آیا هوش مصنوعی می‌تواند به دانشمندان در انجام امور اداری و کاغذبازی کمک کند؟
بله؛ اما این فناوری مشکلات موجود را نیز تشدید می‌کند. تصویر کلیشه‌ای یک دانشمند، فردی با روپوش سفید است که در آزمایشگاه و با لوله‌های آزمایش مشغول انجام آزمایش است. اما در واقعیت، پژوهشگران بخش قابل‌توجهی از وقت خود را صرف کارهای اداری و کاغذبازی می‌کنند؛ از ن…
خلاصه تحلیلی خبر
بله؛ اما این فناوری مشکلات موجود را نیز تشدید می‌کند. تصویر کلیشه‌ای یک دانشمند، فردی با روپوش سفید است که در آزمایشگاه و با لوله‌های آزمایش مشغول انجام آزمایش است. اما در واقعیت، پژوهشگران بخش قابل‌توجهی از وقت خود را صرف کارهای اداری و کاغذبازی می‌کنند؛ از ن…
موضوعات اصلی: پشتیبانی شبکه، هوش مصنوعی، هوش، مصنوعی، مقالات، علمی
بله؛ اما این فناوری مشکلات موجود را نیز تشدید می‌کند.
تصویر کلیشه‌ای یک دانشمند، فردی با روپوش سفید است که در آزمایشگاه و با لوله‌های آزمایش مشغول انجام آزمایش است. اما در واقعیت، پژوهشگران بخش قابل‌توجهی از وقت خود را صرف کارهای اداری و کاغذبازی می‌کنند؛ از نوشتن درخواست‌های دریافت گرنت پژوهشی و نگارش و داوری مقالات علمی گرفته تا مطالعه یافته‌های جدید منتشرشده در مجلات علمی. بااین‌حال، اگر قرار باشد یک توانایی را به‌عنوان نقطه قوت سیستم‌های هوش مصنوعی مدرن معرفی کنیم، آن توانایی پردازش زبان است.
بنابراین، آیا هوش مصنوعی می‌تواند با برعهده گرفتن بخشی از این وظایف، بهره‌وری دانشمندان را افزایش دهد و به آن‌ها فرصت بیشتری برای انجام پژوهش‌های واقعی بدهد؟
این امکان وجود دارد. اما هوش مصنوعی تولید آثار علمی بی‌کیفیت و حتی متقلبانه را نیز آسان‌تر کرده است؛ مسئله‌ای که نظام‌های نظارت و داوری همتا را زیر فشار شدیدی قرار داده است.
در نهایت، کدام روند دست بالا را خواهد داشت؟
نظرسنجی از دانشمندان استرالیایی نشان داد که آن‌ها سالانه بین یک تا سه ماه یا به طور متوسط ۱۶ درصد از وقت خود را صرف آماده‌سازی پیشنهادهای پژوهشی می‌کنند. مطالعات دیگر نشان داده‌اند که آماده‌سازی یک درخواست معمولی برای دریافت گرنت، حدود ۳۴ روز کاری زمان می‌برد؛ بااین‌حال، نرخ موفقیت این درخواست‌ها تنها حدود ۲۰ درصد است. بنابراین، جای تعجب نیست که طبق نظرسنجی منتشرشده در ماه آوریل از سوی الزویر (Elsevier)، ناشر مجلات علمی، حدود یک‌چهارم پژوهشگران برای تسریع این فرایند از ابزارهای هوش مصنوعی استفاده می‌کنند. «جیمز ویلسدن» (James Wilsdon)، پژوهشگر سیاست‌گذاری پژوهش در دانشگاه کالج لندن نمونه‌ای از این تحول را درباره پژوهشگری در یکی از دانشگاه‌های آیوی لیگ نقل می‌کند که با او گفت‌وگو داشته است. این پژوهشگر پیش‌تر هفته‌ای یک روز را صرف نگارش پیشنهادهای دریافت گرنت می‌کرد، اما اکنون به کمک هوش مصنوعی این کار را در ۴۵ دقیقه انجام می‌دهد. ویلسدن می‌گوید: «ظرفیت اضافی‌ای که به لطف همه این تحولات آزاد شده، بسیار عظیم است.»
