📣انجمن علمی دانشجویی توسعه آموزش و مهارت های ارتباطی با همراهی کارگروه دانشکده مدیریت و اطلاع رسانی پزشکی کمیته دانشجویی توسعه آموزش پزشکی دانشگاه علوم پزشکی شیراز برگزار می نماید؛

✅کارگاه «حل مسئله به شیوه ای موثر و خلاق»
👨‍🏫مدرس: پیمان پربها
- مدرس دوره ارائه موثر در دانشگاه های صنعتی شیراز، علوم پزشکی شیراز و ...
- کارشناس سابق آموزش در پتروشیمی شیراز
🕔چهارشنبه ۱۴۰۴/۰۳/۰۷ ساعت ۱۹-۱۷
💵رایگان
📝 با ارائه گواهی معتبر
💻به صورت مجازی
👈لینک ثبت نام:
https://evnd.co/5coXv
👈با ما از طریق لینک های زیر در ارتباط باشید😊
🔗https://zil.ink/amoozeshertebatsums

🔗https://www.tgoop.com/SUMS_management_EDC

قسمت دوم | قدرت تقاضای تحلیلی: چگونه با یک پرامپت، پژوهشی عمیق‌تر آغاز کنیم؟

در نگاه نخست، استفاده از هوش مصنوعی در پژوهش دانشگاهی محدود به خلاصه‌سازی، ترجمه یا تنظیم ادبیات علمی به‌نظر می‌رسد. اما آنچه پژوهشگر را از مصرف‌کننده‌ی سطحی به یک کاربر استراتژیک AI بدل می‌کند، قدرت طراحی پرسش تحلیلی و چندلایه است.

مهندسی پرسش در فضای پژوهش، تنها به معنای پرسیدن یک سؤال دقیق نیست، بلکه یعنی *هدایت مدل زبانی به سمت تولید محتوا، تحلیل یا ساختاری خاص که مکمل فکر پژوهشگر باشد، نه جایگزین آن.* اینجا جایی است که مفهومی به‌نام پرامپت‌های چندمرحله‌ای (multi-step prompts) وارد می‌شود: طراحی سلسله‌وار تقاضاهایی که مدل را وادار می‌کند لایه‌لایه به تحلیل داده، مقایسه نظریه‌ها یا حتی پیشنهاد طراحی مطالعه بپردازد.

مثال کاربردی:
فرض کنیم قصد داریم اثرات اپی‌ژنتیک آلودگی هوا را بر بیان ژن‌های التهابی مطالعه کنیم. به‌جای اینکه فقط بپرسیم:
❌ «لطفاً چند مقاله درباره‌ی آلودگی هوا و اپی‌ژنتیک معرفی کن»
می‌پرسیم:
✅ «در سه مرحله، ابتدا خلاصه‌ای از مکانیسم‌های اپی‌ژنتیکی در مواجهه با آلاینده‌ها بده. سپس به تفکیک، مقایسه‌ای بین یافته‌های سه مقاله‌ی اخیر در این زمینه انجام بده. در نهایت، پیشنهادی برای یک طراحی مطالعه کوهورت ایرانی با در نظر گرفتن confounderها ارائه کن.»

در این ساختار:

* مرحله ۱: دانش اولیه فراهم می‌شود
* مرحله ۲: تحلیل و مقایسه علمی
* مرحله ۳: طراحی پژوهش بومی‌شده

نتیجه؟ خروجی نه صرفاً اطلاعات پراکنده، بلکه *یک فرآیند شبه‌پژوهشی قابل توسعه توسط محقق* خواهد بود.

این نوع از پرسش‌نویسی، مدل را از پاسخ‌دهی عمومی به مشارکت در تفکر پژوهشی سوق می‌دهد؛ درست همان‌چیزی که آینده‌ی تعامل علم و AI را رقم خواهد زد.

