ResearchPal دستیار پژوهشی مبتنی بر هوش مصنوعی است که چند کار پرتکرار پژوهش را در یک محیط جمع کرده است: جستجوی مقاله، ساخت پیش‌نویس مرور ادبیات، گفت‌وگو با PDF، مدیریت منابع و کمک به نگارش. هدف آن کم کردن رفت‌وآمد میان ابزارهای مختلف در طول نگارش پایاننامه یا مقاله است.
ResearchPal چیست؟
وب‌سایت رسمی ابزار researchpal.ai است. ResearchPal نسخهٔ رایگان محدود و طرح‌های پولی دارد. چون امکانات و قیمت‌ها ممکن است تغییر کند، پیش از اشتراک، صفحهٔ رسمی را بررسی کنید.
امکانات اصلی ResearchPal
جستجوی مقاله: یافتن مقالههای مرتبط با یک موضوع یا سؤال.
Literature Review: ساخت پیش‌نویس مرور ادبیات با ارجاع به مقالههای یافت‌شده.
Chat with PDF: پرسش و پاسخ با مقالههای بارگذاری‌شده.
تحلیل مقاله: استخراج روش، یافتهها و نکات کلیدی.
مدیریت منابع: سازماندهی منابع و اتصال به Zotero و Mendeley.
نقشهٔ ارتباط مقالهها: نمایش رابطهٔ مقالهها با یکدیگر.
دستیار نگارش: کمک به نوشتن و بازنویسی متن با ارجاع.
کاربرد ResearchPal در پایاننامه و مقاله
شروع سریع مرور ادبیات
وقتی هنوز تصویر روشنی از حوزه ندارید، پیش‌نویس مرور ادبیات ResearchPal نقشه‌ای از موضوع‌ها و مقالههای اصلی می‌دهد. این پیش‌نویس را فهرست خواندن ببینید و آن را به متن فصل دوم تبدیل نکنید.
یک محیط برای منابع و یادداشت‌ها
اگر منابع در Zotero یا Mendeley دارید، اتصال آن‌ها به ResearchPal اجازه می‌دهد از همان منابع بپرسید و یادداشت بسازید.
تحلیل سریع مقالههای منتخب
برای مقاله‌هایی که می‌خواهید در ماتریس پیشینه بیاورید، ابزار روش و یافتهها را استخراج میکند. سپس هر ردیف را با متن مقاله تطبیق می‌دهید.
مثال عملی: موضوع پایان‌نامهٔ شما «کاربرد هوش مصنوعی در ارزشیابی آموزشی» است. ۱. در ResearchPal سؤال را وارد کنید و پیش‌نویس مرور ادبیات بگیرید. ۲. فهرست مقالههای استفاده‌شده در پیش‌نویس را جدا کنید. ۳. مقالهها را در Google Scholar پیدا کنید و مطمئن شوید همه واقعی‌اند و به ادعای نسبت‌داده‌شده مربوط‌اند. ۴. ده مقالهٔ اصلی را بارگذاری کنید و از هرکدام روش و یافته را بپرسید. ۵. فصل دوم را خودتان و بر اساس خواندن این مقالهها بنویسید.
ابزارهای همه‌کاره مثل ResearchPal راحتی بیشتری دارند. ابزارهای تخصصی، مثل Elicit برای استخراج داده، Connected Papers برای نقشهٔ ارجاعات و Zotero برای مدیریت منابع، معمولاً در کار خود عمیق‌ترند. اگر تازه شروع کرده‌اید، یک ابزار همه‌کاره ساده‌تر است. اگر پروژهٔ بزرگی دارید، ترکیب ابزارهای تخصصی نتیجهٔ دقیق‌تری می‌دهد.
محدودیت‌های ResearchPal
کیفیت پیش‌نویس مرور: متن خودکار ممکن است کلی، تکراری یا با ارجاع نادرست باشد.
شفافیت پوشش: مشخص نیست ابزار در کدام پایگاه‌ها و با چه پوششی جستجو میکند.
اطلاعات عمومی کم: جزئیات قیمت و امکانات همیشه شفاف اعلام نمیشود.
منابع فارسی: پوشش مقالههای داخلی محدود است.
نکات اخلاقی
ارائهٔ پیش‌نویس مرور ادبیات تولیدشده با ابزار به‌عنوان فصل دوم پایاننامه، تخلف پژوهشی است. متن را خودتان بنویسید و هر ارجاع را پس از خواندن منبع بیاورید.
نسخهٔ رایگان با محدودیت دارد. برای استفادهٔ گسترده، طرح‌های پولی لازم است. قیمت‌ها را در سایت رسمی بررسی کنید.
آیا میتوانم منابع Zotero را به ResearchPal منتقل کنم؟
بله، ResearchPal با Zotero و Mendeley یکپارچه است و میتوانید منابع موجود را وارد کنید.
آیا پیش‌نویس مرور ادبیات ResearchPal قابل استفاده در پایاننامه است؟
فقط به‌عنوان فهرست خواندن و نقشهٔ اولیه. متن فصل دوم باید نوشتهٔ خود شما و بر پایهٔ منابع خوانده‌شده باشد.
جمع‌بندی
ResearchPal چند کار اصلی پژوهش را در یک محیط جمع کرده است. برای شروع سریع و سازماندهی منابع مفید است، به شرط آنکه خروجی‌ها را پیش‌نویس ببینید و همه‌چیز را با منبع اصلی بسنجید.
ResearchRabbit ابزاری برای کشف مقاله است که با یک ایدهٔ ساده کار میکند: شما چند مقالهٔ مرتبط را در یک کالکشن می‌گذارید و ابزار بر اساس همین مجموعه، مقالهها و نویسندگان دیگری پیشنهاد می‌دهد. هرچه کالکشن دقیق‌تر باشد، پیشنهادها هدفمندترند.
بسیاری از پژوهشگران ResearchRabbit را «Spotify مقالهها» می‌نامند، چون شبیه پیشنهاد موسیقی بر اساس سلیقه کار میکند.
ResearchRabbit چیست؟
وب‌سایت رسمی ابزار researchrabbit.ai است. نسخهٔ پایهٔ آن رایگان است و برای استفاده فقط حساب کاربری لازم دارید. داده‌های ابزار از پایگاه‌های بزرگ مقالههای علمی گرفته می‌شود.
مفاهیم اصلی ResearchRabbit
کالکشن (Collection): پوشه‌ای از مقالهها برای یک موضوع یا فصل پایاننامه.
Similar Work: مقاله‌هایی که از نظر موضوع و ارجاع به کالکشن شما نزدیک‌اند.
Earlier Work و Later Work: مقاله‌هایی که کالکشن شما به آن‌ها ارجاع داده یا بعداً به کالکشن ارجاع داده‌اند.
These Authors و Suggested Authors: نویسندگان مقالههای کالکشن و پژوهشگران مرتبط دیگر.
نمایش شبکه‌ای و زمانی: دیدن ارتباط مقالهها به‌صورت گراف یا روی محور زمان.
کاربرد ResearchRabbit در مرور ادبیات
گسترش تدریجی منابع
با سه تا پنج مقالهٔ کلیدی شروع کنید. از پیشنهادهای Similar Work مقالههای مرتبط را اضافه کنید و دوباره پیشنهادها را ببینید. این چرخه چند بار تکرار می‌شود تا به مجموعه‌ای کامل برسید.
شناسایی پژوهشگران کلیدی
بخش نویسندگان نشان می‌دهد چه کسانی در این حوزه بیشترین فعالیت را دارند. دنبال کردن آثار این افراد راه خوبی برای پیدا کردن منابعی است که با کلیدواژه پیدا نمی‌شوند. همین فهرست بعدها برای انتخاب استاد مشاور خارجی یا پیشنهاد داور به مجله هم مفید است.
هشدار مقالههای جدید
ResearchRabbit می‌تواند وقتی مقالهٔ تازه‌ای مرتبط با کالکشن شما منتشر شد، ایمیل بفرستد. این امکان در طول نگارش طولانی پایاننامه ارزش زیادی دارد.
مثال عملی: برای پایان‌نامه‌ای دربارهٔ «رهبری تحول‌آفرین و نوآوری کارکنان» یک کالکشن بسازید و چهار مقالهٔ پرارجاع را به آن اضافه کنید. سپس: ۱. در Similar Work ده مقالهٔ مرتبط‌تر را انتخاب و اضافه کنید. ۲. در Later Work مقالههای پنج سال اخیر را جدا کنید. ۳. در Suggested Authors سه پژوهشگر فعال را پیدا کنید و آثارشان را مرور کنید. ۴. با نمایش زمانی ببینید موضوع در چه سال‌هایی اوج گرفته است. در پایان، کالکشن را به Zotero بفرستید تا ارجاع‌دهی آسان شود.
اگر موضوع پژوهش شما رهبری و توسعهٔ سازمانی است، مطالب خانه کوچینگ ایران دربارهٔ کوچینگ مدیران و سازمان‌ها زاویهٔ عملی خوبی به بحث شما اضافه میکند.
اتصال ResearchRabbit به Zotero
یکی از امتیازهای مهم ResearchRabbit، همگام‌سازی با Zotero است. میتوانید یک پوشهٔ Zotero را به‌عنوان کالکشن وارد کنید و پیشنهادها را بر اساس منابعی بگیرید که از قبل جمع کرده‌اید. مقالههای تازه را هم مستقیم به Zotero برمی‌گردانید. این کار از پراکندگی منابع در چند ابزار جلوگیری میکند.
محدودیت‌های ResearchRabbit
حساسیت به کالکشن اولیه: اگر مقالههای شروع نامرتبط یا پراکنده باشند، پیشنهادها هم پراکنده میشوند.
حجم زیاد پیشنهادها: بدون برنامه، به‌راحتی صدها مقاله اضافه می‌کنید که هرگز نمی‌خوانید.
بدون خلاصه و تحلیل محتوا: ابزار نمی‌گوید مقالهها چه یافته‌ای دارند.
منابع فارسی: مقالههای مجلات داخلی کمتر پوشش داده میشوند.
