تصور کنید یک ارجاع علمی بسیار متقاعدکننده دارید که عنوان مقاله واقعی است، اما شناسه DOI و سال انتشار آن کاملاً ساختگی‌اند؛ در واقع شما با یک منبع کاملاً جعلی رو‌به‌رو هستید. برای مقابله با این بحران، تیم ScholarMuse در ۱۶ اکتبر ۲۰۲۶ یک گردش‌کار عملیاتی برای اعتبارسنجی منتشر کرد تا مفهوم مبهم توهم (Hallucination) — شبیه دوستی که خاطره‌ای را با اطمینان کامل اما اشتباه تعریف می‌کند — را به تصمیمات کتاب‌شناختی قابل تست تبدیل کند.
بسیاری از پژوهشگران تصور می‌کنند داشتن یک نشان سبز متاداده، مهر تأیید حقیقت است، اما یک DOI معتبر تنها ثابت می‌کند که رکوردی در سیستم وجود دارد، نه اینکه مقاله واقعاً ادعای نویسنده را پشتیبانی کند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های زبانی اشاره کردیم، اعتماد کورکورانه به خروجی‌های مدل‌ها ریسک علمی را افزایش می‌دهد؛ به‌ویژه زمانی که مدل‌های زبانی بدون خواندن صفحات وب، لینک‌های جعلی ارائه می‌دهند. این گردش‌کار جدید، بررسی ارجاعات را به یک فرآیند تریاژ تبدیل می‌کند: حفظ، حل، مقایسه و مطالعه. این یک تمرین شناسایی است و نه صرفاً تست یک ابزار.
زمینه و گردش‌کار
طبق اعلام ScholarMuse، این متدولوژی سه پرسش بنیادین را از هم جدا می‌کند: آیا رکورد منبع وجود دارد؟ آیا فیلدهای کتاب‌شناختی مطابقت دارند؟ و آیا مقاله واقعاً جمله‌ی نوشته‌شده را تأیید می‌کند؟ تنها پرسش آخر است که نیاز به مطالعه‌ی عمیق شواهد و متن دارد.
پژوهشگران باید بدانند که یک ارجاع می‌تواند در ظاهر متقاعدکننده باشد اما در واقع غلط باشد؛ برای مثال، ممکن است عنوان متعلق به یک مقاله، DOI متعلق به مقاله‌ای دیگر و سال انتشار متعلق به هیچ‌کدام از آن‌ها باشد. به همین دلیل، تفکیک سخت‌گیرانه بین «وجود کتاب‌شناختی منبع» و «وضعیت انتشار فعلی» ضروری است.
فرآیند اعتبارسنجی
بر اساس مستندات این راهنما، فرآیند اعتبارسنجی از ۵ گام زیر تشکیل شده است:
۱. حفظ (Preservation): کپی کردن ارجاعات اصلی در یک جدول بررسی. برای عنوان ارائه‌شده، نویسنده اول، سال، مجله، DOI و منبع پیشنهاد، ستون‌های جداگانه بسازید. این کار تضمین می‌کند که شما بتوانید در مراحل بعدی توضیح دهید چه مواردی تغییر کرده است.
۲. حل (Resolution): حذف پیشوندهای «doi:» یا پیشوندهای resolver و باز کردن شناسه‌ها از طریق doi.org. سپس با دنبال کردن صفحه فرود (Landing Page) به رکورد ناشر بروید تا عنوان کامل، لیست نویسندگان، سال انتشار و مجله را مقایسه کنید. در صورت لزوم، شماره جلد، صفحات یا شماره مقاله را نیز بررسی کنید.
۳. تریاژ (Triage): استفاده از ابزار ScholarMuse Citation Checker که با بهره‌گیری از Crossref و OpenAlex، شناسه‌ها یا عناوین را تطبیق می‌دهد.
- تأیید شده (Verified): یک تطابق کتاب‌شناختی یافت شد؛ اما توجه کنید که این به معنای اثبات ادعای علمی نیست.
- نیازمند اصلاح: بررسی در سطح هر فیلد (Field-level review) لازم است.
- نیافت شده: این وضعیت باعث شروع یک جست‌وجوی جدید با استفاده از نام نویسنده، سال یا تکه‌های عنوان می‌شود تا کتاب‌ها، پایان‌نامه‌ها یا شکاف‌های متاداده پوشش داده شوند.
- نامشخص: تطابق کافی نیست و کاربران نباید جزئیات گم‌شده را به صورت کورکورانه پر کنند.
