مقاله نویسی با استفاده از هوش مصنوعی: از مسئله‌یابی تا نهایی سازی

جلسه اول: مباحث مقدماتی و آشنایی با ابزارها

این جلسه به معرفی اهداف کارگاه، تشریح ساختار پنج جلسه‌ای و ایجاد مفاهیم بنیادین استفاده از هوش مصنوعی به عنوان دستیار پژوهشی می‌پردازد. این بخش فرصت‌ها و تهدیدهای هوش مصنوعی در محیط آکادمیک را پوشش داده و ابزارهای کلیدی و اصول پرامپت‌نویسی مؤثر را معرفی می‌کند.

یک) پیش‌فرض‌های دوره و مفاهیم کلیدی هوش مصنوعی

در این کارگاه فرض بر این است که شرکت‌کنندگان با روش تحقیق آشنایی دارند و با ابزارهای هوش مصنوعی کار کرده‌اند. هدف ما تلاقی این دو دانش و دستیابی به یک خروجی پژوهشی با کیفیت است. مفاهیم کلیدی که با آن‌ها سروکار داریم عبارتند از:

• هوش مصنوعی (Artificial Intelligence): توانایی یک رایانه برای یادگیری مانند یک انسان از طریق شبکه‌های عصبی.
• یادگیری ماشینی (Machine Learning): فرآیندی که در آن ما به ماشین آموزش می‌دهیم و او بر اساس آن آموزش‌ها عمل می‌کند.
• یادگیری عمیق (Deep Learning): مرحله پیشرفته‌تری که در آن هوش مصنوعی نه تنها از دستورات مستقیم، بلکه از تحلیل رفتار کاربر نیز یاد می‌گیرد و دیگر نیازی به برنامه‌ریزی مستقیم برای هر کار ندارد.

موفقیت در استفاده از هوش مصنوعی به توانایی شما در پرامپت‌نویسی (Prompt Engineering) یا درخواست‌نویسی بستگی دارد. پرامپت، نوعی آموزش و درخواست است که به هوش مصنوعی داده می‌شود تا خروجی مطلوب حاصل شود. اگر ورودی شما ضعیف باشد، خروجی نیز مانند پاسخ یک کودک بدون توانایی تحلیل، نامعتبر خواهد بود.

دو) فرصت‌ها، تهدیدها و رویکرد صحیح به هوش مصنوعی

استفاده از هوش مصنوعی در پژوهش، مانند هر ابزار دیگری، دارای مزایا و معایب خاص خود است. ما باید از ابزارها درست استفاده کنیم. خاطرم هست اوایل طلبگی که نرم‌افزارهای "نور" تازه وارد حوزه شده بود، خیلی از قدیمی‌ترها مقاومت می‌کردند و می‌گفتند "اینها اشتباه دارند". آن زمان یک مشکل فنی وجود داشت؛ ک فارسی با ک عربی در نرم‌افزار تفاوت داشت. اگر با کیبورد فارسی جستجو می‌کردید، کلمه‌ای را پیدا نمی‌کرد. استادی به ما می‌گفت: "ببینید! من می‌دانم این کلمه در فلان کتاب هست ولی نرم‌افزار پیدا نمی‌کند، پس قابل اعتماد نیست." اما اگر کسی آن زمان به خاطر چنین مشکلاتی از این ابزارها فاصله می‌گرفت، امروز برای رسیدن به دیگران بسیار عقب می‌افتاد. پس باید از ابزارها استفاده کنیم، اما درست.

در جدول زیر فرصت‌ها و تهدیدهای اصلی خلاصه شده است:

رویکرد صحیح این است که از هوش مصنوعی به عنوان جایگزین پژوهشگر استفاده نشود. شما می‌توانید به آن به سه شکل نگاه کنید:

• دستیار (Assistant): وظایفی را به او محول کنید.
• همکلاسی (Peer): برای هم‌فکری از آن استفاده کنید.
• استاد (Guide): برای یادگیری از آن کمک بگیرید.

