👈 اگر مطالعه به داده‌های جدید متکی نبوده و فقط از داده‌های منتشرشده قبلی استفاده کرده است. این گزینه بیشتر برای مرورهای سیستماتیک، متاآنالیزها و مطالعات تئوریک مناسب است.
No new data were generated or analyzed in this study. Data sharing is not applicable to this article.
@nursearch

موقعی که مقاله تان پذیرش میشود ژورنال برای شما publishing agreement می فرستد و اگر موسسه یا دانشگاه شما مربوط به کشور ایران باشد خودبخود هزینه ها ویو می شود.
سپس باید نوع مجوز را بسته به سطح دسترسی و نحوه استفاده مشخص کنید:
CC BY: Creative Commons Attribution Licence
این به دیگران اجازه می‌دهد مقاله شما را بازنشر، توزیع، و اقتباس کنند، حتی برای مقاصد تجاری، مشروط به اینکه به شما اعتبار بدهند. این یکی از آزادترین مجوزهای دسترسی باز است و معمولاً توسط بسیاری از ناشران معتبر توصیه می‌شود. اگر می‌خواهید مقاله‌تان بیشترین دیده‌شدن را داشته باشد و دیگران بتوانند آزادانه از آن استفاده کنند، این گزینه مناسب است.

CC BY-NC-ND: Creative Commons Attribution, Non-Commercial, No Derivatives Licence

به دیگران اجازه می‌دهد مقاله شما را فقط به صورت دست‌نخورده به اشتراک بگذارند (بدون تغییر یا استفاده در آثار دیگر) و استفاده تجاری مجاز نیست. دیگران نمی‌توانند مقاله شما را ویرایش کنند یا تغییر دهند. اگر می‌خواهید کنترل بیشتری بر روی مقاله خود داشته باشید و نگران تغییر یا استفاده تجاری از آن هستید، این گزینه مناسب‌تر است.
@nursearch

لطفا در خصوص این موارد اگر مطلبی برای تکمیل داشتید ارسال بفرمایید تا به اشتراک بگذارم

تبدیل فایل صوتی به متن

محقق گرامی
وقتی که در مقاله ات مینویسی که نرخ پاسخدهی 100 درصد بوده است، یعنی همه شرکت کنندگان در مطالعه شرکت کرده اند و همگی پرسشنامه ها را تکمیل کرده اند و همه پرسشنامه ها به طرو کامل تکمیل شده اند و هیچ کدام ناقص نبوده اند. اولا نرخ پاسخ 100 درصد نشانه نوعی اجبار و فشار روی شرکت کنندگان است که آنها را مجبور کرده است در مطالعه مشارکت کنند. دوما این که هیچ پرسشنامه ای ناقص تکمیل نشده باشد هم بعید است.
@nursearch

در عالم دانش، «نقد و نظرِ نغز» را مقامی است بس رفیع، و در آن میان «مرآتِ حقیقت‌نمایِ تحقیق»، که همانا «سیستماتیک ریویو» است، در صدر هرم حکمت نشسته است؛ لیک چه افسوس که بسیاری از مدعیان علم و تحقیق، هنوز آستان آن را نشناخته‌اند و به حریم آن راه نیافته‌اند.
آنان‌ که به جامه تحقیق مزین‌اند، لیک از گوهر آن بی‌بهره، در میانه کارزار علم به خویشتن خدعه می‌زنند و به دانشگاه، که خانه خرد است، آسیب می‌رسانند.
چنین مردمان را نتوان محقق خواند، که «دعوی بی‌معنا» چون ابری است بی‌باران، و فریبی است شیرین‌سخن، لیک بی‌ثمر.
دانش اگر به دعوی بودی، هر مدعی به مقامی بلند رسیدی، و حال آن‌که مقام بلند را «درک حقیقت» و «معرفت‌ورزی» سزاوار است، نه ظاهر فریب و نام بی‌اثر
@nursearch

