همکاری انسان و هوش مصنوعی شاید مهم‌ترین مفهومی باشد که آیندهٔ دانشگاه را شکل می‌دهد. تا همین چند سال پیش، بحث اصلی این بود که آیا هوش مصنوعی جای پژوهشگران را می‌گیرد یا نه. امروز پرسش تغییر کرده است: چگونه می‌توانیم با این فناوری طوری کار کنیم که توانایی‌های هر دو طرف، خلاقیت و داوری انسانی از یک سو و توان پردازش و شناسایی الگوی ماشین از سوی دیگر، در خدمت تولید دانش قرار گیرد؟ پاسخ به این پرسش، نه در دفترچهٔ راهنمای هیچ نرم‌افزاری، بلکه در انتخاب‌های جمعی جامعهٔ علمی نهفته است.
این مقاله بر پایهٔ ایده‌های فصل ۱۰ کتاب Using AI in Academic Writing and Research (Springer, 2025) نوشته شده است؛ فصل پایانی که نویسندگانش، الدار هابر، داریوش یملنیاک، آرتور کوراشینسکی و الکساندرا پشگالینسکا، آن را «سپیده‌دم هوش مصنوعی مولد در دانشگاه» نامیده‌اند. این فصل جمع‌بندی همهٔ کتاب است و به جای ارائهٔ پاسخ قطعی، تلاش می‌کند پایه‌ای برای گفت‌وگوی مداوم در جامعهٔ علمی بسازد. ما متن کتاب را ترجمه نکرده‌ایم؛ ایده‌های اصلی را با زبان خودمان شرح داده‌ایم و آن‌ها را با تجربهٔ عملی و شرایط پژوهشگران ایرانی گسترش داده‌ایم.
این مقاله قسمت دهم و پایانی مجموعهٔ ده‌قسمتی ریسرچ اینتل بر پایهٔ این کتاب است. اگر مجموعه را از ابتدا نخوانده‌اید، پیشنهاد می‌کنیم از هوش مصنوعی در پژوهش دانشگاهی شروع کنید و سپس تاریخچه هوش مصنوعی را بخوانید.
کتاب در این فصل تصویری دوگانه از وضعیت امروز دانشگاه ترسیم می‌کند: جهان علم هم‌زمان این ابزارهای نیرومند را می‌پذیرد و به پرسش می‌کشد. پژوهشگرانی که روزگاری هفته‌ها برای مرور ادبیات وقت می‌گذاشتند، اکنون می‌توانند در چند ساعت به یک ترکیب جامع برسند. نویسندگانی که با «قفل نویسنده» درگیرند، می‌توانند از ابزاری کمک بگیرند که عبارت‌ها، ساختارها و استدلال‌های جایگزین پیشنهاد می‌دهد. اما در کنار این توانایی‌ها، پرسش‌های عمیقی دربارهٔ ماهیت نویسندگی، بنیان‌های صداقت علمی و جایگاه خلاقیت انسانی مطرح می‌شود.
در این مقاله، ایده‌های فصل پایانی را در سه بخش آورده‌ایم: تغییر پارادایم در روش‌شناسی پژوهش و مفهوم هوش مصنوعی مشارکتی، تحول نویسندگی، نشر و آموزش، و مسئولیت جمعی و حکمرانی همراه با الگوهای عملی همکاری. در پایان هم نقشهٔ راهی برای استفاده از کل این مجموعه ارائه داده‌ایم.
همکاری انسان و هوش مصنوعی: تغییر پارادایم در پژوهش
کتاب تأکید می‌کند که هوش مصنوعی مولد صرفاً یک پیشرفت تدریجی فناورانه نیست، بلکه یک تغییر پارادایم بنیادین است. از نخستین مراحل ایده‌پردازی تا انتشار نهایی، این ابزارها گردش کار پژوهش را بازتعریف می‌کنند، فرایند کشف را شتاب می‌دهند و توانایی‌های فکری انسان را به‌طور چشمگیری تقویت می‌کنند. اما این تغییر، فقط دربارهٔ سرعت نیست؛ دربارهٔ شیوهٔ اندیشیدن به خود پژوهش است.
از ابزار به شریک فکری: هوش مصنوعی مشارکتی
مفهوم محوری فصل پایانی، هوش مصنوعی مشارکتی (Collaborative AI) است: سیستم‌هایی که نه برای جایگزینی پژوهشگران، بلکه برای کار در کنار آن‌ها به عنوان شریک فکری طراحی شده‌اند. کتاب این را تغییری بنیادین می‌داند؛ از نگاه به هوش مصنوعی به عنوان ابزاری خودکار، به درک آن به عنوان عاملی مشارکت‌کننده در تولید دانش.
