بزرگنمايي:

سیاست و بازاریابی - ایسنا / نتایج یک مطالعه تازه نشان می‌دهد که بیش از 97 درصد تصاویر به‌دست‌آمده از میکروسکوپ‌های الکترونی، هرگز در مقالات علمی منتشر نمی‌شوند. پژوهشگران معتقدند این داده‌های بلااستفاده می‌توانند به عنوان منبعی ارزشمند برای آموزش سامانه‌های هوش مصنوعی و تحلیل داده‌های علمی مورد بهره‌برداری قرار گیرند.
یک مطالعه جدید نشان می‌دهد که بیش از 97 درصد تصاویر به‌دست‌آمده از میکروسکوپ الکترونی، هرگز در مقالات علمی منتشر نمی‌شوند. این تصاویر که شامل خروجی‌های میکروسکوپ‌های الکترونی روبشی (SEM) و میکروسکوپ‌های الکترونی عبوری (TEM) هستند، سال‌ها در مراکز تحقیقاتی ذخیره شده‌اند، اما تنها 2 درصد از آن‌ها به عنوان نمونه‌های «تصاویر اصلی» در مقاله‌ها استفاده شده‌اند.
والنتاین آنانیکوف، شیمیدان آلی در مؤسسه زلینسکی مسکو این داده‌های منتشرنشده را یک «منبع عظیم دست‌نخورده» در عصر هوش مصنوعی و تحقیقات داده‌محور می‌داند. او تأکید می‌کند که اگر این تصاویر به طور سیستماتیک، آرشیو و با فناوری‌های هوش مصنوعی سازماندهی شوند، می‌توانند الگویی را برای آموزش ماشین و شناسایی ساختارها و الگوهای جدید فراهم کنند و روند اکتشافات علمی را تسریع کنند.
بازار
این نتیجه حاصل تحلیل بیش از 152 هزار تصویر ثبت‌شده طی بیش از یک دهه در یک مرکز تحقیقاتی بود که نشان می‌دهد تنها حدود 3600 تصویر، معادل 2 درصد از کل داده‌ها، در مقالات علمی مورد استفاده قرار گرفته‌اند.
از میان این تصاویر، تنها 2٫6 درصد تصاویر SEM و 1٫6 درصد تصاویر TEM در مجلات علمی چاپ شده‌اند، به این معنا که بخش عظیمی از داده‌های میکروسکوپی به طور عملی از دست رفته است. این کمبود انتشار، به گفته والنتاین آنانیکوف، یکی از نویسندگان مطالعه و شیمیدان آلی در مؤسسه زلینسکی مسکو، به دلیل کیفیت پایین تصاویر نیست. او تأکید می‌کند: بسیاری از این تصاویر عالی و دارای ارزش علمی بودند، اما تنها تعداد معدودی به عنوان تصویر «نماینده»، انتخاب شده و در مقاله‌ها به کار رفتند.
این داده‌های بلااستفاده شامل ساختارها و مقیاس‌های متنوعی هستند که در عصر هوش مصنوعی می‌توانند به منبعی ارزشمند تبدیل شوند. آنانیکوف می‌گوید: این داده‌ها دقیقاً همان چیزی هستند که سیستم‌های هوش مصنوعی به آن نیاز دارند: مجموعه‌های بزرگ و متنوعی از نمونه‌ها.
به اعتقاد وی، پژوهشگران نباید صرفاً تصاویر مطابق با روایت مقاله را منتشر کنند؛ بلکه باید تمام تصاویر را به صورت سیستماتیک آرشیو کنند تا مجموعه داده‌ها کامل شود. او ادامه می‌دهد: قبلاً سازماندهی و حاشیه‌نویسی دستی داده‌ها دشوار بود، اما ابزارهای امروز می‌توانند متادیتا و ساختاردهی اطلاعات را به شکل مؤثری مدیریت کنند.
همچنین، ایجاد پایگاه داده‌های مشترک بین آزمایشگاه‌ها یا مؤسسات به جای نگهداری داده‌ها در کامپیوترهای شخصی می‌تواند نقش مهمی در حفظ این اطلاعات ایفا کند.
ریس ریچاردسون، پژوهشگر متاساینس در دانشگاه نورث‌وسترن آمریکا که در این مطالعه شرکت نداشته است، نیز این مسئله را مهم می‌داند و می‌گوید: راه‌اندازی و نگهداری این تجهیزات بسیار پرهزینه است و داده‌های آن‌ها می‌تواند درس‌های بسیاری برای پژوهشگران داشته باشد. او معتقد است که اغلب دلایل عدم انتشار تصاویر، مربوط به هنجارهای رشته‌ای و الزامات مجلات است و نه صرفاً انتخاب‌های سلیقه‌ای نویسندگان.
بر اساس مشاهدات ریچاردسون، متادیتای مرتبط با تجهیزات خاص آزمایشگاهی اغلب در مقالات حذف می‌شود و همین امر شناسایی دقیق ابزارهای مورد استفاده در آزمایش‌ها را دشوار می‌کند. با این حال، امروزه مخازنی وجود دارند که پژوهشگران می‌توانند تصاویر خود را در آن‌ها بارگذاری کنند.
آناتیکوف تأکید می‌کند که علاوه بر حفظ و آرشیو سیستماتیک تصاویر، اتصال این داده‌های بلااستفاده به تحقیقات فعال، اهمیت ویژه‌ای دارد و می‌افزاید: با تحلیل صحیح، این آرشیوهای مخفی می‌توانند الگوهای پنهان را آشکار کرده و مسیر اکتشافات جدید را سرعت ببخشند.
از سوی دیگر، حجم عظیم تصاویر میکروسکوپی تولیدشده سالانه، مانند تصاویر میکروسکوپی عبوری گرافن، اغلب دور ریخته می‌شود؛ حال آن‌که ذخیره آن‌ها می‌تواند نه تنها به پژوهشگران برای آموزش و تحلیل کمک کند، بلکه ابزار آموزشی قدرتمندی برای هوش مصنوعی و یادگیری ماشین فراهم آورد.
این یافته‌ها، علاوه بر اهمیت علمی و فناوری، چالشی برای فرهنگ پژوهشی ایجاد می‌کند. آرشیو و انتشار کامل داده‌ها نیازمند تغییر نگرش از تمرکز صرف بر مقاله و نتایج نمایشی به حفظ داده‌ها و شفافیت علمی است. چنین رویکردی نه تنها به بهبود اعتبار علمی کمک می‌کند، بلکه منابع علمی دست‌نخورده‌ای را در اختیار نسل‌های بعدی پژوهشگران قرار می‌دهد.