https://virgool.io/feed/@mrnazif fa 2026-06-17 11:43:02 https://files.virgool.io/upload/users/5309/avatar/DI95HA.png?height=120&width=120 https://virgool.io/@mrnazif https://virgool.io/@mrnazif/%D8%A2%D9%85%D8%A7%D8%B2%D9%88%D9%86-%D9%88-%D8%AF%D8%B1%D8%B3-%D8%A8%D8%B2%D8%B1%DA%AF-%DA%A9%D9%86%D8%AA%D8%B1%D9%84-%DA%A9%DB%8C%D9%81%DB%8C%D8%AA-%D8%AF%D8%B1-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D9%85%D9%88%D9%84%D8%AF-filyybwjb9r8 در آخرین نسخه از مجله HBR که در ماه سپتامبر 2025 منتشر شد، چشمم به یه مقاله ای خورد که به دغدغه کنترل کیفیت محصولاتی که با هوش مصنوعی ساخته شدند، پرداخته بود و یه کیس از آمازون آورده بود. با توجه به اینکه خودم هم در محصولاتی که ساختم با این دغدغه مواجه هستم، این مقاله برام جالب اومد. مطالعه ش کردم و خلاصه نکاتی که فهمیدم و راهکاری که ارائه شده بود رو در این پست آوردم.هوش مصنوعی مولد، به قول بعضی‌ها، می‌تواند «همه‌چیز را خودکار کند»، اما واقعیت زمین تا آسمان با این تصویر فاصله دارد.در عمل، مدل‌های مولد بدون نظارت دقیق، گاهی اطلاعات غلط تولید می‌کنند، بخش‌هایی را ناقص می‌نویسند یا حتی از خودشان داده می‌سازند.مشکل اصلی زمانی خودش را نشان می‌دهد که قرار باشد این فناوری را در ابعاد بسیار بزرگ به کار بگیریم. در چنین مقیاسی، کنترل کیفیت از یک وظیفه جانبی به یک زیرساخت حیاتی تبدیل می‌شود.آمازون با پروژه Catalog AI مثال کاملی از این ماجراست. این سیستم برای تولید و بهبود توضیحات میلیون‌ها صفحه محصول ساخته شد. اما در شروع کار، واقعیت کمی شوکه‌کننده بود: ۸۰٪ از خروجی‌ها قابل‌اعتماد نبودند.به‌جای عقب‌نشینی، آمازون تصمیم گرفت از دل همین مشکل، نقطه قوت بسازد. با طراحی یک سیستم کنترل کیفیت چندلایه که امروز هسته ارزش‌آفرینی Catalog AI است.۱. ممیزی دقیق و یافتن منابع خطاهر خروجی مدل از چند فیلتر انسانی و ماشینی عبور می‌کرد.این بررسی‌ها به تیم امکان داد بفهمد آیا مشکل از کمبود داده ورودی است یا از شیوه تولید و ساختار مدل.۲. ریل‌ها و قوانین (Guardrails)مدل فقط به داده‌های تأییدشده داخلی دسترسی داشت تا جلوی «خیال‌پردازی» یا تولید داده جعلی گرفته شود.قالب و ساختار متن ثابت شد: مثلاً واحد اندازه‌گیری یا ترتیب مشخص ویژگی‌ها.حتی تغییرات خلاقانه هم باید در چارچوب این ریل‌ها می‌ماندند.۳. بازبینی چندمدله (Multi‑LLM Review)به جای تکیه بر یک مدل، از دو مدل با نقش متفاوت استفاده شد:یکی برای تولید محتوادیگری فقط برای بررسی، تصحیح و رد موارد اشتباهچون این دو مدل روی داده‌ها و رویکردهای متفاوت آموزش دیده بودند، عملکردشان همدیگر را کامل می‌کرد.