دانشجوی ارشد هستید، ۴۰ مقالهٔ انگلیسی روی لپ‌تاپ دارید و ۳ هفته تا دفاع پروپوزال مانده است. استاد راهنما گفته پیشینهٔ پژوهش هنوز پراکنده است و باید نشان دهید هر مقاله چه چیزی به سؤال شما اضافه میکند. مرور منابع با هوش مصنوعی در همین نقطه کمک میکند، اما فقط وقتی مسیر کار را خودتان نگه دارید.
این راهنما یک روش کاری به شما می‌دهد: از تعریف سؤال و جستوجوی منبع تا ساخت جدول استخراج، پیدا کردن مضمونها و نوشتن پیشینه. هدف این نیست که هوش مصنوعی به جای شما پژوهش کند؛ هدف این است که خواندن، مقایسه و ویرایش را منظم‌تر انجام دهید.
هوش مصنوعی در مرور منابع چه کارهایی را خوب انجام می‌دهد
هوش مصنوعی برای خواندن متن‌هایی که خودتان به آن می‌دهید، خلاصهسازی، مقایسهٔ مقاله‌ها و مرتبکردن یافته‌ها ابزار مفیدی است. اگر ۶ فایل PDF را در یک پیام بفرستید، میتوانید از مدل بخواهید پرسش پژوهش، روش، نمونه، یافته‌ها و محدودیت‌های هر مقاله را جدا کند. در محیط گفت‌وگوی گیسو فایلهای PDF، Word، Excel، PowerPoint، متن و کد قابل پیوست هستند؛ هر فایل تا ۲۰ مگابایت و تا ۶ فایل در هر پیام پذیرفته میشود.
هوش مصنوعی در توضیح بخش روش هم خوب عمل میکند. مثلاً اگر مقاله‌ای از مدل رگرسیون چندسطحی، تحلیل مضمون یا شبکهٔ عصبی استفاده کرده باشد، میتوانید بخواهید آن را به فارسی روشن توضیح دهد و بگوید چرا نویسنده از آن روش استفاده کرده است.
نقطهٔ خطر جایی است که از مدل می‌خواهید خودش منبع پیدا کند یا فهرست منابع بسازد. مدل‌ها ممکن است عنوان، نویسنده، سال یا حتی DOI بسازند. به این خطا معمولاً توهم هوش مصنوعی گفته میشود. اگر می‌خواهید دقیق‌تر با این خطا آشنا شوید، راهنمای توهم هوش مصنوعی را هم بخوانید.
مرور منابع با هوش مصنوعی را با یک مسیر ثابت جلو ببرید
- سؤال پژوهش را دقیق کنید. دامنهٔ موضوع، جامعه، متغیرها، بازهٔ زمانی و نوع مطالعه را بنویسید.
- کلیدواژهها را دو زبانه بسازید. عبارت‌های فارسی و انگلیسی را کنار هم نگه دارید و مترادف‌ها را اضافه کنید.
- در پایگاههای واقعی جستوجو کنید. Google Scholar، Scopus، PubMed، Semantic Scholar و پایگاههای فارسی مثل SID و Magiran را خودتان بررسی کنید.
- PDFها را جمع کنید. فقط مقالههایی را وارد مرحلهٔ بعد کنید که واقعاً باز کردهاید و مشخصات کتاب‌شناختی آنها را دیده‌اید.
- جدول استخراج بسازید. از هوش مصنوعی بخواهید اطلاعات هر مقاله را با یک نقل‌قول کوتاه (و شمارهٔ صفحه، اگر در متن مقاله چاپ شده) بیرون بکشد.
- مضمونها و شکافها را پیدا کنید. مقاله‌ها را بر اساس یافته، روش، جامعه و تناقض‌ها گروه‌بندی کنید.
- پیش‌نویس را خودتان بنویسید. از مدل برای بازنویسی، اتصال پاراگراف‌ها و کنترل انسجام استفاده کنید، نه برای جایگزینی فکر پژوهشی شما.
- هر ارجاع را کنترل کنید. قبل از تحویل متن، هر جملهٔ ارجاع‌دار را با فایل اصلی مقاله بسنجید.
سؤال پژوهش و کلیدواژهها را قبل از جستوجو محکم کنید
کار را با یک جملهٔ پژوهشی شروع کنید. جملهٔ بد این است: «تأثیر شبکه‌های اجتماعی بر دانشجوها». جملهٔ بهتر چنین است: «رابطهٔ استفادهٔ آموزشی از Instagram با درگیری تحصیلی دانشجویان کارشناسی ارشد در ایران چیست؟» جملهٔ دوم دامنه دارد و اجازه می‌دهد کلیدواژه‌های دقیق بسازید.