نکات اخلاقی و روش‌شناختی
پیشنهاد الگوریتم جای معیارهای ورود و خروج پژوهش شما را نمی‌گیرد. در مرورهای نظام‌مند، جستجو در پایگاه‌های استاندارد را انجام دهید و ResearchRabbit را فقط به‌عنوان روش تکمیلی گزارش کنید.
الگوریتم‌های پیشنهاد به مقالههای پرارجاع گرایش دارند. این گرایش ممکن است صدای پژوهشهای تازه یا مناطق کمتر دیده‌شده را کم کند. آگاهانه به دنبال این منابع هم باشید. برای آشنایی با این نوع سوگیری، مقالهٔ اخلاق هوش مصنوعی در پژوهش را بخوانید.
پرسش‌های متداول دربارهٔ ResearchRabbit
آیا ResearchRabbit رایگان است؟
نسخهٔ پایه رایگان است و امکانات اصلی، مثل ساخت کالکشن و دیدن پیشنهادها، در آن فعال است.
ResearchRabbit با Connected Papers چه فرقی دارد؟
Connected Papers گراف یک مقاله را نشان می‌دهد. ResearchRabbit بر کالکشن‌های چندمقاله‌ای، پیشنهاد مستمر و دنبال کردن نویسندگان تمرکز دارد.
جمع‌بندی
ResearchRabbit برای گسترش منابع از چند مقالهٔ کلیدی، یافتن پژوهشگران فعال و به‌روز ماندن ابزاری کارآمد است. ترکیب آن با Zotero و یک برنامهٔ منظم خواندن بهترین نتیجه را می‌دهد. برای نوشتن پیشینه از این منابع، نوشتن پیشینه تحقیق در مقاله علمی را ببینید.
Connected Papers ابزاری بصری است که از یک مقاله شروع میکند و گرافی از مقالههای مرتبط با آن می‌سازد. به‌جای فهرست بلند نتایج جستجو، نقشه‌ای می‌بینید که نشان می‌دهد کدام پژوهش‌ها به هم نزدیک‌اند و کدام مقالهها در این حوزه نقش محوری دارند.
این ابزار برای دانشجویی که یک یا دو مقالهٔ کلیدی پیدا کرده و نمی‌داند قدم بعدی کجاست، بسیار کارآمد است.
Connected Papers چیست و چگونه گراف می‌سازد؟
وب‌سایت رسمی ابزار connectedpapers.com است. کافی است عنوان، DOI یا لینک یک مقاله را وارد کنید. ابزار با استفاده از داده‌های Semantic Scholar، مقاله‌هایی را پیدا میکند که بیشترین شباهت را با مقالهٔ شما دارند.
نکتهٔ مهم این است که شباهت فقط بر اساس ارجاع مستقیم نیست. Connected Papers از دو معیار استفاده میکند: هم‌ارجاعی (Co-citation)، یعنی دو مقاله معمولاً با هم ارجاع داده میشوند، و جفت‌شدگی کتاب‌شناختی (Bibliographic Coupling)، یعنی دو مقاله منابع مشترک زیادی دارند. به همین دلیل گاهی مقاله‌ای را می‌بینید که مستقیماً به مقالهٔ اصلی ارجاع نداده، ولی موضوعش بسیار نزدیک است.
خواندن گراف
اندازهٔ دایره: تعداد ارجاع‌هایی که مقاله دریافت کرده است.
رنگ دایره: سال انتشار؛ رنگ تیره‌تر یعنی مقالهٔ جدیدتر.
فاصله و خطوط: هرچه دو مقاله نزدیک‌تر باشند، شباهتشان بیشتر است.
کاربرد Connected Papers در مرور ادبیات
Prior Works؛ پیدا کردن ریشه‌ها
دکمهٔ Prior Works مقاله‌هایی را نشان می‌دهد که مقالههای گراف بیشتر به آن‌ها ارجاع داده‌اند. این‌ها معمولاً آثار کلاسیک و پایه‌ای حوزه‌اند؛ همان منابعی که داور انتظار دارد در پیشینهٔ شما ببیند.
Derivative Works؛ دنبال کردن ادامهٔ مسیر
Derivative Works مقاله‌هایی را نشان می‌دهد که بعداً بسیاری از مقالههای گراف را ارجاع داده‌اند. این بخش برای یافتن مرورهای تازه و پژوهشهای جدید مفید است.
کشف خوشه‌های موضوعی
وقتی گراف چند گروه جدا دارد، احتمالاً با چند جریان پژوهشی روبه‌رو هستید. هر خوشه می‌تواند یک زیربخش در فصل پیشینه باشد.
مثال عملی: فرض کنید موضوع شما «پذیرش فناوری آموزش مجازی در دانشگاه‌ها» است. یک مقالهٔ معتبر دربارهٔ مدل پذیرش فناوری (TAM) را وارد کنید. در گراف احتمالاً سه خوشه می‌بینید: مطالعات نظری مدل، کاربرد آن در آموزش و نسخه‌های توسعه‌یافته مثل UTAUT. با Prior Works مقالههای پایهٔ نظریه را پیدا کنید و با Derivative Works پژوهشهای سال‌های اخیر را. حالا ساختار سه‌بخشی فصل پیشینه آماده است.
از یک مقالهٔ مروری یا پرارجاع شروع کنید تا گراف غنی‌تری بگیرید.
چند گراف از مقالههای مختلف بسازید و مقالههای تکراری را پیدا کنید. مقاله‌ای که در چند گراف تکرار می‌شود، احتمالاً کلیدی است.
مقالههای منتخب را مستقیم به نرم‌افزار مدیریت منابع منتقل کنید.
نسخهٔ رایگان تعداد محدودی گراف در ماه دارد؛ گراف‌ها را هدفمند بسازید.
محدودیت‌های Connected Papers
وابستگی به داده‌های ارجاعی: مقالههای خیلی جدید هنوز ارجاع کافی ندارند و در گراف کمتر دیده میشوند.
یک مقالهٔ مبدأ: گراف فقط اطراف همان مقاله را نشان می‌دهد. اگر مقالهٔ شروع شما در حاشیهٔ حوزه باشد، تصویر ناقص می‌گیرید.
منابع فارسی: مقالههای مجلات داخلی معمولاً در گراف نیستند.
بدون تحلیل محتوا: ابزار نمی‌گوید مقالهها چه یافته‌ای دارند؛ فقط شباهت را نشان می‌دهد.
ملاحظات اخلاقی
نزدیک بودن در گراف به معنای مرتبط بودن با سؤال شما نیست. پیش از ارجاع، چکیده و بخش‌های مرتبط هر مقاله را بخوانید.
ارجاع به مقاله‌ای که نخوانده‌اید، حتی اگر پرارجاع باشد، خطایی رایج است و داور باتجربه آن را تشخیص می‌دهد. برای شناخت اصول کلی، اخلاق هوش مصنوعی در پژوهش را ببینید.
جمع‌بندی
Connected Papers نقشهٔ یک حوزهٔ پژوهشی را در چند ثانیه به شما می‌دهد. از آن برای یافتن منابع پایه، پژوهشهای تازه و خوشه‌های موضوعی استفاده کنید و سپس با خواندن دقیق، نقشه را کامل کنید. ابزارهای مشابه مثل ResearchRabbit و Litmaps را هم در مقالههای بعدی این مجموعه معرفی کرده‌ام. فهرست کلی ابزارها را در بهترین هوش مصنوعی برای پژوهش ببینید.
Elicit دستیار پژوهشی مبتنی بر هوش مصنوعی است که برای یک کار مشخص ساخته شده: پیدا کردن مقالههای مرتبط با سؤال پژوهشی و بیرون کشیدن اطلاعات کلیدی آن‌ها در قالب جدول. اگر بخش زیادی از وقتتان صرف خواندن چکیده‌ها و پر کردن ماتریس پیشینه می‌شود، Elicit می‌تواند این کار را سبک‌تر کند.
Elicit چیست و چطور کار میکند؟
وب‌سایت رسمی ابزار elicit.com است. Elicit سؤال شما را به زبان طبیعی می‌گیرد و در پایگاهی بزرگ از مقالههای علمی جستجوی معنایی انجام می‌دهد. یعنی لازم نیست کلیدواژهٔ دقیق را بدانید؛ معنای سؤال ملاک است.
خروجی، فهرستی از مقاله‌هاست که کنار هرکدام ستون‌هایی مثل خلاصهٔ یافته، نوع مطالعه، حجم نمونه و روش دیده می‌شود. شما میتوانید ستون‌های تازه تعریف کنید، مثلاً «ابزار گردآوری داده» یا «جامعهٔ آماری».
قابلیت‌های اصلی Elicit
جستجوی مقاله با سؤال پژوهشی: بدون نیاز به عملگرهای بولی.
استخراج داده (Data Extraction): خواندن متن کامل یا چکیده و پر کردن ستون‌های دلخواه.
بارگذاری PDF: تحلیل مقاله‌هایی که خودتان دارید.
گزارش‌های مرور (Research Reports): جمع‌بندی ساختاریافته از چند مقاله با ارجاع.
غربالگری: کمک به تصمیم‌گیری دربارهٔ ورود یا خروج مقالهها در مرورهای نظام‌مند.
کاربرد Elicit در مرور ادبیات و پایاننامه
Elicit بیشترین ارزش را در مرحلهٔ مرور ادبیات دارد. سه کاربرد رایج:
یافتن مطالعات کلیدی برای سؤالی که هنوز کلیدواژه‌هایش را نمی‌شناسید.
ساخت ماتریس پیشینه با ستون‌های روش، نمونه، متغیرها و یافتهها.
یافتن شکاف پژوهشی با مقایسهٔ ستونها؛ مثلاً اینکه بیشتر مطالعات مقطعی‌اند یا در یک کشور خاص انجام شده‌اند.
مثال عملی: سؤال «آیا آموزش ذهن‌آگاهی اضطراب امتحان دانشجویان را کاهش می‌دهد؟» را در Elicit وارد کنید. سپس ستون‌های «طرح پژوهش»، «حجم نمونه»، «مدت مداخله» و «ابزار سنجش اضطراب» را اضافه کنید. در چند دقیقه جدولی دارید که نشان می‌دهد کدام مطالعات کارآزمایی تصادفی بوده‌اند و کدام نه. حالا پنج مقالهٔ اصلی را کامل بخوانید و داده‌های جدول را با متن مقاله تطبیق دهید.
