*📢 فراخوان همکاری*

مرکز توسعه پژوهش‌های بالینی بیمارستان انکولوژی امیر شیراز در راستای گسترش فعالیت‌های علمی و اجرایی خود، از افراد توانمند و علاقه‌مند در حوزه‌های زیر دعوت به همکاری می‌نماید:

*🔹مطالعات بالینی سرطان بزرگسال و اطفال (Clinical Research in Oncology)
🔹ثبت سرطان مبتنی بر بیمارستان (Hospital-Based Cancer Registry)
🔹داده‌های بزرگ در سرطان (Big Data in Cancer)
🔹هوش مصنوعی و یادگیری ماشین (AI & Machine Learning)
🔹 بیوانفورماتیک و پزشکی سیستمی (Bioinformatics)
🔹مطالعات کیفی سرطان (Qualitative Cancer Studies)
🔹ترجمان دانش و تولید محتوا در حوزه سلامت
📍* نحوه درخواست:
جهت بررسی امکان همکاری، لطفاً فرم ثبت‌نام را تکمیل کنید.

❓درصورت داشتن سوال با ادمین در ارتباط باشید.

📢 برای اطلاع از آخرین اخبار و فرصت‌های پژوهشی، می‌توانید به کانال تلگرام و لینکداین ما بپیوندید.

#فراخوان_همکاری #فراخوان

بیا بزنیم تو دهن کسی که میگه عنوان تکراریه😁

تو تحقیقات علمی، دو تا چیز خیلی مهمه: بازتولیدپذیری (Reproducibility) و تکرارپذیری (Replicability). بازتولیدپذیری یعنی یکی دیگه باید بتونه با همون داده‌ها و روش‌ها به همون نتیجه برسه. تکرارپذیری یعنی یه نفر دیگه همون مطالعه رو با داده‌های جدید انجام بده و باز هم همون نتیجه رو بگیره.

حالا سوال اینه که چی مهم‌تره؟ نوآوری یا تکرارپذیری؟ همه دنبال کشف‌های جدیدن، چون هیجان‌انگیزه و کلی توجه جلب می‌کنه. اما یه نکته مهم این وسط هست: قطعیت شواهد (Certainty of Evidence).

بدون تکرارپذیری، هیچ‌وقت نمی‌تونیم مطمئن باشیم که یه نتیجه علمی واقعاً درسته. فقط وقتی یه مطالعه چند بار تکرار بشه و همون نتیجه رو بده، می‌تونیم با اطمینان بگیم که این یافته معتبره. خیلی از کشفیات علمی که یه زمانی سر و صدا کردن، بعد از مدتی رد شدن چون کسی نتونست همون نتایج رو دوباره به دست بیاره.

مثلاً فرض کن یه تحقیق میگه یه داروی جدید خیلی موثره. اگه هیچ‌کس اون تحقیق رو دوباره انجام نده، چطوری مطمئن بشیم که واقعاً همینه؟ شاید تصادفی بوده، شاید نمونه‌ها مشکل داشتن، شاید خطای محاسباتی رخ داده. ولی اگه چندین تحقیق مختلف همون نتیجه رو بدن، اون وقته که می‌تونیم با قطعیت بیشتری بگیم این دارو کار می‌کنه.

پس درسته که نوآوری مهمه، ولی بدون تکرارپذیری، قطعیت شواهد وجود نداره و اون کشف‌ها خیلی هم ارزشمند نیستن. علم نیاز به تعادل داره: هم باید چیزای جدید کشف کنیم، هم باید مطمئن بشیم که اون چیزای جدید، واقعی و قابل اعتماد هستن.

اینجا بیشتر بخون
Understanding Reproducibility and Replicability

🆔 https://t.me/amirrezarafiei

فرصت همکاری: Section Editor

ژورنال: The Journal of Health Care Organization, Provision, and Financing

ادیتور بخش عدالت سلامت و نابرابری‌های بهداشتی

شرایط:

🔹سابقه انتشار در ژورنال‌های معتبر
🔹تعهد به عدالت سلامت
🔹شبکه ارتباطی قوی با پژوهشگران
🔹مدرک کارشناسی ارشد یا بالاتر

https://journals.sagepub.com/page/inq/call-for-section-editors

🆔 https://t.me/amirrezarafiei

📢 فراخوان همکاری پژوهشی در حوزه درماتولوژی

لطفا با دوستان و همکارانتون به اشتراک بزارید:)

🔹 فرصت همکاری پژوهشی در زمینه‌های متنوع درماتولوژی، فراهم است. این فرصت شامل:

✅ امکان همکاری بر روی داده‌های اورجینال از رجیستری‌های ملی آمریکا (به‌ویژه Utah Population Database)
✅ مشارکت در نگارش مقالات سیستماتیک و نریتیو ریویو
✅ امکان کار بر روی داده های GBD درماتولوژی

