📕 پروژه دانشجویی | ابزار تشخیص اخبار جعلی و سوگیری رسانه‌ای

🚨 زمان مطالعه: ۳۰ ثانیه

🔗 #پژوهش

🔗 یک تیم دانشجویی داره روی یه browser extension کار می‌کنه که وقتی یه مقاله یا خبر می‌خونید، بهتون می‌گه: منبع چقدر قابل اعتماده، آیا bias سیاسی داره، آیا clickbait یا manipulation استفاده شده، و چه مغالطاتی توش هست.

🎙 به عنوان بخشی از research این پروژه، یه فرم کوتاه ۱ دقیقه‌ای طراحی شده که بررسی می‌کنه مردم چطور اخبار می‌خونن.

📈 اگه ۶۰ ثانیه وقت دارید، پر کردنش مستقیماً به کیفیت این پژوهش کمک می‌کنه

🔗 فرم را اینجا پر کنید

📌 کاملاً anonymous، بدون جمع‌آوری ایمیل یا اطلاعات شخصی.

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»

📕 پایان یک قانون ناعادلانه | ICML 2026: حضور در کنفرانس دیگر اجباری نیست

🚨 زمان مطالعه: ۱ دقیقه

🔗 #کنفرانس

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.

⭐️ تغییر جدید چیه؟
طبق اعلام رسمی ICML 2026، نویسندگان مقاله‌های پذیرفته‌شده دیگر ملزم به حضور فیزیکی در کنفرانس نیستند. بعد از اعلام نتایج، نویسنده‌ها می‌تونن تصمیم بگیرن:
🔽 گزینه ۱: ارائه حضوری در کنفرانس (مثل همیشه)
🔽 گزینه ۲: فقط چاپ مقاله در Proceedings، بدون ارائه، با ثبت‌نام مجازی (Virtual)

📌 نکته مهم: هر دو گروه دقیقاً معادل هم در Proceedings تلقی می‌شن و هر دو واجد شرایط دریافت جوایز ICML و عناوین Oral/Spotlight هستن.

💬 چرا این مهمه؟
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.

✅ چه کنفرانس‌هایی هنوز حضور اجباری دارند؟
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.

🎙 منبع رسمی:
🔗 https://icml.cc/Conferences/2026/CallForPapers

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»

📕 دوره رایگان ۵ روزه ساخت AI Agent با Google و Kaggle

🚨 زمان مطالعه: ۳۰ ثانیه

🔗 #هوش‌مصنوعی

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.

⭐️ محتوای دوره
دوره توسط مهندسان و محققان Google طراحی شده و هر روز یه موضوع کلیدی پوشش میده:
📌 روز ۱: مقدمه‌ای بر AI Agentها و Vibe Coding، برنامه‌نویسی با زبان طبیعی
📌 روز ۲: ابزارها و Interoperability، چطور با APIها و Agentهای دیگه ارتباط برقرار کنیم
📌 روز ۳: مدیریت Context، حافظه بلندمدت، و Session
📌 روز ۴: کیفیت، امنیت، و ارزیابی Agent
📌 روز ۵: از Prototype تا Production، استقرار مقیاس‌پذیر و قابل مشاهده

📁 هر روز شامل:
مقالات علمی + پادکست + کدلب عملی
کلاس Livestream روزانه با متخصصان Google
کانال Discord اختصاصی

💻 Capstone Project
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.

✉ نکته مهم: ساکنان کشورهای تحریم‌شده دسترسی به ابزارهایی مثل Gemini API و Kaggle Notebooks ندارن.

⭐️ لینک ثبت‌نام (رایگان):
🔗 https://kaggle.com/competitions/5-day-ai-agents-intensive-vibecoding-course-with-google

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»

📕 پارادوکس صنعت نشر علمی | میلیاردها درآمد، صفر تومان دستمزد!

🚨 زمان مطالعه: ۱ دقیقه

🔗 #مقاله

تصویری که می‌بینید یکی از عجیب‌ترین واقعیت‌های دنیای آکادمیک رو نشون می‌ده؛ صنعتی که روی کار رایگان میلیون‌ها پژوهشگر بنا شده.

⭐️ درآمد سالانه ناشران بزرگ
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

💬 و اما سهم نویسنده و داور از این کیک چند میلیارد دلاری؟
پرداخت به نویسندگان: ۰ دلار
پرداخت به داوران (reviewers): ۰ دلار

✅ چرخه عجیب این صنعت پژوهشگر با بودجه عمومی (اغلب پول مالیات مردم) تحقیق می‌کنه، مقاله رو رایگان به ژورنال می‌ده، داور دیگه‌ای هم رایگان داوری می‌کنه، بعد همون دانشگاه مجبوره برای دسترسی به همون مقاله، اشتراک گرون‌قیمت بخره. در مدل Open Access هم APC (هزینه انتشار) از خود نویسنده گرفته می‌شه؛ گاهی تا چند هزار دلار برای یک مقاله.

🔖 چرا این موضوع مهمه؟
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.

📌 همین فشار باعث شده جنبش‌هایی مثل Plan S، Diamond Open Access و پلتفرم‌هایی مثل arXiv و bioRxiv قدرت بگیرن؛ مدل‌هایی که تلاش می‌کنن دانش رو از انحصار خارج کنن.

شاید وقتشه به این سوال جدی فکر کنیم: آیا مدل فعلی نشر علمی، واقعاً در خدمت علم هست یا در خدمت سهام‌داران؟

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»

📕 قانون arXiv برای مقاله‌های مروری و Position Paperها در علوم کامپیوتر

🚨 زمان مطالعه: ۱ دقیقه

🔗 #مقاله

سایت arXiv اعلام کرده که از این به بعد در بخش Computer Science، مقاله‌های مروری یا Survey و همچنین Position Paperها فقط وقتی بررسی می‌شن که قبلاً در یک ژورنال یا کنفرانس معتبر پذیرفته شده باشن و peer review موفق رو گذرونده باشن.

⭐️ تغییر اصلی چیه؟
اگه می‌خواید یک review article یا position paper در arXiv CS ثبت کنید، باید همراهش مدرک پذیرش و داوری موفق ارائه بدید؛ مثل journal reference و DOI. بدون این مدارک، احتمال رد شدن مقاله خیلی بالاست.

