MidTech
32 subscribers
29 photos
3 files
32 links
📌 مرکز آموزش و پژوهش سلامت زنان و مامایی
🌐 سلامت زنان
🌐 مامایی و باروری
🌐 انفورماتیک پزشکی
🌐 سلامت دیجیتال، FemTech و هوش مصنوعی
🌐 پژوهش، دیتا آنالیز، ابزارهای علمی و AI در پزشکی

"علم امروز، سلامت فردا؛ MidTech کنار زنان"
Download Telegram
🎓 دکتری فول‌فاند؛ ساخت دوقلوی دیجیتال قلب 🫀🇪🇸

یک پروژه دکتری MSCA در اسپانیا برای توسعه‌ی Digital Twin شخصی‌سازی‌شده قلب و شبیه‌سازی درمان آریتمی پیش از Ablation.

🔬 حوزه‌ها:
ECGi، LGE-MRI، مدل‌سازی محاسباتی قلب و برنامه‌نویسی

📍 میزبان: Corify Care | اسپانیا
🎓 مدرک: Universitat Politècnica de València
💼 نوع موقعیت: قرارداد تمام‌وقت + فاند MSCA
🌍 دوره‌های پژوهشی: فرانسه، بریتانیا و اسپانیا

📅 ددلاین: ۳۰ سپتامبر ۲۰۲۶

⚠️ شرط مهم: در ۳ سال گذشته نباید بیش از ۱۲ ماه در اسپانیا اقامت یا فعالیت اصلی داشته باشید.

اطلاعات پروژه:
https://euraxess.ec.europa.eu/jobs/462939
ثبت درخواست:
https://www.cdtnet.eu/apply-now

#PhD #FullyFunded #Apply
❤2🔥1🥰1
🚨 ۵ اشتباه رایج در Introduction

❌ ۱. تبدیل Introduction به Literature Review

لازم نیست تمام مطالعاتی که درباره موضوع پیدا کرده‌اید را وارد کنید.

فقط اطلاعاتی را نگه دارید که به ساختن منطق پژوهش شما کمک می‌کنند.

❌ ۲. Citation Dumping

یک جمله بنویسیم و پشت آن ۸ رفرنس قرار دهیم، بدون اینکه مشخص باشد این رفرنس‌ها دقیقاً چه چیزی را ثابت می‌کنند.

ارتباط و کیفیت منابع مهم‌تر از تعداد آنهاست.

❌ ۳. گفتن نتایج مطالعه

مثلاً:

> «مدل ما توانست با دقت ۹۲٪ بیماران پرخطر را شناسایی کند.»

❌ این جمله متعلق به Introduction نیست.

نتیجه‌ی مطالعه باید در Results گزارش شود. ICMJE نیز صراحتاً می‌گوید داده‌ها و نتایج کارِ در حال گزارش نباید در Introduction آورده شوند.

❌ ۴. ادعای «اولین مطالعه» بدون جست‌وجوی کافی

جمله‌ای مثل:

> «هیچ مطالعه‌ای تاکنون این موضوع را بررسی نکرده است.»

می‌تواند ادعای خطرناکی باشد.

ممکن است فقط شما مطالعه‌ی دیگری را پیدا نکرده باشید.

پس باید در بیان Research Gap دقت کنید و ادعا را به اندازه شواهد موجود محدود نگه دارید.

❌ ۵. بخش Introduction بیش از حد طولانی

هر پاراگراف باید یک وظیفه داشته باشد.

اگر پاراگرافی نه مسئله را روشن می‌کند، نه شواهد موجود را توضیح می‌دهد، نه Research Gap را می‌سازد و نه به هدف مطالعه نزدیک می‌شود، احتمالاً باید کوتاه یا حذف شود.

🧠 یک تکنیک کاربردی برای نوشتن Introduction

قبل از اینکه شروع به نوشتن کنید، اول این پنج جمله را برای خودتان کامل کنید:

۱. مشکل اصلی چیست؟

۲. درباره این مشکل چه می‌دانیم؟

۳. چه چیزی هنوز مشخص نیست؟

۴. چرا این موضوع مهم است؟

۵. مطالعه‌ی من دقیقاً برای پاسخ به چه سؤالی انجام شده است؟

اگر بتوانید به این پنج سؤال جواب دهید، اسکلت Introduction شما تقریباً آماده است.

بعد می‌توانید برای هر بخش، شواهد علمی مناسب پیدا کنید و متن را بسازید.

✨ یک Introduction خوب چه کاری انجام می‌دهد؟

یک Introduction خوب قرار نیست خواننده را با اطلاعات زیاد تحت تأثیر قرار دهد.

قرار است در پایان کاری کند که خواننده با خودش بگوید:

«متوجه شدم مسئله چیست، می‌دانم درباره آن چه می‌دانیم، شکاف علمی را می‌بینم و حالا می‌فهمم چرا این پژوهش انجام شده است.»

و این دقیقاً همان نقطه‌ای است که Introduction باید به آن برسد. 🎯


📌 یک نکته آخر

برای نوشتن مقاله، فقط به ساختار کلی Introduction اکتفا نکنید؛ نوع مطالعه هم مهم است.