بین تحلیل عامل اکتشافی و تحلیل مولفه اصلی فرق وجود دارد:
به دیده‌ی نقد، امشب مقاله‌ای در میدان روانسنجی بر من عرضه شد. دریغ و درد، که پاره‌ای از نویسندگان به جای آنکه دل در بهبود اثر بندند و پایه‌ی مقبولیت آن را استوار سازند، خشت نارس نوشتار و بنای سست روش‌شناسی را برگرفته، خود بر بنیاد خویش تیشه می‌زنند.
بدانند – اگر دانایی را گوش شنوا باشد – که تحلیل عامل اکتشافی و تحلیل مؤلفه‌های اصلی، دو راه‌اند که هرچند در ظاهر به هم نزدیک‌اند، در معنا و مقصد جدایند. آنچه در جعبه‌ی ابزار SPSS به آسانی فراهم آمده، دلیل بر یکی بودن مقصد و مقصود این دو نیست؛ چه، یکی در پی کاهش داده‌هاست و دیگری در جست‌وجوی گوهرهای پنهان معنا.
و دیگر آن‌که روا نیست بر یک آبشخور، هم تحلیل اکتشافی برگیرند و هم تحلیل تأییدی؛ چه، این کار نه تنها خلاف قاعده‌ی خرد است، بلکه سیمای حقیقت را نیز دگرگون می‌سازد. برای آزمون تأییدی، نیاز به کاروانی نو از داده‌هاست، تا اعتبار سنجش، بر پای استوار گردد.
پس سزاوار است، پیش از آهنگ انتشار، نثر خود به طراوت آرند و بنیاد پژوهش را به قوّت برآورند، که در بازار علم، کالای کم‌مایه را مشتری نیست.

@nursearch

دوستان سلام. امروز مقاله ای را داوری می کردم خواستم موضوع را به اشتراک بگذارم.
ای نویسندگان ارجمند، از آن‌جا که شما در نگارش مقاله خود، در پی آنید که علم و دانسته‌هایتان را به همگان عرضه کنید، از شما می‌خواهم که آنچه را که در بخش متدولوژی و روش‌های تحقیقی می‌فرمایید، در بخش یافته‌ها و نتایج نیز به طور کامل و روشن بیاورید. زیرا که به یقین، خواننده‌ای که به مطالعه اثر شما می‌پردازد، به اندازه شما که در دل موضوع غوطه‌ورید، درک عمیق و آگاهی از آن ندارد. پس شایسته است که مطالب خود را به‌گونه‌ای بیان کنید که هر کلام و عبارت شما برای او به وضوح روشن و قابل فهم باشد.

هرچند شما صاحب نظر و دانشی وسیع در این زمینه‌اید، اما بدانید که همه ذهن‌ها توان درک یکسان از مسائل پیچیده ندارند. به همین دلیل، لازم است تا آنچه را که در دل تحقیق و مقاله‌تان نهفته است، به ساده‌ترین و روش‌مندترین شکل ممکن برای خوانندگان بیان کنید. جزئیات کار خود را از کوچک‌ترین نکته گرفته تا بزرگ‌ترین نتیجه، بدون هیچ کم و کاستی بیان کنید. بدین‌گونه، شانس پذیرش اثر شما در دنیای علمی افزون‌تر خواهد شد. و نیز، این روش نه تنها به خوانندگان کم‌اطلاع کمک می‌کند، بلکه مقاله شما را از لحاظ علمی به مقامی والا و مستحکم می‌رساند.

چرا که هر اثر علمی و پژوهشی، همچون آینه‌ای است که باید در آن، دانش و خرد به روشنی و وضوح منعکس گردد تا نه تنها آن که به آن می‌نگرد، بلکه آن که می‌خواند و می‌آموزد، از آن بهره‌ی تمام برد. پس بر شماست که با بیان شیوا و شفاف، علم را به درستی و با جزئیات کامل، در دسترس همگان قرار دهید.

@nursearch

درود بر فرزانگان و آموزگارانِ جهان‌افروز

چنین گویم به رسم ادب و به آیین خرد، که روزِ معلم، روزِ یادِ آن کسان است که چراغ از دل برمی‌گیرند و در دست خلق می‌نهند.
ای بلندهمتانِ عرصهٔ دانایی، شما را دیده‌ام، نه به چشم سر، که به بصیرتِ دل، که چگونه در شبستانِ نادانی، روشنی افشاندید و بذرِ خرد در جانِ فرزندان این خاک افشاندید.

در این روز فرخنده، از دل دعا گویم:
بادا تن‌تان سلامت، خاطر‌تان آسوده، و نام‌تان جاودان در دفتر روزگار.

