مقالهای که در ادامه آورده شده بررسی میکند که الگوهای ترکیبی آلودگی هوا (مبتنی بر چند آلاینده همزمان) چگونه بر خطر سرطان ریه، IPF، COPD و آسم اثر میگذارند و این اثرات چگونه با سیگار کشیدن و ریسک ژنتیکی تقویت میشوند.
با استفاده از دادههای UK Biobank و روش LCA، افراد در پنج الگوی قرارگیری در معرض آلودگی هوا دستهبندی شدند. سپس با مدل Cox ارتباط این الگوها با بیماریهای تنفسی تحلیل شد و تعامل آنها با سیگار و ریسک ژنتیکی نیز بررسی گردید.
گروه دارای آلودگی بالا نسبت به گروه مرجع با افزایش خطر مواجه بود: سرطان ریه معادل ۱.۲۸، IPF معادل ۱.۲۳، COPD معادل ۱.۲۸ و آسم ۱.۰۹ برابر بیشتر. این نتایج نشان میدهند قرارگیری در الگوهای آلودگی بالا بهطور مستقیم احتمال این بیماریها را افزایش میدهد.
بین آلودگی بالا و سیگار برای سرطان ریه و COPD تعامل تجمعی وجود داشت. در افراد با ریسک ژنتیکی بالا و مواجهه همزمان با آلودگی و سیگار، خطر اضافی (RERI) بهطور قابل توجهی افزایش یافت: سرطان ریه ۲.۷۴، IPF معادل ۳.۹۳ و COPD معادل ۱.۶۸.
ترکیب آلودگی هوا و سیگار بیش از ۴۰٪ موارد سرطان ریه، IPF و COPD را توضیح میدهد. بنابراین سیاستهای کاهش آلودگی هوا همراه با برنامههای ترک سیگار ضروریست، بهویژه برای افراد با ریسک ژنتیکی بالا. همچنین برای ارزیابی دقیق خطر باید الگوهای چندآلاینده و واقعی قرارگیری در معرض در نظر گرفته بشوند.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤5👏3💔2💯1
د
Please open Telegram to view this post
VIEW IN TELEGRAM
❤8👍3💯3😍1
عکسهای این پست رو مشاهده کنید، رشد انفجاری تعداد مقالات ارسالی (Submissions) رو میتونید ببینید. جامعه هوش مصنوعی و بینایی ماشین همچنان با سرعت نور در حال گسترش است.
با وجود اینکه تعداد مقالات ورودی به شدت زیاد شده، ظرفیت پذیرش همگام با آن رشد نکرده و «فیلتر» سختگیرانهتر شده.
یک نکته جالب تکنیکال در دادهها: میانگین نمره داورها (Reviewer Scores) برای مقالات پذیرفته شده در سال ۲۰۲۵ حدود ۳.۴۹ (از ۵) است. این نشان میدهد برای قبولی حتماً نیاز به نمره کامل ۵ نیست، اما رقابت در بازه نمرات ۳ تا ۴ بسیار فشرده است.
ما با یک تورم علمی در حوزه AI روبرو هستیم. سابمیشنها با شیب تندی بالا رفتهاند (نزدیک به ۱۳٪ رشد نسبت به پارسال)، اما درِ ورودی کنفرانس تنگتر شده است (کاهش نرخ پذیرش به ۲۲٪). این یعنی پژوهشگران برای دیده شدن در ۲۰۲۵، نه تنها باید نوآوری داشته باشند، بلکه باید با noise حاصل از ۱۳ هزار مقاله دیگر هم رقابت کنند.
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
👏6❤2🔥2👍1😍1
در این پست به معرفی دورهای تحت نظر پروفسور رویا کلیشادی، استاد مطرح در سطوح جهانی و در همکاری با معاونت تحقیقات و فناوری دانشگاه علوم پزشکی اصفهان، میپردازیم.
از ۲۴ آذر تا ۲۹ آذر، ساعت ۱۴
پس از بررسی فرمها،
به نفرات برگزیدهشده جهت تکمیل ثبتنام و پرداخت وجه اطلاعرسانی خواهد شد.
