تلگرام:
https://t.me/MicroResearchTums
2🙏2
MicroResearch
🔺 سرفصل دوازدهم: آینده‌ پژوهی در پژوهش‌های دندانپزشکی

📊 بیگ‌دیتا (Big Data) در پژوهش‌های دندانپزشکی: از داده تا تصمیم

در سال‌های اخیر، مفهوم بیگ‌دیتا به یکی از محورهای تحول در پژوهش‌های علوم پزشکی و دندانپزشکی تبدیل شده است. بیگ‌دیتا به مجموعه داده‌های بسیار حجیم، متنوع و پویا گفته می‌شود که با سرعت بالا تولید می‌شوند و تحلیل آن‌ها با روش‌های سنتی ممکن نیست. در حوزه دندانپزشکی، این داده‌ها می‌توانند شامل تصاویر رادیوگرافی، سوابق الکترونیک بیماران، داده‌های ژنومی و میکروبی، نتایج درمان‌ها، و حتی داده‌های رفتاری بیماران باشند.

به‌کارگیری بیگ‌دیتا در پژوهش‌های دندانپزشکی، مسیر جدیدی برای پژوهش مبتنی بر شواهد دقیق‌تر و شخصی‌تر ایجاد کرده است. به کمک تحلیل این داده‌ها می‌توان الگوهای پنهان را در بیماری‌های دهان و دندان شناسایی کرد، ریسک ابتلا به بیماری‌ها را پیش‌بینی نمود، و حتی درمان‌های هدفمندتری طراحی کرد.

برای بهره‌گیری مؤثر از بیگ‌دیتا، چند نکته و راهکار کلیدی اهمیت دارد:

1. 💾 یکپارچه‌سازی داده‌ها:
گردآوری داده‌ها از منابع مختلف (کلینیکی، آزمایشگاهی، ژنتیکی) و تبدیل آن‌ها به قالب‌های استاندارد، نخستین گام برای تحلیل دقیق است.

2. 🧠 تحلیل داده با هوش مصنوعی و یادگیری ماشین:
الگوریتم‌های یادگیری ماشین می‌توانند در تشخیص الگوهای تصویری، پیش‌بینی پاسخ درمان و شناسایی عوامل خطر، عملکردی بسیار فراتر از روش‌های آماری سنتی داشته باشند.

3. 🔒 حفاظت از حریم خصوصی بیماران:
در کنار ارزش بالای داده‌ها، رعایت اصول اخلاقی و قوانین مربوط به حریم خصوصی، ضروری است. پژوهش‌های مبتنی بر بیگ‌دیتا باید با رویکرد اخلاق‌محور طراحی شوند.

4. 🌐 همکاری بین‌المللی و اشتراک داده‌ها:
ایجاد پایگاه‌های داده مشترک و همکاری‌های چندمرکزی، می‌تواند موجب افزایش اعتبار و تعمیم‌پذیری نتایج پژوهشی شود.

در نهایت، بیگ‌دیتا نه‌تنها حجم اطلاعات را افزایش می‌دهد، بلکه افق پژوهش را گسترش می‌دهد. پژوهشگر آینده باید بتواند از داده‌ها معنا استخراج کند، نه فقط عدد.
تحلیل هوشمند داده‌ها، کلید تصمیم‌گیری‌های بالینی دقیق‌تر و سیاست‌گذاری‌های سلامت مؤثرتر در آینده است.

🔜 در پست بعدی، به موضوع «سلامت روان پژوهشگران و پیشگیری از فرسودگی علمی» می‌پردازیم.

🌐 #dentalresearch #bigdata #AIindentalresearch #futurescience #datasharing #innovation #researchstrategy #MicroResearch

🌟 با ما همراه باشید ☺️

🔗 لینک کانال تلگرام:
https://t.me/MicroResearchTums
🙏21
MicroResearch

🔺 سرفصل دوازدهم: آینده‌ ‌پژوهی در پژوهش‌های دندانپزشکی

🧑‍🎓 سلامت روان پژوهشگران: مدیریت استرس و پیشگیری از فرسودگی

پژوهشگران، به‌ویژه در رشته‌های رقابتی مانند دندانپزشکی، اغلب در معرض فشارهای مداوم برای انتشار مقالات، دریافت گرنت‌ها و پاسخ‌گویی به داوری‌های سخت‌گیرانه هستند. این فشارها اگر به‌درستی مدیریت نشوند، به فرسودگی پژوهشی (Research Burnout) منجر می‌شوند — وضعیتی که با احساس ناکارآمدی، خستگی ذهنی، کاهش تمرکز و بی‌میلی نسبت به پروژه‌ها همراه است.

