هوش مصنوعی و کاربردهای آن در فعالیت های پژوهشی

باوجود آنکه از پیدایش هوش مصنوعی و فناوری های مربوط به آن بیش از نیم قرن میگذرد، طی دو یا سه سال اخیر و با به میدان آمدن فناوری چت جی پی تی این اصطلاح بیشتر بر سر زبانها افتاده است. هم اکنون فضای مجازی مملو از نرم افزارها و فناوری هایی اســت که هرکدام با بهره گیری از وجوهی از هوش مصنوعی، محصولی را به جامعه علمی یا جامعه بهره بردار معرفی میکنند. در این مقاله شما با هوش مصنوعی و کاربردهای آن در فعالیت های پژوهشی آشنا میشوید.

محصولاتی که با ساده تر کردن فرایندها (مانند افزودن زیرنویس به فیلم ها یا تغییر پس زمینه عکس ها)، یا خلق ویژگی ها (مانند تبدیل نوشته به نمادی گرافیکی)، به نوعی تلاش میکنند تا در مسیر فعالیت های عادی یا ارائه نوآوری ها و ابداعات بشری اثرگذار باشند. این محصولات به نوبه خود باعث شده است تا برخی فرایندهای پژوهش نیز تحت تاثیر قرار گیرد و ضمن ایجاد سهولت یا تنوع در این فرایندها، برخی چالش ها و مسائل جانبی دیگر هم فرصت ظهور و بروز پیدا کنند.

با به میان آمدن این فناوری، اکنون پژوهشگران فرصت بی همتایی برای تجزیه و تحلیل حجم عظیمی از داده هایی را دارند که پیشتر انجام آنها به صورت دستی بسیار زمان بر و دشوار بود. دانشمندان با استفاده از این فناوری اکنون می توانند الگوها، همبستگی ها، و واگرایی هایی را از میان انبوه داده ها به دست آورند که قبلا برای آنها متصور نبود. این موضوع سبب استقبال ژوهشگران از این فناوری شده است.

الزویر به عنوان یکی از مهمترین ناشران علمی جهان، در گزارش خود اشــاره میکند که نگرش های مثبت درباره استفاده از هوش مصنوعی در میان پژوهشگران افزایش یافته است، به طوریکه ۱۶ درصد از آنان برای انجام فعالیت های خود از هوش مصنوعی استفاده میکنند. همچنین، پذیرش هوش مصنوعی در داوری مقالات نیز در حال افزایش است. به طوریکه هم اکنون، ۲۱ درصد از پژوهشگران میگویند که مقالات تهیه شده با کمک هوش مصنوعی را میخوانند.

این پدیده از سال ۲۰۱۹ به این سو پنج درصد افزایش یافته است. به گفته چاب، کاولینگ، و رید نقشی که هوش مصنوعی می تواند در پژوهش ایفا کند، سطحی از پیچیدگی را به یک نظام و عادات دانشگاهیانی می افزاید که در رویه های آن نظـام تثبیت شده اند. هوش مصنوعی، بالقوه، پژوهشگران و مؤسسات را از انجام فعالیت های پیش پا افتاده رهایی می بخشد، در زمان آن ها صرفه جویی میکند بر سرعت و کارایی موردنیاز یک دانشگاه بازار محور و مسلما نیز می افزاید.

ازاین رو، همچنان که هوش مصنوعی به تکامل خود ادامه میدهد، ضروری است تا پژوهشگران نیز خود را با این ابزار قدرتمند تطبیق داده و از آن استفاده کنند و در عین حال به محدودیت ها و پیامدهای اخلاقی آن نیز توجه داشته باشند. 

هدف از مقاله پیش رو به دســت دادن تصویری کلی از کاربردهای هوش مصنوعی در پژوهش و برخی مسائل مرتبط با آن است. از این جهت، ضمن مرور مختصر فناوری هوش مصنوعی و تاریخچه آن، برخی از مهمترین کاربردهای هوش مصنوعی در پژوهش معرفی شده، و چالش ها و مخاطرات استفاده از فناوری معرفی خواهند شد.

تعریف، تاریخچه و فناوری هوش مصنوعی 

هوش مصنوعی، در ساده ترین تعریف، به توانایی رایانه یا سایر ابزارهای پردازشی گفته میشود که همچون یک موجود هوشمند (مانند انسان) میتواند یاد بگیرد و مسئله حل کند. به گفته داس و ایسام بیشتر پژوهشگران و کتاب های درسی هوش مصنوعی، این رشته را طراحی و توسعه «موجودیتی کاملا آگاه، هوشمند و مبتنی بر رایانه» تعریف میکنند که برای درک محیط و افزایش موفقیت در انجام فعالیت های پیچیده، نسبت به انسان مزیتی ذاتی دارد. هدف هوش مصنوعی توسعه ماشینی است که بتواند مانند انسان فکر کند و رفتارهای انسان از جمله درک، استدلال، یادگیری، برنامه ریزی، پیش بینی و غیره را تقلید کند.

