آموزش نوین مقاله نویسی با هوش مصنوعی
79.1K subscribers
1.04K photos
612 videos
939 files
1.73K links
این کانال متعلق به همه شمایی است که با حضور زیبای خود به این کانال اعتبار بخشیده اید.

زیر نظر دکتر عهدیه آقامحمدی

ارتباط با ما 👇
@tephd4
@mpp_phd
تبلیغات نداریم.
کانال اطلاع رسانی کارگاههای آموزشی👇
@mppphd
Download Telegram
🚨 پایان سلطنت گوگل اسکالر؟

اگر تا امروز برای نوشتن پیشینه پژوهش ساعت‌ها بین مقاله‌ها جستجو می‌کردی، وقتشه با Paperclip Chat آشنا بشی.

این ابزار با کمک هوش مصنوعی:

میلیون‌ها مقاله تمام‌متن، کارآزمایی‌های بالینی و اسناد علمی را تحلیل می‌کند.
در چند دقیقه یک Literature Review همراه با رفرنس‌های معتبر تولید می‌کند.
رفرنس‌های درون‌متنی ارائه می‌دهد.
با کلیک روی هر رفرنس، مقاله اصلی را باز می‌کند و دقیقاً همان بخشی که از آن استفاده شده را هایلایت می‌کند.
از زبان فارسی هم پشتیبانی می‌کند.

ادرس سایتش
paperclip .gxl.ai /chat


برای دیدن اموزشهای بیشتر کانال/ پیج ما را دنبال کنید.

#منابع_پارس_پژوهه
👁‍🗨
@tephd
46👍7👌6
🔽نحوه نگارش بخش بحث و نتیجه‌گیری

بیشتر پژوهشگرها وقتی نوبت نوشتن بخش بحث و نتیجه‌گیری (Discussion) می‌رسه، گیر می‌کنن.
یا فقط نتایج رو دوباره تکرار می‌کنن، یا اون‌قدر پراکنده می‌نویسن که متن، انسجام خودش رو از دست می‌ده.
من معمولاً از یه روش ساده سه‌پاراگرافی استفاده می‌کنم که خیلی کمک‌کننده‌ست:

🔹 پاراگراف اول: دقیقاً چی پیدا کردی؟
نه چیزی که دوست داشتی بهش برسی؛ چیزی که داده‌ها واقعاً نشون میدن.
از خودت بپرس:
«اگه کسی فقط همین پاراگراف رو بخونه، پیام اصلی پژوهشم رو متوجه می‌شه؟»

🔹 پاراگراف دوم: این یافته‌ها چه معنی‌ای دارن؟
نتایجت رو با پژوهش‌های قبلی مقایسه کن.
محدودیت‌های کارت رو صادقانه بگو.
اتفاقاً خیلی وقت‌ها، یافته‌های غیرمنتظره از همه ارزشمندترن.

🔹 پاراگراف سوم: خب که چی؟
چرا این یافته‌ها مهمن؟
چه کاربردی دارن؟
هنوز چه سؤال‌هایی بی‌جواب مونده؟

پیشنهادهای پژوهشی رو هم طوری بنویس که یه پژوهشگر دیگه بتونه از همون‌جا ادامه بده.

هوش مصنوعی می‌تونه بهت کمک کنه وقتی نمی‌دونی از کجا شروع کنی.
می‌تونه به نوشته‌ت نظم بده و کمک کنه بین ایده‌های پراکنده ارتباط برقرار کنی.

اما یه چیز رو یادت نره...
تفسیر نتایج کار هوش مصنوعی نیست کار توئه.
پذیرفتن محدودیت‌های پژوهش، صداقت تو رو نشون می‌ده.
و پیدا کردن مسیرهای جدید برای تحقیقات آینده، از نگاه پژوهشگر میاد، نه از ابزار.
هوش مصنوعی فقط یه همراه خوبه
اما فکر کردن و تحلیل کردن، هنوز هم مهم‌ترین بخش کاره.


