فهرست نشریات علمی دسترسی آزاد ایران

تشخیص نقش واقعی نویسندگان در تولید یک اثر علمی و تبیین سهم مشارکت هر یک از آن‌ها در شکل‌گیری، اجرا و انتشار پژوهش، همواره از مهم‌ترین و بحث‌برانگیزترین دغدغه‌های نظام ارزیابی پژوهش به شمار آمده و در کانون توجه جامعه علم‌سنجی قرار داشته است. به عنوان نمونه، یکی از مفاهیم کلیدی در این زمینه، «تحلیل عامل چیرگی » است که میزان قرارگیری نویسنده در جایگاه نویسنده اول را مبنایی برای سنجش چیرگی علمی وی بر سایر هم‌نویسندگان در نظر می‌گیرد (Kumar et al., 2021). در کنار پژوهش‌های گسترده‌ای که در این حوزه انجام گرفته، باید به تلاش‌های بین‌المللی نیز اشاره کرد که در پاسخ به همین دغدغه‌ها شکل گرفته‌اند. به‌عنوان نمونه، کمیته بین‌المللی سردبیران نشریات پزشکی  چهار شرط مشخص را برای احراز نویسندگی مقاله علمی برمی‌شمارد (ICMJE، به نقل از حسینی و همکاران، ۱۴۰۴، ص. ۲۲): ۱. مشارکت معنادار در مفهوم‌سازی، طراحی، یا تحلیل و تفسیر داده‌ها؛۲. نگارش پیش‌نویس اولیه یا بازنگری انتقادی اثر از نظر محتوای علمی؛۳. تأیید نهایی نسخه منتشرشده؛۴. تعهد به پاسخ‌گویی کامل نسبت به تمامی جنبه‌های اثر پژوهشی.در ادامه، پژوهشگرانی همچون لاریویر و همکاران (Larivière et al., 2021، به نقل از حسینی و همکاران، ۱۴۰۴، ص. ۲۲)، تأکید کرده‌اند که نویسنده علمی باید واجد هر چهار شرط فوق باشد. در همین راستا، یکی از مهم‌ترین اقدامات بین‌المللی در زمینه شفاف‌سازی نقش‌های مشارکت‌کنندگان در پژوهش، تدوین استاندارد ANSI/NISO Z39.104-2022 (استاندارد CRediT) است. این استاندارد که با پشتیبانی موسسه استاندارد ملی آمریکا ، توسط سازمان استانداردهای اطلاعات ملی توسعه یافته است، با معرفی چهارده نقش مشخص در فرآیند پژوهش- از مفهوم‌سازی و روش‌شناسی تا نگارش، تحلیل و تصویرسازی-، امروز به‌طور گسترده در میان مجلات، ناشران و نهادهای ارزیابی پژوهش کاربرد دارد (NISO, 2022).نکته مشترک در تمامی این تلاش‌ها، تأکید بر جایگاه یگانه و غیرقابل‌جایگزین پژوهشگر انسانی در ایفای سه نقش بنیادین است: تبیین مسئله پژوهش، تفسیر نتایج، و تأیید صحت داده‌ها و یافته‌ها. این سه نقش کلیدی، ذاتاً به قضاوت علمی و مسئولیت‌پذیری انسانی وابسته‌اند و لزوماً باید توسط خود پژوهشگر ایفا شوند؛ به‌گونه‌ای که استفاده از هیچ ابزار فناورانه‌ای- اعم از نرم‌افزارهای تحلیلی یا سامانه‌های هوش مصنوعی- نمی‌تواند جایگزین ایفای مستقیم این نقش‌ها توسط شخص پژوهشگر شود. از همین رو، در استانداردهای مربوط به تعیین نقش مشارکت‌کنندگان در پژوهش نیز، حتی در مواردی که به «نرم‌افزار» یا «ابزار» اشاره می‌شود، مقصود بهره‌گیری پژوهشگر از ابزارهای تحلیلی است، نه واگذاری مسئولیت تفکر، داوری و قضاوت علمی به ماشین. بنابراین، هرچند ابزارهای هوش مصنوعی و پایگاه‌های داده می‌توانند فرایند گردآوری و تحلیل داده‌های علم‌سنجی را تسریع و تسهیل کنند، اما فهم مسئله پژوهش، داوری درباره نتایج، و اعمال مسئولیت علمی همچنان و به‌طور انحصاری در قلمرو پژوهشگر انسانی باقی می‌مانند.