علم، چراغ است و خرد، راه و رهنما / هر که از این دو بی‌نصیب است، در خطاست

دوستان عزیز سلام. به عنوان داور چند مجله علمی میخواهم اهمیت شفافیت گزارش دهی نتایج را در حوزه روانسنجی ابزار یادآوری کنم. هر وقت که نتایج مدل نهایی را (برگرفته از نرم افزارهای لیزرل و اموس) خواستید در مقاله نهایی تان بگذارید سعی کنید خروجی خود نرم افزار را ارائه دهید و از کیدن و طراحی مجدد مدل در پاورپوینت خودداری کنید. اب انی کار به داور می گویید که نتایج تان را شفاف گزارش کرده اید و داور هم شکاک نمی شود. نظر شخصی
@nursearch

نویسنده عزیزی که مشغول نوشتن مقاله مرور سیستماتیک و متاآنالیز هستی، در مقدمه مقاله به متاآنالیزهای قبلی اشاره کن نه مطالعات منفرد. نتایج مطالعات منفرد با هم فرق دارد. همچنین سوگیری نداشته باش و اگر متاآنالیز قبلی در خصوص کار شما انجام شده است به آن اشاره کن و سعی آن آن را به روز کنی یا ایرادات آن را ذکر کنی و توجیه کنی که چرا دوباره این کار را انجام دادی. این که به آن کار قبلی اشاره کنی، نشان می دهد که مرور متون خوبی نداشتی و یا این که سوگیرانه مطالبت را نوشته ای
@nursearch

سلام دوستان. امروز مشغول پاسخ به کامنت های داوری یکی از مقالاتم بودم که لازم دانستم این بخش را مجددا اینجا توضیح دهم هر چند تکراری است:


تحلیل عامل اکتشافی زمانی استفاده می‌شود که پژوهشگر ساختار درونی یا پنهان یک ابزار را نمی‌داند یا مطمئن نیست. در واقع، هدف اصلی تحلیل عامل اکتشافی کشف الگوهای آماری بین گویه‌ها (سؤالات ابزار) است، بدون اینکه مدل خاصی از قبل داشته باشیم.


👈 ابزار برای اولین بار طراحی شده باشد.
👈 ابزار به زبانی جدید ترجمه شده باشد.
👈 ابزار در یک کانتکست فرهنگی یا جمعیتی متفاوت استفاده شود (مثلاً استفاده از ابزار آمریکایی در پاکستان یا ایران).

در این شرایط، فرض می‌شود که ممکن است گویه‌ها در فرهنگ یا موقعیت جدید به شکل متفاوتی گروه‌بندی شوند. بنابراین، تحلیلگر با استفاده از EFA سعی می‌کند بفهمد که در این کانتکست جدید، گویه‌ها چگونه با یکدیگر ارتباط دارند و چه عواملی در پشت آن‌ها پنهان هستند.

تحلیل عامل تأییدی در نقطه‌ی مقابل قرار دارد. این روش زمانی استفاده می‌شود که پژوهشگر از قبل مدلی نظری یا تجربی برای ساختار ابزار دارد؛ یعنی می‌داند که چند عامل وجود دارد، هر گویه مربوط به کدام عامل است، و روابط بین عوامل چگونه است.

تحلیل عامل تأییدی وقتی مناسب است که:
👈 ابزار قبلاً طراحی و آزموده شده باشد.
👈 پژوهشگر بر اساس تئوری یا مطالعات قبلی، ساختار مشخصی برای عوامل دارد.
👈 ابزار در همان کانتکست قبلی یا مشابه آن استفاده می‌شود

هدف پژوهشگر بررسی این است که آیا داده‌های جدید با مدل قبلی هماهنگ (برازش‌دار) هستند یا نه. اگر مناسب است تأیید کند که مدل خوب برازش دارد، می‌توان گفت ابزار در آن موقعیت نیز معتبر است.

@nursearch

توصیه‌هایی برای پژوهشگران جوان: درک بهتر تحلیل عاملی اکتشافی (EFA)

بسیاری از پژوهشگران تازه‌کار فکر می‌کنند که تحلیل عاملی اکتشافی (EFA) فقط چند دستور ساده در یک نرم‌افزار آماری است. آن‌ها تصور می‌کنند که با اجرای این دستورات، ساختار درست و نهایی عوامل به‌طور خودکار ظاهر می‌شود. اما واقعیت این‌گونه نیست. EFA یک فرایند مکانیکی یا ماشینی نیست، بلکه یک مسیر دقیق و حساب شده است.