برای ساخت کلیدواژه، از هوش مصنوعی بخواهید فهرست دو زبانه بدهد، اما خودتان عبارت‌ها را اصلاح کنید. نام پایگاه، رشته و سنت واژگانی مقاله‌ها مهم است. در علوم پزشکی، PubMed با عبارت‌های MeSH بهتر جواب می‌دهد. در مدیریت، آموزش و علوم اجتماعی، Google Scholar و Scopus معمولاً عبارت‌های وسیع‌تری نشان می‌دهند.
«رابطهٔ استفادهٔ آموزشی از Instagram با درگیری تحصیلی دانشجویان کارشناسی ارشد در ایران»
برای جستوجوی منابع، ۲۰ کلیدواژهٔ انگلیسی و ۱۵ کلیدواژهٔ فارسی پیشنهاد کنید.
برای هر کلیدواژه، مترادف‌ها، عبارت‌های نزدیک و ترکیب‌های مناسب برای Google Scholar و پایگاههای فارسی را جدا بنویسید.
کلیدواژه‌هایی را که بیش از حد کلی هستند مشخص کنید.
بعد از گرفتن خروجی، چند عبارت را در پایگاه‌ها امتحان کنید. اگر نتایج بیش از حد پراکنده بود، جامعه یا متغیر را محدود کنید. اگر نتیجه کم بود، از مترادف‌ها و عبارت‌های نزدیک استفاده کنید.
جستوجوی منبع را خودتان انجام دهید و از وب فقط کمک بگیرید
پایگاههای علمی جای خود را دارند. Google Scholar برای شروع خوب است، Scopus برای ردیابی مقالههای نمایه‌شده، PubMed برای پزشکی و علوم سلامت، Semantic Scholar برای دیدن ارتباط مقاله‌ها و SID یا Magiran برای منابع فارسی. هوش مصنوعی نباید تنها منبع شما برای یافتن مقاله باشد.
در گیسو میتوانید از «+» و سپس «جستوجوی وب» استفاده کنید تا مدل قبل از پاسخ، وب را جستوجو کند و منبعها را زیر پاسخ نشان دهد. این قابلیت برای پیدا کردن مسیر اولیه مفید است. با این حال، هر مقاله را باید در صفحهٔ اصلی ناشر، پایگاه دانشگاهی یا پایگاه علمی باز کنید. صفحه‌هایی که پشت ورود کاربری هستند یا دسترسی ربات را می‌بندند ممکن است خوانده نشوند.
یک فایل ساده بسازید و برای هر مقاله این موارد را نگه دارید: عنوان، نویسنده‌ها، سال، نشریه، DOI یا پیوند، پایگاه پیدا شده، وضعیت دسترسی به PDF و دلیل انتخاب. این کار بعداً جلوی آشفتگی در نوشتن پیشینه پژوهش با هوش مصنوعی را می‌گیرد.
PDFها را به جدول استخراج قابل استناد تبدیل کنید
جدول استخراج قلب literature review با هوش مصنوعی است. اگر فقط خلاصهٔ مقاله علمی بگیرید، بعد از چند روز نمی‌دانید کدام نکته از کدام مقاله آمده است. جدول باعث میشود مقایسه کنید، نه اینکه خلاصه‌ها را پشت سر هم بچینید.
در گیسو از «+» و «افزودن فایل» استفاده کنید و تا ۶ PDF را در یک پیام بفرستید. متن فایل استخراج میشود و هر مدل می‌تواند آن را بخواند؛ شمارهٔ صفحه را مدل فقط وقتی می‌بیند که در خود مقاله چاپ شده باشد. اگر PDF اسکن‌شده باشد و متن نداشته باشد، باید صفحه‌ها را به صورت تصویر برای مدلی بفرستید که تصویر می‌خواند. متن فایل‌ها جزو ورودی حساب میشود؛ پس مقالهٔ بلند، توکن بیشتری مصرف میکند. توکن (token) واحد خردی از متن است که مدل‌ها برای خواندن و تولید پاسخ مصرف می‌کنند. برای فایلهای زیاد، اندازهٔ پنجرهٔ زمینه (Context Window) هم مهم میشود؛ توضیح سادهٔ آن را در راهنمای پنجرهٔ زمینه و محدودیت متن آورده‌ایم.
