طراحی پژوهش با هوش مصنوعی شاید مهم‌ترین و در عین حال کمتر دیده‌شده‌ترین کاربرد این ابزارها در دانشگاه باشد. بیشتر بحث‌ها حول نوشتن مقاله با ChatGPT می‌چرخد، اما واقعیت این است که کیفیت هر مقاله یا پایان‌نامه، پیش از نوشتن تعیین می‌شود: در لحظه‌ای که سؤال پژوهش را انتخاب می‌کنید، ادبیات را می‌کاوید، فرضیه می‌سازید و روش را برمی‌گزینید. اگر این مراحل محکم باشند، نوشتن آسان‌تر است؛ و اگر سست باشند، هیچ ابزار ویرایشی نجاتتان نمی‌دهد.
این مقاله بر پایهٔ ایده‌های فصل ۳ کتاب Using AI in Academic Writing and Research (Springer, 2025) با عنوان «هوش مصنوعی مولد برای پژوهش» نوشته شده است. نویسندگان این فصل نشان می‌دهند که ابزارهای مولد در چرخهٔ پژوهش، از ایده‌پردازی تا گردآوری داده، چه نقشی می‌توانند داشته باشند. ما ایده‌های این فصل را با زبان خودمان بازگو کرده‌ایم و آن‌ها را با مثال‌ها، پرامپت‌ها و چک‌لیست‌هایی برای دانشجویان و پژوهشگران ایرانی گسترش داده‌ایم.
این مقاله قسمت سوم مجموعهٔ ده‌قسمتی ریسرچ اینتل بر پایهٔ این کتاب است. برای آشنایی با مفاهیم پایه، ابتدا هوش مصنوعی در پژوهش دانشگاهی را بخوانید.
پیام اصلی فصل سوم کتاب این است که هوش مصنوعی مولد جایگزین تخصص پژوهشگر نیست، بلکه تقویت‌کنندهٔ آن است. نویسندگان از اصطلاحی استفاده می‌کنند که می‌توان آن را «ایده‌پردازی تقویت‌شده» ترجمه کرد: پژوهشگر با کمک ابزار، افق‌های بیشتری را می‌بیند، اما انتخاب، داوری و مسئولیت همچنان با خود اوست. در عین حال، کتاب یادآوری می‌کند که این ابزارها سوگیری‌های موجود در داده‌ها را بازتاب می‌دهند و گاه آن‌ها را بزرگ‌تر هم می‌کنند.
چرا این موضوع برای دانشجوی ایرانی مهم است؟ چون بسیاری از ما در مرحلهٔ انتخاب موضوع و طراحی روش، راهنمایی کافی دریافت نمی‌کنیم. استاد راهنما وقت محدودی دارد، دسترسی به منابع بین‌المللی گاهی دشوار است و دوره‌های روش تحقیق بیشتر نظری‌اند. ابزارهای مولد، اگر درست به کار روند، می‌توانند نقش یک «هم‌فکر» همیشه در دسترس را بازی کنند. در ادامه، مسیر را در سه بخش دنبال می‌کنیم: ایده و ادبیات، فرضیه و روش، و ابزارسازی و گردآوری داده.
طراحی پژوهش با هوش مصنوعی: از ایدهٔ خام تا شناخت ادبیات
نخستین مرحلهٔ هر پژوهش، تبدیل یک علاقهٔ مبهم به مسئله‌ای روشن است. کتاب این مرحله را به تلاش برای «جمع کردن گربه‌های پراکنده» تشبیه می‌کند: علایق گسترده، دانش ناقص و مضامینی که تازه در حال شکل‌گیری‌اند. در این بخش می‌بینیم ابزارهای مولد چگونه می‌توانند این آشفتگی اولیه را سامان دهند.
ایده‌پردازی تقویت‌شده و کشف پیوندهای میان‌رشته‌ای
مدل‌های زبانی بزرگ روی حجم عظیمی از متن آموزش دیده‌اند و می‌توانند میان حوزه‌هایی پیوند برقرار کنند که یک پژوهشگر متخصص در یک رشته، شاید هرگز کنار هم نبیند. کتاب مثال پژوهشگری را می‌زند که به پیامدهای اجتماعی هوش مصنوعی در آموزش علاقه دارد؛ ابزار می‌تواند زاویه‌هایی مانند مطالعهٔ تطبیقی سیاست‌ها، بررسی الگوهای آموزش معلمان یا تحلیل تاریخی ورود فناوری به مدرسه را پیشنهاد دهد.
برای اینکه از این توانایی بهره ببرید، پرامپت‌های شما باید «باز» اما «زمینه‌دار» باشند. یک الگوی کارآمد:
«من دانشجوی کارشناسی ارشد [رشته] در ایران هستم. به موضوع کلی [موضوع] علاقه دارم. هفت زاویهٔ پژوهشی پیشنهاد بده که دست‌کم سه‌تای آن‌ها از رشته‌های دیگر (مثلاً اقتصاد رفتاری، جامعه‌شناسی یا علوم داده) الهام گرفته باشند. برای هر زاویه، یک سؤال پژوهش، نوع داده‌ای که لازم است و یک خطر احتمالی در اجرا را بنویس. هیچ منبعی ذکر نکن.»
