بهترین روش برای انجام پژوهش در عصر هوش مصنوعی چیست؟

تحریریه حرف مرد: امروزه پژوهش علمی از همیشه در دسترس‌تر شده است. چه یک پژوهشگر باشید که به دنبال پاسخ برای پروژه‌اش می‌گردد و چه خواننده‌ای کنجکاو که می‌خواهد درباره یک بیماری، یک عادت جدید یا آخرین ادعاهای مربوط به مکمل‌ها و رژیم‌های غذایی اطلاعات کسب کند، اکنون قدرت یافتن اطلاعات معتبر و مبتنی بر شواهد علمی در دستان شماست. تنها پرسشی که باقی می‌ماند این است: آیا از این قدرت استفاده می‌کنید؟

اما چالش اینجاست: اطلاعات بیش‌ازحد زیاد هستند!
ما در داده‌ها غرق شده‌ایم. حجم عظیمی از مطالعات، مقالات و منابع وجود دارد که می‌تواند گیج‌کننده باشد. دیگر فقط پیدا کردن اطلاعات کافی نیست؛ باید آن‌ها را فیلتر، سازماندهی و معنا کنیم.

روش‌های کلاسیک پژوهش دیگر جوابگو نیستند. اینجاست که ابزارهای دیجیتال وارد میدان می‌شوند.

باید از تمام امکانات موجود استفاده کنیم. در ادامه به شما نشان می‌دهم که یک جریان کاری مدرن و کاملاً دیجیتال در پژوهش چگونه به نظر می‌رسد و چطور می‌تواند فرایند تحقیق را برایتان ساده‌تر کند.

یافتن دانش

وقتی سؤال پژوهشی خود را تعریف کردید، باید منابع مرتبط با آن را پیدا کنید. ابزارهای سنتی مانند Google Scholar و PubMed همچنان برای جست‌وجوهای دقیق مفید هستند، اما موتورهای جست‌وجوی تقویت‌شده با هوش مصنوعی می‌توانند فرایند را تسریع کنند؛ آن‌ها یافته‌ها را خلاصه و منابع را به‌صورت لحظه‌ای ارجاع می‌دهند.

برای مثال، Perplexity تبدیل به ابزار همیشگی من برای کاوش در موضوعات پژوهشی جدید شده است. از Perplexity یک سؤال بپرسید؛ این ابزار اینترنت را جست‌وجو می‌کند (که می‌توانید آن را فیلتر کنید تا فقط به مقالات علمی محدود شود) و سپس تمام اطلاعات را خلاصه می‌کند و نه‌تنها پاسخ جامعی به شما می‌دهد، بلکه پاسخ را با منابع معتبر پشتیبانی می‌کند.

سرعت جست‌وجوی Perplexity باعث می‌شود بتوانید به‌آسانی مرور منابع علمی را درباره یک موضوع خاص انجام دهید. می‌توانید آن را به دوست همه‌چیزدان خود تشبیه کنید، البته دوستی که برای هر حرفش ارجاع هم می‌دهد. تنها نقطه‌ضعفش؟ نمی‌توانید با او یک لیوان نوشیدنی بنوشید.

Perplexity می‌تواند به شما کمک کند تا خلاصه‌های سریع از موضوعات پیچیده بگیرید، ادبیات کلیدی را به همراه ارجاعات شناسایی کنید، پاسخ به پرسش‌های بسیار خاص و تخصصی را بیابید، کدهای مفید را استخراج کنید، سؤالات ساده و روزمره بپرسید (آیا حمام کردن روزه را باطل می‌کند؟ چطور گربه را به‌درستی نوازش کنیم؟) و به‌عنوان جایگزینی خلوت و بدون حاشیه برای جست‌وجوهای گوگل از آن استفاده کنید.

اما اگر یک سؤال بله یا خیر مشخص داشته باشید، چه می‌شود؟ آیا اجماعی در ادبیات علمی درباره آن وجود دارد؟ ابزار Consensus دقیقاً برای همین طراحی شده است. Consensus مقالات نمایه‌شده را بررسی می‌کند تا موضع آن‌ها را درباره سؤال شما به‌صورت خلاصه و از طریق “شاخص اجماع” نشان دهد. می‌توانید جست‌وجو را به مقالات منتشرشده در مجلات Q1 یا دارای حداقل تعداد ارجاع محدود کنید. همچنین، مانند Perplexity، خلاصه‌ای با منابع دقیق به شما ارائه می‌دهد.