در هفته آینده، به طراحی الگوهای عملی برای تولید چک‌لیست‌های مقاله، سنجش کیفیت منابع و حتی تقویت مرور سیستماتیک با کمک مهندسی پرسش می‌پردازیم.

https://www.tgoop.com/SUMS_management_EDC

#آموزش_پزشکی
#Prompt_Engineering
#EDC

📣انجمن علمی دانشجویی توسعه آموزش و مهارت های ارتباطی با همراهی کمیته دانشجویی استعداد درخشان و کارگروه دانشکده مدیریت و اطلاع رسانی پزشکی کمیته دانشجویی توسعه آموزش پزشکی دانشگاه علوم پزشکی شیراز برگزار می نماید؛

✅کارگاه «برنامه‌ریزی هوشمند برای موفقیت در دانشگاه»
👩‍🏫مدرس: صدیقه سادات طباطبائی فر
-کاندیدای دکتری تخصصی مدیریت خدمات بهداشتی درمانی
-رتبه یک آزمون دکتری تخصصی در سه رشته مدیریت خدمات بهداشتی درمانی، اقتصاد سلامت و سیاست گذاری سلامت
-مدال آور المپیاد علمی وزارت بهداشت
-برگزیده بنیاد ملی نخبگان
-عضو استعداد درخشان دانشگاه
-دبیر انجمن علمی دانشجویی توسعه آموزش و مهارت های ارتباطی
🕕شنبه 1404/03/17ساعت 20-18
💵رایگان
📝 با ارائه گواهی معتبر
💻به صورت مجازی
👈لینک ثبت نام:
https://evnd.co/eYaTs
😊با ما در ارتباط باشید:
https://zil.ink/amoozeshertebatsums
https://www.tgoop.com/SUMS_management_EDC

طراحی پرامپت برای پژوهش جدی: از چک‌لیست تا مرور سیستماتیک با کمک هوش مصنوعی
در پژوهش علمی، کیفیت خروجی به‌طور مستقیم وابسته است به دقت در طراحی مسیر. بسیاری از پژوهشگران از ابزارهای هوش مصنوعی برای استخراج منابع یا نگارش چکیده استفاده می‌کنند، اما در فضای حرفه‌ای پژوهش، آنچه تفاوت ایجاد می‌کند، توانایی تبدیل هوش مصنوعی به یک همکار ساختاریافته علمی است؛ و این دقیقاً با مهندسی پرسش ممکن می‌شود.

🔹 چک‌لیست پژوهشی؛ فقط یک فرم نیست
هوش مصنوعی می‌تواند با پرامپت مناسب، چک‌لیستی اختصاصی برای طرح پژوهشی شما تولید کند. نه صرفاً با الگوبرداری از چک‌لیست‌های STROBE یا PRISMA، بلکه با توجه به نوع مطالعه، جمعیت هدف، روش تحلیل و حتی ریسک‌های بایاس خاص آن پروژه.

✅ نمونه پرامپت:
«برای یک مطالعه کوهورت چندمرکزی در بیماران دیابتی نوع ۲ در ایران، یک چک‌لیست طراحی کن که شامل طراحی نمونه، گردآوری داده، کنترل confounderها، و ارزیابی ریسک بایاس باشد. فرمت خروجی به‌صورت جدول با دسته‌بندی مرحله‌به‌مرحله باشد.»

🔹 ارزیابی کیفیت منابع؛ پایان کپی‌پیست علمی
با پرامپتی درست، می‌توان از AI خواست کیفیت مقالات را طبق معیارهای CASP یا AMSTAR2 تحلیل کند. این کار، پژوهشگر را از اتکا به برداشت شخصی یا شهودی رها کرده و فرآیند مرور منابع را ساختاریافته می‌سازد.

✅ نمونه پرامپت:
«مقاله‌ی پیوست‌شده را طبق چک‌لیست CASP برای مطالعات مورد-شاهدی تحلیل کن و در انتها، نقاط ضعف طراحی مطالعه را به‌صورت bullet-point فهرست کن.»

