بررسی منابع تحقیق با هوش مصنوعی
سوال تحقیق، مسیر جستجو و ادعاهای گزارش رو به منابع قابل بررسی وصل کنید. ابزار محلی، ساختار ارجاع و شناسه مقاله رو بررسی میکنه؛ اعتبار نتیجه هنوز به بازخوانی نیاز داره.
بررسی منابع تحقیق با هوش مصنوعی کمک میکنه بفهمید پشت یک گزارش چه چیزهایی واقعا خونده شده و چه قسمتهایی هنوز نامشخصه. اسکیل research-integrity از تعریف سوال و جستجوی چندجانبه شروع میکنه، منابع و ادعاها رو به هم وصل میکنه و نتیجه رو همراه با سابقه جستجو و محدودیت تحقیق نگه میداره. پیداشدن عنوان یا خلاصه مقاله، به معنی خواندن متن کامل ثبت نمیشه.
بسته، ابزارهای محلی برای بررسی ارجاع هم داره: پیوستگی شمارهها، نشانی، تاریخ، عنوان و وجود شناسه رو بررسی میکنن. برای شناسه مقاله از NCBI و Crossref کمک میگیره. این بررسیها نمیتونن ثابت کنن که متن اصلی از یک نتیجه پشتیبانی میکنه؛ اون بخش باید جدا بازخوانی بشه. اگر دسترسی به منبع برقرار نشه، نتیجه باید نامشخص بمونه و مسیر قانونی دسترسی یا نسخه باز بررسی بشه.
کاربردها
- سابقه جستجو رو با عبارتها، منبعها و نتیجه هر مسیر ثبت کنید.
- بررسی ارجاع رو برای شماره، عنوان، تاریخ و نشانی انجام بدید.
- ادعای بدون منبع رو پیدا کنید و به جای حدسزدن، مشخص نگه دارید.
- محدودیت تحقیق و قسمتهای بررسینشده رو همراه نتیجه بنویسید.
- دو منبع ظاهرا متفاوت با منشای یکسان رو مستقل حساب نکنید.
- اختلاف شواهد رو کنار هم ببینید و بیدلیل یکدست نکنید.
نصب و استفاده
- بسته کامل رو در ایجنت دارای ابزار وب و فایل قرار بدید. Python برای بررسیهای محلی لازمه؛ ابزارهای جستجو، مرورگر و دسترسی اختیاری AMiner باید جدا در میزبان شما فراهم باشن. فقط منابع مجاز بدید.
- مثلا بگید «این گزارش درباره بازیافت کاغذه؛ ارجاعها و ادعاهای عددی رو بررسی کنید و معلوم کنید کجا فقط خلاصه منبع در دسترسه».
- نتیجه ابزار رو بخونید و خطای نشانی یا شناسه رو از بستهبودن یک مسیر دسترسی جدا کنید. نباید از مسدودبودن، نتیجه ساختگی دربیاد.
- ادعاهای مهم رو با متن اصلی مقایسه کنید و اختلاف یا نتیجه نامشخص رو در نسخه نهایی نگه دارید.
سوالات متداول
منبع
ساخته Liozhang. نام اصلی: research-integrity، منتشرشده در GitHub با مجوز MIT.
مشاهده در GitHub