برای مثال CONSORT برای کارآزمایی‌های تصادفی، STROBE برای مطالعات مشاهده‌ای، PRISMA برای مرورهای نظام‌مند و STARD/TRIPOD برای مطالعات تشخیصی و پیش‌بینی.


https://t.me/TheMidTech
❤2👍1
می‌خوای روی پروژه‌هایی کار کنی که AI رو وارد زیست‌شناسی و پزشکی می‌کنن؟
این موقعیت رو ببین 👀

📍 AITHYRA – Vienna
🎓 International PhD in AI for Biomedicine

💰 حداقل €2,832 در ماه × ۱۴ پرداخت
⏳ ۴ سال | Fully Funded

🔬 حوزه‌ها:
AI و Machine Learning، Computational Biology، Drug Discovery، Cancer، Immunology و بیماری‌های عصبی

🎯 مناسب برای رشته‌هایی مثل AI، Computer Science، Bioinformatics، Medicine، Biology، Engineering و Statistics

✨ نکته جذاب: لازم نیست از قبل در هر دو حوزه‌ی AI و Life Science متخصص باشی.

📅 ددلاین: ۱ نوامبر ۲۰۲۶
🚀 شروع: سپتامبر ۲۰۲۷

اطلاعات اپلای:
https://phd.aithyra.at/application-guidelines/?utm_source=chatgpt.com

#MidTech #PhD #Apply
❤4🔥1
🤖📄 ممکنه مقاله‌ای که امروز می‌خونی، با AI نوشته شده باشه؛ حتی اگر خودش نگفته باشه!

یک پژوهش جدید در سال ۲۰۲۶، بیش از ۱ میلیون مقاله زیست‌پزشکی در PubMed Central را بررسی کرده و به یک عدد عجیب رسیده:

🔴 تا پایان ۲۰۲۵، حدود ۸۹٪ مقالات نشانه‌هایی از استفاده از LLMها در نوشتن یا ویرایش متن داشته‌اند.

اما جالب‌تر اینکه استفاده از AI در همه بخش‌های مقاله یکسان نیست:

🧠 Discussion: حدود ۶۸٪
📚 Introduction: حدود ۵۹٪
📊 Methods: حدود ۳۲٪

یعنی ظاهراً هرچه بیشتر به بخش‌هایی می‌رسیم که توضیح، تفسیر و استدلال اهمیت دارند، نقش AI هم بیشتر می‌شود.

حالا سؤال مهم:
اگر AI دارد به نوشتن مقاله کمک می‌کند، مرز بین «کمک گرفتن از AI» و «سپردن بخشی از تفکر علمی به AI» کجاست؟ 🤔

و شاید سؤال مهم‌تر برای دانشجوها:
آیا در عصر AI، هنوز باید مقاله‌نویسی را یاد بگیریم؟

به نظر من، اتفاقاً بیشتر از قبل!

چون اگر ندانیم یک Introduction، Results یا Discussion خوب چه ویژگی‌هایی دارد، چطور قرار است بفهمیم چیزی که AI برایمان نوشته واقعاً علمی و درست است؟

منبع:
https://arxiv.org/abs/2608.10715?utm_source=chatgpt.com
❤1👍1
📚 آموزش مقاله‌نویسی | قسمت ششم

بخش Discussion را چطور بنویسیم؟ 🔬

اگر Results می‌گوید:

> «چه چیزی پیدا کردیم؟»

بخش Discussion باید به این سؤال‌ها پاسخ بدهد:

• این یافته‌ها چه معنایی دارند؟
• چرا ممکن است چنین نتیجه‌ای به دست آمده باشد؟
• آیا با پژوهش‌های قبلی همخوانی دارند؟
• این مطالعه چه چیزی به دانش موجود اضافه می‌کند؟
• و این نتایج تا کجا قابل اعتماد و قابل تعمیم هستند؟

به زبان ساده:

Results = What did we find?
Discussion = What do these findings mean?

و همین تفاوت، مهم‌ترین نکته Discussion است.
---

🧩 بخش Discussion از چه قسمت‌هایی تشکیل می‌شود؟

یک ساختار بسیار کاربردی که در ادبیات علمی و راهنمای BMJ پیشنهاد شده، شامل این بخش‌هاست:

1. Main findings
2. Interpretation & possible explanations
3. Comparison with previous studies
4. Strengths & limitations
5. Implications
6. Unanswered questions & future research
7. Conclusion / take-home message

البته ترتیب و وجود تیترهای فرعی بسته به نوع مقاله و دستورالعمل مجله می‌تواند متفاوت باشد. BMJ به‌طور مشخص ساختاری شامل یافته اصلی، نقاط قوت و ضعف، مقایسه با مطالعات قبلی، معنای یافته‌ها و پرسش‌های بی‌پاسخ/تحقیقات آینده پیشنهاد کرده است.
---

1️⃣ اول Discussion: مهم‌ترین یافته را بگو

در همان ابتدا به خواننده بگو:

مهم‌ترین چیزی که این مطالعه نشان داد چه بود؟

مثلاً:

«مطالعه حاضر نشان داد که استفاده بیشتر از تلفن همراه با کاهش قصد باروری همراه بود.»

همین.

نه اینکه دوباره تمام درصدها، P-valueها، جدول‌ها و جزئیات Results را تکرار کنیم.

همچنین ICMJE توصیه می‌کند Discussion با خلاصه‌ای کوتاه از یافته‌های اصلی شروع شود و از تکرار جزئیات بخش Results پرهیز شود.

یک قانون طلایی:

بخش Discussion = خلاصه‌ی یافته‌ها + تفسیر آن‌ها
---

2️⃣ بعد بپرس: «چرا چنین نتیجه‌ای به دست آمد؟»

اینجا Discussion واقعاً شروع می‌شود.

شما باید تفسیر علمی ارائه کنید.

اگر نتیجه‌ای مشاهده کرده‌اید، چه مکانیسم‌ها یا توضیحاتی می‌توانند آن را توضیح دهند؟

برای این کار می‌توانید از:

مطالعات قبلی
نظریه‌های علمی
مکانیسم‌های زیستی
عوامل رفتاری
عوامل اجتماعی
ویژگی‌های جمعیت مورد مطالعه
تفاوت‌های روش‌شناختی

استفاده کنید.

