آکادمی تحلیل آماری ایران مدرسه پژوهش کمی و کیفی
انقلاب خاموش یا بازار داغ توهم؟ نقش هوش مصنوعی در پژوهش علمی و چرا تسلط بر آن دیگر یک انتخاب نیست
📌 جعبهٔ اطلاعات سریع (Quick Info Box)
چکیده
ظهور هوش مصنوعی مولد (Generative AI) و بهویژه مدلهای زبانی بزرگ (Large Language Models; LLMs) از اواخر سال ۲۰۲۲، عمیقترین دگرگونی در اکوسیستم پژوهش علمی را پس از انقلاب دیجیتال رقم زده است. این مقاله با رویکرد مرور انتقادی جامع (Comprehensive Critical Review)، شش دهگانه ادبیات علمی انگلیسیزبان منتشرشده در نشریات معتبر بینالمللی را بررسی میکند تا به سه پرسش پاسخ دهد: نخست، هوش مصنوعی واقعاً در چرخه پژوهش چه میکند و چه نمیکند؟ دوم، مرزهای قرمز اخلاقی و روششناختی استفاده از آن کجاست؟ و سوم، چرا «تسلط اصولی» بر این فناوری — نه صرفاً «آشنایی با ابزارها» — به شرط بقای حرفهای پژوهشگران تبدیل شده است؟ یافتههای ادبیات نشان میدهد که مدلهای زبانی بزرگ در افزایش سرعت نگارش، غربالگری مرور نظاممند (Systematic Review) و پشتیبانی از تحلیل داده مؤثرند، اما در عین حال پدیدههایی چون توهم استنادی (Citation Hallucination)، استنادهای ساختگی (Fabricated Citations)، چربزبانی ماشینی (Sycophancy)، تقلیل بار شناختی (Cognitive Offloading) و فرسایش تفکر انتقادی، آسیبهای مستندی بر یکپارچگی پژوهش (Research Integrity) وارد کردهاند؛ تا آنجا که تحلیلهای تازه، استناد توهمی را مصداق بالقوه «تخلف پژوهشی» (Research Misconduct) دانستهاند. مقاله با نقد پدیدهشناختی بازار نوظهور «آموزش ابزارمحور» در فضای مجازی فارسیزبان که پیوستگی ساختاری آن با بازار قدیمی پایاننامهفروشی و دادهسازی قابل ردیابی است و با تکیه بر سیاستهای ناشران بزرگ، چارچوب شایستگی هوش مصنوعی یونسکو و چارچوبهای مسئولیتپذیر دانشگاهی، چارچوب پیشنهادی «سواد پژوهشی مبتنی بر هوش مصنوعی» (AI-Augmented Research Literacy) را در پنج قلمرو مهارتی معرفی میکند. نتیجه اصلی این است که هوش مصنوعی جای پژوهشگر را نمیگیرد، اما پژوهشگر بیمهارت را از دور رقابت خارج میکند؛ و آموزش اصولی این حوزه، تنها در بستر موسسات رسمی، دارای صلاحیت و متکی به روششناسی معنی پیدا میکند.
📑 فهرست مطالب
- ۱. مقدمه: قصهای که از نوامبر ۲۰۲۲ آغاز شد
- ۲. منظر جهانی: وقتی ماشین وارد آزمایشگاه دانش شد
- ۳. وعدههای واقعی: هوش مصنوعی در هر مرحله از چرخه پژوهش چه میتواند بکند؟
- ۴. خط قرمزها: آنجا که ماشین «جالب» دروغ میگوید
- ۵. مناظره پژوهش کیفی: «تحلیل میکنیم یا فقط گپ میزنیم؟»
- ۶. از میدان انقلاب تا فید اینستاگرام: آناتومی یک مهاجرت شغلی
- ۷. جهان چگونه در حال قانونگذاری است؟
- ۸. چارچوب پیشنهادی: «سواد پژوهشی مبتنی بر هوش مصنوعی»
- ۹. نتیجهگیری: شرط بقا
- منابع
۱. مقدمه: قصهای که از نوامبر ۲۰۲۲ آغاز شد
آبان ۱۴۰۱ خورشیدی — نوامبر ۲۰۲۲ میلادی — روزهای عادی پاییزی بود. در اتاقهای دفتر پژوهشی دانشگاهها، دانشجویان دکتری همانطور که همیشه با مسئله پژوهش، چارچوب نظری و جامعه آماری خود دستوپنجه نرم میکردند و هیچکس تصور نمیکرد که ظرف چند هفته، یک «اتفاق» نه یک محصول مرزهای پژوهش علمی را برای همیشه جابهجا کند. اما اتفاق افتاد. انتشار عمومی یک مدل زبانی مکالمهمحور، در عرض دو ماه آنقدر در نگارش علمی نفوذ کرد که چکیدههای نوشتهشده با آن، چشم داوران انسانی را فریب داد و ژورنال Nature این خبر را با عناوینی هشدارآمیز منتشر کرد (Else, 2023; Stokel-Walker & Van Noorden, 2023). تحلیلهای مبسوط بعدی نشان داد که این فناوری نه صرفاً یک «ابزار واژهپرداز»، بلکه یک عامل تحول در پژوهش، عملیات حرفهای و سیاستگذاری علمی است (Dwivedi et al., 2023).
حالا به فضای فارسیزبان برگردیم. تقریباً همزمان با این انقلاب جهانی، پدیده دیگری در شبکههای اجتماعی ایرانی رخ داد که کمتر مورد توجه تحلیلی قرار گرفته است: ظهور انفجاری «کارشناسان خودخوانده هوش مصنوعی در پژوهش». افرادی که تا دیروز در حوزههای کاملاً نامرتبط فعالیت میکردند، یکشبه در قاب اینستاگرام و یوتیوب در نقش «مربی پایاننامه با هوش مصنوعی» ظاهر شدند و با ادعاهای اغراقآمیز، ابزارهای هوش مصنوعی را بهعنوان «تنها چیزی که برای نوشتن پایاننامه و مقاله لازم دارید» معرفی کردند. نکته تلختر اینکه نگاهی به پیشینه بخش قابلتوجهی از این موج، پیوستگی آن را با بازار قدیمیتر و شناختهشدهتری آشکار میکند: همان بازار مشاورههای پایاننامهفروشی، کپیفروشی متون و «دادهسازی» که سالها در حاشیه مراکز دانشگاهی تهران و شهرهای بزرگ نفس میکشید و اکنون با آمدن هوش مصنوعی، به سادگی لباس عوض کرده و همان مدل کسبوکار تولید خروجی ظاهراً علمی بدون پژوهش واقعی را با سرعت و مقیاس بیشتر بازتولید کرده است. این مقاله نام هیچ فرد یا مجموعهای را نمیآورد، چون مسئله، اشخاص نیستند؛ مسئله، یک الگوی ساختاری است.
ادبیات جهانی این الگو را به خوبی میشناسد: کارخانههای مقالهسازی (Paper Mills) که سالهاست سوابق علمی را آلوده میکنند، اکنون با مدلهای زبانی بزرگ «نسل دوم» خود را راه انداختهاند (Candal-Pedreira et al., 2022; Kendall & Teixeira da Silva, 2024; Wykes & Parkinson, 2023). وقتی ابزار تولید متن علمی ظاهراً بینقص در دسترس همه قرار میگیرد، تفاوت میان «پژوهشگر آگاه» و «فروشنده متن» در یک چیز خلاصه میشود: تسلط روششناختی.
