⁉️ پرسش و پاسخ درمورد روایی (بخش ویژه ✨)

سلام مجدد به همه پژوهشگرای کمیته تحقیقات گرمی 👋🏻 تو پست قبلی که در مورد «روایی محتوا» صحبت کردیم، گفتیم که باید پرسشنامه‌مون رو بدیم به چندتا استاد و متخصص تا نظر بدن. حالا بعضی از شما عزیزان پرسیدید: «این نسبت روایی محتوا (CVR) و شاخص روایی محتوا (CVI) که گاهی تو مقاله‌ها می‌بینیم چی هستن؟ آیا ما هم برای پرسشنامه محقق‌ساخته‌مون باید اینا رو حساب کنیم؟»

✅ خب، خوشگلایِ من توجه کنن تا خیلی ساده و روان این مبحث رو بررسی کنیم:

یادتونه گفتیم در سنجش روایی محتوا از متخصص‌ها در مورد «ضروری بودن» و «مرتبط بودن» سوال‌ها می‌پرسیم؟ حالا می‌تونیم این نظرات رو به عدد هم تبدیل کنیم تا کارمون دقیق‌تر بشه:

📌 نسبت روایی محتوا CVR: این شاخص که آقای «لاوشه» معرفیش کرده، بیشتر روی «ضروری بودن» هر سوال تمرکز داره. از متخصص‌ها می‌خوایم بگن هر سوال چقدر «ضروریه» و نمره‌دهی کنن(معمولا در مقیاس سه گزینه‌ای). بعد با یه فرمول ساده، یه عددی برای هر سوال به دست میاد. هرچی این عدد بالاتر باشه، یعنی اون سوال از نظر متخصص‌ها ضروری‌تره. (بسته به تعداد متخصصانی که توی این فرایند شرکت کردن، عدد مطلوب متغیره که جدولش رو براتون ضمیمه می‌کنیم)

📌 شاخص روایی محتوا CVI: این یکی بیشتر به «مرتبط بودن» و گاهی «واضح بودن» هر سوال از دید متخصص‌ها کار داره. متخصص‌ها به هر سوال بر اساس میزان ارتباطش با موضوع، روی یه مقیاس (مثلاً ۱ تا ۴) نمره میدن. بعد ما درصد متخصص‌هایی که نمره بالا دادن رو حساب می‌کنیم.

📌 کدوم بهتره؟ CVR یا CVI؟ هر دو خوبن و هدفشون یکیه: مطمئن شدن از اینکه محتوای سوالات شما درسته. CVR بیشتر روی «ضروری بودن» تک‌تک سوال‌ها تاکید داره و CVI روی «مرتبط بودن» اون‌ها. خیلی از پژوهشگرها از هر دو یا یکی از اون‌ها بسته به نیازشون استفاده می‌کنن. مهم اینه که شما بتونید با عدد و رقم نشون بدید که متخصص‌ها محتوای پرسشنامه‌تون رو تایید کردن.

📌 آیا با SPSS حساب میشن؟ بله، بعد از اینکه نظرات متخصص‌ها رو به صورت عددی جمع‌آوری کردید (مثلاً امتیازاتی که به هر سوال دادن)، می‌تونید داده‌ها رو وارد SPSS کنید و این شاخص‌ها رو محاسبه کنید یا از فرمول‌های دستی هم استفاده کنید.

📌 آیا محاسبه عددی (CVR/CVI) همیشه لازمه؟ برای کارهای دانشجویی ساده‌تر مثلا در مقطع کارشناسی، گاهی همون نظر کیفی متخصص‌ها کافیه. اما اگه دارید یه ابزار جدید و مهم می‌سازید یا برای ژورنال‌های معتبر مقاله می‌فرستید، گزارش کردن این اعداد اعتبار کارتون رو خیلی بالاتر می‌بره.

- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱

چطور از جدول لاوشه استفاده کنیم؟

• اول CVR رو برای هر سوال پرسشنامه‌تون با استفاده از نظرات متخصص‌ها و فرمولش حساب می‌کنید.
• بعد میرید سراغ جدول لاوشه (همین عکسی که براتون گذاشتیم).
• تو جدول، ردیفی رو پیدا می‌کنید که با تعداد متخصص‌های شما مطابقت داره.
• عدد حداقل CVR قابل قبول رو از اون ردیف می‌خونید.
• حالا CVR سوال خودتون رو با این عدد مقایسه می‌کنید:

🟢 اگه CVR سوال شما از حداقل مقدار تو جدول بیشتر یا مساوی بود: تبریک 🎉 اون سوال از نظر متخصص‌های شما «ضروری» و «قابل قبول» هست و می‌تونه تو پرسشنامه‌تون بمونه.