هوش مصنوعی، حوزه ای چندرشت های و بین رشته ای اســت که از زمان معرفی رایانه های دستی در دهه ۱۹۵۰ رشد فوق العاده ای داشته است. این حوزه برای متحول کردن صنایع مختلف ظرفیت بالقوه ای دارد، و به عنوان هرگونه نظریه، روش، یا رویکردی تعریف میشود که به ماشین ها، به ویژه رایانه ها، در تحلیل، شبیه سازی، بهره برداری و کاوش فرآیندها و رفتارهای فکری انسان کمک میکند.

آغاز پژوهش های نوین هوش مصنوعی به جان مک کارتی باز میگردد که در همایشی در دانشکده دارتموث در سال ۱۹۵۶ اصطلاح «هــوش مصنوعــی» را ابداع کرد. ایــن نماد تولد حوزه علمی هوش مصنوعی بود. در سال های بعد میزان پیشرفت شگفت انگیز بود. با این حال، دانشمندان این حوزه به زودی متوجه شود که هنوز تا تحقق اهداف نهایی هوشی معادل هوش انسان در ماشین ها راهی طولانی در پیش است.

با اســتفاده از برنامه های منطق-محور، بسیاری از مشکلات مهم قابل حل نبودند. چالش دیگر کمبود منابع محاسباتی برای محاسبه مسائل پیچیده و پیچیده تر بود. درنتیجه، سازمان ها و سرمایه گذاران حمایت از این دست طرح های هوش مصنوعی را متوقف کردند. در دهه ۱۹۸۰ و با اختراع «نظام های خبره» ازسوی برخی موسسات پژوهشی و دانشگاه ها، هوش مصنوعی دوباره محبوبیت یافت.

این نظامها برای کمک بــه افراد غیر متخصص در تصمیم گیری های خاص، مجموعه ای از قوانین اساسی مربوط به دانش تخصصی را خلاصه میکنند. بااین حال، نظام خبره به تدریج معایب خود را نشان داد؛ معایبی مانند فناوری های حفظ حریم خصوصی، عــدم انعطاف پذیری، تطبیق پذیری ضعیف، هزینه گران تعمیر و نگهداری و غیره. بنابراین، بودجه برای پژوهش های هوش مصنوعی، بار دیگر، متوقف شد و این فناوری برای دومین بار در پایین ترین نقطه اهمیت قرار گرفت.  

در سال، ۲۰۰۶ جفری هینتون و همکاران با پیشنهاد رویکردی جدید برای تولید شبکه های عصبی عمیق تر، حرکتی جدی تر در هوش مصنوعی ایجاد کردند. این پژوهش ها، دوباره بازار هوش مصنوعی را داغ تر کرد و الگوریتم های یادگیری عمیق، به یکی از فعال ترین زمینه های پژوهش هوش مصنوعی تبدیل شــد. در سال های بعد، شرکت های بزرگتر هر یک در حوزه ای با استفاده از هوش مصنوعی محصولاتی را عرضه کردند.

در سال، ۲۰۰۹ گوگل نمونه اولیه ای از ماشین بدون راننده را توسعه داد. آیفون نیز در سال ۲۰۱۱ با افزودن سیری دستیار مجازی خود، استفاده از هوش مصنوعی را آغاز کرد. در سال، ۲۰۱۴  مایکروسافت دستیار مجازی کوتانا را ساخت و یک سال بعد، آمازون الکسا را عرضه کرد. بسیاری از این پیشرفت ها نتیجه تغییر نگرش اساسی نسبت به توسعه هوش مصنوعی بود. به عبارت دیگر، مسئله دیگر قوانین کدنویسی نیســت، بلکه این است که بگذاریم رایانه ها، خود، قوانین را بر پایه حجم عظیمی از داده ها کشف کنند. 

یادگیری ماشینی و یادگیری عمیق دو عنصر مهم و زیربنایی هوش مصنوعی هستند. گرچه ممکن است این دو مفهوم به جای یکدیگر بکار روند، اما ماهیت و کارکرد آنها با هم متفاوت است. یادگیری ماشینی فرایندی است که در آن، داده های یک الگوریتم با رایانه و روش های آماری تغذیه میشوند.