۴. آزمایش مداوم در مقیاس بزرگ (A/B Testing at Scale)هیچ خروجی‌ای بدون آزمایش در دنیای واقعی منتشر نمی‌شد.تغییرات پیشنهادی روی درصد کوچکی از صفحات آزمایش می‌شد.اثر بر فروش، نرخ تبدیل و رضایت مشتری به‌طور آماری سنجیده می‌شد.نتیجه جالب: تغییراتی که شاید در لحظه جزئی به نظر می‌رسیدند، گاهی باعث جابه‌جایی میلیون‌ها یا حتی میلیاردها دلار درآمد سالانه می‌شدند.۵. یادگیری و بهبود مداومتمام داده‌های به‌دست‌آمده از آزمایش‌ها و بازخورد مشتری، به چرخه آموزشی مدل برمی‌گشت.با این روش، دقت مدل به‌صورت پیوسته و چشمگیر افزایش پیدا کرد.کنترل کیفیت در هوش مصنوعی مولد یعنی تبدیل «قدرت بالقوه» به «نتیجه واقعی».آمازون با Catalog AI نشان داد که حتی اگر در شروع کار، ۸۰٪ خروجی‌ها اشتباه باشد، می‌توان با یک سیستم کنترل کیفیت هوشمند شامل:ممیزی دقیقریل‌های کنترلیبازبینی چندمدلهآزمایش مداومیادگیری پیوستهاین فناوری را به یک مزیت رقابتی پایدار برای سازمان تبدیل کرد. محمدرضا نظیف محمدرضا نظیف Mon, 25 Aug 2025 11:17:24 +0330 https://virgool.io/@mrnazif/%D8%A2%D9%85%D8%A7%D8%B1-%D8%AF%D8%B1-%D9%82%D9%84%D8%A8-%D8%AA%D8%B5%D9%85%DB%8C%D9%85-%DA%AF%DB%8C%D8%B1%DB%8C-%D8%AF%D8%B1-%D9%85%D8%AF%DB%8C%D8%B1%DB%8C%D8%AA-%D9%85%D8%AD%D8%B5%D9%88%D9%84-sdo22kqdpzvt راستش من خودم رو نه یه متخصص مطلق دربارۀ آمار می‌دونم و نه یه مدیر محصولِ همه‌چیزدان. اما از روی تجربه و علاقه‌ای که به هر دو حوزه دارم، تصمیم گرفتم یه متن کوتاه و حرفه‌ای آماده کنم تا بگم چرا گاهی بهتره از آمار بیزی استفاده کنیم و بعضی وقت‌ها هم آمار کلاسیک کفایت می‌کنه. قصد ندارم یه متن خشکِ دانشگاهی ارائه بدم؛ می‌خوام از دلِ پروژه‌های محصولی که خودم باهاشون درگیر بودم و از زاویۀ کاری که تو این سال‌ها دیدم، با زبون خودم چندتا نکته بگم.از کجا شروع شد؟با مسئله‌ای مواجه شدم که می‌خواستم نرخ تبدیل (Conversion Rate) رو تو یه محصول جدید پیش‌بینی کنم. طبق عادت، رفتم سراغ A/B تست و تحلیل‌های p-value. اما چون محصول تازه بود و ترافیک زیادی نداشت، به مشکل خوردم؛ چون آمار کلاسیک به تکرارپذیری و داده‌های نسبتاً زیاد نیاز داره تا بشه به یه نتیجهٔ معنادار رسید. نه ترافیکم کافی بود، نه امکان تکرار زیاد رو داشتم.همون موقع متوجه شدم که می‌شه از دانش قبلی دربارهٔ محصولات مشابه و رفتار کاربران قبلی به‌عنوان «باور اولیه» یا همون پیشین (Prior) استفاده کرد و با داده‌های اندک محصول جدید ترکیبش کرد. این می‌شه همون ایدۀ اصلی رویکرد بیزی: از اول هم می‌شه یه مدل احتمالاتی داشت که با کمترین داده‌های واقعی هم به‌تدریج بهتر و دقیق‌تر می‌شه. اولش برام عجیب بود که «اعتقاد شخصی» چه ربطی به آمار داره؛ ولی وقتی بیشتر دیدم، فهمیدم که چطور فرمول‌های بیزی می‌تونن دانش قبلی رو هم وارد محاسبه کنن و به یه توزیع پسین (Posterior) برسن.