برای اجرای درست EFA باید هم فکر تحلیلی داشت و هم انعطاف‌پذیر بود. این روش نیاز به رفت‌وبرگشت مداوم بین داده‌ها و چارچوب نظری دارد. شما باید مدل‌های مختلف را امتحان کنید، نتایج را بررسی کنید و درباره نگه‌داشتن یا حذف گویه‌ها تصمیم بگیرید. این کار نیاز به زمان، تلاش و درک عمیق از موضوع دارد.

نتایج حاصل از EFA نهایی نیستند، بلکه گامی در مسیر ساخت یک ابزار مناسب‌اند. گاهی لازم است مدل‌تان را چندین‌بار بازبینی و اصلاح کنید، و این کاملاً طبیعی است. فراموش نکنید: EFA فقط کار با اعداد نیست، بلکه تصمیم‌گیری معنادار بر اساس داده‌ها و اهداف پژوهش است.

پس EFA را ترکیبی از علم و هنر بدانید. صبور باشید، کنجکاو بمانید و در تمام مسیر آماده یادگیری باشید.
@nursearch

توصیه به محققان در خصوص حجم نمونه در طراحی ابزار:

در فرآیند طراحی ابزار، تعیین حجم نمونه‌ی مناسب از اهمیت حیاتی برخوردار است. محققان باید توجه داشته باشند که حجم نمونه‌ی پایین می‌تواند منجر به دو چالش جدی شود: نخست، الگوهای هم‌تغییری (Covariation) بین سؤالات ممکن است ناپایدار باشند، به‌گونه‌ای که روابط آماری مشاهده‌شده ممکن است واقعی نبوده و صرفاً ناشی از شانس یا نوسانات تصادفی باشند. دوم، یک نمونه‌ی کوچک ممکن است به‌درستی نمایانگر جمعیت هدف نباشد، و در نتیجه نتایج به‌دست‌آمده ممکن است قابلیت تعمیم به جمعیت‌های دیگر را نداشته باشند.

بر این اساس، توصیه می‌شود محققان برای تعیین حجم نمونه‌ی خود از راهنماهای معتبر بهره‌ بگیرند. یکی از منابع شناخته‌شده در این زمینه، طبقه‌بندی Comrey (1973) است که پیشنهاد می‌کند:

👈 بسیار ضعیف: ۵۰ نفر

👈 ضعیف: ۱۰۰ نفر

👈 متوسط: ۲۰۰ نفر

👈 خوب: ۳۰۰ نفر

👈 خیلی خوب: ۵۰۰ نفر

👈 عالی: ۱۰۰۰ نفر یا بیشتر
@nursearch

Author Impact Beamplot Summary در سایت ISI Web of Science (Clarivate) چیست؟
نموداری است که به‌صورت گرافیکی تأثیر علمی یک نویسنده را طی زمان نشان می‌دهد. این ابزار نسبتاً جدید است و با هدف فراهم‌کردن تصویری جامع و مقایسه‌پذیر از عملکرد پژوهشی یک نویسنده طراحی شده است و دارای اجزای زیر است:
Beamplot
این نمودار یک محور افقی دارد (که معمولاً سال‌های فعالیت پژوهشی را نشان می‌دهد) و یک محور عمودی که نمایانگر نمره تأثیر (impact score) مقالات نویسنده در هر سال است. هر نقطه در نمودار نشان‌دهنده یک مقاله از نویسنده است. مقدار عمودی هر نقطه معمولاً بر اساس درصد استنادات آن مقاله نسبت به سایر مقالات منتشرشده در همان حوزه و سال محاسبه می‌شو.
خلاصه عملکرد:
پایین یا کنار نمودار، خلاصه‌ای از وضعیت پژوهشی نویسنده نمایش داده می‌شود، مانند:
o تعداد مقالات
o میانگین درصد استناد
o تعداد مقالات با تأثیر بالا
o مقایسه با میانگین جهانی یا حوزه خاص

@nursearch

در دنیای پژوهش، ما تنها می‌توانیم پدیده‌هایی را مطالعه کنیم که به‌نوعی قابل مشاهده، قابل توصیف و در نهایت قابل اندازه‌گیری باشند.