هدف از این اقدام، کمک به یادگیری و بهبود تدریجی عملکرد الگوریتم برای انجام یک کار خاص برنامه ریزی است. این الگوریتم لزوما نشده است؛ اما به واسطه این سازوکار میتواند به تدریج روند انجام آن را فرا گیرد. اما منظور از یادگیری عمیق، نوعی الگوریتم یادگیری ماشینی است که داده های ورودی خود را با الهام از الگوهای شبکه عصبی موجودات زنده اجرا میکند.

این الگوها از علم زیست شناسی نسخه برداری می شوند. در یک شبکه عصبی، لایه های متعدد (حداقل سه لایه) وجود دارند. هریک از این لایه ها میتوانند ورودی یا خروجی باشند. وظیفه نهایی آنها نیز این است که داده ها را در سطوح متفاوتی پردازش کنند. این سازوکار به الگوریتم، امکان یادگیری عمیق تر الگوی مورد نظر را میدهد.

هوش مصنوعی دانشی بسیار گسترده و پیچیده است که شاخه های متعددی از جمله نظام خبره، رباتیک، یادگیری ماشین، شبکه عصبی، منطق فازی و پردازش زبان طبیعی را دربر میگیرد.

کاربرد هوش مصنوعی در پژوهش های دانشگاهی

باوجوداینکه استفاده از هوش مصنوعی در پژوهش های قابل توجهی دارد، با این حال در سالیان دانشـگاهی سابقه نسبتا اخیر، هم به دلیل پیشرفت های سخت افزاری و ارزان تر شدن دستگاه های مورد نیاز و هم به دلیل پیشرفت های نرم افزاری، استفاده از فناوری های مختلف هوش مصنوعی ابعاد تازه تری یافته است.

به گفته شرستا، ما در حال ورود به عصر جدیدی از پژوهش های علمی هستیم که در آن وظایف پژوهشی پیش پا افتاده را ماشین ها انجام میدهند. درنتیجه، دانشمندان فرصت می یابند تا بر روی سؤالات مهم تر تحقیق و توسعه تمرکز کنند. بنابراین، هوش مصنوعی نویدبخش تغییر شکل عمیق پژوهش ها و اکتشافات علمی است. هوش مصنوعی نه تنها به نوآوری ها، اکتشافات و پیشرفت های علمی می انجامد، بلکه روند تحقیق را نیز سرعت میبخشد.

جیالت و کول نیز اشاره میکنند که یکی از مزایای اصلی استفاده از ابزارهای هوش مصنوعی این است که میتوانند به کاهش زمان و تلاش موردنیاز برای نوشتن و بررسی مقالات علمی کمک کنند.

با خودکارکردن جنبه های خاصی از فرآیند دوین مقالات، مانند قالب بندی و سازماندهی متن، این ابزارها میتوانند وقت پژوهشگران را آزاد کرده تا بر جنبه های مهم تر فعالیت خود متمرکز شوند. با این حال، برای داوران و ویراستاران نیز مهم است که مطمئن شوند استفاده از این ابزارها یکپارچگی علمی مقالاتی را که بررسی میکنند به خطر نمی اندازد.

در مجموع چنانچه بخواهیم نوعی دسته بندی از کاربردهای هوش مصنوعی در فعالیت های پژوهشی به دست دهیم میتوان آنها را براساس کاربرد های خاص در هر حوزه علمی و کاربردهای متداولی که در عموم فعالیت های پژوهشی دارند تقسیم بندی کرد. کاربردهای اخیر، فعالیت هایی مرتبط با تدوین پیشنهاده پژوهش، تهیه مقالات، و تدوین کتاب ها یا گزارش های پژوهشی را شامل میشوند. در بخش کاربردهای هوش مصنوعی در فعالیت های عمومی تر پژوهشی، میتوان موارد ذیل را یادآور شد: 

داوری مقالات

کاربردهای هوش مصنوعی در داوری مقالات به چند شکل خود را نشان داده است. یکی اینکه اساسا جایگزین داوران یا همتایان باشد. این مسئله همچنان در مرحله پژوهش است. به عنوان مثال، چاوا

اشاره میکند که فعالیتی از سوی مایک ثلوال در دانشگاه ولورهمپتون در جریان است که ببیند آیا الگوریتم های هوش مصنوعی می توانند امتیازهایی مشابه رتبه بندی هایی به دست آورند که داوران همتای سازمان تعالی به مقالات مجله داده اند. این دسته از برنامه های هوش مصنوعی، براساس داده های کتاب سنجی و ابرداده ها، از جمله کلمات کلیدی در چکیده ها، عنوان ها و متن مقاله، محاســبات خود را انجام میدهند.