“شاخص اجماع”، ویژگی اصلی Consensus است. با یک نگاه می‌توانید دریابید که مقالات معتبر درباره یک موضوع خاص چه نظری دارند.

موتورهای جست‌وجوی دیگری نیز وجود دارند که از هوش مصنوعی بهره می‌برند، مانند Google Gemini یا Microsoft Copilot. همچنین می‌توانید از ChatGPT با قابلیت دسترسی به اینترنت استفاده کنید. اما به‌تجربه من، این دو ابزار (Perplexity و Consensus) بهترین تعادل را بین سهولت استفاده، سرعت پاسخگویی و کیفیت خروجی برای این کاربرد خاص ارائه می‌دهند.

البته هیچ‌یک از این ابزارها جایگزین مرورهای دستی و بررسی انسانی منابع نمی‌شوند و شما باید همیشه منابعی را که آن‌ها برای پشتیبانی از پاسخ‌هایشان ارائه می‌دهند، بررسی کنید. اما بدون شک، این ابزارها کار شما را برای شروع موضوعات پژوهشی جدید و یافتن مقالات پایه‌ای بسیار ساده‌تر می‌کنند. مانند هر ابزار دیگری، باید با ذهنیت نقادانه از آن‌ها استفاده کنید.

ذخیره‌سازی و سازماندهی دانش

شما مقالات موردعلاقه خود را پیدا کرده‌اید، اما چاپ آن‌ها و یادداشت‌برداری فیزیکی واقعاً کارآمد نیست، مخصوصاً زمانی‌که با حجم زیادی از مقالات سروکار دارید. “کجا مقاله X را گذاشتم؟ یادداشت Y را به یاد نمی‌آورم…”

سازمان‌دهنده‌های دیجیتال کتابخانه مانند Zotero یا Mendeley به مدیریت مؤثر مقادیر زیادی از مقالات کمک می‌کنند.

ابتدا، این ابزارها به شما اجازه می‌دهند مقالات را مستقیماً از PubMed یا سایت مجله به کتابخانه خود اضافه کنید، فقط با استفاده از افزونه مرورگر (در مورد Zotero، این افزونه Zotero Connector نام دارد).

سپس، می‌توانید مقالات را به‌صورت موضوعی در کتابخانه خود سازماندهی کنید؛ با استفاده از مجموعه‌ها (collections) و برچسب‌ها (tags).

در نهایت، می‌توانید از مرورگر داخلی برنامه برای خواندن مقالات و یادداشت‌برداری استفاده کنید. یادداشت‌ها به‌طور خودکار در تمام دستگاه‌هایتان همگام‌سازی می‌شوند و می‌توانید با کلیدواژه‌ها آن‌ها را جست‌وجو کنید.

Zotero پیشنهاد خاص من است. این ابزار متن‌باز است و از افزونه‌هایی که جامعه کاربری توسعه داده‌اند بهره می‌برد؛ مثلاً Zotero Reading List که به شما اجازه می‌دهد مقالات خود را با برچسب‌های “برای خواندن”، “در حال خواندن” یا “خوانده شده” مشخص کنید تا بتوانید پیشرفت مطالعه‌تان را مدیریت کنید.

همچنین می‌توانید از برچسب‌های رنگی برای دسته‌بندی بیشتر استفاده کنید (مثلاً من از برچسب سبز برای مقالات مروری استفاده می‌کنم). به تعداد زیاد مقالات خوانده‌نشده توجه نکنید.

همچنین بخوانید: آیا چین رقابت هوش مصنوعی را برنده شده است؟

تلفیق دانش

خلاصه‌کردن اطلاعات حاصل از ده‌ها مقاله پژوهشی می‌تواند به‌سرعت فرایندی طاقت‌فرسا شود. اینجا جایی است که NotebookLM وارد عمل می‌شود. برخلاف ابزارهای استانداردی که فقط یک سند را خلاصه می‌کنند یا به شما اجازه می‌دهند با یک سند گفت‌وگو کنید، NotebookLM به شما اجازه می‌دهد چندین منبع را در یک پایگاه دانش واحد بارگذاری کنید. حتی می‌توانید مقالات علمی خود را مستقیماً از Zotero به داخل آن بکشید و رها کنید. نمی‌توانید بگویید کار را برایتان راحت نکرده‌ام!