برای دیدن اموزشهای بیشتر کانال/ پیج ما را دنبال کنید.

#منابع_پارس_پژوهه
👁‍🗨
@tephd
👌137👍1
📌 اشتباه بزرگ در تحلیل‌های آماری

📝 دکتر عهدیه آقامحمدی

برخی از اساتید، آمارگران و دانشجویان گرامی گویا برای سنجش نرمال بودن توزیع داده‌ها روشی غیر از کلموگروف–اسمیرنوف (K-S) نمی‌شناسند و متأسفانه تصور می‌کنند برای هر نرم‌افزاری غیر از SPSS نیز حتماً باید یک‌بار با این آزمون نوع توزیع داده‌ها را بررسی کنند در حالی که این برداشت در بسیاری از موارد صحیح نیست زیرا برخی نرم‌افزارهای تحلیل آماری اساساً به نرمال بودن داده‌ها نیازی ندارند (مانند SmartPLS) و در برخی روش‌های تحلیل نیز شاخص‌ها یا آزمون‌های دیگری برای بررسی نرمال بودن به کار می‌رود مانند:

💎👈 نرم‌افزار SPSS: با آزمون‌های کلموگروف–اسمیرنوف (K-S) و شاپیرو–ویلک (به‌ویژه در نمونه‌های کوچک). در نمونه‌های بزرگ نیز معمولاً علاوه بر آزمون‌های آماری، از شاخص‌هایی مانند چولگی، کشیدگی و نمودارهای نرمال نیز برای قضاوت درباره نرمال بودن استفاده می‌شود.

💎👈 نرم‌افزار AMOS: با شاخص‌های چولگی و کشیدگی (تک‌متغیره و چندمتغیره).

💎👈 نرم‌افزار EViews: با آزمون جارک–برا.

💎👈 و...

💢👈 بنابراین، روش بررسی نرمال بودن باید متناسب با روش تحلیل و فروض آن انتخاب شود و لزوماً استفاده از آزمون K-S برای همه تحلیل‌ها و همه نرم‌افزارها صحیح نیست.

🔸 نکته ۱: برای آزمون رگرسیون در نرم‌افزار SPSS، نرمال بودن داده‌ها شرط اصلی نیست بلکه نرمال بودن باقیمانده‌ها (خطاها)، خطی بودن رابطه بین متغیر مستقل و وابسته، استقلال خطاها، صفر بودن میانگین خطاها و سایر فروض رگرسیون اهمیت دارند.

🔸 نکته ۲: اگر توزیع داده‌ها در یک روش تحلیل نرمال نبود، دلیل بر کنار گذاشتن آن نرم‌افزار نیست زیرا بسیاری از روش‌ها و نرم‌افزارها راهکارهایی مانند تبدیل داده‌ها، استفاده از روش‌های مقاوم یا روش‌هایی که به نرمال بودن داده‌ها وابسته نیستند را در اختیار پژوهشگر قرار می‌دهند.

#منابع_پارس_پژوهه
👁‍🗨
@tephd
17👍4🙏4👌3💯1
🎓 دوست دارید مقالات ISI، اسکوپوس یا علمی-پژوهشی بنویسید و چاپ کنید ولی بلد نیستید؟

در این کارگاه فشرده، تمام مراحل نگارش و انتشار مقاله را از انتخاب عنوان تا چاپ نهایی در عرض فقط ۲ روز یاد می‌گیرید:

🔹 آموزش با دو رویکرد:
✔️ روش سنتی و استاندارد
✔️ روش نوین مبتنی بر هوش مصنوعی

👩‍🏫 مدرس:
دکتر عهدیه آقامحمدی
هیات علمی دانشگاه و داور مجلات معتبر علمی

زمان برگزاری:
📅 چهارشنبه ۷ مرداد | ۱۶ تا ۲۰
📅 پنجشنبه ۸مرداد | ۸ تا ۱۱ صبح

🎥 همراه با فیلم ضبط‌شده جلسات
📜 ارائه مدرک معتبر
💬 پشتیبانی در بله و تلگرام

💰 هزینه ثبت‌نام با ۵۰٪ تخفیف:
فقط ۵۹۹ هزار تومان

⚠️ ظرفیت محدود
⌛️ آخرین مهلت ثبت‌نام: پایان روز سه شنبه ۶ مرداد
⚠️ با توجه به نوسانات برق و اینترنت احتمال تغییر ساعت برگزاری وجود دارد.