شــکل دیگر کاربرد احتمالی هوش مصنوعی میتواند یافتن بازبینهای همتای مناسب باشد. با توجه به فرایند زمانبر یافتن همتای هایی که هم از حیث تخصص و هــم از حیث نداشتن تضاد منافع بتوانند در داوری مقالات اثرگذار باشند، هوش مصنوعی می تواند در این مسیر کمک مؤثری باشــد. در نهایت از الگوریتم های هوش مصنوعی میتوان برای اندازه گیری دقت مقالات علمی و دقت گزارش های بررسی همتایان استفاده کرد.

خلاصه سازی اطلاعات

در روزگاری که افزایش روزافزون اطلاعات از ویژگی های بارز آن است، امکان خواندن همه مطالب مرتبط با یک حوزه به طور کامل وجود ندارد. گاهی ما آرزو میکنیم که با عصای جادویی متنی طولانی را به خلاصه ای خواندنی تبدیل کنیم. Scholarcy و UNSILO ازجمله ابزارهای هــوش مصنوعی در این خصوص هستند که به طور خودکار مفاهیم کلیدی متن را استخراج کرده و خلاصه ای از آن را ارائه میدهند. از ابزارهای خالصه سازی میتوان برای داوری مقالات و نیز پیشینه پژوهی استفاده کرد.

پیشینه پژوهی

پیشینه پژوهی یکی از موارد مهمی است که هوش مصنوعی میتواند در فرایند تدوین مطالب پژوهشی به دانشجویان یا پژوهشگران کمک کند. درواقع، با افزایش روزافزون انتشار مقالات پژوهشی، مرور نظام یافته متون مرتبط به روش دستی دشوار و نادقیق خواهد بود. با استفاده از الگوریتم های زبان طبیعی، هوش مصنوعی می تواند در پایگاه های کلان داده برای یافتن مطالعات مرتبط جستجو کند.

این الگوریتم ها میتوانند گرایش های کلیدواژه را تشخیص دهند، زمینه را درک کنند، و مقــالات نامربوط را حذف کنند تا اطمینان حاصل شود که فقط متون علمی مهم برای ارزیابی انتخاب شده اســت. همچنین هوش مصنوعی میتواند در تحلیل و استخراج داده ها از مطالعات انتخاب شده کمک کند. این اقدام نه تنها فرایند پیشینه پژوهی را تسریع میکند، بلکه از احتمال خطای انسانی نیز می کاهد. 

ویرایش مقالات

ویرایش مقالات، طیفی از موارد شامل، اصلاحات دستوری، نقطه گذاری، سبک نوشتار، و غلط های نگارشی را در برمیگیرد. ابزارهای مختلفی که به این منظور و با استفاده از هوش مصنوعی ارائه شده اند عمال می توانند به عنوان دستیاری مهم در کنار نویسنده/ پژوهشگر قرار گیرند.

برخی از این موارد از جمله اصلاح غلط های نگارشی یا نقطه گذاری شاید از قبل در نرم افزارهایی مانند واژه پرداز ورد در دسترس کاربران بود، اما امروزه به لطف ابزارهای هوش مصنوعی گستره این خدمات وسیع تر و هوشمندتر شده است، به گونه ای که میتوان انتظار داشت با صرف وقت کمتر نوشته ای هماهنگ تر و با حداقل ایرادات دستوری و نگارشی تهیه کرد. 

ترجمه

ترجمه متون یکی دیگر از حوزه های فراگیری است که هوش مصنوعی در آن ایفای نقش میکند. پژوهشگران بسیاری هستند که با وجود ارزشمند بودن پژوهش خود، به دلیل ضعف در زبان ـ به ویژه زبان انگلیسی ـ نمیتوانند نتیجه پژوهش خود را در قالب مقاله و به زبان دلخواه تهیه کنند. یا برعکس، نتوانند از منابع بسیار زیادی استفاده کنند که ممکن است به زبان های دیگری ارائه شده و مرتبط با پژوهشی باشد که در حال انجام آن هستند.

اکنــون با وجود الگوریتم های متعددی که با استفاده از هوش مصنوعی ارائه شده است، زبان عمال مانع جدی به شمار نمی آید. گوگل ترنسلیت و بینگ ترنسلیتور ازجمله شناخته شده ترین ابزارهایی هستند که با قابلیت های متعدد خود این امکان را به پژوهشگران داده اند تا متون مورد نظر خود را از زبان های مختلف به زبان مادری خود و بالعکس تبدیل کنند.