سؤال را دقیق بنویسید. «اثر X بر Y در جمعیت Z» بهتر از یک کلمهٔ کلی جواب می‌دهد.
ستونها را متناسب با سؤال پژوهشی خودتان تعریف کنید و به ستون‌های پیش‌فرض ابزار بسنده نکنید.
نتایج را خروجی بگیرید (CSV) و در نرم‌افزار مدیریت منابع نگه دارید.
برای پژوهشهای میان‌رشته‌ای، چند صورت‌بندی متفاوت از سؤال را امتحان کنید.
اگر داده‌های پژوهش شما مکانی است، مثلاً مطالعات محیط‌زیستی یا شهری، ترکیب مرور ادبیات با تحلیل فضایی ارزش زیادی دارد. دوره‌ها و مشاوره‌های جی‌آی‌اس‌لند در زمینهٔ GIS و سنجش از دور برای این مسیر مفید است.
جریان کاری پیشنهادی با Elicit در پنج گام
سؤال را بنویسید: یک جملهٔ دقیق با جمعیت، متغیرها و پیامد.
جستجوی اولیه: ۲۰ تا ۵۰ مقالهٔ اول را مرور کنید و مقالههای نامرتبط را کنار بگذارید.
تعریف ستونها: ستون‌هایی بسازید که به پرسش‌های فرعی پژوهش شما پاسخ دهد.
تطبیق دستی: برای هر مقالهٔ مهم، دست‌کم یک ستون را با متن اصلی مقایسه کنید تا خطای ابزار را بشناسید.
انتقال به مدیریت منابع: مقالههای نهایی را به Zotero یا Mendeley ببرید تا ارجاع‌دهی در Word ساده شود.
این جریان کاری کمک میکند ابزار در خدمت روش پژوهش شما باشد. اگر بعد از این مرحله سراغ نوشتن فصل دوم پایاننامه می‌روید، نوشتن پایاننامه با هوش مصنوعی؛ فصل‌به‌فصل را ببینید.
محدودیت‌های Elicit
خطای استخراج: عددها و جزئیات روش گاهی اشتباه خوانده میشوند؛ به‌خصوص در جدول‌های پیچیده.
پوشش پایگاه: همهٔ مقالهها، به‌ویژه مقالههای فارسی و برخی ناشران، در دسترس نیستند.
متن کامل: برای مقالههای غیرباز، استخراج اغلب فقط از چکیده انجام می‌شود.
محدودیت نسخهٔ رایگان: تعداد استخراج و گزارش‌ها در طرح رایگان محدود است.
نکات اخلاقی استفاده از Elicit
جدولی که Elicit می‌سازد پیش‌نویس است و هنوز دادهٔ قابل استناد نیست. پیش از استفاده در پایاننامه یا مرور نظام‌مند، هر ردیف را با مقالهٔ اصلی تطبیق دهید.
در مرورهای نظام‌مند، استفاده از ابزار هوش مصنوعی در غربالگری یا استخراج را در بخش روش گزارش کنید. خلاصه‌های Elicit را هم بدون بازنویسی وارد متن نکنید. برای قواعد کلی، مقالهٔ اخلاق هوش مصنوعی در پژوهش را بخوانید.
جمع‌بندی
Elicit برای پژوهشگری که با ده‌ها مقاله سروکار دارد، زمان زیادی آزاد میکند. بهترین استفاده از آن، سپردن کارهای تکراری به ابزار و نگه‌داشتن قضاوت علمی برای خودتان است. اگر تازه کار با هوش مصنوعی را شروع کرده‌اید، طراحی پژوهش با هوش مصنوعی مسیر کامل را نشان می‌دهد.
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.
ایده‌های پراکنده با کمک ابزار و داوری پژوهشگر به یک سؤال پژوهش روشن تبدیل میشوند.
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.
هوش مصنوعی می‌تواند متغیرهای میانجی و تعدیل‌گر و گزینه‌های روش را پیشنهاد دهد؛ انتخاب با پژوهشگر است.
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.»
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.
تولید کد با کمک ابزار، گردآوری و آماده‌سازی داده را برای پژوهشگران غیربرنامه‌نویس هم ممکن میکند.
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
نوشتن پیشینه تحقیق در مقاله؛ از مرور ادبیات تا نقطهٔ ورود
پیشینهٔ مقاله فهرست همهٔ چیزهایی که خوانده‌اید نیست؛ نقشه‌ای است که نشان می‌دهد مقالهٔ شما دقیقاً کجای گفت‌وگوی علمی می‌نشیند. در این راهنما یاد می‌گیرید چطور این نقشه را بکشید.
اگر از دانشجویان تحصیلات تکمیلی بپرسید کدام بخش مقاله برایشان سخت‌تر است، بسیاری پاسخ می‌دهند: پیشینهٔ تحقیق. دلیلش روشن است. پیشینه به ظاهر ساده است، فقط باید گفت دیگران چه گفته‌اند. اما در عمل، با انبوهی از منابع روبه‌رو می‌شوید، نمی‌دانید کدام را بیاورید و کدام را کنار بگذارید، و نتیجه اغلب متنی طولانی و خسته‌کننده است که داور در حاشیه‌اش می‌نویسد: «پیشینه توصیفی است و شکاف پژوهشی را نشان نمی‌دهد.»
کتاب «معجون مقاله‌نویسی» وندی لورا بلچر هفتهٔ پنجم را به «مرور ادبیات مرتبط» اختصاص می‌دهد و کلیدواژهٔ مهم همین «مرتبط» است. پیشینهٔ مقاله، برخلاف پایاننامه، قرار نیست همهٔ دانش یک حوزه را مرور کند. وظیفه‌اش این است که گفت‌وگوی علمی مشخصی را که مقالهٔ شما به آن می‌پیوندد معرفی کند و نشان دهد مقاله‌تان چه چیزی به این گفت‌وگو اضافه میکند. بلچر برای این جایگاه از مفهوم «نقطهٔ ورود» استفاده میکند.
در این راهنما، با الهام از چارچوب هفتهٔ پنجم کتاب و تجربهٔ کارگاه‌های هوش پژوهشی، یاد می‌گیرید استنادهای فعلی خود را ارزیابی کنید، ادبیات مرتبط را هوشمندانه پیدا و غربال کنید، با ماتریس منابع آن را ترکیب کنید و در نهایت، نقطهٔ ورود مقاله را در چند پاراگراف دقیق بنویسید. اگر می‌خواهید اصول کلی پیشینه‌نویسی در پایاننامه را هم مرور کنید، راهنمای چگونه پیشینه تحقیق بنویسیم را ببینید.
این مقاله قسمت پنجم مجموعهٔ «مسیر ۱۲ هفته‌ای انتشار مقاله» است. در هفتهٔ گذشته مجلهٔ هدف را انتخاب کردید؛ این هفته پیشینه را برای همان مجله می‌نویسیم.
پیشینهٔ مقاله با پیشینهٔ پایاننامه چه فرقی دارد؟
بزرگ‌ترین اشتباه پژوهشگرانی که مقاله را از پایاننامه استخراج می‌کنند، کپی کردن فصل دوم پایاننامه در مقاله است. این دو متن هدف‌های متفاوتی دارند.
ویژگی
پیشینهٔ پایاننامه
پیشینهٔ مقاله
هدف اصلی
نشان دادن تسلط دانشجو بر حوزه
نشان دادن جایگاه و سهم مقاله
دامنه
گسترده و جامع
متمرکز بر گفت‌وگوی مشخص
طول
ده‌ها صفحه
معمولاً چند صفحه یا بخشی از مقدمه
ساختار
اغلب مطالعه‌به‌مطالعه
محوری و ترکیبی
مخاطب
کمیتهٔ داوری
متخصصان حوزه که ادبیات را می‌شناسند
پایان
جمع‌بندی کلی
بیان شکاف و نقطهٔ ورود
در مقاله، خواننده ادبیات را می‌شناسد. او نیازی ندارد شما خلاصهٔ هر مطالعه را برایش بنویسید. چیزی که نمی‌داند این است که شما این ادبیات را چطور می‌بینید و مقاله‌تان کجای آن قرار می‌گیرد. بنابراین پیشینهٔ مقاله باید تحلیلی و گزینشی باشد، نه توصیفی و جامع.
پیشینه کجای مقاله می‌آید؟
در برخی رشته‌ها، به‌ویژه علوم اجتماعی، پیشینه بخشی مستقل با عنوان «مرور ادبیات» یا «مبانی نظری» دارد. در بسیاری از رشته‌های علوم پایه، پزشکی و مهندسی، پیشینه در دل مقدمه ادغام می‌شود و چند پاراگراف بیشتر نیست. در علوم انسانی، ادبیات ممکن است در سراسر مقاله و در گفت‌وگو با تحلیل متن حضور داشته باشد. ساختار رایج مجلهٔ هدف خود را از روی مقاله‌هایی که در هفتهٔ چهارم خواندید، بررسی کنید.
پیشینه به‌مثابهٔ گفت‌وگو: «آن‌ها می‌گویند، من می‌گویم»
یکی از مفیدترین تصویرها برای فهم پیشینه، تصویر یک مهمانی است. وقتی وارد اتاقی می‌شوید که چند نفر در حال گفت‌وگو هستند، بلافاصله حرف خود را نمی‌زنید. ابتدا گوش می‌دهید، می‌فهمید بحث دربارهٔ چیست و چه کسی چه موضعی دارد، و سپس با اشاره به حرف دیگران، نکتهٔ خودتان را اضافه می‌کنید: «همان‌طور که گفتید…, اما به نظر من…».
پیشینهٔ مقاله دقیقاً همین کار را میکند. شما به خواننده نشان می‌دهید گفت‌وگوی علمی دربارهٔ موضوع چه وضعیتی دارد، چه کسانی چه گفته‌اند، کجا توافق و کجا اختلاف هست، و سپس نشان می‌دهید مقالهٔ شما چطور وارد این گفت‌وگو می‌شود. نویسندگان کتاب مشهور «آن‌ها می‌گویند، من می‌گویم» این الگو را قلب نگارش دانشگاهی می‌دانند و بلچر هم با همین منطق، پیشینه را جایی برای «ورود» مقاله به گفت‌وگو تعریف میکند.