برای افرادی که در ۳ روز اول پس از اعلام قبولی پرداخت خود را تکمیل کنند،
۱۰ درصد تخفیف لحاظ خواهد شد.
از ۲۹ آذر، ساعت ۱۴
تا ۳ دی، ساعت ۲۳:۵۹
جهت ثبتنام اولیه فرم زیر را تکمیل نمایید.
فرم ثبتنام اولیه
لینک پست اصلی ثبتنام:
اطلاعات بیشتر و پشتیبانی:
Please open Telegram to view this post
VIEW IN TELEGRAM
❤8👍2🔥2💯1
This media is not supported in your browser
VIEW IN TELEGRAM
یک نمونه استفاده ازین ابزار رو در ویدیوی این پست مشاهده کنید.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7👍3👏1💯1
یک اتفاق عجیبی اخیرا مرتبط به یک پژوهشگر ایرانی رخ داده، در این پست دربارهی این اتفاق توضیح خواهیم داد.
این داستان نشاندهنده اهمیت نظارت بر هویت نویسندگان و سیستمهای blacklist در مجلات است. تغییر نام ساده نباید بتواند ممنوعیتهای اخلاقی را بیاثر کند.
Please open Telegram to view this post
VIEW IN TELEGRAM
Retraction Watch
Author changes name, publishes 10 papers in journals that banned him
How to render a publishing ban moot? Change your surname and just keep submitting. That’s what happened in the case of Hashem Babaei, aka Hashem Gharababaei. In 2010, the Institution of Mechanical …
❤5😢5
تعدادی از توئیتهای حول بحث وضعیت ریسرچ در ایران رو مشاهده میکنید. نظر شما چیست؟
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
💔8👍3😢3❤2💯1
ابزار DeepTutor، یک دستیار یادگیری شخصیسازیشده با AI و open-source هست که میتونید local و روی کامپیوتر خودتون ازش استفاده کنید. حالا اما سوال اینه که چه استفادهای میشه ازش داشت؟
خلاصه، DeepTutor یه سیستمه که با استفاده ازش، با ترکیب RAG و agentها، محتوای آموزشیِ خودتون رو تبدیل میکنید به یک محیط سوالجواب و حلمسئلهی قابل اتکا؛ طوری که خروجیها تا حد ممکن قابل پیگیری و مستند باشن.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤13👏4😍1
CNBC
Meta lays off 600 from 'bloated' AI unit as Wang cements leadership
The cuts did not impact employees within TBD Labs, which includes many of the top-tier AI hires brought into Meta this summer, people familiar told CNBC.
در دنیای پرتلاطم فناوری، جایی که غولهایی مانند متا (شرکت مادر فیسبوک) میلیاردها دلار روی آینده سرمایهگذاری میکنند، گاهی اوقات تغییرات ناگهانی مانند طوفانهای غیرمنتظره ظاهر میشوند. یکی از این طوفانها در اکتبر ۲۰۲۵ رخ داد، زمانی که متا اعلام کرد حدود ۶۰۰ کارمند از واحد هوش مصنوعی خود (Meta Superintelligence Labs یا MSL) را اخراج میکند. این حرکت نه تنها بخشی از استراتژی بزرگتر برای چابکسازی بود، بلکه نشاندهنده رقابت شدید در عرصه AI بود، جایی که متا در تلاش است تا با رقبایی مانند OpenAI و گوگل همقدم شود.
متا در سالهای اخیر سرمایهگذاری هنگفتی روی هوش مصنوعی کرده بود. الکساندر وانگ، مدیر ارشد AI متا که تنها چند ماه قبل از این اخراجها (در ژوئن ۲۰۲۵) به شرکت پیوسته بود، در یادداشتی داخلی توضیح داد که این تغییرات برای «کاهش لایههای مدیریتی» و «افزایش تأثیر هر کارمند» ضروری است. واحد MSL که حدود ۳۰۰۰ نفر نیرو داشت، با رشد سریع مواجه شده بود و مشکلات مانند همپوشانی وظایف و «تورم سازمانی» را تجربه میکرد. این اخراجها حدود ۲۰ درصد از کارکنان این واحد را تحت تأثیر قرار داد و عمدتاً بر تیمهای تحقیقاتی پایه AI (FAIR)، زیرساختها و محصولات متمرکز بود.
