چکیده

هوش مصنوعی (به‌ویژه مدل‌های زبان و ابزارهای مولد) نوشتن علمی را سریع‌تر و ساختاریافته‌تر کرده‌اند، اما بسیاری از کاربران فقط از قابلیت‌های سطحی (صیقل‌دادن متن یا اصلاح گرامر) استفاده می‌کنند. در این مقاله هفت تکنیک نسبتاً پیشرفته و در عین حال عملی را معرفی می‌کنیم — تکنیک‌هایی که زمانِ نگارش را کم می‌کنند، اعتبار علمی را بالا می‌برند و خطای انسانی را جلوتر از مرحلهٔ ارسال کشف می‌کنند. همراه هر تکنیک، راهنمای گام‌به‌گام اجرا، یک پرامپت فارسی آماده و نکات اخلاقی/فنی آورده‌ام.
نکتهٔ مهم: هر خروجی AI را اعتبارسنجی کن و استفاده از ابزارها را در پیش‌نویس/متد اعلام کن؛ ناشران و نهادهای معتبر روی افشا و مسئولیت پژوهشگر تأکید دارند. PMC+1

مقدمه — چرا این تکنیک‌ها مهم‌اند؟

بسیاری از پژوهشگران از هوش مصنوعی فقط به‌عنوان «ویراستار زبانی» یا «تولیدگر سریع متن» استفاده می‌کنند. در عوض، اگر از AI به‌عنوان یک همکارِ ساختاری و تحلیلی بهره ببریم، می‌توانیم ساختارِ استدلال را تقویت کنیم، شکاف‌های شواهد را ببینیم، تحلیل‌ها را با داده‌های شبه‌واقعی پیش‌پرداخت کنیم و حتی پاسخ‌های محتمل داوران را پیش‌بینی کنیم. پژوهش‌های روز نشان می‌دهند که استفادهٔ هوشمند از AI در فرایند نگارش می‌تواند کیفیت و بهره‌وری را بالا ببرد، ولی مستلزم شفافیت و بازبینی انسانی است. PMC+1

تکنیک ۱ — «طرح معکوسِ هوشمند» (AI-assisted reverse outline)

چی‌کار می‌کند؟

از متن پیش‌نویس، یک «نقشهٔ ساختاری» (تیتر پیشنهادی برای هر پاراگراف + نقش آن در استدلال) تولید می‌کند تا در یک‌ نگاه ضعف‌های ساختاری را ببینی. این کار که قبلاً دستی و زمان‌بر بود، با مدل‌های زبانی سریع و قابل تکرار شده است. Forbes

چطور اجرا کنی (۳ گام):

1. متن را بخش‌بندی کن (پاراگراف به پاراگراف) و به مدل بده.
2. از مدل بخواه برای هر پاراگراف یک تیتر ۵–۸ کلمه‌ای و یک خط نقش/هدف بنویسد.
3. خروجی را بررسی و بازچینی (restructuring) انجام بده.

پرامپت فارسی نمونه:

این متن را پاراگراف‌به‌پاراگراف بخوان و برای هر پاراگراف:
1) یک تیتر ۵-۸ کلمه‌ای
2) یک جمله دربارهٔ نقش آن در استدلال کلی
تولید کن. سپس ۳ نقطه‌ضعف ساختاری احتمالی پیشنهاد بده.

نکتهٔ کاربردی: سریع‌ترین راه برای دیدن «پراکنده‌گی استدلال» قبل از ارسال به همکار یا داور.

تکنیک ۲ — «جدول ادعا — شواهد — مرجع» (Claim–Evidence Matrix)

چی‌کار می‌کند؟

مدل جملات ادعایی در متن را استخراج می‌کند و هر ادعا را به شواهدی که متن ارائه کرده و نوع مرجعی که لازم است وصل می‌کند — به‌صورت یک ماتریس منظم. این روش با رویکردهای آکادمیکِ قدیمی (evidence matrix) همخوانی دارد و به‌ویژه در مرور ادبیات و بخش بحث حیاتی است. jstor.org

چطور اجرا کنی:

1. بخش نتایج یا بحث را بده.
2. بخواه هر جملهٔ ادعایی را استخراج و برای هر کدام ستون‌های «شواهد فعلی»، «نیاز به مرجع؟ (بله/خیر)»، و «نوع مرجع پیشنهادی» بسازد.
3. فهرست ادعاهای بدون‌شواهد را اصلاح کن یا مرجع پیدا کن.

