هدف پژوهش
این مقاله بررسی میکند که چطور ابزارها و مدل های هوش مصنوعی{به ویژه مدل های زبانی بزرگ مثل GPT} میتوانند بخش های مختلف فرایند مرور نظام مند مقالات علمی را خودکار کنند.
مرور نظامند{SYSTEMATIC REVIEW} یکی از پر زحمت ترین مراحل پژوهش است چون باید صدها یا هزاران مقاله را بررسی و خلاصه کرد.
🔸 زمینهی پژوهش
مرور نظاممند یک مطالعهی ثانویه است که برای جمعبندی یافتههای علمی موجود دربارهی یک موضوع خاص انجام میشود.
این نوع مطالعه باید طبق روششناسی مشخص و قابل تکرار پیش برود. فرآیند SLR معمولاً در سه مرحله انجام میشود:
- برنامهریزی (Planning): تعیین سؤالهای پژوهش، منابع داده، و معیارهای ورود و خروج مقالات.
- اجرا (Conducting): جستوجوی مقالات، غربالگری و انتخاب مطالعات مرتبط، و استخراج دادهها.
- گزارشدهی (Reporting): نوشتن و ارزیابی گزارش نهایی.
🔸 روش پژوهش
نویسندگان یک مرور نظاممند از بیش از ۹۰۰۰ مقاله در پایگاههایی مانند Scopus، IEEE Xplore، SpringerLink و Web of Science انجام دادند.
پس از فیلتر کردن مقالات تکراری و غیرمرتبط، در نهایت ۳۴ مقالهی اصلی انتخاب شد که در آنها از هوش مصنوعی برای خودکارسازی یکی از مراحل SLR استفاده شده بود.
این مقالات بر اساس معیارهایی مانند نوع الگوریتم، مرحلهی پشتیبانیشده، میزان دخالت انسان و قابلیت بازتولید، مورد تجزیهوتحلیل قرار گرفتند.
🔸 یافتههای اصلی
1. مراحل تحت پشتیبانی AI
هر سه مرحلهی فرآیند مرور نظاممند تاکنون با هوش مصنوعی مورد بررسی قرار گرفتهاند، اما بیشترین تمرکز بر مرحلهی دوم (اجرا) بوده است — بهویژه در کار انتخاب مقالات مرتبط.
بر اساس نتایج، استفاده از AI میتواند تا ۶۰٪ از حجم کار و بیش از ۸۰ ساعت زمان را در فرآیند غربالگری کاهش دهد.
2. الگوریتمها و تکنیکهای مورد استفاده
| نوع تکنیک | کاربرد اصلی |
|---|---|
| یادگیری ماشین (Machine Learning) | بیشترین کاربرد در انتخاب مقالات |
| یادگیری نظارتشده (Supervised Learning) | طبقهبندی مقالات مرتبط/نامرتبط با استفاده از دادههای برچسبخورده |
| یادگیری فعال (Active Learning) | تعامل انسان با سیستم در فرآیند برچسبگذاری برای بهبود مدل |
| پردازش زبان طبیعی (NLP) | استخراج اطلاعات از عناوین، چکیدهها و کلیدواژهها |
| استخراج متن و خوشهبندی (Text Mining & Clustering) | شناسایی موضوعات و خوشههای تحقیقاتی مشابه |
| استفاده از هستیشناسی (Ontology) | نمایش روابط معنایی بین مفاهیم در مقالات |
| شبکههای عصبی عمیق (Deep Learning) | تولید خلاصههای خودکار از مقالات (در مرحلهی گزارشدهی) |
پرکاربردترین الگوریتمها شامل SVM (ماشین بردار پشتیبان)، Naive Bayes، درخت تصمیم (Decision Tree) و شبکههای عصبی هستند.
3. میزان دخالت انسان
حدود ۳۲٪ از روشها نیمهخودکار هستند، یعنی انسان در بخشی از فرآیند (مثلاً تأیید نتایج یا اصلاح برچسبها) مشارکت دارد.