نکتهٔ کاربردی
پیش از نوشتن پیشینه، این جمله را کامل کنید: «پژوهشگران دربارهٔ [موضوع] معمولاً بر این باورند که ______؛ اما من نشان می‌دهم که ______.» اگر بتوانید این جمله را بنویسید، ستون فقرات پیشینهٔ شما آماده است.
گام اول: استنادهای فعلی مقاله را ارزیابی کنید
نخستین وظیفهٔ هفتهٔ پنجم کتاب، ارزیابی منابعی است که الان در مقاله دارید. بیشتر پیش‌نویس‌ها، به‌ویژه آن‌هایی که از پایاننامه یا مقالهٔ کلاسی آمده‌اند، با مشکلات مشابهی در استناد روبه‌رو هستند.
پرسش‌های ارزیابی
**تعداد:** چند منبع دارید؟ مقالههای مجلهٔ هدف معمولاً چند منبع دارند؟
**تازگی:** چند درصد منابع شما مربوط به پنج سال اخیر است؟
**ارتباط:** آیا همهٔ منابع مستقیماً به پرسش مقاله مربوط‌اند؟
**کیفیت:** چند منبع از مجلات معتبر داوری‌شده است و چند منبع از وب‌سایت‌ها یا منابع ثانویه؟
**تنوع:** آیا فقط به نویسندگان یک کشور یا یک مکتب استناد کرده‌اید؟
**مجلهٔ هدف:** آیا به مقاله‌ای از مجلهٔ هدف استناد کرده‌اید؟
**منابع کلیدی:** آیا مقالههای اصلی و پراستناد حوزه را آورده‌اید؟
نشانه‌های هشدار در فهرست منابع
فهرست منابعی که بیشتر آن مربوط به ده یا پانزده سال پیش است، بیش از نیمی از آن کتاب‌های درسی یا پایان‌نامه‌هاست، هیچ مقاله‌ای از مجلهٔ هدف ندارد و چند منبع آن فقط به‌خاطر «پر کردن» آمده‌اند.
فهرست منابعی که ترکیبی از مقالههای کلاسیک و پایه‌ای حوزه با پژوهشهای تازهٔ چند سال اخیر دارد، دست‌کم یکی دو مقاله از مجلهٔ هدف را شامل می‌شود و هر منبع نقش مشخصی در استدلال دارد.
گام دوم: ادبیات مرتبط را هوشمندانه پیدا کنید
پس از ارزیابی، احتمالاً متوجه شده‌اید که منابع تازه‌تر و مرتبط‌تری لازم دارید. بلچر برای این مرحله یک روز کامل، حتی تا هشت ساعت، پیشنهاد میکند. این یکی از پرحجم‌ترین وظایف کل مسیر است، پس زمان کافی برایش بگذارید.
راهبردهای جست‌وجو
**جستوجوی کلیدواژه‌ای در پایگاه‌ها:** از اسکوپوس، وب آو ساینس، گوگل اسکالر و پایگاه‌های تخصصی رشته استفاده کنید. کلیدواژهها را با عملگرهای AND، OR و NOT ترکیب کنید.
**جستوجوی رو به عقب:** فهرست منابع مقالههای کلیدی را مرور کنید تا منابع پایه را پیدا کنید.
**جستوجوی رو به جلو:** ببینید چه مقاله‌هایی به مقالههای کلیدی استناد کرده‌اند. ابزار «Cited by» در گوگل اسکالر برای این کار عالی است و تازه‌ترین گفت‌وگوها را نشان می‌دهد.
**ابزارهای نقشهٔ استنادی:** ابزارهایی مانند Connected Papers و Research Rabbit شبکهٔ مقالههای مرتبط را به‌صورت تصویری نمایش می‌دهند.
**مقالههای مروری اخیر:** یک مقالهٔ مروری خوب و تازه می‌تواند نقشهٔ کل حوزه را در اختیارتان بگذارد.
**پایگاه‌های داخلی:** برای پیشینهٔ پژوهشهای داخلی، پایگاه‌هایی مانند پایگاه استنادی علوم جهان اسلام، مگیران و نورمگز را جست‌وجو کنید.
برای جستوجوی مؤثر در گوگل اسکالر، از جستوجوی عبارت دقیق داخل گیومه و فیلتر بازهٔ زمانی استفاده کنید تا نتایج قدیمی و نامرتبط کم شوند.
پرامپت پیشنهادی هوش مصنوعی
«من دربارهٔ [موضوع] در [رشته] مقاله می‌نویسم و پرسش پژوهشم این است: [پرسش]. فهرستی از کلیدواژه‌های مترادف، اصطلاحات انگلیسی معادل و ترکیب‌های جستوجوی بولی پیشنهاد کن که در اسکوپوس و گوگل اسکالر استفاده کنم. منبع یا مقاله پیشنهاد نکن.»
هشدار جدی دربارهٔ منابع ساختهٔ هوش مصنوعی
ابزارهای هوش مصنوعی گفت‌وگومحور گاهی منابعی تولید می‌کنند که وجود خارجی ندارند: عنوان، نویسنده و حتی DOI ساختگی که کاملاً واقعی به نظر می‌رسند. استناد به چنین منبعی، یکی از جدی‌ترین خطاهایی است که می‌تواند مقاله را رد کند و اعتبار شما را خدشه‌دار کند. قاعدهٔ ساده این است: هیچ منبعی را که خودتان در یک پایگاه معتبر پیدا و دست‌کم چکیده‌اش را نخوانده‌اید، در مقاله نیاورید. برای اصول استفادهٔ مسئولانه، کاربرد هوش مصنوعی در پژوهش را بخوانید.
گام سوم: خواندن هوشمند؛ همه‌چیز را کامل نخوانید
وقتی ده‌ها یا صدها منبع پیدا کرده‌اید، خواندن کامل همه‌شان غیرممکن است و لازم هم نیست. بلچر و بسیاری از مربیان نگارش، خواندن لایه‌ای را پیشنهاد می‌کنند.
خواندن سه‌مرحله‌ای
**غربال سریع:** عنوان و چکیده را بخوانید و تصمیم بگیرید منبع مرتبط است یا نه. این مرحله برای هر منبع یکی دو دقیقه وقت می‌گیرد.
**خواندن هدفمند:** برای منابع مرتبط، مقدمه، شکل‌ها و جدول‌ها، و بحث را بخوانید. به دنبال ادعای اصلی، روش و یافتهٔ کلیدی باشید.
**خواندن عمیق:** فقط منابع کلیدی، یعنی مقاله‌هایی که مستقیماً با آن‌ها گفت‌وگو می‌کنید، کامل و با دقت خوانده میشوند.
نظام علامت‌گذاری ساده
یکی از راهکارهای عملی که در کتاب هم به آن اشاره شده، علامت‌گذاری منابع بر اساس میزان ارتباط است. ما آن را این‌طور ساده کرده‌ایم:
**یک علامت:** جالب است اما مستقیماً مرتبط نیست.
**دو علامت:** مفید است و احتمالاً در پیشینه می‌آید.
**سه علامت:** کاملاً مرتبط است؛ مقاله با آن گفت‌وگو میکند یا آن را نقد یا تکمیل میکند.
در پایان، معمولاً پنج تا ده منبع «سه علامتی» دارید. این‌ها ستون‌های پیشینهٔ شما هستند و بقیهٔ منابع نقش پشتیبان دارند.
گام چهارم: ماتریس منابع؛ از فهرست به ترکیب
یکی از مؤثرترین ابزارها برای عبور از پیشینهٔ توصیفی به پیشینهٔ تحلیلی، «ماتریس منابع» است. ماتریس جدولی است که در آن هر سطر یک منبع و هر ستون یک ویژگی یا محور است. با نگاه به ستونها به جای سطرها، الگوها، توافق‌ها و شکاف‌ها خودشان را نشان می‌دهند.
منبع
جامعه و بافت
روش
یافتهٔ اصلی
محدودیت
ارتباط با مقالهٔ من
مطالعهٔ الف (۱۴۰۰)
دانشجویان، تهران
پیمایش
اثر مثبت حمایت آموزشی
فقط یک دانشگاه
تأیید نسبی ادعا
مطالعهٔ ب (۲۰۲۲)
دانشجویان، ترکیه
طولی
اثر مالی قوی‌تر
سنجش ساده
دیدگاه رقیب
مطالعهٔ ج (۲۰۲۳)
مرور ۳۰ مطالعه
مرور نظام‌مند
نتایج متناقض
ناهمگونی تعاریف
توجیه شکاف
مطالعهٔ د (۲۰۲۴)
دانشجویان سال اول، اروپا
ترکیبی
نقش مشاوره
بافت متفاوت
الگوی روش
وقتی این ماتریس را کامل کنید، میتوانید بپرسید: بیشتر مطالعات در چه بافتی انجام شده‌اند؟ کدام روش غالب است؟ کجا یافتهها متناقضاند؟ کدام جامعه یا متغیر نادیده گرفته شده؟ پاسخ این پرسش‌ها، همان شکاف پژوهشی است. نسخهٔ کامل‌تری از ماتریس منابع و شیوهٔ استفاده از آن را در راهنمای پیشینه تحقیق و ماتریس منابع آورده‌ایم.
مراحل نوشتن پیشینهٔ تحقیق و یافتن نقطهٔ ورود مقاله
گام پنجم: نقطهٔ ورود مقاله را مشخص کنید
مفهوم «نقطهٔ ورود» یکی از کلیدی‌ترین ایده‌های هفتهٔ پنجم کتاب بلچر است. نقطهٔ ورود یعنی شیوه‌ای که مقالهٔ شما با ادبیات موجود ارتباط برقرار میکند. به زبان ساده، پاسخ این پرسش است: «مقالهٔ من با پژوهشهای قبلی چه کار میکند؟» بلچر سه نوع اصلی نقطهٔ ورود را از هم متمایز میکند.