چند نکته در این پرامپت مهم است:
- معرفی نقش و زمینه: مدل بداند با چه سطحی از دانش و در چه بافتی روبه‌روست.
- درخواست تنوع صریح: با خواستن زاویه‌های میان‌رشته‌ای، مدل را از پاسخ‌های کلیشه‌ای دور می‌کنید.
- پرسیدن از داده و خطر: این کار ایده‌ها را از همان ابتدا به واقعیت اجرا گره می‌زند.
- منع ساختن منبع: در مرحلهٔ ایده‌پردازی به منبع نیاز ندارید؛ منبع را بعداً خودتان پیدا می‌کنید.
پس از دریافت پاسخ، گفت‌وگو را ادامه دهید. از مدل بخواهید دو زاویهٔ منتخب را با هم ترکیب کند، یا یکی را برای جامعهٔ آماری ایرانی بومی‌سازی کند. ایده‌پردازی خوب، یک گفت‌وگوی چندمرحله‌ای است، نه یک پرسش و پاسخ.
یک «بانک ایده» در یک فایل ساده بسازید. هر ایده‌ای که از ابزار یا از مطالعهٔ خودتان می‌آید را با تاریخ، منبع الهام و یک جمله ارزیابی یادداشت کنید. پس از دو هفته، الگوهای علاقهٔ واقعی‌تان را بهتر می‌بینید.
اما یک هشدار مهم هم وجود دارد: ایده‌هایی که مدل پیشنهاد می‌دهد، بر پایهٔ الگوهای رایج در داده‌های آموزشی است. یعنی گرایش دارد ایده‌هایی را پیشنهاد کند که «زیاد درباره‌شان نوشته شده». نوآوری واقعی اغلب از تجربهٔ میدانی، مشاهدهٔ دقیق و شناخت بافت محلی می‌آید؛ چیزهایی که ابزار ندارد. پس ایده‌های ابزار را نقطهٔ شروع گفت‌وگو بدانید، نه نقطهٔ پایان آن.
برای ارزیابی ایده‌ها پس از طوفان فکری، می‌توانید از یک ماتریس ساده استفاده کنید. هر ایده را در سه معیار از یک تا پنج نمره دهید: «نوآوری» (آیا در ادبیات کمتر به آن پرداخته شده؟)، «امکان‌پذیری» (آیا با داده، زمان و مهارت شما قابل‌اجراست؟) و «ارزش» (آیا نتیجهٔ آن برای رشته، جامعه یا سیاست‌گذاری اهمیت دارد؟). ایده‌ای که جمع نمرهٔ بالاتری دارد، لزوماً بهترین نیست؛ اما این ماتریس گفت‌وگوی شما با استاد راهنما را ساختارمند می‌کند و نشان می‌دهد که ایده‌ها را سنجیده‌اید.
می‌توانید از خود ابزار هم بخواهید این ماتریس را برای ایده‌هایتان پر کند، اما به نمره‌های آن اعتماد کامل نکنید. ابزار از وضعیت واقعی دسترسی شما به داده، روابط شما با سازمان‌ها و علایق استاد راهنما خبر ندارد. نمره‌گذاری نهایی کار شماست و ارزش اصلی تمرین، در فکر کردن دقیق به هر معیار است.
کشف ادبیات و مرور سریع با کمک هوش مصنوعی
یکی از چالش‌های بزرگ پژوهشگر امروز، رشد انفجاری انتشارات علمی است. کتاب اشاره می‌کند که در برخی حوزه‌ها، حجم ادبیات هر چند سال یک‌بار دو برابر می‌شود. در چنین وضعیتی، شناخت آثار بنیادین، دنبال کردن پژوهش‌های جدید و دیدن الگوهای فکری یک حوزه، بدون ابزار کمکی بسیار دشوار است.
هوش مصنوعی در مرور ادبیات می‌تواند این کارها را تسهیل کند:
- نقشه‌برداری اولیه: معرفی مکاتب فکری، مفاهیم کلیدی و بحث‌های اصلی یک حوزه، تا بدانید در پایگاه‌ها دنبال چه بگردید.
- تولید کلیدواژه: ساختن فهرست کلیدواژه‌ها، مترادف‌ها و رشته‌های جست‌وجوی بولی برای Google Scholar، Scopus یا Web of Science.
- غربالگری اولیه: کمک به دسته‌بندی چکیده‌هایی که خودتان جمع کرده‌اید، بر اساس موضوع، روش یا یافته.
- سنتز: پیشنهاد ساختار برای بخش پیشینه؛ مثلاً بر اساس مضمون، دوره زمانی یا رویکرد روش‌شناختی.
- یافتن شکاف: مقایسهٔ خلاصه‌ها و نشان دادن پرسش‌هایی که کمتر به آن‌ها پرداخته شده است.