با این حال، همانطور که می جویل یادآوری میکند توجه به این نکته مهم است که الگوهای هوش مصنوعی بی نقص نیستند و ممکن است خطاهایی را مرتکب شده یا متنی را تولید کنند که کیفیت متن های نوشته شده انسانی را نداشته باشد. همچنین، متن تولیدی با هوش مصنوعی ممکن است فاقد خلاقیت و تفکر انتقادی یک پژوهشگر واقعی باشد. با این حال، زمانی که از هوش مصنوعی همراه با نظارت و ویرایش انسانی استفاده شود، میتواند ابزار ارزشمندی برای کمک به نوشتن مقالات علمی ـ پژوهشی باشد.

همچنین، از هوش مصنوعی مستقیما علمی استفاده میشود. اساس این کاربرد نیز، همچون گروه ۱ قبلی، بر تجزیه و تحلیل حجم زیادی از داده ها استوار است. قوش پراستفاده ترین کاربردهای هوش مصنوعی را در دو مقوله یادگیری تحت نظارت و تشخیص ناهنجاری برمیشمارد. در یادگیری تحت نظارت، هوش مصنوعی روی داده هایی که قبال با پاسخ های صحیح حاشیه نویسی شده اند، «آموزش داده میشود».

زمانی که هوش مصنوعی الگوها را از داده های حاشیه نویسی شده یاد گرفت، میتواند درباره داده های جدیدی که پاسخ های صحیح آن از قبل مشخص نیست پیشبینی کند. برای مثال، هوش مصنوعی پــس از اطلاع از شکل ظاهری محصولات مختلف زباله خانگی از تصاویر مشروح، میتواند برای محصول جدیدی که دارای حاشیه نویسی انسانی نیست، سطل زباله مناسب (قابل بازیافت در مقابل غیرقابل بازیافت) را انتخاب کند.

در «تشــخیص ناهنجاری» هدف از استفاده از هوش مصنوعی شناسایی اشیاء جدیدی است که متفاوت با چیزی هستند که الگوی هوش مصنوعی برای دیدن آنها استفاده میکند. برای مثال، داشتن فهرستی کامل و مشروح از تصاویر مربوط به اسکن مغز که شامل همه دسته های احتمالی ناهنجاری باشد دشوار است. با این حال، الگوهای تشخیص ناهنجاری فقط باید نمونه هایی از ناهنجاری ها را مغزهای سالم را در آموزش خود ببینند تا متعاقبا در تصاویر بیماران جدید نشان دهند. چنین الگوهایی به داده های آموزشی مشروح نیاز ندارند.

آبادیا نیز به کاربردهــای هوش مصنوعی در موارد زیر اشاره میکند: 

تجزیه و تحلیل داده ها و تشخیص الگو

الگوریتم های هوش مصنوعی می توانند مجموعه کلان داده را تجزیه و تحلیل کنند و الگوها، همبستگی ها و روندهایی را شناسایی کنند که ممکن است انسان نتواند به راحتی و به تنهایی آنها را تشخیص دهد. این مسئله به ویژه در زمینه هایی مانند ژنگان شناسی، علوم آب و هوایی و علوم اجتماعی مفید است. 

پردازش زبان طبیعی

روش های پردازش زبان طبیعی به رایانه ها امکان میدهد تا زبان انسانی را بفهمند و تولید کنند. پژوهشگران از پردازش زبان طبیعی برای تجزیه و تحلیل حجم زیادی از داده های متنی، استخراج اطلاعات، خلاصه کردن اسناد و تشخیص احساسات استفاده میکنند. این برنامه در زمینه هایی مانند ادبیات، زبان شناسی و علوم اجتماعی کاربرد دارد. 

بینایی رایانه ای

نظام های بینایی رایانه ای مبتنی بر هوش مصنوعی میتوانند داده های بصری، مانند تصاویر و فیلم ها را پردازش و تفسیر کنند. پژوهشگران از بینایی رایانه ای برای تجزیه و تحلیل تصاویر پزشکی، تصاویر ماهواره ای و تصاویر نظارتی و غیره استفاده میکنند. این برنامه در زمینه هایی مانند زیست شناسی، نجوم و علوم محیطی کاربرد دارد.

