کدام دانشمند بیشترین اثرگذاری را در علم دارد؟

|
۰ دیدگاه
semantic_scholar_og-EDITED

گروهی از پژوهشگران و کارآفرینان موفق به طراحی و ساخت نرم افزار جدیدی شدند که، قادر است مقالات علمی در حوزه های مختلف را تحلیل و بررسی نموده و نتایج شگرفی در رابطه با محققان و موسسات علمی مرتبط ارایه دهند.

به گزارش کلیک، پاییز گذشته موسسه آلن که در زمینه هوش مصنوعی فعال بوده و در شهر سیاتل واقع است با راه اندازی سرویسی به نام Semantic Scholar   موتور های جست و جویی چون PubMed  و Google Scholar   را به چالش کشید. این نرم افزار که در ابتدا با بیش از ۲ میلیون مقاله در حوزه علوم کامپیوتری آموزش داده شده بود برای تشکیل موتور جست و جویی که توسط هوش مصنوعی هدایت می شود طراحی شده است و بنا است تا حدودی از محتوای این مقالات مطلع و آگاه گردیده و آن ها را بفهمد. مجموعه مقالات تحت بررسی این نرم افزار به بیش از ۴ میلیون افزایش یافته و امروز موسسه آلن ظرفیت های نوینی را با اهداف بلند پروازانه و با اهمیتی به آن افزوده که از جمله آن می توان به سنجش اثرگذاری دانشمندان و موسسات بر تحقیقات پیش رو، اشاره کرد.

این ابزار در حال حاضر تنها بر روی علوم کامپیوتر متمرکز است و قرار است تا پاییز مطالبی در حوزه علوم اعصاب نیز به آن اضافه شود و سپس به سراغ دیگر موضوعات برود. این نرم افزار مطالب، نویسنده ها و موسسات مربوطه را از لحاظ تاثیر گذاری رتبه بندی می کند. برای مثال این وسیله دریافته که پرنفوذ ترین و موثرترین موسسه در حوزه علوم کامپیوتر، موسسه فناوری ماساچوست در کمبریج آمریکا است. هر چند این موضوع چندان هم عجیب و دور از ذهن نیست. ولی تاثیرگذارترین دانشمند در این حوزه؟ این دانشمند که به مایکل جردن دانشگاه برکلی در کالیفرنیا معروف است، محققی پیشگام در هوش مصنوعی است که تعداد معدودی بیرون از این زمینه دانشگاهی وی را می شناسند. اورن اتزیونی مدیر موسسه آلن در سیاتل می گوید: او به مایکل جردن یادگیری ماشینی و هوش مصنوعی معروف است.

اگر نتایج این موتور جست و جو معتبر و قابل اعتماد تلقی گردد می تواند از سوی کمیسیون های بررسی استخدام و کار، مورد استفاده قرار گیرد و این موضوع به آن دلیل است که سنجش و اندازه گیری تاثیرگذاری و نفوذ اشخاص و موسسات مسئله بسیار پیچیده ای برای می باشند. شیوه ها و راه حل های قدیمی برای حل این مشکل شامل شمارش تعداد نقل قول ها می شد. این شمارش ها به پایه و اساس سنجش ها در صنایع انتشارات تبدیل شده و موسساتی چون تامسون رویترز، السویر و … منابعی از فهرست هایی اینچنینی را برای کاربرانی که به آن نیاز دارند به فروش می رسانند.

ولی همه این نقل قول ها و ارجاعات به صورت یکسان تولید نشده اند. برای مثال اگر تمام مقاله ای به عنوان الهام بخش برای مقاله دیگری تلقی گردد و یا اینکه تنها در بخش متد ها و روش ها از آن به صورت کوتاهی یاد شود، بسیار با هم تفاوت می کنند. در نتیجه می توان گفت که آمار غیر تحلیلی و مستقیم می تواند از تاثیرات یک دانشمند گزارش های ناصحیحی ارایه دهد. و محققان معتقدند و منتقدانه اظهار می کنند که روش های سنجش سنتی بر پایه ارجاعات و نقل قول ها بوجود آورنده تصویر و تصوری ساده انگارانه شده است که شخص یا باید ” انتشار دهد و یا نابود گردد!” که در نتیجه چنین تفکری محققان در تلاشند تا در اسرع وقت بدون در نظر گرفتن اهمیت یافته ها و مطالب مورد بحث و تنها به امید گردآوری هرچه بیشتر ارجاعات، مقالات خود را انتشار دهند.

برخی معتقدند که آنچه مورد نیاز است، بررسی مستقیم تاثیرات واقعی مقالات بر تحقیقات آینده می باشد. در نتیجه گروه اتزیونی قابلیت جدیدی را در نرم افزار خود تعبیه کرده که می تواند “نمودار اعتبار و تاثیرگزاری” مقالات و محققان را نمایش دهد. اکثر مقالات موجود در منابع این موسسه به صورت پی دی اف بوده که برای خوانندگان انسانی قابل فهم و خواندن است ولی برای کامپیوتر ها تنها مجموعه ای از متون بدون ساختار و نامنظم می باشند. خواندن برای این کامپیوتر ها به یادگیری ماشینی و هوش مصنوعی احتیاج دارد تا آن ها بتوانند تخمین ها و تشخیص های دقیقی را محاسبه کنند. برای نمونه چنین نرم افزاری نه تنها باید بتواند قسمت های مختلف یک مقاله  مانند معرفی، متد و روش و نتایج را از هم تشخیص دهد بلکه باید لحنی که مقالات را بدان ارجاع می شوند را نیز تبیین کند. در نتیجه گروه موسسه آلن از یادگیری ماشینی برای آموزش مدل های آماری که چنین ویژگی هایی را دارا باشند، استفاده نموده است. سپس این کامپیوتر ها به صورت مداوم این مدل را از طریق مقایسه آن با نظرات نویسندگان متخصص این مقالات، گسترش و توسعه داده اند.