اما یک نکته بسیار مهم:

⚠️ «ممکن است» با «ثابت شده است» فرق دارد.

اگر مطالعه شما نشان داده:

مثلا X با Y مرتبط است.
نباید ناگهان بنویسید:

> پس X باعث Y می‌شود.

مگر اینکه طراحی مطالعه و شواهد واقعاً اجازه چنین نتیجه‌گیری‌ای بدهند.

به‌خصوص در مطالعات cross-sectional، مشاهده یک association به‌تنهایی معمولاً برای نتیجه‌گیری علی کافی نیست.

پس عباراتی مثل:

may suggest
may be explained by
could be related to
is consistent with
one possible explanation is

می‌توانند برای بیان تفسیرهای محتاطانه مفید باشند.

همچنین ICMJE صراحتاً هشدار می‌دهد که نتیجه‌گیری‌ها باید با داده‌ها پشتیبانی شوند و از ادعاهای بدون پشتوانه پرهیز شود.
---

3️⃣ یافته خودت را با مطالعات قبلی مقایسه کن

یکی از مهم‌ترین وظایف Discussion این است که نتیجه خودت را از حالت «یک عدد مستقل» خارج کنی و در بدنه دانش موجود قرار بدهی.

مثلاً:

«یافته حاضر با مطالعه X همسو بود، اما با مطالعه Y تفاوت داشت.»

اما همین‌جا یک اشتباه رایج اتفاق می‌افتد:

❌ فقط فهرست کردن مقالات قبلی کافی نیست.

مثلاً این Discussion ضعیف است:

Study A found X.
Study B found Y.
Study C found Z.
Our study found X.

این بیشتر شبیه literature review است تا Discussion.

باید بپرسی:

چرا نتایج مشابه یا متفاوت هستند؟

مثلاً تفاوت می‌تواند ناشی از:

جمعیت متفاوت
سن یا جنسیت متفاوت
محیط جغرافیایی متفاوت
حجم نمونه
تعریف متفاوت متغیرها
ابزار اندازه‌گیری متفاوت
زمان انجام مطالعه
روش آماری
طراحی مطالعه
تفاوت در مداخله یا exposure
تفاوت در معیار outcome

باشد.

همچنین BMJ تأکید می‌کند که هنگام مقایسه با مطالعات قبلی، صرفاً نباید نشان دهیم مطالعه ما «بهتر» است؛ بلکه باید تفاوت‌ها و نقاط قوت و ضعف مطالعات را بررسی کنیم و اگر نتایج متفاوت‌اند، تا حد امکان توضیح دهیم چرا.
👍3
4️⃣ اگر نتیجه با مطالعات قبلی متفاوت بود، نترس! 😄

نتایج متفاوت الزاماً به معنی بد بودن مطالعه شما نیست.

اتفاقاً ممکن است همین تفاوت، بخش مهم Discussion باشد.

مثلاً:
«برخلاف مطالعه X، مطالعه حاضر ارتباط معناداری بین A و B نشان نداد.»

حالا باید بررسی کنید:
چرا؟
نه اینکه بگویید:
«مطالعه ما نشان داد مطالعه قبلی اشتباه بوده.»
❌ این کار علمی نیست.

ممکن است هر دو مطالعه در شرایط متفاوت درست باشند.

حتی ممکن است تفاوت مشاهده‌شده به دلیل تفاوت در:

population
methodology
sample size
measurement
context
باشد.

اگر علت اختلاف را نمی‌دانید، حدس خود را به‌عنوان واقعیت ننویسید.

همچنین BMJ دقیقاً بر همین احتیاط تأکید کرده است: اگر نمی‌دانیم چرا نتایج متفاوت شده‌اند، نباید برای تفاوت یک توضیح قطعی بسازیم.

---

5️⃣ نقاط قوت مطالعه را بگو؛ اما تبلیغ نکن! 😅

در Discussion باید نشان دهید مطالعه شما چه نقاط قوتی دارد.

مثلاً:

مناسب بودن sample size
طراحی مطالعه مناسب
استفاده از ابزار معتبر
اندازه‌گیری استاندارد
مناسب بودن follow-up
کنترل confounders
استفاده از داده واقعی
روش آماری مناسب
بودن multicenter
preregistration
validation

اما:

❌بخش Discussion محل تبلیغ مطالعه نیست.

مثلاً:
«مطالعه ما بسیار عالی و منحصر‌به‌فرد است.»
این جمله علمی نیست!!!

به‌جایش:

«یکی از نقاط قوت این مطالعه استفاده از ابزار validated برای اندازه‌گیری outcome بود.»

با Evidence، نه تعریف از خود.
---

6️⃣ حالا مهم‌ترین قسمت: Limitations

بسیاری از نویسندگان از نوشتن Limitations می‌ترسند.

فکر می‌کنند:

«اگر محدودیت مطالعه را بگویم، داور فکر می‌کند پژوهشم ضعیف است.»

درحالی‌که معمولاً برعکس است.

یک Discussion خوب باید نشان دهد که نویسنده محدودیت‌های مطالعه خودش را می‌شناسد.

حتی BMJ پیشنهاد می‌کند نقاط قوت و ضعف مطالعه با تأکید متوازن مطرح شوند؛ زیرا نادیده گرفتن محدودیت‌های مهم می‌تواند اعتماد خواننده را کاهش دهد.

اما فقط فهرست کردن محدودیت‌ها کافی نیست.

این ضعیف است:

«این مطالعه محدودیت‌هایی داشت، از جمله sample size کم، cross-sectional design و self-reported data.»