یعنی اگر پدیده‌ای مانند درد، اضطراب، امید، یا کیفیت زندگی به‌صورت دقیق تعریف نشود و راهی برای سنجش آن نداشته باشیم، نمی‌توانیم آن را موضوع پژوهش علمی قرار دهیم.

در واقع، هر پژوهشی از نقطه‌ای آغاز می‌شود که بتوان یک مفهوم را به یک متغیر قابل اندازه‌گیری تبدیل کرد. اینجاست که نقش سنجش و اندازه‌گیری مشخص می‌شود.

پس اگر هدف‌تان این است که پدیده‌ای را بفهمید، توضیح دهید، پیش‌بینی کنید، یا حتی تغییر دهید، قدم اول این است که بتوانید آن را به‌درستی بسنجید.

بدون سنجش، پژوهش وجود ندارد.
@nursearch

▫️گایدلاین گزارش‌دهی برای استفاده از ابزارهای هوش مصنوعی مولد در پژوهش‌های پزشکی: بیانیه GAMER

این گایدلاین در 13 مه 2025 در مجله BMJ Evidence-Based Medicine منتشر شده است و می‌توان گفت اولین گایدلاین اختصاصی در این زمینه است:

Reporting guideline for the use of Generative Artificial intelligence tools in MEdical Research: the GAMER Statement


افزایش استفاده از ابزارهای هوش مصنوعی مولد در پژوهش‌های پزشکی، بدون داشتن دستورالعمل مشخص، به مشکلاتی از جمله سرقت علمی، تقلب و نگرانی در مورد صحت نتایج منجر شده است. دستورالعمل‌های موجود مانند CONSORT-AI یا STARD-AI به طور خاص به استفاده از هوش مصنوعی مولد نپرداخته‌اند.

روش تدوین:

مرور اسکوپینگ

مطالعه بین‌المللی به روش دلفی (Delphi) با حضور 51 متخصص از 26 کشور.

انجام دو مرحله نظرسنجی دلفی و جلسات آنلاین برای دستیابی به اجماع نظر متخصصان.

چک‌لیست GAMER شامل 9 آیتم اصلی برای گزارش‌دهی است:

1. Did you use any GAI tools (such as large language models or large visual models) in any section or step of this manuscript or study?

آیا در هر بخش از این مقاله یا در هر مرحله از مطالعه، از ابزارهای هوش مصنوعی مولد (GAI) - مانند مدل‌های زبانی بزرگ (LLM) یا مدل‌های ‌تصویری بزرگ (LVM) - استفاده کرده‌اید؟

2. Specify the GAI tool(s) used, their versions and/or release dates and the date(s)/period the tools were used.

نام ابزار (های) هوش مصنوعی مولدِ به‌کاررفته، نسخه‌ و/یا تاریخ انتشار هر یک و نیز تاریخ یا بازۀ زمانیِ استفاده را ذکر کنید.

3. Describe whether a specific prompting technique was used to generate any content of the manuscript or to perform analyses during the study. Please also provide the unedited responses to the prompts.

اگر برای تولید محتوای مقاله یا انجام تحلیل‌ها از تکنیکِ پرامپت‌دهی خاصی استفاده کرده‌اید، آن را توضیح دهید و پاسخ‌های خام (ویرایش‌نشده) ِ مدل به آن پرامپت‌ها را نیز ارائه کنید.

4. If a new GAI tool was developed or fine-tuned based on an existing AI model, report the name and version of the original model.

چنانچه ابزار جدیدی بر پایۀ یک مدل موجود توسعه داده یا مدل از پیش موجودی را اصلاح و تنظیمِ دقیق (Fine-tune) کرده‌اید، نام و نسخۀ مدل اولیه را گزارش کنید.

5. Describe the role of GAI tools in all phases of this study where they were used (including manuscript writing).

نقش ابزارهای هوش مصنوعی مولد را در تمامی مراحل این مطالعه - از طراحی و تحلیل تا نگارش مقاله - شرح دهید.

