تقریبا در همه زمینههای پژوهشی، آنقدر مطالعه انجام شده که در نگاه اول ممکن است جایی برای مطالعه جدید به چشم نیاید و طرح سوالات پژوهش چندان ساده نباشد.
چطور بفهمیم در حوزه پژوهشیمان چه خلأها یا کاستیهایی وجود دارد تا بتوانیم پروژه مطالعاتی جدیدی تعریف و از اصالت آن دفاع کنیم؟
چطور بتوانیم متخصصان حوزه پژوهشیمان را متقاعد کنیم مطالعه مجدد روی موضوعی که در گذشته بررسی شده، ارزشمند و حتی لازم است؟
این کار که در ادبیات عمومی پژوهش به تحلیل شکاف (Gap Analysis) معروف است، مستلزم مرور جامع ادبیات موضوع پژوهش است و فرایندی ساختاریافته، دقیق، زمانبر و طاقتفرسا دارد.
پژوهشگران معمولا برای شناسایی موارد مغفولمانده، کمتر بررسیشده یا حلنشده در پیکره ادبیاتِ حوزهای خاص آنچه را تا کنون مطالعهشده — شامل نظریهها، روششناسیها، جوامع آماری، بافتها و یافتهها — ترسیم میکنند و سپس آن را با آنچه ناشناخته باقیمانده، مقایسه مینمایند. انواع رایج شکافهای پژوهشی عبارتاند از:
- شکافهای نظری (پدیدههای تبییننشده یا فقدان چارچوبهای مفهومی)
- شکافهای روششناختی (محدودیتهای موجود در طرحهای پژوهشی یا رویکردهای گردآوری داده پیشین)
- شکافهای تجربی (شواهد ناکافی در بافتها یا جوامع آماری خاص)
- یافتههای متناقض (که نیازمند مطالعات بیشتری هستند).
شناسایی شکاف پژوهشی واقعی علاوه بر اثبات اهمیت و اصالت مطالعه جدید، مستقیما بر تدوین سؤالات پژوهشی، اهداف و فرضیهها تأثیر میگذارد.
این فرآیند معمولاً در بخش مقدمه یا مرور پیشینه مقالات علمی، پایاننامهها و طرحهای پژوهشی مستند و مستدل میشود.
خوشبختانه با توسعه هوش مصنوعی (عامل و مولد)، میشود فرایند تحلیل شکاف را بسیار کوتاهتر از قبل طی کرد و به نتایج بسیار دقیقتر و قابلدفاعتر رسید.
پدرام عطایی، معمار سیستمهای هوش مصنوعی و نویسنده کتاب «هوش مصنوعی: درسهای نامتعارف» در این ویدیو (لینک زیر) تحلیل شکاف به کمک هوش مصنوعی را (به زبان انگلیسی) توضیح داده است:
Gap Analysis with AI and Prompt Engineering
اگر میخواهید این مهارت و مهارتهای تخصصی دیگری را در این زمینه (البته بدون پیشنیاز و به زبان فارسی) فرا بگیرید در «کارگاه جامع بهکارگیری هوش مصنوعی در پژوهشهای دانشگاهی و صنعتی» شرکت کنید.
لینک کارگاه: d-learn.ir/ai4s
☎️ تماس با پشتیبانی:
📱 t.me/dlearnsup
📞 02188349244
📲 09103209837
@dlearn_ir