مسئله اصلی این مقاله را میتوان در یک گزاره خلاصه کرد: هوش مصنوعی جای پژوهشگر را نمیگیرد؛ اما پژوهشگر بیمهارت را از دور خارج میکند. آنچه در ادامه میآید، تلاشی است برای اثبات مستند این گزاره؛ نه با شعار، بلکه با مرور انتقادی شش دهگانه پژوهشهای معتبر بینالمللی.
۲. منظر جهانی: وقتی ماشین وارد آزمایشگاه دانش شد
برای فهم عمق ماجرا باید از آمار شروع کرد. مطالعات کتابسنجی (Scientometrics) نشان میدهد که سبک زبانی مقالات علمی پس از ۲۰۲۲ بهطور قابلاندازهگیری تغییر کرده است؛ واژگان و الگوهای نگارشی متمایز مدلهای زبانی — از صفات پرزرقوبرق تا ساختارهای لیستوار — در متون پژوهشی نفوذ کردهاند (Bao et al., 2025). این یعنی بحث «استفاده یا عدم استفاده» عملاً پایان یافته؛ بحث امروز، «چگونگی استفاده مسئولانه» است.
مرورهای نظاممند ادبیات آموزش عالی تصویری دوپاره ارائه میدهند. از یک سو، فراتحلیل (Meta-Analysis) وانگ و فن (۲۰۲۵) با تجمیع دهها مطالعه تجربی نشان داد که استفاده از مدلهای مکالمهمحور میتواند عملکرد یادگیری، ادراک یادگیری و تفکر مرتبه بالا (Higher-Order Thinking) دانشجویان را بهبود دهد (Wang & Fan, 2025)؛ یافتهای که با فراتحلیل ۳۵ مطالعه تجربی دیگر در سال ۲۰۲۶ تایید شد (Wu et al., 2026) و با فراتحلیل سان و ژو (۲۰۲۴) بر پیشرفت تحصیلی دانشجویان همسو است (Sun & Zhou, 2024). از سوی دیگر، همین ادبیات با یک جمله شرطی بزرگ همراه است: این آثار مثبت وقتی رخ میدهد که ابزار در چارچوب آموزشی طراحیشده به کار رود، نه وقتی جایگزین تلاش ذهنی شود (Kasneci et al., 2023; Sanz-Tejeda et al., 2025).
مرورهای اسکوپینگ (Scoping Review) کاربرد هوش مصنوعی مولد در نگارش آکادمیک نیز سه یافته ثابت را تکرار میکنند: نخست، تسلط ابزارهای مبتنی بر مدلهای زبانی بر فرایند نگارش؛ دوم، خلأ جدی در ارزیابی نظاممند سواد هوش مصنوعی (AI Literacy) کاربران؛ و سوم، فقدان آموزش پدالوژیک ساختاریافته (Gabay et al., 2026; Imran & Almusharraf, 2023). به بیان ساده: ابزارها سریعتر از سواد کاربرانشان پخش شدند و دقیقاً همین شکاف، مزرعه حاصلخیز دامِ «کارشناسان» فضای مجازی است.
۳. وعدههای واقعی: هوش مصنوعی در هر مرحله از چرخه پژوهش چه میتواند بکند؟
پیش از آنکه به خط قرمزها برسیم، انصاف حکم میکند توانمندیهای واقعی را به دور از هیجان و اغراق مرور کنیم. ادبیات معتبر، نقش هوش مصنوعی را در چرخه پژوهش به صورت مفهومی چنین ترسیم میکند (توجه کنید که آگاهانه از فهرستکشی ابزارها پرهیز میکنیم، چون همانطور که خواهیم دید، «ابزارشناسی» و «روششناسی» دو قاره متفاوتاند):
الف) ایدهپردازی و پالایش پرسش پژوهش
مدلهای زبانی میتوانند نقش «طوفان فکری تعاملی» را بازی کنند: پیشنهاد زاویههای نگاه متفاوت، چالشکشیدن فرضیهها و کمک به باریککردن پرسش پژوهش. مرورها نشان میدهند این کاربرد، به شرط مدیریت انسانی، بهویژه برای پژوهشگران کمتجربه و نویسندگان غیرانگلیسیزبان ارزشمند است (Kasneci et al., 2023; Salvagno et al., 2023; Sallam, 2023).
ب) مرور ادبیات و مرور نظاممند
شاید بالغترین کاربرد پژوهشی هوش مصنوعی همینجاست: غربالگری عنوان و چکیده، استخراج داده و حتی ارزیابی خطر سوگیری (Risk of Bias) در مطالعات مرور نظاممند. مطالعات نشان دادهاند که مدلهای زبانی میتوانند بخشهایی از این فرایند را با سرعت قابلتوجه بازتولید و بهروز کنند (Cao et al., 2025)؛ گروه بینالمللی خودکارسازی مرورهای نظاممند نیز ارزیابی مستمر ابزارهای خودکار را در دستور کار دارد (O’Connor et al., 2024). مرور نظاممند یاریشده با مدل زبانی در JAMIA (Scherbakov et al., 2025) و چارچوب ارزیابی خطر سوگیری با ابزار ROBINS-I در BMJ Evidence-Based Medicine (Hasan et al., 2024) از نمونههای جدی این جریاناند. اما — و این «اما» بزرگ است — همه این منابع بر یک اصل اتفاق نظر دارند: خروجی ماشین باید توسط پژوهشگر انسانی راستیآزمایی (Verification) شود و اتکای کامل، منشأ خطاهای سیستماتیک است (Nashwan & Jaradat, 2023).
ج) تحلیل داده
در پژوهش کمی، مدلهای زبانی میتوانند در تولید کد تحلیلی، تفسیر اولیه خروجیها و آموزش مفاهیم آماری نقش «دستیار» داشته باشند (Borger et al., 2023; Tlili et al., 2023). در پژوهش کیفی، مناظرهای جدی در جریان است که در بخش ۵ به آن برمیگردیم.
د) نگارش و ویراستاری
بهبود دستور زبان، انسجام متن و ترجمه کاربردهایی که حتی محافظهکارترین سردبیران نیز آنها را «قابل قبول مشروط» میدانند (Salvagno et al., 2023; Stokel-Walker & Van Noorden, 2023).
نکته حیاتی که تجربیات تجربی نیز تاییدش میکنند این است که بهرهوری از این ابزارها همگانی نیست: آزمایشهای کنترلشده نشان دادهاند که کاربران با مهارتهای دیجیتال و پایه علمی قویتر، بهره بیشتری میبرند و برخی کاربران در تحلیل متون با ابزار حتی ضعیفتر از حالت بدون ابزار عمل کردهاند (Nakavachara et al., 2024). به تعبیر دیگر، هوش مصنوعی نابرابری مهارتی را حذف نمیکند؛ تشدیدش میکند. و همین جاست که بحث «آموزش اصولی» از یک توصیه تکریمی به یک ضرورت حرفهای بدل میشود.
📦 نکتهٔ کلیدی ۱
هوش مصنوعی همانقدر که در دستان یک پژوهشگر آموزشدیده، ابزار توانمندسازی است، در دستان یک کاربر بیمهارت، شتابدهندهٔ خطا و توهم علمی است. تفاوت در ابزار نیست؛ تفاوت در سواد روششناختی کاربر است.