💬 چرا این تصمیم گرفته شده؟
در سال‌های اخیر تعداد ارسال‌ها به arXiv شدیداً زیاد شده، مخصوصاً در حوزه CS. از طرفی، ابزارهای هوش مصنوعی و LLMها نوشتن مقاله‌های مروری سطحی رو خیلی راحت‌تر کردن. نتیجه این شده که arXiv هر ماه صدها مقاله مروری دریافت می‌کنه که خیلی‌هاشون بیشتر شبیه لیست منابع توضیح‌دار هستن، نه یک مرور علمی عمیق.

📌 نکته مهم
این دقیقاً تغییر policy رسمی نیست، چون review article و position paper از قبل هم جزو content typeهای اصلی و پذیرفته‌شده arXiv نبودن. فقط قبلاً بعضی از این مقاله‌ها، اگر کیفیت علمی بالایی داشتن، با تشخیص moderatorها پذیرفته می‌شدن.

✅ چه مقاله‌هایی هنوز مشکلی ندارن؟
اگر مقاله شما یک research paper واقعی باشه؛ مثلاً درباره تأثیر فناوری روی جامعه، امنیت، حریم خصوصی یا اخلاق در AI پژوهش علمی انجام داده باشه، همچنان می‌تونه بدون این شرط جدید در دسته‌های مرتبط مثل cs.CY ثبت بشه.

🔖 جمع‌بندی
سایت arXiv می‌خواد جلوی سیل مقاله‌های مروری کم‌کیفیت و تولیدشده با AI رو بگیره، تا خواننده‌ها راحت‌تر به کارهای ارزشمند برسن و moderatorها هم وقتشون رو روی مقاله‌های پژوهشی اصلی بگذارن.

⭐️ لینک منبع:
🔗 https://blog.arxiv.org/2025/10/31/attention-authors-updated-practice-for-review-articles-and-position-papers-in-arxiv-cs-category/

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم | @Pyramid_Research»

📕 رتبه‌بندی جدید دانشگاه‌ها بر اساس کیفیت پژوهش به جای کمیت | معرفی ImpactRank

🚨 زمان مطالعه: ۱ دقیقه و نیم

🔗 #مقاله

سال‌هاست که سیستم CSRankings با شمارش تعداد مقالات منتشرشده در کنفرانس‌های top-tier، اساتید و دانشگاه‌ها رو رتبه‌بندی می‌کنه. اما این روش یک مشکل اساسی داره؛ پژوهشگرها رو تشویق می‌کنه به جای تمرکز روی کیفیت، دنبال «کمیت» مقالات برن. حالا یک پروژه جدید به اسم ImpactRank اومده تا این بازی رو عوض کنه.

⭐️ ایده اصلی چیه؟
رتبه‌بندی ImpactRank به جای شمارش مقالات، تلاش می‌کنه «تأثیرگذاری واقعی» پژوهش‌ها رو اندازه بگیره. فرض پایه‌ای پروژه دو چیزه:
🔽 کیفیت پژوهش رو بهتر از همه، خود متخصصان همون حوزه می‌فهمن.
🔽 همچنین LLMها می‌تونن قضاوت‌های ضمنی این متخصصان رو که از طریق citationها و نحوه نوشتن منعکس می‌شه، در حجم عظیمی از مقالات استخراج کنن.

📊 روش کار
برای هر مقاله، از یک LLM پرسیده می‌شه: «۵ مقاله‌ای که بیشترین تأثیر رو روی این کار داشتن کدومن؟» یعنی صرفاً لیست رفرنس‌ها مهم نیست، بلکه اون چند مقاله‌ای که واقعاً بنیان فکری کار بودن مهمن.
این تحلیل روی تمام مقالات کنفرانس‌های اصلی Machine Learning، Computer Vision، NLP و Information Retrieval بین سال‌های ۲۰۲۰ تا ۲۰۲۵ اجرا شده و رفرنس‌ها هم به مقالات از سال ۲۰۰۰ به بعد محدود شدن.

💬 محاسبه امتیاز
نویسنده‌های مقاله‌های پرتأثیر با استفاده از دیتابیس name–affiliation سایت CSRankings به دانشگاه‌هاشون نگاشت می‌شن. هر بار که یک مقاله جزو «۵ رفرنس کلیدی» یک کار دیگه شناخته بشه، نویسنده‌ها و مؤسساتشون امتیاز می‌گیرن. برای انصاف، امتیاز بین هم‌نویسنده‌ها تقسیم می‌شه.

نتیجه یک نوع رتبه‌بندی جدیده که دانشگاه‌ها رو نه به‌خاطر «زیاد چاپ کردن»، بلکه به‌خاطر تولید پژوهش‌هایی که «ماندگارن، الهام‌بخشن و حوزه رو جلو می‌برن» تحسین می‌کنه. این یعنی دید واضح‌تری برای دانشجوها و پژوهشگرها از اینکه کارهای واقعاً تأثیرگذار کجا تولید می‌شن.

📌 محدودیت‌ها و وضعیت فعلی
به‌خاطر محدودیت منابع محاسباتی، تیم فقط تونسته از یک LLM کوچک ۷B استفاده کنه. پروژه عمدتاً توسط دانشجوهای کارشناسی و کارشناسی‌ارشد دانشگاه‌های Oregon State و UC Santa Cruz پیش رفته، پس هنوز work in progress هست و قطعاً خطا و نقاط کور داره. تیم از feedback جامعه، همکاران جدید و کمک GPU برای اجرای مدل‌های بزرگ‌تر استقبال می‌کنه.

🍏 جمع‌بندی ImpactRank یک تلاش جالبه برای عبور از پارادایم «هرچه بیشتر، بهتر» در رتبه‌بندی‌های آکادمیک. اگه CSRankings یک قدم جلوتر از معیارهای ذهنی مثل US News بود، شاید عصر LLMها این فرصت رو بده که یک قدم دیگه هم برداریم؛ به سمت سنجش تأثیر واقعی، نه صرفاً تعداد.

🔗 https://impactrank.org/

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم | @Pyramid_Research»

📕 سیاست تحریم کنفرانس NeurIPS علیه مراکز تحت تحریم آمریکا، مخصوصا چینی‌ها

🚨 زمان مطالعه: ۱ دقیقه و نیم

🔗 #هوش‌مصنوعی

🔗 مرحله ۱: اعلام سیاست رعایت تحریم‌ها توسط بنیاد NeurIPS
در ۲۳ مارس ۲۰۲۶، بنیاد NeurIPS (ثبت‌شده در سن‌دیگو، آمریکا) در «راهنمای اصلی ارسال مقاله» برای کنفرانس ۲۰۲۶، اعلام کرد که به دلیل الزامات قانونی تحریم‌های ایالات متحده، قادر به ارائه خدمات (شامل بررسی همتا، ویرایش و انتشار) به افراد یا نهادهای وابسته به فهرست SDN (Specially Designated Nationals) نیست. این سیاست برای اولین بار به‌طور صریح به فهرست کامل OFAC لینک شد و شرکت‌هایی مانند Huawei، SMIC و China Telecom را تحت تأثیر قرار داد.

