پژوهش های دکتر احسان محمدی

Is generative AI reshaping academic practices worldwide? A survey of adoption, benefits, and concerns

Information Processing & Management، ۲۰۲۶ | احسان محمدی و همکاران

DOI: 10.1016/j.ipm.2025.104350

چکیده (به فارسی): این پژوهش با استفاده از یک پیمایش بین‌المللی، نحوه به‌کارگیری هوش مصنوعی مولد را در فعالیت‌های پژوهشی و آموزشی دانشگاهیان بررسی می‌کند. نتایج نشان می‌دهد که بسیاری از اعضای هیئت علمی، پژوهشگران و دانشجویان از این ابزارها برای ایده‌پردازی، ویرایش متن، تحلیل داده و طراحی فعالیت‌های آموزشی استفاده می‌کنند، اما در عین حال نسبت به مسائلی مانند تقلب علمی، سوگیری الگوریتمی، نقض حریم خصوصی و کاهش مهارت‌های سنتی نوشتن و تفکر انتقادی نگران هستند. تفاوت‌هایی میان حوزه‌های علمی، مناطق جغرافیایی و گروه‌های جمعیتی مختلف دیده می‌شود که نشان‌دهنده نیاز به سیاست‌گذاری روشن، راهنماهای اخلاقی و برنامه‌های سواد هوش مصنوعی در آموزش عالی است.

Keywords (EN): Generative AI; AI in research; AI in teaching; AI in higher education

کلیدواژه‌ها (فا): هوش مصنوعی مولد؛ هوش مصنوعی در پژوهش؛ هوش مصنوعی در آموزش؛ هوش مصنوعی در آموزش عالی

Who is a scientist? Gender and racial biases in Google Vision AI

AI and Ethics، ۲۰۲۵ | احسان محمدی و همکاران

DOI: 10.1007/s43681-025-00742-4

چکیده (به فارسی): این مقاله بررسی می‌کند که سرویس Google Vision AI چگونه تصاویر دانشمندان را از نظر جنسیت و نژاد برچسب‌گذاری می‌کند. با استفاده از مجموعه‌ای از تصاویر که ترکیب متنوعی از زنان و مردان و همچنین گروه‌های نژادی مختلف را شامل می‌شود، نتایج نشان می‌دهد که این سامانه بیشتر تصاویر را به عنوان «مرد» و «سفیدپوست» برچسب می‌زند. تصاویر زنان و افراد غیرسفیدپوست در بسیاری از موارد با برچسب‌هایی مرتبط با ظاهر، زیبایی یا نقش‌های کلیشه‌ای توصیف می‌شوند و کمتر به عنوان «دانشمند» یا عنوان‌های حرفه‌ای مشابه شناخته می‌شوند. این یافته‌ها نشان می‌دهد که مدل‌های تشخیص تصویر می‌توانند سوگیری‌های اجتماعی و داده‌های آموزشی نابرابر را بازتولید کنند و بر این اساس، ضرورت توجه به عدالت الگوریتمی، شفافیت و ارزیابی مستمر سوگیری در سامانه‌های بینایی ماشین را برجسته می‌کند.

Keywords (EN): AI fairness; AI biases; Visual content perception; Algorithmic fairness

کلیدواژه‌ها (فا): انصاف در هوش مصنوعی؛ سوگیری‌های هوش مصنوعی؛ ادراک محتوای بصری؛ انصاف الگوریتمی

Cutting through the noise to motivate people: COVID-19 social media posts de/motivating vaccination

Natural Language Processing Journal، ۲۰۲۴ | احسان محمدی و همکاران

DOI: 10.1016/j.nlp.2024.100085

چکیده (به فارسی): این پژوهش با بهره‌گیری از روش‌های پردازش زبان طبیعی و تحلیل محتوا، پیام‌های مرتبط با واکسن کووید ۱۹ در شبکه‌های اجتماعی را که می‌توانند مردم را به واکسیناسیون تشویق یا از آن منصرف کنند، بررسی می‌کند. مطالعه نشان می‌دهد که ترکیب اطلاعات دقیق علمی با روایت‌های احساسی مثبت و تأکید بر مسئولیت جمعی، انگیزش به واکسیناسیون را افزایش می‌دهد، در حالی که پیام‌های مملو از ترس، بی‌اعتمادی به نهادها، نظریه‌های توطئه و تأکید بر عوارض نادر، تردید و امتناع از واکسن را تقویت می‌کنند. نتایج برای طراحی کمپین‌های ارتباطی سلامت که هم از نظر احساسی و هم از نظر اطلاعاتی کارآمد باشند، راهنماهای عملی ارائه می‌دهد.