یک جدول استخراج بسازید با ستون‌های زیر:
۱. نویسندگان و سال
۲. سؤال یا هدف پژوهش
۳. روش پژوهش
۴. جامعه و نمونه
۵. ابزار یا داده‌ها
۶. یافته‌های کلیدی
۷. محدودیت‌های ذکرشده توسط نویسندگان
۸. ارتباط مستقیم با موضوع من
۹. نقل‌قول کوتاه برای هر نکتهٔ مهم، با شمارهٔ صفحه اگر در متن چاپ شده
اگر نکته‌ای در مقاله نیست، حدس نزنید و بنویسید «ذکر نشده». برای هر یافتهٔ کلیدی یک نقل‌قول کوتاه و عین متن بیاورید تا بشود آن را در PDF جستوجو کرد.
شکل خروجی چنین است (ردیف‌ها نمونه‌اند، نه مقالهٔ واقعی):
| مقاله | روش | یافتهٔ قابل استفاده | صفحه |
|---|---|---|---|
| مقالهٔ نمونهٔ الف | پیمایش با پرسش‌نامه | استفادهٔ آموزشی از شبکه‌های اجتماعی با مشارکت کلاسی رابطهٔ مثبت داشت. | ص. ۸ |
| مقالهٔ نمونهٔ ب | مصاحبهٔ نیمه‌ساختاریافته | دانشجویان استفادهٔ آموزشی را از استفادهٔ تفریحی جدا نمی‌کردند. | ص. ۱۲ |
اگر هدف شما فقط گرفتن خلاصه از یک فایل است، راهنمای خلاصه‌کردن PDF با هوش مصنوعی مسیر کوتاه‌تری نشان می‌دهد. برای مرور منابع، جدول استخراج ارزش بیشتری دارد، چون بعداً به ساخت استدلال کمک میکند.
از جدول استخراج به مضمون، تناقض و شکاف پژوهش برسید
بعد از اینکه ۲۰ یا ۳۰ مقاله را استخراج کردید، از مدل نخواهید متن نهایی را یک‌باره بنویسد. اول از آن بخواهید الگوها را پیدا کند. الگو یعنی چند مقاله دربارهٔ یک موضوع مشترک حرف زده‌اند، حتی اگر از روش‌های متفاوت استفاده کرده باشند.
گروه‌ها را بر اساس مضمون‌های پژوهشی بسازید، نه بر اساس ترتیب سال.
برای هر گروه بنویسید:
۱. ایدهٔ مرکزی گروه
۲. مقالههای عضو گروه
۳. توافق اصلی میان مقاله‌ها
۴. تناقض یا اختلاف یافته‌ها
۵. ضعف روش‌شناختی مشترک
۶. شکاف پژوهشی که برای پایان‌نامهٔ من مهم است
اگر شکافی واقعاً از جدول پشتیبانی نمی‌شود، آن را پیشنهاد ندهید.
این مرحله جلوی پیشینهٔ خطی را می‌گیرد. پیشینهٔ خطی می‌گوید: «مقالهٔ اول چنین گفت، مقالهٔ دوم چنان گفت». پیشینهٔ تحلیلی می‌گوید: «سه گروه مطالعه داریم؛ گروه اول اثر مثبت نشان داده، گروه دوم به تفاوت زمینه‌ای توجه کرده و گروه سوم از روش کیفی برای توضیح تجربهٔ دانشجو استفاده کرده است.» داور معمولاً دنبال همین نوع سازمان‌دهی است.
مقالهٔ انگلیسی را بفهمید و واژه‌ها را ثابت نگه دارید
ترجمهٔ روان برای فهمیدن مقاله مفید است، اما نباید جای خواندن دقیق را بگیرد. وقتی بخش روش یا یافته‌ها سنگین است، از مدل بخواهید توضیح فارسی بدهد، مثال بزند و اصطلاحات کلیدی را جدا کند. این کار مخصوصاً برای دانشجویانی که مقالههای روش‌محور می‌خوانند، احتمال برداشت نادرست را کم میکند.
اول، هدف روش را در ۵ جمله بنویسید.
بعد، طرح پژوهش، نمونه‌گیری، ابزار، روش تحلیل داده و محدودیت‌های روش را جدا کنید.
اصطلاحات تخصصی را ترجمه کنید و برای هر کدام یک معادل فارسی ثابت پیشنهاد دهید.
اگر بخشی مبهم است، بگویید برای فهم دقیق باید به کدام صفحه یا جدول برگردم.
یک واژه‌نامهٔ کوچک برای پایان‌نامه بسازید. مثلاً تصمیم بگیرید engagement را در متن خود «درگیری تحصیلی» می‌نویسید یا «مشارکت تحصیلی». اگر هر بار یک معادل بیاورید، متن شما پراکنده به نظر می‌رسد و داور احساس میکند چارچوب مفهومی محکم نیست.