نوع اول: افزودن به ادبیات (Addition)
ادبیات موجود دربارهٔ موضوع درست است اما ناقص؛ مقالهٔ شما بخشی را اضافه میکند که تاکنون بررسی نشده است. مثلاً: «پژوهشهای قبلی این پدیده را در شهرهای بزرگ بررسی کرده‌اند؛ این مقاله آن را در شهرهای کوچک بررسی میکند.» این رایج‌ترین نوع نقطهٔ ورود است و برای اولین مقاله گزینهٔ مناسبی است، به شرط اینکه نشان دهید چرا این افزوده اهمیت دارد.
نوع دوم: نقد یا اصلاح ادبیات (Correction)
ادبیات موجود در جایی اشتباه، ناقص یا مبتنی بر پیش‌فرضی نادرست است؛ مقالهٔ شما آن را اصلاح میکند. مثلاً: «بیشتر پژوهش‌ها بی‌انگیزگی دانشجویان را به عوامل فردی نسبت داده‌اند؛ این مقاله نشان می‌دهد عوامل نهادی نقش مهم‌تری دارند.» این نوع نقطهٔ ورود، اگر با شواهد قوی همراه باشد، بیشترین تأثیر را دارد، اما باید با احترام و دقت نوشته شود.
نوع سوم: ترکیب یا پیوند ادبیات (Synthesis)
دو یا چند حوزهٔ ادبیات که تاکنون جدا از هم بوده‌اند، در مقالهٔ شما به هم پیوند می‌خورند. مثلاً: «ادبیات سلامت روان و ادبیات برنامه‌ریزی شهری هر یک جداگانه به فضای سبز پرداخته‌اند؛ این مقاله آن‌ها را برای فهم تجربهٔ سالمندان ترکیب میکند.» این نوع نقطهٔ ورود در پژوهشهای میان‌رشته‌ای رایج است.
نوع نقطهٔ ورود
جملهٔ کلیدی
مناسب برای
خطر
افزودن
«تاکنون در … بررسی نشده است»
اولین مقاله، بافتهای جدید
بی‌اهمیت به نظر رسیدن
اصلاح
«برخلاف دیدگاه رایج …»
یافته‌های غیرمنتظره و قوی
تند یا بی‌احترام به نظر رسیدن
ترکیب
«با پیوند دادن ادبیات … و …»
پژوهشهای میان‌رشته‌ای
سطحی ماندن در هر دو حوزه
نکتهٔ کاربردی
نوع نقطهٔ ورود را صریح انتخاب کنید و در یک یا دو جمله در پایان پیشینه یا مقدمه بنویسید. داوران دقیقاً به دنبال همین جمله‌اند تا بفهمند سهم مقاله چیست.
شکاف پژوهشی واقعی یا ساختگی؟
یکی از نقدهای رایج داوران به مقالههای پژوهشگران تازه‌کار، «شکاف ساختگی» است. شکاف ساختگی یعنی ادعای اینکه «تاکنون هیچ پژوهشی دربارهٔ این موضوع انجام نشده»، در حالی که داور دست‌کم چند مطالعهٔ مرتبط را می‌شناسد. یا ادعای اینکه موضوعی بررسی نشده، فقط چون در بافت ایران بررسی نشده، بدون اینکه توضیح دهید چرا بافت ایران تفاوت معناداری ایجاد میکند.
ویژگی‌های شکاف واقعی
**مستند است:** با مرور واقعی ادبیات نشان داده شده، نه با ادعا.
**مهم است:** پر کردن آن چیزی را در نظریه یا عمل تغییر می‌دهد.
**مشخص است:** دقیقاً می‌گوید چه چیزی نامعلوم است، نه اینکه «پژوهشهای بیشتری لازم است».
**با روش شما قابل پر شدن است:** مقاله واقعاً به آن پاسخ می‌دهد.
«تاکنون پژوهشی دربارهٔ نقش هوش هیجانی در عملکرد معلمان ایرانی انجام نشده است.» (در حالی که چند پژوهش مرتبط وجود دارد.)
«اگرچه رابطهٔ هوش هیجانی و عملکرد معلمان در چند مطالعهٔ داخلی بررسی شده، این مطالعات عمدتاً بر معلمان شهری و ابزارهای خودگزارشی تکیه کرده‌اند؛ نقش این رابطه در مدارس چندپایهٔ روستایی و با سنجش عملکرد از سوی ناظران، هنوز ناشناخته است.»
نسخهٔ دوم هم پژوهشهای قبلی را به رسمیت می‌شناسد و هم شکاف را دقیق و قابل‌دفاع بیان میکند. این شیوه، داور را به جای دفاعی شدن، به همراهی دعوت میکند.
نوشتن پیشینه: پاراگراف ترکیبی در برابر پاراگراف فهرستی
حالا که منابع را ترکیب کرده و نقطهٔ ورود را مشخص کرده‌اید، وقت نوشتن است. مهم‌ترین مهارت در این مرحله، نوشتن «پاراگراف ترکیبی» به جای «پاراگراف فهرستی» است.
پاراگراف فهرستی
«احمدی (۱۳۹۸) نشان داد که حمایت آموزشی بر کیفیت زندگی اثر دارد. اسمیت (۲۰۲۰) دریافت که فشار مالی عامل اصلی است. رضایی (۱۴۰۰) نیز به نقش حمایت آموزشی اشاره کرد. جانسون (۲۰۲۲) رابطه‌ای میان این دو عامل نیافت.»
این پاراگراف فقط فهرستی از یافته‌هاست. خواننده باید خودش بفهمد این مطالعات چه ارتباطی با هم دارند و چه چیزی را نشان می‌دهند.
پاراگراف ترکیبی
«پژوهش‌ها دربارهٔ عوامل مؤثر بر کیفیت زندگی دانشجویان به دو دسته تقسیم میشوند. دستهٔ نخست بر نقش حمایت آموزشی تأکید دارند (احمدی، ۱۳۹۸؛ رضایی، ۱۴۰۰)، در حالی که دستهٔ دوم فشار مالی را عامل اصلی می‌دانند (اسمیت، ۲۰۲۰). این تناقض ممکن است ناشی از تفاوت در بافت مطالعات باشد: مطالعات دستهٔ اول در دانشگاه‌های دولتی و مطالعات دستهٔ دوم در دانشگاه‌های شهریه‌محور انجام شده‌اند. تنها مطالعه‌ای که هر دو عامل را هم‌زمان بررسی کرده (جانسون، ۲۰۲۲)، رابطهٔ معناداری نیافته، اما حجم نمونهٔ کوچک آن تعمیم یافتهها را محدود میکند.»
پاراگراف ترکیبی با یک ادعای کلی شروع می‌شود، منابع را بر اساس محور دسته‌بندی میکند، تناقض را تحلیل میکند و به سمت شکاف حرکت میکند. منابع در خدمت استدلال‌اند، نه برعکس.
ساختار پیشنهادی پیشینه
**پاراگراف آغازین:** معرفی گفت‌وگوی اصلی و اهمیت آن.
**پاراگراف‌های محوری:** هر پاراگراف یک محور یا دیدگاه را بررسی میکند.
**پاراگراف تحلیل:** توافق‌ها، اختلاف‌ها و محدودیت‌های ادبیات.
**پاراگراف شکاف و نقطهٔ ورود:** آنچه نامعلوم است و آنچه مقاله انجام می‌دهد.
نمونهٔ کامل: یک پیشینه پیش و پس از بازنویسی
برای اینکه تفاوت پیشینهٔ توصیفی و تحلیلی ملموس شود، یک نمونهٔ ساختگی اما واقع‌گرایانه را دنبال کنیم. فرض کنید مقاله‌ای دربارهٔ «تأثیر آموزش مجازی بر مهارت‌های عملی دانشجویان پرستاری» می‌نویسید.
نسخهٔ پیش از بازنویسی
«آموزش مجازی در سال‌های اخیر گسترش زیادی یافته است. کریمی (۱۳۹۹) آموزش مجازی را تعریف کرده و انواع آن را برشمرده است. براون (۲۰۲۰) دریافت که دانشجویان از آموزش مجازی رضایت دارند. محمدی (۱۴۰۰) نشان داد که آموزش مجازی بر یادگیری نظری اثر مثبت دارد. لی (۲۰۲۱) نیز نتایج مشابهی گزارش کرد. حسینی (۱۴۰۱) به مشکلات اینترنت در آموزش مجازی اشاره کرد. گارسیا (۲۰۲۲) آموزش ترکیبی را پیشنهاد داد. با توجه به اهمیت موضوع، پژوهش حاضر انجام شده است.»
این پاراگراف شش منبع دارد، اما هیچ تحلیلی ارائه نمی‌دهد. تعریف آموزش مجازی برای خوانندهٔ متخصص زائد است، رضایت دانشجویان ربط مستقیمی به مهارت عملی ندارد، و جملهٔ آخر هیچ شکافی را نشان نمی‌دهد. داور پس از خواندن آن می‌پرسد: «خب، مقالهٔ شما دقیقاً چه چیزی اضافه میکند؟»
نسخهٔ پس از بازنویسی
«شواهد دربارهٔ اثربخشی آموزش مجازی در آموزش پرستاری، تصویری دوگانه ارائه می‌دهند. مطالعات متعدد نشان داده‌اند که آموزش مجازی در انتقال دانش نظری، دست‌کم هم‌تراز آموزش حضوری است (محمدی، ۱۴۰۰؛ لی، ۲۰۲۱). اما این مطالعات تقریباً همگی یادگیری را با آزمون‌های کتبی سنجیده‌اند و مهارت‌های عملی بالینی، که هستهٔ آموزش پرستاری را تشکیل می‌دهند، کمتر مورد توجه بوده‌اند. معدود پژوهش‌هایی که به مهارت عملی پرداخته‌اند، بر خودارزیابی دانشجویان تکیه کرده‌اند که با عملکرد واقعی فاصله دارد. بنابراین هنوز روشن نیست که آیا آموزش مجازی، مهارت‌های عملی را هم به اندازهٔ دانش نظری منتقل میکند یا نه. پژوهش حاضر با ارزیابی عینی مهارت‌های بالینی از طریق آزمون ساختاریافتهٔ عملی، این خلأ را بررسی میکند.»