🔎 مرحله ۲: واکنش رسمی فدراسیون کامپیوتر چین (CCF)
در ۲۵ مارس ۲۰۲۶، فدراسیون کامپیوتر چین (CCF) بیانیه‌ای رسمی صادر کرد و سیاست NeurIPS را «سیاسی‌سازی تبادل علمی» و نقض اصول «باز بودن، فراگیری، برابری و همکاری» دانست. CCF از تمام محققان چینی خواست از ارسال مقاله، انجام بررسی همتا و پذیرش مسئولیت‌های آکادمیک (مانند Area Chair) در NeurIPS خودداری کنند و هشدار داد که در صورت عدم اصلاح، کنفرانس را از فهرست «کنفرانس‌های بین‌المللی توصیه‌شده» حذف خواهد کرد.

📈 مرحله ۳: اقدامات اجرایی انجمن علم و فناوری چین (CAST)
در ۲۷ مارس ۲۰۲۶، انجمن علم و فناوری چین (CAST) بیانیه‌ای صادر کرد و فوراً پذیرش درخواست‌های تأمین مالی برای حضور محققان در NeurIPS ۲۰۲۶ را متوقف کرد. همچنین اعلام شد که مقالات پذیرفته‌شده در این کنفرانس دیگر به‌عنوان «دستاورد پژوهشی نماینده» برای ارزیابی پروژه‌ها و برنامه‌های CAST معتبر نخواهند بود (هرچند ارزش علمی مستقل آن‌ها توسط انجمن‌های تخصصی قابل ارزیابی است).

⭐️ مرحله ۴: اصلاح سیاست و عذرخواهی رسمی NeurIPS
در همان روز ۲۷ مارس ۲۰۲۶، بنیاد NeurIPS در صفحه اصلی کنفرانس و حساب رسمی X خود اعلام کرد که لینک و متن اولیه «به دلیل اشتباه ارتباطی (miscommunication) با تیم حقوقی» فراتر از الزامات قانونی واقعی بوده است. سیاست به نسخه قبلی (مطابق با استانداردهای ACM و IEEE) بازگردانده شد و عذرخواهی رسمی منتشر گردید: «ما بیش از حد لازم عمل کردیم و مسئولیت این خطا با ماست.»

🔻 حالا اما خروجی نهایی چیست؟
سیاست ممنوعیت گسترده ارسال مقاله از نهادهای تحریم‌شده کاملاً لغو شد. کنفرانس NeurIPS ۲۰۲۶ (دسامبر در سیدنی) بدون محدودیت اضافی نسبت به سال‌های قبل ادامه خواهد یافت و هیچ محدودیتی فراتر از الزامات قانونی دقیق تحریم‌های آمریکا اعمال نمی‌شود. این عقب‌نشینی سریع پس از واکنش هماهنگ CCF و CAST رخ داد.

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»

📕 وقتی بازی Pokémon Go ناخواسته به آموزش هوش مصنوعی نظامی کمک کرد

🚨 زمان مطالعه: ۱ دقیقه و نیم

🔗 #هوش‌مصنوعی

تصور کنید سال‌ها فقط برای گرفتن یه پاداش کوچیک توی یه بازی موبایلی، از محیط اطرافتون فیلم و اسکن گرفتید؛ حالا معلوم شده همون داده‌ها پای یک فناوری ناوبری پهپادی به میدون باز کرده.

⭐️ ماجرا از کجا شروع شد؟
بازی Pokémon Go در آپدیت سال ۲۰۲۱، قابلیتی به اسم AR Scan معرفی کرد که از کاربران می‌خواست در ازای پاداش درون‌بازی، از مکان‌های واقعی فیلم بگیرن و اسکن آپلود کنن (با opt-in داوطلبانه). شرکت Niantic این اسکن‌ها رو جمع‌آوری کرد و بعداً، قبل از فروش بخش گیمینگش در ۲۰۲۵، ازشون برای آموزش مدل‌های مکانی هوش مصنوعی استفاده کرد.

💬 ارتباط نظامی کجا پیدا شد؟
شرکت Niantic Spatial (اسپین‌آف Niantic) در دسامبر ۲۰۲۵ با شرکت Vantor، فعال در نرم‌افزار تشخیص فضایی برای پهپادها، از جمله پهپادهای نظامی، وارد همکاری شد. هدف این همکاری: ناوبری دقیق در محیط‌هایی که GPS در دسترس نیست یا دچار jamming و spoofing شده. همین داده‌های اسکن‌شده، پایه سیستم Visual Positioning System (VPS) این شرکت رو ساختن.

📌 نکته مهم درباره صحت خبر
اینجا باید دقیق بود و دچار اغراق نشیم. آنچه مستند شده:
۱. داده‌های اسکن Pokémon Go در آموزش مدل‌های پایه (foundation models) ‏Niantic Spatial نقش داشتن.
۲. همچنین ‏Niantic Spatial با شرکت دفاعی Vantor همکاری داره.
۳. این همکاری برای ناوبری در شرایط اختلال GPS طراحی شده.

هر دو شرکت تأکید کردن که داده‌های خام بازی مستقیماً به Vantor منتقل نشده، و خود Vantor هم از پاسخ صریح به میزان اتکای سامانه نظامی به این داده‌ها خودداری کرده.

این پرونده یک نمونه از یک نگرانی بزرگ‌تره: استفاده از داده‌های غیرنظامی برای اهداف نظامی. به قول Tom Sulston از Digital Rights Watch، اکثر مردم متن طولانی Terms of Service رو نمی‌خونن و همین باعث می‌شه کاربر، به‌جای «مشتری»، تبدیل به «محصولی برای فروش» بشه. دکتر Rob Nicholls از دانشگاه Sydney هم می‌گه این فقط نوک کوه یخه؛ همون‌طور که قبلاً داده‌های Strava برای شناسایی موقعیت پایگاه‌های نظامی استفاده شد.