🔹 مرور سیستماتیک؛ از فهرست‌سازی تا تحلیل‌گری
در مرورهای سیستماتیک، آنچه مهم است صرفاً یافتن مقاله نیست، بلکه دسته‌بندی، تلخیص، و کشف الگوهای مفهومی میان مطالعات است. پرامپت‌های چندمرحله‌ای می‌توانند به‌صورت گام‌به‌گام از مدل بخواهند:

شناسایی منابع مرتبط

استخراج ویژگی‌های روش‌شناسی

کشف شباهت‌ها و تفاوت‌ها

تدوین جمع‌بندی تحلیلی

✅ پرامپت نهایی برای مرور:
«با استفاده از منابع موجود در PubMed بین سال‌های ۲۰۱۵ تا ۲۰۲۴ در مورد اثرات ویتامین D بر افسردگی، ۱۰ مطالعه‌ی مداخله‌ای را استخراج و طبق معیارهای PICO در جدول مقایسه کن. در انتها، نتیجه‌گیری کلینیکی مبتنی بر داده ارائه بده.»

📌 جمع‌بندی
مهندسی پرسش، پژوهشگر را از فضای مصرف صرف اطلاعات به سطحی از تعامل علمی با AI می‌برد که خروجی آن نه فقط سریع‌تر، بلکه عمیق‌تر و مستدل‌تر است. در پژوهش حرفه‌ای، چگونگی درخواست، تعیین‌کننده‌ی کیفیت پاسخ است.

🔜 در پست آینده، به بررسی «مهندسی پرامپت در داوری علمی و طراحی فرم‌های بازخورد برای هیئت علمی» خواهیم پرداخت.

https://www.tgoop.com/SUMS_management_EDC

#آموزش_پزشکی
#Prompt_Engineering
#EDC

❗️مدرسه آشنایی با تازه های هوش مصنوعی،chat GPTو ابزارهای آن در پژوهش و زندگی روزمره 😍😍

📢 برگزاری توسط کمیته تحقیقات دانشجویی دانشگاه علوم پزشکی شیراز با همکاری دانشگاه‌های ع.پ قطب ۵

سر فصل‌های دوره:
❗️آشنایی با تازه های هوش مصنوعی و chat GPT
❗️کاربرد هوش مصنوعی در زندگی روزمره و تحصیل
❗️کاربرد هوش مصنوعی در مقاله نویسی و پژوهش
❗️کاربرد هوش مصنوعی در برنامه‌نویسی و طراحی اپلیکیشن



🥇 با ارائه گواهی معتبر لاتین

📍همراه با پشتیبانی جهت رفع اشکال

📆  زمان‌ برگزاری: 5-6 تیرماه ماه
ساعت: 8 تا 11

📝مدرس:
- دکتر پربها
دکتری عمومی داروسازی ،رزیدنت فارماسیوتیکس، پژوهشگر و مدرس حیطه هوش مصنوعی و علوم رایانه

❗️به صورت مجازی در بستر اسکای روم و ضبط کلاس‌ها

❗️لینک ثبت‌نام:
https://evand.com/events/898594تازه-های-هوش-مصنوعی

❌اطلاعات بیشتر و کد تخفیف:
@SrcSUM

❗️هزینه دوره: 50 هزار تومان
❗️ تخفیف برای جدیدالورود به دانشگاه: ۲۰ درصد🥳
❗️ثبت نام گروهی ۴ نفر به بالا: ۲۰ درصد 🥳

❌ در ضمن کلی دوره آفلاین و کاربردی با تخفیف ویژه در لینک ثبت نام هست دوستان می‌توانند تهیه کنند🥳😉

همراه ما باشید 🌻
http://zil.ink/sumssrc_

لینک شرکت در کارگاه برنامه ریزی هوشمند👆🏻👆🏻👆🏻
❌لطفا جهت صدور گواهی شرکت در کارگاه، نام و نام خانوادگی خود(که هنگام ثبت نام وارد کرده اید) را وارد کرده و به عنوان مهمان وارد شوید.

دوستانی که موفق به ثبت نام نشده اند و مایل به شرکت در کارگاه می باشند پس از ورود به عنوان میهمان و وارد کردن نام و نام خانوادگی خود؛مشخصات خود شامل کد ملی و ایمیل را در قسمت چت باکس بنویسند.