باید توضیح بدهی:

این محدودیت چه اثری روی نتیجه دارد؟

مثلاً:

«از آنجا که داده‌ها به‌صورت self-reported جمع‌آوری شدند، احتمال recall bias وجود دارد؛ بنابراین ممکن است میزان واقعی exposure کمتر یا بیشتر برآورد شده باشد.»

یعنی:

Limitation → Possible effect → Interpretation

---

7️⃣ فقط محدودیت‌های روش‌شناسی را ننویس

محدودیت‌ها می‌توانند شامل موارد مختلفی باشند:

🔹 طراحی مطالعه

مثلاً cross-sectional بودن و محدودیت در استنباط علی.

🔹مقدار Sample

مثلاً sample کوچک یا single-center بودن.

🔹 میزان Selection bias

ممکن است شرکت‌کنندگان نماینده کل population نباشند.

🔹 Measurement bias

مثلاً استفاده از self-report.

🔹 Confounding

ممکن است متغیر دیگری رابطه مشاهده‌شده را توضیح دهد.

🔹 Missing data

داده‌های ناقص ممکن است بر برآوردها اثر گذاشته باشند.

🔹 Generalizability

نتایج ممکن است به جمعیت‌ها یا محیط‌های دیگر قابل تعمیم نباشند.

🔹 Statistical uncertainty

مثلاً confidence interval وسیع.

🔹 Multiple comparisons

اگر آزمون‌های زیادی انجام شده باشند، احتمال یافته‌های تصادفی افزایش می‌یابد.

🔹 Model limitations

در مطالعات AI/ML، مواردی مثل:

external validation نداشتن

dataset کوچک

class imbalance

data leakage

overfitting

poor calibration

lack of prospective validation

محدودیت در explainability

می‌توانند در Discussion مطرح شوند.
---

8️⃣ بعد از Limitations بگو: «پس این یافته چه اهمیتی دارد؟»

اینجا وارد Implications می‌شویم.

یعنی:

این پژوهش چه چیزی را تغییر می‌دهد یا چه چیزی را بهتر روشن می‌کند؟

بخش Implication می‌تواند برای:

🩺 Clinical practice

مثلاً آیا یافته می‌تواند به تصمیم‌گیری بالینی کمک کند؟

🔬 Research

آیا مسیر جدیدی برای پژوهش ایجاد می‌کند؟

🏥 Healthcare systems

آیا ممکن است در طراحی خدمات سلامت اهمیت داشته باشد؟

📋 Policy

آیا شواهدی برای سیاست‌گذاری فراهم می‌کند؟

اما یک هشدار مهم:

Association ≠ Clinical usefulness
و

Statistical significance ≠ Clinical significance

همچنین ICMJE صراحتاً توصیه می‌کند اهمیت آماری و اهمیت بالینی از یکدیگر تفکیک شوند.

ممکن است یک نتیجه از نظر آماری significant باشد، اما اثر آن آن‌قدر کوچک باشد که اهمیت بالینی محدودی داشته باشد.
👍2
9️⃣ قسمت Clinical significance را فراموش نکن

مثلاً:

اگر یک مداخله زمان بستری را از:

5.0 روز → 4.9 روز

کاهش دهد و این اختلاف از نظر آماری significant باشد، هنوز باید پرسید:

آیا این تغییر واقعاً از نظر بالینی مهم است؟

بنابراین در Discussion فقط ننویس:

«The intervention was statistically significant.»

بپرس:

Is the observed effect clinically meaningful?

---

🔟 قسمت Generalizability؛ نتایج ما برای چه کسانی قابل استفاده است؟

یکی از بخش‌هایی که در Discussionهای ضعیف نادیده گرفته می‌شود، external validity است.

اگر مطالعه شما روی:

385 زن 18–30 ساله در یک دانشگاه انجام شده،

نباید نتیجه‌گیری را به:

«تمام زنان»

تعمیم بدهید.

باید مشخص کنید:

نتایج برای چه population و چه contextی قابل تعمیم‌اند؟

منابع علمی نیز بر بحث درباره external validity و شرایط تعمیم‌پذیری یافته‌ها تأکید کرده‌اند.
---

1️⃣1️⃣ قسمت Future Research را هوشمندانه بنویس

یک جمله بسیار رایج در مقاله‌ها:

Further research is needed.

خب… چه researchای؟ 😅

این جمله به‌تنهایی ارزش زیادی ندارد.

به‌جای آن مشخص کنید:

چه چیزی هنوز پاسخ داده نشده؟

مثلاً:

آیا رابطه مشاهده‌شده causal است؟
آیا نتیجه در جمعیت‌های دیگر تکرار می‌شود؟
آیا یک intervention می‌تواند outcome را تغییر دهد؟
آیا باید مطالعه longitudinal انجام شود؟
آیا external validation لازم است؟
آیا یک biomarker جدید باید بررسی شود؟
آیا مدل AI در محیط واقعی هم عملکرد مشابهی دارد؟

پس:

قسمت Future Research = سؤال مشخص + دلیل + طراحی احتمالی
---

2️⃣1️⃣ در پایان Discussion چه بنویسیم؟

آخر Discussion نباید دوباره همه مقاله را خلاصه کند.

باید یک Take-home message روشن بدهد.

یعنی اگر خواننده فقط آخرین پاراگراف را بخواند، بفهمد:

مهم‌ترین پیام این مطالعه چیست؟

حتی ICMJE توصیه می‌کند نتیجه‌گیری با اهداف مطالعه مرتبط باشد و از ادعاهایی که داده‌ها پشتیبانی نمی‌کنند پرهیز شود.
---
🧠 یک فرمول خیلی ساده برای نوشتن Discussion

می‌توانی قبل از نوشتن، این مسیر را روی کاغذ بنویسی:

Main finding
↓
What does it mean?
↓
Why might it have happened?
↓
Does it agree with previous evidence?
↓
If not, why might it differ?
↓
What are the strengths & limitations?
↓
How generalizable is it?
↓
Why does it matter?
↓
What remains unanswered?
↓
What should readers take away?