برای مقابله با این روند، چند راهکار مؤثر پیشنهاد می‌شود:

1. ⚖️ تعادل کار و زندگی پژوهشی:
تعیین ساعات مشخص برای پژوهش و استراحت، و اختصاص زمان‌های بدون ایمیل یا بدون دیتا، می‌تواند ذهن را بازیابی کند.
2. 🧩 تنوع در فعالیت‌ها:
تغییر نوع کار میان فعالیت‌های تحلیلی، نگارش، تدریس یا کارهای آزمایشگاهی، از یکنواختی جلوگیری می‌کند.
3. 💬 ایجاد فضای حمایتگر در گروه‌های پژوهشی:
گفتگوهای صادقانه درباره استرس، اشتراک تجربه‌ها و حمایت همکاران، از احساس انزوا و فشار می‌کاهد.
4. 🌱 یادگیری مهارت‌های ذهن‌آگاهی (Mindfulness) و تنظیم هیجان:
تمرین‌های ساده مانند تنفس آگاهانه یا نوشتن افکار روزانه، می‌تواند تاب‌آوری ذهنی پژوهشگران را تقویت کند.
5. 🎯 بازتعریف اهداف پژوهشی:
تمرکز بر معنا و تأثیر کار پژوهشی، نه صرفاً شاخص‌های عددی، انگیزه درونی را حفظ می‌کند.

پژوهش مؤثر، تنها به مهارت‌های فنی وابسته نیست؛ ذهن سالم و متعادل، شرط خلاقیت و نوآوری است. مراقبت از سلامت روان، بخشی از مسئولیت حرفه‌ای هر پژوهشگر محسوب می‌شود، نه امری حاشیه‌ای.

🔜 در پست های بعدی به بررسی محورهای مختلف در یک دقیقه خواهیم پرداخت.

🌐 #dentalresearch #futurescience #researchstrategy #innovation #scientometrics #AIindentalresearch #dentistry #MicroResearch

🌟 با ما همراه باشید ☺️

🔗 لینک کانال تلگرام:
https://t.me/MicroResearchTums
🙏31
🧩 محور ۱: پروپوزال‌نویسی
🎯 یک نکته یک دقیقه‌ای: تفاوت Aim و Objective
در نوشتن پروپوزال، Aim جهت کلی پژوهش است؛ یعنی می‌خواهیم در نهایت به چه هدفی برسیم.
اما Objectives مسیرهای دقیق رسیدن به آن هدف هستند؛ هر Objective یک گام قابل‌اندازه‌گیری برای تحقق Aim محسوب می‌شود.
📘 مثال:
Aim: بررسی تأثیر سیگار بر سلامت دهان.
Objective: اندازه‌گیری میزان پلاک و التهاب لثه در افراد سیگاری و غیرسیگاری.
🔹 به زبان ساده: Aim مقصد است، Objectives مسیر رسیدن به آن.
#ResearchProposal #AcademicWriting #ResearchTips #OneMinuteTip
🙏32👍1
🧾 چک‌لیست کوچک: ۵ سؤال قبل از انتخاب عنوان پروپوزال
قبل از نهایی کردن عنوان پروپوزال، این پنج سؤال را از خودتان بپرسید:
1️⃣ آیا موضوع به نیازهای علمی یا اجتماعی واقعی پاسخ می‌دهد؟
2️⃣ آیا داده یا نمونه در دسترس دارم؟
3️⃣ آیا روش مطالعه متناسب با سؤال من است؟
4️⃣ آیا عنوان کوتاه، شفاف و بدون اصطلاح مبهم است؟
5️⃣ آیا عنوان با اهداف پژوهش هم‌راستا است؟
پاسخ "بله" به هر پنج مورد یعنی موضوع شما آماده ورود به مرحله نگارش است.
#ResearchDesign #ProposalWriting #GraduateResearch #OneMinuteTip
🙏21
🔍 محور ۲: مرور متون
💡 ابزار هفته: Research Rabbit
یکی از بهترین ابزارهای رایگان برای مرور متون.
📚 کافی است عنوان یا DOI یک مقاله را وارد کنید تا شبکه‌ای از پژوهش‌های مرتبط را به‌صورت گرافیکی ببینید.
ویژگی عالی آن؟ امکان دنبال‌کردن “روند پژوهشی” در یک موضوع خاص است، نه فقط لیست ساده‌ی مقالات.
📘 مثال:
جستجوی “oral microbiome and Alzheimer’s disease” مسیرهای پژوهشی و تیم‌های فعال در این حوزه را نشان می‌دهد.
درواقع Research Rabbit یک Google Scholar هوشمند و تصویری است.
#LiteratureReview #ResearchTools #AiinResearch #OneMinuteTip
🙏21
✍️ چطور یک عنوان خوب بنویسیم؟
یک عنوان خوب در پروپوزال باید سه ویژگی داشته باشد:
🔹 شفافیت: خواننده باید فوراً بفهمد موضوع درباره‌ی چیست.
🔹 دقت: از اصطلاحات تخصصی درست استفاده کن، ولی از پرگویی بپرهیز.
🔹 قابلیت اندازه‌گیری: اگر در عنوان “ارزیابی”، “بررسی”، یا “تأثیر” داری، مطمئن شو که متغیرهایت قابل سنجش‌اند.
📘 مثال:
"Assessment of salivary biomarkers for early detection of oral cancer"
کوتاه، دقیق، و دارای دو متغیر مشخص (biomarkers و cancer).
#ResearchProposal #OneMinuteTip #AcademicWriting #PhDlife
3🙏2
MicroResearch