📢کمیته تحقیقات و فناوری دانشجویی دانشکده تغذیه و علوم غذایی با همکاری کمیته تحقیقات و فناوری دانشجویی دانشکده بهداشت و انجمن علمی دانشجویی توسعه آموزش و مهارت‌های ارتباطی دانشگاه علوم پزشکی شیراز برگزار می‌کند؛

✅کارگاه "چگونه یک ارائه اکادمیک داشته باشیم؟"
👨🏻‍💻مدرس: جناب آقای دکتر محمدجعفر دهزاد
- دبیر انجمن تغذیه ایران شاخه فارس
- سرپرست کمیته تحقیقات و فناوری دانشجویی دانشکده تغذیه و علوم غذایی
🗒️تاریخ برگزاری: سه‌شنبه ۲۰ خردادماه ۱۴۰۴
🕔ساعت برگزاری: ۱۷ الی ۱۹
💻در بستر اسکای‌روم
🎥همراه با ضبط جلسه
📝ثبت نام:
https://docs.google.com/forms/d/1v8GckcwbYBA5E4hWpQSoWZ1THLsVAW08t8fIVuCoXdU/viewform
🌐لینک کارگاه در کانال زیر قرار می‌گیرد.
https://www.tgoop.com/+Q9kolfq8b4A2NDQ0
🌻همراه ما باشید
🔗https://www.tgoop.com/health_src_sums
🔗https://www.tgoop.com/Nsrc_sums
🔗https://zil.ink/amoozeshertebatsums

📣انجمن علمی دانشجویی توسعه آموزش و مهارت های ارتباطی برگزار می نماید؛

✅کارگاه «مهارت‌های مدیریت تفکر: چگونه ذهن‌مان را مدیریت کنیم؛ قبل از این که ما را مدیریت کند؟»
👨‍🏫مدرس: دکتر پیام فرهادی
- دانشجوی دکتری تخصصی مديريت خدمات بهداشتی و درمانی
- عضو هیئت علمی موسسه آموزش عالی زند
- دکتری مدیریت صنعتی
🕔چهارشنبه 1404/03/21ساعت 19-17
💵رایگان
📝 با ارائه گواهی معتبر
💻به صورت مجازی
🌐لینک ثبت نام:
https://evnd.co/o15qJ
😊با ما در ارتباط باشید:
https://zil.ink/amoozeshertebatsums

بازنگری در بازخورد: مهندسی پرسش چگونه کیفیت داوری علمی را متحول می‌کند؟

یکی از چالش‌های پنهان اما کلیدی در آموزش عالی، کیفیت بازخوردهای علمی است؛ چه در قالب داوری مقالات پژوهشی، چه در ارزیابی تدریس هیئت علمی، و چه در طراحی بازخوردهای سازنده برای دانشجویان. اغلب این بازخوردها یا بسیار کلی و سطحی‌اند، یا بیش از حد فنی و غیردرگیرکننده. اما اگر بتوان هوش مصنوعی را طوری به‌کار گرفت که این فرآیند را هم تسریع کند و هم تعمیق دهد چه می‌شود؟ پاسخ در مهندسی پرامپت در فضای بازخورد و داوری علمی نهفته است.

🔹 بازخورد تخصصی‌تر، با تقاضای دقیق‌تر
اگر از یک مدل زبانی بخواهیم:
❌ «این مقاله را نقد کن»
نتیجه، پاسخی عمومی، بدون تکیه بر ساختار علمی خواهد بود.
اما اگر بپرسیم:
✅ «بر اساس اصول IMRAD، مقاله‌ی پیوست‌شده را از نظر انسجام مقدمه، کفایت متد، قدرت تحلیل آماری و ارتباط نتایج با بحث ارزیابی کن. خروجی را به‌صورت بندهای مجزا همراه با پیشنهاد مشخص برای بهبود ارائه بده»
پاسخ، دقیق، ساختاریافته و کاربردی خواهد بود؛ قابل استفاده حتی در سامانه‌های رسمی داوری.