جایی که آمار کلاسیک واقعاً می‌درخشهنمی‌خوام بد نشونش بدم؛ آمار کلاسیک هنوز هم تو خیلی از جاها ابزاری ضروریه. مثلاً وقتی کاربر زیاد داری و می‌خوای رنگ یه دکمه یا متن یه بنر تبلیغاتی رو عوض کنی تا نرخ کلیک بره بالاتر. این تغییر کم‌هزینه است، می‌تونی A/B تست انجام بدی و تعداد زیادی کاربر رو درگیر کنی. تا چندروز که داده جمع شد، خیلی راحت مشخص می‌شه کدوم نسخهٔ طراحی بهتره و سطح معناداری هم به‌دست می‌یاد. پس آمار کلاسیک اینجا بی‌نهایت مفیده: سریع، شفاف و با تفسیر ساده.اما وقتی می‌رسیم به شرایط خاص...حالا تصور کنید یه محصول جدید تو حوزۀ خدمات ابری دارین و تعداد کاربراش کم، اما هر کاربر ارزش بالایی داره. یا می‌خواین مدل قیمت‌گذاریتون رو تغییر بدین که اگر جواب نده، ضربۀ بدی به بازار و وجههٔ کسب‌وکار می‌زنه. اینجا دیگه سراغ تست‌های تکرارپذیر بزرگ نمی‌تونین برین، چون نه دادهٔ زیادی دارین نه می‌خواین با مخاطب کمی که وجود داره ریسک کنین. رویکرد بیزی اینجا به درد می‌خوره؛ چون:دانش فعلیتون رو نادیده نمی‌گیره. تو آمار کلاسیک، انگار از صفر شروع می‌کنیم؛ اما تو بیزی می‌تونید تجربیات قبلی رو به‌عنوان ورودی وارد مدل کنید.با دادهٔ کم هم می‌شه کار کرد. اگرچه دادهٔ کم عدم‌قطعیت رو زیاد می‌کنه، ولی دست‌کم یه مدل یا تخمین اولیه داریم که با هر مشاهدۀ جدید، به‌روز می‌شه.به پدیده‌های منحصربه‌فرد (یا کم‌تکرار) هم قابل اعماله؛ مثل یه لانچ بزرگ که فقط یه بار اتفاق میفته یا تغییر قیمت که نمی‌شه بی‌نهایت بار تکرارش کرد.یکی دو مثال واقعی از مدیریت محصولپیش‌بینی نرخ ریزش (Churn) در ماه‌های نخست: وقتی روی یه سرویس SaaS کار می‌کردم، دیتای تاریخی کمی از مشتریای سازمانی داشتیم. می‌خواستیم بدونیم چند درصدشون تمدید نمی‌کنن. آمار کلاسیک پافشاری می‌کرد که داده کافی نیست. ولی با رویکرد بیزی، دانش کلیمون از بازار SaaS رو وارد مدل کردیم و تخمین قابل اتکاتری به دست آوردیم که نهایتاً خیلی به واقعیت نزدیک بود.ارزیابی فیچر جدید برای کاربران VIP: تو یه محصول، فیچر مخصوص VIP طراحی کردیم که تعدادشون فقط ۳۰۰ نفر بود. به لحاظ کلاسیک، نمیشه با این همه کمبود داده به اطمینان رسید. ولی با آمار بیزی، از تجربیات گذشته و یه سری مصاحبه‌های کیفی به‌عنوان پیشین استفاده کردیم. نتیجۀ حاصل ما رو مطمئن کرد که حدود ۶۰ تا ۷۰ درصد این ۳۰۰ نفر احتمالاً فیچر رو می‌پسندن و می‌شه بهش تعمیم داد.