📑 یک خطای رایج در پژوهش: نوشتن فرضیه پیش از طراحی روش مطالعه

در فرآیند پژوهش علمی، فرضیه یکی از اجزای کلیدی است که مسیر تحلیل داده‌ها را مشخص می‌کند. با این حال، یکی از خطاهای متداول، به‌ویژه در میان پژوهشگران تازه‌کار، تدوین فرضیه پیش از آن است که طراحی روش مطالعه به‌طور دقیق انجام شده باشد. در این حالت، پژوهشگر هنوز نوع مطالعه، متغیرها و شیوه اندازه‌گیری آن‌ها را مشخص نکرده، اما تلاش می‌کند گزاره‌ای را به‌عنوان فرضیه مطرح کند.

مشکل اصلی این رویکرد آن است که فرضیه زمانی معنا و اعتبار علمی پیدا می‌کند که قابل آزمون باشد. آزمون‌پذیری تنها زمانی ممکن است که نوع مطالعه (مانند مقطعی، مداخله‌ای یا کارآزمایی بالینی)، متغیرهای مستقل و وابسته، و ابزار سنجش آن‌ها از پیش به‌روشنی تعریف شده باشند. اگر این مراحل نادیده گرفته شوند، فرضیه معمولاً به یک جمله کلی و مبهم تبدیل می‌شود که نه می‌توان آن را با داده‌های واقعی سنجید و نه می‌توان از نظر آماری آن را رد یا تأیید کرد.

برای روشن‌تر شدن موضوع، جمله‌ای مانند «هوش مصنوعی رضایت بیماران را افزایش می‌دهد» در نگاه اول شبیه یک فرضیه به نظر می‌رسد، اما از نظر علمی ناقص است؛ زیرا مشخص نمی‌کند کدام نوع هوش مصنوعی، در چه زمینه‌ای، با چه معیاری و در مقایسه با چه چیزی سنجیده می‌شود. در مقابل، وقتی ابتدا طراحی مطالعه انجام شده باشد، فرضیه می‌تواند به شکلی دقیق و آزمون‌پذیر بیان شود؛ برای مثال: «استفاده از ابزارهای تشخیصی مبتنی بر هوش مصنوعی، امتیاز رضایت بیماران را در مقایسه با روش‌های تشخیصی متداول افزایش می‌دهد.» چنین فرضیه‌ای به‌وضوح متغیرها، گروه مقایسه و شاخص سنجش را مشخص کرده است.

البته توجه به این نکته ضروری است که این بحث عمدتاً به پژوهش‌های کمی و آزمون‌محور مربوط می‌شود. در پژوهش‌های کیفی یا مطالعات نظری، معمولاً فرضیه به شکل کلاسیک وجود ندارد یا در طی فرایند پژوهش به‌تدریج شکل می‌گیرد. بنابراین، نوشتن فرضیه پیش از روش، ذاتاً در همه انواع پژوهش نادرست نیست، اما در مطالعات کمی که هدف آن‌ها آزمون فرضیه است، می‌تواند یک خطای جدی روش‌شناختی محسوب شود.

در جمع‌بندی می‌توان گفت، برای نوشتن یک فرضیه معتبر و علمی، لازم است ابتدا چارچوب روش مطالعه به‌دقت طراحی شود. زمانی که نوع مطالعه، متغیرها و ابزار اندازه‌گیری مشخص باشند، فرضیه به‌طور طبیعی شفاف، دقیق و آزمون‌پذیر خواهد بود؛ و این دقیقاً همان نقطه‌ای است که پژوهش علمی از یک ایده کلی به یک مطالعه قابل دفاع و معتبر تبدیل می‌شود.