🔹 فرم‌های ارزیابی عملکرد هیئت علمی؛ بازطراحی با هوش مصنوعی
یکی از حوزه‌هایی که هنوز کمتر به‌شکل هوشمند بازمهندسی شده، فرم‌های ارزیابی تدریس اساتید است. با مهندسی پرامپت می‌توان بر اساس فریم‌ورک‌هایی مانند SET (Student Evaluation of Teaching) یا حتی مدل‌های آموزشی خاص هر دانشگاه، فرم‌هایی طراحی کرد که به‌جای امتیازدهی خام، تحلیل‌های کیفی قابل استفاده ارائه دهند.

✅ پرامپت پیشنهادی:
«فرمی برای ارزیابی تدریس در سطح آموزش بالینی طراحی کن که شامل معیارهایی چون تعامل بالینی با دانشجو، انتقال مفاهیم بالینی پیچیده، استفاده از شواهد، و مدیریت زمان باشد. پیشنهاد بده هر معیار با چه نوع سؤال (لیکرت، باز، سناریویی) سنجیده شود.»

🔹 هوش مصنوعی در داوری مقاله؛ شریک فکری نه جایگزین قضاوت
هوش مصنوعی جایگزین داور علمی نیست، اما می‌تواند تحلیل‌های اولیه، خلاصه‌های منسجم، و نقدهای ساختاریافته تولید کند که داور را در تصمیم‌گیری یاری دهد. این نکته به‌ویژه در داوری اولیه یا پیش‌اسکرین مقالات به‌کار می‌آید.

✅ پرامپت ترکیبی برای داوری:
«این مقاله را از نظر novelty، وضوح فرضیه، کیفیت متدولوژی، کفایت منابع، و تطابق نتیجه‌گیری با داده‌ها بررسی کن. برای هر بخش، نمره از ۵ و توضیح کیفی ارائه بده.»

📌 جمع‌بندی
بازخورد و داوری علمی، تنها زمانی اثربخش خواهند بود که ساختار داشته باشند، شفاف باشند، و توسعه‌محور باقی بمانند. مهندسی پرامپت، امکان طراحی چنین بازخوردهایی را فراهم می‌کند؛ آن هم بدون بار اضافی زمانی برای استاد یا پژوهشگر.

🔜 هفته‌ی آینده، به سراغ موضوعی می‌رویم که بسیاری از اساتید با آن درگیرند:
طراحی سؤال‌های آزمون با کمک هوش مصنوعی؛ از بلوپرینت تا تحلیل گزینه‌ها.

https://www.tgoop.com/SUMS_management_EDC

#آموزش_پزشکی
#Prompt_Engineering
#EDC

📢 *اطلاعیه لغو کارگاه*

با عرض پوزش به اطلاع می‌رساند، کارگاه «مهارت‌های مدیریت تفکر: چگونه ذهن‌مان را مدیریت کنیم؛ قبل از این که ما را مدیریت کند؟» که قرار بود در روز چهارشنبه ۲۱ خرداد ماه ۱۴۰۴، ساعت ۱۷ تا ۱۹ با تدریس آقای دکتر پیام فرهادی برگزار شود، به دلایلی لغو گردید.

از همراهی و توجه شما سپاسگزاریم. در صورت برنامه‌ریزی مجدد، از طریق همین کانال اطلاع‌رسانی خواهد شد.

با احترام

[انجمن علمی دانشجویی توسعه آموزش و مهارت های ارتباطی دانشگاه علوم پزشکی شیراز]