🔴 اگه CVR سوال شما از حداقل مقدار تو جدول کمتر بود: یعنی اکثر متخصص‌ها اون سوال رو «ضروری» ندونستن. پس بهتره اون سوال رو حذف کنید یا با دقت بازنگری و اصلاح اساسی کنید.

- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱

پرسشنامه‌ام چقدر ثابت‌قدمه؟ رمزگشایی از پایایی (Reliability) از صفر تا صد ⚙️💯⏳

سلام مجدد به همه پژوهشگرای عزیز 👋🏻 تو پست‌های قبلی یاد گرفتیم که «روایی» یعنی پرسشنامه‌مون دقیقاً همون چیزی رو بسنجه که باید. اما یه ابزار خوب، علاوه بر دقت، باید «ثبات» هم داشته باشه. یعنی اگه چند بار ازش استفاده کنیم، نتایج مشابهی بهمون بده. به این ویژگی میگن «پایایی» (Reliability).

📌 پایایی به زبان خیلی ساده یعنی چی؟
فکر کنید یه ترازوی دیجیتال دارید. اگه پنج بار پشت سر هم برید روش و هر بار یه وزن متفاوت (با اختلاف زیاد) نشون بده، بهش اعتماد می‌کنید؟ معلومه که نه! اون ترازو «پایا» نیست. پرسشنامه هم دقیقاً همینه! پایایی یعنی اینکه پرسشنامه شما چقدر نتایج باثبات و قابل تکراری ارائه میده، اگه تحت شرایط یکسان دوباره ازش استفاده بشه.

❓ چرا پایایی اینقدر مهمه؟
اگه پرسشنامه‌تون پایا نباشه، نتایجی که به دست میارید ممکنه شانسی باشن و قابل اعتماد نیستن.

📌 چطور بفهمیم پرسشنامه‌مون «پایا» است؟

چندتا روش رایج برای سنجش پایایی داریم که هرکدوم یه جنبه از ثبات رو بررسی می‌کنن:

✅ پایایی آزمون-بازآزمون (Test-Retest Reliability): آیا در گذر زمان ثبات داره؟ ⏳🔁

• ایده اصلی: اگه امروز از یه گروه پرسشنامه بگیریم و چند وقت دیگه (مثلاً دو هفته بعد) دوباره از همون گروه همون پرسشنامه رو بگیریم، آیا جواب‌هاشون شبیه به هم خواهد بود؟ (البته برای چیزایی که انتظار داریم تو این مدت ثابت مونده باشن، مثل صفات شخصیتی).
• چطور انجام میشه؟
پرسشنامه رو به یه گروه نمونه (مثلاً ۲۰-۳۰ نفر) میدید.
بعد از یه فاصله زمانی مناسب (معمولاً ۲ تا ۴ هفته)، دوباره همون پرسشنامه رو به همون افراد میدید.
بعد، «همبستگی» (Correlation) بین نمرات بار اول و بار دوم رو با نرم‌افزاری مثل SPSS حساب می‌کنید.
• نتیجه خوب چیه؟ همبستگی بالا (معمولاً بالای ۰.۷) نشون میده پرسشنامه‌تون در طول زمان ثبات خوبی داره.

✅ پایایی همسانی درونی (Internal Consistency Reliability): آیا سوالات با هم «هم‌ساز» هستن؟ 🎶🤝