یک تفاوت مهم را هم در نظر داشته باشید: «مرور سریع» (Rapid Review) با «مرور نظام‌مند» یکی نیست. مرور سریع برای آشنایی اولیه با یک حوزه، تصمیم‌گیری دربارهٔ موضوع یا نوشتن مقدمهٔ یک پروپوزال کافی است و ابزارهای مولد می‌توانند آن را بسیار تسریع کنند. اما مرور نظام‌مند، فرایندی دقیق، مستند و تکرارپذیر است که معیارهای ورود و خروج روشن، جست‌وجوی جامع در چند پایگاه و ارزیابی کیفیت مطالعات را می‌طلبد. در مرور نظام‌مند، نقش ابزار باید محدود، شفاف و قابل‌گزارش باشد.
یک نمونه پرامپت برای ساخت رشتهٔ جست‌وجو:
«سؤال پژوهش من این است: [سؤال]. برای جست‌وجو در Scopus یک رشتهٔ جست‌وجوی بولی بساز که مفاهیم اصلی، مترادف‌ها و اصطلاحات نزدیک را پوشش دهد. سپس توضیح بده هر بخش چرا آمده و چگونه می‌توانم دامنهٔ نتایج را محدودتر یا گسترده‌تر کنم.»
برای مرحلهٔ غربالگری و سنتز، ابزارهای مقاله‌محور که مستقیماً به پایگاه‌های علمی متصل‌اند، معمولاً قابل‌اعتمادترند. معرفی و مقایسهٔ آن‌ها را در راهنمای Elicit، Consensus و SciSpace آورده‌ایم. اگر مرور نظام‌مند انجام می‌دهید، چارچوب PRISMA را فراموش نکنید؛ ابزارهای هوش مصنوعی می‌توانند بخشی از فرایند را تسریع کنند، اما شفافیت و تکرارپذیری مراحل باید حفظ شود.
پایگاه‌های باز مانند OpenAlex هم امکان جست‌وجوی گسترده و استخراج دادهٔ کتاب‌سنجی را فراهم می‌کنند و برای پژوهشگرانی که به پایگاه‌های پولی دسترسی محدود دارند، گزینهٔ ارزشمندی هستند.
راستی‌آزمایی منابع: قانونی که استثنا ندارد
نویسندگان کتاب در این بخش بسیار صریح‌اند: هر ارجاعی که یک مدل هوش مصنوعی پیشنهاد می‌دهد، باید بررسی و بازبینی شود. این جمله شاید بدیهی به نظر برسد، اما تجربه نشان می‌دهد که بسیاری از دانشجویان، به‌ویژه زیر فشار زمان، از آن غفلت می‌کنند.
مدل‌های زبانی ممکن است به شکل‌های مختلف در ارجاع‌دهی خطا کنند:
- ساختن مقاله‌ای کاملاً خیالی با نویسندگان و مجلهٔ واقعی؛
- نسبت دادن یافته‌ای به مقاله‌ای که آن را گزارش نکرده است؛
- اشتباه در سال، شماره، صفحه یا DOI؛
- خلاصه‌سازی نادرست، مثلاً معکوس کردن جهت یک رابطه؛
- نادیده گرفتن مقالات جدیدتری که یافتهٔ قبلی را رد کرده‌اند.
یک روال راستی‌آزمایی چهارمرحله‌ای پیشنهاد می‌کنیم:
- وجود: آیا مقاله با این عنوان در پایگاه‌های معتبر یا با DOI یافت می‌شود؟
- مشخصات: آیا نویسندگان، سال، مجله و صفحات درست‌اند؟
- محتوا: آیا مقاله واقعاً همان چیزی را می‌گوید که به آن نسبت داده شده؟ (دست‌کم چکیده و بخش نتایج را بخوانید.)
- جایگاه: آیا این مقاله هنوز معتبر است، یا مطالعات بعدی آن را نقد یا اصلاح کرده‌اند؟
ارجاع به مقاله‌ای که آن را نخوانده‌اید، حتی اگر واقعی باشد، خطرناک است. اگر داور یا استاد دربارهٔ آن بپرسد و نتوانید پاسخ دهید، اعتبار کل پژوهش شما زیر سؤال می‌رود. ارجاع ساختگی هم می‌تواند به رد مقاله یا حتی پیگرد انضباطی منجر شود.
برای سازمان‌دهی منابع تأییدشده، از یک نرم‌افزار مدیریت منابع مانند Zotero استفاده کنید و برای هر منبع یادداشت کوتاهی از یافتهٔ اصلی بنویسید. این کار هم در نوشتن پیشینه به شما کمک می‌کند و هم در جلسهٔ دفاع. اگر در نوشتن بخش پیشینه به همراهی نیاز دارید، صفحهٔ مرور ادبیات ریسرچ اینتل خدمات تخصصی ارائه می‌دهد.