#HypothesisTesting #OneMinuteTip #ResearchDesign #ProposalWriting
1🙏1
📑اشتباه رایج در مرور متون: بسنده‌کردن به Abstract

اگرچه Abstract نمای کلی از هدف، طراحی مطالعه و یافته‌های اصلی ارائه می‌دهد و ابزار مناسبی برای غربال اولیه مقالات است،
اما برای ارزیابی دقیق روش‌شناسی، اعتبار نتایج و شناسایی خلأهای پژوهشی کافی نیست.

مطالعه‌ی دقیق بخش‌های زیر در مقالات کلیدی ضروری است:

Introduction: برای درک زمینه‌ی نظری و جایگاه مطالعه

Methods: برای ارزیابی طراحی، کیفیت داده‌ها و قابلیت تعمیم

Discussion (به‌ویژه محدودیت‌ها): برای تشخیص خلأهای واقعی پژوهش

این رویکرد از برداشت‌های سطحی جلوگیری کرده و به تعریف سؤال پژوهشی دقیق‌تر منجر می‌شود.

#ResearchMistakes #EvidenceBasedResearch #SystematicReview #OneMinuteTip
1🙏1
🤖هوش مصنوعی در پژوهش

🧰 ابزار هفته: Elicit

ابزار Elicit یک دستیار هوش مصنوعی برای مرور متون است.
با نوشتن سؤال پژوهشی خود (مثلاً Does oral microbiome influence Alzheimer’s disease؟)، Elicit به‌طور خودکار مهم‌ترین مطالعات، خلاصه نتایج و حتی روش‌های آماری آن‌ها را استخراج می‌کند.
ویژگی متمایز آن: می‌تواند سؤالات فرعی و متغیرهای مرتبط را پیشنهاد دهد — عالی برای شروع Systematic Review.

https://elicit.com/

#AIinResearch #Elicit #LiteratureReview #OneMinuteTip
🙏31
MicroResearch

🧠 چطور یک پرامپت خوب برای هوش مصنوعی بنویسیم؟

کیفیت خروجی‌ای که از ابزارهای هوش مصنوعی می‌گیرید، مستقیماً به کیفیت دستوری بستگی دارد که به آن می‌دهید.
یک پرامپت خوب یعنی دستور واضح + زمینه کافی + هدف مشخص.

در ادامه، ساختار یک پرامپت مؤثر را مرور می‌کنیم:

1️⃣ نقش را مشخص کنید (Role)

به هوش مصنوعی بگویید از چه زاویه‌ای پاسخ دهد.

مثلاً:
▫️ «به عنوان یک پژوهشگر سلامت عمومی پاسخ بده»
▫️ «در نقش یک نویسنده پروپوزال پژوهشی بنویس»
▫️ «مثل یک مروج علمی برای عموم توضیح بده»

این کار سطح تخصص، واژگان و لحن پاسخ را تنظیم می‌کند.

2️⃣ وظیفه را دقیق تعریف کنید (Task)

فقط موضوع را نگویید؛ بگویید دقیقاً چه کاری باید انجام شود.

ضعیف:
«درباره سلامت دهان بنویس»

قوی:
«چالش‌های اصلی سلامت دهان در سالمندان را خلاصه کن»

حتی بهتر است نوع خروجی را هم مشخص کنید:
▫️ «در ۱۵۰ کلمه»
▫️ «به صورت بولت‌پوینت»
▫️ «در قالب جدول مقایسه‌ای»

3️⃣ زمینه بدهید (Context)

اطلاعات پس‌زمینه باعث می‌شود پاسخ هدفمند و کاربردی شود.

مثلاً:
▫️ این متن برای پروپوزال است یا شبکه اجتماعی؟
▫️ حوزه پژوهش چیست؟
▫️ جمعیت مورد مطالعه چه کسانی هستند؟
▫️ محدودیت جغرافیایی یا زمانی وجود دارد؟

نمونه:
«این متن برای یک پروپوزال درباره ابزارهای دیجیتال سلامت دهان در سالمندان مناطق کم‌برخوردار است.»

4️⃣ محدودیت‌ها را تعیین کنید (Constraints)

این بخش جلوی پاسخ‌های کلی و نامتمرکز را می‌گیرد.

می‌توانید مشخص کنید:
▫️ حداکثر طول متن
▫️ لحن (رسمی، نیمه‌رسمی، ساده برای عموم)
▫️ سطح توضیح (تخصصی یا عمومی)
▫️ ساختار (پاراگرافی، لیستی، تیتر‌دار)

5️⃣ اگر می‌توانید، الگو بدهید (Examples)

وقتی ساختار دلخواه‌تان را نشان می‌دهید، خروجی بسیار دقیق‌تر می‌شود.