📊 عددی که سروصدا کرد گزارش DroneXL (۹ ژوئن ۲۰۲۶) ادعا کرده حدود ۳۰ میلیارد اسکن محیطی توسط کاربران جمع‌آوری شده؛ رقمی که نشون می‌ده ابعاد این دیتاست چقدر عظیمه.

🎙 منبع رسمی:
🔗 https://www.theguardian.com/technology/2026/jun/12/pokemon-go-data-trained-ai-that-could-assist-military-drones-in-war-zones

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»

📕 شورش در امپراطوری متا | وقتی مهندسان واحد هوش مصنوعی، محل کارشان را «گولاگ» می‌نامند

🚨 زمان مطالعه: ۱ دقیقه و نیم

🔗 #هوش‌مصنوعی

در ادامه‌ی ماجرای اخراج‌های گسترده متا که قبلاً درباره‌اش نوشتیم، حالا گزارش جدیدی از Wired نشان می‌دهد که نارضایتی در تیم هوش مصنوعی این شرکت به مرز انفجار رسیده است. ماجرا از این قرار است:

⭐️ جرقه‌ی بحران در یک ارائه‌ی زنده و مخصوص کارمندان، فردی استریم را هایجک کرد و با لحنی پر از فحاشی خواست که حضار به یکی از مدیران ارشد AI متا بگویند او «یک آدم بی‌ارزش» است. گزارش شده که یکی از ارائه‌دهنده‌ها از شرمندگی صورتش را با دست‌هایش پوشاند. این اتفاق، بازتاب خشم فروخورده در واحدی سه‌ماهه با حدود ۶,۵۰۰ مهندس و مدیر محصول است.

💬 سربازان اجباری! بسیاری از کارمندان از طریق یک ایمیل غافلگیرکننده فهمیدند که به این تیم منتقل شده‌اند؛ فرآیندی که یک نفر آن را «کاملاً تصادفی» توصیف کرد. آن‌ها خودشان را «سرباز اجباری» می‌نامند، چون عملاً حق انتخابی جز «بپذیر یا استعفا بده» نداشتند.

📁 چرا این کار را می‌کنند؟ طبق اعلامیه داخلی، مدل‌های AI متا هنوز دانش کافی برای پیشی گرفتن از انسان در کارهای فنی مثل کدنویسی را ندارند. وظیفه‌ی این تیم؟ تولید پازل و مسائل کدنویسی برای آموزش مدل‌ها. یک کارمند به Wired گفت: «این عیناً گولاگ است.» دیگری گفت: «اکثر افراد این کار را روح‌فرسا می‌دانند.»

🖼 منطق زاکربرگ در یک فایل صوتی لو رفته، مارک زاکربرگ دلیل استفاده از کارمندان به جای پیمانکاران بیرونی را توضیح می‌دهد: الکساندر وانگ (که استارتاپ Scale AI را به قیمت ۱۴.۳ میلیارد دلار به متا فروخت) دنیای data-labeling را خوب می‌شناسد، و ضمناً هوش کارمند متوسط متا «به‌طور قابل‌توجهی بالاتر» از پیمانکاران طرف‌سوم است.

📌 فضای سمی فراتر از یک تیم، بیش از ۱,۶۰۰ کارمند متا طوماری را علیه برنامه‌ای امضا کرده‌اند که کلیک‌ها و کلیدهای فشرده‌شده‌ی آن‌ها را برای داده‌های آموزشی AI رصد می‌کند. فضا آن‌قدر تاریک است که مدیر ارشد محصول، Chris Cox، مجبور شد در یک تماس درباره‌ی محیط «بی‌رحم» شرکت صحبت کند.

🍏 زاکربرگ در یادداشت داخلی روز جمعه پذیرفت که تغییرات اخیر «باعث ناراحتی» شده و شرکت اشتباهاتی کرده که قصد اصلاحشان را دارد. او نوشت: «ستاره‌ی شمال متا این است که بهترین مکان برای بااستعدادترین افراد جهان باشد.» اما به‌نظر می‌رسد فاصله‌ی این شعار با واقعیتِ روی زمین، همان چیزی است که مهندسان آن را «گولاگ» می‌نامند.

🔗 https://techcrunch.com/2026/06/12/metas-months-old-ai-unit-is-a-soul-crushing-gulag-say-the-engineers-stuck-inside-it/

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»

📕 دانشمندی با ۵ میلیون Citation یا باگ Google Scholar؟

🚨 زمان مطالعه: ۱ دقیقه

🔗 #مقاله

چند هفته اخیر یک پروفایل Google Scholar در لینکدین و X وایرال شده که بیش از ۵.۴ میلیون Citation و h-index حدود ۱۸۷۰ دارد؛ عددی که از بسیاری از مشهورترین دانشمندان جهان هم بالاتر است.

⭐️ چرا این پروفایل بحث‌برانگیز شده؟
بیش از ۲۵۰۰ اثر در ORCID ثبت شده
صدها مقاله و «تئوری» در موضوعات کاملاً متفاوت
ده‌ها مقاله سال ۲۰۲۵ که هر کدام بیش از ۱۰۰۰ Citation گرفته‌اند

💬 بسیاری از پژوهشگران علم‌سنجی معتقدند این پرونده بیشتر از آنکه یک رکورد علمی واقعی باشد، نمونه‌ای از ضعف Google Scholar در برابر Citation Spam و شبکه‌های استناد مصنوعی است.

📊 نکته جالب اینجاست که بحث اصلی دیگر درباره این فرد نیست؛ بلکه درباره این سؤال است:

آیا در عصر AI و تولید انبوه محتوا، هنوز می‌توان Citation Count و h-index را معیار قابل اعتمادی برای سنجش کیفیت پژوهش دانست؟

🔖 شاید بزرگ‌ترین درس این ماجرا این باشد که «هر عدد بزرگی لزوماً نشانه تأثیر علمی بزرگ نیست.»

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»

📕 معرفی CORE / ICORE Conference Portal | مرجع رتبه‌بندی کنفرانس‌ها

🚨 زمان مطالعه: ۱ دقیقه

🔗 #مقاله

اگه تو حوزه علوم کامپیوتر کار می‌کنید و می‌خواید قبل از سابمیت مقاله بفهمید یه کنفرانس واقعاً معتبره یا نه، پورتال CORE (که حالا با اسم بین‌المللی ICORE شناخته می‌شه) دقیقاً همون ابزاریه که لازم دارید.