هم اکنون این سیستم تنها “تاثیرات مستقیم” بین مقالاتی که به هم ارجاع داده شده را می سنجد ولی اتزیونی عنوان می دارد که نسخه های آتی تاثیرات غیر مستقیم این مقالات بر روی یکدیگر و ارجاعات آن ها به دیگر مقالات را نیز در نظر خواهد گرفت.

آزمایش نرم افزار

این ابزار امروز در وبسایت www.semanticscholar.org   قابل مشاهده و استفاده است. دانشمند علوم کامپیوتر دانشگاه وایومینگ در شهر لارامی، جف کلون دست به آزمودن این نرم افزار زده است.

او ابتدا همسایه های خود در “نمودار تاثیرات” را بررسی نمود و عنوان داشت: این تجربه بسیار جالب است. من می توانم دانشمندان و محققانی را که بیشترین تاثیر بر روی تحقیقات و مقالات من داشته اند را یافته و از نام دانشمندانی که من الهام بخششان بودم، آگاه شوم. و این موضوع برای همه محققان در این حوزه علمی صدق می کند و آن ها نیز می توانند به چنین اطلاعاتی دسترسی پیدا کنند. اکثر نتایج دقیقا همان چیزی بود که کلون پیش بینی کرده بود. مربیان و استادان او بر آثار او بیشترین تاثیر را گذاشته بودند و او نیز به تبع آن بیشترین تاثیر را بر دانشجویان ارشد و دکتری خود داشته است. البته موارد غافلگیر کننده ای نیز وجود داشت. برای نمونه او توانست از این طریق با فرد خاصی که تحقیقات گسترده و پیگیری های علمی متناوبی بر روی مقالات و نظریات وی داشته، آشنا شود.

اما کلون معتقد است که جدا از جنبه های تفریحی و سرگرمی، این نرم افزار می تواند در فرآیند های کاریابی، استخدام و ترفیع بسیار با ارزش و تاثیرگذار باشد. کمیسیون هایی که چنین تصمیماتی را اتخاذ می کنند متقاعد شده اند که نه تنها باید داوطلبان را بر اساس موفقیت های پیشین رتبه بندی نمود بلکه باید بتوان تاثیرات و توانمندی های آتی هرکدام را نیز پیشگویی کرد. این وبسایت در تلاش است تا موضوعات قابل توجه و پر اهمیت در این زمینه علمی را از طریق سنجش “شتاب” حرکت مجموعه مقالات، مشخص نمودن ارجاعات بالا و سریع به مقالات معین و اینکه این مقالات به چه میزان از اقبال عمومی برخوردارند، تبیین کند. کلون می گوید: در حال حاضر کمیسیون های دانشکده ها مشغول به محاسبه این موارد هستند که در نتیجه می توان پیش بینی کرد که این عناوین مورد استفاده آن ها قرار خواهد گرفت.

البته کلون در ادامه عنوان می دارد که این مشخصه های نرم افزار، تا حدی او را نگران می کند. او می گوید: این ابزار مانند جعبه سیاهی می ماند و خوانندگان نمی دانند که این آمار از کجا آمده است.

اتزیونی غیر شفاف بودن الگوریتم های تولید نتایج را می پذیرد و اضافه می نماید: در یادگیری ماشینی نکات مثبت و منفی به طور همزمان وجود دارد. شما باید در نظر داشته باشید که می توانید نمونه هایی از چگونگی محاسبه و اینکه این آمار از کجا آمده اند را مشاهده نمایید.

در همین رابطه مایکل جردن یادگیری ماشینی (استاد دانشگاه برکلی) در حالی که رتبه بندی بالای خود را در زمینه علوم کامپیوتر می پذیرد و از بابت این افتخار خرسند است، از دلایل عنوان شده برای چنین رتبه هایی انتقاد کرده و می گوید: علی رقم تفکرات ناصحیحی که به مرور زمان درباره افراد خاصی در ریاضیات و علوم شکل گرفته، من به شخصه معتقدم که،  مجموعه و گروهی که محققان به آن تعلق داشته و در آن به فعالیت جمعی تحقیقاتی مشغولند، مهمترین عامل تعیین کننده در میزان موفقیتشان است. شبکه افراد من سرشار از انسان هایی با ایده های بزرگ می باشد که شاید منجر به موفقیت من گشته است.

گروه اتزیونی در حال تمرکز بر روی مجموعه ای بزرگ از تحقیقات مغز و اعصاب هستند تا این نرم افزار را برای چنین زمینه علمی ای آموزش دهند. این وسیله و رتبه بندی های آن برای تحقیقات مغز و اعصاب در اجلاس جامعه مغز و اعصاب در ۱۲ نوامبر در سان دیگو آمریکا نمایش داده شده و آغاز به کار خواهد نمود.

 

منبع: sciencemag      

0 پسندیده شده
احسان ستاریان
از این نویسنده

بدون دیدگاه

جهت ارسال پیام و دیدگاه خود از طریق فرم زیر اقدام و موارد زیر را رعایت نمایید:
  • پر کردن موارد الزامی که با ستاره قرمز مشخص شده است اجباری است.
  • در صورتی که سوالی را در بخش دیدگاه مطرح کرده باشید در اولین فرصت به آن پاسخ داده خواهد شد.