فضای کاری هوش مصنوعی برای پژوهشگران: خواندن متن‌های طولانی و نگارش مستند

سه وظیفهٔ مدل در یک زنجیرهٔ پژوهشی

پژوهش روشن‌ترین نمونه برای یک فضای کاری چندمدلی است، زیرا این زنجیره سه نیاز واقعاً متفاوت دارد. به مدلی نیاز دارید که بتواند حجم عظیمی از متن را یک‌جا نگه دارد، مدلی که آن‌قدر با دقت بنویسد که از داوری هم‌تراز جان سالم به در ببرد و مدلی که خروجی ساخت‌یافتهٔ سفت و سختی بدون انحراف برگرداند. هیچ محصول واحدی در هر سه بهترین نیست و هزینهٔ جابه‌جایی میان سه محصول با بارگذاری دوبارهٔ همان مجموعه‌داده پرداخت می‌شود. هزینهٔ نهایی جابه‌جایی درون یک فضای کاری کوچک و قابل پیش‌بینی است: بر اساس شاخص هزینهٔ مدل Whizi (نرخ‌های فهرست OpenRouter، دریافت‌شده در 2026-08-20)، Gemini 3.7 Flash برای هر پاسخ استاندارد $0.001313 هزینه دارد، Claude Sonnet 5 مبلغ $0.007 و GPT-5.6 Terra مبلغ $0.008، همگی زیر یک سنت برای هر پاسخ.

مرحله	مدل	کاری که انجام می‌دهد
خواندن مجموعه‌ای از مقالات	Gemini	پنجرهٔ زمینهٔ 1M توکنی، بنابراین 15 تا 30 فایل PDF در یک گفتگو جای می‌گیرند
ساخت جدول شواهد	GPT	طرح‌واره‌های سخت‌گیرانه، مقادیر ستونی یکدست، بدون انحراف ویرایشی
پیش‌نویس متن و ترکیب یافته‌ها	Claude	لحن دقیق و محتاطانهٔ آکادمیک، وفادار به منبع
یافتن کارهای اخیر و بررسی ارجاعات	یک مدل متصل به وب	بازیابی از منابع زنده به‌جای حافظه
بازبینی مخالف‌خوانانه از استدلال خودتان	هر مدلی که آن را ننوشته است	خواننده‌ای مستقل، بدون هزینهٔ ازدست‌رفته

مهم‌ترین نکته‌ای که پیش از شروع باید بدانید این است: اگر از یک مدل زبانی دربارهٔ مقاله‌ای فقط از روی حافظه‌اش بپرسید، جزئیاتی می‌سازد، آن هم بسیار روان. اما مدلی که یک فایل PDF بارگذاری‌شده را می‌خواند، از روی متن واقعی کار می‌کند. این‌ها دو فعالیت متفاوت با قابلیت اطمینان متفاوت‌اند و تقریباً هر داستان ترسناکی دربارهٔ هوش مصنوعی در پژوهش از جایی می‌آید که اولی به‌جای دومی اشتباه گرفته شده است. همیشه منبع را بارگذاری کنید.

خواندن 20 مقاله بدون گم کردن رشتهٔ موضوع

اشتباه رایج این است که خلاصه بخواهید. خلاصهٔ 20 مقاله بندی است که می‌تواند هر 20 مقالهٔ دیگر در همان حوزه را هم توصیف کند. چیزی که واقعاً به آن نیاز دارید یک جدول شواهد است، زیرا جدول مدل را وادار می‌کند برای هر مقاله یک مقدار مشخص تعیین کند و شکاف‌ها را نمایان می‌سازد.

پرامپت: جدول شواهد

من [n] مقاله بارگذاری کرده‌ام. جدولی با یک ردیف برای هر مقاله و این ستون‌ها بساز: ارجاع (نویسندگان، سال)، پرسش پژوهشی، طرح مطالعه، حجم نمونه و جامعهٔ آماری، پیامد اصلی اندازه‌گیری‌شده، یافتهٔ اصلی همراه با اندازهٔ اثر یا آمار کلیدی، محدودیت‌های ذکرشده و منبع تأمین مالی در صورت افشا. اگر فیلدی در مقاله‌ای گزارش نشده است، بنویس NOT REPORTED. مقادیر را استنباط نکن. هیچ مقاله‌ای را که بارگذاری نکرده‌ام وارد نکن.

پرامپت: مرحلهٔ ترکیب یافته‌ها

فقط با استفاده از جدولی که ساختی پاسخ بده: این مطالعات کجا با هم توافق دارند، کجا اختلاف دارند و چه چیزی این اختلاف را توضیح می‌دهد (طرح، جامعه، سنجش یا دوره)؟ پرسش‌هایی در این پیشینه را شناسایی کن که هیچ مطالعهٔ بارگذاری‌شده‌ای به آن‌ها نپرداخته است. برای هر ادعا، ردیف‌های مشخصی را که آن ادعا بر آن‌ها استوار است ذکر کن.