این دقیقاً همان چیزی است که Discussion را از یک تکرار Results به یک تحلیل علمی تبدیل می‌کند.
❤1🔥1
معرفی #کتاب
❤2
📚 یک کتاب برای ورود به دنیای Health Informatics

اگر به ترکیب پزشکی، سلامت و فناوری اطلاعات علاقه دارید، این کتاب می‌تواند یک منبع خوب برای آشنایی با دنیای Health Informatics باشد.

📖 Health Informatics: Practical Guide for Healthcare and Information Technology Professionals

✍🏻 نویسندگان: Robert E. Hoyt & Ann K. Yoshihashi

این کتاب موضوعاتی مثل:

🔹 پرونده الکترونیک سلامت (EHR)
🔹 تحلیل داده‌های سلامت
🔹 Health Information Exchange
🔹 Clinical Decision Support
🔹 Evidence-Based Medicine
🔹 Telemedicine
🔹 Mobile Health
🔹 امنیت و اخلاق در Health Informatics
🔹 کیفیت و ایمنی بیمار
🔹 Bioinformatics و Public Health Informatics

را بررسی می‌کند.

✨ نکته جالب این است که ساختار کتاب فقط تئوری نیست؛ فصل‌ها شامل Learning Objectives، Case Studies، Future Trends، Key Points و References هستند.

برای کسی که از یک رشته علوم پزشکی می‌آید و می‌خواهد کم‌کم وارد دنیای Medical/Health Informatics، داده و فناوری سلامت شود، می‌تواند نقطه شروع جالبی باشد.

📌 نسخه ششم | 534 صفحه | زبان انگلیسی
❤2
🎓 PhD فول‌فاند در Digital Health و Dementia Care 🇬🇧

یک فرصت دکتری در بریتانیا برای توسعه‌ی یک پلتفرم دیجیتال در مراقبت از افراد مبتلا به زوال عقل 🧠💻

📍 دانشگاه: Liverpool John Moores University – LJMU

💰 Funding: Fully Funded | NIHR

🔬 حوزه‌ها: Digital Health، Health Services Research، Dementia Care، Health Informatics، Computer Science و User-Centred Design

🎯 در این پروژه قرار است با مشارکت متخصصان و کاربران، یک پلتفرم دیجیتال برای بهبود workflow مراقبت از افراد مبتلا به dementia و حمایت از نیروی بالینی طراحی و توسعه داده شود.

✨ برای کسانی که به تقاطع فناوری + سلامت + طراحی سیستم‌های سلامت علاقه دارند، موضوع پروژه می‌تواند جالب باشد.

📅 ددلاین: ۱۳ اکتبر ۲۰۲۶
📌 محل: Liverpool, UK 🇬🇧

🔗 اطلاعات و نحوه درخواست:
https://www.dementiaresearcher.nihr.ac.uk/find/jobs/?utm_source=chatgpt.com

#MidTech #Apply #phd
❤1❤‍🔥1🤩1
📚 آموزش مقاله‌نویسی | قسمت هفتم

خیلی‌ها از من می‌پرسن:

«چطور یک موضوع خوب برای مقاله پیدا کنم؟»

و معمولاً قسمت سخت ماجرا برایشان اینجاست:

چطور مطمئن شوم قبلاً کسی این کار را انجام نداده؟

اما یک نکته مهم وجود دارد:

❌ قرار نیست موضوعی پیدا کنید که هیچ‌کس در دنیا تا حالا درباره‌اش مقاله ننوشته باشد.

اتفاقاً پیدا کردن چنین موضوعی بسیار سخت است.

🎯 چیزی که باید پیدا کنید، Research Gap است.

یعنی در یک موضوع موجود، هنوز یک سؤال مهم بی‌پاسخ مانده باشد.

🔍 پس از کجا شروع کنیم؟

اول یک موضوع کلی پیدا کنید که به آن علاقه دارید.

بعد به‌جای اینکه سریع شروع به نوشتن کنید، بروید سراغ مقالات جدید.

چند مقاله جدید و معتبر را پیدا کنید و از خودتان بپرسید:

🔹 چه چیزی را بررسی کرده‌اند؟
🔹 چه چیزی را بررسی نکرده‌اند؟
🔹 چه محدودیتی داشته‌اند؟
🔹 آیا جمعیت یا کشور متفاوتی لازم است بررسی شود؟
🔹 آیا روش بهتری برای بررسی سؤال وجود دارد؟
🔹 آیا نتیجه مطالعات قبلی با هم متفاوت است؟
🔹 آیا یک متغیر مهم هنوز بررسی نشده؟
🔹 آیا یک فناوری یا روش جدید می‌تواند همان سؤال را بهتر بررسی کند؟

اینجاست که موضوع مقاله کم‌کم شکل می‌گیرد.

🧠 یک فرمول ساده:

موضوع کلی → مطالعه مقالات جدید → پیدا کردن شکاف → تبدیل شکاف به سؤال پژوهشی → طراحی مطالعه

مثلاً ممکن است درباره یک موضوع ده‌ها مقاله وجود داشته باشد، اما هنوز:

جمعیت خاصی + در شرایط خاصی + با یک روش خاص

بررسی نشده باشد.

همین می‌تواند یک Research Gap واقعی ایجاد کند.