جالب است بدانید که این حرکت بخشی از موج بزرگتری از اخراجها در صنعت فناوری بود. در سال ۲۰۲۵، بیش از ۵۵ هزار شغل به دلیل ادغام AI در فرآیندها از دست رفت، بیش از ۱۲ برابر سالهای قبل. شرکتهایی مانند Chegg و HP نیز به AI به عنوان دلیل اصلی اخراجها اشاره کردند، که نشاندهنده پارادوکسی است: فناوریای که قرار بود کارها را آسانتر کند، حالا مشاغل را تهدید میکند.
در نهایت، داستان اخراجهای متا درسی بزرگ برای صنعت فناوری است: در دنیایی که AI همه چیز را تغییر میدهد، حتی غولها باید چابک بمانند. این رویداد نه تنها درباره از دست دادن شغلهاست، بلکه درباره آیندهای است که در آن هوش مصنوعی هم نجاتدهنده و هم تهدیدکننده است.
اگر در این زمینه فعالیت میکنید، شاید زمان آن رسیده که مهارتهای خود را متنوع کنید، چون طوفانهای بعدی ممکن است نزدیکتر از آنچه فکر میکنید باشند.
لینک منبع:
Please open Telegram to view this post
VIEW IN TELEGRAM
😢5👍3💯3❤2💔1
در دنیای تحقیقات هوش مصنوعی، یکی از چالشهای جدی اخیر، ورود اطلاعات جعلی تولیدشده توسط مدلهای زبانی بزرگ (LLMها) به مقالات علمی هست. این پدیده که به عنوان توهمات هوش مصنوعی (AI Hallucinations) شناخته میشه، به معنای تولید محتوای غلط یا ساختگی مثل ارجاعات جعلی، نویسندههای خیالی، عنوانهای ناموجود یا شناسههای DOI نامعتبر هست. این موارد میتونن پایههای اعتبار تحقیقات رو تضعیف کنن، چون ارجاعات نقش کلیدی در زنجیره دانش علمی دارن.
سال گذشته، در کنفرانس NeurIPS 2025، یکی از معتبرترین رویدادهای حوزه یادگیری ماشین، شرکت GPTZero با ابزار تشخیص خودش، ۴۸۴۱ مقاله پذیرفتهشده رو بررسی کرد و ۱۰۰ مورد توهم تاییدشده رو در حداقل ۵۳ مقاله شناسایی کرد (حدود ۱% از کل مقالات). این مقالات از نهادهای برجستهای مثل دانشگاه نیویورک (با بیشترین موارد، حدود ۱۸ توهم)، MIT، دانشگاه کمبریج، و شرکتهایی مانند گوگل، META و NVIDIA منتشر شده بودن. حتی یک مقاله رکورد ۱۳ توهم رو داشت.
۱. مقالات ارسالی منفجر شدن: از ۹۴۶۷ تا تو ۲۰۲۰ به ۲۲ هزار تا تو ۲۰۲۵ (رشد ۲۲۰%)، فشار روی داورها زیاده.
۲. استفاده بدون چک از AI: محققا از LLMها برای متن یا ارجاعات استفاده میکنن، اما خروجی رو بررسی نمیکنن. نیمی از مقالههای مشکلدار نشونه محتوای AI داشتن.
۳. انواع توهمات: ۶۶% کاملاً جعلی، ۲۷% تغییر جزئی (مثل سال اشتباه)، و بعضی «ارجاعات تقریبی» که حس درسته اما دقیق نیستن.
خروجی AI رو دستی چک کنین، مخصوصاً ارجاعات، مدلها اشتباه میکنن.
ابزارهایی مثل Hallucination Check رو تو peer review بذارین تا خطاها کم بشه.
مسئولیت بیشتر لازمه، چون توهمات کیفیت علم رو پایین میبرن و تحقیقات بعدی رو تحت تاثیر میذارن.