⭐️ این سایت چیه؟
پورتال ICORE یک پایگاه رتبه‌بندی کنفرانس‌های علمیه که هر کنفرانس رو بر اساس کیفیت و اعتبار به رده‌های مشخص تقسیم می‌کنه. این رتبه‌بندی یک همکاری بین‌المللیه و مرجع خیلی از دانشگاه‌ها برای ارزیابی محل انتشار مقالاته.

💬 رتبه‌بندی چطوریه؟ رده‌بندی کنفرانس‌ها معمولاً به این شکله:
رده‌ی A*: کنفرانس‌های سطح اول و پرچمدار هر حوزه
رده‌ی A: کنفرانس‌های بسیار معتبر
رده‌ی B: کنفرانس‌های خوب و قابل اعتنا
رده‌ی C: کنفرانس‌هایی که استانداردهای پایه رو رعایت می‌کنن

📊 چطوری ازش استفاده کنیم؟
اسم کنفرانس یا کلیدواژه رو تو قسمت Search by وارد می‌کنید، با انتخاب Source (مثل ICORE2026) می‌تونید نسخه به‌روز رتبه‌بندی رو ببینید، برای هر کنفرانس، رتبه، حوزه پژوهشی (Fields of Research codes) و جزئیات دیگه نمایش داده می‌شه.

انتخاب کنفرانس درست، هم روی اعتبار رزومه شما اثر می‌ذاره، هم توی ارزیابی‌های دانشگاهی. این پورتال کمک می‌کنه از سابمیت به کنفرانس‌های بی‌اعتبار یا predatory دوری کنید و برنامه‌ریزی بهتری برای انتشار کارتون داشته باشید.

🔗 https://portal.core.edu.au/conf-ranks/

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»

📕 انجام Literature Review دنیای امروز | نقش AI در مطالعه مقالات

🚨 زمان مطالعه: ۱ دقیقه و نیم

🔗 #هوش‌مصنوعی
🔗 #مقاله

تا چند سال پیش، پژوهشگرها معمولاً مقاله‌ها را یکی‌یکی می‌خواندند، خلاصه می‌کردند و بعد سعی می‌کردند ارتباط بین آن‌ها را پیدا کنند. اما با پیشرفت LLMها مثل Claude و ChatGPT، روش مطالعه ادبیات پژوهشی (Literature Review) به‌تدریج در حال تغییر است.

⭐️ روند جدید چیست؟
به‌جای تحلیل جداگانه هر مقاله، پژوهشگرها مجموعه‌ای از ده‌ها مقاله را هم‌زمان در اختیار مدل قرار می‌دهند تا ابتدا یک تصویر کلی از حوزه بسازد. سپس AI ارتباط بین مقاله‌ها، شباهت‌ها و تفاوت دیدگاه‌ها، روند تکامل ایده‌ها، روش‌های تحقیق، نقاط توافق و اختلاف، و حتی خلأهای پژوهشی را استخراج می‌کند.

💬 خروجی فقط «خلاصه مقاله‌ها» نیست
نسل جدید ابزارهای AI بیشتر از اینکه صرفاً هر مقاله را خلاصه کنند، تلاش می‌کنند دانش موجود در کل مجموعه را سنتز کنند؛ یعنی نشان دهند که جامعه علمی امروز درباره یک موضوع چه می‌داند، روی چه مواردی اختلاف نظر دارد، چه فرض‌هایی بدون بررسی پذیرفته شده‌اند و کدام سؤال‌های مهم هنوز پاسخ روشنی ندارند.

📊 چرا اهمیت دارد؟
در حوزه‌هایی که هر هفته صدها مقاله جدید منتشر می‌شود، مطالعه تک‌تک مقالات تقریباً غیرممکن است. استفاده درست از AI می‌تواند زمان لازم برای درک نقشه کلی یک حوزه را از چندین روز یا حتی چند هفته، به چند ساعت کاهش دهد و به پژوهشگر کمک کند سریع‌تر وارد مرحله تحلیل عمیق و ایده‌پردازی شود.

📌 اما یک نکته مهم
هنوز AI جایگزین خواندن دقیق مقالات نیست. مدل‌ها ممکن است برخی جزئیات را اشتباه تفسیر کنند یا ارتباط‌هایی را بیش از حد ساده‌سازی کنند. به همین دلیل، بهترین رویکرد این است که از AI برای ساختن تصویر کلی و پیدا کردن مسیر مطالعه استفاده شود و سپس مقالات کلیدی به‌صورت مستقیم توسط پژوهشگر بررسی شوند.

🔖 نکته جالب اینجاست که در بسیاری از گروه‌های پژوهشی، AI دیگر فقط یک ابزار برای خلاصه‌سازی نیست؛ بلکه به دستیار اصلی پژوهشگران برای تحلیل، مقایسه و سازمان‌دهی حجم عظیم ادبیات علمی تبدیل شده است.

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»

📕 شبیه‌سازی مغز مگس؛ گام غول‌آسا به سمت درک مغز انسان با پروژه FlyWire

🚨 زمان مطالعه: ۲ دقیقه

🔗 #هوش‌مصنوعی
🔗 #مقاله

یکی از بزرگ‌ترین رویاهای بشر، نقشه‌برداری کامل و شبیه‌سازی مغز انسان است. مغز ما با حدود ۸۶ میلیارد نورون، پیچیده‌ترین ساختار شناخته‌شده در جهان است. برای رسیدن به آن قله، دانشمندان باید از یک نقطه آغاز می‌کردند؛ و چه انتخابی بهتر از مگس سرکه (Drosophila) که با وجود مغز کوچک، رفتارهای بسیار پیچیده‌ای مثل پرواز، مسیریابی و رفتارهای اجتماعی دارد؟

پروژه بین‌المللی FlyWire دقیقاً همین کار را انجام داده است.

⭐️ دستاوردی به نام Connectome

پروژه FlyWire موفق شد برای اولین بار، نقشه کامل و سلول‌به‌سلول تمام نورون‌ها و اتصالات سیناپسی مغز یک حشره بالغ را ترسیم کند.

🔽 ابعاد پروژه: این نقشه شامل دقیقاً ۱۳۹,۲۵۵ نورون و بیش از ۵۴.۵ میلیون اتصال سیناپسی است!
🔽 تلفیق هوش مصنوعی و انسان: تصاویر میکروسکوپ الکترونی مغز ابتدا توسط مدل‌های AI بخش‌بندی و بازسازی شدند؛ سپس یک ارتش داوطلب از دانشمندان و بیش از ۱۰۰ شهروند-پژوهشگر با تصحیح خطاهای AI، این پازل سه‌بعدی غول‌آسا را تکمیل کردند.

