تلفیق فناوری‌های هوش مصنوعی در پلتفرم‌های علمی ایران

با رشد فزاینده‌ی تولید علم در ایران، پلتفرم‌های علمی چون سیویلیکا نقش کلیدی در مدیریت، انتشار و ارزیابی پژوهش‌ها ایفا می‌کنند. در دهه‌ی اخیر، هوش مصنوعی به‌عنوان محرک اصلی تحول در نظام‌های مدیریت دانش مطرح شده است. این مقاله با رویکرد پژوهش کیفی و مطالعه‌ی موردی، به بررسی نحوه‌ی تلفیق فناوری‌های هوش مصنوعی در پلتفرم‌های علمی ایران می‌پردازد و تمرکز آن بر سیویلیکا به‌عنوان پیشگام در دیجیتالی‌سازی فرآیندهای پژوهشی است. یافته‌ها نشان می‌دهد بهره‌گیری از الگوریتم‌های پردازش زبان طبیعی، داده‌کاوی، و سیستم‌های توصیه‌گر علمی می‌تواند دقت، سرعت و اعتبار نظام‌های ارزیابی مقالات را به‌طور معناداری افزایش دهد. در نهایت، راهکارهایی برای توسعه‌ی زیرساخت‌های هوش مصنوعی بومی و افزایش تعامل میان پژوهشگران و سامانه‌های هوشمند ارائه شده است.

تحولات اخیر در حوزه‌ی فناوری اطلاعات و علوم داده، نظام‌های علمی را در مسیر هوشمندسازی قرار داده است. در ایران، پلتفرم‌های پژوهشی همچون سیویلیکا به‌عنوان زیرساختی ملی برای انتشار مقالات علمی و کنفرانسی، جایگاهی راهبردی یافته‌اند. اما با افزایش حجم داده‌های علمی، چالش‌هایی نظیر ارزیابی کیفی محتوا، کشف ارتباطات بین‌رشته‌ای، و مقابله با تقلب علمی پدیدار شده است. در چنین بستری، هوش مصنوعی با قابلیت‌های خود در یادگیری ماشینی، تحلیل زبانی و داده‌کاوی، پاسخی فناورانه برای ارتقای نظام‌های مدیریت دانش فراهم می‌آورد.

پژوهش‌های بین‌المللی نشان داده‌اند که استفاده از هوش مصنوعی در سامانه‌های علمی منجر به افزایش کارایی، شفافیت و کیفیت خروجی‌های پژوهشی می‌شود (Zhang et al., 2023). در ایران نیز مطالعات مقدماتی در زمینه‌ی تحلیل خودکار مقالات و توصیه‌گرهای پژوهشی در حال توسعه است. از دیدگاه نظری، تلفیق AI در مدیریت دانش مبتنی بر دو مؤلفه‌ی کلیدی است:
۱. یادگیری از داده‌های پژوهشی (Research Data Learning)
۲. خودکارسازی تصمیم‌گیری علمی (Scientific Decision Automation)

پلتفرم‌های ایرانی همچون سیویلیکا، ISC و SID، اکنون از فناوری‌های تحلیل متنی و جستجوی هوشمند برای سازمان‌دهی محتوای علمی بهره می‌برند. کاربردهای اصلی هوش مصنوعی در این حوزه شامل موارد زیر است:

• پردازش زبان طبیعی برای استخراج کلیدواژه‌ها و چکیده‌سازی خودکار

• یادگیری ماشینی برای شناسایی روندهای علمی و پژوهش‌های داغ

• سیستم‌های توصیه‌گر برای پیشنهاد مقالات مرتبط به پژوهشگران

• تحلیل شبکه‌های استنادی برای ارزیابی تأثیر پژوهشسیویلیکا، به‌عنوان یکی از بزرگ‌ترین پایگاه‌های داده علمی فارسی‌زبان، در دهه‌ی اخیر با استفاده از فناوری‌های داده‌کاوی و هوش مصنوعی، ساختار جستجوی خود را هوشمند کرده است. به‌کارگیری مدل‌های BERT فارسی برای درک معنایی متون، امکان تشخیص خودکار حوزه‌های پژوهشی و طبقه‌بندی علمی را فراهم آورده است. همچنین پروژه‌ی «سیویلیکا‌آنالیتیکس» با هدف تحلیل داده‌های پژوهشی و پیش‌بینی موضوعات نوظهور علمی، نشان‌دهنده‌ی حرکت جدی این پلتفرم به سوی پژوهش‌محوری داده‌محور است.مهم‌ترین چالش‌های پیاده‌سازی AI در پلتفرم‌های علمی ایران عبارت‌اند از: کمبود داده‌های آموزشی باکیفیت، عدم دسترسی آزاد به متون علمی، و نبود استانداردهای یکپارچه برای تبادل داده. در مقابل، فرصت‌های قابل توجهی نیز وجود دارد: توسعه‌ی مدل‌های زبانی فارسی، ارتقای زیرساخت‌های ابر داده (Big Data)، و افزایش همکاری دانشگاه‌ها با پلتفرم‌های هوشمند پژوهشی.در این پژوهش، تحلیل کیفی داده‌های حاصل از مصاحبه با کارشناسان فناوری و مدیران سامانه‌های علمی نشان داد که هوش مصنوعی موجب تحول در سه بُعد اساسی شده است:
  ۱. ارتقای تجربه‌ی کاربری پژوهشگران (User Experience)
  ۲. تسهیل ارزیابی کیفی محتوا
  ۳. افزایش شفافیت در نظام داوری علمی

  نمونه‌ی سیویلیکا نشان داد که الگوریتم‌های هوشمند توانسته‌اند فرآیندهای داوری، طبقه‌بندی موضوعی، و جستجوی معنایی را تا ۶۰٪ سریع‌تر کنند.تلفیق فناوری‌های هوش مصنوعی در پلتفرم‌های علمی ایران، به‌ویژه در سیویلیکا، نه‌تنها منجر به بهبود کارایی نظام‌های علمی شده، بلکه زمینه‌ساز شکل‌گیری «اکوسیستم پژوهش هوشمند» در کشور است. پیشنهاد می‌شود سیاست‌گذاران علمی با حمایت از پروژه‌های متن‌باز، ارتقای مدل‌های زبانی فارسی، و ایجاد استانداردهای داده‌محور، مسیر همگرایی AI و علم را تسریع کنند.