این تمایز در عمل چه معنایی دارد؟ وقتی هوش مصنوعی را «ابزار» می‌بینیم، از آن کاری مشخص می‌خواهیم و خروجی را تحویل می‌گیریم؛ مانند ماشین‌حساب. اما وقتی آن را «شریک» می‌بینیم، با آن گفت‌وگو می‌کنیم، ایده‌ها را به صورت تکراری پالایش می‌کنیم و از نقاط قوت مکمل هر طرف بهره می‌بریم. کتاب این نقاط قوت را چنین تقسیم می‌کند: انسان خلاقیت، فهم بافت و داوری اخلاقی می‌آورد؛ ماشین توان محاسباتی، شناسایی الگو و پردازش اطلاعات در مقیاس بزرگ.
| توانایی | نقطهٔ قوت انسان | نقطهٔ قوت هوش مصنوعی |
|---|---|---|
| طرح پرسش | تشخیص پرسش مهم و معنادار برای جامعه | پیشنهاد زاویه‌های متنوع و ترکیب‌های غیرمنتظره |
| مرور ادبیات | داوری کیفیت و اهمیت شواهد | پویش سریع هزاران مقاله و دسته‌بندی |
| تحلیل داده | فهم بافت، تفسیر و نقد روش | شناسایی الگوهای ظریف در دادهٔ بزرگ |
| نوشتن | استدلال اصیل، صدای شخصی، مسئولیت | ساختاردهی، روان‌سازی، پیشنهاد عبارت |
| اخلاق | داوری اخلاقی و پاسخ‌گویی | یادآوری قواعد و بررسی فهرست‌وار |
این جدول یک نکتهٔ اساسی را نشان می‌دهد: در هیچ ردیفی، هوش مصنوعی جایگزین انسان نمی‌شود. هر جا که داوری، معنا، مسئولیت یا اصالت مطرح است، نقش انسان محوری می‌ماند. مقالهٔ آموزش هوش مصنوعی برای دانشجویان نشان داده که چگونه می‌توان این تقسیم کار را در کارهای روزمره به کار بست.
پژوهش‌های تجربی هم این تصویر را تأیید می‌کنند. مطالعهٔ مشهوری که گروهی از پژوهشگران دانشگاه هاروارد با همکاری یک شرکت مشاوره انجام دادند و به «مرز ناهموار فناوری» مشهور شد، نشان داد که کیفیت و سرعت کار متخصصان در وظایفی که در توان هوش مصنوعی بود، به‌طور معناداری بالا رفت؛ اما در وظایفی که بیرون از این مرز قرار داشت، تکیه بر ابزار حتی عملکرد را بدتر کرد. پیام این مطالعه برای پژوهشگر روشن است: باید بدانید مرز توانایی ابزار کجاست، و این مرز صاف و قابل‌پیش‌بینی نیست.
یک نکتهٔ مرتبط که برخی از همین پژوهشگران در مطالعات دیگر بر آن تأکید کرده‌اند، پدیدهٔ «خواب رفتن پشت فرمان» است. وقتی ابزار در بیشتر موارد درست کار می‌کند، کاربر به‌تدریج دقتش را کم می‌کند و همان چند مورد خطا را هم نمی‌بیند. این خطر برای پژوهشگرانی که سال‌ها با یک ابزار کار کرده‌اند، بیشتر است. همکاری سالم یعنی اعتماد سنجیده: نه بدبینی مطلق که همهٔ مزایا را از بین ببرد، و نه اعتماد کورکورانه که خطاها را پنهان کند.
تحول روش‌شناسی: از مرور ادبیات تا تحلیل داده
کتاب نمود روشن این تغییر پارادایم را در شیوهٔ انجام مرور ادبیات و ترکیب دانش می‌بیند. نسل‌های پیشین پژوهشگران با محدودیت‌های شناختی در پردازش ادبیاتی که به‌طور نمایی رشد می‌کند، روبه‌رو بودند. اکنون ابزارهای مولد می‌توانند هزاران مقاله را پویش، دسته‌بندی و نکات کلیدی آن‌ها را استخراج کنند و فهم جامع‌تر و دقیق‌تری از یک حوزه فراهم آورند.
اما همکاری در اینجا چه شکلی دارد؟ ماشین گسترهٔ پوشش را افزایش می‌دهد، اما انسان باید عمق را تضمین کند. یک گردش کار مشارکتی برای مرور ادبیات می‌تواند چنین باشد:
- پژوهشگر پرسش، معیارهای ورود و خروج و کلیدواژه‌ها را تعریف می‌کند.
- هوش مصنوعی جست‌وجوی گسترده، غربال اولیه و دسته‌بندی موضوعی را پیشنهاد می‌دهد.
- پژوهشگر نتایج غربال را نمونه‌گیری و بازبینی می‌کند و معیارها را اصلاح می‌کند.
- هوش مصنوعی از مقاله‌های منتخب، داده‌های کلیدی را در جدولی استخراج می‌کند.
- پژوهشگر هر داده را با متن اصلی مقایسه می‌کند، کیفیت شواهد را می‌سنجد و ترکیب نهایی و نقد را می‌نویسد.
در این گردش کار، هیچ مرحله‌ای بدون نظارت انسانی به پایان نمی‌رسد و هیچ ادعایی بدون بازگشت به منبع اصلی وارد متن نهایی نمی‌شود. برای جزئیات بیشتر دربارهٔ طراحی پژوهش با این رویکرد، مقالهٔ طراحی پژوهش با هوش مصنوعی را ببینید.