کمی پیشرفته‌تر: وقتی مدل‌ها پیچیده می‌شناگر محصولتون پیچیدگی زیادی داره و چندین متغیر همزمان دخیلن، گاهی لازمه روش‌های سلسله‌مراتبی (Hierarchical Modeling) یا نمونـه‌گیری مونت‌کارلو (MCMC) بیارین وسط. اینجاهاست که ابزارهای تخصصی‌تر مثل PyMC، Stan یا کتابخونه‌های بیزی در پایتون می‌تونن وارد عمل بشن. پیاده‌سازیشون یکم زمان و دانش فنی می‌خواد، ولی اگر بتونید انجامش بدین، خروجی خیلی دقیق‌تر و منعطف‌تری نسبت به روش‌های کلاسیک ساده خواهد بود.در نهایت، از کدوم استفاده کنم؟به نظرم جواب کوتاه اینه که هر دو لازمه.آمار کلاسیک عالیه برای تست‌های پُرداده و کم‌ریسک. مثلاً وقتی می‌شه راحت و بارها A/B تست رو تکرار کرد.آمار بیزی عالیه برای وقتی‌که دادهٔ کم دارین، شرایط تکرارنشدنیه، دانش قبلیتون خیلی مهمه یا ریسک تصمیم بالاست.برای خود من، هیچ‌وقت آمار کلاسیک جای خودش رو از دست نداده؛ هنوزم وقتی طرح‌های کوچیک یا تست‌های ساده می‌خوام، سراغ همون ابزار آشنا می‌رم. ولی تو موارد پیچیده یا حساس که نمی‌شه منتظر یه دیتای بزرگ موند، بیزی آدم رو نجات می‌ده.جمع‌بندی کوتاهتو شرایط تکرارپذیر و پُرداده: آمار کلاسیک رو انتخاب کنید، چون سریع و راحت نتیجه می‌ده.تو شرایط دادهٔ کم، تصمیم حیاتی، دانش قبلی ارزشمند یا پدیده تکرارنشدنی: آمار بیزی می‌تونه پاسخگو باشه.اگر شما هم تو شرایط مشابه قرار گرفتین، شاید زمانش باشه یه نگاه تازه به روش‌های آماری خودتون داشته باشین. برای من که بارها پیش اومده و روزبه‌روز بیشتر دارم قدر بیزی رو می‌دونم؛ هرچند هنوزم کلی چیز هست که می‌تونم یاد بگیرم! محمدرضا نظیف محمدرضا نظیف Sun, 29 Dec 2024 13:10:52 +0330 https://virgool.io/@mrnazif/%D8%A7%D9%88%D9%84%D9%88%DB%8C%D8%AA-%D8%A8%D9%86%D8%AF%DB%8C-%DA%A9%D8%A7%D8%B1%D9%87%D8%A7-%D8%A8%D9%87-%D8%B4%DA%A9%D9%84%DB%8C-%D8%B3%D8%A7%D8%AF%D9%87-jr4xhzwwqdb9 یه سری از مشاغل هستن که افراد حاضر در اون مشاغل، باید روی یک موضوع خاص، عمیق بشن. در مقابل دسته‌ی دیگری از مشاغل هستن که شخص حاضر در اون شغل، باید تعداد زیادی کار با عمق کمتر در موضوعات مختلف رو هندل کنه.حالا اگه شغل شما جزو دسته دوم قرار می‌گیره، احتمالاً یکی از چالش‌های روزانه‌تون، اولویت‌بندی امور خواهد بود. در تئوری‌های مدیریت احتمالاً روش‌های کمّی و دقیقی برای اولویت‌بندی دیده باشید. اما در مقیاس روزانه، ممکنه دیگه نصرفه که هر سری بیاید و سراغ روش‌های کمّی برید.و اما یه روش سرانگشتی و سریع برای اولویت‌بندی:1- همه‌ی کارهایی که تو روز دارید رو بنویسید2- ببینید انجام هر کار چقدر هزینه(انرژی، وقت، پول،...) برای شما داره.3- ببینید انجام هر کار چقدر ارزش(تاثیر مثبت، کم کردن استرس شما، پول،...) براتون ایجاد می‌کنه.4- همه روی توی یه نمودار به شکل زیر وارد کنید و مطابق جهت فلش اولویت‌بندی‌شون کنید (زاویه‌ی اون خطی که میاد پایین 45 درجه ست(چشمی)).