سه) معرفی ابزارهای کلیدی هوش مصنوعی

ابزارهای متعددی برای پژوهش در دسترس هستند، از جمله ChatGPT، Gemini، Monica، DeepSeek، Grok و Perplexity. در این کارگاه، ما عمدتاً بر روی ChatGPT و Gemini تمرکز خواهیم کرد.

در ابتدای این بخش، مدرس با مشکلاتی در اشتراک‌گذاری صفحه نمایش مواجه شد که پس از چند تلاش برطرف گردید.

• ویژگی‌های کلیدی ChatGPT:
  • امکان بارگذاری فایل و دسترسی به گوگل درایو.
  • حالت "فکر کردن" (Thinking) برای تحلیل‌های عمیق‌تر.
  • جستجو در اینترنت برای دسترسی به اطلاعات به‌روز.
• ویژگی‌های کلیدی Gemini:
  • قابلیت Deep Research برای پژوهش عمیق و جمع‌آوری منابع اینترنتی.
  • نمای پویا (Dynamic View) برای تبدیل محتوای متنی به یک تجربه یادگیری فعال.
  • جم‌ها (Gems) که دستورات از پیش آماده و ذخیره‌شده برای کارهای تکراری هستند (مانند جم "فارسی روان" برای ویراستاری).

چهار) اصول چهارگانه پرامپت‌نویسی مؤثر

برای دریافت بهترین خروجی از هوش مصنوعی، پرامپت‌های شما باید چهار اصل زیر را رعایت کنند:

1. هدف مشخص (Clear Goal): از عبارات کلی مانند "مقاله بنویس" پرهیز کنید. هوش مصنوعی مشترکات لفظی را نمی‌فهمد. باید دقیقاً مشخص کنید چه نوع مقاله‌ای (پژوهشی، ترویجی، حوزوی، دانشگاهی) برای چه هدفی (پایان‌نامه کارشناسی ارشد رشته حقوق) می‌خواهید. مانند اینکه به فرزندتان بگویید "برو نان بخر"؛ اگر مشخص نکنید چه نانی می‌خواهید، هرچه بخرد نمی‌توانید ایراد بگیرید.
2. زمینه‌سازی (Providing Context): تمام جزئیات و استانداردهای لازم را ارائه دهید. اگر عنوان مقاله می‌خواهید، باید بگویید یک عنوان استاندارد شامل سه جزء "هسته مرکزی"، "قید تحقیق" و "دامنه تحقیق" است. باید تمام پیش‌فرض‌ها را به آن آموزش دهید.
3. طول مناسب (Appropriate Length): از نوشتن داستان‌های طولانی و دستورات متضاد خودداری کنید. اگر پرامپت شما بیش از حد طولانی شود یا دستورات متناقضی در آن باشد، هوش مصنوعی سردرگم شده و خروجی نادرستی تولید می‌کند.
4. پرسش‌های کیفی (Qualitative Questions): به جای سؤالات بله/خیر، سؤالاتی بپرسید که نیاز به تبیین و تحلیل دارند. به جای اینکه بپرسید "آیا این عنوان درست است؟"، بگویید: "این عنوان را بر اساس استانداردهای پژوهشی و نکات ویرایشی تحلیل و ارتقا بده.

جلسه دوم: یافتن مسئله پژوهشی (مسئله‌یابی)

یک تمایز کلیدی در پژوهش وجود دارد:

• سؤال آموزشی (Learning Question): سؤالی که پاسخ آن وجود دارد، اما شما آن را نمی‌دانید (مثال: شرایط متعاقدین چیست؟).
• سؤال پژوهشی (Research Question): سؤالی که هیچ‌کس پاسخ آن را نمی‌داند و دارای نوآوری است (مجهول واقعی).

در یک نمایش زنده، مدرس نحوه استفاده از ChatGPT را برای یافتن یک موضوع پژوهشی جدید نشان داد. با ارائه پرامپت زیر، از هوش مصنوعی خواسته شد تا یک شکاف پژوهشی را شناسایی کند:

برای به دست آوردن عنوان مقاله پژوهشی در زمینه فقه امامیه پیرامون موضوع "حجاب دختر ممیزه"، با جستجو در سایت‌های نورمگز، مگیران و دیگر پایگاه‌های استنادی، عنوانی پیشنهاد بده که غیر تکراری و جدید باشد.