در تحلیل داده هم کتاب یادآوری می‌کند که توان هوش مصنوعی در شناسایی الگوها و همبستگی‌های ظریف، مرزهای پرسش‌هایی را که می‌توان پرسید و پاسخ داد، جابه‌جا می‌کند. پرسش‌هایی که پیش‌تر به دلیل حجم داده یا پیچیدگی تحلیل عملاً غیرممکن بودند، اکنون در دسترس پژوهشگر عادی‌اند. اما همین توان، خطر «ماهیگیری داده»، یعنی یافتن الگوهای تصادفی و بی‌معنا، را هم افزایش می‌دهد. در همکاری درست، ماشین الگو پیشنهاد می‌دهد و انسان بر پایهٔ نظریه و روش‌شناسی داوری می‌کند که کدام الگو معنادار است. مقالهٔ تحلیل داده با هوش مصنوعی این موضوع را با جزئیات بیشتری بررسی کرده است.
برای هر پروژهٔ پژوهشی، یک «جدول تقسیم کار» ساده بسازید: در یک ستون مراحل پژوهش، در ستون دوم کارهایی که به هوش مصنوعی می‌سپارید، و در ستون سوم کارهایی که فقط خودتان انجام می‌دهید. این جدول هم مرز همکاری را روشن می‌کند و هم پایهٔ بیانیهٔ افشای استفاده در مقاله خواهد بود.
پرسش‌های معرفت‌شناختی: دانش چگونه ساخته و اعتبارسنجی می‌شود؟
کتاب فراتر از کارایی می‌رود و پرسشی فلسفی را مطرح می‌کند: با ادغام فزایندهٔ هوش مصنوعی در فرایند پژوهش، ممکن است شاهد تغییرات بنیادین در شیوهٔ ساخت و اعتبارسنجی دانش در رشته‌های مختلف باشیم؛ تغییراتی که ممکن است چارچوب‌های معرفت‌شناختی دیرینه و سنت‌های روش‌شناختی را به چالش بکشد.
برای روشن شدن این بحث، چند پرسش مشخص را در نظر بگیرید. اگر فرضیه‌ای را هوش مصنوعی از دل الگوهای داده پیشنهاد داده باشد، آیا هنوز «فرضیهٔ پژوهشگر» است؟ اگر نتیجه‌ای از مدلی جعبه‌سیاه به دست آمده باشد که هیچ‌کس دقیقاً نمی‌داند چگونه کار می‌کند، چقدر می‌توان به آن به عنوان «دانش» اعتماد کرد؟ اگر مرور ادبیات را ماشین انجام داده باشد، آیا پژوهشگر واقعاً «ادبیات حوزه را می‌شناسد»؟
این پرسش‌ها پاسخ ساده ندارند، اما کتاب راهی برای اندیشیدن به آن‌ها پیشنهاد می‌کند: اصول بنیادین علم، یعنی دقت، شفافیت، تکرارپذیری و صداقت، باید ثابت بمانند، حتی اگر ابزارها تغییر کنند. فرضیه‌ای که ماشین پیشنهاد داده، اگر با روش علمی آزموده شود، به همان اندازهٔ هر فرضیهٔ دیگری معتبر است. نتیجه‌ای که از مدل جعبه‌سیاه به دست آمده، باید با روش‌های توضیح‌پذیری، آزمون‌های مستقل و تکرار تأیید شود. و مرور ادبیاتی که ماشین کمک کرده، فقط زمانی معتبر است که پژوهشگر منابع کلیدی را خودش خوانده و فهمیده باشد.
برای پژوهشگران علوم انسانی و اجتماعی ایران، این بحث اهمیتی ویژه دارد. سنت‌های فکری فارسی و اسلامی، دیدگاه‌های خاص خود دربارهٔ معرفت، عقل و مرجعیت دارند و گفت‌وگو میان این سنت‌ها و پرسش‌های تازهٔ عصر هوش مصنوعی، می‌تواند زمینه‌ای بکر برای پژوهش‌های اصیل باشد. اگر به تاریخ این پرسش‌ها علاقه دارید، مقالهٔ تاریخچه هوش مصنوعی نشان می‌دهد بحث دربارهٔ «فکر کردن ماشین» از دههٔ ۱۹۵۰ چگونه شکل گرفته است.
نویسندگی، نشر و آموزش در عصر همکاری
کتاب تأثیر هوش مصنوعی بر نوشتن و نشر علمی را تحولی به همان اندازه عمیق می‌داند. دستیارهای مولد می‌توانند به ساختاردهی، نگارش و پالایش متن کمک کنند، اما در عین حال پرسش‌هایی جدی دربارهٔ انتساب نویسندگی، سهم فکری و ماهیت ارتباط علمی مطرح می‌کنند. کتاب از شکل‌گیری یک «رابطهٔ هم‌زیستانه» میان خلاقیت انسانی و توانایی ماشین سخن می‌گوید که ممکن است در نهایت معنای «نویسنده بودن» در دانشگاه را بازتعریف کند.