ابزارهایی مانند Abstrackr و FAST2 از روش یادگیری فعال استفاده میکنند که در آن پژوهشگر با سیستم تعامل دارد تا دقت انتخاب مقالات افزایش یابد.
🔸 چالشها و فرصتها
- تمرکز بیش از حد بر یک وظیفه: اغلب پژوهشها فقط بر انتخاب مقالات تمرکز دارند؛ مراحل دیگر مانند نوشتن یا ارزیابی گزارش کمتر بررسی شدهاند.
- استفادهی محدود از تکنیکهای متنوع AI: تاکنون بیشتر از یادگیری ماشین استفاده شده و روشهایی مانند بهینهسازی یا استدلال منطقی کمتر بررسی شدهاند.
- وابستگی شدید به دادههای متنی (Bag of Words): این رویکرد ممکن است مقالات با اصطلاحات جدید یا متفاوت را از قلم بیندازد.
- نیاز به تعامل بیشتر انسان و ماشین: مشارکت پژوهشگر میتواند به بهبود تصمیمگیری مدل کمک کند.
- عدم شفافیت مدلها (Black Box): بسیاری از الگوریتمها قابلتوضیح نیستند و این مسئله برای پژوهشگران غیرمتخصص در AI مشکلساز است.
- کمبود مجموعهدادههای استاندارد برای ارزیابی: نبود پایگاههای دادهی باز و قابل تکرار باعث سختی در مقایسهی عملکرد مدلها شده است.
بخش هایی مرور نظام مند که می شود با هوش مصنوعی خودکار کرد.
1.جستجوی خودکار مقالات:
مدل های هوش مصنوعی میتوانند به جای جستجوی دستی در پایگاه هایی مانند pubmed یا scopus جستجوی هوشمند و هدفمند انجام دهند.
2.غربال سازی اولیه{SCREEING}:
با استفاده از یادگیری ماشین میتوان مقالات نامرتبط را فیلتر کرد.مدل های AI با دیدن نمونه هایی از مقالات مرتبط و نامرتبط یاد میگیرند که خودشان تصمیم بگیرند.
3.استخراج داده ها:
هوش مصنوعی میتواند از داخل متن مقالات داده هایی مثل نام نویسنده متغیر های کلیدی یا نتایج ازمایش های را استخراج کند.
4.خلاصه سازی و تحلیل متون:
مدل های زبانی مانند CHAT GPT یا CLAUDE میتوانند نتایج مقالات را خلاصه کرده و شباهات یا تضاد ها را تحلیل کنند.
یافته های کلیدی مقاله
ابزار های فعلی هوش مصنوعی هنوز به دقت کامل انسانی نرسیده اند ولی میتوانند زمان مرور نظامند را تا 50% کاهش دهند.
ترکیب یادگیری نظارت شده{SUPERVISED LEARNING} با مدل های زبانی بزرگ نتایج دقیق تری نسبت به استفاده از یکی از ان ها به تنهایی دارد.
بزرگترین چالش ها مربوط به کیفیت داده های اموزشی و توضیح پذیری تصمیم های مدل ها است.
نتیجه گیری
هوش مصنوعی نه به عنوان جایگزین کامل پژوهشگر,بلکه به عنوان یک دستیار هوشمند باید در فرایند مرور نظامند به کار گرفته شود.
به ویژه مدل های زبانی میتوانند کارهای تکراری {مثل فیلتر مقالات و خلاصه سازی}را خودکار انجام دهند تا پژوهشگر وقتش را صرف تحلیل عمیق تر کند.
🔹 نکته پایانی
مقاله نتیجه میگیرد که موفقیت نهایی مرورهای نظاممند خودکار هنوز به تخصص و قضاوت انسانی وابسته است و AI باید بهعنوان ابزار کمکی پژوهشگر در نظر گرفته شود، نه جایگزین کامل انسان.
