☎ ۰۹۱۲۰۴۳۸۸۷۴

برچسب: Connected Papers

  • آموزش Connected Papers؛ یافتن مقالات مرتبط با گراف بصری برای مرور ادبیات

    آموزش Connected Papers؛ یافتن مقالات مرتبط با گراف بصری برای مرور ادبیات

    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.

    برای تبدیل این ساختار به متن، راهنمای نوشتن پیشینه تحقیق در مقاله علمی را بخوانید. اگر به نگاه شبکه‌ای به دانش علاقه دارید، دورهٔ تفکر شبکه‌ای در بینش جدید زاویه‌ای تازه به شما می‌دهد.

    نکته‌های کاربردی

    • 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.