از فرضیه تا روش: هوش مصنوعی به‌عنوان مشاور روش‌شناسی
پس از شناخت ادبیات و تعیین سؤال، نوبت تبدیل آن به فرضیه‌های آزمودنی و انتخاب روش مناسب است. کتاب این مرحله را «نقطهٔ گذار حساس» می‌نامد و نشان می‌دهد که ابزارهای مولد چگونه می‌توانند نقش یک مشاور روش‌شناسی را بازی کنند؛ مشاوری که گزینه‌ها را نشان می‌دهد اما تصمیم نمی‌گیرد.
ساخت فرضیه و چارچوب مفهومی اولیه
سنتی‌ترین مسیر ساخت فرضیه، تکیه بر نظریه، تخصص رشته‌ای و بازنگری مکرر است. هوش مصنوعی این مسیر را حذف نمی‌کند، اما می‌تواند آن را غنی‌تر کند؛ به‌ویژه با جلب توجه به متغیرهایی که پژوهشگر ممکن است نادیده گرفته باشد.
کتاب مثالی می‌آورد از پژوهشگری که اثر برنامه‌های سواد دیجیتال بر توسعهٔ اجتماعی را بررسی می‌کند. ابزار ممکن است پیشنهاد دهد که اثر این برنامه‌ها در مناطقی با سطح آموزشی پایه‌ای پایین‌تر، متفاوت باشد؛ یعنی یک «متغیر تعدیل‌گر» را مطرح کند. یا در پژوهش سازمانی، سازوکاری میانجی را برجسته کند که رابطهٔ دورکاری و عملکرد را توضیح می‌دهد.
برای اینکه از این توانایی استفاده کنید:
«سؤال پژوهش من: [سؤال]. چارچوب نظری پیشنهادی من: [نظریه]. بر اساس این چارچوب، سه فرضیهٔ اصلی پیشنهاد بده. سپس برای هر فرضیه، یک متغیر میانجی و یک متغیر تعدیل‌گر احتمالی را با توضیح منطق نظری آن پیشنهاد کن. در پایان، بگو کدام فرضیه با دادهٔ پیمایشی و کدام با دادهٔ کیفی بهتر آزموده می‌شود.»
پس از دریافت پیشنهادها، سه پرسش کلیدی را از خودتان بپرسید:
- پشتوانهٔ نظری: آیا در ادبیات معتبر، منطقی برای این رابطه وجود دارد؟ (این را خودتان بررسی کنید.)
- قابلیت سنجش: آیا ابزار معتبری برای سنجش این متغیرها در جامعهٔ ایرانی وجود دارد؟
- صرفه‌جویی: آیا افزودن هر متغیر، ارزش پیچیدگی اضافه‌اش را دارد؟
یک خطای رایج این است که دانشجو همهٔ متغیرهای پیشنهادی ابزار را وارد مدل کند و در نتیجه، مدلی بسیار پیچیده با نمونه‌ای ناکافی بسازد. مدل مفهومی خوب، ساده، نظریه‌محور و قابل‌آزمون است؛ نه فهرستی از همهٔ متغیرهای ممکن.
کتاب یادآوری می‌کند که فرضیه‌هایی که ابزار پیشنهاد می‌دهد، باید با چارچوب نظری و شواهد تجربی هم‌خوان باشند. فرضیه‌ای که فقط «جالب» است اما پشتوانهٔ نظری ندارد، در جلسهٔ دفاع از پروپوزال به‌راحتی زیر سؤال می‌رود.
انتخاب روش تحقیق: کمی، کیفی یا آمیخته؟
انتخاب روش، تصمیمی است که بر همهٔ مراحل بعدی اثر می‌گذارد. کتاب مثال پژوهشگری را می‌آورد که اعتماد عمومی به علم را بررسی می‌کند و باید میان مصاحبهٔ عمیق، پیمایش گسترده یا ترکیبی از هر دو انتخاب کند. او با شرح نیازهای پژوهش برای ابزار (مثلاً نیاز هم‌زمان به فهم زمینه و تعمیم‌پذیری آماری)، می‌تواند گزینه‌ها و پیامدهای هرکدام را ببیند.
مزیت دیگر، آشنایی با روش‌هایی است که خارج از تخصص فوری پژوهشگر قرار دارند. برای مثال:
- در پژوهش کیفی: پژوهش اقدام مشارکتی، قوم‌نگاری دیجیتال یا روش‌های بصری؛
- در پژوهش کمی: مدل‌های چندسطحی، مدل‌سازی معادلات ساختاری یا روش‌های استنباط علّی؛
- در پژوهش‌های متنی: ترکیب تحلیل محتوای کیفی با روش‌های محاسباتی مانند مدل‌سازی موضوعی.