ChatGPT با بررسی منابع موجود، عناوینی را پیشنهاد داد که قبلاً کار نشده بودند، مانند "تحلیل مقایسه‌ای دیدگاه فقه امامیه درباره وجوب حجاب دختر ممیزه و سن بلوغ فقهی." این فرآیند نشان می‌دهد که هوش مصنوعی می‌تواند به سرعت شکاف‌های پژوهشی را شناسایی کند.

--------------------------------------------------------------------------------

جلسه سوم: طراحی طرح تحقیق (پروپوزال‌نویسی)

این جلسه بر مرحله اولیه پژوهش رسمی، یعنی تدوین پروپوزال، تمرکز دارد. در این بخش، نحوه اجتناب از دام‌های رایج هوش مصنوعی مانند تولید موضوعات بی‌معنا و فرآیند تدوین بیان مسئله و سؤالات تحقیق بر اساس استانداردهای آکادمیک نمایش داده می‌شود.

یک) شناسایی و اجتناب از "مسئله پوچ"

یکی از خطرات استفاده از هوش مصنوعی، تولید "مسئله پوچ" است؛ یعنی موضوعی که از نظر شکلی استاندارد به نظر می‌رسد اما از نظر محتوایی بی‌معنا یا غیرقابل تحقیق است.

• مثال: "نقش عرفان اسلامی در جایگاه امام جمعه". این عنوان از نظر ساختاری درست است، اما رابطه منطقی و قابل پژوهشی بین عرفان و جایگاه امام جمعه وجود ندارد.

برای تأکید بر اهمیت نظارت پژوهشگر، مقاله‌ای واقعی با عنوان "مالیت خون" که به جشنواره علامه حلی ارسال شده بود، به عنوان یک نمونه هشداردهنده بررسی شد. این مقاله که توسط هوش مصنوعی تولید و بدون بازبینی ارسال شده بود، دارای اشتباهات فاحش علمی و ارجاعات ساختگی بود، از جمله:

• ادعای طهارت خون بر اساس آیه ۲۱ سوره نور و روایتی از امام صادق (ع).
• ارجاع به منابع معتبر فقهی برای اثبات ادعاهایی که در آن منابع وجود نداشتند. این نمونه نشان می‌دهد که بدون تسلط علمی و شکلی پژوهشگر، استفاده از هوش مصنوعی می‌تواند به اعتبار علمی فرد آسیب جدی وارد کند.

دو) نگارش بیان مسئله (Statement of the Problem)

برای نگارش بیان مسئله با کمک هوش مصنوعی، باید یک پرامپت ساختاریافته ارائه داد. بهترین روش، مشخص کردن اجزای بیان مسئله برای هوش مصنوعی است.

بند معلومات (Knowns) بند مجهولات (Unknowns) سؤال اصلی (Main Question)

همچنین، افزودن عباراتی مانند "به صورت پاراگراف‌های منسجم" و "به فارسی روان" به انتهای پرامپت، باعث می‌شود خروجی از حالت لیست‌وار و ماشینی خارج شده و متنی یکپارچه و خوانا تولید شود.

سه) تفاوت ساختار تحقیق (سنتی در مقابل مدرن)

هوش مصنوعی عمدتاً با ساختار مدرن دانشگاهی آشناست. اگر پژوهشگر با ساختارهای مختلف آشنا نباشد، ممکن است خروجی نامناسبی دریافت کند. تفاوت اصلی این دو ساختار در جدول زیر آمده است:

در ساختار سنتی، بدنه اصلی تحقیق بر اساس سؤالات فرعی شکل می‌گیرد، در حالی که در ساختار مدرن، فصول از یک منطق روش‌شناختی ثابت پیروی می‌کنند.

چهار) استخراج سؤالات اصلی و فرعی تحقیق

اگر یک پرامپت ساده برای استخراج سؤالات فرعی به هوش مصنوعی داده شود، ممکن است تعداد زیادی سؤال (مثلاً ۶ تا ۹ سؤال) تولید کند که با استاندارد پروپوزال‌های حوزوی (که معمولاً به ۲ یا ۳ سؤال فرعی محدود است) مطابقت ندارد.

