تحقیق و پژوهش با هوش مصنوعی، بی‌آن‌که منبعِ ساختگی وارد کارت شود

نوشتهٔ تیمِ چندهوش · ۱۹ مهر ۱۴۰۵ · ۸ دقیقه مطالعه

هوش مصنوعی برایِ شروعِ یک پژوهش ابزارِ خوبی است: کمک می‌کند بفهمی موضوع از چه بخش‌هایی ساخته شده و بحث‌ها کجاست. اما منبع نیست. این مقاله روشی نشان می‌دهد که از چند مدل برایِ نقشه‌کشی استفاده کنی و نوشتنِ اصلی را رویِ منبع‌هایِ واقعی بنا کنی.

تحقیق و پژوهش با هوش مصنوعی وقتی درست کار می‌کند که مدل‌ها را نقشه‌کش ببینی، نه منبع: از آن‌ها کمک بگیری تا بفهمی موضوع از چه بخش‌هایی ساخته شده، کجا بحث و اختلاف هست و چه کلیدواژه‌هایی را باید جست‌وجو کنی، و بعد برایِ هر ادعا سراغِ منبعِ اصلی بروی. هر چیزی که در کارِ نهایی‌ات به آن استناد می‌کنی باید منبعی باشد که خودت باز کرده و خوانده‌ای، نه جمله‌ای که مدل گفته.

این راهنما برایِ دانشجویی است که پروژه‌ی درسی یا پایان‌نامه دارد، برایِ پژوهشگری که وارد حوزه‌ی تازه‌ای می‌شود، و برایِ هر کسی که می‌خواهد پیش از یک تصمیم، موضوعی را جدی بفهمد.

تحقیق و پژوهش با هوش مصنوعی: به چه کاری می‌آید و به چه کاری نه

فرقِ این دو ستون ساده است: ستونِ اول کمک می‌کند بدانی کجا بگردی، ستونِ دوم ادعا می‌کند چه پیدا کرده‌ای. پژوهشِ سالم فقط از ستونِ اول استفاده می‌کند.

چرا چند مدل برایِ نقشه‌کشیِ موضوع بهتر از یکی است

وقتی از یک مدل می‌پرسی «بحث‌هایِ اصلیِ فلان حوزه چیست؟»، یک روایتِ مرتب و قانع‌کننده می‌گیری. مشکل همین مرتب‌بودن است: نمی‌فهمی کدام بخشش اجماعِ واقعیِ حوزه است و کدام برداشتِ همان مدل. وقتی چند مدلِ مختلف همین سؤال را مستقل جواب می‌دهند، سه اتفاقِ مفید می‌افتد:

• هم‌پوشانی نشان می‌دهد کدام زیرموضوع‌ها احتمالاً هسته‌ی بحث‌اند. احتمالاً، نه قطعاً؛ همه‌ی مدل‌ها می‌توانند یک اشتباهِ رایج را تکرار کنند.
• اختلاف نشان می‌دهد کجا باید بیشتر بخوانی. اگر یک مدل می‌گوید در موضوعی اجماع هست و دیگری می‌گوید بحث باز است، این دقیقاً سؤالی است که باید در منابعِ اصلی جوابش را پیدا کنی.
• تفاوتِ کلیدواژه‌ها دامنه‌ی جست‌وجویت را گسترده‌تر می‌کند. هر مدل ممکن است همان مفهوم را با اصطلاحِ دیگری بنامد.

روشِ کلیِ کنارِ هم گذاشتنِ جوابِ چند مدل را در پرسیدن از چند هوش مصنوعی هم‌زمان توضیح داده‌ایم. این‌جا تمرکز رویِ استفاده‌ی پژوهشی است.