⚠️ یک اشتباه مهم

اینکه در Google Scholar سرچ کنید و مقاله‌ای با دقیقاً همان عنوان پیدا نکنید، به این معنی نیست که موضوع شما جدید است!

باید مفهوم و سؤال پژوهشی را بررسی کنید، نه فقط عنوان مقاله را.

پس قبل از انتخاب موضوع، جست‌وجوی ادبیات را جدی بگیرید.

📌 موضوع خوب لزوماً موضوعی نیست که هیچ‌کس قبلاً درباره‌اش کار نکرده؛ موضوع خوب می‌تواند سؤالی باشد که هنوز پاسخ کامل و قانع‌کننده‌ای برای آن وجود ندارد.

و شاید مهم‌ترین مهارت در مقاله‌نویسی همین باشد:

یاد بگیریم به‌جای پیدا کردن یک موضوع جدید، یک سؤالِ بی‌پاسخ پیدا کنیم. 🔎

https://t.me/TheMidTech
❤2👍1
🧠💡 اگر بتوانیم نورون‌های مغز را با نور روشن و خاموش کنیم، چه اتفاقی می‌افتد؟

تصور کنید دانشمندان بتوانند فعالیت گروه مشخصی از سلول‌های عصبی را با پالس‌های نور کنترل کنند؛ نه فقط مغز را مشاهده کنند، بلکه دقیق‌تر بفهمند کدام مدارهای عصبی در حافظه، رفتار و بیماری نقش دارند.

این ایده، دیگر صرفاً یک فرضیه علمی نیست؛ یکی از دستاوردهای مهم علوم اعصاب مدرن است که جایزه نوبل فیزیولوژی یا پزشکی ۲۰۲۶ را به خود اختصاص داد. 🏆

🔬 جایزه نوبل پزشکی امسال به چه کسانی رسید؟

این جایزه به سه دانشمند تعلق گرفت:

🧠 Karl Deisseroth از دانشگاه استنفورد
🔬 Peter Hegemann از دانشگاه هومبولت برلین
🧬 Georg Nagel از دانشگاه وورتسبورگ

آن‌ها به‌دلیل اکتشافات مربوط به کانال‌های یونی حساس به نور و توسعه فناوری Optogenetics (اپتوژنتیک) مورد تقدیر قرار گرفتند.

🔦 اپتوژنتیک چیست و چرا این‌قدر مهم است؟

برای درک اهمیت این فناوری، باید بدانیم نورون‌ها با سیگنال‌های الکتریکی و شیمیایی با یکدیگر ارتباط برقرار می‌کنند.

پژوهشگران با کمک مهندسی ژنتیک، سلول‌های مشخصی را به تولید پروتئین‌های حساس به نور وادار می‌کنند. سپس با تاباندن نور مناسب، می‌توانند فعالیت آن سلول‌ها را با دقت زمانی و مکانی بالا تغییر دهند.

اما نکته جذاب داستان اینجاست:

این فناوری از مطالعه یک جلبک آغاز شد! 🌱

پیتر هگمان و گئورگ ناگل پروتئین‌های حساس به نور را در جلبک‌ها بررسی کردند. پژوهش‌های بعدی کارل دایسروت و دیگر دانشمندان نشان داد که می‌توان از این سازوکار برای کنترل فعالیت نورون‌ها استفاده کرد.

به این ترتیب، فناوری‌ای شکل گرفت که به دانشمندان اجازه می‌دهد مدارهای عصبی را با دقتی بی‌سابقه بررسی کنند.

🧠 این کشف چه کاربردهایی دارد؟

اهمیت اپتوژنتیک فقط در شناخت بهتر مغز نیست؛ این فناوری راه‌های تازه‌ای برای مطالعه بیماری‌های عصبی و روان‌پزشکی باز کرده است.

🔹 آلزایمر و زوال عقل: بررسی مدارهای عصبی مرتبط با حافظه و اختلال عملکرد مغز
🔹 پارکینسون: مطالعه مدارهای عصبی دخیل در حرکت
🔹 صرع: بررسی فعالیت غیرطبیعی شبکه‌های عصبی
🔹 اختلالات روان‌پزشکی: مطالعه مدارهای مرتبط با رفتار و حالات عاطفی
🔹 بازیابی بینایی: توسعه روش‌هایی که با استفاده از پروتئین‌های حساس به نور، امکان بازگرداندن بخشی از توانایی دیدن را بررسی می‌کنند.

👁️ آیا این فناوری می‌تواند به افراد نابینا کمک کند؟

یکی از جالب‌ترین کاربردهای بالینی این حوزه، تلاش برای بازگرداندن بخشی از بینایی در افراد مبتلا به بیماری‌های تخریب‌کننده شبکیه، مانند رتینیت پیگمنتوزا، است.

در اکتبر ۲۰۲۶، رویترز از نتایج امیدوارکننده یک مطالعه کوچک با ۱۰ شرکت‌کننده گزارش داد. در این روش، ژن یک پروتئین حساس به نور به سلول‌های باقی‌مانده شبکیه منتقل می‌شود و عینک‌های ویژه به تحریک این سلول‌ها کمک می‌کنند.

در این مطالعه، برخی شرکت‌کنندگان توانستند بهبودهایی در تشخیص نور و شناسایی اشیا نشان دهند؛ بااین‌حال، این روش هنوز درمانی در حال بررسی است و نباید آن را معادل بازگشت کامل بینایی دانست.

🚀 چرا این جایزه برای آینده پزشکی مهم است؟

یکی از چالش‌های بزرگ علوم اعصاب این است که مغز شبکه‌ای پیچیده از سلول‌ها و مدارهای به‌هم‌پیوسته است. مشاهده فعالیت مغز به‌تنهایی همیشه مشخص نمی‌کند که یک مدار عصبی دقیقاً چه نقشی دارد.