تحول مشابهی در مرحله بعدی فرایند علمی نیز در حال وقوع است؛ نگارش مقالاتی که نتایج پژوهش‌ها را تشریح می‌کنند و ارزیابی آن‌ها از سوی همتایان علمی برای انتشار در مجلات تخصصی. همانند پیشنهادهای دریافت گرنت، ابزارهای هوش مصنوعی نگارش مقالات را نیز آسان‌تر کرده‌اند. از زمان عرضه ChatGPT در سال ۲۰۲۲، تعداد مقاله‌های ارسالی به مجلات مجموعه ساینس (Science) و مقاله‌های بارگذاری‌شده در arXiv، بزرگ‌ترین سرور پیش‌چاپ جهان افزایش یافته است (نمودار). حوزه‌هایی مانند علوم رایانه که وابستگی کمتری به آزمایش‌ها و فعالیت‌های آزمایشگاهی دارند، بیشترین افزایش را تجربه کرده‌اند. تعداد مقالات ارسالی به کنفرانس بین‌المللی یادگیری ماشین (ICML) نیز از سال ۲۰۲۵ تا ۲۰۲۶ دو برابر شد و به ۲۴ هزار مقاله رسید.
در نگاه نخست، این روند ممکن است موهبتی برای علم به نظر برسد. افزایش حجم پژوهش‌ها باید اتفاق خوبی باشد؛ اما مقالات نوشته‌شده با هوش مصنوعی لزوماً کیفیت بالاتری ندارند. یک تحلیل از ۲.۵ میلیون مقاله در حوزه علوم زیست‌پزشکی که ماه مه در نشریه لنست (The Lancet) منتشر شد، نشان داد که نرخ ارجاعات ساختگی بین سال ۲۰۲۳ و اوایل سال ۲۰۲۶، ۱۲ برابر شده و به حدود ۰.۵ درصد رسیده است؛ افزایشی که احتمالاً ناشی از گسترش استفاده از هوش مصنوعی است. بررسی مقالات منتشرشده در «مجلات شکارچی» (Predatory Journals)، یعنی مجلاتی که نویسندگان برای انتشار مقاله در آن‌ها پول پرداخت می‌کنند؛ نشان می‌دهد که حدود ۹۰ درصد این مقالات با هوش مصنوعی تولید شده‌اند. «پل گینسپرگ» (Paul Ginsparg)، بنیان‌گذار arXiv، می‌گوید: «افزایش آثار در پایین‌ترین سطح طیف کیفیت، کاملاً قابل‌اندازه‌گیری بوده است.»
تولید دانش در عصر مدل‌های زبانی بزرگ
پایگاه aiXiv؛ جایی برای مقاله، نویسنده و داور هوش مصنوعی
افزایش ناگهانی مقالات جعلی مشکل‌ساز است. برای مثال، «سایمون لیناکر» (Simon Linacre) از شرکت Cabells که مجلات علمی را طبقه‌بندی می‌کند، برآورد می‌کند که هزینه‌های پرداختی به مجلات شکارچی سالانه به حدود ۱۲۰ میلیون دلار می‌رسد؛ پولی که می‌توانست صرف پژوهش شود. یافته‌های جعلی، هنگامی که شناسایی می‌شوند، اعتماد عمومی را تضعیف می‌کنند. یافته‌هایی هم که شناسایی نمی‌شوند، ممکن است در دنیای واقعی آسیب‌های جدی به بار آورند. در یکی از موارد، مطالعات مبتنی بر داده‌های ساختگی برای توجیه رویه بالینی گسترده‌ای به کار رفتند که طی آن به بیماران بدحال تحت عمل جراحی، محلول‌های نشاسته‌ای تزریق می‌شد. سال‌ها طول کشید تا مشخص شود این محلول‌ها به کلیه‌ها آسیب می‌رسانند. هوش مصنوعی ممکن است انتشار چنین اطلاعات نادرستی را نیز تسریع کند. در یک آزمایش نمایشی اخیر، پژوهشگرانی مستقر در سوئد دو مقاله را در یک سرور پیش‌چاپ بارگذاری کردند که در آن‌ها بیماری چشمی خیالی به نام Bixonimania توصیف شده بود. ظرف چند هفته، چت‌بات‌های هوش مصنوعی از جمله Gemini و ChatGPT درباره این بیماری صحبت می‌کردند؛ گویی با یک عارضه واقعی مواجه بودند.
