هوش مصنوعی می‌تواند برای فهم یک مفهوم، تمرین نگارش یا تهیه پیش‌نویس یک چک‌لیست کمک‌کننده باشد، اما مجازبودن کاربرد آن به سیاست دانشگاه، استاد، مجله و نوع داده بستگی دارد. در پژوهش، پاسخ روان و قانع‌کننده کافی نیست؛ منبع، محاسبه، محرمانگی و مسئولیت علمی باید قابل بررسی بمانند.
این راهنما یک چارچوب استفاده مسئولانه ارائه می‌کند. هیچ ابزار مشخصی را برای ارسال داده محرمانه تأیید نمی‌کند و جای ضابطه رسمی محل تحصیل یا انتشار شما را نمی‌گیرد. پیش از کار، نسخه فعلی سیاست‌های مرتبط را بخوانید و کاربرد مورد نظر را با مسئول پژوهش روشن کنید.
پیش از واردکردن متن، هدف و داده را مشخص کنید
بپرسید: می‌خواهم چه کمکی بگیرم؟ آیا بدون فرستادن فایل واقعی می‌توان همان هدف را رسید؟ برای تمرین فهم رگرسیون، مثال ساختگی معمولاً کافی است؛ نیازی به پرونده بیمار وجود ندارد. برای بازبینی ساختار یک بخش، شاید شرح کلی و بی‌هویت مسئله مناسب‌تر از ارسال کل طرح محرمانه باشد.
حذف نام به‌تنهایی ناشناس‌سازی کامل نیست. تاریخ دقیق، شماره پرونده، محل یا ترکیب ویژگی‌های نادر می‌تواند شناسایی را ممکن کند. مجوز استفاده از داده در مطالعه نیز لزوماً شامل ارسال آن به هر سرویس بیرونی نمی‌شود. درباره شرایط نگهداری و پردازش داده و مجوز سازمانی تصمیم بگیرید؛ فرض «ابزار معروف است، پس امن است» کافی نیست.
کدام استفاده‌ها نیازمند بررسی‌اند؟
| کاربرد | کنترل لازم |
|---|---|
| توضیح یک مفهوم یا پیشنهاد سؤال برای یادگیری | تطبیق با منبع درسی یا علمی معتبر |
| بازخورد روی ساختار متن مجاز | بررسی سیاست، محرمانگی و صحت معنای متن |
| پیشنهاد کد تحلیل یا رسم شکل | بازبینی روش، آزمون با داده ساختگی و کنترل مستقل خروجی |
| پیشنهاد منبع یا خلاصه مقاله | بازکردن منبع اصلی و تطبیق ادعا با متن واقعی |
این جدول اعلام مجازبودن خودکار نیست. حتی در کار کم‌خطر، اگر دانشگاه یا مجله استفاده‌ای را محدود کرده باشد، همان سیاست باید رعایت شود. نقش ابزار را از ابتدا ثبت کنید تا در زمان گزارش مجبور به حدس‌زدن سابقه استفاده نباشید.
منبع ساختگی را چگونه تشخیص دهیم؟
مدل ممکن است عنوان، نام نویسنده یا DOI قانع‌کننده‌ای بسازد که وجود ندارد یا به مقاله دیگری تعلق دارد. برای هر منبع، عنوان، نویسندگان، سال، مجله و شناسه را در پایگاه یا وبگاه ناشر بررسی کنید. سپس متن اصلی را بخوانید و ببینید آیا ادعای مورد نظر واقعاً از آن پشتیبانی می‌شود.
وجود مقاله به‌تنهایی کافی نیست. ممکن است جامعه، طراحی یا نتیجه با آنچه مدل نوشته فرق داشته باشد. یک جدول ساده نگه دارید: ادعا، منبع واقعی، محل شاهد، محدودیت و تصمیم نهایی. درباره مقاله‌ای که فقط چکیده آن را خوانده‌اید، ادعای مرور کامل متن نکنید.
کد تحلیل را هم باید آزمایش کنیم
کد تولیدشده ممکن است اجرا شود، اما متغیر مرجع را برعکس بگیرد، داده جفتی را مستقل تحلیل کند یا گمشدگی را به صفر تبدیل کند. ابتدا هدف و نوع داده را روشن کنید. سپس روی داده ساختگی با جواب قابل محاسبه، ورودی، فیلترها، تبدیل‌ها و خروجی را بررسی کنید. اجرای بی‌خطای برنامه، اعتبار علمی تحلیل را ثابت نمی‌کند.