پرامپت فارسی نمونه:

این بخش بحث را بررسی کن. برای هر جملهٔ ادعایی یک ردیف ایجاد کن با ستون‌های:
ادعا | شواهدی که متن آورده | آیا مرجع لازم است؟ (بله/خیر) | نوع مرجع پیشنهادی.

تکنیک ۳ — ویرایش براساس «پرسونای خواننده» (Persona-driven editing)

چی‌کار می‌کند؟

متن را دقیقاً برای یک خوانندهٔ مشخص (مثلاً «سردبیر ژورنال X» یا «کارشناس حوزه Y» یا «دانشجوی سال اول») بازنویسی می‌کند — یعنی سطح جزئیات، واژگان فنی و لحن را متناسب می‌سازد. ابزارهای تجاری نیز ویژگی «Agent/Persona» را برای پیام‌دهی هدفمند ارائه می‌کنند. WRITER+1

چطور اجرا کنی:

1. پرسونای خواننده را توصیف کن (سطح آگاهی، هدف خواندن، نیازها).
2. بخواه متن را مناسب آن پرسونای خاص بازنویسی کند.
3. خروجی را با چک‌لیستِ نیازهای آن مخاطب تطبیق بده.

پرامپت فارسی نمونه:

این چکیده 180 کلمه‌ای را برای «سردبیر ژورنال علوم شناختی که ۷۵٪ مطالب را رد می‌کند» بازنویسی کن:
لحن رسمی، نوآوری واضح، و دو جمله درباره اهمیت نظری و عملی مطالعه.

تکنیک ۴ — «منتقدِ شبیه‌سازی‌شده» (Automated peer critic)

چی‌کار می‌کند؟

مدل نقش یک داور سخت‌گیر را بازی می‌کند؛ سؤالات انتقادی، نقاط ضعف روش‌شناسی و پیشنهادهای اصلاحی ارائه می‌دهد. این شبیه‌سازیِ بازخورد داوری می‌تواند قبل از ارسال، کیفیت مقاله را به‌طرز محسوسی بالا ببرد. البته مدل جای داور واقعی را نمی‌گیرد اما خطای سطحی و موارد مبهم را شناسایی می‌کند. PMC

چطور اجرا کنی:

1. قسمتی از مقاله (چکیده/متد/بحث) را بده.
2. از مدل بخواه ۱۰ پرسش انتقادی و ۵ پیشنهاد اصلاحی بنویسد.
3. به هر سؤال پاسخ مکتوب بده و متن را ویرایش کن.

پرامپت فارسی نمونه:

مثل یک داورِ سخت‌گیر رفتار کن. این بخش متد و نتایج را بخوان و
۱۰ سؤال انتقادی (روش/نمونه/تحلیل) و ۵ پیشنهاد مشخص برای بهبود بنویس.

تکنیک ۵ — تولید دادهٔ شبه‌واقعی برای تست تحلیل (Synthetic test data)

چی‌کار می‌کند؟

مدل یا ابزارهای تولید دادهٔ مصنوعی، دیتاست‌های ساختگی با ویژگی‌های آماری تعریف‌شده تولید می‌کنند تا کد تحلیل و حساسیت روش پیش از دادهٔ واقعی تست شود. این رویکرد در پژوهش‌های داده‌محور و برای جلوگیری از باگ‌های تحلیلی بسیار مفید است. مطالعات سیستماتیک اخیر نشان می‌دهد تولید دادهٔ مصنوعی راه‌حل مفیدی برای کمبود داده و حفظ حریم خصوصی است. MDPI+1

چطور اجرا کنی:

1. مشخصات داده را تعیین کن (متغیرها، توزیع‌ها، اندازه نمونه، روابط).
2. از AI بخواه CSV یا اسکریپت تولید کند.
3. کد تحلیل را روی دادهٔ مصنوعی اجرا و خروجی‌ها را بررسی کن.

پرامپت فارسی نمونه:

برای دو گروه A و B، RT با میانگین 450ms (sd=60) برای گروه A و
480ms (sd=65) برای گروه B، 200 نمونه در هر گروه تولید کن و فایل CSV بده.
سپس دو خط کد پایتون برای محاسبه میانگین و t-test ارائه کن.

