TechCrunch
Meta's months-old AI unit is a soul-crushing gulag, say the engineers stuck inside it | TechCrunch
A new report suggests the unit, which employs 6,500 people, is on the verge of revolt.
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:
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7👍5
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.
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
آیا در عصر AI و تولید انبوه محتوا، هنوز میتوان Citation Count و h-index را معیار قابل اعتمادی برای سنجش کیفیت پژوهش دانست؟
Please open Telegram to view this post
VIEW IN TELEGRAM
❤11👍5👌4
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.
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.
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
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.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤8👏3
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.
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.
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.
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.
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.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤6👍4
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.
پروژه FlyWire موفق شد برای اولین بار، نقشه کامل و سلولبهسلول تمام نورونها و اتصالات سیناپسی مغز یک حشره بالغ را ترسیم کند.
شاید بپرسید یک مگس کوچک چه ربطی به ما دارد؟
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.
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.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤6👍3🔥2
YouTube
How to Research Any Topic - Deep-Dive like a PhD Student
🧠 To start learning for free for a full 30 days, go to https://brilliant.org/CharlotteFraza and receive a 20% discount on the annual premium subscription.
👋 Hey everyone, welcome back to the channel. So scrolling is easy, and doing deep research for long…
👋 Hey everyone, welcome back to the channel. So scrolling is easy, and doing deep research for long…
Please open Telegram to view this post
VIEW IN TELEGRAM
❤5👍2👏2🔥1
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.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤6👍3🔥1
Claude
Claude is Anthropic's AI, built for problem solvers. Tackle complex challenges, analyze data, write code, and think through your hardest work.
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:
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.
کاربرها بین این چتها به موارد نگرانکنندهای برخوردن:
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.
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.
Please open Telegram to view this post
VIEW IN TELEGRAM
🤯8❤3👍2🔥1
Quanta Magazine
A Master of the Traveling Salesperson Problem Finds His Own Path
Shayan Oveis Gharan has won the Abacus Medal for using tools from across mathematics to boost the power of algorithms.
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.
سختترین مسائل معمولاً با «بیشتر تلاش کردن» حل نمیشوند، بلکه با «متفاوت فکر کردن» و جسارت بازتعریف خود مسئله حل میشوند.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤13👍4👏2😢2
GitHub
GitHub - Imanm02/citeprobe: Verify academic references with evidence, not guesses
Verify academic references with evidence, not guesses - Imanm02/citeprobe
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.
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.
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.
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.
python -m pip install "citeprobe @ git+https://github.com/Imanm02/citeprobe.git"
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7👍4😍2👏1
شاید یکی از فرسایشیترین مراحل در پروسه تبدیل پایاننامه به یک مقاله ژورنالی، پروسهی Literature Review باشد. وقتی روزانه فقط چند ساعت محدود برای پیشبرد مقالهتان زمان دارید، باز کردن دهها تب در گوگل اسکالر یا پابمد و خواندن چکیدههای طولانی برای پیدا کردن یک دیتای کوچک، عملا تمام انرژی شما را میگیرد.
در دیتابیسهای سنتی باید کلمات کلیدی را با عملگرهای AND و OR ترکیب کنید. اما در الیسیت کافیست سوال خود را کامل بپرسید.
مثلا «مکانیسمهای پاتوفیزیولوژی درگیر در [نام بیماری] چیست؟» یا «تاثیر مکمل X بر کیفیت خواب چگونه است؟»، الیسیت با درک معنایی، مقالاتی را پیدا میکند که دقیقاً به این سوال پاسخ دادهاند.
این مهمترین برگ برنده الیسیت است. وقتی مقالات پیدا شدند، این ابزار نتایج را در یک جدول به شما میدهد. شما میتوانید ستونهای جدول را سفارشی کنید، مثلا از او بخواهید از هر ۵۰ مقاله، «تعداد جامعه آماری»، «متدولوژی تحقیق»، «مداخله انجام شده» و «نتیجه نهایی» را استخراج کرده و در ستونهای مجزا به شما نشان دهد.
الیسیت به جای اینکه کل چکیده را جلوی شما بگذارد، فقط همان یک جملهای از مقاله را که مستقیما به سوال شما جواب داده است، جدا کرده و هایلایت میکند.