پرامپت: نقد روش‌شناختی

برای هر مطالعه در جدول، جدی‌ترین تهدید علیه روایی را یادداشت کن: انتخاب، سنجش، مخدوش‌کننده‌ها، توان آماری یا تعمیم‌پذیری. دقیقاً بر اساس آنچه مقاله گزارش کرده بنویس، نه به‌صورت کلی. اگر مطالعه‌ای از نظر روش‌شناختی قوی است، همین را بگو به‌جای ساختن یک انتقاد بی‌مورد.

این دستور آخر واقعاً کاربرد دارد. اگر از یک مدل بخواهید مشکلات را پیدا کند، همیشه مشکلاتی پیدا می‌کند، حتی در مطالعه‌ای که به‌خوبی انجام شده، چون خودِ درخواست فرض می‌کند مشکلی وجود دارد. اجازهٔ صریح دادن برای اینکه بگوید مقاله‌ای درست است، نقد را صادقانه نگه می‌دارد.

برای جزئیات وارد کردن تمیز اسناد طولانی به یک گفتگو، به چگونگی گفتگو با یک PDF و راهنمای خلاصه‌سازی PDF با هوش مصنوعی مراجعه کنید.

استخراج: به‌دست آوردن داده‌های ساخت‌یافته از متن بدون ساختار

استخراج نظام‌مند کاری است که هوش مصنوعی در آن بیشترین صرفه‌جویی قابل‌دفاع در زمان را ایجاد می‌کند، زیرا خروجی آن قابل راستی‌آزمایی است. می‌توانید یک عدد را با صفحهٔ 7 مقایسه کنید. اما نمی‌توانید یک برداشت کلی را راستی‌آزمایی کنید.

پرامپت: استخراج با طرح‌وارهٔ سخت‌گیرانه

هر آمار گزارش‌شده در این مقاله را به‌صورت JSON استخراج کن. طرح‌واره: {"value": number, "unit": string, "measure": string, "population": string, "location_in_paper": string, "confidence_interval": string or null, "p_value": string or null}. فقط ارقامی را وارد کن که در متن، جدول‌ها یا زیرنویس شکل‌ها ظاهر شده‌اند. مقادیر مشتق‌شده را محاسبه نکن. عدد را گرد نکن. اگر رقمی هم در جدول و هم در متن با مقادیر متفاوت ظاهر شود، هر دو مورد را برگردان و ناهم‌خوانی را علامت‌گذاری کن.

فیلد location_in_paper همان بخشی است که افراد معمولاً حذفش می‌کنند، در حالی که همان بخش خروجی را قابل استفاده می‌کند. این فیلد یک بازبینی را از بازخوانی کامل مقاله به یک بررسی هدفمند تبدیل می‌کند، یعنی بازبینی واقعاً انجام می‌شود.

پرامپت: مقایسه میان مقالات

در میان مقالات بارگذاری‌شده، هر برآورد گزارش‌شده از [کمیتی که برایتان اهمیت دارد] را پیدا کن. جدولی برگردان شامل: مقاله، برآورد، واحد، جامعهٔ آماری، روش برآورد و سال جمع‌آوری داده. آن‌ها را میانگین نگیر. به‌صراحت مشخص کن کجا برآوردها به دلیل تفاوت در تعاریف یا جوامع آماری قابل مقایسه نیستند.

دستور دادن به مدل برای میانگین نگرفتن، سخت‌گیری بی‌مورد نیست. میانگین‌گیری از برآوردهای غیرقابل‌مقایسه، رایج‌ترین راهی است که یک مرور پیشینهٔ کمک‌گرفته از هوش مصنوعی عددی نادرست اما با اطمینان بالا تولید می‌کند، و این دقیقاً نوع خطایی است که یک داور بلافاصله متوجهش می‌شود.

نگارش مرور پیشینه بدون قرض گرفتن جملهٔ کسی دیگر

Claude در اینجا بهترین گزینه برای پیش‌نویس‌نویسی است، اما پرامپت باید دو قاعدهٔ مهم در نگارش آکادمیک را اجرا کند: ادعاها به منابع متصل بمانند و احتیاط بیانی حفظ شود. مدل‌هایی که برای کمک‌رسانی آموزش دیده‌اند تمایل دارند زبان محتاطانه را تقویت کنند و بدون اینکه از آن‌ها خواسته شود «با … مرتبط بود» را به «باعث … شد» تبدیل می‌کنند.

پرامپت: پیش‌نویس بخش

[نام بخش] مرور پیشینه را فقط با استفاده از جدول شواهد بالا پیش‌نویس کن. قواعد: هر ادعا باید به یک ردیف مشخص قابل‌انتساب باشد، احتیاط بیانی اصلی حفظ شود (یک رابطهٔ همبستگی را به ادعای علّی ارتقا نده)، از قالب [سبک ارجاع‌دهی] استفاده کن و هر جمله‌ای را که در آن وسوسه شدی فراتر از شواهد تعمیم بدهی با [CHECK] علامت بزن. مخاطب: پژوهشگران [حوزه]. طول: تقریباً [n] کلمه.