• ایده اصلی: اگه چندتا سوال دارید که همه‌شون قراره یه مفهوم واحد رو بسنجن (مثلاً «رضایت شغلی»)، آیا این سوالات واقعاً دارن یه چیز رو اندازه می‌گیرن و با هم همخوانی دارن؟ یا هرکدوم یه ساز دیگه می‌زنن؟
• چطور انجام میشه (خیلی رایج و مهم)؟
🟢 آلفای کرونباخ (Cronbach's Alpha): این اسم رو حتماً زیاد شنیدید و تو مقاله‌ها دیدید. آلفای کرونباخ یه عدد بین ۰ تا ۱ هست. هرچی این عدد به ۱ نزدیک‌تر باشه، یعنی سوالات اون بخش از پرسشنامه شما همسانی درونی بهتری دارن و دارن یه مفهوم مشترک رو خوب اندازه می‌گیرن.
• چه عددی خوبه؟ معمولاً آلفای بالاتر از ۰.۷ قابل قبول تلقی میشه. (برای تصمیم‌گیری‌های بالینی مهم، گاهی دنبال آلفای بالاتر از ۰.۸ یا حتی ۰.۹ هستیم).
• چطوری حسابش کنیم؟ بعد از اینکه پرسشنامه رو روی یه گروه نمونه مناسب (معمولاً حداقل ۵۰ نفر یا بیشتر، بسته به تعداد سوالات) اجرا کردید، می‌تونید با نرم‌افزاری مثل SPSS به راحتی آلفای کرونباخ رو برای هر مقیاس یا زیرمقیاس پرسشنامه‌تون حساب کنید. این روش فقط با یک بار اجرای پرسشنامه قابل محاسبه‌ست و خیلی کاربردیه.
🟢 روش دو نیمه کردن (Split-Half): یه روش قدیمی‌تر که توش سوالات یه مقیاس رو به دو نیمه تصادفی تقسیم می‌کنن و همبستگی بین نمرات این دو نیمه رو حساب می‌کنن. (آلفای کرونباخ معمولاً دقیق‌تر و رایج‌تره).

✅ (برای اطلاع) پایایی بین ارزیاب‌ها (Inter-Rater Reliability): آیا دو نفر یه چیز رو می‌بینن؟ 🧑‍🤝‍🧑👀

• ایده اصلی: اگه مطالعه شما نیاز به قضاوت یا مشاهده توسط دو یا چند ارزیاب داره (مثلاً تو مطالعات مشاهده‌ای رفتار)، این روش بررسی می‌کنه که آیا ارزیاب‌های مختلف به نتایج مشابهی می‌رسن یا نه.
• چطور انجام میشه؟ با شاخص‌هایی مثل «کاپای کوهن» (Cohen's Kappa). (این روش برای پرسشنامه‌های خودایفا که خود فرد پر می‌کنه، معمولاً کاربرد نداره).

📌 قدم‌های اصلی برای گرفتن پایایی (خلاصه و مفید): 👣⚙️

• ببینید چه نوع پایایی برای پرسشنامه شما و سوال تحقیقتون مناسب‌تره (معمولاً برای شروع، «همسانی درونی» با آلفای کرونباخ خیلی رایج و مهمه).

• پرسشنامه‌تون رو روی یه نمونه مناسب از جامعه هدفتون اجرا کنید (برای آلفا، تعداد نمونه مهمه).

• با استفاده از نرم‌افزار آماری (مثل SPSS)، شاخص پایایی مورد نظرتون رو حساب کنید.

• نتیجه رو تفسیر کنید. اگه پایایی پایینه (مثلاً آلفای کرونباخ زیر ۰.۷)، یعنی سوالات اون بخش از پرسشنامه‌تون خوب با هم جور نیستن و شاید بعضی از سوالات نیاز به بازنگری یا حذف دارن.

- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱

خب دوستان، از اتاق فرمان اشاره کردن که درمورد «پایایی بین ارزیاب‌ها» (Inter-Rater Reliability) بیشتر صحبت کنیم.

- بریم که بررسی کنیم:

📍اصلا صبر کن ببینم... «ارزیاب» دیگه کیه؟ مگه تحقیق مال من نیست؟
ببین، تا حالا حرفمون سر پرسشنامه بود. یه برگه میدی دست طرف، پر می‌کنه، تموم. ولی فرض کن پروژه تحقیقت اینه که بری تو یه مهدکودک، فیلم بگیری و ببینی بچه‌ها چند بار در ساعت با هم «مشارکت» می‌کنن.
اینجا ابزار تحقیق دیگه پرسشنامه نیست؛ خودِ چشمای توئه! حالا استاد میگه برای اینکه کارت علمی باشه، باید با یکی از دوستات این کار رو انجام بدی. یعنی دو نفر (دو تا ارزیاب) می‌شینین پای لپ‌تاپ و فیلم رو می‌بینین.

❗چالش اصلی کجاست؟ تو صحنه‌ای که یه بچه اسباب‌بازیشو میده به بغل‌دستیش، تو تیک «مشارکت» رو می‌زنی. ولی دوستت میگه «نه! این که مشارکت نبود، اون یکی خودش اسباب‌بازی رو از دستش کشید!».
اینجا اگه تو و دوستت روی تعریف «مشارکت» به یه دیدگاه مشترک نرسیده باشین، آخر کار تو ۳۰ تا مشارکت شمردی، دوستت ۱۵ تا! خب الان کدوم درسته؟ هیچی! کل داده‌ها قابل اعتماد نیستن چون «پایا» نیستن.