مثلاً:
«با این ساختار بنویس:
زمینه – مشکل – راهکار – اهمیت»

یک قالب آماده برای استفاده

می‌توانید از این الگو در کارهای پژوهشی خود استفاده کنید:

نقش:
وظیفه:
زمینه:
مخاطب:
فرمت خروجی:
محدودیت‌ها:

🎯 جمع‌بندی
اگر پاسخ هوش مصنوعی کلی، نامرتبط یا ضعیف است، معمولاً مشکل از «پرامپت» است نه از «ابزار».
پرامپت دقیق = خروجی دقیق.

#ArtificialIntelligence #PromptEngineering #ResearchTools #ResearchSkills #AcademicSkills #ScientificResearch #EarlyCareerResearchers #PhDLife #OneMinuteTip
👏21🙏1
MicroResearch

🔍 SCI، ISI و Web of Science |
یک سوءتفاهم رایج پژوهشی

خیلی وقت‌ها می‌شنویم:
«این ژورنال ISI هست؟»
یا
«مقاله SCI حساب می‌شه؟»

اما واقعیت علمی امروز کمی دقیق‌تر از این اصطلاحات قدیمی است 👇

📌 SCI چیست؟
کلمه SCI مخفف *Science Citation Index* است؛ یکی از شاخص‌های اصلی پایگاه Web of Science که ژورنال‌ها را بر اساس کیفیت داوری، استنادپذیری و تأثیر علمی ارزیابی می‌کند.

📌 ISI چیست؟
کلمه ISI در اصل نام یک مؤسسه قدیمی (*Institute for Scientific Information*) بود که سال‌ها پیش پایگاه‌های استنادی را بنیان گذاشت.
❗️این مؤسسه امروز دیگر وجود مستقل ندارد و فعالیت‌های آن به Clarivate Analytics منتقل شده است.

📌 پس معیار واقعی امروز چیست؟
Web of Science
این پایگاه تنها سیستمی است که:

* کیفیت ژورنال‌ها را ساختارمند ارزیابی می‌کند
* Impact Factor را به‌صورت رسمی محاسبه می‌کند
* فیلترهای سخت‌گیرانه‌ای برای داوری، ثبات انتشار و اثرگذاری علمی دارد

📌 چرا نمایه شدن در WoS مهم است؟
در بسیاری از نظام‌های دانشگاهی:

* ارتقای هیئت علمی
* اعتبار پایان‌نامه‌ها
* طرح‌های پژوهشی

فقط استناد به ژورنال‌های نمایه‌شده در Web of Science معتبر محسوب می‌شود.

🎯 جمع‌بندی کوتاه:

* ISI → یک نام تاریخی
* SCI → یکی از شاخص‌های Web of Science
* معیار رسمی امروز → جایگاه ژورنال در Web of Science

پس سؤال درست این نیست:
«ژورنال ISI هست یا نه؟»

سؤال درست این است:
«در کدام شاخص Web of Science نمایه شده است؟»


📊 شاخص‌های اصلی Web of Science

🔹 SCI-Expanded (SCIE)
ژورنال‌های علوم پایه و پزشکی با Impact Factor

🔹 ESCI
ژورنال‌های در حال ارزیابی کیفی (بدون Impact Factor)

#MicroResearch #WebOfScience #SCI #SCIE #ResearchLiteracy #AcademicPublishing #OneMinuteTip
👍2🙏2
MicroResearch

📊 شاخص‌ CiteScore و SJR؛ شاخص‌های مهم ارزیابی مجلات علمی

🔹 CiteScore چیست؟
شاخصی کمّی از پایگاه Scopus (وابسته به **Elsevier**) که نشان می‌دهد مقالات یک مجله در بازه ۴ ساله به طور میانگین چند بار استناد دریافت کرده‌اند. این شاخص صرفاً بر *تعداد استنادها* تمرکز دارد و برای مقایسه کلی مجلات در یک حوزه علمی کاربرد دارد.

🔹 SJR چیست؟
شاخص SCImago Journal Rank که توسط گروه SCImago محاسبه می‌شود. در این معیار، علاوه بر تعداد استنادها، *اعتبار مجله استنادکننده* نیز لحاظ می‌شود؛ بنابراین استناد از مجلات معتبرتر وزن بیشتری دارد.

