پل کنکوری کنکوری تدریس معلم خصوصی در منزل از ابتدایی تا دبیرستان ریاضی فیزیک زیست در تهران
موتور جستجویی که آینده تحقیقات علمی را متحول خواهد کرد
محققان، دانشمندان و دانشگاهیان سراسر جهان هر سال حدود ۲٫۵ میلیون مقاله علمی چاپ می‌کنند و از سال ۱۶۶۵ تا به امروز مجموعه‌ای حاوی بیش از ۵۰ میلیون مقاله منتشر شده است. علاوه بر این، سرعت انتشار این مقالات علمی توسط محققان روز به روز در حال افزایش است. به این ترتیب دانشمندان نمی‌توانند تمامی مقاله‌های منتشر شده در حوزه تخصصی‌شان را مطالعه کنند و جستجوی یک مقاله خاص می‌تواند بسیار دشوار و وقت گیر باشد. با تک شات همراه باشید.
اینجاست که Paul Allen، یکی از موسسان مایکروسافت و مدیر موسسه غیر انتفاعی Allen Institute for Artificial Intelligence وارد عمل می‌شود. جدیدترین دستاورد Allen Institue یک موتور جستجو به نام Semantic Scholar است که می‌تواند به دنبال مقالات علمی بگردد و از فناوری یادگیری ماشینی و سایر سیستم‌های هوش مصنوعی استفاده کند.
موتور جستجوی Semantic Scholar از نوامبر سال ۲۰۱۵ میلادی با تمرکز بر مقالات علوم کامپیوتر شروع به کار کرده است. این سرویس اکنون توسعه پیدا کرده و شامل مقالات مربوط به علوم اعصاب هم می‌شود، به این ترتیب پایگاه داده Semantic Scholar اکنون از بیش از ۱۰ میلیون مقاله علمی تشکیل می‌شود. موتور Semantic Scholar در واقع می‌تواند جایگزین Google Scholar شود و برای تجزیه و تحلیل تک تک مقالات از سیستم‌های هوش مصنوعی و الگوریتم‌های پردازش زبان طبیعی استفاده می‌کند.
گرچه Google Scholar و PubMed نیز منابع مفیدی هستند، زمانی که حرف از فراداده در میان باشد، نمی‌توانند عملکرد مطلوبی داشته باشند، برای مثال اینکه نام این نویسنده یا مقاله چند بار چند بار ذکر شده است، این مقاله روی چه ارگانیسمی تست شده است، آیا این مقاله به فلان متغیر اختلاطی اشاره کرده است؟
موتور جستجوی Semantic Scholarبه محققان کمک می‌کند تا در میان ۱۰ میلیون مقاله در حوزه‌های علوم کامپیوتر و علوم اعصاب به جستجو بپردازند.
Semantic Scholar تمامی متن مقاله را تحلیل می‌کند و با توجه به اینکه در آن حوزه به خصوص صدها هزار مقاله خوانده است، می‌تواند به خوبی به دنبال عبارات کلیدی که از نظرش اهمیت بالایی دارند، بگردد. این موتور جستجو از پردازش زبان طبیعی استفاده می‌کند به این ترتیب می‌تواند تشخیص دهد که یک مقاله در حال بررسی نتایج شخصی است یا نتایج یک تحقیق و تجربه دیگر را مورد بحث قرار داده است و به همین روش می‌تواند به جزییات بسیار کلیدی برای مثال متدها، مواد، نوع حیوانات و نواحی خاصی از مغز که مورد تست قرار گرفته‌اند دسترسی پیدا کند. نتایج سرچ در Semantic Scholar بسیار سریع نمایش داده می شوند، ارتباط بالایی با موضوع مورد جستجو دارند و به خوبی دسته بندی شده‌اند.
این تنها مراحل ابتدایی درخشش Semantic Scholar است، Allen و تیم او قصد دارند تا پایان سال ۲۰۱۷ میلادی کتابخانه کاملی از تحقیقات پزشکی را نیز به این سرویس اضافه کنند.