سؤالات پیچیده بپرسید و پاسخ‌های مفصل بگیرید؛ همه به همراه ارجاع از اسنادی که خودتان آپلود کرده‌اید. دفترچه‌های یادداشت را می‌توانید به‌صورت موضوعی سازماندهی کنید و از مجموعه خاصی از مقالات برای موضوعات پژوهشی خاصتان استفاده کنید.

پرسیدن سؤال تنها کاری نیست که می‌توانید با NotebookLM انجام دهید. می‌توانید راهنمای مطالعه، خلاصه سند، پرسش‌های متداول برای یادگیری یا حتی موارد دیگری را تولید کنید.

و اینجاست که ماجرا جادویی می‌شود: NotebookLM می‌تواند مرورهای صوتی به سبک پادکست از اسناد شما تولید کند. درست شنیدید. و این‌ها فقط صداهای رباتیک خشک نیستند؛ بلکه گفت‌وگوهای طبیعی بین دو میزبان هوش مصنوعی هستند که به‌طور غیررسمی محتوای منابع شما را بررسی می‌کنند. باور نمی‌کنید؟ خودتان امتحان کنید؛ فقط به یک حساب کاربری گوگل نیاز دارید. لازم نیست حتی مقاله علمی باشد.

هر فناوری، وقتی به‌اندازه کافی پیشرفته‌ شود، دیگر از جادو قابل‌تشخیص نیست.

آرتور سی. کلارک

پادکست‌های تولیدشده توسط هوش مصنوعی راهی درخشان برای جذب محتوای سنگین هستند، درحالی‌که در مسیر رفت‌وآمد، در حال پیاده‌روی یا در حال استراحت به سر می‌برید. این را به خاطر بسپارید اگر تصمیم دارید فرایند یادگیری خود را کاملاً دیجیتال کنید.

تعمق در دانش

گذاشتن کار خلاصه‌کردن مقالات به عهده هوش مصنوعی بدون شک عملی است، اما این روش، یادگیری واقعی یا نگه‌داشت دانش را تضمین نمی‌کند. برای درک واقعی، باید با آنچه می‌خوانید به‌طور فعال درگیر شوید؛ یعنی یادداشت‌برداری شخصی.

اگر می‌خواهید در محیط دیجیتال بمانید، خبر خوب این است که کمبودی از لحاظ برنامه‌های یادداشت‌برداری وجود ندارد. البته این خودش تبدیل به خبر بد هم می‌شود: چون تعدادشان خیلی زیاد است.

برخی گزینه‌ها سنتی‌تر هستند، مثل Evernote، OneNote یا Google Keep. این‌ها برای ثبت سریع یا بهره‌وری عمومی عالی‌اند. اما اگر به دنبال سازمان‌دهی عمیق‌تر، مدیریت دانش شخصی یا تفکر شبکه‌ای هستید، ابزارهایی مثل Notion، Logseq یا گزینه موردعلاقه شخصی من، Obsidian را در نظر بگیرید.

در هسته‌اش، Obsidian یک ویرایشگر متن بر پایه Markdown است. یعنی هر یادداشتی که ایجاد می‌کنید یک فایل متنی ساده و سبک است که از یک فرمت خاص برای ساختاردهی متن بهره می‌برد؛ مانند عنوان‌بندی، لیست‌گذاری و لینک‌دهی، بدون نیاز به نوارهای ابزار سنگین یا فرمت‌های انحصاری. در عمل، این یعنی یادداشت‌هایتان به‌راحتی قابل ایجاد و همیشه در دسترس هستند؛ حتی بدون برنامه Obsidian. اگر روزی Obsidian دیگر وجود نداشت، یادداشت‌های شما همچنان پابرجا خواهند بود.