روشِ پنج‌قدمی: از نقشه تا متنِ خودت

1. نقشه: موضوع را به چند مدل بده و بخواه هر کدام مستقل بگوید موضوع از چه زیرموضوع‌هایی ساخته شده، سؤال‌هایِ باز کدام‌اند و چه کلیدواژه‌هایی برایِ جست‌وجو پیشنهاد می‌کند. در چندهوش «مقایسه‌ی خالص» برایِ این کار مناسب است: هر صندلی جوابِ کاملِ خودش را می‌دهد و جواب‌ها کنارِ هم دیده می‌شوند.
2. فهرستِ اختلاف‌ها: جواب‌ها را کنارِ هم بخوان و جاهایی را که با هم نمی‌خوانند یادداشت کن. این فهرست، نقشه‌ی خواندنِ تو است.
3. منبعِ اصلی: با کلیدواژه‌ها در پایگاه‌هایِ علمی و کتابخانه جست‌وجو کن. برایِ هر ادعایی که می‌خواهی در کارت بیاوری، خودِ مقاله، کتاب یا سندِ رسمی را پیدا کن و بخوان.
4. آزمونِ فهم: حالا که منابع را خوانده‌ای، می‌توانی خلاصه‌ی خودت را به مدل‌ها بدهی و بخواهی نقدش کنند: کجا ساده‌سازی کرده‌ای، کجا نتیجه‌گیری‌ات از داده جلوتر رفته، کدام دیدگاهِ مخالف را جا انداخته‌ای. این‌جا یک نشستِ «بحث و تصمیم» با صندلیِ «وکیلِ مدافعِ شیطان» به کار می‌آید.
5. نوشتن: متنِ نهایی را خودت بنویس و به منابعی که خوانده‌ای استناد کن.

اگر مقاله‌ها یا فصل‌هایی را که قانونی در اختیار داری پیوست کنی (PDF یا سند)، مدل‌ها رویِ همان متن کار می‌کنند و خطرِ ساختنِ محتوا کمتر می‌شود. کمتر، نه صفر؛ نقلِ قول‌ها را همیشه با متنِ اصلی تطبیق بده.

منبعِ ساختگی: خطرِ اصلی

جدی‌ترین خطر در تحقیق و پژوهش با هوش مصنوعی، مرجعی است که وجود ندارد: نامِ نویسنده‌ای واقعی، عنوانی باورپذیر، سالی معقول و نامِ مجله‌ای معتبر، که کنارِ هم هیچ‌وقت منتشر نشده‌اند. این از نمونه‌هایِ شناخته‌شده‌ی خطایی است که به آن توهم می‌گویند و در مقاله‌ی توهم هوش مصنوعی توضیح داده‌ایم چرا پیش می‌آید.

چند قاعده‌ی ساده که جلویش را می‌گیرد:

• هیچ مرجعی را از جوابِ مدل مستقیم در فهرستِ منابعت کپی نکن. اول خودِ اثر را پیدا کن.
• اگر مدل گفت «فلان پژوهش نشان داده…»، آن را سرنخ بدان، نه یافته. تا اثر را پیدا نکرده‌ای، وجود ندارد.
• این‌که چند مدل یک مرجع را تکرار کنند، ثابت نمی‌کند واقعی است.
• اگر «جست‌وجوی زنده قبل از شروع» را روشن کنی، اطلاعاتِ به‌روز با منبع به نشست اضافه می‌شود و منبع‌ها در حکم می‌آیند. این کمک است، نه جایگزین: لینک را باز کن و ببین منبع واقعاً همان را می‌گوید یا نه.

صداقتِ علمی: خروجیِ هوش مصنوعی منبع نیست

جوابِ یک مدل، هر قدر هم درست به نظر برسد، منبعِ قابلِ استناد نیست. نه نویسنده‌ی پاسخ‌گویی دارد، نه داوری شده، نه اگر فردا دوباره بپرسی لزوماً همان را می‌گوید. پس «به گفته‌ی هوش مصنوعی…» در کارِ علمی جایی ندارد.

مسئله‌ی دوم قوانینِ دانشگاه یا مجله است. خیلی از دانشگاه‌ها و مجله‌ها برایِ استفاده از هوش مصنوعی قاعده دارند و این قاعده‌ها با هم فرق می‌کنند. پیش از استفاده، قاعده‌ی جایی را که کارت را در آن ارائه می‌دهی بخوان و اگر لازم است، با استاد یا ویراستار روشن کن. قاعده‌ی کلیِ امن این است: از مدل برایِ فهمیدن و نقدِ کارِ خودت کمک بگیر، اما متن و استدلالی که به نامِ تو ارائه می‌شود باید کارِ خودت باشد، و اگر جایی خواسته شده، نحوه‌ی استفاده‌ات را شفاف اعلام کن.