بازتعریف نویسندگی و مهارت‌هایی که ارزشمند می‌مانند
کتاب پرسشی تأمل‌برانگیز مطرح می‌کند: اگر جنبه‌های مکانیکی نوشتن به‌طور فزاینده‌ای خودکار شوند، چه مهارت‌هایی در پژوهشگران آینده ارزشمند خواهد بود؟ پاسخ کتاب این است که تمایز علمی ممکن است بیش از پیش به نوآوری مفهومی، بینش نظری و ترکیب خلاقانه بستگی پیدا کند تا به مهارت سنتی نگارش.
این پیش‌بینی برای پژوهشگران ایرانی پیامدی دوگانه دارد. از یک سو، فرصتی بزرگ است: سال‌ها مانع زبان انگلیسی باعث شده بود پژوهش‌های ارزشمند ایرانی به دلیل نگارش ضعیف رد شوند یا دیده نشوند. ابزارهای هوش مصنوعی این مانع را تا حد زیادی کاهش داده‌اند. از سوی دیگر، این یعنی رقابت از «چه کسی بهتر می‌نویسد» به «چه کسی ایدهٔ بهتری دارد» منتقل می‌شود. پژوهشگری که فقط با نگارش روان متمایز بود، اکنون باید روی عمق فکری خود سرمایه‌گذاری کند.
کتاب همچنین هشدار می‌دهد که این تغییر ممکن است به‌ویژه بر سنت‌های رشته‌ای اثر بگذارد که در آن‌ها سبک‌های خاص نوشتن و قراردادهای بلاغی، نشانهٔ هویت و تعلق علمی بوده‌اند. در رشته‌هایی مانند فلسفه، تاریخ یا ادبیات، که خود نثر بخشی از استدلال است، نقش هوش مصنوعی باید با احتیاط بیشتری تعریف شود.
مهارت‌هایی که در عصر همکاری ارزشمندتر می‌شوند:
- طرح پرسش اصیل: ماشین می‌تواند پاسخ دهد، اما پرسیدن پرسش مهم هنوز کار انسان است.
- داوری انتقادی: تشخیص اینکه کدام خروجی درست، مهم یا گمراه‌کننده است.
- ترکیب میان‌رشته‌ای: پیوند دادن ایده‌ها از حوزه‌های دور از هم با فهم عمیق هر دو.
- صدای شخصی: دیدگاه و سبکی که بازتاب تجربه و اندیشهٔ خود پژوهشگر است.
- مسئولیت‌پذیری: آمادگی برای دفاع از هر جمله‌ای که با نام شما منتشر می‌شود.
برای نکات عملی دربارهٔ حفظ صدای خودتان هنگام ویرایش با این ابزارها، مقالهٔ ویرایش مقاله با هوش مصنوعی و مقالهٔ قدیمی‌تر مقاله‌نویسی علمی با هوش مصنوعی را ببینید.
اکوسیستم نشر در حال دگرگونی
کتاب یادآوری می‌کند که هوش مصنوعی خود چشم‌انداز نشر را هم تغییر می‌دهد: از مدیریت خودکار ارجاعات تا تشخیص پیشرفتهٔ سرقت علمی و سیستم‌های داوری همتا با کمک هوش مصنوعی. این تحولات آینده‌ای را نشان می‌دهند که در آن کل زیست‌بوم انتشار به‌طور فزاینده‌ای از طریق فناوری‌های هوش مصنوعی میانجی‌گری می‌شود. این آینده ممکن است ناکارآمدی‌های دیرینه را برطرف کند، اما پیچیدگی‌های تازه‌ای هم برای کارکردهای سنتی «دروازه‌بانی» علمی به همراه دارد.
یکی از این پیچیدگی‌ها، سیل مقاله‌هاست. وقتی تولید متن آسان‌تر می‌شود، تعداد مقاله‌های ارسالی به مجلات افزایش می‌یابد و بار داوری سنگین‌تر می‌شود. «کارخانه‌های مقاله» (Paper Mills) که مقاله‌های جعلی یا بی‌کیفیت تولید می‌کنند، از همین ابزارها بهره می‌برند. در پاسخ، ناشران به ابزارهای تشخیص خودکار روی می‌آورند و این چرخه‌ای از رقابت میان تولید و تشخیص پدید می‌آورد.
برای پژوهشگر صادق، پیام روشن است: اعتبار، سرمایهٔ اصلی شما در این زیست‌بوم است. مقاله‌ای که با داده‌های واقعی، روش شفاف و افشای صادقانهٔ استفاده از هوش مصنوعی نوشته شده، در برابر همهٔ این ابزارهای تشخیص سربلند بیرون می‌آید. اگر برای انتخاب ابزارهای مناسب این مسیر راهنمایی می‌خواهید، مقالهٔ بهترین هوش مصنوعی برای پژوهش گزینه‌ها را مقایسه کرده است.