کنفرانسهایی مثل ICLR 2026 با GPTZero همکاری کردن تا جلوی تکرار بگیرن. AI عالیه، اما بدون نظارت دقیق، دردسر میسازه برای اعتبار علم.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7😱5🤯3💯2
مقاله GradEscape یک روش پیشرفته و مبتنی بر Gradient برای دور زدن AIGT Detectors (سیستمهای تشخیص متن هوش مصنوعی) معرفی میکنه. مکانیسمهای اصلی این روش به این شکل کار میکنن:
توی پردازش تصویر، چون مقادیر پیکسلها پیوسته هستن، خیلی راحت میشه روی مدل Gradient محاسبه کرد. ولی متن از کلمات و توکنهای گسسته تشکیل شده و مشتقپذیر نیست. برای حل این چالش، به جای اینکه مدل یک کلمه قطعی رو خروجی بده، یک Probability Matrix (ماتریس احتمالات) میسازه و مستقیما در ماتریس Embedding دتکتور ضرب میکنه. اینجوری مسیر Backpropagation باز میشه تا مدل یاد بگیره چطور دتکتور رو فریب بده.
اگه متن تغییر کنه ولی بیمعنی بشه، حمله رسما شکست خورده. برای همین مدل Evader همزمان برای سه تا هدف Optimize میشه:
۱. هدف Classification Loss: برای فریب دادن مستقیم دتکتور.
۲. هدف Semantic Loss: برای حفظ معنی اورجینال متن.
۳. هدف Syntactic Loss: برای حفظ گرامر و ساختار جملهها.
اگه Tokenizer مدل حملهکننده با دتکتور فرق داشته باشه، کلا متوجه توکنهای هم نمیشن. راهکار اینه که مدل Evader همون اول با وزنها و ساختار خود دتکتور Initialize بشه تا پایهای مشترک برای ارتباط داشته باشن.
وقتی به مدل اصلی دسترسی نداریم، اول با تکنیک Tokenizer Inference (تزریق کاراکترهای خاص مثل Space یا Pad و بررسی خروجی) معماری دتکتور رو حدس میزنیم. بعد یه مدل Surrogate (جایگزین) آموزش میدیم و پروسه حمله رو روی اون کپی پیاده میکنیم.
چون این حملات مبتنی بر تغییرات بسیار ظریف و محاسبهشده (در سطح Gradient) هستن، بهترین راه دفاع اینه که متن ورودی رو قبل از دادن به دتکتور، بدیم به یک LLM تا Paraphrase (بازنویسی) کنه. این کار تمام الگوهای مخفی و مهندسیشده مهاجم رو خنثی میکنه.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥6❤2👍2
اگه مقالهای با تمپلیت ACM مینویسید یا میخونید، دونستن این تفاوت برای تخمین حجم واقعی محتوا خیلی مهمه.
تمپلیت Manuscript (1ستون) برای مقالات journal track مثل PACM HCI استفاده میشه. فونت ۱۰pt، حاشیههای ۱ اینچ از هر طرف، و عرض متن حدود ۶.۵ اینچ داره. هر صفحهاش حدود ۴۵۰ تا ۵۵۰ کلمه جا میگیره.
تمپلیت SigConf (2ستون) برای Proceedings و Companion کنفرانسهایی مثل CHI، CSCW، UIST و غیره استفاده میشه. فونت ۹pt، حاشیههای ۰.۷۵ اینچ، و دو ستون ۳.۳۳ اینچی با یه gutter کوچک داره. هر صفحهاش حدود ۸۰۰ تا ۹۰۰ کلمه جا میگیره.
۵ صفحه ۲ستون ≈ ۴,۲۵۰ کلمه
۵ صفحه ۱ستون ≈ ۲,۵۰۰ کلمه
یعنی وقتی یه مقاله ۵ صفحهای Companion میبینید، محتواش تقریباً ۱.۷ برابر یه مقاله ۵ صفحهای journal track هست.
وقتی میخواید حجم کار یه مقاله رو تخمین بزنید یا بین دو مقاله مقایسه کنید، به تعداد صفحه تنها نگاه نکنید؛ اول تمپلیت رو چک کنید.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7👍3
Google Docs
How do you read news today?