هوش مصنوعی در مسیر علم‌سنجیبا توجه به مباحث پیش‌گفته، روشن است که ورود و به‌کارگیری فناوری هوش مصنوعی در پژوهش‌های علم‌سنجی، با وجود ظرفیت‌های قابل‌توجهی که در تسهیل و پیشبرد مراحل مختلف پژوهش فراهم می‌آورد، نمی‌تواند جایگزین سه نقش بنیادی پژوهشگر علم‌سنجی در تبیین مسئله پژوهش، تفسیر نتایج، و تأیید صحت داده‌ها و یافته‌ها شود. علم‌سنجی همواره در تعامل مستقیم با فناوری‌های نوین شکل گرفته و تکامل یافته است؛ از پایگاه‌های اطلاعاتی و نرم‌افزارهای تحلیل داده گرفته تا مدل‌های زبانی بزرگ[1]، هر تحول فناورانه ظرفیت‌های تازه‌ای برای افزایش دقت، سرعت و عمق تحلیل‌ها در این حوزه فراهم کرده است. بااین‌همه، عرصه علم‌سنجی امروز بیش از هر زمان دیگر نیازمند آن است که مرز میان «توانایی فناورانه» و «قضاوت علمی» را به‌روشنی حفظ کند.ورود مدل‌های زبانی بزرگ به این حوزه، مرحله‌ای تازه از تحلیل داده‌های علمی را رقم زده است؛ مرحله‌ای که در آن، هوش مصنوعی به شریک فناورانه تصمیم‌گیری انسانی بدل شده و تحلیل داده‌ها به تفسیر الگوریتمی از نظام علم نزدیک می‌شود (Zhang et al., 2025). این تحول، از منظر سیاست‌گذاری ملی نیز اهمیت بسیار دارد؛ زیرا می‌تواند توان دیدبانی نظام علم را افزایش دهد و داده‌های گسترده‌تری را برای سیاست‌گذاران فراهم سازد؛ چرا که مدل‌های زبانی بزرگ می‌توانند: (Saarela et al., 2025; Thelwall, 2025; Zhang et al., 2025)-   متون علمی را در مقیاس انبوه تحلیل کنند؛-   مفاهیم نوظهور و جهت‌گیری‌های پژوهشی را شناسایی نمایند؛-   پیوندهای میان علم، فناوری و جامعه را برجسته‌تر سازند؛-   استنادها را قابل پیش‌بینی‌تر کنند؛-   امکان تحلیل مؤثرتر مسیرهای دانشی را فراهم سازند؛-   شناسایی محورهای پژوهشی را امکان‌پذیرتر کنند؛ و-   در فرایند داده‌کاوی، ویژگی‌های متنی پیشرفته را استخراج کنند.سارلا و همکاران (Saarela et al., 2025) نشان می‌دهند که مدل‌های زبانی بزرگ و گراف‌های دانش[2] از ظرفیت بالایی برای غنی‌سازی تحلیل‌های علم‌سنجی برخوردارند. همچنین، مطابق مطالعه آن‌ها، مدل‌های زبانی بزرگ و گراف‌های دانش در پژوهش‌های جاری علم‌سنجی، به دو منظور به کار گرفته شده است:۱) تقویت تحلیل‌های سنتی علم‌سنجی: به منظور بهبود دقت، مقیاس‌پذیری و غنای تحلیلی روش‌های موجود در پژوهش، برای مواردی از قبیل:-   استخراج موجودیت‌ها؛-   نگاشت موضوعی؛-   تحلیل روندها؛ و-   ساخت گراف‌های دانش حوزه‌ای.