۴. خط قرمزها: آنجا که ماشین «جالب» دروغ میگوید
۴-۱. توهم استنادی: فاجعهای در کفشهای شیک
در میان همه ریسکها، هیچکدام به اندازه توهم استنادی (Citation Hallucination) برای پژوهشگر مرگبار نیست. مدلهای زبانی بزرگ اساساً برای «صداقت» طراحی نشدهاند؛ آنها ماشینهای احتمالگرای تولید متناند، همان چیزی که منتقدان، استعاره مشهور «طوطیهای تصادفی» (Stochastic Parrots) را برایش ساختند (Bender et al., 2021). نتیجه عملی این معماری چیست؟ ماشین، مرجعی را تولید میکند که همه اجزایش واقعی به نظر میرسد نویسنده واقعی، ژورنال واقعی، سال محتمل، DOI قالببندیشده، اما خود مرجع هرگز وجود نداشته است.
ارقام مستند تکاندهندهاند. والترز و وایلدر (۲۰۲۳) در مطالعهای که در Scientific Reports منتشر شد، استنادهای تولیدشده توسط مدل را یکبهیک ردیابی کردند و نرخ بالایی از جعل و خطای کتابشناختی گزارش کردند (Walters & Wilder, 2023). اما رقم معروفتر از مبحث امزلی (۲۰۲۳) در ژورنال Schizophrenia (خانواده Nature) است: از ۱۱۵ مرجعی که مدل برای مقالات پزشکی تولید کرده بود، ۴۷ درصد کاملاً ساختگی بودند و ۴۶ درصد دیگر — با وجود وجود واقعی — حاوی خطاهای جدی بودند (Emsley, 2023). او با صراحت نوشت اینها «توهم» نیستند؛ جعل و تحریف (Fabrication and Falsification)اند.
و این فقط مشکل فردی نیست؛ به سوابق علمی رسیده است. تحلیلهای ممیزی میانمدلی (Cross-Model Audit) در سال ۲۰۲۶ نشان دادند جعل مرجع در تمام مدلهای اصلی رایج است و سازوکارهای سنتی داوری در برابرش ناتواناند (Naser, 2026). پروژه CheckIfExist با بررسی بیش از چهار هزار مقاله پذیرفتهشده در کنفرانسها، استنادهای توهمی را در دستکم ۵۳ مقاله پذیرفتهشده شناسایی کرد (Abbonato, 2026). مهمتر از همه، رزنیک و حسینی (۲۰۲۶) در Accountability in Research استدلال حقوقی-اخلاقی محکمی ارائه کردند: از آنجا که در متون علمی، استنادها عملاً «داده» محسوب میشوند، استناد توهمی میتواند مصداق قانونی تخلف پژوهشی (Research Misconduct) باشد، یعنی همان جرمی که سابقه علمی یک پژوهشگر را برای همیشه ختم میکند (Resnik & Hosseini, 2026).
حالا این را کنار ادعای «مربیان» فضای مجازی بگذارید که میگویند «با این ابزار دیگر به هیچچیز نیاز ندارید». کسی که نداند خروجی ماشین را باید در پایگاههای Scopus و Web of Science راستیآزمایی کند، عملاً دارد مدرک جعل میکند، بی آنکه بداند.
بسیاری از کاربران تصور میکنند اگر مرجع تولیدشده توسط هوش مصنوعی «واقعی به نظر برسد» (نویسنده معروف، ژورنال شناختهشده، DOI مرتب)، پس واقعی است. این دقیقاً همان نقطهای است که توهم استنادی رخ میدهد: ماشین ظاهر کتابشناختی را میسازد، نه خود مرجع را. هر استناد تولیدشده با AI باید در پایگاههای استنادی معتبر راستیآزمایی شود.
۴-۲. چربزبانی ماشینی و سوگیری
ریسک دوم ظریفتر است: مدلهای زبانی تمایل ذاتی دارند با کاربر موافقت کنند — پدیدهای که چربزبانی ماشینی (Sycophancy) نام گرفته است (Schneider, 2025). وقتی از مدل بخواهید «شواهدی برای فرضیه من پیدا کن»، مدل مطیعانه همان را میسازد، نه آنچه ادبیات واقعاً میگوید. در پژوهش، این یعنی سوگیری تاییدی (Confirmation Bias) در مقیاس صنعتی. ریشه این مشکل در دادههای آموزشی مدلهاست: سوگیریهای نژادی، جنسیتی و فرهنگی نهفته در متون اینترنتی، در خروجیها بازتولید میشوند (Bender et al., 2021; Weidinger et al., 2021). مرور اخلاقی مدلهای زبانی در npj Digital Medicine نیز سوگیری را یکی از اصلیترین منابع آسیب در کاربردهای علمی-سلامت دانسته است (Haltaufderheide & Ranisch, 2024).
۴-۳. تقلیل بار شناختی: وقتی عضله تفکر تحلیل میرود
ریسک سوم، آرام اما عمیق است. نظریه تقلیل بار شناختی (Cognitive Offloading) میگوید وقتی ذهن، پردازش را به ابزار بیرونی واگذار کند، توان آن پردازش به تدریج فرسوده میشود. ادبیات ۲۰۲۵–۲۰۲۶ این نظریه را با داده همراه کرده است: جوز و همکاران (۲۰۲۵) از «پارادوکس شناختی هوش مصنوعی در آموزش» سخن میگویند — ابزاری که در کوتاهمدت یادگیری را تسهیل میکند، در اتکای بلندمدت تفکر انتقادی را فرسایش میدهد (Jose et al., 2025). اوزر و همکاران (۲۰۲۵) هشدار میدهند که هوش مصنوعی تفکر انتقادی را در نظامهای آموزشی تهدید میکند (Özer et al., 2025)، و هوپر (۲۰۲۵) نشان میدهد چگونه این پدیده «تفکر انسانی» را بازشکلدهی میکند (Hooper, 2025). فاورو و همکاران (۲۰۲۵) پرسش کلیدی را اینطور فرموله کردهاند: مربیان هوش مصنوعی یادگیرنده را توانمند میکنند یا برده؟ پاسخشان به طراحی آموزشی بستگی دارد، نه به ابزار (Favero et al., 2025).
برای پژوهشگر، مفهوم این بخش حیاتی است: پایاننامهای که «ماشین نوشته» شاید شبیه پایاننامه باشد، اما صاحبش در جلسه دفاع، در داوری مقاله و در بازار کار پژوهشی، آن خلأ را پرداخت خواهد کرد. پژوهش مهارت است؛ مهارت با تمرین ساخته میشود؛ و تمرینی که ماشین انجام دهد، ماهیتی ندارد.