نسخهٔ دوم با تعداد کمتری منبع، کار بسیار بیشتری انجام می‌دهد. با یک ادعای کلی شروع می‌شود، یافته‌های موجود را دسته‌بندی میکند، محدودیت روش‌شناختی ادبیات را نشان می‌دهد، شکاف را دقیق بیان میکند و در نهایت نقطهٔ ورود مقاله را مشخص میکند: افزودن به ادبیات با سنجش عینی مهارت عملی. منابعی که نقشی در این استدلال نداشتند، یعنی تعریف آموزش مجازی و رضایت دانشجویان، حذف شده‌اند.
چه تغییری اتفاق افتاد؟
ویژگی
پیش از بازنویسی
پس از بازنویسی
جملهٔ آغازین
کلی و بدیهی
ادعایی تحلیلی دربارهٔ وضعیت دانش
سازماندهی
منبع به منبع
محوری: دانش نظری در برابر مهارت عملی
نقش منابع
خلاصه‌شدن جداگانه
پشتیبان یک تحلیل
محدودیت ادبیات
بیان نشده
محدودیت روش سنجش بیان شده
شکاف
«اهمیت موضوع»
سؤال دقیق و پاسخ‌نداده
نقطهٔ ورود
ندارد
افزودن با روش سنجش عینی
پیشینه در انواع مقاله
مقالهٔ کمی
پیشینه معمولاً به سمت فرضیه‌ها حرکت میکند. هر محور پیشینه باید یکی از فرضیه‌ها را توجیه کند. یک الگوی رایج این است که پس از مرور هر محور، فرضیهٔ مربوط به آن را صریح بیان کنید: «بر این اساس، انتظار می‌رود که …». این شیوه پیوند ادبیات و طرح پژوهش را آشکار میکند.
مقالهٔ کیفی
پیشینه بیشتر بر مفاهیم و رویکردهای نظری تمرکز دارد تا نتایج آماری. هدف، نشان دادن این است که فهم ما از تجربه یا معنای یک پدیده ناقص است. در مقالههای کیفی، گاهی بخشی از ادبیات در بحث آورده می‌شود، چون مضامین تازه نیاز به گفت‌وگو با ادبیاتی دارند که پیش از تحلیل قابل پیش‌بینی نبود.
مقالهٔ مروری
در مقالهٔ مروری، کل مقاله در واقع پیشینه است. بنابراین بخش مقدمه باید کوتاه نشان دهد چرا مرور تازه‌ای لازم است: آیا مرورهای قبلی قدیمی شده‌اند؟ مطالعات تازه‌ای منتشر شده؟ پرسش متفاوتی مطرح است؟ برای مرور نظام‌مند، راهنمای مرور نظام‌مند و PRISMA را ببینید.
مقالهٔ علوم انسانی
ادبیات اغلب در سراسر مقاله حضور دارد. نویسنده ممکن است در مقدمه گفت‌وگوی اصلی را معرفی کند و سپس در هر بخش تحلیل، با منتقدان یا نظریه‌پردازان مشخصی گفت‌وگو کند. در این نوع مقالهها، ظرافت در گزارش دیدگاه دیگران و انصاف در نقد آن‌ها اهمیت ویژه دارد.
ترکیب منابع فارسی و انگلیسی
برای پژوهشگران ایرانی، یکی از پرسش‌های رایج این است که منابع فارسی را چطور با منابع انگلیسی ترکیب کنند. پاسخ به مجلهٔ هدف بستگی دارد.
**در مجلات داخلی:** منابع فارسی معتبر و تازه ضروری‌اند تا نشان دهید با پژوهشهای داخلی آشنا هستید. اما اکتفا به منابع فارسی، مقاله را از گفت‌وگوی جهانی جدا میکند. ترکیبی متعادل از هر دو بهترین گزینه است.
**در مجلات بین‌المللی:** منابع انگلیسی غالب‌اند، اما استناد به پژوهشهای داخلی مرتبط، به‌ویژه وقتی بافت ایران بخشی از نقطهٔ ورود شماست، کاملاً مناسب است. در این حالت، عنوان منبع فارسی را طبق دستورالعمل مجله ترجمه یا آوانگاری کنید و زبان اصلی را در کروشه بیاورید.
**برای هر دو:** از استناد به منابع فارسی ضعیف، مثلاً مقالههای همایش‌های بی‌کیفیت یا نشریات نامعتبر، پرهیز کنید. یک منبع ضعیف می‌تواند اعتبار کل پیشینه را در چشم داور کاهش دهد.
برنامهٔ روزانهٔ هفتهٔ پنجم
هفتهٔ پنجم یکی از سنگین‌ترین هفته‌های مسیر است. این برنامهٔ پیشنهادی، بر پایهٔ وظایف هفتهٔ پنجم کتاب، کمک میکند کار را تقسیم کنید:
روز
وظیفه
زمان تقریبی
روز اول
ارزیابی استنادهای فعلی و تهیهٔ فهرست کمبودها
۶۰ دقیقه
روز دوم
جست‌وجو و یافتن ادبیات مرتبط
تا چند ساعت، در چند جلسه
روز سوم
غربال و علامت‌گذاری منابع
۶۰ تا ۹۰ دقیقه
روز چهارم
ساختن ماتریس و تعیین نقطهٔ ورود
۶۰ تا ۱۲۰ دقیقه
روز پنجم
بازنویسی پیشینه با پاراگراف‌های ترکیبی
۱۲۰ دقیقه
اگر روز دوم بیش از حد طولانی شد، آن را در دو یا سه روز تقسیم کنید. مهم نیست که هفتهٔ پنجم کمی طولانی‌تر شود؛ مهم این است که پیشینه با دقت و تمرکز نوشته شود، چون پایهٔ مقدمه و بحث مقاله است. در صورت نیاز، برنامهٔ کلی را همان‌طور که در هفتهٔ اول گفتیم، یک هفته جلو ببرید.
اصول استناد درست
استناد فقط رعایت قالب APA یا ونکوور نیست؛ شیوه‌ای است که نشان می‌دهد شما با منابع چطور گفت‌وگو می‌کنید.
استناد متن‌محور و نویسنده‌محور
**استناد متن‌محور:** تأکید روی یافته است و نام نویسنده در پرانتز می‌آید. «حمایت آموزشی با کیفیت زندگی رابطه دارد (احمدی، ۱۳۹۸).» این شیوه برای ترکیب چند منبع مناسب است.
**استناد نویسنده‌محور:** تأکید روی نویسنده است. «احمدی (۱۳۹۸) نشان داد …» این شیوه زمانی مناسب است که نقش یا دیدگاه خاص آن نویسنده مهم باشد.
فعل‌های استنادی را آگاهانه انتخاب کنید
فعلی که برای گزارش یک منبع انتخاب می‌کنید، موضع شما را نشان می‌دهد. «نشان داد» یعنی شما یافته را پذیرفته‌اید؛ «ادعا کرد» یعنی تردید دارید؛ «پیشنهاد کرد» یعنی یافته قطعی نیست. این ظرافت‌ها در مقالههای انگلیسی هم اهمیت دارند: showed، argued، suggested و claimed معانی متفاوتی منتقل می‌کنند.
اخلاق استناد
به منبعی که نخوانده‌اید استناد نکنید.
نقل‌قول مستقیم را دقیق و با شمارهٔ صفحه بیاورید.
از استناد بیش از حد به آثار خود یا همکاران نزدیک پرهیز کنید.
منابع مخالف دیدگاه خود را هم بیاورید؛ نادیده گرفتن آن‌ها اعتبار شما را کم میکند.
برای پرهیز از سرقت ادبی ناخواسته، بازنویسی را با استناد همراه کنید. راهنمای اخلاق پژوهش و اصالت علمی را ببینید.
ابزارهایی که کار پیشینه را آسان‌تر می‌کنند
ابزار
کاربرد
نکته
Zotero یا EndNote یا Mendeley
مدیریت منابع و تولید خودکار فهرست منابع
از همان روز اول استفاده کنید
گوگل اسکالر
جست‌وجو و پیگیری استنادها
از قابلیت Cited by و هشدار ایمیلی استفاده کنید
Connected Papers و Research Rabbit
نقشهٔ تصویری مقالههای مرتبط
برای یافتن منابع کلیدی پنهان
اسکوپوس و وب آو ساینس
جستوجوی دقیق و تحلیل استنادی
فیلتر سال، نوع سند و موضوع
پایگاه‌های داخلی
پیشینهٔ پژوهشهای فارسی
برای مقالههای داخلی و بافت ایران
صفحه‌گسترده
ساخت ماتریس منابع
ساده و انعطاف‌پذیر
اگر پژوهش شما داده‌های مکانی دارد، بخشی از ادبیات شما احتمالاً به روش‌های تحلیل فضایی و سنجش از دور مربوط است. برای فهم بهتر این روش‌ها پیش از نوشتن دربارهٔ آن‌ها، آموزش‌های GISLand؛ مرجع آموزش GIS و سنجش از دور منبع مفیدی است. فهم درست روش، مانع از آن می‌شود که پیشینه را فقط با تکرار جمله‌های دیگران پر کنید.
پیشینه را برای مجلهٔ هدف بنویسید
پیشینهٔ یک مقاله، بسته به مجله‌ای که به آن ارسال می‌شود، می‌تواند شکل متفاوتی داشته باشد. اگر مقاله را برای یک مجلهٔ تخصصی می‌فرستید که خوانندگانش با جزئیات ادبیات آشنا هستند، میتوانید سریع‌تر به بحث‌های دقیق و اختلاف‌نظرهای ظریف برسید. اگر مجلهٔ هدف میان‌رشته‌ای یا عمومی‌تر است، باید کمی بیشتر زمینه بدهید و اصطلاحات کلیدی را روشن کنید.