📌 تفاوت اصلی
CiteScore → کمّیت استنادها
SJR → کمّیت + کیفیت استنادها

🏆 چارک‌بندی مجلات
بر اساس این شاخص‌ها، مجلات در چهار چارک Q1 تا Q4 طبقه‌بندی می‌شوند که Q1 نشان‌دهنده ۲۵٪ برتر هر حوزه است و معمولاً در ارزیابی‌های علمی و دانشگاهی اهمیت بیشتری دارد.
#CiteScore #SJR #Scopus #AcademicPublishing #JournalRanking #Q1 #ResearchMetrics #PhDLife #OneMinuteTip
2👍2🙏2
MicroResearch
⚖️نکته اخلاق پژوهش: مسئولیت استفاده از هوش مصنوعی
ابزارهای هوش مصنوعی (مثل ChatGPT یا Elicit) در نگارش علمی بسیار مفیدند،
اما نویسنده همچنان مسئول صحت داده‌ها و تفسیر نتایج است.
🔹 همیشه ذکر کنید از AI در چه بخشی استفاده شده (مثلاً "editing assistance" یا "data organization").
🔹 هیچ‌وقت متن تولیدی AI را بدون بازبینی به‌عنوان داده یا تحلیل منتشر نکنید.
استفاده مسئولانه از AI، نشانه‌ی بلوغ پژوهشی است.
#ResearchEthics #AIinAcademia #ResponsibleAI #OneMinuteTip
👍2🙏2
MicroResearch

🧠 ابزار هوش مصنوعی برای تولید شکل‌های علمی: Paper Banana
🔗 https://paperbanana.me

اگر آماده‌سازی شکل‌های مقاله برایتان زمان‌بر است، Paper Banana می‌تواند فرآیند را ساده‌تر کند.

این ابزار با استفاده از هوش مصنوعی، توضیح متنی شما را به یک شکل علمی آماده انتشار تبدیل می‌کند. یعنی به‌جای طراحی دستی، فقط کافی است دقیق توضیح بدهید چه می‌خواهید.

مثال پرامپت:
“A methodology flowchart for a scoping review including search, screening, eligibility, and synthesis steps with arrows, clean academic style.”

چطور کار می‌کند؟
1️⃣ شما توضیح متنی شکل را وارد می‌کنید
2️⃣ سیستم ساختار بصری مناسب را طراحی می‌کند
3️⃣ خروجی نهایی به‌صورت تصویر قابل دانلود ارائه می‌شود

📊 چه نوع شکل‌هایی می‌توانید بسازید؟
– فلوچارت انتخاب مقاله
– دیاگرام روش‌شناسی
– مدل مفهومی پژوهش
– نمودارهای داده
– اینفوگرافیک‌های علمی

💡 مزایا
صرفه‌جویی در زمان
خروجی تمیز و آکادمیک
مناسب مقاله، پایان‌نامه و پوستر
بدون نیاز به Illustrator

💰 مدل قیمت‌گذاری
– نسخه رایگان با اعتبار محدود برای تست
– طرح‌های پولی با خرید credit یا اشتراک ماهانه/سالانه
(برای جزئیات دقیق باید بخش Pricing سایت را بررسی کرد)

در پست بعدی، ابزارهای مشابه و گزینه‌های رایگان را دقیق‌تر بررسی می‌کنیم 👇

#MicroResearch #AIinResearch #ScientificWriting #DigitalScholarship
👍21
MicroResearch

🔎 ابزارهای مشابه Paper Banana + گزینه‌های رایگان

اگر قصد دارید برای مقاله یا ارائه‌تان شکل حرفه‌ای بسازید، این ابزارها هم قابل توجه‌اند:

🧬 BioRender
مناسب علوم زیستی و پزشکی.
دارای کتابخانه گسترده از اجزای سلولی، مولکولی و آناتومیک.
بیشتر مبتنی بر Drag & Drop است تا تولید کامل از متن.
نسخه رایگان محدود دارد (خروجی‌ها واترمارک دارند).

🎨 Canva (با ابزارهای AI)
مناسب اینفوگرافیک و طراحی‌های سریع.
رابط کاربری ساده و قالب‌های آماده زیاد.
خروجی بیشتر گرافیکی است تا کاملاً آکادمیک تخصصی.
نسخه رایگان کاربردی دارد.

📐 Mermaid
ابزار رایگان و کدمحور برای تولید فلوچارت و دیاگرام.
در Markdown و بسیاری از پلتفرم‌های علمی قابل استفاده است.
نیاز به نوشتن ساختار متنی (کد ساده) دارد.
کاملاً رایگان و بسیار مناسب پژوهشگران فنی.

📊 PlantUML
مشابه Mermaid ولی پیشرفته‌تر در دیاگرام‌های سیستمی.
مناسب معماری نرم‌افزار و مدل‌های مفهومی پیچیده.
رایگان و متن‌محور.

🧠 Diagram Generators مبتنی بر AI
ابزارهای مختلف آنلاین وجود دارند که از متن دیاگرام می‌سازند، اما کیفیت آکادمیک آن‌ها متفاوت است و معمولاً برای کارهای عمومی مناسب‌ترند.