پیش‌نویس را خودتان بنویسید و از مدل مثل ویراستار استفاده کنید
وقتی مضمونها روشن شد، ساختار فصل یا بخش پیشینه را خودتان بچینید. یک ترتیب معمول این است: تعریف مفهوم، نظریه‌های اصلی، یافته‌های تجربی، اختلاف یافته‌ها، محدودیت روش‌ها و شکاف پژوهش. بعد از نوشتن هر بخش، از مدل بخواهید انسجام متن را بررسی کند.
لطفاً متن را از نظر انسجام، ترتیب ایده‌ها، تکرار، ابهام و لحن دانشگاهی بررسی کنید.
هیچ ارجاع تازه‌ای اضافه نکنید.
اگر جمله‌ای نیاز به منبع دارد، فقط کنار آن بنویسید: «نیازمند ارجاع».
در پایان، ۵ پیشنهاد مشخص برای بهتر شدن استدلال بدهید.
برای نوشتن پیشینه پژوهش با هوش مصنوعی، بهترین نقش مدل «خوانندهٔ سخت‌گیر» است. از آن بخواهید بگوید کجا پرش منطقی دارید، کدام پاراگراف فقط خلاصه است و کجا باید مقایسه یا نقد اضافه شود. متن نهایی باید صدای شما و تصمیم‌های پژوهشی شما را نشان دهد.
صداقت پژوهشی، حریم خصوصی و هزینه را از ابتدا روشن کنید
قانون دانشگاه را جدی بگیرید. بعضی دانشگاه‌ها استفاده از هوش مصنوعی را محدود یا مشروط به اعلام می‌کنند. اگر از مدل برای خلاصهسازی، ویرایش یا ترجمه برای فهم مقاله استفاده کردهاید، طبق دستورالعمل دانشگاه عمل کنید و هر جا لازم بود توضیح دهید. متن تولیدشده را به نام نوشتهٔ خودتان تحویل ندهید و هیچ منبعی را وارد فهرست منابع نکنید مگر اینکه مقاله را باز کرده باشید.
حریم خصوصی هم مهم است. در محیط چت گیسو، تاریخچهٔ گفت‌وگو و پیوست‌ها ذخیره می‌شوند، چون محصول چت با سابقهٔ گفت‌وگو است. متن پیام و فایل هم برای ساختن پاسخ به سازندهٔ همان مدل (مثل OpenAI یا Google) فرستاده میشود و سیاست نگهداری خود او هم اعمال میشود. اگر دادهٔ منتشرنشده، مصاحبهٔ خام، اطلاعات هویتی مشارکت‌کنندگان یا فایل محرمانه دارید، قبل از بارگذاری آن با استاد راهنما و مقررات اخلاق پژوهش هماهنگ کنید. در بسیاری از پروژه‌ها میتوانید نام‌ها، شناسه‌ها و بخش‌های حساس را حذف کنید و بعد از مدل کمک بگیرید.
هزینه به مدل، اندازهٔ متن ورودی، طول پاسخ و کارهایی مثل جستوجوی وب بستگی دارد. هرچه PDFها بلندتر باشند، توکن ورودی بیشتر میشود. در گیسو هزینهٔ هر پیام زیر پاسخ نمایش داده میشود. برای دیدن هزینهٔ تقریبی کارهایی مثل خلاصهسازی و خواندن فایل، جدول زندهٔ زیر را ببینید.