هرگز داده، نتیجه یا منبعی را که وجود ندارد، با کمک هوش مصنوعی یا هر ابزار دیگری نسازید. در اکوسیستم نشری که ابزارهای تشخیص روزبه‌روز دقیق‌تر می‌شوند، جعل داده دیر یا زود کشف می‌شود و می‌تواند به ابطال مقاله و پایان مسیر حرفه‌ای منجر شود.
آموزش و یادگیری در دانشگاهِ همکاری
کتاب کاربردهای نوظهور هوش مصنوعی در آموزش را هم نشانهٔ تغییرات گسترده می‌داند: از مسیرهای یادگیری شخصی‌سازی‌شده تا محیط‌های شبیه‌سازی پیشرفته. این فناوری‌ها ممکن است شیوهٔ انتقال دانش رشته‌ای و مهارت‌های پژوهشی به نسل‌های تازه را دگرگون کنند و برای طراحی برنامهٔ درسی، روش‌های تدریس و ارزشیابی آموزشی پیامدهای جدی داشته باشند.
در دانشگاهی که بر پایهٔ همکاری انسان و ماشین بنا شده، نقش استاد هم تغییر می‌کند. استاد دیگر صرفاً انتقال‌دهندهٔ اطلاعات نیست؛ زیرا اطلاعات در دسترس همه است. نقش او بیشتر به راهنما، الگوی تفکر انتقادی و داور کیفیت تبدیل می‌شود. کلاس درس از جایی برای شنیدن، به جایی برای گفت‌وگو، تمرین استدلال و آزمودن ایده‌ها تبدیل می‌شود.
برای دانشجو هم، یادگیری شکل تازه‌ای پیدا می‌کند. دانشجویی که می‌تواند هر مفهومی را از یک دستیار هوشمند بپرسد، باید یاد بگیرد چگونه این دستیار را به چالش بکشد، پاسخ‌هایش را بسنجد و دانش خودش را بسازد. اینجاست که آموزش سواد هوش مصنوعی، که در مقالهٔ هشتم این مجموعه به آن پرداختیم، اهمیت پیدا می‌کند. یونسکو هم در راهنمای هوش مصنوعی مولد در آموزش و پژوهش بر رویکردی انسان‌محور تأکید کرده که در آن فناوری در خدمت توانمندسازی یادگیرنده است، نه جایگزین تفکر او.
یک چالش واقعی در دانشگاه‌های ایران، فاصلهٔ نسلی میان استادان و دانشجویان در آشنایی با این ابزارهاست. گاهی دانشجویان بیش از استادان با ابزارها کار کرده‌اند، اما استادان تجربهٔ روش‌شناختی و داوری علمی بیشتری دارند. همکاری واقعی در دانشگاه یعنی این دو نوع دانش با هم ترکیب شوند: دانشجو مهارت فنی را به اشتراک بگذارد و استاد چارچوب انتقادی و اخلاقی را. کارگاه‌های مشترک، گروه‌های مطالعه و رویدادهایی مانند هفتهٔ پژوهش فرصت‌های خوبی برای این تبادل‌اند.
اگر استاد راهنما هستید، از دانشجویانتان بخواهید در کنار هر فصل پایان‌نامه، یادداشتی کوتاه بنویسند که کدام بخش‌ها را با کمک هوش مصنوعی انجام داده‌اند و چگونه آن را بررسی کرده‌اند. این کار هم شفافیت را تقویت می‌کند و هم فرصتی برای گفت‌وگو دربارهٔ استفادهٔ درست فراهم می‌آورد.
کتاب همچنین به نقش انجمن‌های علمی رشته‌ای اشاره می‌کند. هر رشته قراردادها، روش‌ها و حساسیت‌های خاص خود را دارد و رهنمودهای کلی نمی‌توانند همهٔ آن‌ها را پوشش دهند. انجمن‌های علمی ایران، از انجمن جامعه‌شناسی تا انجمن‌های پزشکی و مهندسی، می‌توانند با تدوین رهنمودهای رشته‌ای، برگزاری کارگاه و انتشار نمونه‌های خوب و بد، نقشی مؤثر در شکل دادن به همکاری مسئولانه در رشتهٔ خود ایفا کنند.
مسئولیت جمعی، حکمرانی و الگوهای عملی همکاری
کتاب در بخش‌های پایانی بر این نکته تأکید می‌کند که ابعاد اخلاقی پذیرش هوش مصنوعی در دانشگاه را نمی‌توان کم‌اهمیت شمرد و توجه فوری و پایدار جامعهٔ علمی را می‌طلبد. اما مسئولیت فقط با پژوهشگر فردی نیست؛ دانشگاه‌ها، صندوق‌های پژوهشی، انجمن‌های علمی و سیاست‌گذاران همه نقش دارند. در این بخش، ابتدا به مسائل عدالت و حکمرانی می‌پردازیم و سپس الگوهای عملی همکاری را معرفی می‌کنیم.