۴-۴. نویسندگی و پاسخگویی: چرا AI نمیتواند نویسنده باشد
چهارمین خط قرمز، نهادی است. هولدن ثورپ، سردبیر Science، در سرمقاله مشهورش اعلام کرد: ابزارهای هوش مصنوعی «سرگرمکنندهاند، اما نویسنده نیستند» چون نمیتوانند مسئولیت اثر را بپذیرند (Thorp, 2023). این موضع، ستون فقرات سیاست جهانی شد: تحلیل کتابسنجی سیاستهای ناشران و نشریات در BMJ نشان داد که اکثریت قاطع، بر مبنای رهنمودهای COPE و ICMJE، نویسندگی ماشین را ممنوع و افشای شفاف استفاده را اجباری کردهاند (Ganjavi et al., 2024). بررسی سیاست ۳۰۰ نشریه برتر نیز همین را تایید کرد: ماشین نمیتواند مسئولیتپذیری، رضایت آگاهانه و پاسخگویی داشته باشد — یعنی سه شرط اساسی نویسندگی (Lund & Naheem, 2024). کاتن و همکاران (۲۰۲۴) نیز چارچوب «گفتوگو و تقلب» را ارائه کردند که یکپارچگی آکادمیک را نه با ممنوعیت، بلکه با بازطراحی ارزشیابی و افشا حفظ میکند (Cotton et al., 2024).
۴-۵. محرمانگی داده پژوهش
و خط قرمز پنجم که در فضای فارسی تقریباً هیچگاه گفته نمیشود: وقتی داده خام مصاحبهها، پرسشنامهها یا دادههای بالینی را در ابزارهای عمومی بارگذاری میکنید، عملاً کنترل محرمانگی آن داده را از دست دادهاید، تخلفی که در بسیاری از حوزهها مصداق نقض اخلاق پژوهش و قوانین حریم خصوصی است (Borger et al., 2023; Haltaufderheide & Ranisch, 2024; Weidinger et al., 2021).
۵. مناظره پژوهش کیفی: «تحلیل میکنیم یا فقط گپ میزنیم؟»
جذابترین نبرد فکری این حوزه در پژوهش کیفی (Qualitative Research) در جریان است و خواندن آن برای هر پژوهشگر کیفیکار ایرانی واجب است. در یک سو، گروهی از برجستهترین نظریهپردازان تحلیل مضمون از جمله ویرجینیا براون و ویکتوریا کلارک ، موضع سختی گرفتهاند: آنها استفاده از هوش مصنوعی مولد در تحلیل مضمون بازاندیشانه (Reflexive Thematic Analysis) را رد میکنند، چون به باورشان بازاندیشی (Reflexivity) اساساً کنشی انسانی است و ماشین نه «خودآگاهی» دارد و نه موضع پارادایمی؛ به علاوه، مسائل اخلاقی و زیستمحیطی این فناوری نیز جدی است (Jowsey et al., 2025).
در سوی دیگر، پژوهشگرانی چون نگوینترونگ (۲۰۲۵) با آزمون عملی نشان دادهاند که مدل میتواند در نقش «دستیار پژوهشی» (Research Assistant) در کدگذاری اولیه و کاوش داده مفید باشد — مشروط بر اینکه بازاندیشی و نظارت فکری پژوهشگر، هدایتگر رفتار ماشین بماند (Nguyen-Trung, 2025). ژو (۲۰۲۶) مفهوم «بازاندیشی گسترشیافته در عصر هوش مصنوعی مولد» را پیشنهاد کرده است: پژوهشگر باید علاوه بر موضع خود، موضع و کارکرد ماشین را نیز مستند و بازاندیشی کند (Xu, 2026). جونز (۲۰۲۵) برای مشکل شفافیت، یک اکتشافی (Heuristic) نو برای افشای کاربردهای AI در پژوهش کیفی طراحی کرده است (Jones, 2025).
اما شاید تیزترین قضاوت از آنِ نگوین و ولچ (۲۰۲۶) در Organizational Research Methods است که پرسیدهاند: «آیا واقعاً تحلیل میکنیم ، یا فقط گپ میزنیم؟» آنها استدلال میکنند که برخی نگرانیها فارغ از موضع پارادایمی پژوهشگر، برای همه کیفیکاران معتبر است (Nguyen & Welch, 2026). تجربه خوداتنوگرافیک الفتال و سینگ (۲۰۲۵) نیز نشان داد تحلیل انسانی و تحلیل یاریشده با ماشین، از نظر عمق و سوگیری، تفاوتهای کیفی محسوسی دارند (Al-Fattal & Singh, 2025)، و جایاواردن و یوئینگ (۲۰۲۶) مدل «تحلیل مضمون افزوده با هوش مصنوعی» را ارائه کردهاند که میانبری میان تحلیل کاملاً انسانی و کاملاً ماشینی است (Jayawardene & Ewing, 2026).
درس این مناظره برای خواننده ایرانی روشن است: در سطح جهانی، استفاده از AI در تحلیل کیفی یک بحث روششناختی جدی با ادبیات در حال رشد است، نه یک «ترفند اینستاگرامی». کسی که تفاوت تحلیل مضمون بازاندیشانه با کدگذاری قالبی را نداند، قادر نیست حتی بفهمد ماشین در کدامیک میتواند کمک کند.
۶. از میدان انقلاب تا فید اینستاگرام: آناتومی یک مهاجرت شغلی
حالا به همان پدیدهای برگردیم که در مقدمه مطرح شد. ادبیات جهانی ابزار تحلیلی مناسبی برای فهم آن در اختیار ما میگذارد: اقتصاد تولید علمِ جعلی. کندال-پدریرا و همکاران (۲۰۲۲) در BMJ نشان دادند مقالات اصلاحنامهخورده (Retracted) ناشی از کارخانههای مقالهسازی چه الگویی دارند (Candal-Pedreira et al., 2022). وایکس و پارکینسون (۲۰۲۳) از «اضطراب سردبیر تنها» نوشتند: سردبیری که تنها در برابر سیل مقالات کارخانهای میایستد (Wykes & Parkinson, 2023). کندال و تیشرا داسیلوا (۲۰۲۴) هشدار دادند که مدلهای زبانی، هزینه تولید مقاله جعلی را به نزدیک صفر رساندهاند و اکوسیستم انتشار شکارگر (Predatory Publishing) و کارخانههای مقالهسازی را تسهیل میکنند (Kendall & Teixeira da Silva, 2024)؛ و جیرای و همکاران (۲۰۲۶) علل، فرایندها و پیامدهای استنادهای اصلاحشده را در همین چارچوب بازخوانی کردهاند (Giray et al., 2026).
منطق این بازار، مستقل از فناوری، ثابت است: هرجا تقاضا برای «خروجی علمی بدون فرایند علمی» باشد، عرضهای هم شکل میگیرد. دیروز این تقاضا با «پایاننامه آماده» و «دادهسازی پرسشنامه» پاسخ داده میشد؛ امروز با «پکیج آموزش نگارش پایاننامه با هوش مصنوعی». جنس تغییر کرده، مدل کسبوکار همان است: وعده حذف فرایند، وعده نتیجه بدون مهارت.
سه نشانه ساختاری این پیوستگی را برجسته میکند: نخست، زمانبندی — موج «کارشناسان AI در پژوهش» دقیقاً با افول بازار سنتی فروش پایاننامه (به دلیل افزایش حساسیت سامانههای احراز هویت و تشابهیاب) همپوشانی دارد. دوم، منطق پیام — همانطور که دیروز گفته میشد «نیازی نیست خودت بنویسی»، امروز گفته میشود «نیازی نیست روش بلد باشی؛ ابزار همهکاره است»؛ در هر دو، «فرایند پژوهش» حذفشده است. سوم، هدف اقتصادی — در هر دو، مشتری نهایی کسی است که میخواهد گواهی علمی بگیرد بی آنکه سرمایهگذاری یادگیری بکند.