✔️برای ثبت‌نام کافی است عدد «۱» را به آیدی زیر ارسال کنید:
@MPP_PHD

#منابع_پارس_پژوهه

⏭️
@mppphd
Please open Telegram to view this post
VIEW IN TELEGRAM
9👍5👌1
This media is not supported in your browser
VIEW IN TELEGRAM
🎯 پیدا کردن مجله مناسب مقاله همیشه یکی از چالش‌های جدی پژوهشگرهاست…

حالا این لوپ هوشمند بهت کمک می‌کنه فقط با دادن چکیده مقاله، بهترین مجلات مرتبط رو پیدا کنی 👇

🔍 چه کار می‌کنه؟

تشخیص رشته مقاله (پزشکی، فنی، انسانی و…)
پیدا کردن مجلات واقعی از Scopus / WoS / DOAJ
بررسی APC، وایور و ریسک مجلات نامعتبر
حذف گزینه‌های مشکوک و غیرقابل اعتماد
معرفی 3 مجله برتر به همراه دلیل انتخاب

⚠️ فقط بر اساس داده‌های واقعی و قابل بررسی

📩 این لوپ حرفه‌ای را از لینک زیر کپی فرمایید👇
https://t.me/tephd14/29


برای دیدن اموزشهای بیشتر
کانال/ پیج ما را دنبال کنید.

#منابع_پارس_پژوهه
👁‍🗨
@tephd
91
ابزار Scinapse یک موتور جستجوی علمی مبتنی بر هوش مصنوعی است که دارای ویژگی‌های استثنایی بوده و برای پژوهشگران بسیار سودمند می‌باشد.

🔶برجسته‌ترین قابلیت‌های آن به شرح زیر است:
🔹 ارائه فهرستی جامع از کلیه منابع و ارجاعات موجود در مقالات.
🔹 قابلیت «ثبت»: تاریخچه جستجوهای پیشین کاربر را نگهداری می‌کند.

https://scinapse.io


برای دیدن اموزشهای بیشتر کانال/ پیج ما را دنبال کنید.

#منابع_پارس_پژوهه
👁‍🗨
@tephd
👍15💯1
This media is not supported in your browser
VIEW IN TELEGRAM
چند وقت پیش گفتم دیگه پرامپت قدیمی شده همه لوپ مینویسن!
اما دنیای هوش مصنوعی با سرعتی باورنکردنی در حال تغییر است...

حالا اصطلاح جدیدی که زیاد درباره آن می‌شنوید Graph Engineering است.

در Graph Engineering، به‌جای اینکه فقط یک مدل یا یک Agent همه کارها را انجام دهد، چند Agent تخصصی با هم همکاری می‌کنند، اطلاعات را بین هم ردوبدل می‌کنند و مرحله‌به‌مرحله یک مسئله را حل می‌کنند.

برای پژوهشگران، این یعنی آینده ابزارهایی که می‌توانند جستجوی منابع، غربالگری مقالات، استخراج داده‌ها، تحلیل و حتی تهیه گزارش را به‌صورت هماهنگ انجام دهند.

البته Graph Engineering هنوز در ابتدای مسیر است، اما بسیاری از ابزارها و فریم‌ورک‌های جدید هوش مصنوعی به همین سمت حرکت می‌کنند.

💬 به نظر شما Graph Engineering موج بعدی هوش مصنوعی خواهد بود؟

برای دیدن اموزشهای بیشتر 
کانال/ پیج ما را دنبال کنید.

#منابع_پارس_پژوهه
👁‍🗨
@tephd
16👌2👍1