💭 پس کی به دردمون می‌خوره؟
هر وقت که کار تحقیقت از جنس قضاوت کردن یا مشاهده کردن بود، نه پرسشنامه پر کردن. مثلاً:
تحلیل کامنت‌های یه پیج که «توهین‌آمیز» هستن یا نه.
دیدن فیلم مصاحبه با بیمار و تشخیص اینکه «مضطرب» به نظر میاد یا «آروم».
داوری کردن یه مسابقه (مثلاً دو تا داور به یه اجرا نمره میدن).

✅ خب راه حل چیه؟ آشنا بشین با رفیق شفیقمون: «کاپای کوهن»
این «کاپا» یه فرمول آماری هست که میاد کار شما دو تا ارزیاب رو تحلیل می‌کنه.
• چیکار می‌کنه؟ خیلی ساده‌ست. میاد میگه شما دو نفر، روی چند درصد از موارد با هم، هم‌نظر بودین.
• ولی یه حرکت خیلی خفن‌تر هم می‌زنه: کاپا میاد توافقی که شانسی هم ممکن بود اتفاق بیفته رو محاسبه می‌کنه و از نتیجه کم می‌کنه! یعنی میگه «آقا یه سری موارد رو که شانسی هم ممکن بود مثل هم انتخاب کنین، اونا رو بریز دور! من فقط توافق واقعی و خالص شما رو می‌خوام.»
تهش یه عدد بهت میده (معمولاً بین ۰ تا ۱، هرچند منابع می‌گن بین ۱- تا ۱+ هست). اگه این عدد بالای ۰.۷ بود، یعنی دمتون گرم! کارتون درسته و خیلی هماهنگین. اگه پایین بود، یعنی باید بشینین دوباره با هم حرف بزنین و تعریفتون از چیزایی که می‌بینین رو یکی کنین.

📌 خلاصه کل داستان:
اگه تحقیقتون پرسشنامه‌ای بود، حواستون به آلفای کرونباخ باشه.
اگه تحقیقتون از مدل «بشینیم ببینیم چه خبره» بود (مشاهده‌ای، تفسیرمحور، قضاوتی)، حتماً قبلش باید پایایی کارتون رو با رفیقای ارزیابتون با کاپای کوهن چک کنین تا کارتون از بیخ و بن علمی و قابل دفاع باشه.
همین! چیز سختی نیست، فقط باید بدونین کِی ازش استفاده کنین. موفق باشین رفقا 😉✌️

- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱

سلام به همه‌ی همراهان عزیز🌱

اگه تا حالا با عدد و رقم‌هایی روبرو شدید که خیلی قانع‌کننده به نظر می‌اومدن، ولی یه حس مبهم بهتون می‌گفت که پشتش چیزی درست نیست… وقتشه با یه کتاب فوق‌العاده آشنا بشید:

🔍 کتاب «چگونه با آمار دروغ بگوییم» نوشته‌ی آقای دارل هاف با ترجمه و تألیف آقای حسین راهداری

این کتاب، با زبانی ساده ولی علمی، نشون می‌ده که آمار همیشه هم بی‌طرف و شفاف نیست!

«در کنار هر عدد آماری، همیشه باید از خودمون بپرسیم:
این آمار از چه نمونه آماری گرفته شده؟
آیا این نمونه، می‌تونه نماینده‌ی کل جمعیت باشه؟»

📖 بخونیم، بفهمیم، نقد کنیم.

- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱

روش آماری که دیجی‌کالا باهاش پول درمیاره 💵

یه لحظه فکر کنین شما پرسنل فروشگاه هایپراستارین. خب؟
رئیستون میاد بهتون میگه: «می‌خوام یه رازی رو برام کشف کنی! ببین وقتی مردم میان اینجا، چه چیزایی رو معمولاً با هم می‌خرن؟»
تو هم هزارتا فاکتور خرید جلوته.
یکی شیر و نون خریده... یکی دیگه ماکارونی و سس... یکی هم پوشک بچه و... یه نوشابه انرژی‌زا! یکم عجیبه، نه؟
حالا چطوری می‌خوای از بین این همه کاغذ، یه الگو پیدا کنی؟
اینکه بفهمی اونایی که ماکارونی می‌خرن، تقریباً همیشه سس هم تو سبدشونه؟ چشمی که نمیشه!