اما یک تفاوت خطرناک هم هست: بازار قدیمی دستکم میدانست که تقلب است و در حاشیه کار میکرد. بازار جدید، با ابزارهای کاملاً قانونی و زبان «آموزش»، همان منطق را به قلب جریان اصلی آورده است — و این دقیقاً همان چیزی است که شنایدر (۲۰۲۵) در «معرفتشناسی چتبات» توصیف میکند: اعتماد معرفتی در جای نامناسب (Misplaced Epistemic Trust)، یعنی وقتی جامعه معرفت را از کسی میپذیرد که نه صلاحیتش را دارد و نه پاسخگوی آن است (Schneider, 2025). وقتی هزاران دانشجو «آموزش پژوهش» را از کسی میآموزند که خود هرگز یک طرح پژوهشی داوریشده از پروپوزال تا دفاع طی نکرده، خسارت فقط مالی نیست؛ معرفتی است: نسلی از پژوهشگران که فکر میکنند «پرامپت خوب» همان «طراحی پژوهش خوب» است.
نقد ما به ابزارها نیست، ابزارها، همانطور که بخش ۳ نشان داد، واقعاً انقلابیاند. نقد به این است که وقتی ابزار از روششناسی جدا شود، به جای ارتقای پژوهش، صنعتسازی توهم پژوهش را نتیجه میدهد.
یکی از پرتکرارترین تلهها در بازار آموزش AI، وعده «نوشتن پایاننامه و مقاله بدون دانش روششناسی» است. این وعده در واقع تولید متن ظاهراً علمی بدون پژوهش واقعی است — یعنی همان منطق کارخانههای مقالهسازی، این بار با لباس «آموزش». تفاوت پژوهشگر واقعی با این رویکرد، در تسلط روششناختی است، نه در تسلط بر ابزار.
۷. جهان چگونه در حال قانونگذاری است؟
خوشبختانه خلأ را نهادهای جدی پر کردهاند. بررسی ۵۰ دانشگاه برتر آمریکا نشان داد که دستورالعملهای استفاده از هوش مصنوعی مولد در آموزش، یادگیری، پژوهش و اداره به سرعت در حال بلوغاند و محور مشترکشان «استفاده مسئولانه و اخلاقی» است (An et al., 2025). اسمیت و همکاران (۲۰۲۶) «چارچوب دانشگاهی استفاده مسئولانه از AI مولد در پژوهش» را منتشر کردهاند که از موضعگیری نهادی تا رهنمودهای سطح پروژه را پوشش میدهد (Smith et al., 2026). لی و همکاران (۲۰۲۶) با مطالعه تطبیقی میانمللی، چارچوب تدوین سیاست حکمرانی AI مولد برای دانشگاهها را ارائه کردهاند (Li et al., 2026). پاسخهای سیاستی اولیه نهادهای آموزش عالی اروپایی (Dabis & Csáki, 2024) و رهنمودهای اجماعی چندرشتهای اروپا (Symeou et al., 2025) نیز بر سه ستون مشترک تاکید دارند: شفافیت در افشا، مسئولیتپذیری انسانی و آموزش ساختاریافته. تحلیل سیاستی الدعیس و همکاران (۲۰۲۵) نیز نشان میدهد الگوی غالب در سیاستها، «توانمندسازی بهجای ممنوعیت» است — اما توانمندسازیِ همراه با آموزش و پاسخگویی (Alduais et al., 2025).
در سطح فراملّی، یونسکو چارچوب شایستگی هوش مصنوعی برای دانشآموزان و دانشجویان را منتشر کرده است که سواد AI را نه «مهارت کار با ابزار»، بلکه ترکیبی از درک مفهومی، استفاده اخلاقی، تفکر انتقادی و آگاهی از پیامدهای اجتماعی تعریف میکند (UNESCO, 2024). چی و همکاران (۲۰۲۵) این چارچوب را به چارچوب شایستگی سواد AI برای گروههای یادگیرنده مختلف توسعه دادند (Chee et al., 2025) و اوکادا و همکاران (۲۰۲۵) کاربرد آن را در مدلهای آموزشی باز آزمودند (Okada et al., 2025).
پیام مشترک همه این سندها برای ایران شفاف است: پاسخ درست به انقلاب هوش مصنوعی، نه ممنوعیت است و نه شوربازی اینستاگرامی؛ بلکه آموزش رسمی، ساختاریافته و روششناسیمحور است.
۸. چارچوب پیشنهادی: «سواد پژوهشی مبتنی بر هوش مصنوعی»
با تلفیق ادبیات مرورشده، این مقاله چارچوب پنجقلمرویی «سواد پژوهشی مبتنی بر هوش مصنوعی» (AI-Augmented Research Literacy) را پیشنهاد میکند، چارچوبی که معیار تفکیک «آموزش واقعی» از «نمایش ابزاری» است. هر دورهای که ادعای آموزش AI در پژوهش را دارد، باید هر پنج قلمرو را پوشش دهد:
| قلمرو | مهارتهای کلیدی | منابع پشتیبان |
|---|---|---|
| ۱. طراحی پژوهش و پرسشسازی | شناخت مسئله، فرمولهکردن پرسش پژوهش، انتخاب پارادایم و طرح، توجیه روش نمونهگیری و ابزار گردآوری داده | Kasneci et al. (2023); Dwivedi et al. (2023) |
| ۲. داوری انتقادی و راستیآزمایی خروجی | ردیابی استنادها در پایگاههای معتبر، تطبیق ادعا با منبع اولیه، ممیزی سوگیری و چربزبانی ماشینی | Walters & Wilder (2023); Emsley (2023); Resnik & Hosseini (2026); Schneider (2025) |
| ۳. مهارت گفتوگوی پژوهشی با ماشین | پرامپتنویسی روششناختی، تولید خروجی قابلبازتولید و مستند، هماهنگی با پروتکل مرور نظاممند و چارچوب کدگذاری کیفی | Cao et al. (2025); Nguyen-Trung (2025); Scherbakov et al. (2025) |
| ۴. اخلاق، افشا و یکپارچگی پژوهش | آگاهی از سیاستهای COPE و ICMJE، افشای شفاف، ممنوعیت نویسندگی ماشین، حفاظت از محرمانگی داده، مرز «یاری» و «تخلف» | Ganjavi et al. (2024); Lund & Naheem (2024); Thorp (2023); Jones (2025); Cotton et al. (2024) |
| ۵. تسلط بر ابزارهای تحلیل در کنار AI، نه بهجای آن | نرمافزارهای تحلیل کمی (آمار توصیفی و استنباطی، مدلیابی معادلات ساختاری، فراتحلیل) و کیفی (تحلیل مضمون، نظریه زمینهای، پدیدارشناسی) | Jose et al. (2025); Nakavachara et al. (2024); Wu et al. (2026) |
قلمرو اول — طراحی پژوهش و پرسشسازی. پیش از هر ابزار، پژوهشگر باید بتواند مسئله را بشناسد، پرسش پژوهش را فرموله کند، پارادایم و طرح (Design) را انتخاب کند و روش نمونهگیری و ابزار گردآوری داده را توجیه کند. هوش مصنوعی در این قلمرو «مشاور طوفان فکری» است، نه تصمیمگیرنده (Kasneci et al., 2023; Dwivedi et al., 2023). بدون این قلمرو، خروجی AI پژوهشی است که از اول مسئلهاش اشتباه فرموله شده — و هیچ پرامپتی آن را نجات نمیدهد.