اپتوژنتیک به پژوهشگران کمک می‌کند فعالیت سلول‌های مشخص را تغییر دهند و بررسی کنند که این تغییر چه اثری بر عملکرد مغز می‌گذارد.

این یعنی حرکت از مشاهده صرف به آزمایش دقیق‌تر رابطه علت و معلولی در مدارهای عصبی.

البته فاصله میان نتایج آزمایشگاهی و درمان‌های ایمن و مؤثر برای انسان همچنان می‌تواند قابل‌توجه باشد؛ همه کاربردهای امیدوارکننده این فناوری هنوز به درمان بالینی تبدیل نشده‌اند.

💡 یک نکته برای علاقه‌مندان به پژوهش: گاهی یک فناوری تحول‌آفرین از ترکیب چند حوزه شکل می‌گیرد؛ در اینجا زیست‌شناسی، ژنتیک، مهندسی، نورشناسی و علوم اعصاب کنار هم قرار گرفته‌اند.

شاید یکی از درس‌های مهم این کشف همین باشد: برای حل یک مسئله پیچیده پزشکی، گاهی باید ابزار مناسب را از حوزه‌ای کاملاً متفاوت پیدا کرد.
https://t.me/TheMidTech

#نوبل_پزشکی #مقاله
#Research #MidTech
❤2🔥1
🔍 #معرفی_ابزار هوش مصنوعی برای فهمیدن مقاله‌های علمی!

تا حالا شده مقاله‌ای رو باز کنی و وسط بخش Methods یا Discussion به جمله‌ای برسی که سه بار بخونیش، ولی باز هم متوجه نشی چی می‌گه؟ 😂📄

یه ابزار هست که می‌تونه کار رو برات راحت‌تر کنه! 👇

🧠 Explainpaper
دستیار هوشمند مطالعه مقالات علمی

با این ابزار می‌تونی مقاله‌ات رو آپلود کنی و هر قسمت پیچیده‌ای رو که متوجه نمی‌شی، انتخاب کنی تا هوش مصنوعی برات توضیحش بده.

✨ چه کارهایی می‌تونه انجام بده؟
🔹 توضیح ساده‌تر اصطلاحات و جملات تخصصی
🔹 پاسخ به سؤال‌ها درباره محتوای مقاله
🔹 کمک به درک روش تحقیق و نتایج
🔹 امکان پرسیدن سؤال‌های تکمیلی برای فهم بهتر مطالب
🔹 ارائه توضیحات به زبان‌های مختلف، از جمله فارسی

💡 پیشنهاد MidTech: دفعه بعد که مقاله‌ای خوندی و به یک پاراگراف پیچیده رسیدی، به‌جای اینکه سریع ازش بگذری، همون قسمت رو انتخاب کن و از ابزار بخواه مفهومش رو توضیح بده.

⚠️ یادت باشه: توضیحات هوش مصنوعی همیشه بی‌خطا نیست.

نتایج، روش تحقیق و ادعاهای مقاله رو با متن اصلی بررسی کن؛ این ابزار برای کمک به فهم مقاله است، نه جایگزین مطالعه انتقادی اون.

🆓 این ابزار طرح رایگان هم داره.

🔗 لینک استفاده:
https://www.explainpaper.com/?utm_source=chatgpt.com

#MidTech #AI #ResearchTools #ScientificWriting #AcademicResearch
#مقاله_خوانی #هوش_مصنوعی
🔥3
🫀🔬 بدن انسان رو مثل یک نقشه سه‌بعدی کاوش کن!
تا حالا دوست داشتی قلب، مغز یا دستگاه تولیدمثل رو از هر زاویه‌ای ببینی و لایه‌های مختلف بدن رو کنار بزنی؟ 😍

🌐 BioDigital Human

یه وب‌سایت تعاملیه که بهت اجازه می‌ده آناتومی بدن، بعضی بیماری‌ها و روش‌های درمان رو به‌صورت سه‌بعدی بررسی کنی؛ بدون اینکه فقط به تصاویر کتاب درسی محدود باشی!

✨ می‌تونی ساختارهای بدن رو بچرخونی، بزرگ‌نمایی کنی و ارتباط بخش‌های مختلف رو بهتر درک کنی.

🎓 مناسب برای: دانشجویان علوم پزشکی، ماماها، پزشکان و همه علاقه‌مندان به آناتومی و فناوری سلامت.

🔗 تجربه‌اش کن:

https://www.biodigital.com/product/the-biodigital-human?utm_source=chatgpt.com

#MidTech #MedicalTechnology #Anatomy #DigitalHealth
🔥1
📚آموزش مقاله نویسی|قسمت هشتم

📝 اسم چه کسی باید اول مقاله باشد؟ و آیا می‌شود دو نفر نویسنده مسئول باشند؟!

تصور کن مقاله‌ات آماده سابمیت است؛ اما درست در لحظه آخر با چند سؤال مهم روبه‌رو می‌شوی:
🤔 اسم دانشجو باید اول باشد یا استاد راهنما؟
🤔 نویسنده اول با نویسنده مسئول چه فرقی دارد؟
🤔 اگر دو نفر سهم برابری در پژوهش داشته باشند، هر دو می‌توانند نفر اول باشند؟
🤔 اصلاً می‌شود یک مقاله دو نویسنده مسئول (Co-Corresponding Authors) داشته باشد؟

بیایید این موضوع را یک‌بار برای همیشه روشن کنیم! 👇

۱. نویسنده اول (First Author)؛ اعتبار اصلی مشارکت علمی
نویسنده اول معمولاً فردی است که بیشترین مشارکت را در انجام پژوهش و آماده‌سازی مقاله داشته است.
این مشارکت می‌تواند شامل طراحی مطالعه، جمع‌آوری داده‌ها، تحلیل نتایج، تفسیر یافته‌ها و نگارش پیش‌نویس اولیه باشد.