📌 اینجاست که SPSS میاد کمکت!
تو به SPSS میگی:
«این لیست خرید همه مشتریامه. برو ببین چه خبره. ببین چه چیزایی همیشه با هم خریده میشن.»
حالا SPSS، میره همه فاکتورا رو می‌خونه و چند دقیقه بعد با چندتا سرنخ کلیدی برمی‌گرده:
سرنخ ۱: «۸۰ درصد اونایی که ماکارونی برمی‌دارن، سس گوجه هم حتماً می‌خرن!»
سرنخ ۲: «اونایی که پوشک بچه می‌خرن، نسبت به بقیه آدما ۳ برابر بیشتر ممکنه نوشابه انرژی‌زا هم بخرن!»
سرنخ ۳: «چیپس و ماست موسیر هم که انگار دوقلو ان، همیشه با همن!»

📌 خب، اسم این کار چیه؟
به این کارآگاه‌بازی میگن «تحلیل سبد خرید».
حالا اینا به چه دردی می‌خوره؟
اینجاست که قضیه باحال میشه!
تو فروشگاه: تو به عنوان پرسنل میری پیش رئیست و میگی: «از فردا قفسه سس‌ها رو بچسبون به ماکارونی‌ها. یه یخچال کوچیک نوشابه انرژی‌زا هم بذار کنارِ وسایل بچه‌ها!» چی میشه؟ فروش میره بالا!
(حالا فهمیدین دیجی‌کالا از کجا می‌فهمه آدمی که دنبال گوشی موبایله، احتمالاً به قاب و گلس هم نیاز داره؟)

📌 تو کار پژوهش (هر رشته‌ای که هستی):
این داستان فقط مال چیپس و پفک نیست! فکر کن تو تحقیق خودت چه رازایی می‌تونی کشف کنی:
روانشناسی: «اونایی که اعتماد به نفسشون پایینه، دیگه چه فکرهایی همیشه باهاش تو سرشونه؟»
پزشکی: «مریضایی که میگن "سردرد" دارن، معمولاً چه علائم دیگه‌ای رو هم همزمان دارن؟»
علوم اجتماعی: «خانواده‌هایی که کتاب می‌خرن، دیگه چه تفریحایی رو معمولاً با هم انجام میدن؟»

💭 حرف آخر:
این روش یه جورایی مثل ذهن‌خوانی با داده‌هاست. به جای اینکه فقط کارای تکراری مثل میانگین گرفتن انجام بدی، داری عادت‌های واقعی آدما رو کشف می‌کنی. داری می‌فهمی تو دنیای واقعی، چه چیزایی به هم ربط دارن.

- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱

📍 فراخوان تشکیل هسته‌های پژوهشی جهت آموزش عملی و نگارش گروهی کیس‌های جراحی جهت چاپ در ژورنال‌های بین‌المللی (ISI)

💬 ویژه دانشجویان پزشکی علاقه‌مند به پژوهش و نویسندگی علمی

🎯 منتور: اتابک صدیق‌نمین
دبیر کمیته تحقیقات و داور ژورنال International Journal of Surgery Case Reports


📌 شرایط عضویت:

• علاقه‌مندی به پژوهش و مقاله‌نویسی

• روحیه کار تیمی و مسئولیت‌پذیری

• حضور فعال در جلسات و پیگیری روند نگارش مقالات

📥 لینک ثبت نام و ارسال رزومه

〽️ لطفا بعد از ثبت نام در گروه زیر جوین بشین:
لینک گروه

📍 کمیته تحقیقات و فناوری دانشجویی دانشکده پزشکی دانشگاه علوم پزشکی اردبیل

🆔️ @ArUMSMedSRC

🌱 طبیعت را حفظ کنیم، خانه‌ی آیندگان است

قانون طلایی بیان مسئله که دانشگاه به شما نمیگه❗️

مهم‌ترین راز یک بیان مسئله اورجینال و قدرتمند اینه:
اول با مغزت داستان رو بساز، بعد با مقالات، بهش لباس علمی بپوشون 😬