اگر میخواهید در زمان صرفهجویی کنید، به جای دانلود دهها مقاله نامرتبط، ابتدا سوال اصلی مقاله خود را در الیسیت سرچ کنید. جدول خروجی را بررسی کنید و فقط ۳ تا ۵ مقالهای که دقیقاً به کارتان میآید را برای مطالعه عمیقتر انتخاب کنید.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤6👍4👌2
چند بار تا حالا پیش آمده که برای نوشتن بخش Literature Review یا بررسی سابقه یک موضوع علمی، به دلیل اکانتهای تحریمی یا پولی Scopus و Web of Science گیر کنید؟ وقتی در طول روز زمان محدودی برای پیشبرد کار پژوهشی خود دارید، معطل ماندن برای گرفتن دسترسی دانشگاهی، فقط وقت و انرژی مفید شما را میسوزاند.
اوپنالکس جایگزین مستقیم دیتابیسهای انحصاری است. این ابزار اطلاعات بیش از ۲۵۰ میلیون مقاله، کتاب، پایاننامه و همایش علمی را از سراسر جهان یکجا جمعآوری کرده است.
اوپنالکس فقط یک موتور جستجوی ساده نیست، بلکه یک «گراف دانش» است. به شما نشان میدهد که چه مقالاتی به هم ارجاع دادهاند، کدام دانشگاهها و پژوهشگران بیشترین سهم را در موضوع شما داشتهاند و خط فکری این موضوع چطور رشد کرده است.
با فیلترهای دقیق اوپنالکس، میتوانید فورا مقالاتی که Full-text آنها آزاد و رایگان است را جدا کنید تا زمانتان برای دور زدن سدهای دانلود هدر نرود.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤11👍2👏2👎1
در حال تبدیل پایاننامه به مقاله هستید. یک پاراگراف علمی دقیق و درخشان (مثلا درباره یک مکانیسم پیچیده پاتوفیزیولوژی) نوشتهاید، اما هرچه میگردید، رفرنسی که این ادعا را ثابت کند پیدا نمیکنید!
وقتی در طول روز فقط چند ساعت محدود برای پیشبرد کار پژوهشی و نگارش مقاله فرصت دارید، جستجوی کورکورانه در دیتابیسها برای پیدا کردن یک رفرنس گمشده، یعنی هدر دادنِ خالص زمان و انرژی.
اینجاست که Sourcely.net به عنوان متخصصِ «منبعیابی معکوس» وارد میدان میشود.
به جای سرچ کردن کلمات کلیدی، کافیست همان پاراگرافی که نوشتهاید (یا حتی یک ادعای علمی که در ذهن دارید) را کپی کرده و در سورسلی پیست کنید. هوش مصنوعی معنای متن شما را میفهمد و معتبرترین مقالاتی که دقیقا همان حرف را تایید میکنند، برایتان لیست میکند.
ژورنالهای معتبر روی سالِ انتشار منابع حساس هستند. در سورسلی میتوانید فیلتر بگذارید که فقط مقالاتِ ۵ سال اخیر را پیدا کند، یا جستجو را به حوزههای خاصی محدود کنید تا رفرنسهای شما در بخش Introduction کاملا بهروز و قابل دفاع باشند.
گاهی یک مفهوم را کاملا درک کردهایم و با کلمات خودمان مینویسیم، اما فراموش میکنیم به منبع اولیه ارجاع دهیم. سورسلی مثل یک بازرسِ دقیق عمل میکند و کمک میکند قبل از سابمیت، برای هر خط از ادعاهای علمیِ مقالهتان، یک پشتوانه محکم پیدا کنید.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤5👍5😍2👏1
اگر در حال نوشتن مقاله با استفاده از یک پایاننامه قطور هستید، حتما میدانید که ژورنالهای معتبر امروزی (مخصوصا در حوزههای علوم پزشکی و پایه) دیگر فقط به یک متن طولانی راضی نمیشوند. داشتن Graphical Abstract یا فلوچارتهای دقیق از متدولوژی، شانس پذیرش مقاله شما را به شدت بالا میبرد.