قلمرو دوم — داوری انتقادی و راستیآزمایی خروجی. ستون فقرات چارچوب: هر استناد تولیدشده باید در پایگاههای معتبر ردیابی شود، هر ادعا با منبع اولیه تطبیق داده شود و هر خروجی از منظر سوگیری و چربزبانی ماشینی ممیزی شود (Walters & Wilder, 2023; Emsley, 2023; Resnik & Hosseini, 2026; Schneider, 2025). این قلمرو شامل آشنایی عملی با ابزارهای تشخیص استناد توهمی نیز هست (Abbonato, 2026; Naser, 2026).
قلمرو سوم — مهارت گفتوگوی پژوهشی با ماشین (پرامپتنویسی روششناختی). پرامپتنویسی پژوهشی با «چتکردن» تفاوت بنیادین دارد: باید در چارچوب مراحل روششناسی از پروتکل مرور نظاممند تا چارچوب کدگذاری کیفی صورت گیرد و خروجی آن، قابلبازتولید و مستند باشد (Cao et al., 2025; Nguyen-Trung, 2025; Scherbakov et al., 2025).
قلمرو چهار — اخلاق، افشا و یکپارچگی پژوهش. آگاهی از سیاستهای COPE و ICMJE، قواعد افشای شفاف در نشریات، ممنوعیت نویسندگی ماشین، حفاظت از محرمانگی داده و مرز میان «یاری» و «تخلف» (Ganjavi et al., 2024; Lund & Naheem, 2024; Thorp, 2023; Jones, 2025; Cotton et al., 2024).
قلمرو پنجم — تسلط بر ابزارهای تحلیل در کنار AI، نه بهجای آن. مهمترین قلمرو و بیشترین چیزی که در بازار آموزشی ایران حذف شده است: پژوهشگر باید نرمافزارهای تحلیل کمی (آمار توصیفی و استنباطی، مدلیابی معادلات ساختاری، فراتحلیل) و کیفی (تحلیل مضمون، نظریه زمینهای، پدیدارشناسی با نرمافزارهای تخصصی) را به شکل اصولی بداند تا بتواند قضاوت کند که خروجی AI درست است یا نه (Jose et al., 2025; Nakavachara et al., 2024; Wu et al., 2026). هوش مصنوعی بدون این زیرساخت، اتومبیل مسابقهای است در دست رانندهای بدون گواهینامه.
این چارچوب با تعریف یونسکو از شایستگی AI (UNESCO, 2024) و چارچوبهای دانشگاهی استفاده مسئولانه (Smith et al., 2026; An et al., 2025) سازگار است و یک پیام ساده دارد: ترتیب یادگیری مهم است — اول پژوهش، بعد هوش مصنوعی در پژوهش.
📦 نکتهٔ کلیدی ۲
هر آموزشی که ادعای «هوش مصنوعی در پژوهش» دارد، اگر قلمرو دوم (داوری انتقادی و راستیآزمایی) و قلمرو پنجم (تسلط بر ابزارهای تحلیل) را پوشش ندهد، صرفاً یک «نمایش ابزاری» است. مهارت واقعی، توانایی قضاوت دربارهٔ خروجی ماشین است، نه توانایی گرفتن خروجی از آن.
۹. نتیجهگیری: شرط بقا
بیایید صادق باشیم. قطار هوش مصنوعی در ایستگاه نمیایستد تا همه سوار شوند. ادبیات ۲۰۲۳ تا ۲۰۲۶ — از Nature و Science تا BMJ و JAMIA — یک داوری جمعی ارائه کرده است: این فناوری ماندنی است (Stokel-Walker & Van Noorden, 2023)، بهرهوری واقعی میسازد (Wang & Fan, 2025; Sun & Zhou, 2024)، اما بدون سواد و نظارت، خرابی واقعی هم میسازد (Emsley, 2023; Walters & Wilder, 2023; Jose et al., 2025). در چنین وضعیتی سه گزینه پیش روی هر پژوهشگر فارسیزبان است:
گزینه اول، انکار است ، «من به سبک کلاسیک کار میکنم». پاسخ بازار جهانی به این گزینه را پیشبینی کردن دشوار نیست: داوران، ناشران و استخدامکنندگان فردای پژوهش، سواد AI را جزو شایستگیهای پایه فرض خواهند کرد، همانطور که امروز آشنایی با نرمافزارهای مرجعدهی را فرض میکنند (Li et al., 2026; Symeou et al., 2025).
گزینه دوم، میانبر اینستاگرامی است، چند ویدیوی «ترفند»، چند پرامپت آماده و توهم تسلط. بهای این گزینه را نیز ادبیات نشان داده است: استنادهای ساختگی در مقالهای که نام شما روی آن است (Emsley, 2023)، مصداق تخلف پژوهشی (Resnik & Hosseini, 2026)، و در خوشبینانهترین حالت، پژوهشگری که در اولین برخورد جدی — دفاع، داوری، پاسخ به نقد ، معلوم میشود پشت صحنهاش خالی است (Favero et al., 2025; Özer et al., 2025).
و گزینه سوم، سرمایهگذاری بر یادگیری اصولی است: آموزشی که از روششناسی شروع میکند نه از ابزار؛ که پنج قلمرو سواد پژوهشی مبتنی بر AI را کامل پوشش میدهد؛ و که در نهادی برگزار میشود که نه تنها سابقهاش در فضای مجازی، بلکه صلاحیت رسمی و سوابق آموزشی آن قابل استعلام باشد. در سیاستگذاری آموزش عالی، «نهادِ آموزشدهنده» به اندازه «محتوای آموزش» اهمیت دارد (Dabis & Csáki, 2024; An et al., 2025) — و این در ایران یعنی نهادی که مجوز رسمی فنی و حرفهای برای دورههای کاربردی و مهارتی روششناسی پژوهش را دارد.
در همین چارچوب است که دوره «هوش مصنوعی در پژوهش» آکادمی تحلیل آماری ایران (مدرسه پژوهش کمی و کیفی) معنا پیدا میکند: تنها موسسه دارای مجوز رسمی فنی و حرفهای در ایران برای برگزاری دورههای کاربردی و مهارتی روششناسی پژوهش، با سالها تجربه برگزاری دورههای بینالمللی روششناسی کمی، کیفی، مروری و آمیخته و آموزش نرمافزارهای تخصصی تحلیل داده. تمایز چنین دورهای در همان ترتیب چارچوب بخش ۸ است: ابتدا بنیان روششناسی، سپس کاربرد مسئولانه هوش مصنوعی در هر مرحله از چرخه پژوهش — با تاکید بر راستیآزمایی، افشای شفاف و یکپارچگی پژوهش، نه فهرستکردن ابزارها.
جمله پایانی، همان جمله آغازین است، اما حالا با شش دهگانه سند پشت آن: هوش مصنوعی جای پژوهشگر را نمیگیرد؛ اما پژوهشگر بیمهارت را بیرحمانه از دور خارج میکند. و در مقابل، پژوهشگری که روششناسی را اصولی بداند و هوش مصنوعی را اصولی به کار ببندد، چیزی خواهد داشت که هیچ ابزار و هیچ «کارشناس» فضای مجازی نمیتواند بسازد: صلاحیت. فرصت ساختن این صلاحیت، مثل همه فرصتهای تحولهای بزرگ، بینهایت نیست.