پرامپت: بررسی احتیاط بیانی

این پیش‌نویس را در برابر منابع اصلی بررسی کن. هر جمله‌ای را که قطعیت بیشتری از آنچه مطالعهٔ زیربنایی پشتیبانی می‌کند بیان می‌کند، و هر جمله‌ای که یافته‌ای را به منبع نادرست نسبت می‌دهد، فهرست کن. جمله و متن منبع متناقض را کنار هم نقل‌قول کن. بازنویسی نکن.

این بررسی احتیاط بیانی را روی نوشتهٔ خودتان هم اجرا کنید، نه فقط روی خروجی مدل. همان انحراف را در پیش‌نویسی انسانی که ساعت 11 شب نوشته شده هم پیدا می‌کند.

راستی‌آزمایی ارجاعات، که اختیاری نیست

این بخش مهم‌ترین بخش است، پس عمداً صریح نوشته شده. مدل‌های زبانی ارجاعات جعلی می‌سازند. آن‌ها ارجاعاتی تولید می‌کنند با نام نویسندگان واقعی، عنوان‌های مجلهٔ باورپذیر، شماره جلد و صفحهٔ درست به‌نظر رسنده، و DOIهایی که به هیچ‌جا یا به مقاله‌ای بی‌ربط منتهی می‌شوند. مقالات مسترد شده از همین راه وارد پیشینهٔ علمی شده‌اند. اعتبار افراد از همین راه آسیب دیده است.

قواعدی که از آن جلوگیری می‌کند:

• هرگز از یک مدل نخواهید برای یک ادعا فقط از روی حافظه‌اش «منبع پیدا کند». از یک مدل متصل به وب بخواهید منابع را بازیابی کند، سپس هر پیوند را خودتان باز کنید.
• هر DOI را با حل کردن آن راستی‌آزمایی کنید. DOI‌ای که حل نمی‌شود جعلی است، نه یک اشتباه تایپی.
• بررسی کنید مقالهٔ ارجاع‌شده واقعاً همان چیزی را می‌گوید که ارجاع مدعی آن است. یک مقالهٔ واقعی که به ادعایی متصل شده که از آن پشتیبانی نمی‌کند، خطای دشوارتری برای شناسایی است و رایج‌تر از یک مقالهٔ ساختگی است.
• هرگز چیزی را که باز نکرده‌اید ارجاع ندهید. این قاعده پیش از هوش مصنوعی هم وجود داشت و هوش مصنوعی آن را حیاتی‌تر کرده است.
• فایل‌های PDF بارگذاری‌شده را به‌عنوان منبع حقیقت نگه دارید. هر چیزی که مدل دربارهٔ مقاله‌ای که بارگذاری نکرده‌اید به شما بگوید، ذاتاً راستی‌آزمایی‌نشده است.

پرامپت: ممیزی ارجاعات

برای هر ارجاع در این فهرست مشخص کن: آیا می‌توانی آن را از یک منبع در این گفتگو تأیید کنی، یا از داده‌های آموزشی‌ات آمده و بنابراین راستی‌آزمایی‌نشده است. حدس نزن. هر مورد راستی‌آزمایی‌نشده را واضح علامت بزن. من آن‌ها را دستی بررسی خواهم کرد.

این پرامپت مدل را قابل‌اعتماد نمی‌کند. اما مشخص می‌کند کدام ادعاها به چیزی که شما ارائه کرده‌اید مستند هستند، و همین تمایز است که برای دانستن چه چیزی را باید بررسی کنید لازم دارید.

این ابزار جایگزین چه چیزی نمی‌شود

جایگزین یک پروتکل مرور نظام‌مند نمی‌شود. اگر کار شما به PRISMA نیاز دارد، استراتژی جست‌وجو، غربالگری و تصمیمات گنجاندن مطالعات همچنان وظیفهٔ خودتان است که مستند و از آن دفاع کنید. هوش مصنوعی می‌تواند در نوشتن پروتکل کمک کند و استخراج از مطالعات گنجانده‌شده را سرعت ببخشد، اما نمی‌تواند خودِ جست‌وجو باشد.

جایگزین نرم‌افزار مدیریت ارجاعات شما نمی‌شود. Zotero، Mendeley یا EndNote را به‌عنوان سابقهٔ آنچه واقعاً خوانده‌اید نگه دارید. گفتگو حافظهٔ کاری است، نه یک بایگانی.

جایگزین تحلیل آماری نمی‌شود. یک مدل می‌تواند یک روش را توضیح دهد، کد R یا Python آن را بنویسد و برداشت شما را عاقلانه بررسی کند، اما اجرای تحلیل درون یک پنجرهٔ گفتگو و اعتماد به محاسبات آن قابل‌دفاع نیست. کد را تولید کنید، آن را در محیط خودتان اجرا کنید و خروجی را بررسی کنید.

و جایگزین افشاگری نمی‌شود. مجلات و مؤسسات بیش‌ازپیش خواستار بیانیه‌ای دربارهٔ نحوهٔ استفاده از ابزارهای هوش مصنوعی هستند. آنچه در هر مرحله استفاده کرده‌اید را همان‌جا یادداشت کنید، چون بازسازی آن هنگام ارسال مقاله ناخوشایند است.