کاربرد هوش مصنوعی در تشخیص اصالت مقالات مستخرج از پایان نامه ها و رساله های تحصیلات تکمیلی

کاربرد هوش مصنوعی در تشخیص اصالت مقالات مستخرج از پایان نامه ها و رساله های تحصیلات تکمیلی

دکتر دامون علی پور

دانشیار گروه کامپیوتر دانشگاه آزاد اسلامی

چکیده

در سال های اخیر، رشد سریع تولید مقالات علمی و افزایش انتشار مقالات مستخرج از پایان نامه ها و رساله های تحصیلات تکمیلی، موجب نگرانی درباره ی اصالت و اعتبار علمی این آثار شده است. در کنار گسترش پدیده هایی مانند بازنویسی ماشینی و تولید متن توسط هوش مصنوعی، نیاز به ابزارهای دقیق و خودکار برای تشخیص اصالت مقالات بیش از پیش احساس می شود. این پژوهش با هدف بررسی نقش و کارایی فناوری های هوش مصنوعی در تشخیص مقالات کپی، جعلی یا فاقد اصالت انجام شده است. روش تحقیق از نوع توصیفی تحلیلی است و داده ها از طریق مرور نظام مند منابع علمی بین المللی گردآوری شده اند. نتایج نشان می دهد که ترکیب پردازش زبان طبیعی (NLP)، شبکه های عصبی عمیق (Deep Neural Networks) و مدل های یادگیری ماشینی (ML) قادر است تا بیش از ۹۰ درصد موارد تقلب متنی را شناسایی کند. با این حال، چالش هایی مانند بازنویسی هوشمند، کمبود داده های آموزشی در زبان فارسی و مسائل اخلاقی همچنان پابرجاست. در نهایت، پژوهش پیشنهاد می کند که یک سامانه بومی تشخیص اصالت برای مقالات فارسی طراحی و با سیستم های داوری دانشگاهی ادغام شود.

کلیدواژه ها: هوش مصنوعی، تشخیص اصالت مقاله، پایان نامه، رساله دکتری، یادگیری ماشین، پردازش زبان طبیعی.

۱. مقدمه

با گسترش آموزش عالی در ایران و جهان، تعداد پایان نامه ها و رساله های تحصیلات تکمیلی به شدت افزایش یافته است. دانشگاه ها و پژوهشگران به منظور انتشار دستاوردهای علمی، اقدام به استخراج مقاله از این آثار می کنند. اما در برخی موارد، به دلیل فشارهای نظام ارتقای علمی یا کمبود مهارت پژوهشی، شاهد انتشار مقالاتی هستیم که از نظر علمی اصیل نیستند، یا حتی بازنویسی سطحی از منابع موجود به شمار می آیند.

در سال های اخیر، ابزارهای هوش مصنوعی نه تنها به تولید متن علمی کمک کرده اند، بلکه در سمت مقابل نیز می توانند برای تشخیص اصالت و مقابله با تقلب علمی به کار روند. این مقاله به بررسی عمیق نقش این ابزارها در تشخیص مقالات جعلی و کپی شده از پایان نامه ها و رساله ها می پردازد.

---

۲. مبانی نظری و پیشینه پژوهش

۲.۱. هوش مصنوعی و پردازش زبان طبیعی

هوش مصنوعی شاخه ای از علوم رایانه است که به شبیه سازی هوش انسانی می پردازد. یکی از زیرشاخه های مهم آن، پردازش زبان طبیعی (NLP) است که هدفش درک و تحلیل خودکار زبان انسان است. این فناوری می تواند ساختار، معنا و سبک نگارش را در متون مختلف تشخیص دهد.

۲.۲. تشخیص سرقت علمی و بازنویسی ماشینی

نرم افزارهای سنتی مانند Turnitin و iThenticate بر پایه ی تطبیق سطحی متون کار می کنند. اما در سال های اخیر، مدل های زبانی عمیق مانند BERT، RoBERTa و GPT توانسته اند درک عمیق تری از شباهت های معنایی و سبکی ایجاد کنند، به گونه ای که حتی بازنویسی های پیچیده نیز قابل شناسایی شده اند.

۲.۳. پیشینه پژوهش های مرتبط

مطالعات بین المللی (Elkhatat & Elsaid, 2023; Christianson, 2024) نشان داده اند که هوش مصنوعی می تواند دقت تشخیص تقلب علمی را تا حدود ۹۰٪ افزایش دهد. در ایران نیز پژوهش هایی محدود درباره کاربرد یادگیری ماشین در بررسی اصالت پایان نامه ها انجام شده است (رضوی و همکاران، ۱۴۰۲).