📌 نکته مهم: در بسیاری از دانشگاه‌ها، دانشجو نویسنده اول مقاله مستخرج از پایان‌نامه خودش است؛ اما این موضوع قانون یکسان و جهانی نیست. آیین‌نامه دانشگاه و توافق نویسندگان اهمیت دارد.

۲. نویسنده مسئول (Corresponding Author)؛ فقط یک ایمیل نیست!
نویسنده مسئول، رابط اصلی تیم پژوهش با مجله است؛ اما مسئولیتش فراتر از دریافت ایمیل‌های مجله است.
وظایف او معمولاً شامل موارد زیر است:

🔹 پیگیری ارسال مقاله و فرایند داوری
🔹 پاسخ‌گویی به سردبیر و داوران
🔹 پیگیری اصلاحات و نسخه نهایی مقاله
🔹 اطمینان از تکمیل اطلاعات و مدارک موردنیاز مجله
🔹 پاسخ‌گویی به پرسش‌های احتمالی پس از انتشار مقاله

و یک نکته جالب: نویسنده مسئول الزاماً نویسنده اول یا استاد راهنما نیست! حتی یک دانشجو هم می‌تواند نویسنده مسئول مقاله‌اش باشد، به شرط اینکه مسئولیت‌های این جایگاه را بپذیرد و مجله اجازه دهد.

۳. آیا یک مقاله می‌تواند دو نویسنده مسئول داشته باشد؟ 👥
بله! این امکان وجود دارد و به آن Co-Corresponding Authors می‌گویند.

در بعضی مجلات، دو نفر می‌توانند به‌عنوان نویسندگان مسئول مشترک معرفی شوند و هر دو در مقاله با این عنوان مشخص شوند.

اما یک نکته مهم وجود دارد:
بعضی مجلات این امکان را می‌پذیرند.
بعضی مجلات فقط یک نویسنده مسئول ثبت می‌کنند.
بعضی مجلات اجازه درج دو نویسنده مسئول در مقاله را می‌دهند، اما سامانه ارسال مقاله فقط یک نفر را به‌عنوان رابط اصلی می‌شناسد.

🔍 برای مثال، مجله JAMA درخواست نویسنده مسئول مشترک را در شرایط محدود می‌پذیرد و حداکثر دو نفر را مجاز می‌داند. در این حالت باید یک نفر به‌عنوان رابط اصلی مشخص شود.

پس قبل از سابمیت، حتماً دستورالعمل مجله را بررسی کن!

۴. نویسنده اول مشترک (Co-First Author)؛ وقتی دو نفر سهم برابری دارند ⭐

گاهی دو پژوهشگر واقعاً سهم علمی برابری در انجام مقاله دارند.
در چنین شرایطی، برخی مجلات اجازه می‌دهند هر دو نفر به‌عنوان نویسنده اول مشترک معرفی شوند.
معمولاً کنار نام آن‌ها علامت ستاره قرار می‌گیرد و در مقاله توضیح داده می‌شود:

These authors contributed equally to this work.

یعنی این نویسندگان به یک اندازه در پژوهش مشارکت داشته‌اند.

⚠️ البته پذیرش این نوع نویسندگی و نحوه محاسبه امتیاز آن در دانشگاه‌ها و مؤسسات مختلف یکسان نیست.

۵. استاد راهنما و مشاور چه جایگاهی دارند؟
در بسیاری از رشته‌ها، استاد راهنما یا پژوهشگر ارشد در جایگاه نویسنده آخر (Last Author) قرار می‌گیرد؛ اما این یک قاعده قطعی برای همه رشته‌ها نیست.

استاد مشاور و سایر همکاران نیز باید بر اساس مشارکت علمی واقعی‌شان در مقاله قرار بگیرند.

نکته مهم‌تر: صرف استاد راهنما یا مشاور بودن، به‌تنهایی برای دریافت نویسندگی کافی نیست.

۶. یک استاندارد مهم که باید بشناسی: CRediT
شاید برایت جالب باشد که امروزه فقط ترتیب اسامی نویسندگان اهمیت ندارد؛ بلکه مجلات معتبر به‌دنبال شفافیت درباره سهم واقعی هر فرد هستند.

چارچوب CRediT شامل ۱۴ نقش پژوهشی است؛ از جمله:
Conceptualization: ایده‌پردازی و طراحی مفهومی
Methodology: طراحی روش‌شناسی
Software: توسعه نرم‌افزار
Formal Analysis: تحلیل رسمی داده‌ها
Data Curation: مدیریت و سازمان‌دهی داده‌ها
Writing – Original Draft: نگارش پیش‌نویس اولیه
Writing – Review & Editing: بازبینی و ویرایش مقاله

این چارچوب کمک می‌کند مشخص شود هر نویسنده دقیقاً چه نقشی در پژوهش داشته است.

💡 سه نکته که قبل از سابمیت نباید فراموش کنی:
۱. ترتیب نویسندگان را از ابتدای پروژه با همکارانت مشخص کنید.
۲. سهم واقعی هر فرد را مستند کنید.
۳. سیاست مجله درباره نویسنده اول مشترک و نویسنده مسئول مشترک را بررسی کنید.

یادت باشد: نویسندگی در مقاله فقط گرفتن اعتبار نیست؛ هر جایگاه علمی با مسئولیت همراه است.

#MidTech #Research #Authorship #AcademicPublishing #مقاله_نویسی #پژوهش
❤2