می‌دونم، می‌دونم. بهتون گفتن اول برید صدتا مقاله رو زیر و رو کنید. نتیجه‌اش چی می‌شه؟ مغزتون پر از جملات بقیه می‌شه و آخرش یه متن چهل‌تیکه و بی‌روح تحویل می‌دید که از فرسنگ‌ها داد می‌زنه «من اصالت ندارم!». اون روش، مسیر مستقیم به سمت پژوهش‌های تکراری و سرقت علمی ناخواسته هست. (این هفته توی یه حوزه‌ای، 10 تا مقاله خوندم که بیان مسئله اکثرشون شبیه هم بود🫢)

روش درست، که حکم پادزهر رو داره، اینه:

📍مرحله ۱: شیرجه عمیق (اما هوشمندانه) 🏊‍♂️
بله، شما باید بخونید. حدود ۲۰ تا از مقالات کلیدی و جدید حوزه‌تون رو انتخاب کنید. اما نه برای اینکه جملاتشون رو کپی کنید! بلکه برای اینکه نقشه دستتون بیاد.
🔴 نکته ناگفته: موقع خوندن، یک جدول خلاصه برای خودتون بسازید. ستون‌هاتون اینا باشن: ادعای اصلی مقاله؟ / چطور اثباتش کردن؟ / کجای کارشون می‌لنگه یا چه سوالی بی‌پاسخ مونده؟. که ستون آخر، معدن طلای شماست.

📍مرحله ۲: دوران کمون (بذارید مغزتون کارشو بکنه) 🧠
بعد از این مطالعه عمیق، فاصله بگیرید! بله، درست شنیدید. حداقل یک روز کامل به پژوهش فکر نکنید. برید قدم بزنید، فیلم ببینید. مغز شما در پس‌زمینه، مثل یک سوپرکامپیوتر داره اون اطلاعات رو پردازش می‌کنه و نقاط رو به هم وصل می‌کنه. بهش زمان بدید.

📍مرحله ۳: طوفان فکری و خلق داستان 🌪️
حالا وقتشه!
🔴 فاز فکر آزاد: کتاب و لپ‌تاپ رو ببندید. یک کاغذ سفید بذارید جلوتون. با زبون خودتون، به این سوال جواب بدید: «بعد از این همه مطالعه، چی تو این حوزه واقعاً رو اعصابه؟ چی ناقصه؟ چه حرف بی‌اساسی رو همه دارن تکرار می‌کنن؟» هرچی که هست، فقط بنویسید. این صدای اصیل شماست.
🔴 فاز نوشتن پیش‌نویس (بدون سانسور): حالا اون ایده‌های خام رو تبدیل به یک داستان کنید. با همون ساختار قیفی معروف، اما این بار با این دید بهش نگاه کنید: شما یک کارگردان هستید که دوربین رو از یک نمای خیلی باز (Wide Shot) به یک نمای خیلی بسته (Close-up) میارید.
🔴 نمای باز (کلی): وضعیت کلی در جهان/علم چیه؟ (در دنیای امروز...)
🔴 زوم به داخل (جزئی‌تر): در این دنیا، مشکل یا تنش اصلی کجاست؟ (اما یک جای کار می‌لنگه...)
🔴 نمای بسته (جزئی): این مشکل چه عواقب مشخصی داره و چرا مهمه؟ (این قضیه باعث شده که...)
🔴 کلوزآپ نهایی (هدف شما): شما دقیقاً می‌خواید روی کدوم پیکسل از این تصویر زوم کنید؟ (بنابراین، من می‌خوام...)
کل این داستان رو بدون حتی یک رفرنس بنویسید! فقط روی قدرت و منطق استدلالتون تمرکز کنید.

📍مرحله ۴: تجهیز به لباس علمی (فاز رفرنس‌دهی) 🧠
تبریک می‌گم! شما الان یک اسکلت داستانی قدرتمند و اورجینال دارید. حالا وقتشه که بهش لباس علمی بپوشونید. برگردید به اون پیش‌نویس و برای ادعاهایی که کردید (به‌خصوص در بخش نمای باز و عواقب)، شاهد و مدرک بیارید. برید سراغ مقالاتی که خوندید و بگید: «ببینید؟ من تنها نیستم! فلانی در سال فلان هم به این قضیه اشاره کرده بود.»
با این روش، پژوهش شما روح داره. رفرنس‌ها در خدمت حمایت از ایده شما هستن، نه اینکه منبع ایده شما باشن.