یکی از بزرگ‌ترین نقاط قوت Obsidian، اکوسیستم گسترده افزونه‌های توسعه‌یافته توسط جامعه کاربری است که امکان گسترش ویژگی‌های برنامه را فراهم می‌کند. این قابلیت باعث می‌شود Obsidian به‌خوبی با Zotero ترکیب شود؛ به کمک افزونه‌هایی مثل Zotero Integration یا Citations که به شما اجازه می‌دهد:

• ارجاعات را مستقیماً از کتابخانه Zotero وارد کنید.
• ارجاعات با فرمت صحیح را به‌طور خودکار تولید کنید.
• کتاب‌نامه‌ها را درج کنید.
• هر ارجاع را به مقاله یا یادداشت مرتبطش پیوند دهید.

این یک راه عالی برای ساخت سیستم شخصی مرور منابع علمی است؛ سیستمی که با علایق شما رشد می‌کند و تکامل می‌یابد. می‌توانید آن را به‌اندازه‌ای که نیاز دارید ساده یا پیچیده کنید.

به‌روز ماندن با پژوهش‌های جدید

این شاید مهم‌ترین بخش باشد. علم همواره در حال پیشرفت است. هدف فقط دانستن نیست؛ بلکه دانستن مداوم است.

شاید به چیزی کلی مثل یک مجله خاص علاقه‌مند باشید؛ مثلاً The American Journal of Clinical Nutrition در حوزه تغذیه، The Lancet Oncology در حوزه سرطان، یا Journal of Environmental Psychology در حوزه علوم رفتاری. این کار ساده است: سایت مجله را نشانه‌گذاری کنید، به‌طور منظم بررسی‌اش کنید یا در خبرنامه ایمیلی آن عضو شوید. اما اگر به یک موضوع علاقه‌مند باشید، نه به یک نشریه خاص، بلکه به رویکرد پویاتری نیاز دارید.

می‌توانید یک جست‌وجوی سفارشی در دیتابیسی مثل PubMed انجام دهید؛ پایگاهی جامع از مقالات زیست‌پزشکی. می‌توانید یک جست‌وجوی کلاسیک با کلیدواژه‌ها انجام دهید یا یک جست‌وجوی پیشرفته‌تر بسازید. PubMed زبان جست‌وجوی خاص خودش را دارد. برای مثال، از واژگان کنترل‌شده‌ای به نام MeSH استفاده می‌کند که مفاهیم مرتبط و مترادف‌ها را زیر یک برچسب واحد جمع می‌کند؛ بنابراین حتی اگر مقالات مختلف از واژگان متفاوتی استفاده کنند، باز هم در جست‌وجوی شما ظاهر می‌شوند.

مثلاً بخواهید بدانید پژوهش‌های فعلی درباره تأثیر کافئین بر خواب چه می‌گویند. شاید جواب را بدانید، اما امتحان کنید و ببینید پژوهش‌ها غافلگیرتان می‌کنند یا نه. توجه کنید که می‌توانید یادآور ایمیلی یا فید RSS بسازید.

اگر نمی‌دانید چطور یک جست‌وجوی خوب انجام دهید، نگران نباشید؛ بهرحال در قرن ۲۱ زندگی می‌کنیم. از ابزاری مثل ChatGPT کمک بگیرید تا برایتان یک جست‌وجوی مناسب تولید کند. وقتی یک جست‌وجوی خوب انجام دادید، نحوه به‌روز ماندن با شماست. می‌توانید:

• در PubMed یادآور ایمیلی تنظیم کنید و وقتی مقالات جدید مطابق جست‌وجویتان منتشر شد، اعلان بگیرید.
• یا یک روش انعطاف‌پذیرتر و بدون حواس‌پرتی را انتخاب کنید: فیدهای RSS.

فیدهای RSS به شما اجازه می‌دهند به‌روزرسانی سایت‌ها – مانند مجلات علمی یا نتایج جست‌وجوی PubMed – را در یک جا جمع کنید و محتوای جدید را به‌طور خودکار در یک مکان دریافت کنید. به‌جای اینکه هر سایت را جداگانه بررسی کنید، یک برنامه خوانش فید (مثل Feedly یا Feeder) جدیدترین مقالات را برایتان به یک خبرنامه تحقیقاتی شخصی تبدیل می‌کند.

منبع: Medium، کاربر Daniel G. Camblor