جدول زیر کمک می‌کند گفت‌وگو با ابزار را برای انتخاب روش سازمان دهید:
| پرسش کلیدی | آنچه از ابزار بخواهید | آنچه خودتان بررسی کنید |
|---|---|---|
| سؤال من «چه‌قدر» است یا «چگونه/چرا»؟ | توضیح تناسب سؤال با رویکرد کمی یا کیفی | نظر استاد راهنما و سنت رشته |
| به چه داده‌ای دسترسی دارم؟ | فهرست گزینه‌های گردآوری داده | امکان واقعی دسترسی و مجوزها |
| چه نمونه‌ای لازم است؟ | توضیح منطق حجم نمونه | محاسبهٔ دقیق با نرم‌افزار و مشاور آمار |
| چه تحلیلی مناسب است؟ | معرفی آزمون‌ها و پیش‌فرض‌ها | مهارت خودتان و منابع روش‌شناسی معتبر |
| محدودیت‌ها کدام‌اند؟ | نقد طرح از دید داور | امکان رفع یا گزارش صادقانهٔ آن‌ها |
یک پرامپت کارآمد برای این مرحله:
«سؤال پژوهش من [سؤال] است. جامعهٔ هدف [جامعه] است و حدود شش ماه زمان دارم. سه طرح پژوهشی (یکی کمی، یکی کیفی و یکی آمیخته) پیشنهاد بده. برای هرکدام روش نمونه‌گیری، ابزار گردآوری داده، روش تحلیل، مزایا، معایب و ریسک‌های اجرایی را در یک جدول بنویس.»
اگر تحلیل کمی انتخاب کردید، راهنمای تحلیل SPSS با ChatGPT و صفحهٔ تحلیل آماری ریسرچ اینتل کمک می‌کنند. همچنین مقالهٔ تحلیل داده با هوش مصنوعی در همین مجموعه، مراحل پاک‌سازی و تحلیل اکتشافی را شرح می‌دهد.
پس از انتخاب روش کلی، می‌توانید از ابزار برای طراحی جزئیات هم کمک بگیرید؛ مثلاً پیش‌نویس سؤالات مصاحبهٔ نیمه‌ساختاریافته، گویه‌های اولیهٔ یک پرسشنامهٔ محقق‌ساخته یا راهنمای کدگذاری. اما در این موارد هم باید روایی و پایایی را با روش‌های استاندارد بسنجید. گویه‌هایی که ابزار می‌نویسد، باید توسط متخصصان حوزه بررسی (روایی محتوا) و در یک مطالعهٔ مقدماتی آزموده شوند. اگر پرسشنامهٔ استانداردی برای سازهٔ شما وجود دارد، استفاده از آن (با ترجمه و بومی‌سازی معتبر) معمولاً بر ساختن پرسشنامهٔ تازه با کمک ابزار برتری دارد.
محک واقعیت: محدودیت‌ها، اخلاق و تأیید استاد
کتاب بر نکته‌ای تأکید می‌کند که اغلب نادیده گرفته می‌شود: انتخاب روش باید بر پایهٔ ملاحظات عملی باشد. ابزار ممکن است پیچیده‌ترین و نوآورانه‌ترین روش را پیشنهاد دهد، اما اگر شما مهارت، زمان، بودجه یا دسترسی لازم را نداشته باشید، آن روش برای پژوهش شما مناسب نیست.
پیش از نهایی کردن طرح، این چک‌لیست را مرور کنید:
- آیا مهارت اجرای این روش را دارم یا در زمان دوره می‌توانم آن را یاد بگیرم؟
- آیا نرم‌افزار و سخت‌افزار لازم در دسترس است؟
- آیا دسترسی به جامعهٔ آماری یا میدان پژوهش واقع‌بینانه است؟
- آیا طرح نیاز به تأیید کمیتهٔ اخلاق دارد و زمان لازم برای آن را در نظر گرفته‌ام؟
- آیا رضایت آگاهانه، محرمانگی و حفاظت از داده‌ها پیش‌بینی شده است؟
- آیا استاد راهنما و مشاور با این روش آشنا هستند و از آن حمایت می‌کنند؟
در ایران، بسیاری از پژوهش‌های انسانی و پزشکی نیاز به کد اخلاق دارند. ابزارهای هوش مصنوعی می‌توانند در نوشتن پیش‌نویس فرم رضایت آگاهانه یا شرح ملاحظات اخلاقی کمک کنند، اما متن نهایی باید با دستورالعمل‌های کمیتهٔ اخلاق دانشگاه شما مطابقت داشته باشد.
یک تمرین بسیار مفید این است که پس از طراحی، از ابزار بخواهید نقش داور سخت‌گیر را بازی کند:
«تو عضو شورای تحصیلات تکمیلی هستی و این طرح پژوهش را بررسی می‌کنی: [خلاصهٔ طرح]. پنج نقد جدی روش‌شناختی و دو نقد اخلاقی مطرح کن و برای هرکدام بگو پاسخ قانع‌کننده چه باید باشد.»
سپس به این نقدها بدون کمک ابزار پاسخ دهید. اگر نتوانستید، احتمالاً طرحتان نیاز به بازنگری دارد. برای جزئیات نوشتن این مرحله در قالب سند رسمی، راهنمای نوشتن پروپوزال با هوش مصنوعی و صفحهٔ نگارش پروپوزال را ببینید.