🔬 حوزه‌های همکاری پژوهشی:

📌 درماتولوژی بالینی (Clinical Dermatology)

📌زخم ها، مکانیسم ها، عواقب و مدیریت أنها (Wounds)

📌 درماتوانکولوژی و سرطان‌های پوستی (Dermato-Oncology & Skin Cancer)
📌 بیماری‌های وزیکولو-بولوس و نادر پوستی (Vesiculobullous & Rare Dermatologic Diseases)
📌 بیماری‌های التهابی و خودایمنی پوست (Inflammatory & Autoimmune Skin Disorders)
📌 جراحی درماتولوژیک و درماتوسرجری (Dermatologic Surgery & Mohs Surgery)
📌 دستگاه‌های انرژی‌محور و لیزر در درماتولوژی (Energy-based Devices & Laser Dermatology)
📌 درماتولوژی کودکان (Pediatric Dermatology)
📌 میکروبیوم پوستی و بیماری‌های عفونی پوست (Skin Microbiome & Infectious Dermatology)
📌 درماتولوژی در پزشکی فضایی و سلامت پوست در شرایط نامعمول (Space Medicine Dermatology & Extreme Environment Dermatology)
📌 درماتولوژی دیجیتال و هوش مصنوعی در پزشکی پوست (Digital Dermatology & AI in Dermatology)
📌 اپیدمیولوژی و اقتصاد سلامت در بیماری‌های پوستی (Epidemiology & Health Economics in Dermatology)
📌 سیستم بیولوژی در پوست و مدل‌سازی بیولوژیک درماتولوژیک (Systems Biology in Dermatology & Computational Modeling of Skin Biology)

📄 شرایط و نحوه همکاری:

🔸 حداقل تعهد زمانی ۲۰ ساعت در هفته – اپلیکیشن‌هایی که کمتر از این زمان اختصاص دهند، بررسی نخواهند شد.
🔸 لطفاً آخرین نسخه CV خود را ارسال کنید – تمامی رزومه‌ها با دقت بررسی خواهند شد.
🔸 متقاضیانی که واجد شرایط باشند، برای مصاحبه توسط همکاران ما دعوت خواهند شد.
🔸 برای هرگونه سوال، لطفاً فقط از طریق ایمیل مکاتبه کنید – امکان پاسخ‌گویی از طریق تلگرام وجود ندارد.

📩 فرم درخواست:
Google Form Link

از اپلیکیشن شما پیشاپیش سپاسگزارم و امیدوارم همکاری‌های موفقیت‌آمیزی داشته باشیم.

ددلاین پنج شنبه ٢٠ فوریه خواهد بود.

ارادتمند،
حسین

[email protected]

https://t.me/Journey_Of_Life_HA

اگه توی آمریکا (و شاید جاهای دیگه) دنبال یه کار دانشجویی توی دانشگاه هستین، بدونین به این شغل‌ها میگن On-Campus Jobs. این کارا معمولاً شامل کار توی کتابخونه، کافه‌تریا، یا دفاتر دانشگاهه و برای دانشجوها طراحی شده.

برای اینکه این موقعیت‌ها رو پیدا کنین، کافیه این کلیدواژه‌ها رو توی سایت دانشگاه سرچ کنین:

On-Campus Jobs

On-Campus Employment

Work on Campus

Student Employment

Part-Time Jobs for Students

Student Jobs

مثلاً واسه نمونه می‌تونین این لینک دانشگاه دی‌پال رو ببینین:
DePaul University - Student Employment

🆔 https://t.me/amirrezarafiei

جنریتور ایده با AhaApple

یه ابزار مبتنی بر هوش مصنوعی که میتونین ازش واسه پیدا کردن ایده های خلاقانه استفاده کنین و حتی ایده های پژوهشی و پیدا کردن عنوان واسه تحقیق و پژوهش.

https://www.ahaapple.com/

🆔 https://t.me/amirrezarafiei

انتخاب مدل با شاخص I2 و هتروژنیتی آماری یه اشتباه رایجه😉

وقتی حرف از متاآنالیز می‌شه، معمولاً دو تا مدل اصلی داریم که به کار می‌بریم: مدل اثرات ثابت (FEM) و مدل اثرات تصادفی (REM). انتخاب بین این دو مدل بستگی به هتروژنیتی متدولوژیکی داره که بین مطالعات وجود داره. مثلاً، اگه مطالعاتی که داریم خیلی با هم فرق دارن و این تفاوت‌ها قابل توجهه، می‌ریم سراغ REM.