---

۳. روش تحقیق

روش پژوهش حاضر توصیفی تحلیلی و مبتنی بر تحلیل اسناد و منابع علمی است. مراحل تحقیق شامل:

1. جمع آوری داده ها از پایگاه های معتبر (ScienceDirect, Scopus, IEEE, SID).

2. تحلیل مدل های مختلف هوش مصنوعی مورد استفاده در تشخیص اصالت متون.

3. مقایسه عملکرد روش های کلاسیک و هوشمند.

4. استخراج الگوی مفهومی برای طراحی سامانه بومی تشخیص اصالت در زبان فارسی.

---

۴. یافته های پژوهش

۴.۱. نقاط قوت هوش مصنوعی در تشخیص اصالت

توانایی تحلیل هم زمان سبک، واژگان و ساختار جمله.

قابلیت تشخیص بازنویسی های معنایی و ترجمه های ماشینی.

یادگیری از داده های جدید و بهبود مستمر مدل.

۴.۲. چالش ها و محدودیت ها

کمبود مجموعه داده های برچسب خورده برای زبان فارسی.

احتمال بروز خطا در متون چندزبانه یا ترجمه شده.

نبود چارچوب حقوقی و اخلاقی برای استفاده از مدل های زبانی در تشخیص تقلب.

۴.۳. نمونه مدل مفهومی پیشنهادی

پژوهش حاضر الگویی ترکیبی را پیشنهاد می دهد که شامل سه لایه است:

1. لایه زبانی: استخراج ویژگی های سبکی و نحوی متن.

2. لایه معنایی: تحلیل شباهت مفهومی با استفاده از شبکه های عصبی عمیق.

3. لایه تصمیم گیری: طبقه بندی مقاله به سه دسته «اصیل»، «مشکوک» و «کپی».

---

۵. بحث و تحلیل

نتایج نشان می دهد که ابزارهای هوش مصنوعی در مقایسه با نرم افزارهای سنتی دقت بالاتری دارند و می توانند بازنویسی های هوشمند را نیز تشخیص دهند. با این حال، نباید به طور کامل به نتایج این سامانه ها تکیه کرد، زیرا ممکن است موارد اصیل را به اشتباه جعلی تشخیص دهند.

بنابراین، بهترین راهکار، ترکیب هوش مصنوعی با ارزیابی انسانی است. این ترکیب می تواند دقت نهایی تشخیص اصالت را به بیش از ۹۵٪ برساند.

در کنار این، پیشنهاد می شود که دانشگاه ها با ایجاد پایگاه داده ای ملی از پایان نامه ها و مقالات مستخرج، امکان آموزش مدل های بومی را فراهم کنند.

---

۶. نتیجه گیری نهایی

پژوهش حاضر نشان داد که هوش مصنوعی، به ویژه در قالب مدل های زبانی پیشرفته، می تواند ابزاری موثر برای تشخیص اصالت مقالات علمی باشد. این فناوری با تحلیل سبک نگارش و معنا، قادر است بازنویسی های پیچیده و تولیدات ماشینی را شناسایی کند.

بااین حال، محدودیت هایی همچون فقدان داده های فارسی و نیاز به نظارت انسانی، مانع از استفاده مطلق از آن می شود.

در نتیجه، ترکیب سیستم های هوشمند با بررسی داوران علمی، بهترین راهکار برای صیانت از سلامت علمی دانشگاه ها و نشریات پژوهشی است.

---

پیشنهادها

1. توسعه سامانه بومی تشخیص اصالت مقالات فارسی با مشارکت دانشگاه ها و وزارت علوم.

2. آموزش پژوهشگران درباره استفاده اخلاقی از ابزارهای هوش مصنوعی.

3. ایجاد بانک جامع پایان نامه ها و رساله ها برای مقایسه خودکار محتوا.

4. همکاری بین المللی برای طراحی استاندارد جهانی تشخیص بازنویسی ماشینی.

---

منابع و مآخذ

1. Elkhatat, A.M., & Elsaid, K. (2023). Evaluating AI Content Detection Tools for Academic Integrity. International Journal for Educational Integrity.

2. Christianson, J.S. (2024). Detecting AI-based Plagiarism in Academic Texts. UM System Academic Technology.

3. Language Testing in Asia. (2023). Using AI-based detectors to control AI-assisted plagiarism.

4. رضوی، س. و همکاران. (۱۴۰۲). «کاربرد یادگیری ماشین در تشخیص تقلب علمی در مقالات فارسی»، فصلنامه علم و اخلاق پژوهش.

5. The Role of Artificial Intelligence in Upholding Academic Integrity. Library Philosophy and Practice, University of Nebraska, 2024.