تکنیک ۶ — تولید «ضدحجت» و پاسخ (Counterargument + Rebuttal Generator)

چی‌کار می‌کند؟

برای هر ادعای کلیدی چند دیدگاه مخالف تولید و سپس پاسخ‌های محکم و مرجع‌دار می‌سازد. این تکنیک پژوهشگر را برای دفاع از ادعا مقابل داوران و ارائه بحث قوی آماده می‌کند. ابزارهای تجاری و افزونه‌های آکادمیک برای «تولید ضدحجت» وجود دارند. Originality.ai+1

چطور اجرا کنی:

1. ادعاهای کلیدی را فهرست کن.
2. از مدل بخواه برای هر ادعا دو مخالفت و یک پاسخ موجّه بنویسد (در صورت امکان با اشاره به نوع داده/مرجع).
3. پاسخ‌ها را مستدل کن و در بخش بحث استفاده کن.

پرامپت فارسی نمونه:

برای این ۳ ادعای کلیدی، برای هرکدام ۲ نقد محتمل از منظرِ داور
و سپس یک پاسخ موجّه (با اشاره به نوع داده یا تحلیل مورد نیاز) تولید کن.

تکنیک ۷ — تبدیل «داده به شکل» + Caption خودکار (Data→Figure + Caption)

چی‌کار می‌کند؟

از توصیف داده یا فایل CSV، هم کد رسم (matplotlib/ggplot) تولید می‌کند و هم یک caption استاندارد علمی برای شکل می‌سازد — کاری که پژوهشگر را از اشتباهات نگارشی و نحوی در توضیح شکل نجات می‌دهد. مطالعات در NLP نشان داده‌اند که تولید کپشن علمی از متن اطراف شکل می‌تواند تا حد زیادی خودکار شود. ACL Anthology+1

چطور اجرا کنی:

1. ساختار داده را توصیف کن یا فایل را آپلود/شرح بده.
2. از AI بخواه کد رسم + caption ۱–۲ جمله‌ای تولید کند.
3. کد را اجرا و شکل را بازبینی کن؛ caption را با جزئیات عددی تکمیل کن.

پرامپت فارسی نمونه:

فایل CSV شامل ستون‌های ['subject','group','RT'] است.
کد matplotlib برای رسم میانگین RT به ازای هر گروه با error bar بنویس
و یک caption علمی 1-2 جمله‌ای تولید کن.

اخلاق و سیاست انتشار — چه چیزی را باید افشا کنی؟

ناشران و انجمن‌های آکادمیک تأکید کرده‌اند که: ۱) ابزارهای AI نمی‌توانند نویسنده باشند،
۲) استفاده از آن‌ها باید افشا شود (چه ابزار و چه نحوهٔ استفاده)، و ۳) نویسنده مسئول اعتبار و صحت خروجی است.
پس: هرجا که از AI برای نگارش، تولید تحلیل یا داده استفاده کردی، در بخش «اعلامیهٔ استفاده از ابزار» توضیح کوتاه بده. www.elsevier.com+1

جمع‌بندی و «پک پرامپت» پیشنهادی

این ۷ تکنیک به تو کمک می‌کنند از AI فراتر از «ویراستار» استفاده کنی و آن را به همکار ساختاری، انتقادی و تحلیلی تبدیل کنی — البته با بررسی و شفاف‌سازی انسانی.

منابعِ منتخب (خواندنی سریع)

• Cheng A. و همکاران، Artificial intelligence-assisted academic writing (۲۰۲۵). PMC
• Wessel R., How (AI-assisted) reverse outlining helps… (۲۰۲۴). Forbes
• Atkinson M.P., The Evidence Matrix (۲۰۰۸). jstor.org
• Goyal M. و همکاران، Systematic Review of Synthetic Data Generation (۲۰۲۴). MDPI
• DataCamp، Synthetic Data Generation: A Hands-On Guide (۲۰۲۴)
• Huang C.-Y. و همکاران، Generating Figure Captions for Scientific Documents (INLG 2023). ACL Anthology
• Elsevier policy: The use of generative AI and AI-assisted technologies in writing for Elsevier. publication policy
• COPE: Authorship and AI tools — موضع‌گیری دربارهٔ عدم امکان ثبت AI به‌عنوان نویسنده و نیاز به افشا. publicationethics.org

سؤالات پرتکرار