💬 چرا مگس سرکه برای درک مغز انسان مهم است؟
شاید بپرسید یک مگس کوچک چه ربطی به ما دارد؟

🔽 شباهت ژنتیکی عجیب: حدود ۷۵٪ از ژن‌های مرتبط با بیماری‌های انسانی در مگس سرکه هم وجود دارند.
🔽 اصول مشترک سیم‌کشی: این پروژه نشان داد که چگونه مدارهای عصبی تصمیم‌گیری می‌کنند یا فرمان توقف حرکت را صادر می‌کنند. کشف این الگوهای پایه‌ای در مغز مگس، به ما در پیدا کردن فرآیندهای مشابه در مغز انسان و توسعه درمان بیماری‌های عصبی کمک می‌کند.

📊 آپدیت جدید ۲۰۲۶: از مغز تا نخاع (پروژه BANC)
پس از انتشار نقشه مغز، محققان دانشگاه هاروارد و پرینستون در ژوئن ۲۰۲۶ گام بعدی را برداشتند: اتصال این نقشه به «طناب عصبی» (معادل نخاع انسان). این کار به دانشمندان اجازه می‌دهد ببینند مغز چگونه به صورت فیزیکی بال‌ها، پاها و حسگرهای مگس را کنترل می‌کند. یعنی ما از یک نقشه ایستا، به سمت درک یک سیستم کنترل بدنیِ کامل حرکت کرده‌ایم.

رسانه‌ها گاهی با تیترهای زرد مدعی می‌شوند که «اولین مغز در کامپیوتر آپلود شد!». اما حقیقت این است که کار FlyWire شبیه‌سازی زنده و لحظه‌ای تفکر نیست، بلکه ساخت یک اطلس ساختاری فوق‌دقیق (مثل نقشه گوگل با تمام کوچه‌ها و پلاک‌ها) است. این نقشه ساختاری، زیربنای لازم برای شبیه‌سازی‌های کامپیوتری رفتار و عملکرد نورون‌ها را فراهم می‌کند.

💻 چرا این پروژه آینده هوش مصنوعی را تغییر می‌دهد؟
شبکه‌های عصبی مصنوعی فعلی (مانند LLMها) بسیار تشنه انرژی هستند. با مطالعه نحوه سیم‌کشی مغز مگس که با مصرف انرژی ناچیزی کارهای فوق‌العاده پیچیده انجام می‌دهد، دانشمندان کامپیوتر می‌توانند معماری‌های جدید و بهینه‌تری برای تراشه‌ها و مدل‌های هوش مصنوعی طراحی کنند.

🌐 لینک وب‌سایت پروژه برای گشت‌وگذار در مغز مگس:
🔗 https://flywire.ai/

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»

🔻 چطور درباره هر موضوعی مثل یک دانشجوی PhD تحقیق کنیم؟

🚨 زمان مطالعه: ۱ دقیقه و نیم

🔗 #پژوهش

🔺 شارلوت فرازا در این آموزش به یک مسئله مهم اشاره می‌کند: تحقیق عمیق فقط سرچ کردن چند کلمه در گوگل نیست. در دنیایی که پر از اطلاعات ناقص، تیترهای اغراق‌آمیز و برداشت‌های سطحی است، توانایی تحقیق کردن می‌تواند به یک مهارت بسیار ارزشمند تبدیل شود.

🔹 قدم اول، تبدیل یک موضوع کلی به یک سوال دقیق است. مثلا «سلامت روان» موضوع خیلی بزرگی است، اما وقتی آن را به سوالی مثل «تاثیر وضعیت اقتصادی پایین در کودکی بر احتمال بروز اختلالات روان‌پزشکی در آینده چیست؟» تبدیل می‌کنیم، مسیر جست‌وجو روشن‌تر می‌شود و منابع بهتری پیدا می‌کنیم.

🔺 بعد از مشخص شدن سوال، باید وارد مرحله «شکار ادبیات علمی» شد؛ یعنی شروع از مقاله‌های مروری معتبر، بررسی منابع آن‌ها، دنبال کردن مقاله‌هایی که به آن‌ها ارجاع داده‌اند و ساختن یک شبکه از مقالات مهم. ابزارهایی مثل Google Scholar، Research Rabbit، Zotero یا Notion می‌توانند کمک کنند تا این مسیر از حالت پراکنده خارج شود و به یک نقشه قابل پیگیری تبدیل شود.

🔹 نکته مهم دیگر، خواندن انتقادی است. هر مقاله‌ای قابل اعتماد نیست و حتی پژوهش‌های خوب هم محدودیت دارند. باید دید چه کسی مقاله را تامین مالی کرده، آیا داده‌ها واقعا با تیتر مقاله همخوانی دارند یا نه، و آیا نویسنده بین همبستگی و رابطه علت‌ومعلولی تفاوت گذاشته است یا خیر. فرازا تاکید می‌کند که اگر یک مقاله در بخش discussion محدودیت‌های خودش را شفاف توضیح دهد، این معمولا نشانه خوبی است.

🔺 در نهایت، تحقیق زمانی عمیق می‌شود که از حالت مصرف اطلاعات خارج شویم. بهتر است برای خودمان یک برنامه یادگیری بسازیم، یادداشت‌های روزانه داشته باشیم، سوال‌های باز را ثبت کنیم و در پایان هر جلسه از خودمان بپرسیم: امروز چه یاد گرفتم؟ چه چیزی هنوز نامشخص است؟ قدم بعدی چیست؟ نوشتن یک مقاله کوتاه، پست وبلاگی یا حتی توضیح دادن موضوع روی وایت‌برد، دانش پراکنده را به فهم واقعی تبدیل می‌کند.

