مرتب کردن مقالههای پژوهشی با هوش مصنوعی
مقالهها رو برای یک سوال مشخص اولویتبندی کنید، ادعاها رو به شواهدشون وصل کنید و بین اختلاف واقعی نتایج و تفاوت شرایط پژوهش فرق بذارید.
مرتب کردن مقالههای پژوهشی با هوش مصنوعی برای انتخاب متنهایی به کار میآد که به سوال شما جواب میدن. اسکیل research-weave از تصمیم و هدف مطالعه شروع میکنه. ایجنت بررسی میکنه کدوم مقاله ارزش خواندن دقیقتر داره، هر ادعا به کجای منبع تکیه میکنه و چه نتیجهای میتونه مسیر کارتون رو تغییر بده. خروجی میتونه یک فهرست مطالعه کوتاه باشه یا، برای درخواست بزرگتر، نقشهای از ادعاها و رابطه بین شواهد.
این اسکیل برای وقتیه که چند مقاله دارید و صرفا جمع کردن عنوانها کمکی به تصمیمتون نمیکنه. نتایج مخالف، محدودیت دسترسی و وابستگی پژوهشها به داده یا کار قبلی باید در گزارش بمونن. دو مقاله با نویسنده یا داده مشترک، خودبهخود دو تایید مستقل محسوب نمیشن. ابزار همراه ساختار پرونده شواهد رو بررسی میکنه، ولی درستی برداشت از مقاله یا کامل بودن جستجو رو تضمین نمیکنه.
کاربردها
- ساخت فهرست مطالعه بر اساس سوال پژوهش
- پیدا کردن محل شواهد برای ادعاهای مهم
- جدا کردن نتیجه اصلی مقاله از نکته فرعی
- مقایسه نتایج مخالف با توجه به شرایط
- ثبت محدودیت دسترسی و منبعهای هنوز بررسینشده
- بهروز کردن نقشه شواهد با مقاله تازه
نصب و استفاده
- اسکیل رو در ایجنتتون نصب کنید و سوال یا مجموعه مقالهها رو بدید. برای بررسی ساختار پرونده ذخیرهشده، Python لازم میشه؛ جستجوی تازه هم به ابزار پژوهش ایجنت بستگی داره.
- هدف و زمانتون رو مشخص کنید. مثلا بگید «از این مقالهها، اونهایی رو جدا کنید که میتونن انتخاب روش پروژهام رو عوض کنن؛ برای هر کدوم بخش مهمی رو که باید بخونم نشون بدید».
- از ایجنت بخواید ادعا، محدوده نتیجه و محل شواهد رو کنار هم نگه داره. لطفاً گزارشهای مبتنی بر چکیده رو با بررسی کامل مقاله یکی نگیرید و منابع خصوصی پروژه رو بدون اجازه در جستجوهای بیرونی وارد نکنید.
- اولویتها و اختلافها رو در متن اصلی بازبینی کنید. اگر پرونده ذخیره کردید، ساختارش رو با ابزار همراه بررسی کنید و سوالهای محتوایی حلنشده رو جدا نگه دارید؛ خطا نداشتن ساختار به معنی درست بودن نتیجه علمی نیست.
سوالات متداول
منبع
ساخته NeuraLiying. نام اصلی: research-weave، منتشرشده در GitHub با مجوز MIT.
مشاهده در GitHub