ابزارسازی و گردآوری داده با کمک هوش مصنوعی
آخرین بخش فصل سوم کتاب به جایی می‌پردازد که طراحی پژوهش با اجرای فنی پیوند می‌خورد: ساختن ابزارهای گردآوری داده. نویسندگان پیش‌بینی می‌کنند که با گسترش رویکردهای کم‌کد و بدون کد، استفاده از هوش مصنوعی برای گردآوری داده به بخشی عادی از جعبه‌ابزار دانشگاهی تبدیل می‌شود.
پیش از ورود به جزئیات، یک نکتهٔ کلی: ابزارسازی با کمک هوش مصنوعی بیش از همه برای پژوهشگرانی ارزشمند است که در علوم انسانی، اجتماعی یا مدیریت کار می‌کنند و آموزش برنامه‌نویسی ندیده‌اند. برای این گروه، دیوار بلند «یادگیری کدنویسی» تا حد زیادی کوتاه شده است. اما این به معنای بی‌نیازی از فهم منطق کار نیست. حداقل سواد فنی، یعنی فهم اینکه داده از کجا می‌آید، چگونه ذخیره می‌شود و چه خطاهایی ممکن است رخ دهد، همچنان ضروری است. خوشبختانه همین ابزارها می‌توانند معلم صبوری برای یادگیری این سواد پایه باشند؛ کافی است به جای «کد را بنویس»، بپرسید «کد را بنویس و به من یاد بده چرا این‌طور نوشتی».
تولید کد برای گردآوری داده: خزنده‌ها، API و پرسشنامه
پیش از این، اگر پژوهشگری می‌خواست هزاران سند دولتی، پست شبکه‌های اجتماعی یا داده‌های یک پایگاه آنلاین را جمع کند، یا باید برنامه‌نویسی بلد بود یا هزینهٔ یک برنامه‌نویس را می‌پرداخت. کتاب مثال پژوهشگری را می‌آورد که تحول سیاست‌گذاری عمومی را از طریق اسناد دولتی بررسی می‌کند: به جای نوشتن دستی اسکریپت، او می‌تواند با تعیین منبع، نوع سند و ساختار خروجی، از ابزار بخواهد کد گردآوری را بنویسد.
نمونه‌هایی از کارهایی که با کمک ابزار ممکن می‌شود:
- نوشتن اسکریپت پایتون برای دریافت داده از API یک پایگاه علمی (مثلاً OpenAlex یا Crossref)؛
- ساختن خزندهٔ ساده برای جمع‌آوری متن‌های عمومی یک وب‌سایت؛
- تبدیل ده‌ها فایل PDF به متن قابل‌تحلیل؛
- طراحی پرسشنامهٔ آنلاین با منطق پرش و اعتبارسنجی پاسخ‌ها؛
- نوشتن کد برای ادغام خودکار فایل‌های اکسل از منابع مختلف.
یک پرامپت نمونه:
«من پژوهشگر علوم اجتماعی هستم و برنامه‌نویسی بلد نیستم. یک اسکریپت پایتون ساده بنویس که از API عمومی OpenAlex، عنوان، سال، نام مجله و تعداد ارجاع مقالاتی را که در عنوانشان عبارت [عبارت] آمده و بین ۲۰۱۹ تا ۲۰۲۴ منتشر شده‌اند، دریافت کند و در یک فایل CSV ذخیره کند. خط‌به‌خط کد را به زبان ساده توضیح بده و بگو چطور آن را در Google Colab اجرا کنم.»
نکتهٔ کلیدی این است که از ابزار بخواهید کد را توضیح دهد. اجرای کدی که نمی‌فهمید، خطرناک است؛ ممکن است داده‌ها را ناقص جمع کند، یا بدون اینکه بدانید، شرایط استفادهٔ یک وب‌سایت را نقض کند. همیشه خروجی را با یک نمونهٔ کوچک دستی مقایسه کنید.
پیش از اجرای کد روی کل داده، آن را روی یک نمونهٔ کوچک (مثلاً ده رکورد) آزمایش کنید و نتیجه را دستی بررسی کنید. این کار خطاهای پنهان را زود آشکار می‌کند.
پیش‌پردازش داده‌های متنی و یکپارچه‌سازی ابزارها
کاربرد ابزارهای مولد فقط به گردآوری داده محدود نمی‌شود. کتاب نشان می‌دهد که این ابزارها در آماده‌سازی داده برای تحلیل هم کمک می‌کنند؛ مثلاً در پردازش زبان طبیعی، می‌توانند کد مراحلی مانند توکن‌سازی، حذف کلمات پرتکرار بی‌معنا، ریشه‌یابی یا تحلیل احساس را تولید کنند.
برای پژوهشگران فارسی‌زبان، این بخش چالش‌های ویژه‌ای دارد:
- نیم‌فاصله و یکسان‌سازی نویسه‌ها: متن‌های فارسی اغلب «ی» و «ک» عربی و فارسی را مخلوط دارند و نیم‌فاصله‌ها ناهماهنگ‌اند.
- ابزارهای مخصوص فارسی: کتابخانه‌هایی مانند Hazm یا Parsivar برای پیش‌پردازش متن فارسی ساخته شده‌اند؛ از ابزار بخواهید کد را با این کتابخانه‌ها بنویسد.