عدالت، دسترسی و پایداری
کتاب نگرانی‌های مربوط به عدالت و دسترسی را به‌ویژه مهم می‌داند. اگر ابزارهای پیشرفتهٔ هوش مصنوعی عمدتاً در اختیار مؤسسه‌ها و پژوهشگران پرمنبع باقی بمانند، ممکن است نابرابری‌های موجود در تولید دانش و نفوذ علمی را تشدید کنند. این هشدار برای پژوهشگران ایرانی ملموس است: محدودیت‌های دسترسی به برخی ابزارها، هزینهٔ ارزی اشتراک‌ها و کیفیت پایین‌تر مدل‌ها در زبان فارسی، همه می‌توانند شکاف میان پژوهشگران ایرانی و همتایان خارجی را عمیق‌تر کنند.
نگرانی دوم کتاب، اثرات زیست‌محیطی آموزش و به‌کارگیری مدل‌های زبانی بزرگ است. پژوهش استروبل و همکاران از نخستین مطالعاتی بود که نشان داد آموزش مدل‌های بزرگ پردازش زبان می‌تواند ردپای کربنی چشمگیری داشته باشد. کتاب این را پرسشی دربارهٔ پایداری و مسئولیت در زیرساخت پژوهش می‌داند. برای پژوهشگر فردی، این یعنی استفادهٔ سنجیده: نیازی نیست برای هر کار کوچکی بزرگ‌ترین مدل را به کار ببرید یا ده‌ها بار خروجی بی‌هدف تولید کنید.
نگرانی سوم، سوگیری به سود ادبیات غربی است. کتاب صراحتاً هشدار می‌دهد که تکیه بر سیستم‌هایی که عمدتاً روی ادبیات علمی غربی آموزش دیده‌اند، خطر تقویت سوگیری‌های موجود و به حاشیه راندن سنت‌های فکری و معرفت‌شناسی‌های غیرغربی را دارد. کتاب تأکید می‌کند که پاسخ به این نگرانی فقط راه‌حل فنی نیست؛ بلکه نیازمند پرداختن عمیق‌تر به این پرسش است که دانش چه کسی به حساب می‌آید و چگونه می‌توان سنت‌های فکری متنوع را در پژوهش‌های تقویت‌شده با هوش مصنوعی به‌طور معنادار بازنمایی کرد.
پژوهشگران ایرانی در این زمینه نقش مهمی می‌توانند داشته باشند: انتشار پژوهش‌ها در مخازن دسترسی باز، تولید دادهٔ فارسی باکیفیت، مشارکت در ساخت و ارزیابی مدل‌های فارسی، و نقد علمی سوگیری‌های فرهنگی ابزارهای موجود. این‌ها همه راه‌هایی‌اند که صدای پژوهش ایرانی را در آیندهٔ علم مشارکتی شنیدنی‌تر می‌کنند. مقالهٔ آینده هوش مصنوعی در پژوهش دربارهٔ نقش علم باز در این مسیر توضیح بیشتری داده است.
حکمرانی تطبیقی و مبتنی بر اصول
کتاب به یک ناهماهنگی زمانی مهم اشاره می‌کند: ساختارها و سیاست‌های حکمرانی دانشگاهی معمولاً بسیار کندتر از فناوری‌هایی که می‌خواهند تنظیم کنند، تحول می‌یابند. آیین‌نامه‌ای که امروز نوشته می‌شود، ممکن است تا زمان تصویب نهایی، به دلیل ظهور ابزارهای تازه منسوخ شده باشد. راه‌حل پیشنهادی کتاب، رویکردهای تطبیقی‌تر و مبتنی بر اصول است که بتوانند به توانایی‌های در حال تغییر پاسخ دهند و هم‌زمان ارزش‌های بنیادین نهاد را حفظ کنند.
تفاوت این دو رویکرد را در جدول زیر می‌بینید:
| ویژگی | رویکرد مبتنی بر قاعده | رویکرد مبتنی بر اصول |
|---|---|---|
| نمونه | «استفاده از ChatGPT در تکالیف ممنوع است» | «هر کمکی از هوش مصنوعی باید افشا شود و دانشجو مسئول درستی محتواست» |
| واکنش به ابزار تازه | نیاز به بازنویسی آیین‌نامه | خودبه‌خود شامل ابزار تازه می‌شود |
| وضوح | بالا در کوتاه‌مدت | نیازمند تفسیر و آموزش |
| انعطاف | کم | زیاد |
| تمرکز | ابزار | رفتار و مسئولیت |
نمونه‌ای از چارچوب‌های مبتنی بر اصول در سطح بین‌المللی، اصول هوش مصنوعی سازمان همکاری و توسعهٔ اقتصادی (OECD) است که بر ارزش‌هایی مانند احترام به حقوق بشر، شفافیت، استحکام و پاسخ‌گویی تأکید می‌کند. این اصول در بسیاری از کشورها مبنای سیاست‌گذاری قرار گرفته‌اند.