روش اصلاح‌شده: برای دریافت خروجی استاندارد، باید هوش مصنوعی را به طور دقیق راهنمایی کرد. این کار با مشخص کردن تعداد دقیق سؤالات فرعی مورد نیاز (مثلاً دو یا سه سؤال) و ارائه یک فایل حاوی قواعد روش تحقیق برای فرمول‌بندی سؤالات انجام می‌شود. با این روش، هوش مصنوعی یاد می‌گیرد که سؤالات را بر اساس الگوی مورد نظر (مثلاً تقسیم یک مفهوم کلیدی به اجزا، انواع یا مراحل) طراحی کند.

--------------------------------------------------------------------------------

جلسه سوم: منبع‌یابی، مطالعه و تحلیل اولیه

این جلسه به مرحله اجرایی پژوهش می‌پردازد و تکنیک‌های پیشرفته برای تولید پیشینه تحقیق، اخلاق و مکانیک تشخیص متن تولیدشده با هوش مصنوعی، و روش‌های استفاده از هوش مصنوعی برای یافتن و "خواندن" منابع علمی را پوشش می‌دهد.

یک) نگارش پیشینه تحقیق (Literature Review)

در پاسخ به مشکل یکی از شرکت‌کنندگان در مورد تولید منابع جعلی توسط هوش مصنوعی، مدرس تأکید کرد که اصلاح پرامپت کلید حل این مشکل است. با دسترسی دادن به اینترنت (گزینه وب سرچ در ChatGPT)، هوش مصنوعی منابع واقعی را پیدا می‌کند.

این پرامپت دقیق، هوش مصنوعی را وادار می‌کند تا منابع معتبر را جستجو کرده و گزارشی ساختاریافته ارائه دهد که شامل تحلیل شکاف پژوهشی (وجه برتری) نیز باشد.

دو) تشخیص متن تولیدشده با هوش مصنوعی و انسانی‌سازی

دو نوع ابزار در این زمینه وجود دارد:

• AI Detector (تشخیص‌دهنده هوش مصنوعی): ابزارهایی که متن را اسکن کرده و احتمال تولید آن توسط هوش مصنوعی را مشخص می‌کنند.
• AI Humanizer (انسانی‌ساز هوش مصنوعی): ابزارهایی که متن تولیدشده توسط هوش مصنوعی را بازنویسی می‌کنند تا طبیعی‌تر به نظر برسد و توسط تشخیص‌دهنده‌ها شناسایی نشود.

در یک نمایش زنده، متنی از کتاب استاد مطهری (۱۰۰٪ انسانی) و متنی تولیدشده توسط هوش مصنوعی (۱۰۰٪ ماشینی) با یک ابزار تشخیص‌دهنده آزمایش شد و ابزار توانست با دقت بالا هر دو را به درستی شناسایی کند.

سه) چالش‌ها و راهکارهای منبع‌یابی (Sourcing)

یکی از بزرگ‌ترین محدودیت‌های هوش مصنوعی، عدم دسترسی به منابعی است که در اینترنت ایندکس نشده‌اند یا پشت دیوار پرداخت (Paywall) قرار دارند. برای منابعی که به صورت عمومی در اینترنت در دسترس هستند، می‌توان از قابلیت Deep Research در Gemini استفاده کرد. این ابزار تمام منابع اینترنتی مرتبط با یک موضوع را جستجو کرده و در یک فایل جامع همراه با آدرس ارائه می‌دهد.

چهار) مطالعه و بررسی منابع با هوش مصنوعی

یکی از کاربردهای هوش مصنوعی، کمک به مطالعه سریع منابع است. در یک نمایش عملی، یک فایل PDF در محیط هوش مصنوعی بارگذاری شد و از آن سؤالاتی در مورد محتوای فایل پرسیده شد.

محدودیت‌ها:

• نسخه رایگان Gemini تنها ۱۰ صفحه اول فایل را پردازش می‌کند.
• ChatGPT (در نسخه رایگان) قادر به پردازش کل فایل است.