کشف و توسعه دارو

هوش مصنوعی برای تسریع روند کشف دارو با پیشبینی خواص و تعاملات ترکیبات دارویی بالقوه استفاده میشود. الگوهای یادگیری ماشینی میتوانند مقادیر زیادی از داده های شیمیایی و زیست شناسی را برای شناسایی اهداف دارویی بالقوه و طراحی مولکول های جدید تجزیه و تحلیل کنند. 

رباتیک و خودکارسازی

ربات های مجهز به هوش مصنوعی و نظام های خودکار به طور فرایندهای در پژوهش های دانشگاهی بــرای انجام وظایفی مانند آزمایش های آزمایشگاهی، جمعآوری داده ها و پردازش نمونه استفاده می شوند. این ربات ها میتوانند ۲۴ ساعته کار کنند، خطای انسانی را کاهش داده و کارایی را در گردش کار پژوهشی افزایش دهند.

نظام های توصیه

الگوریتم های هوش مصنوعی میتوانند توصیه های شخصی سازی شده را بر اساس ترجیحات و رفتارهای کاربر ارائه دهند. در دانشگاه، این نظام ها می توانند مقالات پژوهشی، همایش ها یا همکاری های مرتبط را بر اساس علایق محقق و فعالیت های قبلی پیشنهاد دهند. 

شبیه سازی و الگوسازی

روش های هوش مصنوعی، مانند یادگیری ماشینی و شبکه های عصبی، میتوانند برای ایجاد الگوها و شبیه سازی های پیچیده استفاده شوند. پژوهشگران میتوانند از این الگوها برای مطالعه و پیش بینی پدیده ها در زمینه هایی مانند فیزیک، اقتصاد و علوم اجتماعی استفاده کنند. 

کشف و ترکیب دانش

هوش مصنوعی میتواند در کشـف و ترکیب اطلاعات از مقادیر زیادی از مقالات پژوهشی موجود، پروانه های ثبت اختراع و سایر منابع دانشگاهی به پژوهشگران کمک کند. این موضوع می تواند در شناسایی شکاف های پژوهشی، یافتن متون مرتبط و ایجاد بینش های جدید کمکی ارزشمند باشد. 

نقش هوش مصنوعی در پژوهش های کشاورزی

استفاده از هوش مصنوعی در حوزه کشاورزی و پژوهش های مربوط به این حوزه نیز به سرعت در حال گسترش است. به گفته ریزولی و به نقل از مجله فوربز، سرمایه گذاری جهانی در کشاورزی «هوشمند» تا سال ۲۰۲۵ به سه برابر و حدود ۱۵/۳ میلیارد دلار بالغ خواهد شد.

از سوی دیگر، پیش بینی میشود جمعیت جهان تا سال ۲۰۵۰ به حدود ۱۰ میلیارد نفر بالغ شده و تقاضا برای مواد غذایی نیز تا ۷۰ درصد افزایش یابد، که این موضوع، خود، امنیت غذایی و پژوهش برای یافتن راه حل هایی کارآمدتر برای تأمیــن غذا را ضرورت می بخشد. از این رو، استفاده از فناوری های هوش مصنوعی و کشاورزی هوشمند در پژوهش های کشاورزی موضوعی حساس و پراهمیت تلقی میشود. مرور داده های موجود نشان میدهد که هوش مصنوعی تغییر دهنده بازی است و به روشهای زیر میتواند پژوهشگران این حوزه را یاری کند:

تجزیه و تحلیل های پیشبینی کننده: هوش مصنوعی می تواند الگوهای تاریخی آب وهوایی، شرایط خاک، ویژگی های محصول و موارد دیگر را برای پیش بینی عملکرد محصول در آینده، هجوم آفات و شیوع بیماری تجزیه و تحلیل کند. این مسئله به محققان کمک میکند تا برای مدیریت محصول راهبردهای موثر ترین را توسعه دهند. 

سنجش از دور: هوش مصنوعی می تواند داده های حاصل از ماهواره ها، پهپادها و سایر فناوری های سنجش از راه دور را برای پایش سلامت محصــولات پردازش و تجزیه و تحلیل کرده، الگوهای آب و هوا را ردیابی کند و تاثیر تغییرات آب و هوا بر بهره وری کشاورزی را ارزیابی کند.

انتخاب ژنگان شناسی: هوش مصنوعی میتواند برای شناسایی صفاتی که به عملکرد محصول، مقاومت در برابر بیماری و تحمل به خشکی کمک میکنند، مجموعه داده های ژنومی بزرگ را تجزیه و تحلیل کند. این امر می تواند پرورش انواع محصولات جدید را تسریع کند.

خودکارسازی: هوش مصنوعی می تواند کارهای معمولی مانند وجین، برداشت و مرتب سازی را خودکار کند و محققان را آزاد کند تا بر مشکلات پیچیده تر متمرکز شوند. 