طراحی یک چرخه پیچیدهی پاتوفیزیولوژی، مسیر سیگنالینگ سلولی، یا فلوچارت ورود و خروج بیماران به مطالعه، به صورت دستی در نرمافزارهایی مثل Adobe Illustrator یا حتی پاورپوینت، ساعتها زمان میبرد، آن هم برای پژوهشگرانی که روزانه شاید بیشتر از ۳ یا ۴ ساعت زمان آزاد برای کار روی مقالهشان نداشته باشند.
کافیست متن خام خود را (مثلا پاراگرافی که در آن مراحل انجام یک آزمایش یا چرخه یک بیماری را توضیح دادهاید) در نپکین پیست کنید. هوش مصنوعیِ این ابزار، مفاهیم، ترتیب اتفاقات و ارتباطِ بین اجزا را درک میکند و بلافاصله چندین مدل فلوچارت، نقشه ذهنی و دیاگرام آماده را به شما پیشنهاد میدهد.
یکی از سختترین بخشهای داوری مقالات، فهمیدن دقیقِ روش کار شماست. با نپکین میتوانید کل فرآیند انتخاب نمونهها، معیارهای ورود و خروج و مراحل مداخله را به یک فلوچارتِ بصریِ شفاف تبدیل کنید که هر داوری با یک نگاه آن را متوجه شود.
نپکین فقط یک تصویر خشک و ثابت به شما نمیدهد. وقتی دیاگرام ساخته شد، میتوانید روی هر بخش کلیک کنید، رنگها را تغییر دهید، آیکونهای علمیِ مرتبط اضافه کنید و در نهایت، خروجیهای باکیفیت (PNG, SVG یا PDF) بگیرید که کاملا منطبق بر استانداردهای سختگیرانهی ژورنالهای بینالمللی باشد.
اگر استاد راهنما یا داورِ ژورنال از شما بخواهد بخشی از مسیر یا متدولوژی را اصلاح کنید، نیازی نیست کل طراحی را از اول انجام دهید. کافیست متن مرجع را در نپکین ادیت کنید تا چارتِ شما به صورت خودکار آپدیت شود.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤9👍3👏2
soft_drinks_report_english.pdf
1.8 MB
در یک بررسی جامع با استفاده از ۱۵۴ منبع علمی، تفاوت نوشابههای معمولی، رژیمی، زیرو، انرژیزا، پریبیوتیک و آبهای گازدار را از نظر ترکیبات، اثرات سلامتی، فرمولاسیون، مقررات و باورهای رایج بررسی کردیم. اینجا دربارهی این پژوهش صحبت میکنیم.
نوشابه معمولی معمولا در هر قوطی حدود ۳۵ تا ۴۰ گرم قند دارد. مصرف مکرر آن با افزایش وزن، دیابت نوع ۲، پوسیدگی دندان، کبد چرب، نقرس و برخی بیماریهای قلبیمتابولیک ارتباط دارد. شواهد مربوط به افزایش وزن و پوسیدگی دندان از قویترین بخشهای این حوزه هستند.
از نظر سلامت، این دو معمولا در یک گروه قرار میگیرند، چون هر دو بهجای قند از شیرینکنندههای کمکالری استفاده میکنند. تفاوت اصلی بیشتر در طعم و بازاریابی است: نوشابه «رژیمی» معمولا طعم مستقل خود را دارد، اما نسخه «زیرو» طوری طراحی میشود که به طعم نوشابه اصلی نزدیکتر باشد.
شواهد چنین نتیجهای را تأیید نمیکنند. وقتی نوشابه رژیمی یا زیرو جای نوشابه قندی را بگیرد، معمولا دریافت قند و کالری کاهش پیدا میکند و میتواند به کنترل وزن و قند خون کمک کند. با این حال، این نوشیدنیها همچنان اسیدی هستند و مصرف مکرر آنها میتواند به فرسایش مینای دندان منجر شود.
مشکل اصلی این محصولات فقط قند نیست. بعضی از آنها در یک قوطی ۱۶۰ تا ۳۰۰ میلیگرم کافئین دارند. مصرف سریع، ترکیب با الکل، استفاده هنگام ورزش شدید یا مصرف توسط کودکان و افراد دارای مشکلات قلبی میتواند خطرناک باشد.