از ارجاعات سه‌رقمی تا پیام‌های میلیونی؛ نقش پررنگ ChatGPT در پژوهش‌های آکادمیک
پیشرفت هوش مصنوعی همچنین تشخیص سریع مقالات بی‌کیفیت و سرهم‌بندی‌شده را برای داوران دشوارتر کرده است. مدل‌های هوش مصنوعی امروزی به‌راحتی می‌توانند اصطلاحات تخصصی، لحن و سبک نگارشی‌ای را تقلید کنند که نشانه تسلط بر یک حوزه علمی به شمار می‌روند. مطالعه‌ای که ماه دسامبر در نشریه ساینس منتشر شد، نشان داد که پیش از ظهور مدل‌های زبانی بزرگ (LLM)، پیچیدگی و پختگی نگارش یک مقاله عموماً شاخص مناسبی برای ارزیابی کیفیت علمی آن بود. اکنون این رابطه معکوس شده است.
ابزارهای هوش مصنوعی می‌توانند به حل مشکلی کمک کنند که خود در ایجاد آن نقش داشته‌اند؛ برای مثال، با شناسایی تصاویر دست‌کاری‌شده، تناقض‌های موجود در متن یا محتوایی که به طور کامل با هوش مصنوعی تولید شده است. طبق نظرسنجی انجام‌شده از سوی یک ناشر علمی به نام Frontiers، در سال ۲۰۲۵ بیش از نیمی از داوران از چنین ابزارهایی استفاده می‌کردند. «جیمز زو» (James Zou) از دانشگاه استنفورد معتقد است که هوش مصنوعی در صورت برخورداری از سازوکارهای حفاظتی مناسب، می‌تواند فرایند داوری همتا را بهبود دهد. او سال گذشته مطالعه‌ای با مشارکت ۴۰ هزار فرایند داوری انجام داد که نیمی از آن‌ها به‌وسیله انسان‌ها و نیمی دیگر به‌وسیله انسان‌هایی انجام شده بود که از هوش مصنوعی کمک می‌گرفتند. یافته‌های او نشان داد که داورانِ مجهز به هوش مصنوعی در انجام وظایف عینی، مانند شناسایی تناقض‌ها و خطاهای فنی، عملکرد بهتری داشتند؛ درحالی‌که انسان‌ها در انجام وظایف ذهنی و قضاوت‌محور، مانند ارزیابی نوآوری و تأثیرگذاری پژوهش، بهتر عمل می‌کردند.
سازمان‌های تأمین‌کننده بودجه پژوهش نیز ممکن است بتوانند راهکارهای مشابهی اتخاذ کنند. برای مثال، یک بنیاد پژوهشی در بارسلونا اکنون از هوش مصنوعی برای حذف ۲۰ درصد از درخواست‌هایی استفاده می‌کند که کمترین چشم‌انداز موفقیت را دارند؛ اقدامی که با هدف کاهش بار کاری ارزیابان انسانی انجام می‌شود. بااین‌حال، ویلسدن می‌گوید که اساساً شاید استفاده از پیشنهادهای مکتوب برای تخصیص بودجه پژوهشی دیگر روشی منسوخ باشد. او و همکارش، «گراینت ریس» (Geraint Rees) از دانشگاه کالج لندن در مقاله‌ای در نشریه نیچر (Nature) نتیجه می‌گیرند که شاید کم‌ضررترین گزینه موجود، تخصیص بودجه بر اساس ترکیبی از تحلیل‌های هوش مصنوعی، بررسی دقیق سوابق متقاضیان و مصاحبه‌های حضوری باشد.