🚨 هشدار:
انجام این فرآیند به صورت برعکس (یعنی اول چیدن رفرنس‌ها کنار هم و بعد تلاش برای ساختن داستان از بین اونا) حکم سم مهلک رو برای اصالت پژوهش شما داره. پس اول نوشتن، بعد لباس علمی.
حالا برید و با اعتماد به نفس، داستان خودتون رو بسازید. 🚀

- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱

🎓 کارگروه تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی صحبت می‌کنه:

بچه‌ها
اگه درس آمار رو تو کارشناسی جدی نگرفتید، یا اون‌قدری گذشته که الآن چیز زیادی یادتون نیست،
🔑 بهترین لطفی که می‌تونید به خودتون بکنید اینه که این کورس رو ببینید:

🎥 Harvard Statistics 110

📍 لینک کامل پلی‌لیست یوتیوب:

https://youtube.com/playlist?list=PL2SOU6wwxB0uwwH80KTQ6ht66KWxbzTIo

این کورس، یکی از منابع اصلی و بسیار معتبریه که مفاهیم آماری رو از پایه ولی عمیق آموزش می‌ده. تدریسش هم مربوط به دانشگاه هاروارد هست. 😎

👂 فقط یه نکته:
زبان تدریسش انگلیسیه.
دوست دارین ما تو کمیته تحقیقات گرمی، توی این تابستون، براتون یه ترجمه کاربردی و خوش‌فهم از این کورس آماده کنیم؟

🔥 اگه موافقید و دلتون می‌خواد این پروژه رو استارت بزنیم،
یه قلب ♥️ برامون بذارید تا بدونیم چند نفر مشتاقن
(و شاید یه تابستون علمی و خفن رو با هم شروع کنیم…)

- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱

خب دوستان پژوهشگر، بیایید روراست باشیم؛
گیف بالا دیگه شوخی و میم 🦕 نیست، بلکه فرمول کار تحقیقاتی رو تو عصر هوش مصنوعی نشون میده.
اون پارچ زرده (خروجی ChatGPT) رو دیدید؟ یه عالمه اطلاعات خام، کلی، و بعضاً حتی نامربوط بهت میده. مثل این می‌مونه که از یه بچه‌ی پنج ساله بپرسی "تو مدرسه چیکار می‌کنی؟" اونم بگه "درس می‌خونم" خب، این چه کمکی بهت می‌کنه؟ هیچ! 😞

🟢 ولی اینجا کار اصلی شما شروع می‌شه...

🔴 چطور این سیستم رو برای پروپوزال‌نویسی به بهترین شکل پیاده کنیم؟

📌 مرحله خروجی ChatGPT (پارچ زرد): ایده بگیر.

✅ از ChatGPT برای طوفان فکری استفاده کن. مثلاً بگو: "ده عنوان برای پروپوزال در مورد 'تأثیر هوش مصنوعی بر سلامت روان پرستاران' پیشنهاد بده." یا "ده شکاف پژوهشی در مدیریت درد بیماران مزمن رو بگو."

✅ ازش بخواه سوالات چالشی بپرسه. مثلاً بگو: "چه چالش‌هایی در پروپوزال من وجود داره؟" اینطوری می‌تونه جاهایی رو نشون بده که خودت نمی‌بینی.

📌 مرحله اصلاحیه اول Grok (پارچ قرمز): ساختار و نظم بده.

✅ حالا ایده‌ها رو با کمک Grok دسته‌بندی و منظم کن. بگو: "ساختار استاندارد پروپوزال رو بده و هر بخش رو با پروپوزال من پر کن."

✅ از AI برای ترجمه علمی استفاده کن؛ فارسی به انگلیسی و برعکس. ولی حواست باشه که همیشه بازبینی نهایی با خودته.

📌 مرحله اصلاحیه دوم Deep Seek (پارچ سبز): عمق بده و امضای خودت رو بزن.

✅ اینجا باید مثل یه ویرایشگر حرفه‌ای محتوا رو تحلیل و قوی‌ترش کنی. از AI بخواه پارافریز کنه یا لحن علمی بده.

✅ ازش برای رفرنس‌نویسی، بررسی منابع و انتخاب روش آماری کمک بگیر. البته همیشه با نرم‌افزارهای تخصصی مثل Mendeley یا EndNote هم چک کن.

📌 نکته کلیدی:
فنجون "پروپوزال نهایی" نتیجه ترکیب همه این مراحل و تخصص خود شماست. هوشمندانه از ابزارها استفاده کنید و شاهکارتون رو بسازید. ✨

- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱

🎬 امروز می‌خوام قدرت هوش مصنوعی توی فیلم‌سازی رو بهتون نشون بدم...