۲) کاربردهای اکتشافی و مولد: به‌عنوان موتورهای کشف دانش، برای مواردی از قبیل:-   ایده‌پردازی پژوهشی؛-   پیش‌بینی علائق پژوهشی؛-   پرسش و پاسخ علمی؛ و-   تحلیل میان‌رشته‌ای پیشرفته.بر این مبنا، سارلا و همکاران (Saarela et al., 2025) علم‌سنجی را در حال گذار از ترسیم نقشه علم گذشته‌نگر به سوی اکتشاف و تحلیل بینشِ آینده‌نگر مبتنی بر هوش مصنوعی می دانند. ثلوال (Thelwall, 2025) نیز به نوعی بر همین دیدگاه صحه گذاشته و اذعان می‌دارد که استفاده از مدل‌های زبانی بزرگ در ارزیابی پژوهش می‌تواند به تغییر در رویکردهای تصمیم‌گیری و مدیریت پژوهش منجر شود. روشن است که این برای علم‌سنجی در مقام پشتیبانی‌کننده از سیاست‌گذاری علم و فناوری، به معنای دسترسی به ابزارهایی است که نه‌فقط «چه بوده است» را، بلکه «چه چیز در حال شکل‌گیری است» را با سهولت بیشتری نمایش می‌دهد.در عین حال، سیستم‌های مبتنی بر هوش مصنوعی در کنار ظرفیت‌های خود، به‌سبب داده‌های آموزشی و طراحی مدل خود، مستعد سوگیری و ناهماهنگی ناشی از داده‌های آموزشی و طراحی مدل هستند. بنابراین، استفاده از آن‌ها در ارزیابی پژوهش، نیازمند شفافیت، نظارت انسانی و مسئولیت‌پذیری روش‌شناختی است (Zhang et al., 2025). این موضع‌گیری کاملاً با دیدگاه انتقادی ثلوال (Thelwall, 2025) همخوان است که هشدار می‌دهد فقدان نظارت انسانی در استفاده از هوش مصنوعی برای ارزیابی پژوهش، می‌تواند به تحریف‌های سیستمی و تصمیم‌های نادرست منجر شود. بعلاوه، سارِلا و همکاران (Saarela et al., 2025) با اذعان به این نکته که هوش مصنوعی می‌تواند بسیاری از محدودیت‌های روش‌های سنتی علم‌سنجی را کاهش دهد، تأکید می‌کنند که خروجی‌های مدل‌های زبانی بزرگ، تنها در صورتی واجد اعتبار تحلیلی هستند که به روابط، شواهد و داده‌های مشخص در گراف‌های دانش قابل ردیابی باشند. از این منظر، گراف‌های دانش نقش یک لایه معنایی شفاف و تبیین‌پذیر را در فرایند تحلیل ایفا می‌کنند. بااین‌حال، همانند دیدگاه‌های ژانگ و همکاران (Zhang et al., 2025) و ثِلوال (Thelwall, 2025)، آن‌ها نیز بر این باورند که بدون تبیین‌پذیری، نظارت انسانی و استقرار چارچوب‌های اخلاقی روشن، استفاده از هوش مصنوعی در ارزیابی و تحلیل پژوهش می‌تواند به تولید تحلیل‌هایی گمراه‌کننده یا غیرقابل اعتماد بینجامد.جمع‌بندی و چشم‌اندازتحولات اخیر در عرصه پژوهش‌های علم‌سنجی، به‌ویژه با ظهور مدل‌های زبانی بزرگ و هوش مصنوعی مولد، مرحله‌ای تازه در فهم، تحلیل و تفسیر نظام علم پدید آورده است. با وجود ظرفیت‌های گسترده این فناوری‌ها در تسریع تحلیل داده‌ و گسترش افق‌های کشف دانش، ماهیت پژوهش‌های علم‌سنجی همچنان در پیوندی ناگسستنی با داوری انسانی، تبیین‌پذیری و اعتماد علمی معنا می‌یابد.