6. Report the specific section or paragraphs of the manuscript that GAI tools contributed to.

مشخص کنید کدام بخش‌ها یا پاراگراف‌های مقاله با کمک ابزارهای هوش مصنوعی مولد نوشته شده‌اند.

7. Describe how the content generated by GAI tools was verified and (when necessary) modified.

شرح دهید که محتوای تولید شده با ابزارهای هوش مصنوعی مولد چگونه راستی‌آزمایی و در صورت لزوم اصلاح شده است.

8. Describe how data privacy and confidentiality were ensured during the use of GAI tools.

بیان کنید در طول استفاده از ابزارهای هوش مصنوعی مولد، چه تدابیری برای حفظ حریم خصوصی و محرمانگی داده‌ها اندیشیده شده است.

9. Describe whether and how the use of GAI tools may have influenced the interpretation of results, the study’s overall accuracy, or conclusions.

توضیح دهید استفاده از این ابزارها چه تأثیری بر تفسیر نتایج، دقت کلی مطالعه یا نتیجه‌گیری نهایی داشته یا می‌توانسته داشته باشد.

در متن مقاله هر کدام از آیتم‌های فوق بطور کامل شرح و بسط داده شده و همچنین چند مثال برای نحوه گزارش هر آیتم ارائه شده است.

تأثیرات مورد انتظار از GAMER:

افزایش شفافیت، تکرارپذیری و اعتمادپذیری در پژوهش‌های پزشکی.

ارائه معیاری استاندارد برای گزارش‌دهی استفاده از ابزارهای GAI.

کاربردها:

استفاده پژوهشگران برای شفافیت در گزارش‌دهی.

استفاده داوران و سردبیران برای ارزیابی مقالات.

این چک‌لیست به گونه‌ای طراحی شده که قابل استفاده در تمام انواع پژوهش‌های علوم پزشکی و سلامت و نیز برای تمامی ابزارهای هوش مصنوعی مولد باشد.

ده توصیه مهم به محققان جوان در حوزه مرور سیستماتیک و متاآنالیز
هرگز مرور سیستماتیک را بدون یک سؤال پژوهشی واضح و متمرکز شروع نکن.
پیش از آغاز مطالعه، پروتکل خود را در پروسپرو (PROSPERO) ثبت کن.
استراتژی جستجوی جامع و دقیق را با کمک یک کتابدار تخصصی طراحی کن.
فرآیند غربالگری و استخراج داده را حداقل توسط دو پژوهشگر به صورت مستقل انجام بده.
برای ارزیابی کیفیت مطالعات واردشده از ابزارهای معتبر مانند AMSTAR 2 یا ROBIS استفاده کن.
نرم‌افزارهای متاآنالیز مانند RevMan، CMA یا بسته‌های R را یاد بگیر و به درستی استفاده کن.
ناهمگنی را هم از نظر آماری و هم از نظر مفهومی و زمینه‌ای تفسیر کن.
سوگیری انتشار را با استفاده از نمودار قیفی و آزمون‌های آماری مثل آزمون اِگر بررسی کن.
دستورالعمل PRISMA را برای گزارش‌دهی شفاف و استاندارد به دقت رعایت کن.
به یاد داشته باش که مرور سیستماتیک خوب، یک تحقیق ساختاریافته، انتقادی و قابل بازتولید است، نه فقط خلاصه‌ای از مطالعات قبلی.
@nursearch

توصیه هایی در خصوص انتخاب استاد راهنما بر اساس تجاربم به عنوان استاد و دانشجو:
۱. درباره تخصص و زمینه‌های پژوهشی استاد تحقیق کن.
۲. بررسی کن استاد چقدر فرصت راهنمایی دارد.
۳. سبک ارتباط استاد را بسنج.
۴. از دانشجویان سابق درباره تجربه همکاری با استاد پرس‌وجو کن.
۵. مطمئن شو استاد به روش‌های پژوهشی جدید اهمیت می‌دهد.
۶. دقت کن استاد در نگارش و انتشار مقالات همراهی می‌کند.
۷. سطح توقعات استاد را با توانایی‌هایت هماهنگ کن.
۸. توجه کن استاد به اخلاق پژوهش پایبند باشد.
۹. از حمایت مالی و امکانات پژوهشی استاد اطلاع پیدا کن.
۱۰. به حس درونیت درباره همکاری با استاد اعتماد کن.
@nursearch