Keywords (EN): Misinformation; Motivation; Vaccine hesitancy; Science communication; Social media; Social psychology

کلیدواژه‌ها (فا): اطلاعات نادرست؛ انگیزش؛ تردید درباره واکسن؛ ارتباطات علمی؛ شبکه‌های اجتماعی؛ روان‌شناسی اجتماعی

Public interest in science or bots? Selective amplification of scientific articles on Twitter

Aslib Journal of Information Management، ۲۰۲۴ | احسان محمدی و همکاران

DOI: 10.1108/AJIM-01-2024-00503

چکیده (به فارسی): این مقاله بررسی می‌کند که آیا تعامل با مقالات علمی در توییتر عمدتا حاصل علاقه واقعی کاربران است یا بخشی از آن توسط حساب‌های خودکار (بات‌ها) ساخته می‌شود. با استفاده از داده‌های آلتمتریک و ابزارهایی برای تشخیص بات، نویسندگان نشان می‌دهند که بخش قابل‌توجهی از بازنشرها توسط حساب‌های خودکار انجام می‌شود که به صورت گزینشی روی موضوعات خاص، مجلات مشخص یا سازمان‌های ویژه تمرکز دارند. در عین حال، تعامل انسانی همچنان نقش مهمی در دیده‌شدن پژوهش‌ها دارد، اما ترکیب این دو نوع انتشار، تصویری پیچیده از «توجه عمومی» به علم ارائه می‌کند که لزوما به معنای علاقه خودانگیخته شهروندان نیست. مقاله بر ضرورت تفسیر محتاطانه آلتمتریک‌ها و در نظر گرفتن نقش بات‌ها در تحلیل توجه آنلاین به علم تأکید می‌کند.

Keywords (EN): Social media; Twitter; Altmetric; Botometer; Spam prediction; Bots; Academia

کلیدواژه‌ها (فا): شبکه‌های اجتماعی؛ توییتر؛ آلتمتریک؛ Botometer؛ پیش‌بینی اسپم؛ بات‌ها؛ دانشگاه و پژوهش

Assessment of Accuracy, User Engagement, and Themes of Eating Disorder Content in Social Media Short Videos

JAMA Network Open، ۲۰۲۳ | احسان محمدی و همکاران

DOI: 10.1001/jamanetworkopen.2023.8897

چکیده (به فارسی): این مطالعه به صورت نظام‌مند مجموعه‌ای از ویدئوهای کوتاه مرتبط با اختلالات خوردن را در پلتفرم‌های رسانه اجتماعی بررسی می‌کند تا درستی اطلاعات پزشکی, سطح تعامل کاربران و الگوهای محتوایی را ارزیابی کند. متخصصان سلامت, ویدئوها را از نظر هم‌خوانی با شواهد علمی, نوع پیام (حمایت از درمان, عادی‌سازی رفتار ناسالم, تجربیات شخصی و غیره) و وجود عناصر بالقوه مضر کدگذاری کردند. نتایج نشان می‌دهد که اگرچه این ویدئوها حجم بالایی از بازدید, لایک و اشتراک‌گذاری را جذب می‌کنند, بخش قابل‌توجهی از آنها حاوی اطلاعات ناقص, گمراه‌کننده یا پیام‌هایی است که می‌تواند رفتارهای ناسالم را عادی‌سازی یا تقویت کند. مقاله بر نیاز به مداخله‌ سیاست‌گذاران, پلتفرم‌ها و متخصصان سلامت برای ترویج محتوای معتبر و کاهش انتشار پیام‌های آسیب‌زا تأکید می‌کند.

Keywords (EN): Eating disorders; Social media; Short videos; TikTok; Misinformation; User engagement; Health communication

کلیدواژه‌ها (فا): اختلالات خوردن؛ شبکه‌های اجتماعی؛ ویدئوی کوتاه؛ تیک‌تاک؛ اطلاعات نادرست؛ تعامل کاربر؛ ارتباطات سلامت