همان‌گونه که ژانگ و همکاران (Zhang et al., 2025) هوش مصنوعی را نقطه عطفی در تحول پارادایم‌های اندیشه‌ای علم می‌دانند، و سارِلا و همکاران (Saarela et al., 2025) بر نقش میانجی‌گرانه تعامل انسان-هوش مصنوعی در ایجاد فرایندهای تحلیلی شفاف و قابل‌ردیابی تأکید می‌کنند، ثِلوال (Thelwall, 2025) نیز هشدار می‌دهد که هر چند مدل‌های زبانی بزرگ می‌توانند ظرفیت‌های ارزیابی کیفیت پژوهش را ارتقاء دهند، فقدان نظارت انسانی می‌تواند احتمال بروز سوگیری‌های سیستمی و برداشت‌های نادرست در ارزیابی پژوهش را افزایش دهد. بر این اساس، مسیر آینده علم‌سنجی را نمی‌توان در اتکای صرف به الگوریتم‌ها جست‌وجو کرد؛ بلکه این مسیر باید در چارچوب طراحی هم‌افزای انسان و هوش مصنوعی دنبال شود. چارچوبی که در آن، پژوهشگر در جایگاه ناظر، مفسر و مسئول نهایی نتایج علمی حفظ می‌شود و در عین حال، با استانداردهای بین‌المللی تعیین نقش مشارکت‌کنندگان در پژوهش، از جمله CRediT، نیز انطباق دارد.در این چارچوب، هر پژوهش علم‌سنجی- چه در سطح ملی و چه در سطح بین‌المللی- باید بر سه اصل بنیادین استوار باشد:۱. تبیین‌پذیری و شفافیت فرایندهای تحلیلی؛۲. نظارت و پاسخ‌گویی انسانی در تولید و تفسیر نتایج؛ و۳. انطباق فناوری با اهداف راهبردی سیاست علم و اخلاق پژوهش.چشم‌انداز پیشِ روی جامعه پژوهشگران علم‌سنجی ایران، نه حذف یا مقاومت در برابر فناوری‌های نو، بلکه شکل‌گیری گفت‌وگویی منظم، آگاهانه و نهادمند درباره شیوه‌های استفاده مسئولانه از آن‌هاست؛ گفت‌وگویی که می‌تواند در نهایت به تدوین چارچوبی بومی برای «علم‌سنجی انسان-هوش مصنوعی‌محور» بینجامد. در چنین افقی، پژوهشگر علم‌سنجی نه رقیب هوش مصنوعی، بلکه تنظیم‌گر اخلاقی و علمی تعامل با آن است؛ نقشی که هم اصالت علم را پاس می‌دارد و هم مسیر تحول آینده را روشن‌تر می‌سازد.بنابراین، پرسش اساسی امروز دیگر این نیست که آیا باید از هوش مصنوعی در علم‌سنجی استفاده کرد یا نه، بلکه این است که چگونه می‌توان این استفاده را به‌گونه‌ای طراحی کرد که هم اثربخش باشد و هم با اهداف کلان سیاست علم هم‌سو بماند؛ چگونه می‌توان بدون تضعیف استانداردهای ذاتی نقش پژوهشگر- از جمله چارچوب CRediT-، از مدل‌های زبانی بزرگ در توسعه پژوهش‌های علم‌سنجی بهره گرفت؛ و چگونه می‌توان به چارچوب‌ها و ضوابطی روشن برای مدل‌های پژوهشی مبتنی بر تعامل انسان–هوش مصنوعی دست یافت. بی‌تردید، اندیشمندان و پژوهشگران حوزه علم‌سنجی، با نگاهی انتقادی و سنجش‌گرانه به پدیده نوظهور هوش مصنوعی مولد و با پاسخ‌گویی به چنین پرسش‌های تأمل‌برانگیزی، خواهند توانست مسیر بهره‌گیری هوشمندانه و مسئولانه از این ابزار نوین را هموار سازند و فرصت‌های تازه‌ای را پیشِ روی جامعه علم‌سنجی قرار دهند.