این ویدیویی که می‌بینید، با هوش مصنوعی ساخته شده.
داستانش برمی‌گرده به زمانی که دنیا ایستاد، شهرها ساکت شدن و آدم‌ها از پشت ماسک همدیگه رو تماشا می‌کردن: دوران کرونا.

🤖 از انتخاب نماها تا روایت داستان، همه‌چی توسط AI انجام شده.
البته هنوز یه‌سری ایرادای کوچیک داره، چون هوش مصنوعی هم مثل یه دانش‌آموز تازه‌کار، در حال یادگیریه...

🧠 تکنولوژی داره آینده‌ی هنر رو عوض می‌کنه. این فقط یه شروعه...

- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱

صبح داشتم یکی از کارهای تحقیقاتی دکتر عبدالحمید مینوچهر (از شهیدان علم هسته‌ای) رو مطالعه می‌کردم. بار اول که مقاله رو خوندم، حس می‌کردم دارم یه زبان جدید می‌بینم؛ پر از اصطلاحات و مفاهیم ناآشنا بود. 🧐
اما از اونجایی که کنجکاوی، قدرتمندترین موتور محرک ذهنه 😉 با چند بار خوندن و البته کمک گرفتن از هوش مصنوعی، کم‌کم تونستم به عمق تفکر این دانشمند بزرگ نزدیک بشم.

📍خلاصه مقاله، به زبان خیلی ساده، این بود:
تحقیق در مورد یکی از پرکاربردترین فلزات صنعتی یعنی نیکل بود. می‌خواستن بفهمن که وقتی نقص‌های بسیار ریز (در حد جای خالی به اندازه یه اتم!) توی ساختار این فلز ایجاد می‌شه، چه تأثیراتی روی خواص کلیدی‌ش مثل استحکام، سختی و حتی نحوه هدایت گرما میذاره.

📍و اما راهکار هوشمندانه‌‌شون چی بود؟
به جای انجام آزمایش‌های فیزیکی بی‌شمار که هم فوق‌العاده گرون هستن و هم بسیار زمان‌بر، دکتر مینوچهر و همکارانشون از یه روش پیشرفته به اسم شبیه‌سازی کامپیوتری (دینامیک مولکولی) استفاده کرده بودن.

🔴 اسم نرم افزاری که استفاده کردن: LAMMPS

📍این نرم‌افزار شبیه‌ساز به چه دردی می‌خوره؟
فکر کنید یه آزمایشگاه مجازی دارید! این نرم‌افزار به دانشمندان اجازه میده تا مواد رو در ابعاد اتمی توی کامپیوتر بسازن، به اون مواد نیرو وارد کنن، حرارت بدن و رفتار ماده رو زیر نظر بگیرن. با این کار میتونن با هزینه‌ای نزدیک به صفر و توی زمان بسیار کم، پیش‌بینی کنن که مثلاً یک آلیاژ داخل بال هواپیما یا داخل راکتور هسته‌ای بعد سال‌ها کار کردن، چه عملکردی میتونه داشته باشه.

🟢 بهترین راه برای زنده نگه داشتن میراث شهدای علم، شاید همین باشه که ما هم دست از کنجکاوی و یادگیری برنداریم و نذاریم چراغی که روشن کردن، خاموش بشه. ✨

- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱

خب...
حالا اگر ذهن یه پژوهشگر فعال باشه، احتمالاً با خوندن این مطلب یه سوال مهم تو ذهنش جرقه می‌زنه: "آیا میشه از نرم‌افزارهایی شبیه این توی حوزه پزشکی هم استفاده کرد؟" 🤔
باید بگم که جوابش بله هست.
طبق منابعی که من بررسی کردم، نرم‌افزارهایی مثل Monolix با همین رویکرد طراحی شدن؛ که برای شبیه‌سازی و پیش‌بینی اثر داروها روی بدن انسان استفاده میشن.
اما نکته‌ای که باید بدونیم اینه که هرچند این نرم‌افزارها کاربردهای خیلی جذابی دارن، اما هنوز توی این مسیر با یه‌سری محدودیت‌ها و چالش‌ها مواجه هستیم.

پس مسیر بازه، اما هنوز کامل هموار نشده 🕊️
(اگه حواستون جمع باشه، اینجا یه سرنخ برای پروژه‌های بلندپروازانه بهتون دادم 😉)

- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