دستورها و نسخه ابزارها را نگه دارید و نتیجه مهم را با روش مستقل یا بازبینی متخصص کنترل کنید. اگر نمی‌توانید منطق یک تحلیل را توضیح دهید، آن را صرفاً به دلیل پیشنهاد مدل وارد پایان‌نامه نکنید. راهنمای انتخاب روش آماری چارچوب پرسش‌های اولیه را توضیح می‌دهد.
مسئولیت و اعلام استفاده چه می‌شود؟
طبق توصیه‌های ICMJE، انسان مسئول صحت و اصالت محتوا باقی می‌ماند؛ ابزار هوش مصنوعی نویسنده مسئول محسوب نمی‌شود و استفاده از آن باید مطابق سیاست انتشار شفاف شود. این توصیه درباره انتشار علمی را با مقررات آموزشی دانشگاه خود نیز تطبیق دهید.
ثبت کنید کدام ابزار، در چه زمان و برای چه کاری به‌کار رفته و چه بازبینی انسانی انجام شده است. اگر مجله فرم یا محل خاصی برای اعلام دارد، همان را رعایت کنید. درباره استفاده در تحلیل یا تولید شکل، شرح روش ممکن است لازم باشد؛ یک جمله مبهم درباره «کمک نرم‌افزار» همیشه اطلاعات کافی نمی‌دهد.
چه کارهایی را نباید به ابزار واگذار کرد؟
- ساختن پاسخ مشارکت‌کننده، مشاهده یا نتیجه و معرفی آن به‌عنوان داده واقعی؛
- تولید تصویر بالینی یا آزمایشگاهی و جا‌زدن آن به‌عنوان شاهد مطالعه؛
- ساخت ارجاع یا تأیید مجوز بدون بررسی مرجع اصلی؛
- پنهان‌کردن منشأ متن یا استفاده برخلاف سیاست دانشگاه و مجله؛
- بارگذاری متن داوری محرمانه یا داده حساس بدون مجوز لازم.
داده شبیه‌سازی‌شده برای آموزش و آزمون کد مفید است، به شرط آنکه با برچسب روشن از داده واقعی جدا بماند. شکل آموزشی نیز نباید با نمودار نتیجه مطالعه اشتباه شود. همین تمایز در طراحی تصویرهای این مجموعه رعایت شده است: نمودارها آموزشی‌اند و شاهد پروژه واقعی معرفی نشده‌اند.
یک گردش کار قابل پیگیری
ابتدا محدودیت و سیاست را روشن کنید؛ سپس حداقل ورودی مجاز را انتخاب کنید. خروجی را به ادعاهای کوچک تبدیل و هر ادعا را با منبع یا محاسبه مستقل بررسی کنید. متن را با فهم و بیان خود بازبینی کنید و سابقه نقش ابزار را نگه دارید. در پایان، همانند سایر بخش‌های پژوهش، از استاد یا همکار مرتبط بازخورد بگیرید.
سند نمایه هوش مصنوعی مولد NIST خطرهایی مانند تولید اطلاعات نادرست و مسائل حریم خصوصی را در مدیریت ریسک مطرح می‌کند. برای یک دانشجو، نتیجه عملی این است که میزان کنترل باید با حساسیت کار بیشتر شود؛ پاسخ ابزار را به‌عنوان تأیید مستقل خودش نپذیرید.
پرسش‌های رایج
اگر مدل منبع بدهد، کافی است؟
خیر؛ وجود، مشخصات و ارتباط واقعی منبع با ادعا باید بررسی شود. از ابزار می‌توان برای پیشنهاد مسیر جست‌وجو کمک گرفت، نه برای حذف مطالعه منبع.
می‌توان برای بهترشدن متن از آن کمک گرفت؟
در صورت سازگاری با سیاست و مجوز داده، ممکن است؛ اما معنی علمی، اصالت، استناد و اعلام استفاده باید کنترل شوند. متن محرمانه را بدون بررسی شرایط بارگذاری نکنید.
اگر درباره مجازبودن تردید داریم؟
کاربرد دقیق را با استاد یا مرجع مربوط مطرح کنید. در منتورشیپ پژوهشی می‌توان مهارت راستی‌آزمایی و گردش کار شفاف را تمرین کرد.
منابع
- ICMJE؛ استفاده مسئولانه از هوش مصنوعی در انتشار
- NIST AI 600-1؛ نمایه مدیریت ریسک هوش مصنوعی مولد
- سیاست فعلی دانشگاه، مرکز داده و مجله مقصد درباره کاربرد ابزارهای هوش مصنوعی
آخرین بازبینی محتوایی: ۱۲ آبان ۱۴۰۵. نمودارها و مثال‌های این راهنما آموزشی‌اند و به‌عنوان داده یا تصویر واقعی یک پژوهش معرفی نشده‌اند.