کتاب نقش نهادها را در این گذار حیاتی می‌داند. دانشگاه‌ها، صندوق‌های پژوهشی و انجمن‌های علمی باید سیاست‌هایی بسنجیده تدوین کنند که نوآوری مسئولانه را تشویق کند و هم‌زمان از ارزش‌های علمی محافظت کند. به گفتهٔ کتاب، این شامل سرمایه‌گذاری در سواد هوش مصنوعی استادان و دانشجویان، ایجاد ساختارهای حکمرانی مناسب و مشارکت فعال در گفت‌وگوهای گسترده‌تر جامعه دربارهٔ مقررات و توسعهٔ هوش مصنوعی است. برای جزئیات چارچوب‌های حقوقی و اخلاقی موجود، مقالهٔ اخلاق هوش مصنوعی در پژوهش را بخوانید.
کتاب تأکید می‌کند که شکل دادن هوش مصنوعی به دانشگاه به «جبر فناوری» بستگی ندارد، بلکه به انتخاب‌های جمعی جامعهٔ علمی وابسته است. یعنی آینده از پیش نوشته نشده است و هر پژوهشگر، استاد و دانشجو در ساختن آن سهم دارد.
الگوهای عملی همکاری: سنتور، سایبورگ و فراتر از آن
برای اینکه مفهوم همکاری از سطح نظری به عمل برسد، الگوهای مشخصی لازم است. یکی از چارچوب‌های پرکاربرد، همان تمایزی است که در مطالعهٔ «مرز ناهموار فناوری» مطرح شد: الگوی سنتور و الگوی سایبورگ. در الگوی سنتور، پژوهشگر کار را آگاهانه تقسیم می‌کند؛ برخی وظایف را خودش انجام می‌دهد و برخی را به ماشین می‌سپارد و مرز روشنی میان آن‌ها وجود دارد. در الگوی سایبورگ، کار انسان و ماشین در هم تنیده است و پژوهشگر در هر جمله و هر گام با ابزار تعامل دارد.
هیچ‌کدام از این دو الگو ذاتاً برتر نیست. الگوی سنتور کنترل و شفافیت بیشتری دارد و برای کارهایی مانند تحلیل داده یا نوشتن بخش‌های حساس مقاله مناسب‌تر است. الگوی سایبورگ انعطاف و سرعت بیشتری دارد و برای ایده‌پردازی، پیش‌نویس‌های اولیه یا کارهای اکتشافی مفید است. نکتهٔ مهم این است که در هر دو الگو، داوری نهایی و مسئولیت با انسان می‌ماند.
جدول زیر نقشه‌ای عملی برای انتخاب الگو در مراحل مختلف پژوهش ارائه می‌دهد:
| مرحلهٔ پژوهش | الگوی پیشنهادی | دلیل |
|---|---|---|
| ایده‌پردازی و طرح پرسش | سایبورگ | گفت‌وگوی آزاد و تکراری ایده‌های بیشتری می‌سازد |
| مرور ادبیات | سنتور | هر منبع باید جداگانه بررسی شود |
| طراحی روش | سنتور | تصمیم‌های روش‌شناختی نیازمند داوری تخصصی‌اند |
| تحلیل داده | سنتور | کد و نتایج باید قابل‌بازبینی و تکرار باشند |
| نگارش پیش‌نویس | سایبورگ با بازنویسی کامل | سرعت در پیش‌نویس، صدای شخصی در نسخهٔ نهایی |
| ویرایش نهایی و افشا | سنتور | مسئولیت هر جمله با نویسنده است |
فراتر از این دو الگو، کتاب به همکاری در سطح گروه هم توجه دارد. هوش مصنوعی مشارکتی، به تعبیر کتاب، ماهیت کار گروهی دانشگاهی را هم بازتعریف می‌کند. یک گروه پژوهشی می‌تواند از ابزارهای مشترک برای مستندسازی، هماهنگی و حتی میانجی‌گری میان رشته‌های مختلف بهره ببرد. اما برای این کار، گروه باید قواعد مشترکی داشته باشد: چه ابزارهایی استفاده می‌شود، داده‌ها کجا نگه داشته می‌شوند، استفاده چگونه مستند و افشا می‌شود و چه کسی مسئول بازبینی نهایی است.
پیش از شروع هر پروژهٔ گروهی، یک «منشور همکاری با هوش مصنوعی» یک‌صفحه‌ای بنویسید و همهٔ اعضا آن را تأیید کنند. این منشور باید ابزارهای مجاز، قواعد حریم خصوصی داده، شیوهٔ مستندسازی و متن بیانیهٔ افشا را مشخص کند تا در زمان ارسال مقاله اختلافی پیش نیاید.
اگر می‌خواهید این الگوها را در پروژهٔ خود به کار بگیرید و به راهنمایی شخصی نیاز دارید، مشاوره پژوهشی ریسرچ اینتل می‌تواند کمک کند. برای یادگیری ساختاریافتهٔ این مهارت‌ها، دورهٔ مقاله‌نویسی با هوش مصنوعی طراحی شده است و صفحهٔ هوش مصنوعی در پژوهش مجموعه‌ای از منابع این حوزه را گرد آورده است. پژوهشگرانی هم که برای پذیرش دکتری یا موقعیت پسادکتری آماده می‌شوند، می‌توانند مهارت کار با این ابزارها را به‌درستی در رزومهٔ دکتری خود بازتاب دهند.