چالش‌های اصلی مطالعه با هوش مصنوعی:

• درک ناقص سؤال: باید اطمینان حاصل کرد که هوش مصنوعی ظرافت و نیت دقیق سؤال کاربر را درک کرده است.
• نادیده گرفتن جزئیات: این ریسک وجود دارد که هوش مصنوعی نکات ظریف اما مهمی را که در متن پنهان است، نادیده بگیرد.

--------------------------------------------------------------------------------

جلسه چهارم: فیش‌برداری، تحلیل عمیق و نگارش

این جلسه بر اساس مباحث قبلی، به کارهای فکری اصلی پژوهش می‌پردازد. یک چارچوب پنج لایه‌ای برای تحلیل، از توصیف ساده تا ارزیابی پیچیده، معرفی می‌شود و نحوه ترکیب داده‌های استخراج‌شده و تحلیل‌ها برای نگارش یک متن منسجم آکادمیک نمایش داده می‌شود.

یک) فیش‌برداری و استخراج اطلاعات (Note-taking)

فیش‌برداری یا استخراج داده‌ها را می‌توان با هوش مصنوعی تسریع کرد. Gemini می‌تواند متن را از تصاویر (اسکرین‌شات از PDF) یا فایل‌های PDF استخراج کرده و ارجاعات درون‌متنی را نیز حفظ کند. برای دریافت متن دقیق و کلمه‌به‌کلمه از یک منبع، می‌توان از دستور به صورت دقیق بنویس استفاده کرد. این کار باعث می‌شود هوش مصنوعی از خلاصه‌سازی یا بازنویسی خودداری کند.

دو) پنج لایه تحلیل علمی

این چارچوب، نقشه راهی برای تولید یک تحقیق عمیق و نوآورانه است که از سطح گردآوری (ترویجی) فراتر رفته و به سطح خلق دانش (پژوهشی) می‌رسد. هرچه لایه تحلیل عمیق‌تر باشد، کار پژوهشی‌تر و ارزشمندتر خواهد بود.

1. نقل قول مستقیم (Direct Quote):
   • تعریف: این لایه، استخراج داده‌های خام از منابع بدون هیچ‌گونه تغییری است. این همان فیش‌برداری است و هنوز تحلیلی صورت نگرفته است.
2. تفسیر و ترجمه (Interpretation & Translation):
   • تعریف: در این لایه، محتوای منابع به زبان خود پژوهشگر بیان می‌شود. این مرحله شامل فعالیت‌های زیر است:
     • خلاصه‌سازی: فشرده کردن اطلاعات.
     • بسط دادن: شرح و توضیح یک مفهوم.
     • مقایسه کردن (Comparison): یافتن شباهت‌ها و تفاوت‌ها بین دیدگاه‌ها یا تعاریف مختلف.
     • طبقه‌بندی (Classification): دسته‌بندی اطلاعات بر اساس ویژگی‌های مشترک.
3. تطبیق دادن (Application):
   • تعریف: در این لایه، تولید علم آغاز می‌شود. پژوهشگر یک قاعده، نظریه یا حکم کلی را بر یک مصداق یا پدیده جدید اعمال می‌کند.
   • مثال: بررسی انطباق توافق برجام با قاعده نفی سبیل.
4. تجزیه کردن (Deconstruction):
   • تعریف: در این لایه، یک نظریه، حکم یا فتوا به اجزای بنیادین و مبانی آن شکسته می‌شود تا ریشه‌های آن مشخص گردد.
   • مثال: تحلیل مبانی و ادله فقهی و اصولی فتوای حرمت سیگار کشیدن برای کشف اینکه این فتوا بر چه قواعدی (مانند قاعده لاضرر یا حرمت اسراف) استوار است.
5. ارزیابی کردن (Evaluation):
   • تعریف: این عمیق‌ترین لایه تحلیل است که در آن پژوهشگر یک نظریه را قضاوت می‌کند. این ارزیابی دو جنبه دارد:
     • اعتبار (Validity): آیا نظریه صحیح (True) است یا غلط (False)؟
     • ارزش (Value): آیا نظریه خوب (Good) است یا بد (Bad) و چه پیامدهایی دارد؟