📌 جمع‌بندی مقایسه‌ای کوتاه

اگر پژوهشگر حوزه پزشکی/زیستی هستید و شکل‌های بیولوژیک می‌خواهید → BioRender گزینه قوی‌تری است.
اگر طراحی گرافیکی و ارائه بصری مهم‌تر است → Canva مناسب‌تر است.
اگر کنترل دقیق و ساختار رسمی می‌خواهید و با کدنویسی راحتید → Mermaid یا PlantUML انتخاب‌های عالی و رایگان هستند.
اگر می‌خواهید فقط با یک توضیح متنی، سریع یک شکل علمی آماده مقاله بگیرید → Paper Banana گزینه جذابی است.

#MicroResearch #AIinResearch #AcademicTools #ScientificIllustration #ResearchProductivity
❤‍🔥21
🔎 ابزار هفته:
Connected Papers سایت🌐
یک نقشه‌ی تصویری از دنیای پژوهش!
با وارد کردن عنوان یا DOI، شبکه‌ای از مقالات مرتبط با روابط موضوعی نمایش می‌دهد.
📘 کاربرد اصلی: کشف مقالات کمتر استنادشده ولی مهم،
و درک روند تکامل ایده‌ها در گذر زمان.
📊 به‌ویژه برای نوشتن بخش Background عالی است چون ارتباط پژوهش‌ها را نشان می‌دهد، نه فقط لیست‌شان را.
#LiteratureReview #ConnectedPapers #ResearchTools
#OneMinuteTip
2🙏1
MicroResearch

📚Systematic vs Narrative Review: تفاوت در رویکرد مرور ادبیات

در پژوهش‌های علمی، مرور ادبیات می‌تواند دو شکل اصلی داشته باشد: Systematic Review و Narrative Review.

🔹 Systematic Review با هدف پاسخ به یک سؤال دقیق پژوهشی انجام می‌شود. در این نوع مرور، جستجوی منابع به‌صورت دقیق، ساختارمند و تکرارپذیر انجام می‌گیرد تا اطمینان حاصل شود که تمام شواهد مرتبط جمع‌آوری شده‌اند. تحلیل داده‌ها در آن معمولاً کمی یا کیفی به‌صورت نظام‌مند است و نتیجه‌ی آن، ترکیبی از شواهد علمی معتبر برای تصمیم‌گیری‌های مبتنی بر شواهد (Evidence-Based) محسوب می‌شود.
🔹 در مقابل، Narrative Review نگاهی کلی و تفسیری به یک موضوع دارد. در این نوع مرور، نویسنده معمولاً بر اساس تجربه و انتخاب شخصی خود منابع را مرور می‌کند و نظر شخصی نویسنده دخیل است. در نتیجه، بیانگر دیدگاه و تفسیر کلی نویسنده است نه لزوماً جمع‌بندی نظام‌مند از تمام شواهد موجود.

🧠 هر دو نوع مرور اهمیت خاص خود را دارند؛ اما Systematic Review پایه و اساس تصمیم‌گیری‌های بالینی و انجام Meta-analysis است، در حالی که Narrative Review برای آشنایی کلی با موضوع و شکل‌دهی به ایده‌های پژوهشی جدید مفید است.

#SystematicReview #AcademicResearch #EvidenceBased

🔜در پست بعد به تفاوت Scouping Review با Systematic Review و Narrative Review می‌پردازیم.

🌟 با ما همراه باشید ☺️

🔗 لینک کانال تلگرام:
https://t.me/MicroResearchTums
2🙏2
MicroResearch

📚تفاوت Scoping Review با Systematic Review و Narrative Review

نوع دیگری از مرور ادبیات که در سال‌های اخیر بسیار مورد توجه قرار گرفته، Scoping Review است.
🔹 Scoping Review با هدف «نقشه‌برداری» از ادبیات موجود در یک حوزه انجام می‌شود. این نوع مرور بیشتر زمانی کاربرد دارد که موضوع پژوهش گسترده، نوظهور یا پیچیده باشد و پژوهشگر بخواهد بداند چه مطالعاتی انجام شده، چه مفاهیمی مطرح است و چه شکاف‌های پژوهشی وجود دارد.
🔹 برخلاف Systematic Review، در Scoping Review معمولاً تمرکز بر ارزیابی دقیق کیفیت مطالعات یا استخراج یک پاسخ قطعی برای سؤال پژوهشی نیست؛ بلکه هدف، ارائه تصویری کلی از دامنه پژوهش‌ها و جهت‌گیری مطالعات است.
🔹 از سوی دیگر، Scoping Review نسبت به Narrative Review ساختارمندتر و شفاف‌تر است؛ زیرا جستجوی منابع و مراحل انتخاب مطالعات در آن به‌صورت نظام‌مند گزارش می‌شود.