به همین سادگی محمدرضا نظیف محمدرضا نظیف Fri, 29 Jan 2021 23:42:19 +0330 https://virgool.io/@mrnazif/%D8%AA%D8%AC%D8%B1%D8%A8%D9%87-%D8%A7%D8%B2-%D9%85%D9%86-%D8%AF%D9%88%D8%B1%D9%87-%DA%A9%D9%85%DA%A9%D9%87%D8%A7%DB%8C-%D8%A7%D9%88%D9%84%DB%8C%D9%87-%D9%88-%D9%81%D9%88%D8%B1%DB%8C%D8%AA%D9%87%D8%A7%DB%8C-%D9%BE%D8%B2%D8%B4%DA%A9%DB%8C-bocc4mer6fqc سلام به همراهان عزیزمن در فصل پاییز 97 دوره‌ کمک‌های اولیه و فوریت‌های پزشکی را در جهاد دانشگاهی دانشگاه علوم پزشکی شهید بهشتی گذرانده بودم و مدت‌ها بود که دوست داشتم تا در موردش بنویسم که به دلایلی مثل مشغله و تنبلی و ... این موضوع را به تاخیر می‌انداختم. تا اینکه در هفته‌ی پیش هنگام خرید در خیابان متوجه شدم که خانمی با حالت بسیار پریشان و مضطرب درخواست کمک می‌کند و رنگ چهره‌ی فرزند 5 ساله‌اش به حالت خفگی در آمده. با توجه به اینکه در دوره فوریت‌های پزشکی برای عکس العمل مناسب در این حالت آموزش دیده بودم، موفق شدم با اجرای مانور هایملیخ این پسربچه را به لطف خدا از خفگی نجات دهم. حس ارزشمندی که از این کار داشتم انگیزه‌ای دوباره برای من شد که این مطلب را در مورد دوره کمک‌های اولیه و فوریت‌های پزشکی بنویسم. شاید خواندن این متن موجب شود که کسی این دوره را بگذراند و شخص دیگری را نجات دهد.این دوره به صورت کلی به دو بخش تئوری و عملی (کارآموزی در بیمارستان) تقسیم می‌شود. در ابتدای امر در چندین جلسه کلاس تئوری، به معرفی مختصر آناتومی بدن انسان، اتفاقات و سوانحی که ممکن است رخ دهد مانند خفگی، سوختگی، خونریزی، مار(حشره) گزیدگی، سرما و گرمازدگی،... و همچنین نحوه‌ی عکس‌العمل مناسب هنگام رخ دادن هر یک از این موارد توسط یک پرستار یا کارشناس فوریت‌های پزشکی پرداخته می‌شود.پس از اتمام دوره‌ی تئوری، ما می‌بایستی سه روز را برای کارآموزی در بیمارستان شهدای تجریش انتخاب می‌کردیم. به نظرم بخش اعظم ارزش این دوره در بخش عملی آن معنا پیدا می‎‌کند. از سه روزی که به عنوان کارآموز فوریت‌های پزشکی در بیمارستان بودم، دو روز در واحد اورژانس و درمانگاه و یک روز در بخش‌های جراحی و اورولوژی مشغول به فعالیت بودم.در این مدت این فرصت را داشتم تا مواردی از قبیل چک کردن علائم حیاتی بیمار مثل تب، فشار خون و ضربان قلب، گرفتن نوار قلب، کشیدن بخیه، تعویض پانسما، آتل گرفتن پا، انجام عملیات CPR، تزریق آمپول و سرم و نصب آنژی کت و موارد جزیی دیگر با نظارت کارشناس مخصوص انجام دهم.