برای مصرف روزانه، آب ساده بهترین انتخاب است. آب گازدار ساده در رتبه بعد قرار میگیرد. برای کسی که به نوشابه قندی عادت دارد، نسخه رژیمی یا زیرو میتواند یک مرحله کاهش آسیب باشد، اما «بدون قند» به معنی «بدون اثر» یا «قابل مصرف نامحدود» نیست.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤8👍5👏2
Wikipedia
Wikipedia:Signs of AI writing
This is a list of writing and formatting conventions typical of AI chatbots such as ChatGPT, with real examples taken from Wikipedia articles, drafts, comments, and other content. It is a field guide to help detect undisclosed AI-generated content on Wikipedia:…
ویکیپدیا یه صفحه داره برای نشانههای متن AI Generated. نکتهی این صفحه این نیست که با دیدن یک کلمه بفهمیم متن حتما با AI نوشته شده. خود صفحه هم میگه اینها قانون قطعی نیستن. بیشتر شبیه چند رفتار تکراریان که وقتی کنار هم زیاد دیده میشن، باید شک کرد.
۱. متن الکی موضوع رو بزرگ میکنه. مثلا یک چیز معمولی ناگهان میشه «نقطه عطف»، «نشاندهنده یک روند بزرگتر»، «نقش کلیدی در آینده» و از این مدل جملهها.
۲. زیادی مرتب و بیخطر حرف میزنه. انگار میخواد همه چیز رو توضیح بده، ولی چیزی واقعا تیز یا خاص نمیگه.
۳. مدام از کلمههای کلی استفاده میکنه. تاثیر مهم، چشمانداز گسترده، اهمیت قابل توجه، بحثهای گسترده، آینده امیدوارکننده.
۴. به جای اینکه بگه دقیقا چه اتفاقی افتاده، میگه «منابع مختلف اشاره کردهاند» یا «رسانهها پوشش دادهاند»، اما معلوم نیست کدوم منبع دقیقا چی رو ثابت میکنه.
۵. آخر متن هم معمولا یک جمعبندی تمیز و بیدردسر میاد. از آن مدل جمعبندیهایی که انگار برای هر موضوعی میشه گذاشت.
جالبتر اینکه ویکیپدیا میگه مشکل اصلی این نشانهها نیست. مشکل اصلی وقتیه که متن منبع درست نداره، ادعای بزرگ میکنه، تحلیل سطحی میده و فقط خوشفرم به نظر میرسه.
یعنی متن AI فقط به خاطر چند کلمه لو نمیره. بیشتر وقتی لو میره که میبینی جملهها مرتب هستن، ولی فکر پشتشون نیست.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7👍4👏2👌2
SpringerLink
An approach to sociotechnical transparency of social media algorithms using agent-based modelling
AI and Ethics - The recommendation algorithms on social media platforms are hugely impactful, they shape information flow and human connection on an unprecedented scale. Despite growing criticism...
این مقاله سراغ الگوریتمهای پیشنهاددهنده شبکههای اجتماعی رفته، اما نتیجهاش یک بحث کلی درباره «شفافیت» نیست. نویسندهها یک مدل agent-based ساختند، آن را با دادههای X کالیبره کردند و بعد پرسیدند: الگوریتم برای بالا آوردن محتوا، به کدام سیگنال بیشتر وزن میدهد؟
مدل توانست رفتار واقعی retweetها را نسبتا خوب بازسازی کند. خطای NRMSE در سه دیتاست بین 0.0509 تا 0.0854 بود، در حالی که مدل قبلی عدد 0.25 داشت. نکته مهمتر اینکه این مدل همزمان ۵۰ مسیر انتشار tweet را شبیهسازی میکرد، نه فقط یک tweet.
در موضوع زلزله ترکیه، وزن الگوریتم تقریبا بین محبوبیت محتوا و همباوری کاربران تقسیم شد: 42.6 درصد برای محبوبیت و 49.8 درصد برای belief-based signal.
در موضوع Brits 2023، داستان عوض شد. حدود 50 درصد وزن روی سیگنال تصادفی بود، حدود 35 درصد روی محبوبیت، و کمی بیشتر از 10 درصد روی همباوری.
در Balloon Incident، سیگنال همباوری پررنگتر بود و حدود 50 درصد وزن را گرفت.