یکی از نشانه‌های پیشینه‌ای که برای مجلهٔ مشخصی نوشته شده، استناد به مقالههای همان مجله است. وقتی سردبیر می‌بیند که مقالهٔ شما با گفت‌وگویی که در صفحات مجلهٔ خودش جریان دارد ارتباط برقرار کرده، احتمال بیشتری دارد که آن را برای خوانندگانش مرتبط بداند. البته این استنادها باید واقعاً مرتبط باشند؛ استناد اجباری و نامرتبط به مقالههای مجله، کاملاً قابل تشخیص است و اثر معکوس دارد. در هفتهٔ چهارم دیدید که چطور مقالههای اخیر مجلهٔ هدف را بخوانید؛ حالا وقت آن است که از آن یادداشت‌ها در پیشینه استفاده کنید.
چند منبع کافی است؟
پاسخ دقیقی برای این پرسش وجود ندارد، اما چند قاعدهٔ راهنما کمک میکند:
**به مجلهٔ هدف نگاه کنید:** میانگین تعداد منابع مقالههای پژوهشی اخیر آن را بشمارید. این بهترین معیار شماست.
**تفاوت رشته‌ها را در نظر بگیرید:** مقالههای علوم انسانی و اجتماعی معمولاً منابع بیشتری از مقالههای فنی دارند.
**کیفیت مهم‌تر از کمیت است:** پنجاه منبع نامرتبط، بدتر از بیست منبع دقیق و مرتبط است.
**تعادل تازه و کلاسیک:** منابع پایه‌ای حوزه را بیاورید، اما بخش قابل توجهی از منابع باید از چند سال اخیر باشد.
**محدودیت مجله را رعایت کنید:** برخی مجلات، به‌ویژه برای مقالههای کوتاه، سقف تعداد منابع دارند.
پیشینه و بحث: دو سر یک پل
یکی از نکته‌هایی که کمتر به آن توجه می‌شود، رابطهٔ پیشینه با بخش بحث است. این دو بخش مثل دو سر یک پل‌اند: پیشینه گفت‌وگوی علمی را پیش از پژوهش شما توصیف میکند و بحث نشان می‌دهد که پس از پژوهش شما، این گفت‌وگو چه تغییری کرده است. اگر این دو سر به هم وصل نباشند، مقاله ناقص به نظر می‌رسد.
نشانه‌های پل شکسته
در بحث به منابعی استناد شده که در پیشینه هیچ نقشی نداشتند.
دیدگاه‌های رقیبی که در پیشینه معرفی شدند، در بحث فراموش شده‌اند.
شکاف پژوهشی پیشینه، در بحث پاسخ داده نشده یا حتی دوباره ذکر نشده است.
چطور پل را محکم کنیم؟
پس از نوشتن بحث، دوباره پیشینه را بخوانید و برای هر محور اصلی آن بپرسید: «یافته‌های من دربارهٔ این محور چه می‌گویند؟» اگر پیشینه دو دیدگاه رقیب معرفی کرده، بحث باید بگوید یافته‌های شما از کدام حمایت میکند یا چطور هر دو را تعدیل میکند. اگر پیشینه شکافی را بیان کرده، بحث باید صریحاً بگوید این شکاف تا چه حد پر شده و چه چیزی هنوز باقی مانده است. این رفت‌وبرگشت، مقاله را از مجموعه‌ای از بخش‌ها به یک روایت منسجم تبدیل میکند؛ همان چیزی که در هفتهٔ سوم: استدلال در مقاله بر آن تأکید کردیم.
ده خطای رایج در پیشینهٔ مقاله
**کپی کردن فصل دوم پایاننامه** بدون بازنویسی متمرکز.
**پیشینهٔ مطالعه‌به‌مطالعه** به جای محوری و ترکیبی.
**منابع قدیمی** و غفلت از پژوهشهای چند سال اخیر.
**شکاف ساختگی** یا ادعای «هیچ پژوهشی انجام نشده».
**نبود نقطهٔ ورود صریح** در پایان پیشینه.
**استناد به منابعی که نخوانده‌اید** یا منابع ساختهٔ هوش مصنوعی.
**نادیده گرفتن دیدگاه‌های مخالف.**
**نقل‌قول‌های طولانی** به جای تحلیل.
**ناهماهنگی قالب ارجاع** با دستورالعمل مجله.
**پیشینهٔ بیش از حد طولانی** که بخش‌های اصلی مقاله را تحت‌الشعاع قرار می‌دهد.
چک‌لیست هفتهٔ پنجم
استنادهای فعلی مقاله را از نظر تعداد، تازگی، کیفیت و ارتباط ارزیابی کرده‌اید.
با جستوجوی کلیدواژه‌ای، رو به عقب و رو به جلو، منابع تازه و مرتبط را یافته‌اید.
منابع را با خواندن سه‌مرحله‌ای غربال و علامت‌گذاری کرده‌اید.
ماتریس منابع را برای منابع کلیدی ساخته‌اید.
نوع نقطهٔ ورود مقاله را مشخص کرده‌اید: افزودن، اصلاح یا ترکیب.
شکاف پژوهشی را مستند و دقیق نوشته‌اید.
پیشینه را با پاراگراف‌های ترکیبی و محوری بازنویسی کرده‌اید.
همهٔ منابع را در یک نرم‌افزار مدیریت منابع وارد کرده‌اید.
دست‌کم به یکی دو مقاله از مجلهٔ هدف استناد کرده‌اید.
پرسش‌های متداول
تفاوت پیشینهٔ تحقیق و مبانی نظری چیست؟
مبانی نظری، نظریهها و مفاهیمی را معرفی میکند که چارچوب تحلیل شما را میسازند. پیشینهٔ تحقیق، پژوهشهای تجربی قبلی دربارهٔ موضوع را مرور میکند. در بسیاری از مقالهها این دو در هم ادغام میشوند، اما هر دو باید در خدمت نشان دادن نقطهٔ ورود مقاله باشند.
آیا میتوانم پیشینهٔ پایاننامهام را در مقاله استفاده کنم؟
میتوانید از منابع و یادداشتهای آن استفاده کنید، اما متن را باید از نو و متمرکز بر پرسش مقاله بنویسید. کپی کردن متن پایاننامه هم به دلیل تفاوت ژانر و هم به دلیل خطر همپوشانی متنی توصیه نمیشود.
چند درصد منابع باید از پنج سال اخیر باشد؟
عدد ثابتی وجود ندارد و به رشته و موضوع بستگی دارد. بهترین معیار، مقالههای اخیر مجلهٔ هدف است. اما اگر بیشتر منابع شما قدیمی‌اند، داوران احتمالاً به آن اشاره خواهند کرد.
شکاف پژوهشی را چطور پیدا کنم؟
با ساختن ماتریس منابع و نگاه به ستونها: کدام جامعه، بافت، روش یا متغیر کمتر بررسی شده؟ کجا یافتهها متناقضاند؟ بخش «پیشنهاد برای پژوهشهای آینده» در مقالههای اخیر هم منبع خوبی برای یافتن شکاف است.
آیا استفاده از هوش مصنوعی برای نوشتن پیشینه مجاز است؟
استفاده از آن برای یافتن کلیدواژهها و سازماندهی ایدهها مفید است، اما متن پیشینه باید حاصل خواندن و تحلیل خود شما باشد. هرگز منبعی را که هوش مصنوعی پیشنهاد داده، بدون یافتن و خواندن آن در یک پایگاه معتبر، استناد نکنید.
اگر دربارهٔ موضوعم واقعاً پژوهش کمی وجود داشته باشد چه کنم؟
پیشینه را گستردهتر تعریف کنید: پژوهشهای مربوط به موضوعات نزدیک، همان پدیده در جوامع یا بافتهای دیگر، یا نظریههایی که میتوانند پدیده را توضیح دهند. کمبود پژوهش، خودش بخشی از استدلال شماست، اما باید نشان دهید که با جستوجوی جدی به آن رسیدهاید.
چطور به منابع مخالف دیدگاهم استناد کنم بدون اینکه استدلالم ضعیف شود؟
منابع مخالف را منصفانه معرفی کنید و سپس توضیح دهید چرا یافته‌های آن‌ها با یافته‌های شما متفاوت است: تفاوت در بافت، روش، جامعه یا تعریف مفاهیم. این کار نه‌تنها استدلال شما را ضعیف نمی‌کند، بلکه آن را معتبرتر و دقیق‌تر نشان می‌دهد.
جمع‌بندی: پیشینه، صندلی شما در میز گفت‌وگو
در هفتهٔ پنجم یاد گرفتید که پیشینهٔ مقاله، نقشهٔ گفت‌وگوی علمی است که مقاله‌تان به آن می‌پیوندد. استنادهای فعلی را ارزیابی کردید، منابع تازه را هوشمندانه پیدا و غربال کردید، با ماتریس منابع الگوها را دیدید، نوع نقطهٔ ورود را مشخص کردید و پیشینه را با پاراگراف‌های ترکیبی نوشتید.
پیشینه‌ای که این هفته نوشتید، فقط یک بخش از مقاله نیست؛ پایه‌ای است که مقدمه، بحث و حتی عنوان مقاله روی آن بنا میشوند. هر بار که در هفته‌های بعد دربارهٔ جایگاه مقاله تردید کردید، به ماتریس منابع و جملهٔ نقطهٔ ورود برگردید.
یادتان باشد: داوران منتظر نیستند ببینند چقدر خوانده‌اید؛ منتظرند ببینند چقدر خوب فهمیده‌اید و مقاله‌تان کجای این گفت‌وگو می‌نشیند. یک پیشینهٔ متمرکز با نقطهٔ ورود روشن، بیش از هر چیز دیگری داور را متقاعد میکند که مقالهٔ شما سهمی واقعی دارد.
در قسمت بعدی، یعنی هفتهٔ ششم: ساختار مقاله و IMRaD، یاد می‌گیرید چطور اسکلت کل مقاله را طوری بچینید که استدلال و پیشینه در جای درست خود قرار بگیرند. اگر برای نوشتن پیشینه به همراهی نیاز دارید، منتورینگ پژوهشی هوش پژوهشی در کنار شماست.
این مطلب با الهام از چارچوب هفتهٔ پنجم کتاب «معجون مقاله‌نویسی» نوشتهٔ وندی لورا بلچر (ترجمهٔ سعید جوی‌زاده، صغری راستی و علیرضا احمدیان، انتشارات آکادمیک) و تجربه‌های کارگاهی تیم هوش پژوهشی نوشته شده است. نمونه‌ها برای آموزش ساخته شده‌اند.