کشیدن بخیه‌ی بیماری که جراحی دیسک کمر داشته جدای از اقدامات عملی‌ای که در این دوره آموزش داده و در عمل نیز تمرین می‌شد، مهارت دیگری که در واحد اورژانس نصیب آدم می‌شود، حفظ خونسردی در مواجهه با یک فرد نیازمند کمک فوری است که هم در این خصوص و هم در سایر جنبه‌های زندگی انسان به او کمک خواهد کرد.پس از اتمام دوره‌ی کارآموزی، کارشناس ناظر به عملکرد شما نمره می‌دهد و گواهی پایان دوره نیز از طرف جهاد دانشگاهی علوم پزشکی بهشتی صادر می‌گردد.گواهینامه پایان دوره فوریت های پزشکی دقیقاً نمی‌دانم که این مدرک در چه مراکزی اعتبار دارد اما آموزش‌های فراگرفته شده در این دوره در سرتاسر عمر قطعاً کمک کننده خواهد بود.جزییات مربوط به اطلاع‌رسانی های دوره‌های جدید در کانال جهاد دانشگاهی علوم پزشکی به آدرس https://t.me/acecremdad قابل دسترس است.با آرزوی سلامتی و پیروزیمحمدرضا نظیف محمدرضا نظیف محمدرضا نظیف Sat, 13 Jul 2019 00:18:32 +0430 https://virgool.io/@mrnazif/msrt-lq7zbj9iycyh سلام به همراهان عزیزمی‌دانیم که برای ورود به دوره‌ی تحصیلات عالی در مقطع PhD نیاز هست تا مدرکی دال بر تسلط بر زبان انگلیسی ارائه بشه. این مدارک شامل مواردی مثل آیلتس، تافل،... می‌شود.چنانچه قصد تحصیل در دانشگاه‌های داخل کشور را دارید مدرک MSRT برای دانشگاه‌های وزارت علوم و MHLE برای دانشگا‌ه‌های وزارت بهداشت بسیار اقتصادی‌تر هستند.هم از این نظر که زمان بسیار کمتری برای آمادگی و اخذ نمره‌ی مورد قبول، نیاز هست و هم از این نظر که مبلغ پرداختی برای ثبت‌نام در این آزمون‌ها بسیار پایین‌تر است.(در تاریخ نگارش این متن مبلغ مورد نیاز برای ثبت نام در آزمون تافل و آیلتس چیزی حدود 3 میلیون تومان و برای آزمون MSRT مبلغ 60 هزار تومان می‌باشد.)من در تاریخ 16 شهریور 1397 در آزمون MSRT شرکت کردم و قصد دارم تا در این مطلب، تجربه‌ی خود را در این خصوص با شما به اشتراک بگذارم.مرحله‌ی اول، نام نویسی در این آزمون است. برای این کار باید به وب‌سایت https://msrt-exam.saorg.ir مراجعه شود و حساب کاربری ساخته شود. اما ساخت حساب کاربری در این وب‌سایت به سادگی سایر سایت‌ها نیست و شما می‌بایستی اقدامات اضافه‌تری در این باره انجام دهید؛اول اینکه ساخت حساب کاربری در این وب‌سایت صرفاً از روزهای شنبه تا چهارشنبه از ساعت 8 صبح تا 4 بعدازظهر امکان پذیر می‌باشد.نکته‌ی دومی که باید در نظر گرفته شود این است که پس از ساخت حساب کاربری باید تصویر مدارکی مثل عکس پرسنلی، آخرین مدرک تحصیلی، کارت ملی و صفحه‌ی اول شناسنامه در سامانه بارگذاری شود و پس از گذشت زمان حدود 24 ساعت چنانچه مشکلی در مدارکی که بارگذاری کردید وجود نداشته باشد، مدارک شما تایید خواهد شد و می‌توانید از بین زمان‌های آزمون و محل‌های برگزاری آزمون، در زمان و مکان مورد نظر خود ثبت نام کنید.