| مدل | جواب یک پیام پشتیبانی | ترجمهٔ ۱۰۰۰ کلمه انگلیسی به فارسی | نوشتن یک مقالهٔ ۱۵۰۰ کلمه‌ای فارسی | خلاصهٔ یک PDF پنجاه‌صفحه‌ای | توضیح ۲۰۰ محصول فروشگاه | ۱۰۰۰ گفت‌وگوی پشتیبانی در ماه |
|---|---|---|---|---|---|---|
| DeepSeek Flash DeepSeek | ۳۰۵ سکه | ۱٬۵۲۵ سکه | ۲٬۱۴۶ سکه | ۴٬۴۰۵ سکه | ۵۱٬۹۵۲ سکه | ۶۰۹٬۸۶۶ سکه |
| Kimi K2.7 Code Moonshot (Kimi) | ۸۲۸ سکه | ۴٬۵۴۹ سکه | ۶٬۴۷۸ سکه | ۱۱٬۰۴۲ سکه | ۱۵۴٬۳۶۹ سکه | ۱٬۶۵۵٬۱۰۸ سکه |
| Gemini 3.8 Flash Google Gemini | ۸۴۸ سکه | ۴٬۶۵۹ سکه | ۶٬۶۳۶ سکه | ۱۱٬۲۹۴ سکه | ۱۵۸٬۱۱۴ سکه | ۱٬۶۹۴٬۰۷۰ سکه |
| DeepSeek V4 Pro DeepSeek | ۱٬۱۹۳ سکه | ۵٬۲۱۸ سکه | ۷٬۲۰۶ سکه | ۱۸٬۸۸۴ سکه | ۱۷۸٬۸۹۴ سکه | ۲٬۳۸۵٬۲۵۱ سکه |
| Claude Haiku 4.5 Anthropic | ۱٬۲۳۵ سکه | ۶٬۷۸۸ سکه | ۹٬۶۶۷ سکه | ۱۶٬۴۵۵ سکه | ۲۳۰٬۳۵۶ سکه | ۲٬۴۶۸٬۰۹۹ سکه |
| Grok 4.7 xAI (Grok) | ۱٬۹۷۵ سکه | ۸٬۶۳۹ سکه | ۱۱٬۹۳۰ سکه | ۳۱٬۲۶۳ سکه | ۲۹۶٬۱۷۲ سکه | ۳٬۹۴۸٬۹۵۸ سکه |
| Gemini 4 Argon Google Gemini | ۲٬۲۵۹ سکه | ۱۲٬۴۲۴ سکه | ۱۷٬۶۹۴ سکه | ۳۰٬۱۱۷ سکه | ۴۲۱٬۶۳۶ سکه | ۴٬۵۱۷٬۵۲۰ سکه |
| GPT-5.6 Sol OpenAI | ۴٬۵۱۸ سکه | ۲۴٬۸۴۷ سکه | ۳۵٬۳۸۸ سکه | ۶۰٬۲۳۴ سکه | ۸۴۳٬۲۷۱ سکه | ۹٬۰۳۵٬۰۴۰ سکه |
| Claude Opus 5.5 Anthropic | ۴٬۹۳۷ سکه | ۲۷٬۱۵۰ سکه | ۳۸٬۶۶۸ سکه | ۶۵٬۸۱۶ سکه | ۹۲۱٬۴۲۴ سکه | ۹٬۸۷۲٬۳۹۵ سکه |
| GPT-6 Astra OpenAI | ۱۱٬۲۹۴ سکه | ۶۲٬۱۱۶ سکه | ۸۸٬۴۶۹ سکه | ۱۵۰٬۵۸۴ سکه | ۲٬۱۰۸٬۱۷۶ سکه | ۲۲٬۵۸۷٬۶۰۰ سکه |
هر ستون با یک برآورد ثابت از حجم کار حساب شده: جواب یک پیام پشتیبانی (۱٬۵۰۰ توکن ورودی و ۳۰۰ توکن خروجی)، ترجمهٔ ۱۰۰۰ کلمه انگلیسی به فارسی (۱٬۵۰۰ توکن ورودی و ۳٬۰۰۰ توکن خروجی)، نوشتن یک مقالهٔ ۱۵۰۰ کلمه‌ای فارسی (۱٬۰۰۰ توکن ورودی و ۴٬۵۰۰ توکن خروجی)، خلاصهٔ یک PDF پنجاه‌صفحه‌ای (۳۵٬۰۰۰ توکن ورودی و ۱٬۰۰۰ توکن خروجی)، توضیح ۲۰۰ محصول فروشگاه (۶۰٬۰۰۰ توکن ورودی و ۱۰۰٬۰۰۰ توکن خروجی)، ۱۰۰۰ گفت‌وگوی پشتیبانی در ماه (۳٬۰۰۰٬۰۰۰ توکن ورودی و ۶۰۰٬۰۰۰ توکن خروجی).
مدل‌های استدلالی پیش از جواب فکر می‌کنند و آن فکر هم توکن خروجی حساب میشود؛ هزینهٔ واقعی آنها ممکن است از این جدول بیشتر شود.
به‌روزرسانی: ۱۴۰۵/۰۷/۲۶ ۰۱:۳۹ مبلغ‌ها به سکه، با قیمت امروز همان مدل در گیسو
برای شروع، یک موضوع کوچک انتخاب کنید: ۵ مقالهٔ اصلی پایان‌نامه را وارد جدول استخراج کنید، بعد از مدل بخواهید فقط مضمونها و تناقض‌ها را پیدا کند. اگر جدول دقیق شد، همان قالب را برای بقیهٔ منابع ادامه دهید. مرور منابع خوب با یک پاسخ آماده ساخته نمی‌شود؛ با چند دور خواندن، کنترل و بازنویسی شکل می‌گیرد.