طراحی آزمون با هوش مصنوعی: از ساختاردهی هدفمند تا سنجش کیفیت ارزشیابی
در ساختار آموزشی نوین، طراحی آزمون نه صرفاً ابزاری برای سنجش یادگیری، بلکه بخشی جدایی‌ناپذیر از فرآیند یاددهی و یادگیری محسوب می‌شود. در این میان، ورود هوش مصنوعی به حوزه‌ی طراحی ارزشیابی‌ها، فرصتی استراتژیک پدید آورده است. اما تنها در صورتی می‌توان از این ظرفیت به‌درستی استفاده کرد که از رویکردی هدفمند و مهندسی‌شده در طراحی پرسش‌ها بهره گرفت.
در طراحی سؤالات آزمون، استفاده از مدل‌های زبانی (LMMها) زمانی اثربخش خواهد بود که مدل، از ابتدا با ساختار علمی آزمون هدایت شود. این ساختار شامل مواردی همچون بلوپرینت آموزشی، سطح یادگیری مورد انتظار (LOs)، هدف سنجش (دانشی، تحلیلی، مهارتی) و حتی فرمت سؤالات (MCQ، SAQ، Key Feature و...) است. صرفاً دادن عنوان درس یا موضوع کافی نیست؛ مدل باید با چارچوب ارزشیابی معتبر هدایت شود.
📌 آنچه امروز به‌عنوان یک نوآوری در حال تثبیت است:
استفاده از هوش مصنوعی در تولید اولیه‌ی سؤالات متنوع با تطبیق هدف آموزشی
تولید آیتم‌بان طبقه‌بندی‌شده بر اساس سطح بلوم یا میلر
تحلیل روان‌سنجی اولیه (تخمین دشواری، تمایز، کژتابی) با ارجاع به داده‌های پیشین یا تخمین‌های آماری فرضی
تولید گزینه‌های انحرافی بر پایه‌ی خطاهای بالینی رایج یا باورهای نادرست یادگیرندگان
شناسایی همپوشانی‌های ناخواسته بین آیتم‌ها یا هشدار نسبت به تکرار پنهان محتوا
در حال حاضر، برخی دانشگاه‌های پیشرو در دنیا، استفاده از مدل‌های AI را در ترکیب با سیستم‌های ارزیابی ساختاریافته (مثل ExamSoft و QPercom) آغاز کرده‌اند تا طراحی آزمون را از یک فعالیت فردی به یک فرآیند تیمی مبتنی بر داده ارتقاء دهند.
❗ اما نکته کلیدی اینجاست: مدل‌های هوش مصنوعی نیاز به هدایت دارند. یعنی نه تنها طراحی پرامپت باید دقیق باشد، بلکه ساختار ذهنی استاد طراح سؤال هم باید نسبت به هدف نهایی روشن و منسجم باشد. در غیر این‌صورت، خروجی به جای ارتقای کیفیت، موجب یکنواختی و حتی خطای محتوایی خواهد شد.
📍 نتیجه‌گیری:
مهندسی پرسش در طراحی آزمون با هوش مصنوعی، نوعی بازتعریف نقش استاد به‌عنوان طراح یادگیری است. جایی که ارزشیابی دیگر نقطه پایان آموزش نیست، بلکه بستری برای بازنگری در مسیر یادگیری است — دقیق، معتبر و تحلیل‌پذیر.
📌 در پست هفته آینده، به بررسی یکی از چالش‌های کلیدی خواهیم پرداخت:
آیا هوش مصنوعی می‌تواند در طراحی آموزش مبتنی بر شایستگی (CBME) نقش فعالی ایفا کند؟

https://www.tgoop.com/SUMS_management_EDC

#آموزش_پزشکی
#Prompt_Engineering
#EDC

آموزش مبتنی بر شایستگی در عصر هوش مصنوعی: نقش مهندسی پرسش در طراحی مسیر یادگیری
آموزش مبتنی بر شایستگی (CBME)، بیش از آن‌که بر انتقال دانش متمرکز باشد، بر توانمندسازی فراگیر در اجرای مهارت‌ها و تصمیم‌گیری در موقعیت‌های واقعی استوار است. این رویکرد نیازمند ارزشیابی پیوسته، بازخورد فردی‌شده و طراحی مسیرهای یادگیری تطبیقی است؛ الزاماتی که در مقیاس‌های بالای آموزشی، بدون پشتیبانی فناوری، عملاً فرساینده و گاه غیرعملی‌اند.

در این نقطه است که هوش مصنوعی، اگر با مهندسی پرسش صحیح همراه شود، به ابزاری پویا در خدمت طراحی و اجرای CBME بدل می‌شود.