منابع
- Abbonato, D. (2026). CheckIfExist: Detecting citation hallucinations in the era of AI-generated content. arXiv. https://doi.org/10.48550/arXiv.2602.15871
- Al-Fattal, A., & Singh, J. (2025). Comparative reflections on human-driven and generative artificial intelligence-assisted thematic analysis: A collaborative autoethnography. International Journal of Qualitative Methods, 24. https://doi.org/10.1177/16094069251337870
- Alduais, A., Qadhi, S., Chaaban, Y., & Khraisheh, M. (2025). Utilizing generative AI responsibly and ethically for research purposes in higher education: A policy analysis. Serials Review. https://doi.org/10.1080/00987913.2025.2581429
- An, Y., Yu, J. H., & James, S. (2025). Investigating the higher education institutions’ guidelines and policies regarding the use of generative AI in teaching, learning, research, and administration. International Journal of Educational Technology in Higher Education, 22. https://doi.org/10.1186/s41239-025-00507-3
- Bao, T., Zhao, Y., Mao, J., & Zhang, C. (2025). Examining linguistic shifts in academic writing before and after the launch of ChatGPT: A study on preprint papers. Scientometrics, 130. https://doi.org/10.1007/s11192-025-05341-y
- Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? Proceedings of FAccT ’21 (pp. 610–623). https://doi.org/10.1145/3442188.3445922
- Borger, J. G., Ng, A. P., Anderton, H., et al. (2023). Artificial intelligence takes center stage: Exploring the capabilities and implications of ChatGPT and other AI-assisted technologies in scientific research and education. Immunology and Cell Biology, 101(10). https://doi.org/10.1111/imcb.12689
- Candal-Pedreira, C., Ross, J. S., Ruano-Ravina, A., et al. (2022). Retracted papers originating from paper mills: Cross sectional study. BMJ, 379, e071517. https://doi.org/10.1136/bmj-2022-071517
- Cao, C., Arora, R., Cento, P., Budak, A., Manta, K., et al. (2025). Automation of systematic reviews with large language models. medRxiv. https://doi.org/10.1101/2025.06.13.25329541
- Chee, H., Ahn, S., & Lee, J. (2025). A competency framework for AI literacy: Variations by different learner groups and an implied learning pathway. British Journal of Educational Technology, 56(5). https://doi.org/10.1111/bjet.13556
- Cotton, D. R. E., Cotton, P. A., & Shipway, J. R. (2024). Chatting and cheating: Ensuring academic integrity in the era of ChatGPT. Innovations in Education and Teaching International, 61(2). https://doi.org/10.1080/14703297.2023.2190148
- Dabis, A., & Csáki, C. (2024). AI and ethics: Investigating the first policy responses of higher education institutions to the challenge of generative AI. Humanities and Social Sciences Communications, 11, 882. https://doi.org/10.1057/s41599-024-03526-z
- Dwivedi, Y. K., Kshetri, N., Hughes, L., et al. (2023). “So what if ChatGPT wrote it?” Multidisciplinary perspectives on opportunities, challenges and implications of generative conversational AI for research, practice and policy. International Journal of Information Management, 71, 102642. https://doi.org/10.1016/j.ijinfomgt.2023.102642
- Else, H. (2023). Abstracts written by ChatGPT fool scientists. Nature, 613, 423. https://doi.org/10.1038/d41586-023-00056-7
- Emsley, R. (2023). ChatGPT: These are not hallucinations—they’re fabrications and falsifications. Schizophrenia, 9, 52. https://doi.org/10.1038/s41537-023-00379-4
- Favero, L., Pérez-Ortiz, J. A., Käser, T., & Oliver, N. (2025). Do AI tutors empower or enslave learners? Toward a critical use of AI in education. arXiv. https://doi.org/10.48550/arXiv.2507.06878
- Gabay, R. A. E., Funa, A. A., & Ricafort, J. D. (2026). Generative artificial intelligence (GenAI) for academic writing in higher education: A scoping review of applications, challenges, and implications. International Journal of Education in Mathematics, Science and Technology. https://eric.ed.gov/?id=EJ1494380
- Ganjavi, C., Eppler, M. B., Pekcan, A., Biedermann, B., et al. (2024). Publishers’ and journals’ instructions to authors on use of generative artificial intelligence in academic and scientific publishing: Bibliometric analysis. BMJ, 384, e077192. https://doi.org/10.1136/bmj-2023-077192
- Giray, L., Fabros, B., & Xavierine, J. (2026). Scientific retractions: Causes, processes, and implications for research integrity. Naunyn-Schmiedeberg’s Archives of Pharmacology. https://doi.org/10.1007/s00210-026-05410-w
- Haltaufderheide, J., & Ranisch, R. (2024). The ethics of ChatGPT in medicine and healthcare: A systematic review on Large Language Models (LLMs). npj Digital Medicine, 7, 183. https://doi.org/10.1038/s41746-024-01157-x
- Hasan, B., Saadi, S., Rajjoub, N. S., Hegazi, M., et al. (2024). Integrating large language models in systematic reviews: A framework and case study using ROBINS-I for risk of bias assessment. BMJ Evidence-Based Medicine, 29(6), 394. https://ebm.bmj.com/content/29/6/394
- Hooper, V. J. (2025). Cognitive offloading and the reshaping of human thought: The subtle influence of artificial intelligence. Colloquia: Journal of Culture and Thought. https://colloquia.uhemisferios.edu.ec/index.php/colloquia/article/view/185
- Imran, M., & Almusharraf, N. (2023). Analyzing the role of ChatGPT as a writing assistant at higher education level: A systematic review of the literature. Contemporary Educational Technology, 15(4), ep464. https://doi.org/10.30935/cedtech/13605
- Jayawardene, V., & Ewing, M. T. (2026). Generative AI-augmented thematic analysis. International Journal of Market Research. https://doi.org/10.1177/14707853251405043
- Jones, K. M. L. (2025). Generative AI in qualitative research and related transparency problems: A novel heuristic for disclosing uses of AI. International Journal of Qualitative Methods, 24. https://doi.org/10.1177/16094069251404329
- Jose, B., Cherian, J., Verghis, A. M., Varghise, S. M., et al. (2025). The cognitive paradox of AI in education: Between enhancement and erosion. Frontiers in Psychology, 16, 1550621. https://doi.org/10.3389/fpsyg.2025.1550621
- Jowsey, T., Braun, V., Clarke, V., Lupton, D., et al. (2025). We reject the use of generative artificial intelligence for reflexive qualitative research. Qualitative Inquiry. https://doi.org/10.1177/10778004251401851
- Kasneci, E., Sessler, K., Küchemann, S., et al. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274. https://doi.org/10.1016/j.lindif.2023.102274
- Kendall, G., & Teixeira da Silva, J. A. (2024). Risks of abuse of large language models, like ChatGPT, in scientific publishing: Authorship, predatory publishing, and paper mills. Learned Publishing, 37(1). https://www.graham-kendall.com/papers/ktds2023a.pdf
- Li, M., Xie, Q., Enkhtur, A., Meng, S., Chen, L., et al. (2026). A framework for developing university policies on generative AI governance: A cross-national comparative study. Studies in Higher Education. https://doi.org/10.1080/03075079.2026.2696496