این ایده‌ها ممکن است باعث شوند گرنت‌های پژوهشی به نفع مؤسسات و پژوهشگران شناخته‌شده تمام شوند. این مسئله ازآن‌جهت طعنه‌آمیز است که یکی از امیدهای اولیه به هوش مصنوعی، دموکراتیک‌تر کردن علم بود؛ به این معنا که این فناوری با کمک به افراد غیرانگلیسی‌زبان برای بهبود نگارش متون علمی، فرصت‌های برابر‌تری برای مشارکت در پژوهش فراهم کند. این اتفاق تا حدی رخ داده است، اما پژوهشگران غیرانگلیسی‌زبان که از هوش مصنوعی استفاده می‌کنند، اکنون در مقایسه با گذشته شانس بیشتری برای انتشار مقاله در مجلات معتبر و پیشرو ندارند. در واقع، arXiv در تلاش برای مدیریت افزایش تعداد مقالات ارسالی، سامانه‌ای راه‌اندازی کرده است تا مقالات نویسندگان تازه‌وارد یا نویسندگانی را که منشأ و سابقه فعالیتشان مشخص نیست، برای بررسی بیشتر به ناظران خود علامت‌گذاری کند.
دانشمندان در آغاز مسیر حرفه‌ای خود نیز ممکن است آسیب ببینند. نگارش مقاله بخشی از فرایندی است که دانشمندان از طریق آن قدرت تفکر و استدلال خود را پرورش می‌دهند. بسیاری از پژوهشگران درباره خطر «واگذاری شناختی» (Cognitive Surrender) نگران‌اند؛ وضعیتی که در آن، اتکای بیش از حد به مدل‌های زبانی بزرگ مانع از آن می‌شود که دانشجویان درک عمیقی از موضوع موردمطالعه خود پیدا کنند.
انبوه مقالات منتشرشده همچنین یافتن پژوهش‌های مهم را برای محققان دشوارتر می‌کند. زو می‌گوید که از میان ده‌ها هزار مقاله منتشرشده در حوزه‌های موردعلاقه‌اش، تنها می‌تواند سالانه حدود ۱۰۰ مقاله را با دقت و عمق مطالعه کند. خوشبختانه، ابزارهای هوش مصنوعی می‌توانند با تهیه خلاصه‌های شخصی‌سازی‌شده بر اساس علایق هر پژوهشگر، مدیریت این سیل اطلاعات را آسان‌تر کنند. زو در حال آزمایش عامل‌های هوش مصنوعی است که مقالات مرتبط با علایق او را شناسایی می‌کنند، آن‌ها را خلاصه می‌کنند، ارتباطشان را با مقالات دیگر می‌یابند و سپس مسیرهای جدیدی را برای پژوهش پیشنهاد می‌دهند.
بسیاری از پژوهشگران معتقدند که هوش مصنوعی صرفاً مشکلات موجود در محیط دانشگاهی را تشدید کرده است. برای کسب موقعیت‌های شغلی و دریافت گرنت‌های پژوهشی، اغلب تعداد مقالات منتشرشده هر پژوهشگر یکی از معیارهای ارزیابی اوست. چنین رویکردی می‌تواند دانشمندان را به اولویت‌دادن به کمیت به‌جای کیفیت ترغیب کند. شواهدی وجود دارد که نشان می‌دهد تعداد مقالات ارسالی با کمک هوش مصنوعی، در مؤسساتی سریع‌تر افزایش یافته است که پاداش‌دادن به بهره‌وری پژوهشی در آن‌ها مستقیم‌تر و صریح‌تر انجام می‌شود.
«ایوان اورانسکی» (Ivan Oransky)، یکی از بنیان‌گذاران RetractionWatch، پایگاه داده‌ای که انتشارهای علمی مشکوک را مستند می‌کند، می‌گوید: «هوش مصنوعی صرفاً نقش شتاب‌دهنده را دارد؛ هیزم این آتش، فرهنگِ انتشار مقاله یا نابودی حرفه علمی است.» منظور از این فرهنگ، نظامی است که در آن پژوهشگران برای حفظ موقعیت شغلی و پیشرفت حرفه‌ای خود ناچارند پیوسته مقاله منتشر کنند. اگر دانشمندان می‌خواهند مشکلات ناشی از انبوه آثار علمی بی‌کیفیت تولیدشده با هوش مصنوعی را برطرف کنند، باید اصلاح نظام مشوق‌ها را نقطه شروع قرار دهند.
گزارش حاضر در نسخه October 17th 2026 نشریه The Economist منتشر شده است.
برای ارزیابی پایداری، امنیت و نگهداری این زیرساخت، راهنمای پشتیبانی شبکه را نیز مطالعه کنید.