برنامه ای رایانه ای که برجسته ترین دانشمندان مغز دوران مدرن را رتبه بندی کرد

به گزارش بولتن نیوز، وقتی صحبت از تحقیقات برجسته علم عصب شناسی به میان می آید، دانشکده دانشگاه لندن (UCL) حرف زیادی برای گفتن دارد. این جمله، گفته یک انسان نیست،  بلکه خروجی یک برنامه رایانه ایست که در حال حاضر، محتوای ۲.۵ میلیون مقاله علم مطالعه عصب را تجزیه کرده، همه نقل قولهای بین آنها را مشخص کرده و امتیاز نفود هر محقق نسبت به دیگران را محاسبه کرده است. سه دانشمند از ۱۰ دانشمند  عصب بانفوذتر (جدول زیر) از  UCL هستند: کارل فریستون (اولین)، ریموند دولان (دومین)} و کریس فریث (هفتمین). راز موفقیت این دانشمندان چه بوده است؟ کریس فریث، می گوید: از خیلی وقتها پیش، به حوزه تصویربرداری کارکردی مغز انسان، وارد شدیم. بدین صورت، توانستیم در بسیاری از مطالعات، جایگاه اول را به خود اختصاص دهیم.

برنامه semantic scholar، ابزاری آنلاین در موسسه آلن برای هوش مصنوعی (AI2) می باشد(سیاتل، واشنگتن). این برنامه، در زمان آغاز به کار، برجسته ترین دانشمندان علم رایانه را بر اساس دو میلیون مقاله از این حوزه، پیدا کرد. از آن زمان، تیم AI2، پیکره اطلاعاتی خود را به ۱۰ میلیون مقاله توسعه دادند که ۲۵% آنها مربوط به علم عصب می باشد. آنها، امیدوارند که کار خود را در سال بعد به مقالات زیست پزشکی توسعه داده و تعداد مقالات را به بیش از ۲۰ میلیون، افزایش دهند.

Semantic scholar در زمان بررسی آنلاین مقالات منتشره، عملا به چیزی نگاه می کند؟ ارن اتزیونی، مدیرعامل AI2 که رهبری پروژه را بعهده داشت، می گوید، این ابزار، چیزی فراتر از موتور جستجوی تحقیقی است. ما از یادگیری ماشین، پردازش زبان طبیعی و بینایی ماشین برای شروع کاوش معنا استفاده می کنیم.

تحت تاثیر:

این صفحه شامل ۱۰ دانشمند با نفوذ علوم اعصاب طبق تجزیه و تحلیل استنادی توسط Scholar معنایی است.

داده ها: موسسه هوش مصنوعی Semantic Scholar/Allen

مثلا، نتایج جستجوی Semantic Scholar را برای مطالعات عقده های پایه در مرغ آوازخوان، در نظر بگیرید. در سمت چپ صفحه نتایج، چیزهایی وجود دارد که Semantic Scholar آنها را از مقالات تجزیه کرده است: این داده ها، صرفا داده های کتابشناسی(مانند تاریخ نشر و وابستگی های نویسنده)،  نمی باشند، بلکه انواع سلولهای بکار رفته در آزمایش و حتی روشهای استفاده شده را نیز شامل می شوند. اتزیونی می گوید هدف، آنست که بتوان به زبان انگلیسی از این سیستم، سوال کنیم. این هفته، سام گرشام، یکی از دانشمندان عصب محاسباتی، در دانشگاه هاروارد، Semantic Scholar را امتحان کرد. وی می گوید، ابزار خوبی است.. مزایای بارزی نسبت به google Scholar دارد.. مثلا، می تواند مقالات را به طور دقیق، مرتب سازی کرده و منابع مقاله و برخی از ارقام را نشان می دهد. ولی گرشام، سریعا مشکلاتی را نیز کشف کرد، که مشکل همه موتورهای جستجو می باشد: داده های کثیف. نام دانشمندان، در همه مقالات شان، بصورت یکسان ذکر نشده است و این ابهام، گریبان گیر ابزار Semantic Scholar هم شده است. همچنین، فراداده های مقاله دارای اشتباهاتی می باشند. سال انتشار یکی از مقالات گرشام، ۱۹۸۷ عنوان شده، یعنی زمانی که وی دو ساله بوده است!

ولی گیج کننده ترین چیزی که گرشام به آن پی برد، آنست که چه چیزی باعث شده مقاله ای بیشترین امتیاز نفوذ را بدست آورد. وی می گوید با نگاه به برجسته ترین آثار، گاها نتایج عجیبی مشاهده می کنیم. مثلا، هیچ یک از مقالات موثر مربوط به  (روانشناسی دانشگاه برکلی کالیفرنیا) توماس گریفت ، جزو ۵ مقاله با بیشترین ارجاع وی قرار نگرفته بودند.

اتزیونی، تاکید می کند که ابزار Semantic Scholar کاری در حال پیشرفت می باشد، و تایید می کند که خطاهایی وجود دارد.

این امر، دانشمندان داخلی را از میل به شناخت برجسته ترین دانشمندان عصب بر اساس داده های جاری، متوقف نکرده است. مشخص شد که سه محقق UCL قرارگرفته در لیست ۱۰ دانشنمند برتر، از زمانهای قدیم، در حرفه خود، با هم آشنا بوده اند. دولان می گوید: هر سه ما، کارمان را در واحد MRC cyclotron بیمارستان هامرسمیت انگلیس در اواخر دهه ۱۹۸۰ شروع کردیم. با هم در سال ۱۹۹۳ به UCL رفتیم و در یک واحد مشغول به کار شدیم. فریث می گوید که Semantic Scholar بدرستی تشخیص داد که زنش (که همکار UCL وی بوده)، یکی از بانفوذترین افراد حوزه کاری وی بوده است.

فرستون که پیشگام تکنیکهای تحلیل داده تصویربرداری مغزی و مدلهای محاسباتی عملکرد مغز می باشد،  باخبر شد که رتبه برتر را در لیست نتایج کسب کرده، و می گوید: اولین فکری که به ذهنم آمد آن بود که بدون شرمساری به چه کسی خبر رو بگویم؟ و فهمیدم که فقط می خواهم فرزندانم از این قضیه باخبر شوند.