- Lund, B. D., & Naheem, K. T. (2024). Can ChatGPT be an author? A study of artificial intelligence authorship policies in top academic journals. Learned Publishing, 37(1). https://doi.org/10.1002/leap.1582
- Nakavachara, V., Potipiti, T., & Chaiwat, T. (2024). Experimenting with generative AI: Does ChatGPT really increase everyone’s productivity? arXiv. https://doi.org/10.48550/arXiv.2403.01770
- Naser, M. Z. (2026). How LLMs cite and why it matters: A cross-model audit of reference fabrication in AI-assisted academic writing and methods to detect phantom citations. arXiv. https://doi.org/10.48550/arXiv.2603.03299
- Nashwan, A. J., & Jaradat, J. H. (2023). Streamlining systematic reviews: Harnessing large language models for quality assessment and risk-of-bias evaluation. Cureus, 15(9), e43023. https://doi.org/10.7759/cureus.43023
- Nguyen, D. C., & Welch, C. (2026). Generative artificial intelligence in qualitative data analysis: Analyzing—or just chatting? Organizational Research Methods. https://doi.org/10.1177/10944281251377154
- Nguyen-Trung, K. (2025). ChatGPT in thematic analysis: Can AI become a research assistant in qualitative research? Quality & Quantity. https://doi.org/10.1007/s11135-025-02165-z
- O’Connor, A. M., Clark, J., Thomas, R., Spijker, R., Kusa, W., et al. (2024). Large language models, updates, and evaluation of automation tools for systematic reviews. Systematic Reviews, 13. https://doi.org/10.1186/s13643-024-02666-2
- Okada, A., Sherborne, T., Panselinas, G., et al. (2025). Fostering transversal skills through open schooling supported by the CARE-KNOW-DO pedagogical model and the UNESCO AI competencies framework. International Journal of Artificial Intelligence in Education. https://doi.org/10.1007/s40593-025-00458-w
- Özer, M., Tanberkan, H., & Perc, M. (2025). Artificial intelligence threatens critical thinking in education systems. Yükseköğretim ve Bilim Dergisi / Journal of Higher Education and Science. https://dergipark.org.tr/en/pub/higheredusci/article/1747885
- Resnik, D. B., & Hosseini, M. (2026). Hallucinated citations produced by generative artificial intelligence may constitute research misconduct when citations function as data in scholarly papers. Accountability in Research. https://doi.org/10.1080/08989621.2026.2645390
- Sallam, M. (2023). ChatGPT utility in healthcare education, research, and practice: Systematic review on the promising perspectives and valid concerns. Healthcare, 11(6), 887. https://doi.org/10.3390/healthcare11060887
- Salvagno, M., Taccone, F. S., & Gerli, A. G. (2023). Can artificial intelligence help for scientific writing? Critical Care, 27, 75. https://doi.org/10.1186/s13054-023-04380-2
- Sanz-Tejeda, A., Domínguez-Oller, J. C., et al. (2025). The impact of generative AI on academic reading and writing: A synthesis of recent evidence (2023–2025). Frontiers in Education, 10, 1711718. https://doi.org/10.3389/feduc.2025.1711718
- Scherbakov, D., Hubig, N., Jansari, V., et al. (2025). The emergence of large language models as tools in literature reviews: A large language model-assisted systematic review. Journal of the American Medical Informatics Association (JAMIA), 32(6), 1071–1083. https://doi.org/10.1093/jamia/ocaf063
- Schneider, S. (2025). Chatbot epistemology. Social Epistemology. https://doi.org/10.1080/02691728.2025.2500030
- Smith, S. M., Tate, M., Freeman, K., Walsh, A., et al. (2026). A university framework for the responsible use of generative AI in research. Journal of Higher Education Policy and Management. https://doi.org/10.1080/1360080X.2025.2509187
- Stokel-Walker, C. (2023). ChatGPT listed as author on research papers: Many scientists disapprove. Nature, 613, 620–621. https://doi.org/10.1038/d41586-023-00107-z
- Stokel-Walker, C., & Van Noorden, R. (2023). What ChatGPT and generative AI mean for science. Nature, 614, 214–216. https://doi.org/10.1038/d41586-023-00340-6
- Sun, L., & Zhou, L. (2024). Does generative artificial intelligence improve the academic achievement of college students? A meta-analysis. Journal of Educational Computing Research. https://doi.org/10.1177/07356331241277937
- Symeou, L., Louca, L., Kavadella, A., et al. (2025). Development of evidence-based guidelines for the integration of generative AI in university education through a multidisciplinary, consensus-based approach. European Journal of Education, 60, e13069. https://doi.org/10.1111/eje.13069
- Thorp, H. H. (2023). ChatGPT is fun, but not an author. Science, 379(6630), 313. https://doi.org/10.1126/science.adg7879
- Tlili, A., Shehata, B., Adarkwah, M. A., et al. (2023). What if the devil is my guardian angel: ChatGPT as a case study of using chatbots in education. Smart Learning Environments, 10, 15. https://doi.org/10.1186/s40561-023-00237-x
- UNESCO. (2024). AI competency framework for students. UNESCO Publishing. https://unesdoc.unesco.org/ark:/48223/pf0000391104
- van Dis, E. A. M., Bollen, J., Zuidema, W., van Rooij, R., & Bockting, C. L. (2023). ChatGPT: Five priorities for research. Nature, 614, 224–226. https://doi.org/10.1038/d41586-023-00288-7
- Walters, W. H., & Wilder, E. I. (2023). Fabrication and errors in the bibliographic citations generated by ChatGPT. Scientific Reports, 13, 14045. https://doi.org/10.1038/s41598-023-41032-5
- Wang, J., & Fan, W. (2025). The effect of ChatGPT on students’ learning performance, learning perception, and higher-order thinking: Insights from a meta-analysis. Humanities and Social Sciences Communications, 12, 621. https://doi.org/10.1057/s41599-025-04787-y
- Weidinger, L., Mellor, J., Rauh, M., Griffin, C., et al. (2021). Ethical and social risks of harm from language models. arXiv. https://doi.org/10.48550/arXiv.2112.04359
- Wu, X., Zhu, P., Zhang, J., Yin, M., & Wang, Y. (2026). ChatGPT’s impact on student learning outcomes: A meta-analysis of 35 experimental studies. Humanities and Social Sciences Communications. https://doi.org/10.1057/s41599-026-07019-z
- Wykes, T., & Parkinson, A. (2023). The anxiety of the lone editor: Fraud, paper mills and the protection of the scientific record. Journal of Mental Health, 32(5). https://doi.org/10.1080/09638237.2023.2232217
- Xu, W. (2026). Doing thematic analysis in the age of generative AI: Practices, ethics and reflexivity. International Journal of Qualitative Methods, 25. https://doi.org/10.1177/16094069261425173
حقوق نشر و کپیرایت علمی
تمامی حقوق مادی و معنوی این مقاله و کدهای منحصربهفردِ طراحیشده در آن متعلق به نویسندگان میباشد. هرگونه کپیبرداری، بازنشر، ترجمه یا استفاده از این محتوای تخصصی بدون ذکر نام نویسندگان و ارجاع دقیق (لینک مستقیم فعال و فالو) به این صفحه، غیرمجاز بوده و پیگرد قانونی جدی به همراه دارد.