سه) نگارش بدنه اصلی مقاله (Composing the Main Body)

پس از جمع‌آوری فیش‌ها و انجام تحلیل‌های لازم، می‌توان این محتوای آماده را به هوش مصنوعی ارائه داد تا یک متن منسجم و آکادمیک تولید کند. می‌توان از هوش مصنوعی درخواست کرد تا متن را در قالب‌های مشخصی مانند یک "مقاله کوتاه" که شامل پاراگراف‌های مقدمه، پشتیبان و نتیجه‌گیری است، بنویسد.

مدرس توصیه کرد که برای کارهای نگارشی از Gemini استفاده شود، زیرا ظرفیت تولید خروجی‌های طولانی‌تری نسبت به ابزارهای دیگر دارد.

--------------------------------------------------------------------------------

جلسه پنجم: تکمیل، ارائه و نکات نهایی

جلسه پایانی مراحل نهایی فرآیند پژوهش را پوشش می‌دهد و متن پیش‌نویس را به یک مقاله قابل ارائه تبدیل می‌کند. این بخش شامل ویراستاری، مدیریت ارجاعات، تولید اجزای کلیدی مانند چکیده و یک پرسش و پاسخ نهایی برای جمع‌بندی کارگاه است.

یک) ویراستاری و ارجاع‌دهی (Editing and Citation)

برای ویراستاری متن، هم می‌توان از نرم‌افزارهای سنتی مانند پاکنویس و هم از ابزارهای مبتنی بر هوش مصنوعی مانند وب‌سایت WordCount.net یا جم "فارسی روان" در Gemini استفاده کرد.

در یک نمایش زنده، نحوه تبدیل ارجاعات پاورقی به ارجاعات درون‌متنی به شیوه شیکاگو (Chicago style) نشان داده شد. این کار با ارائه یک پرامپت ساده که شیوه مورد نظر را مشخص می‌کرد، انجام شد و تأکید شد که می‌توان هر شیوه ارجاع‌دهی را به عنوان یک الگو به هوش مصنوعی آموزش داد.

دو) تنظیم ساختار نهایی مقاله

برای تعیین ساختار مورد نیاز برای ارسال مقاله به یک نشریه، دو روش اصلی وجود دارد:

1. مراجعه به بخش "راهنمای نویسندگان" (Author Guidelines) در وب‌سایت نشریه.
2. تحلیل ساختار آخرین مقاله‌ای که در آن نشریه منتشر شده است تا از الگوی آن پیروی شود.

سه) تولید اجزای نهایی تحقیق (مقدمه، نتیجه‌گیری، چکیده)

برای تولید اجزای نهایی مقاله، باید ترتیب منطقی زیر رعایت شود:

1. مقدمه (Introduction):
   • مقدمه از طرح تحقیق کامل‌شده تولید می‌شود. با ارائه پروپوزال به هوش مصنوعی، می‌توان یک مقدمه ساختاریافته شامل بیان مسئله، اهداف، سؤالات و پیشینه تحقیق دریافت کرد.
2. نتیجه‌گیری (Conclusion):
   • نتیجه‌گیری بر اساس بدنه اصلی مقاله و مقدمه نوشته می‌شود. می‌توان از هوش مصنوعی خواست تا نتایج را در تعداد مشخصی نکته (مثلاً ۵ نکته) خلاصه کرده و چند پیشنهاد برای تحقیقات آینده ارائه دهد.
3. چکیده (Abstract):
   • چکیده عصاره تحقیق است و پس از تکمیل مقدمه و نتیجه‌گیری تولید می‌شود. در پرامپت باید جزئیاتی مانند تعداد کلمات (مثلاً ۲۵۰ کلمه)، ساختار تک‌پاراگرافی و عناصر الزامی (بیان مسئله، روش تحقیق، یافته‌ها) مشخص شود.

برای پیگیری دوره ها و مشاوره پژوهشی با این شماره تماس بگیرید:
09132590646