📌 به‌طور خلاصه:

• Narrative Review → مرور تفسیری و کلی
• Scoping Review → ترسیم نقشه پژوهش‌های موجود
• Systematic Review → پاسخ دقیق و مبتنی بر شواهد به یک سؤال مشخص


🧠 انتخاب نوع مرور ادبیات به هدف پژوهش بستگی دارد؛ اگر به دنبال شناخت کلی حوزه باشید، Scoping Review مناسب است، اما اگر هدف تصمیم‌گیری مبتنی بر شواهد و جمع‌بندی دقیق نتایج باشد، Systematic Review انتخاب قوی‌تری خواهد بود.

#ScoupingReview
#SystematicReview #AcademicResearch #EvidenceBased

🌟 با ما همراه باشید ☺️

🔗 لینک کانال تلگرام:
https://t.me/MicroResearchTums
3🙏2
MicroResearch

«آیا می‌توان یک پژوهش را قبل از چاپ رسمی در مجله، جایی ثبت یا منتشر کرد؟»


وقتی یک مقاله را برای مجله ارسال می‌کنیم، معمولاً چند ماه تا بیش از یک سال طول می‌کشد تا فرایند داوری و انتشار آن به پایان برسد.
اما آیا باید تا آن زمان منتظر ماند تا دیگران از نتایج پژوهش ما مطلع شوند؟
پاسخ منفی است.

در سال‌های اخیر مفهومی به نام Preprint به بخش مهمی از ارتباطات علمی تبدیل شده است.
پری‌پرینت نسخه‌ای از مقاله علمی است که پیش از داوری همتا (Peer Review) در یک مخزن عمومی منتشر می‌شود و برای همه قابل مشاهده است.
به بیان ساده:
🔹 مقاله را می‌نویسید.
🔹 آن را در یک سرور پری‌پرینت بارگذاری می‌کنید.
🔹 مقاله ظرف مدت کوتاهی منتشر می‌شود.
🔹 سپس می‌توانید آن را برای داوری به مجله ارسال کنید.
بنابراین برخلاف تصور رایج، اولین باری که دیگران مقاله شما را می‌بینند لزوماً زمان چاپ در مجله نیست.


🔜در پست بعدی بررسی می‌کنیم که چرا پژوهشگران از پری‌پرینت استفاده می‌کنند و مزایا و چالش‌های آن چیست.

#ResearchMethodology #Preprint #AcademicPublishing #OpenScience #MicroResearc

🌟 با ما همراه باشید ☺️

🔗 لینک کانال تلگرام:
https://t.me/MicroResearchTums
2🙏2
MicroResearch

چرا پژوهشگران مقاله خود را به صورت Preprint منتشر می‌کنند؟ (بخش دوم)

پری‌پرینت در سال‌های اخیر به یکی از ابزارهای مهم پژوهشگران تبدیل شده است.

مهم‌ترین مزایای آن عبارت‌اند از:

انتشار سریع نتایج پژوهش

به جای انتظار چندین ماهه برای داوری، نتایج تقریباً بلافاصله در دسترس جامعه علمی قرار می‌گیرد.

ثبت تقدم علمی

از آنجا که پری‌پرینت دارای تاریخ انتشار مشخص است، نشان می‌دهد چه زمانی نتایج برای نخستین بار منتشر شده‌اند.

دریافت بازخورد

پژوهشگران دیگر می‌توانند پیش از چاپ نهایی مقاله، دیدگاه‌ها و پیشنهادهای خود را ارائه کنند.

افزایش دیده‌شدن پژوهش

مقاله زودتر خوانده می‌شود و احتمال ارجاع به آن افزایش می‌یابد.

اما پری‌پرینت محدودیت‌هایی نیز دارد:

⚠️ هنوز داوری نشده است.

⚠️ ممکن است خطاهای روش‌شناختی یا تحلیلی داشته باشد.

⚠️ نباید نتایج آن را معادل یک مقاله نهایی و تأییدشده در نظر گرفت.


به همین دلیل هنگام مطالعه یک پری‌پرینت همیشه باید به این نکته توجه کرد که مقاله هنوز از فیلتر داوری علمی عبور نکرده است.

در پست بعدی با ابزاری آشنا می‌شویم که برخلاف پری‌پرینت، نه برای انتشار مقاله، بلکه برای ثبت برنامه انجام پژوهش استفاده می‌شود.

#Preprint #ResearchIntegrity #PeerReview #OpenScience #AcademicResearch

🌟 با ما همراه باشید ☺️

🔗 لینک کانال تلگرام:
https://t.me/MicroResearchTums
2👍1🙏1