📑 لینک منبع:
🔗 https://www.youtube.com/watch?v=6gjzCrOFETE

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»

🔻 سیاست پلتفرم‌ها درباره جمع‌آوری داده چیست؟

🚨 زمان مطالعه: ۱ دقیقه و نیم

🔗 #مقاله

🔺 مقاله «No Robots, Spiders, or Scrapers» به یکی از چالش‌های مهم پژوهش در فضای آنلاین می‌پردازد: آیا پژوهشگرها می‌توانند داده‌های شبکه‌های اجتماعی را جمع‌آوری کنند، حتی اگر قوانین پلتفرم این کار را ممنوع کرده باشد؟

🔹 نویسندگان برای پاسخ به این سوال، شرایط استفاده یا همان Terms of Service مربوط به ۱۱۶ پلتفرم اجتماعی را بررسی کردند. نتیجه جالب بود: ۹۱ پلتفرم درباره جمع‌آوری داده قانون مشخصی داشتند، اما این قوانین معمولا مبهم، ناهماهنگ و بدون توجه به زمینه بودند. یعنی پلتفرم‌ها خیلی وقت‌ها فقط می‌گویند «جمع‌آوری داده ممنوع است»، اما توضیح نمی‌دهند منظورشان چه نوع داده‌ای، چه روشی و برای چه هدفی است.

🔺 سیاست پلتفرم‌ها در این مقاله به چهار دسته اصلی تقسیم شده است: ۶۳ سایت جمع‌آوری خودکار با ابزارهایی مثل bot، scraper، crawler یا spider را ممنوع کرده بودند؛ ۴۷ سایت به شکل کلی جمع‌آوری داده را محدود کرده بودند؛ ۱۴ سایت حتی جمع‌آوری دستی یا کپی کردن اطلاعات را هم ممنوع می‌دانستند؛ و ۲۴ سایت گفته بودند برای جمع‌آوری داده باید از خود پلتفرم یا کاربران اجازه گرفته شود.

🔹 نکته مهم این است که بیشتر این قوانین بین یک پژوهش دانشگاهی، ساختن رقیب تجاری، یا سوءاستفاده از اطلاعات کاربران تفاوتی نمی‌گذارند. برای مثال ممکن است جمع‌آوری داده برای بررسی تبعیض الگوریتمی از نظر اجتماعی مفید باشد، اما همان قانون خشک پلتفرم آن را کنار جمع‌آوری تجاری داده قرار دهد. از طرف دیگر، نبودن ممنوعیت در TOS هم به معنی اخلاقی بودن کار نیست؛ چون پشت هر داده، یک کاربر واقعی قرار دارد.

پیام اصلی مقاله این است که تصمیم‌گیری اخلاقی درباره داده‌های آنلاین نباید فقط با یک چک‌لیست حقوقی انجام شود. باید دید داده از چه کسانی جمع می‌شود، چقدر حساس است، هدف پژوهش چیست، کاربران چه انتظاری از حریم خصوصی دارند و آیا انتشار نتایج می‌تواند به افراد آسیب بزند یا نه. در واقع، قانون پلتفرم فقط یک بخش ماجراست؛ بخش مهم‌تر، زمینه و اثر واقعی استفاده از داده‌هاست.

📑 لینک مقاله:
🔗 https://ojs.aaai.org/index.php/ICWSM/article/view/7290/7144

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»

📕 وقتی «اشتراک با لینک» یعنی «پخش در گوگل» | فاجعه ایندکس‌شدن چت‌های Claude

🚨 زمان مطالعه: ۱ دقیقه و نیم

🔗 #هوش‌مصنوعی

دیروز معلوم شد با یک ترفند ساده جست‌وجو در گوگل، می‌شه به هزاران مکالمه خصوصیِ کاربران با چت‌بات Claude دسترسی پیدا کرد. ماجرا از این قراره:

🔺 یک کاربر با استفاده از یک Google Dork ساده (چیزی شبیه site:claude.ai/share) نشون داد که تمام چت‌هایی که کاربرها با گزینه «Share» به اشتراک گذاشته بودن، توسط گوگل ایندکس شدن و برای همه قابل سرچ هستن. مشکل اصلی اینجاست: «اشتراک با یک لینک» قرار نبوده به معنی «پخش همگانی روی موتور جست‌وجو» باشه.

حالا این یک نقض حریم خصوصی گسترده و اشتباه بزرگ از سمت Anthropic هست. راه‌حل ساده‌ای وجود داشته که رعایت نشده: استفاده از تگ noindex تا موتورهای جست‌وجو این صفحات رو ایندکس نکنن، مخصوصا که OpenAI هم دقیقا همین اشتباه رو سال قبل مرتکب شده بود و درسش گرفته نشده.

📁 چه چیزهایی لو رفت؟
کاربرها بین این چت‌ها به موارد نگران‌کننده‌ای برخوردن:
🔽 ساخت یک crypto wallet همراه با نمایش کامل private keyها
🔽 یک وکیل که می‌پرسید آیا باید تخلف حرفه‌ای خودش را گزارش کنه یا نه
🔽 اطلاعات حساس شخصی مثل رزومه، اسم کامل افراد و حتی شماره‌های شناسایی
🔽 حجم زیادی محتوای کاملا نامناسب که گاهی حتی با برچسب «shared by Anthropic» ظاهر می‌شد

دو مسئله جدا از هم وجود داره. اول اینکه خودِ کاربرها این چت‌ها رو با گزینه Share عمومی کرده بودن (خطای کاربر)، و دوم اینکه Anthropic باید با یک تگ ساده جلوی ایندکس‌شدن این صفحات رو می‌گرفت (خطای شرکت). مسئولیت اصلی متوجه طراحیِ ناقصِ این قابلیته.

✅ واکنش و راه‌حل بعد از وایرال‌شدن ماجرا
شرکت Anthropic به‌سرعت مشکل رو در گوگل برطرف کرد و نتایج شروع به ناپدیدشدن کردن. اما کاربرها گزارش دادن که همون چت‌ها برای مدتی هنوز روی Bing و Brave Search در دسترس بودن.

پیشنهاد می‌شه همین حالا برید سراغ تنظیمات و چت‌های اشتراکی خودتون رو چک کنید:

Settings → Privacy → Shared Chats

همچنین هیچ‌وقت اطلاعات حساس (کلید رمزارز، داده شخصی، مسائل حقوقی و...) رو حتی در حالت «اشتراک خصوصی» وارد نکنید.

📑 منبع:
🔗 https://www.reddit.com/r/ClaudeAI/comments/1v6fiyj/you_can_view_a_lot_of_shared_conversations_via/

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»

📕 نابغه اصفهانی بر قله علوم کامپیوتر جهان | شایان اویس‌قرن و مدال آباکوس ۲۰۲۶

🚨 زمان مطالعه: ۱ دقیقه و نیم

🔗 #علوم‌کامپیوتر
🔗 #ریاضیات

شایان اویس‌قرن، ریاضی‌دان ایرانی متولد اصفهان و استاد دانشگاه واشنگتن، مدال آباکوس ۲۰۲۶ اتحادیه بین‌المللی ریاضیات (IMU) را دریافت کرد؛ یکی از معتبرترین جوایز جهان در علوم کامپیوتر نظری که هر چهار سال یک‌بار به یک پژوهشگر زیر ۴۰ سال اهدا می‌شود. کمیته داوری، استفاده او از ابزارهای نوین ریاضی از حوزه‌هایی به‌ظاهر بی‌ارتباط با علوم کامپیوتر را دلیل این افتخار عنوان کرد.