این آزمون از 100 سوال تشکیل شده است؛ 30 سوال مربوط به مهارت شنیداری، 30 سوال مربوط به ساختارهای گرامری و نگارشی و 40 سوال هم از مهارت درک مطلب و ریدینگ. زمان آزمون هم حدوداً 110 دقیقه.من برای اولین و آخرین بار در تاریخ 16 شهریور و دانشگاه علم و صنعت در آزمون شرکت کردم. این آزمون در ساختمان جدید دانشکده علوم پایه برگزار شد. کیفیت ساختمان و تجهیزات آن با توجه به نوساز بودن بسیار مناسب بود. ظاهراً افرادی که دیرتر از زمان شروع آزمون مراجعه کنند را به هیچ عنوان راه نمی‌دهند. چون در حین آزمون به هیچ وجه مشاهده نکردم که کسی از داوطلبین رفت و آمد کند. لذا زمان‌بندی دقیقی برای ورود به حوزه‌ی امتحانی داشته باشید.بر اساس شماره‌ی داوطلبی من در قسمت زیرزمین این ساختمان قرار گرفتم. آزمون با بخش لیسنینگ شروع می‌شود و با پخش مکالمه، از شما می‌خواهد که به سوالات پاسخ دهید. متاسفانه در قسمتی که من قرار داشتم، صدا به شدت اکو می‌شد و اگر سی دی ای که پخش شد، به زبان فارسی هم می‌بود، باز هم من نمی‌توانستم محتوای پخش شده را به درستی بشنوم. پس از اتمام آزمون نظرات دوستانی که مجاور من نشسته بودند نیز همین بود. لذا در بخش شنیداری آزمون علی‌رغم توانایی ای که داشتم نتوانستم توفیق زیادی داشته باشم و پس از اعلام نتایج متوجه شدم که از 30 سوال بخش شنیداری تنها به 11 سوال پاسخ صحیح دادم. امیدوارم حوزه‌ی امتحانی شما مشکل اکو شدن صدا را نداشته باشد.مکالمه‌هایی که پخش شد در مورد یک مکالمه‌ی دانشگاهی بین دانشجو و متصدی امور آموزش، یک لکچر در کلاس زیست‌شناسی، یک لکچر در کلاس باستان شناسی و یک مکالمه در خصوص انجمن‌های دانشجویی بود.لکچرها دارای لغات تخصصی بودند.اما مکالمه اول و آخر عمومی بود.بخش‌های دوم و سوم آزمون به نسبت بخش‌های ساده ای بودند و از 30 سوال بخش گرامر به 24 سوال و از 40 سوال ریدینگ به 35 سوال پاسخ صحیح دادم. چالش خاصی در این بخش مشاهده نکردم که قابل بیان باشد. من از جزوات گرامر و ریدینگ ایمان پندی استفاده کردم و به نظرم در خصوص این دو بخش قابل توصیه هست.تصویر کارنامهحدود یک هفته پس از آزمون نتایج اعلام می‌شود و به شما می‌گوید که در هر بخش چه امتیازی کسب کردید. نمره‌ی من در مجموع 70 از 100 بود. حد نصاب قبولی این مدرک در بیشتر دانشگاه‌ها نمره‌ی 50 می‌باشد. اما با آموزش دانشگاه می‌توانید این موضوع را مجدداً چک کنید.چون برای برخی دانشگاه‌های خاص بیشتر یا کمتر است.نکته‌ی مهم این است که "این آزمون، نمره‌ی منفی ندارد."پس به همه‌ی سوالات پاسخ دهید. از زمان آزمون، نمره‌ی کسب شده تا 2 سال اعتبار دارد.با آرزوی موفقیتمحمدرضا نظیف محمدرضا نظیف محمدرضا نظیف Sun, 21 Oct 2018 00:45:30 +0330