همشهری آنلاین -یکتا فراهانی: پژوهش علمی با طرح یک پرسش آغاز می‌شود، اما پاسخ‌دادن به آن اغلب به ساعت‌ها جست‌وجوی منابع، مطالعه مقالات، استخراج اطلاعات و تحلیل داده‌ها نیاز دارد. ابزارهای هوش مصنوعی می‌توانند بسیاری از این مراحل را سریع‌تر کنند و فرصت بیشتری برای تفکر و بررسی علمی در اختیار پژوهشگر قرار دهند.
بااین‌حال، سرعت بیشتر الزاماً به معنای دقت بالاتر نیست. مدل‌های هوش مصنوعی ممکن است اطلاعات نادرست تولید کنند یا در ارزیابی اعتبار منابع و تفسیر نتایج محدودیت داشته باشند.
دستیار پژوهشگر، نه جایگزین پژوهشگر
دکتر محمد عنبری، پژوهشگر و کارشناس هوش مصنوعی معتقد است مدل‌های زبانی بزرگ مانند ChatGPT، Claude و Gemini می‌توانند در مراحل مختلف پژوهش نقش دستیار علمی داشته باشند. این ابزارها برای دقیق‌تر کردن مسئله‌پژوهشی، شناسایی متغیرهای احتمالی، پیشنهاد مسیرهای نظری و تدوین پرسش‌های قابل‌بررسی کاربرد دارند؛ اما تشخیص اهمیت مسئله، نوآوری و ارزش علمی آن همچنان بر عهده پژوهشگر است.
بیشتر بخوانید :
از جست‌وجوی منابع تا بررسی اعتبار مقالات
دکتر عنبری همچنین به NotebookLM اشاره می‌کند که امکان بررسی مجموعه‌ای از منابع انتخاب‌شده توسط پژوهشگر را فراهم می‌کند. با استفاده از این ابزار می‌توان ارتباط میان مقالات، تفاوت دیدگاه‌ها و اطلاعات مرتبط با یک پرسش را استخراج کرد. مزیت این روش آن است که بررسی بر مجموعه منابع مشخصی متمرکز می‌شود، نه صرفاً اطلاعات پراکنده اینترنتی.
بااین‌حال، خروجی این ابزارها جای مطالعه منابع اصلی را نمی‌گیرد. پژوهشگر باید اعتبار مقاله، روش تحقیق و محدودیت‌های یافته‌های آن را بررسی کند.
خطر اطلاعات نادرست و استنادهای ساختگی
یکی از چالش‌های مهم استفاده از مدل‌های زبانی، تولید اطلاعات نادرست یا ارجاعات علمی ساختگی است؛ بنابراین، هرچه نقش هوش مصنوعی در تولید محتوای پژوهش بیشتر باشد، ضرورت راستی‌آزمایی انسانی نیز افزایش می‌یابد.
ابزار Scite می‌تواند در این زمینه مفید باشد؛ زیرا به پژوهشگر کمک می‌کند بررسی کند مطالعات دیگر چگونه به یک مقاله استناد کرده‌اند و آیا یافته‌های آن را تأیید کرده‌اند، به چالش کشیده‌اند یا صرفاً به آن اشاره کرده‌اند. این اطلاعات ارزیابی انتقادی شواهد را تقویت می‌کند، اما جای بررسی مستقیم مقالات را نمی‌گیرد.
از تحلیل داده تا پیش‌بینی خرابی تجهیزات
به گفته این کارشناس هوش مصنوعی، کاربرد هوش مصنوعی به جست‌وجوی منابع محدود نیست. پژوهشگران می‌توانند از ChatGPT و ابزارهای مشابه برای نوشتن و بررسی کدهای Python و R، پاک‌سازی داده‌ها، ترسیم نمودارها، تحلیل داده‌های متنی، داده‌کاوی و ساخت مدل‌های پیش‌بینی استفاده کنند.
برای مثال، در صنایع می‌توان داده‌های دما، فشار، لرزش و جریان تجهیزات را تحلیل کرد تا احتمال خرابی آن‌ها پیش‌بینی شود. در علوم اجتماعی نیز بررسی هزاران پاسخ متنی، پرسش‌نامه یا سند می‌تواند به شناسایی الگوها و مضامین مشترک کمک کند.
همکاری انسان و ماشین
دکتر عنبری عقیده دارد آینده‌پژوهش رقابت انسان با ماشین نیست، بلکه به طراحی همکاری درست میان آن‌ها وابسته است. ناآشنایی با هوش مصنوعی می‌تواند پژوهشگر را از بخشی از ظرفیت‌های جدید محروم کند؛ همان‌طور که وابستگی بی‌چون‌وچرا به آن ممکن است دقت و استقلال علمی را کاهش دهد.
استفاده آگاهانه از این فناوری می‌تواند زمان صرف‌شده برای فعالیت‌های تکراری را کاهش دهد و فرصت بیشتری برای طرح پرسش‌های مهم، قضاوت علمی و کشف واقعی فراهم کند؛ بخش‌هایی که همچنان هسته اصلی پژوهش علمی هستند.