- کیفیت مدل‌ها در فارسی: تحلیل احساس یا طبقه‌بندی متن فارسی با مدل‌های عمومی ممکن است دقت پایینی داشته باشد و باید با نمونهٔ برچسب‌خوردهٔ دستی ارزیابی شود.
مزیت دیگری که کتاب برجسته می‌کند، توانایی ابزار در پیوند دادن محیط‌های فنی مختلف است. پژوهش امروز ممکن است هم به R، هم به پایتون، هم به SPSS و هم به اکسل نیاز داشته باشد. ابزار می‌تواند راه انتقال داده میان این محیط‌ها، تبدیل قالب فایل‌ها و حتی ترجمهٔ کد از یک زبان به زبان دیگر را پیشنهاد دهد.
یک گردش کار نمونه برای پژوهش متنی:
- گردآوری متن‌ها با اسکریپت پایتون و ذخیره در CSV.
- یکسان‌سازی و پیش‌پردازش با Hazm.
- کدگذاری دستی یک نمونهٔ ۱۰۰ تایی توسط دو کدگذار انسانی.
- استفاده از ابزار برای پیشنهاد کدها در بقیهٔ داده‌ها و مقایسهٔ آن با کدگذاری انسانی.
- گزارش میزان توافق و بازبینی موارد اختلاف.
مرحلهٔ چهارم این گردش کار اهمیت ویژه‌ای دارد. پژوهش‌های اخیر نشان داده‌اند که مدل‌های زبانی در کدگذاری متن‌ها گاهی به توافق قابل‌قبولی با کدگذاران انسانی می‌رسند، اما این توافق در موضوعات مختلف و زبان‌های مختلف بسیار متفاوت است. تنها راه دانستن اینکه ابزار در داده‌های شما چقدر قابل‌اعتماد است، مقایسهٔ آن با کدگذاری انسانی روی یک نمونه است. اگر توافق پایین بود، ابزار را فقط برای پیشنهاد کدهای اولیه به کار ببرید و کدگذاری نهایی را خودتان انجام دهید.
ملاحظات اخلاقی و حقوقی گردآوری داده
سهولت گردآوری داده با هوش مصنوعی، مسئولیت پژوهشگر را کمتر نمی‌کند؛ بلکه بیشتر می‌کند. وقتی جمع کردن هزاران رکورد در چند دقیقه ممکن است، خطر نقض حریم خصوصی، حق مالکیت یا شرایط استفادهٔ وب‌سایت‌ها هم بیشتر می‌شود.
پیش از هر گردآوری خودکار، این پرسش‌ها را بررسی کنید:
- قانونی بودن: آیا شرایط استفادهٔ وب‌سایت یا API اجازهٔ این نوع گردآوری را می‌دهد؟
- حریم خصوصی: آیا داده شامل اطلاعات شخصی یا قابل‌شناسایی است؟ آیا ناشناس‌سازی پیش‌بینی شده است؟
- رضایت: در مورد داده‌های شبکه‌های اجتماعی، آیا کاربران انتظار داشته‌اند محتوایشان برای پژوهش استفاده شود؟
- امنیت: داده‌ها کجا ذخیره می‌شوند و چه کسانی به آن دسترسی دارند؟
- شفافیت: آیا روش گردآوری و نقش ابزار در گزارش پژوهش توضیح داده شده است؟
داده‌های خام شامل اطلاعات شخصی شرکت‌کنندگان (نام، شماره تماس، کد ملی، پاسخ‌های حساس) را در ابزارهای عمومی هوش مصنوعی بارگذاری نکنید. اگر برای نوشتن کد به نمونهٔ داده نیاز دارید، یک نمونهٔ ساختگی با همان ساختار بسازید.
اصول کلی گزارش‌دهی شفاف که در توصیه‌های ICMJE آمده، برای پژوهش‌های مبتنی بر داده هم کاربرد دارد: خواننده باید بتواند بفهمد داده‌ها چگونه گردآوری و پردازش شده‌اند و چه ابزارهایی در این فرایند نقش داشته‌اند. برای بررسی عمیق‌تر این ملاحظات، مقالهٔ اخلاق هوش مصنوعی در پژوهش را بخوانید.
یک موقعیت رایج دیگر هم در پژوهش‌های ایرانی وجود دارد: گردآوری داده از سامانه‌های دولتی یا سازمانی. حتی اگر این داده‌ها به صورت عمومی منتشر شده باشند، بهتر است پیش از گردآوری خودکار گسترده، با سازمان مربوط مکاتبه کنید یا دست‌کم شرایط استفاده را مستند کنید. در بسیاری از موارد، سازمان‌ها حاضرند داده‌ها را در قالبی تمیزتر و کامل‌تر در اختیار پژوهشگر قرار دهند و این کار هم کیفیت داده را بالا می‌برد و هم پژوهش را از نظر اخلاقی و حقوقی ایمن‌تر می‌کند.