۴. بررسی شواهد (Evidence Review): باز کردن متن کامل مقاله برای اطمینان از اینکه جامعه آماری، روش یا نتیجه واقعاً با جمله‌ی در حال نوشته شدن مطابقت دارد. صفحه، بخش یا شکل خاص را مکان‌یابی کنید. اگر فقط چکیده در دسترس است، این محدودیت را صراحتاً ذکر کنید. همچنین، اطلاعیه‌های ناشر را برای بررسی اصلاحات یا بازپس‌گیری (Retraction) مقاله بازرسی کنید. این رویکرد دقیق، مکمل تلاش‌هایی است که در آن سیستم‌های چندلایه برای شناسایی خطاهای ادعاهای اصلی در مقالات علمی به کار گرفته شده‌اند.
۵. ردپای حسابرسی (Audit Trail): ثبت یک لاگ از ارجاعات اصلی در برابر اصلاح‌شده. یک ردیف قابل استفاده مجدد باید شامل DOI، URL ناشر، اختلافات یافت‌شده، تاریخ بررسی وضعیت انتشار و تصمیم بازبین درباره ادعای پشتیبانی‌شده باشد.
ابزارها و محدودیت‌ها
ابزار ScholarMuse Citation Checker در هر اجرا تا ۱۰ ارجاع را پردازش می‌کند (هر ارجاع در یک خط). طبق گزارش این تیم، تا ۱۶ اکتبر ۲۰۲۶، این ابزار روزانه ۵ جست‌وجوی رایگان وب برای هر IP بدون نیاز به حساب کاربری ارائه می‌دهد. توجه داشته باشید که یک اجرای پذیرفته‌شده ممکن است حتی در صورت شکست ارائه‌دهنده بالادستی (Upstream provider)، به عنوان یک مصرف محاسبه شود. فراخوان‌های Agent/MCP از قوانین اعتباری جداگانه‌ای پیروی می‌کنند. این ابزار در واقع بخشی از جبهه جدید رقابت عامل‌های هوش مصنوعی است که به دنبال ارائه راهکارهای تخصصی برای جایگزینی چارچوب‌های کلی هستند.
کاربران هشدار یافته‌اند که وضعیت «تأیید شده» تنها نشان‌دهنده یک تطابق کتاب‌شناختی است، نه اینکه ادعای پژوهشی تثبیت شده باشد. همچنین، هرگز مطالب محرمانه یا منتشرنشده را به این ابزار ارسال نکنید.
این تغییر رویکرد، بار اثبات را از دوش هوش مصنوعی به یک ردپای حسابرسی قابل ردیابی منتقل می‌کند. با تفکیک «وجود مقاله» از «استدلال مقاله»، پژوهشگران از تله‌ی «شناسه‌های پذیرفتنی» که درست به نظر می‌رسند اما به بن‌بست می‌رسند، نجات می‌یابند.
برای کسانی که پیش‌نویس‌هایی با ۲۰ ارجاع دارند، توصیه می‌شود پردازش را در دسته‌های کوچک انجام دهند تا خطاهای ناشی از ادغام ارجاعات یا شکست در شکستن خطوط (Line wraps) رخ ندهد. هدف، داشتن یک کتاب‌شناسی صادقانه با شکاف‌های ردیابی‌شده است، نه فهرستی کامل از لینک‌های تأییدنشده. هرگز از هوش مصنوعی نخواهید که برای ردیف‌های حل‌نشده، شناسه‌های «متقاعدکننده» بسازد.
گام بعدی شما
برای پیاده‌سازی این روش از همین امروز، با حسابرسی بحرانی‌ترین ارجاعات مقاله‌ی خود با استفاده از REST API شرکت Crossref یا ابزار ScholarMuse شروع کنید تا ببینید چند درصد از منابع پیشنهادی AI واقعاً وجود دارند.
- یک جدول حسابرسی (Audit Trail) برای تمام منابع مقاله‌تان ایجاد کنید تا در صورت بازبینی داوران، دلیل هر تغییر را داشته باشید.
- در صورت دسترسی نداشتن به متن کامل مقاله، در متن خود صراحتاً ذکر کنید که منبع تنها از طریق چکیده تأیید شده است.
اما چالش بزرگ‌تر، مدیریت منابعی است که اصلاً در پایگاه‌های داده دیجیتال ثبت نشده‌اند — در گزارش بعدی به بررسی روش‌های بازیابی منابع آرشیوی می‌پردازیم.
گفتگو