سؤالات متداول
همکاری انسان و هوش مصنوعی در پژوهش دقیقاً یعنی چه؟
یعنی هوش مصنوعی را نه جایگزین پژوهشگر و نه ابزاری صرفاً خودکار، بلکه شریک فکری ببینیم که با آن گفت‌وگو می‌کنیم و ایده‌ها را به صورت تکراری پالایش می‌کنیم. در این همکاری، انسان خلاقیت، فهم بافت، داوری اخلاقی و مسئولیت را می‌آورد و ماشین توان پردازش، شناسایی الگو و سرعت را.
آیا پژوهشگرانی که از هوش مصنوعی استفاده نمی‌کنند، عقب می‌مانند؟
کتاب پیش‌بینی می‌کند پژوهشگرانی که با این فناوری‌ها آشنا شوند، در بهره‌وری و اثرگذاری مزیت قابل‌توجهی پیدا کنند و کسانی که مقاومت کنند، در محیط رقابتی دانشگاه در خطر به حاشیه رانده شدن باشند. اما «استفاده» به معنای استفادهٔ آگاهانه و انتقادی است، نه پذیرش بی‌چون‌وچرا.
الگوی سنتور بهتر است یا سایبورگ؟
هیچ‌کدام ذاتاً بهتر نیست. سنتور، یعنی تقسیم آگاهانهٔ کار، برای مراحلی که دقت و قابلیت بازبینی مهم است، مانند تحلیل داده و ویرایش نهایی، مناسب‌تر است. سایبورگ، یعنی تعامل درهم‌تنیده، برای ایده‌پردازی و پیش‌نویس اولیه کارآمدتر است. پژوهشگر ماهر بسته به مرحلهٔ کار میان این دو جابه‌جا می‌شود.
پژوهشگر ایرانی چگونه می‌تواند با سوگیری غربی ابزارها مقابله کند؟
با جست‌وجوی ادبیات در پایگاه‌های داخلی و منطقه‌ای در کنار ابزارهای هوش مصنوعی، درخواست صریح دیدگاه‌های غیرغربی از ابزار، انتشار پژوهش‌ها در مخازن دسترسی باز، تولید و اشتراک دادهٔ فارسی باکیفیت، و نقد علمی سوگیری‌های فرهنگی مدل‌ها در مقاله‌های خود.
از این مجموعهٔ ده‌قسمتی چگونه بهترین استفاده را ببرم؟
اگر تازه‌کارید، از مقالهٔ اول و هشتم (مبانی و آموزش عملی) شروع کنید. اگر در حال نوشتن طرح‌نامه یا پایان‌نامه‌اید، مقاله‌های سوم، چهارم و پنجم (طراحی پژوهش، ویرایش و تحلیل داده) را بخوانید. و پیش از ارسال هر مقاله، مقالهٔ نهم دربارهٔ اخلاق و قوانین را مرور کنید.
جمع‌بندی
همکاری انسان و هوش مصنوعی، پیام نهایی کتاب Using AI in Academic Writing and Research است. فصل دهم نشان می‌دهد که هوش مصنوعی مولد یک تغییر پارادایم در تولید دانش است: روش‌شناسی، نویسندگی، نشر و آموزش را دگرگون می‌کند و پرسش‌های عمیقی دربارهٔ عدالت، پایداری، سوگیری و حکمرانی پیش می‌کشد. اما شکل این آینده از پیش تعیین نشده است؛ به انتخاب‌های جمعی ما بستگی دارد. کتاب ما را به مواجههٔ سنجیده، نه پذیرش بی‌نقد و نه رد کامل دعوت می‌کند و از ما می‌خواهد فضای خلاقیت، بینش و داوری انسانی را، که فراتر از توان ماشین است، حفظ کنیم.
این مجموعه را با همین پیام به پایان می‌بریم. اگر از ابتدا همراه ما بودید، اکنون نقشهٔ کاملی دارید: از هوش مصنوعی در پژوهش دانشگاهی و تاریخچه هوش مصنوعی، تا طراحی پژوهش، ویرایش مقاله و تحلیل داده با هوش مصنوعی، و در نهایت اخلاق هوش مصنوعی در پژوهش. برای گام بعدی، اگر قصد نوشتن طرح‌نامه دارید، مقالهٔ نوشتن پروپوزال با هوش مصنوعی را ببینید و در هر مرحله، مشاوره پژوهشی ریسرچ اینتل در کنار شماست.
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 ۱۰: Conclusions: The Dawn of Generative AI in Academia. https://doi.org/10.1007/978-3-031-91705-9
- Dell’Acqua, F., et al. (2023). Navigating the Jagged Technological Frontier. Harvard Business School Working Paper.
- Strubell, E., Ganesh, A., & McCallum, A. (2019). Energy and Policy Considerations for Deep Learning in NLP. arXiv.
- UNESCO. Guidance for generative AI in education and research
- OECD. OECD AI Principles