فرض کن داریم روی اثربخشی یک دارو برای درمان بیماری خاصی کار می‌کنیم و مطالعات مختلفی از نقاط مختلف دنیا با شرایط متفاوت انجام شده. اینجا استفاده از REM به ما کمک می‌کنه که تفاوت‌های موجود بین نتایج مطالعات مختلف رو بهتر درک کنیم و تخمین‌هایی با متاآنالیز که ارائه می‌دهیم، دقیق‌تر باشن.
محدودیت‌های روش‌های قدیمی (مثل DerSimonian و Laird - DL):

روش‌های قدیمی مثل DL، که خیلی وقت‌ها توی REM استفاده می‌شدن، یه سری محدودیت‌ها داشتن. مثلاً، وقتی تعداد مطالعات کم بود یا هتروژنیتی خیلی زیاد بود، این روش‌ها ممکن بود نتایج ناپایداری بدن.

تصور کن که فقط پنج مطالعه در دست داریم که اثرات خیلی متفاوتی از یک درمان نشون دادن. روش DL ممکنه نتونه این تفاوت‌های زیاد رو به خوبی مدیریت کنه و نتیجه نهایی ما رو به سمت نادرستی ببره.

روش‌های جدیدی که ارائه شدن:

اولیش Restricted Maximum Likelihood (REML): این روش تخمین دقیق‌تری از واریانس هتروژنیتی می‌ده. اگر داده‌های مطالعات مختلف با پراکندگی زیادی همراه باشند، REML می‌تونه به ما کمک کنه تا یک تصویر واقع‌بینانه‌تر از تاثیر مداخلات ارائه بدیم.

دومیش Confidence Interval for Heterogeneity Variance Using Q-profile: این روش به ما کمک می‌کنه تا عدم قطعیت در تخمین‌های هتروژنیتی رو بهتر درک کنیم. اگه بخواهیم بفهمیم آیا واقعاً بین مطالعات تفاوتی وجود داره یا نه، استفاده از این روش می‌تونه به ما اطمینان بیشتری بده.

سومی Hartung-Knapp-Sidik-Jonkman (HKSJ) Method: این روش فاصله‌های اطمینان دقیق‌تری برای اثر کلی ارائه می‌ده. برای مطالعاتی که نتایجشون خیلی متفاوته، HKSJ می‌تونه به ما کمک کنه که فاصله‌های اطمینان قوی‌تری داشته باشیم، پس نتایج نهایی ما قابل اعتمادتر خواهند بود.

چهارمی Prediction Intervals: این فواصل به ما کمک می‌کنن تا دید بهتری نسبت به چگونگی عملکرد نتایج در شرایط مختلف داشته باشیم. اگر یک درمان در جمعیت‌های مختلف مورد آزمایش قرار گیرد، این روش می‌تواند نشان دهد که نتایج چگونه ممکن است متغیر باشند.

نرم افزار و زبان های R و Stata این روش‌های جدید را پشتیبانی می‌کنند، اما CMA تا اونجایی که یادمه این قابلیت‌ها رو نداره. RevMan اخیراً این روش‌ها رو اضافه کرده.

کاکرین اینجا کامل توضیح داده
https://community.cochrane.org/news/embracing-new-random-effects-methods-systematic-reviews-interventions#:~:text=Trusted%20evidence.-,Embracing%20new%20random%2Deffects%20methods%20for%20systematic%20reviews%20of%20interventions,accurate%20and%20robust%20research%20results.

🆔 https://t.me/amirrezarafiei

Yann LeCun:
برای افرادی که عملکرد DeepSeek را می‌بینند و فکر می‌کنند: «چین در حال پیشی گرفتن از آمریکا در حوزه هوش مصنوعی است.» شما اشتباه می‌کنید. برداشت درست این است: «مدل‌های متن‌باز در حال پیشی گرفتن از مدل‌های اختصاصی هستند.»
در واقع، DeepSeek از تحقیقات متن‌باز و نرم‌افزارهای متن‌باز (مانند PyTorch و Llama از Meta) بهره برده است. آن‌ها ایده‌های جدیدی ارائه داده‌اند و این ایده‌ها را بر پایه کارهای دیگران ساخته‌اند. چون کارشان منتشر شده و متن‌باز است، همه می‌توانند از آن بهره‌مند شوند. این قدرت تحقیقات متن‌باز و نرم‌افزار متن‌باز است.

https://www.forbes.com/sites/luisromero/2025/01/27/chatgpt-deepseek-or-llama-metas-lecun-says-open-source-is-the-key/

🆔 https://t.me/amirrezarafiei

دنبال فاند کارشناسی ارشد توی آمریکا هستین این کلیدواژه‌ها بهتون کمک میکنه که بتونین دانشگاه هایی که فاند میدن واسه ارشد رو پیدا کنین

Graduate Assistantships
Graduate Funding
Graduate Financial Support
Scholarships for Graduate Students

تو دانشگاه های آمریکا خیلی دنبال کلمه Master نباشید. کمتر دیدم استفاده کنن. از کلمه Graduate واسه اشاره به کارشناسی ارشد استفاده میکنن.

🆔 https://t.me/amirrezarafiei