الگوهای شبیه سازی: هوش مصنوعی میتواند دقت الگوهای شبیه سازی مورد استفاده در پژوهش های کشاورزی، مانند الگوهایی که تأثیر شیوه های مختلف کشاورزی را بر عملکرد محصول و پایداری محیطی پیشبینی میکنند، را افزایش دهد. با استفاده از این برنامه های کاربردی هوش مصنوعی، محققان کشاورزی میتوانند تصمیمات بهینه تر و آگاهانه تری بگیرند، مداخلات موثر تری طراحی کرده و در نهایت به نظام های کشاورزی پایدارتر و مولدتر کمک کنند.

چالش ها و ملاحظات اخلاقی در پژوهش های دانشگاهی مبتنی بر هوش مصنوعی

درحالی که پژوهش های دانشگاهی مبتنی بر هوش مصنوعی مزایای قابل توجهی را ارائه میدهد، چالش ها و ملاحظاتی نیز وجود دارد که پژوهشگران باید به آنها توجه داشته باشند. از میان مهم ترین مسائل و چالش هایی که جامعه علمی هنگام استفاده از هوش مصنوعی با آنها مواجه است میتوان از برخی ملاحظات اخلاقی، سرقت ادبی و رعایت حق مولف، و مخاطرات شغلی نام برد.

درواقع، از آنجا که هوش مصنوعی بر داده های گسترده و فراوان متکی است و براساس آنها آموزش میبیند، چنانچه این داده ها ســو گرفته باشند یا بر دیدگاه ها و نگاه های خاصی تاکید نامتعادل داشته باشند، نتایج حاصل نیز می تواند به همان اندازه نادقیق و ناکارآمد به حساب آید.

 در بحث تعیین حق مؤلف نیز گاهی مسائل خاصی وجود دارد. لوند و همکاران (۲۰۲۳) در این خصوص اشاره میکنند که اگر کاربر داده های ورودی را به الگو ارائه دهد و الگو براساس آن ورودی محتوا تولید کند، می توان استدلال کرد که کاربر دارای حق چاپ محتوای تولید شده است. با این حال، اگر الگو مستقل از ورودی کاربر محتوا تولید کند، ورودی ارائه شده بســیار محدود است.

یا اگر محتوا به طور قابل توجهی از سوی شخصی غیر از کاربر ویرایش شود، ممکن است تعیین مالکیت دشوارتر باشد. در این موارد، ممکن است به توافق حاصل شده با توسعه دهنده الگو بستگی داشته باشد که محتوا را تولید میکند. سرقت ادبی نیز ناظر بر استفاده از ابزارهای هوش مصنوعی (مانند چت جی پی تی) برای نسخه برداری مستقیم محتوا یا حتی بازنویسی آن است بدون آنکه حق مالکیت اصلی محتوا در نظر گرفته شود.

در مخاطرات شغلی نیز این واهمه وجود دارد که مراکز پژوهشی که به انتشار مقاله در مجالت معتبر بین المللی اهمیت بیش از اندازه ای میدهند، برخی پژوهشگران با  مقالات بیشتری تولید استفاده از فناوری های هوش مصنوعی صرفا کرده و در نتیجه با کاهش یا قطع ارتباط میان مراکز پژوهشی و دانشگاهی با مراکز اجرایی و صنعتی، میزان نوآوری و خلاقیت نیز به همان نسبت کاهش یابد.

جیلان و کــول (۲۰۲۳) نیز دو چالش مهم استفاده از هوش مصنوعی در پژوهش های علمی را یکی خطر خطا یا ســوگیری در متن و دیگری امکان استفاده از این ابزارها برای دستکاری یا تحریف سوابق علمی تلقی میکنند. آبادیا (۲۰۲۳) هم برخی از چالش های کلیدی و ملاحظات اخلاقی مرتبط با هوش مصنوعی در پژوهش های دانشگاهی را به شکل زیر خلاصه کرده است:

چولگی داده ها و انصاف: نظام های هوش مصنوعی متناسب با داده های ورودی آموزش می بینند و اگر داده های آموزشی مغرضانه باشد یا منعکس کننده تعصبات اجتماعی باشند، الگوهای هوش مصنوعی میتوانند این ســوگیری ها را تداوم بخشند. پژوهش گران برای اطمینان از انصاف و کاهش تعصب در الگوهای هوش مصنوعی، باید داده ها را با دقت بررسی و پیش پردازش کنند.