یک قاعدهٔ ساده هم برای مستندسازی: کد نهایی، نسخهٔ ابزار و پرامپت‌های کلیدی را همراه داده‌ها نگه دارید. این کار تکرارپذیری پژوهش را تضمین می‌کند و اگر داور یا استاد درخواست کرد، می‌توانید فرایند را دقیقاً نشان دهید.
سؤالات متداول
آیا می‌توانم موضوع پایان‌نامه‌ام را از ChatGPT بگیرم؟
می‌توانید از آن برای ایده‌پردازی کمک بگیرید، اما انتخاب نهایی باید حاصل مطالعهٔ ادبیات، مشورت با استاد راهنما و سنجش امکان‌پذیری باشد. موضوعی که فقط ابزار پیشنهاد داده و شما شکاف پژوهشی آن را در منابع واقعی تأیید نکرده‌اید، پایهٔ محکمی ندارد.
آیا هوش مصنوعی می‌تواند مرور ادبیات را برای من انجام دهد؟
می‌تواند بخش‌هایی از آن را تسریع کند: ساخت کلیدواژه، دسته‌بندی چکیده‌ها، پیشنهاد ساختار و نشان دادن شکاف‌های احتمالی. اما خواندن مقالات کلیدی، راستی‌آزمایی ارجاع‌ها و سنتز انتقادی کار شماست. مرور ادبیاتی که بدون خواندن منابع نوشته شود، در جلسهٔ دفاع آشکار می‌شود.
برای انتخاب روش تحقیق چقدر می‌توانم به ابزار اعتماد کنم؟
ابزار برای معرفی گزینه‌ها، مزایا و معایب آن‌ها مفید است، اما ممکن است روش‌هایی پیشنهاد دهد که با منابع، مهارت یا بافت پژوهش شما سازگار نیست. تصمیم نهایی را با استاد راهنما و بر اساس منابع روش‌شناسی معتبر بگیرید.
اگر برنامه‌نویسی بلد نیستم، آیا می‌توانم با کمک هوش مصنوعی داده جمع کنم؟
بله، ابزارها می‌توانند کد ساده بنویسند و خط‌به‌خط توضیح دهند. اما حتماً کد را روی نمونهٔ کوچک آزمایش کنید، شرایط استفادهٔ منبع داده را بررسی کنید و اگر داده حساس است، با یک متخصص مشورت کنید.
آیا باید استفاده از هوش مصنوعی در طراحی پژوهش را اعلام کنم؟
اگر ابزار نقش معناداری در تولید کد گردآوری داده، کدگذاری یا تحلیل داشته، باید در بخش روش توضیح دهید. برای ایده‌پردازی یا ویرایش زبانی، سیاست دانشگاه و مجلهٔ هدف را بررسی کنید؛ در صورت تردید، شفافیت بهترین انتخاب است.
جمع‌بندی
طراحی پژوهش با هوش مصنوعی یعنی استفاده از ابزارهای مولد به‌عنوان هم‌فکر، مشاور روش‌شناسی و دستیار فنی، در تمام مسیر از ایدهٔ خام تا گردآوری داده. فصل سوم کتاب Using AI in Academic Writing and Research نشان می‌دهد که ارزش این ابزارها در «خودکارسازی» نیست، بلکه در «همکاری» است: وقتی با نگاه انتقادی به کار روند، بینش پژوهشگر را گسترده‌تر می‌کنند بدون اینکه دقت علمی قربانی شود.
سه قاعدهٔ طلایی را به خاطر بسپارید: ایده‌ها را بسنجید، منابع را راستی‌آزمایی کنید و روش را با واقعیت محک بزنید. اگر این سه قاعده را رعایت کنید، ابزار به شتاب‌دهندهٔ واقعی پژوهش شما تبدیل می‌شود. برای ادامهٔ مسیر، مقالهٔ ویرایش مقاله با هوش مصنوعی مرحلهٔ نگارش را پوشش می‌دهد و برای تقویت مهارت‌های پایه، آموزش هوش مصنوعی برای دانشجویان را ببینید. پیشینهٔ تاریخی این ابزارها را هم در تاریخچه هوش مصنوعی بخوانید. اگر در مرحلهٔ طراحی پایان‌نامه هستید، راهنمای نوشتن پایان‌نامه با هوش مصنوعی را از دست ندهید. پرامپت‌های بیشتر را در بانک پرامپت‌های پژوهشی بیابید و برای همراهی شخصی در طراحی پژوهش، از مشاوره پژوهشی ریسرچ اینتل کمک بگیرید.
برای آموزش‌ها و مشاوره‌های بیشتر پژوهشی به هوش پژوهشی سر بزنید.
منابع
- Haber, E., Jemielniak, D., Kurasiński, A., & Przegalińska, A. (2025). *Using AI in Academic Writing and Research: A Complete Guide to Effective and Ethical Academic AI*. Springer Nature. فصل ۳: Generative AI for Research. https://doi.org/10.1007/978-3-031-91705-9
- PRISMA Statement
- OpenAlex
- Google Scholar
- ICMJE. Recommendations