A 1-minute survey
A 1-minute survey
We're a team of students building a free browser tool that warns you about misinformation, bias, and manipulation in news. Your answers go into our final research write-up. No personal data, no email collected.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤5👍3😍1
یکی از دردناکترین سناریوهای دنیای ریسرچ: مقالهات قبول بشه، ولی بهخاطر نداشتن بودجه یا ویزا، نتونی بری کنفرانس و مجبور بشی پول ثبتنام حضوری رو بپردازی.
کنفرانس ICML 2026 این قانون رو شکست.
طبق اعلام رسمی ICML 2026، نویسندگان مقالههای پذیرفتهشده دیگر ملزم به حضور فیزیکی در کنفرانس نیستند. بعد از اعلام نتایج، نویسندهها میتونن تصمیم بگیرن:
تا همین ICML 2024، قانون صریح بود: «حداقل یک نویسنده باید ثبتنام حضوری داشته باشد، حتی اگر نتواند بیاید.» یعنی ثبتنام ۱۵۰۰ تا ۲۰۰۰ دلاری، بهعلاوه ویزا، هواپیما و هتل. این مانع عملی بزرگی برای محققان کشورهای در حال توسعه، دانشجویان بدون funding و افراد با محدودیتهای ویزایی بود.
کنفرانسهای ICLR 2026 و ICML 2025 هنوز قانون قدیمی را حفظ کردهاند. ICML 2026 اولین کنفرانس top-tier یادگیری ماشین است که این قدم را برداشته. امید جامعه ریسرچ اینه که NeurIPS، ICLR و کنفرانسهای ACM مثل CHI و CSCW هم به زودی همین مسیر رو طی کنن.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤6👍5
Kaggle
5-Day AI Agents: Intensive Vibe Coding Course With Google
June 15 - 19, 2026
امسال Kaggle و Google یه دوره فشرده آنلاین رایگان برگزار میکنن که از ۱۵ تا ۱۹ ژوئن ۲۰۲۶ (۲۵ تا ۲۹ خرداد ۱۴۰۵) برگزار میشه. نسخه اول این دوره سال گذشته ۱.۵ میلیون یادگیرنده داشت.
دوره توسط مهندسان و محققان Google طراحی شده و هر روز یه موضوع کلیدی پوشش میده:
مقالات علمی + پادکست + کدلب عملی
کلاس Livestream روزانه با متخصصان Google
کانال Discord اختصاصی
در پایان دوره، یه پروژه عملی طراحی و ارسال میکنید. برندگان مدرک، Badge رسمی Kaggle، و معرفی در شبکههای اجتماعی Google دریافت میکنن. ددلاین ارسال پروژه: ۳۰ ژوئن ۲۰۲۶.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤6👍2
تصویری که میبینید یکی از عجیبترین واقعیتهای دنیای آکادمیک رو نشون میده؛ صنعتی که روی کار رایگان میلیونها پژوهشگر بنا شده.
درآمد Elsevier: حدود ۳.۹ میلیارد دلار
درآمد Wolters Kluwer: حدود ۱.۶ میلیارد دلار
درآمد Wiley: حدود ۱.۸ میلیارد دلار
درآمد Springer Nature: حدود ۲ میلیارد دلار
درآمد Taylor & Francis: حدود ۸۰۰ میلیون دلار
درآمد Sage: حدود ۵۰۰ میلیون دلار
پرداخت به نویسندگان: ۰ دلار
پرداخت به داوران (reviewers): ۰ دلار
حاشیه سود ناشرانی مثل Elsevier در سالهای اخیر بالای ۳۵-۴۰٪ گزارش شده؛ رقمی که حتی از Google و Apple هم بیشتره. این یعنی ارزش واقعی توسط جامعه علمی تولید میشه، اما سود به جیب چند ناشر محدود میره.
شاید وقتشه به این سوال جدی فکر کنیم: آیا مدل فعلی نشر علمی، واقعاً در خدمت علم هست یا در خدمت سهامداران؟
Please open Telegram to view this post
VIEW IN TELEGRAM
👍9❤4