⭐️ شکستن رکورد ۴۰ ساله برای بیش از ۴۰ سال، «مسئله فروشنده دوره‌گرد» (پیدا کردن کوتاه‌ترین مسیر برای سرزدن به چندین شهر) توسط الگوریتمی که نیکوس کریستوفیدس در سال ۱۹۷۶ ارائه کرده بود، محدود مانده بود. این الگوریتم همیشه مسیری پیدا می‌کرد که حداکثر ۵۰٪ طولانی‌تر از مسیر بهینه بود و کسی نتوانسته بود آن را بهبود دهد. اویس‌قرن به‌همراه همکارانش (آنا کارلین و ناتان کلاین) در سال ۲۰۱۹ بالاخره این رکورد را شکستند.

💬 راز موفقیت: تفکر متفاوت او به‌جای تکیه صرف بر روش‌های سنتی علوم کامپیوتر، ایده‌هایی از احتمال، جبر، هندسه و شاخه‌های دیگر ریاضیات را ترکیب کرد. کلید کار، بازنویسی مسئله در قالب چندجمله‌ای‌ها (Polynomials) بود؛ روشی که خودش آن را «یک انحراف مسیر» یا detour می‌نامد. یعنی مسئله را به فضایی دیگر می‌برد، آنجا حلش می‌کند و نتیجه را به مسئله اصلی برمی‌گرداند.

📊 انقلاب در الگوریتم‌های نمونه‌گیری دستاورد او فقط به فروشنده دوره‌گرد محدود نمی‌شود. اویس‌قران با پژوهش روی الگوریتم‌های نمونه‌گیری مونت‌کارلوی زنجیره مارکوف و مفهوم «استقلال طیفی» (Spectral Independence)، توانست حدس میهیل-وازیرانی را که ۳۰ سال باز مانده بود اثبات کند و مسیر تازه‌ای در مطالعه الگوریتم‌های تصادفی باز کند. به گفته امش وازیرانی: «این نتیجه‌ای خیره‌کننده بود؛ واقعاً شبیه یک جادو به نظر می‌رسید.»

🎓 از المپیاد تا واشنگتن او متولد ۱۹۸۶ در اصفهان، مدال طلای المپیاد جهانی کامپیوتر ۲۰۰۴، فارغ‌التحصیل دانشگاه صنعتی شریف و سپس استنفورد است. مدال آباکوس شامل یک مدال طلا و ۱۰ هزار یورو جایزه نقدی است که با حمایت مشترک دانشگاه هلسینکی و بنیاد سیمونز تامین می‌شود.

سخت‌ترین مسائل معمولاً با «بیشتر تلاش کردن» حل نمی‌شوند، بلکه با «متفاوت فکر کردن» و جسارت بازتعریف خود مسئله حل می‌شوند.

🔗 https://www.quantamagazine.org/a-master-of-the-traveling-salesperson-problem-finds-his-own-path-20260723/

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»

📕 معرفی Citeprobe | ابزار بررسی صحت رفرنس‌های مقالات

🚨 زمان مطالعه: ۱ دقیقه

🔗 #معرفی

وقتی جست‌وجوی یک ارجاع بی‌نتیجه می‌مونه، این لزوما به معنی جعلی بودن اون ارجاع نیست، ممکنه Meta Data ناقص باشه، API از کار بیفته، یا نسخه preprint با نسخه منتشرشده فرق داشته باشه. ابزار Citeprobe دقیقا برای همین ساخته شده تا این حالت‌ها رو از هم جدا نگه داره و به‌جای قضاوت عجولانه، شواهد رو ثبت و شفاف کنه.

⭐️ ابزار Citeprobe چیکار می‌کنه؟
یک ابزار متن‌باز برای Python و ترمینال که ارجاعات علمی رو به‌صورت evidence-first بررسی می‌کنه. برخلاف خیلی از ابزارهای مشابه، از هیچ LLM استفاده نمی‌کنه، بلکه ثبت می‌کنه که هر منبع دقیقاً چه پاسخی داده، تک‌تک نویسنده‌های ذکرشده رو چک می‌کنه و توضیح می‌ده چرا به یک verdict رسیده.

💬 قابلیت‌های کلیدی
🔽 بررسی DOI، PMID، PMCID و ارجاعات کپی‌شده یا فایل‌های bib/ris/json و حتی PDF
🔽 استخراج ارجاعات از PDF با pypdf، GROBID یا OCR (بدون نیاز به GPU)
🔽 تشخیص جداگانه‌ی truncation نویسنده‌ها، تغییر ترتیب، retraction، duplicate و تعارض بین منابع
🔽 پرس‌وجوی هم‌زمان از Crossref، OpenAlex، Semantic Scholar، DBLP، arXiv، Europe PMC و چند منبع دیگه با کش روی دیسک

📊 نکته‌ی مهم طراحی
در این ابزار verdictها شفاف و صادقانه‌ان. verified یعنی شواهد کافی بوده و همه‌ی checkها پاس شدن، problematic یعنی حداقل یک تناقض جدی پیدا شده، و inconclusive یعنی شواهد کافی نبوده. یک خطای شبکه یا جست‌وجوی خالی هرگز به ادعای جعل تبدیل نمی‌شه. همچنین «et al.» به‌عنوان یک نشانگر در نظر گرفته می‌شه، نه اسم نویسنده.

📌 چرا مهمه؟
در دورانی که تولید انبوه متن با AI و ارجاعات جعلی (مثل ماجرای مقالات NeurIPS) به یک نگرانی جدی تبدیل شده، ابزاری که شواهد رو شفاف، تکرارپذیر و قابل replay نگه داره، برای حفظ اعتبار زنجیره‌ی دانش علمی ارزشمنده.

💻 نصب و شروع سریع:

python -m pip install "citeprobe @ git+https://github.com/Imanm02/citeprobe.git"

🔗 لینک ریپازیتوری:
🔗 https://github.com/Imanm02/citeprobe

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»