یک نمونه‌ی فرضی: فصلِ مرورِ ادبیاتِ یک پایان‌نامه

این بخش نمونه‌ی فرضی است و فقط شکلِ کار را نشان می‌دهد؛ نشست، دانشجو و نتیجه‌ی واقعی نیست، و هیچ یافته‌ی علمی‌ای در آن ادعا نمی‌شود.

فرض کن دانشجویِ کارشناسیِ ارشدی و موضوعت «اثرِ دورکاری بر همکاریِ تیم‌هایِ نرم‌افزاری» است. هنوز نمی‌دانی این حوزه چه شاخه‌هایی دارد.

• نشستِ اول، «مقایسه‌ی خالص»: پنج صندلی از خانواده‌هایِ مختلف. سؤال: «این موضوع را به زیرموضوع‌هایِ پژوهشی بشکن، برایِ هر کدام سؤالِ باز و کلیدواژه‌ی جست‌وجو پیشنهاد کن. مرجع نام نبر.» جمله‌ی آخر عمدی است: از مدل‌ها نقشه می‌خواهی، نه فهرستِ منابع.
• کارِ تو: جواب‌ها را کنارِ هم می‌خوانی. فرض کن سه صندلی «ارتباطِ غیرهم‌زمان» را زیرموضوعِ اصلی می‌دانند و دو صندلی اصلاً اسمی از آن نمی‌برند، و یک صندلی سراغِ «جذبِ نیرویِ تازه» رفته که به فکرت نرسیده بود. همین‌ها فهرستِ خواندنت می‌شوند. بعد چند هفته در منابعِ اصلی می‌خوانی.
• نشستِ دوم، «بحث و تصمیم»: پیش‌نویسِ طرحِ فصلت را به‌صورتِ سند پیوست می‌کنی. چهار صندلی: یک منتقد که دنبالِ ادعایِ بدونِ پشتوانه است، یک صندلی که از نگاهِ روش‌شناسی می‌خواند، یک ایده‌پرداز که شاخه‌هایِ جاافتاده را پیدا می‌کند، و «وکیلِ مدافعِ شیطان». عمق «عمیق».
• پیش از شروع: در «تأییدِ فرض‌ها» فرضِ «دورکاری یعنی کارِ کاملاً از خانه» را رد می‌کنی، چون تعریفِ تو مدلِ ترکیبی را هم شامل می‌شود.

حکمِ چنین نشستی درباره‌ی خودِ طرحِ فصلِ توست، نه درباره‌ی واقعیتِ علمی: توافق بر این‌که تعریفِ دورکاری باید در ابتدایِ فصل روشن شود؛ اختلاف بر سرِ این‌که بخشِ جذبِ نیرو در این فصل جا دارد یا در فصلِ بعد؛ قوی‌ترین مخالفتِ باقی‌مانده این‌که دو جمله‌ی طرح نتیجه‌ای کلی‌تر از منبع‌هایی می‌گیرند که خودت آورده‌ای؛ و توصیه این‌که آن دو جمله را با منبعِ اصلی دوباره تطبیق بدهی. با «نقشه‌ی تصمیم» می‌بینی هر کدام از این نتیجه‌ها از کجای بحث آمد.

کدام نوعِ نشست برایِ کدام مرحله

جمع‌بندی

تحقیق و پژوهش با هوش مصنوعی یعنی از مدل‌ها برایِ دیدنِ شکلِ موضوع و پیدا کردنِ جاهایِ بحث کمک بگیری و بعد کارِ اصلی را رویِ منبع‌هایی بنا کنی که خودت خوانده‌ای. چند مدل بهتر از یکی نشان می‌دهند کجا باید شک کنی، اما هیچ‌کدام منبع نیستند و توافقشان هم دلیلِ درستی نیست. اگر پژوهشت پشتوانه‌ی یک تصمیمِ عملی است، مثلاً سنجیدنِ بازارِ یک طرح، بررسی ایده کسب‌وکار با هوش مصنوعی قدمِ بعدی است؛ و اگر پایان‌نامه‌ات به ساختنِ یک سامانه‌ی نرم‌افزاری می‌رسد، انتخاب معماری نرم‌افزار با هوش مصنوعی به کارت می‌آید. بقیه‌ی کاربردهایِ چندهوش در تصمیم‌گیری را هم می‌توانی در صفحه‌ی خودش ببینی.