حریم خصوصی و حفاظت از داده ها: پژوهش های هوش مصنوعی اغلب مدیریت حجم زیادی از داده ها، از جمله اطلاعات شخصی و حساس را شامل میشوند. پژوهشگران باید اطمینان حاصل کنند که جمع آوری، ذخیره سازی و تجزیه و تحلیل داده ها از مقررات مربوط به حریم خصوصی پیروی میکنند و رضایت آگاهانه شرکت کنندگان را کسب میکنند. 

شفافیت و تفسیر پذیری: برخی از الگوریتم های هوش مصنوعی، مانند الگوهای یادگیری عمیق، را میتوان همچون جعبه سیاهی در نظر گرفت که درک و تفسیر فرآیندهای تصمیم گیری آنها را دشوار میکند. در پژوهش های دانشگاهی، تلاش برای شفافیت و توسعه روش هایی برای توضیح استدلال ِ موجود در پس نتایج مبتنی بر هوش مصنوعی با اهمیت است. 

تکرارپذیری و استحکام: پژوهشگران باید با ارائه مستندات واضح از الگوها، الگوریتم ها و مجموعه داده های هوش مصنوعی خود، تکرارپذیری را هدف قرار دهند. بسیار مهم اســت که اطمینان حاصل شود که الگوهای هوش مصنوعی قوی هستند و می توانند به خوبی به داده های دیده نشده تعمیم دهند و از نتایج بیش از حد یا مغرضانه اجتناب کنند. 

مالکیت فکــری: پژوهش های هوش مصنوعی اغلب شامل همکاری و استفاده از مجموعه داده ها و الگوهای از قبل موجود است. باید دستورالعمل های روشنی در رابطه با حقوق مالکیت معنوی، مالکیت داده ها و به اشتراک گذاری الگوها و کدهای هوش مصنوعی در میان پژوهشگران ایجاد شود.

مسئولیت پذیری: هرچه هوش مصنوعی مستقل تر می شود، مسئله مسئولیت پذیری اهمیت بیشــتری مییابد. پژوهشگران باید پیامدهای اخلاقی نظام های هوش مصنوعی خود را در نظر بگیرند و از خطرات و پیامدهای بالقوه مرتبط با استقرار آنها آگاه باشند.

تأثیر اجتماعی و جابجایی شغل: توانایی خودکارسازی نقش های شغلی خاص و ایجاد اختلال در صنایع، توان بالقوه ای است که در فناوری های هوش مصنوعی وجود دارد. پژوهشگران باید به تأثیر اجتماعی پژوهش های مبتنی بر هوش مصنوعی خود توجه داشته باشند و برای اطمینان از انتقال عادلانه، ایجاد شغل و به حداقل رساندن پیامدهای منفی تلاش کنند. 

استفاده دوگانه و سوءاستفاده: فناوری های هوش مصنوعی توسعه یافته برای پژوهش های دانشگاهی میتوانند کاربردهای مثبت و منفی داشته باشند. پژوهشگران باید به سناریوهای بالقوه استفاده دوگانه توجه داشته باشند و برای جلوگیری از سوء استفاده یا استفاده ناخواسته، پیامدهای اخلاقی کار خود را در نظر بگیرند.

نتیجه گیری

 به نظر میرسد هوش مصنوعی فرصت های بزرگی را در هر جنبه ای از زندگی ما ارائه میدهد. حوزه پژوهش نیز برکنار از اثرات فناوری های مرتبط با هوش مصنوعی نیست. در این چارچوب واضح است که در آینده نزدیک، ما علاوه بر استفاده مستقیم از این فناوری ها در روند فرایندهای علمی، شـاهد تولید آثار علمی از سوی چنین ابزارهایی خواهیم بود.

استفاده از گپ افزارهایی مانند چت جی پی تی برای ویرایش، خالص سازی، بیش از سایر تهیه پیشینه و غیره، به دلیل سهولت دسترسی، احتمالا ابزارها موردتوجه و بهرهبرداری پژوهشگران قرار گیرد. با این حال، چه به عنوان استفاده کننده، چه به عنوان داور یا ویراستار این آثار لازم است از احتمال استفاده نامناسب از این ابزارها آگاه بود و صحت علمی، اعتبار و اصالت هر مقاله را به دقت ارزیابی کرد. به قول جیالن و کول (۲۰۲۳) ما باید زمان هیجان انگیزی را که در آن زندگی میکنیم در آغوش بگیریم و به دام های بالقوه ای که فرآیندهای خودکار به عنوان پیامدهای ناخواسته منجر می شوند توجه کنیم.