📌 اما چگونه؟

هوش مصنوعی می‌تواند به کمک مهندسی پرسش:

سناریوهای کلینیکی سطح‌بندی‌شده برای تمرین شایستگی‌ها تولید کند؛ با رعایت تدریجی‌بودن، شفافیت انتظار و ارجاع به استانداردهای حرفه‌ای

نقشه‌های یادگیری فردی (Individualized Learning Plans) بر اساس نقاط ضعف عملکردی پیشنهاد دهد

در ارزشیابی‌های تکوینی، بازخوردهای دقیق، سریع و متناسب با مدل EPA یا Milestone ارائه کند

شبیه‌سازی گفت‌وگوهای بالینی یا تصمیم‌گیری‌های اخلاقی را برای نقش‌آفرینی دانشجو در محیط‌های ساختگی اما واقع‌گرا ممکن سازد

با این‌حال، دسترسی به چنین کارایی‌ای، تنها در صورتی ممکن است که استاد یا طراح آموزشی، بتواند خواسته‌ی خود را با زبانی شفاف، مرحله‌بندی‌شده، و مبتنی بر واژگان تخصصی حیطه، در قالب پرامپت به مدل منتقل کند.

به‌عبارتی، پرامپت شما باید همان چیزی را بازتاب دهد که در طراحی یک دوره CBME مد نظر دارید:
«شایستگی محور باشید، اما زمینه‌مند، شخصی‌سازی‌شده، و قابل سنجش.»

📍 نکته پایانی:
هوش مصنوعی، یک تحول فناورانه نیست؛ یک تغییر پارادایم در نقش استاد و یادگیرنده است. جایی که مسئولیت طراح آموزشی از تدریس، به طراحی شرایط یادگیری مؤثر، معتبر و انطباق‌پذیر منتقل می‌شود.

🔜 در پست آینده، به بررسی یکی از کاربردهای نوظهور دیگر می‌پردازیم:
چگونه با کمک مهندسی پرسش، بازخوردهای Peer-to-Peer در یادگیری گروهی را ساختارمند و اثربخش کنیم؟

https://www.tgoop.com/SUMS_management_EDC

#آموزش_مبتنی_بر_شایستگی
#CBME
#Prompt_Engineering
#مهندسی_پرسش
#هوش_مصنوعی_در_آموزش
#EDC
#تحول_دیجیتال_پزشکی

با سلام
گواهی‌ این کارگاه برای تمامی عزیزان ارسال شد

سرکار خانم مرضیه سیف لطفا ایمیل‌تان جهت دریافت گواهی کارگاه به آیدی @kosarghaddaripour ارسال نمایید
با تشکر

🎖🏵 کارگروه مدیریت و اطلاع رسانی پزشکی کمیته دانشجویی توسعه آموزش پزشکی با همکاری کمیته دانشجویی دفتر استعداد درخشان دانشکده مدیریت و اطلاع رسانی پزشکی و کمیته تحقیقات و فناوری دانشجویی دانشکده پزشکی دانشگاه علوم پزشکی شیراز برگزار می نماید:

🤔کارگاه “هوش غالب شما چیست و برای چه کاری ساخته شده اید؟”🤩

👩‍🏫مدرس: لیلا فتحی
🔹نویسنده سه جلد کتاب
🔹ده سال سابقه فعالیت در مرکز پژوهشی وزارت علوم
🔹برگزاری کارگاه در دانشگاه شیراز، علوم پزشکی و صنعتی شیراز

✨زمان برگزاری: شنبه ۱۱ مردادماه ۱۴۰۴ - ساعت ۱۷ تا ۱۹

📌برگزاری به صورت مجازی و با ارائه گواهی معتبر می‌باشد.
📌جهت ثبت نام رایگان در این کارگاه از طریق این لینک اقدام فرمایید.

💡کمیته دانشجویی توسعه آموزش علوم پزشکی شیراز

🆔 @Scmed_sums
🆔 @SUMS_management_EDC
🆔 @MedRC_SUMS