فایل مقاله‌تان احتمالاً همین حوالی است: چند پاراگراف، چند جدول، و یک پوشه پر از داده که هر بار بازش می‌کنید حس بدی بهتان می‌دهد. اگر این وضع آشناست، تنها نیستید. خیلی از پژوهشگران، از دانشجوی دکترا تا استادهایی با سال‌ها سابقه، کارشان را تمام می‌کنند ولی مقاله‌شان هیچ‌وقت به مجله نمی‌رسد.
مشکل معمولاً استعداد نیست. مشکل این است که کسی به ما نگفته این کار چه مراحلی دارد.
کتاب «معجون مقاله‌نویسی» نوشتهٔ وندی لورا بلچر همین نقطه را هدف گرفته. بلچر سال‌ها کارگاه نوشتن برگزار کرده و در نقش ویراستار مجله با متن‌های خام زیادی سروکار داشته. حرفش ساده است: نوشتن مقاله علمی را می‌شود به قدم‌های کوچک و مشخص تقسیم کرد و در ۱۲ هفته به نتیجه رساند.
نقشهٔ ۱۲ هفته‌ای
مرحله
هفته‌ها
کار اصلی
برنامه‌ریزی
۱ تا ۴
عادت نوشتن، ایده، انتخاب مجله
نوشتن
۵ تا ۸
مرور ادبیات، ساختار، شواهد، مقدمه
بازنگری
۹ و ۱۰
بازخورد و ویرایش جمله‌ها
ارسال
۱۱ و ۱۲
آماده‌سازی نهایی و ارسال
اول: برنامه‌ریزی (هفته ۱ تا ۴)
هفته ۱: ببینید وقتتان کجاست
بیشتر ما فکر می‌کنیم هفته‌ای یک روز کامل برای نوشتن داریم. وقتی یک هفته را یادداشت کنیم، معمولاً می‌بینیم این وقت وجود ندارد. برنامه‌ای بچینید که عملی باشد. سه جلسهٔ یک‌ساعته در هفته بهتر از یک روز ده‌ساعته‌ای است که هیچ‌وقت نمی‌آید. زمان و مکان ثابت هم کمک میکند، چون مغز با تکرار یاد می‌گیرد کی وقت کار است.
هفته ۲: منتظر الهام نمانید
ایدهٔ کامل معمولاً وسط کار می‌آید، نه قبلش. از بخشی شروع کنید که بیشتر از همه بلدید. یک یا دو مقالهٔ منتشرشده در مجلهٔ هدفتان پیدا کنید و این بار نه برای محتوا، برای ساختارشان بخوانید: مقدمه چند پاراگراف است؟ بخش روش کجا می‌آید؟ نتیجه‌گیری چه کاری میکند؟
هفته ۳: ادعایتان را در یک جمله بگویید
مقاله فهرست اطلاعات نیست؛ ادعایی است که باید از آن دفاع کنید. اگر نتوانید استدلال اصلی‌تان را در یک جمله بنویسید، احتمالاً هنوز نمی‌دانید دقیقاً چه می‌گویید. «این مقاله دربارهٔ آموزش زبان است» هنوز ادعا نیست. اما «آموزش تعاملی در کلاس‌های شلوغ نتیجهٔ یادگیری را بالا نمی‌برد، مگر اینکه…» ادعایی است که می‌شود با داده آزمود. همیشه از خودتان بپرسید: «خب، پس چه؟» خواننده باید بفهمد این یافته چرا مهم است.
مجله روی لحن، طول و ساختار مقاله اثر می‌گذارد. سه تا پنج مجله انتخاب کنید: یکی که دلتان می‌خواهد، یکی واقع‌بینانه، و یکی مطمئن‌تر. شماره‌های اخیرشان را ورق بزنید و دستورالعمل نویسندگان را دقیق بخوانید؛ خیلی از ردشدن‌ها سر همین جزئیات ساده است.
اشتباه رایج این است که مرور ادبیات را فهرست کنیم: «فلانی گفت، بهمانی گفت، و…». خواننده خسته می‌شود و استدلالی هم شکل نمی‌گیرد. بهتر است منابع را بر اساس محورهای فکری کنار هم بگذارید. برای هر محور بپرسید: کجا توافق هست؟ کجا اختلاف؟ چه چیزی هنوز بی‌جواب مانده؟
آن جای خالی بی‌جواب همان شکاف پژوهشی است. مقاله باید نشان بدهد این شکاف کجاست و پژوهش شما چطور آن را پر میکند. فقط مطمئن شوید شکاف واقعی باشد؛ داورها شکاف ساختگی را زود تشخیص می‌دهند.
نسخهٔ اولیه را که نوشتید، هر پاراگراف را در یک جمله خلاصه کنید. این جمله‌ها را پشت سر هم بخوانید. اگر داستان منطقی و پیوسته نیست، مشکل از ساختار است، نه جمله‌بندی. قاعدهٔ ساده‌ای هم هست: هر پاراگراف یک ایده دارد و جملهٔ اولش آن را اعلام میکند.
هفته ۷: داده را تفسیر کنید
داده‌ای که فقط روی جدول باشد خواننده را قانع نمی‌کند. برای هر جدول یا نمودار سه سؤال جواب بدهید: این نشان می‌دهد چه؟ چرا مهم است؟ به استدلال اصلی من چه کمکی میکند؟ همهٔ داده‌ها هم لازم نیستند. آنچه مستقیماً ادعایتان را پشتیبانی میکند نگه دارید. اگر در انتخاب آزمون یا گزارش نتایج تردید دارید، راهنمای تحلیل آماری کمکتان میکند.
اگر دادهٔ پژوهش شما مکانی است و با نقشه، تصاویر ماهواره‌ای یا سنجش از دور کار می‌کنید، آموزش‌های تخصصی GISLand (آموزش GIS و سنجش از دور) کمک میکند تحلیل و نقشه‌های مقاله‌تان را دقیق‌تر و حرفه‌ای‌تر ارائه کنید.
هفته ۸: مقدمه و عنوان
مقدمهٔ خوب معمولاً این مسیر را می‌رود: از یک مسئلهٔ ملموس یا پرسش واقعی شروع میکند، توضیح می‌دهد چرا این مسئله هنوز حل نشده، نشان می‌دهد دانش موجود کجا کم می‌آورد، و بعد می‌گوید شما چه کرده‌اید. نتیجه‌گیری هم تکرار مقدمه نیست؛ یافتهها را در پرتو منابع معنا میکند، محدودیت‌ها را بی‌تعارف می‌گوید و مسیر بعدی را نشان می‌دهد.
عنوان را کوتاه و روشن بنویسید. فعل در عنوان آن را زنده‌تر میکند. به‌جای «بررسی آموزش زبان در کلاس‌های بزرگ» بنویسید «کلاس‌های پرجمعیت چطور تعامل زبانی را کم می‌کنند؟»
سوم: بازنگری (هفته ۹ و ۱۰)
هفته ۹: بازخورد بگیرید
متن خودتان را خوب نمی‌بینید. از یک همکار بخواهید بخشی از متن را بخواند و به‌جای «این خوب است؟» بپرسید: «استدلال اصلی را در یک جمله بگو» یا «کجا گم شدی؟». اگر دو نفر از یک جا گیر کردند، مشکل واقعی است.
هفته ۱۰: جمله‌ها را صاف کنید
فاعل و فعل را به هم نزدیک کنید.
اسم‌سازی‌های سنگین را ساده کنید: «انجام بررسی» ← «بررسی کردیم».
در بخش روش، مجهول را آگاهانه به کار ببرید و از پنهان‌کردن مسئولیت پرهیز کنید.
اطلاعات آشنا را اول جمله بیاورید و اطلاعات تازه را آخرش.
چکیده به‌تنهایی قابل فهم باشد، کلیدواژهها واژه‌هایی باشند که خود حوزه استفاده میکند، فهرست منابع کامل و یکدست باشد، و طول و قالب مقاله طبق دستورالعمل مجله باشد.
هفته ۱۲: نامهٔ همراه و ارسال
نامه را کوتاه و صادقانه بنویسید: مقاله چه سهمی دارد، چرا برای این مجله است، و اینکه جای دیگری ارسال یا منتشر نشده. تعریف از خودتان لازم نیست.
اگر رد شدید، ناراحت شدن طبیعی است، اما رد شدن معمولاً به معنای بد بودن کارتان نیست. نظر داورها را آرام بخوانید، با دقت اصلاح کنید و به مجلهٔ بعدی فهرستتان بفرستید.
سؤال‌های متداول
نوشتن اولین مقاله علمی معمولاً چقدر طول می‌کشد؟
با برنامهٔ منظم، ۱۲ هفته برای رسیدن به نسخهٔ آمادهٔ ارسال واقع‌بینانه است، بسته به حجم پژوهش و زمانی که دارید.
شکاف پژوهشی را از کجا پیدا کنم؟
منابع را بر اساس محورهای فکری کنار هم بگذارید و دنبال جایی بگردید که توافق نیست، داده کم است یا پرسشی بی‌جواب مانده.
استدلال مرکزی مقاله چیست؟
ادعایی دقیق و قابل دفاع که مقاله با شواهد آن را نشان می‌دهد. اگر نتوانید آن را در یک جمله بنویسید، هنوز آمادهٔ نوشتن نیستید.
مقاله‌ام رد شد؛ یعنی پژوهشم ضعیف است؟
لزوماً نه. گاهی موضوع با سیاست مجله نمی‌خواند و گاهی استدلال روشن نیست.
حرف آخر
نوشتن مقالهٔ علمی یک مهارت است و با برنامه و تکرار یاد گرفته می‌شود، نه با انتظار برای الهام. امروز اگر فقط یک کار بکنید، همین باشد: استدلال اصلی مقاله‌تان را در یک جمله بنویسید.
این مطلب بر پایهٔ چارچوب کتاب «معجون مقاله‌نویسی» نوشتهٔ وندی لورا بلچر تهیه شده است. برای نقل‌قول‌های دقیق و تمرین‌های کامل، متن اصلی کتاب را بخوانید.