نکته جالب این بود که «تازگی» یا chronological signal در هر سه موضوع وزن خیلی کمی داشت. یعنی در این بازه کوتاه، اینکه یک پست تازهتر باشد، لزوما دلیل اصلی بالا آمدنش نبود.
پس نتیجه مقاله این است: الگوریتم فقط یک قانون ثابت ندارد. بسته به موضوع، یک بار محبوبیت مهمتر میشود، یک بار شباهت موضع کاربران، و یک بار حتی سیگنالهای تصادفی سهم زیادی میگیرند.
خود مقاله هم محتاط است. داده فقط از X آمده، دوره جمعآوری کوتاه بوده و مدل فقط چهار سیگنال را بررسی کرده. اما برای فهم عمومی الگوریتمها، همین نتیجه مهم است: شفافیت واقعی یعنی بفهمیم در هر موضوع، سیستم چه چیزی را جلو میکشد.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤5👍3
نتیجه طرح خیلی ساده است: مکتبخونه روی حدود ۵۰۰ دوره کد تخفیف ۱۰۰ درصدی گذاشته و با وارد کردن کد IRANMAHER میشود یکی از دورههای داخل طرح را رایگان به حساب اضافه کرد.
این طرح برای همه دورههای سایت نیست. باید از صفحه خود طرح وارد شوید، دورههای داخل لیست را ببینید، یکی را انتخاب کنید و در مرحله پرداخت کد IRANMAHER را بزنید. چند صفحه تخفیفی نوشتهاند این فرصت محدود است و بعضیها تاریخ ۶ شهریور را نشان دادهاند، پس بهتر است قبل از انتخاب دوره، تاریخ فعال بودن طرح را در همان صفحه مکتبخونه چک کنید.
دوره یادگیری ماشین Jadi هم داخل همین طرح آمده. اگر قصد شروع یادگیری ماشین، دیتاساینس، برنامهنویسی یا مهارتهای کاری را داشتید، این یکی از آن فرصتهایی است که ارزش دارد همین امروز نگاهش کنید.
فقط یک نکته را حواستان باشد: رایگان بودن دوره به معنی بیارزش بودنش نیست، اما به معنی تمام کردنش هم نیست. اگر دورهای را میگیرید، همان روز برایش یک برنامه کوچک بگذارید. وگرنه مثل خیلی از دورههای رایگان، فقط وارد اکانت میشود و همانجا میماند.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤3👍3👏2😍1
Cracking_the_Coding_Interview_189_Programming_Questions_and_Solutions.pdf
6 MB
نتیجه عملی این کتاب این است: اگر برای مصاحبه برنامهنویسی آماده میشوید و نمیدانید دقیقا از کجا شروع کنید، Cracking the Coding Interview هنوز یکی از منظمترین مسیرهاست. نسخه ششم کتاب ۱۸۹ سوال برنامهنویسی و جواب دارد، نه فقط چند تمرین پراکنده.
کتاب فقط جواب سوالها را نمیدهد. برای هر مسئله مسیر فکر کردن را توضیح میدهد: چطور سوال را باز کنیم، کجا دنبال hint بگردیم، چطور راهحل ساده را به راهحل بهتر تبدیل کنیم، و چرا Big O در مصاحبه فقط یک فرمول حفظی نیست.
چیز خوبی که این کتاب دارد این است که از فضای LeetCode صرف جداست. درباره رزومه، روند مصاحبه، سوالهای رفتاری، پشت صحنه استخدام در شرکتهایی مثل Google، Amazon، Microsoft، Apple و Facebook هم حرف میزند. یعنی به مصاحبه فقط به چشم حل کردن یک مسئله آرایه و گراف نگاه نمیکند.
اما محدودیتش هم روشن است. این کتاب برای شروع و ساختن چارچوب ذهنی عالی است، ولی برای مصاحبه امروز کافی نیست. بعد از خواندنش باید timed practice داشته باشید، با IDE یا whiteboard تمرین کنید، و سوالهای جدیدتر را هم حل کنید.
اگر تازه میخواهید برای مصاحبه فنی آماده شوید، این کتاب بیشتر شبیه نقشه راه است تا بانک سوال. ارزشش در این است که یاد میدهد چطور به مسئله فکر کنید، نه فقط اینکه جواب یک سوال خاص چیست.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤4👏3👍2