https://virgool.ir/feed/@abbas.palashداد جاروبی به دستم آن نگار / گفت کز دریا برانگیزان غبارfa2026-11-11 00:11:31https://files.virgool.ir/upload/users/70205/avatar/DG6AbX.jpeghttps://virgool.ir/@abbas.palashhttps://virgool.ir/@abbas.palash/دوران-کودکی-و-هوش-مصنوعی-joqjr22skf7fنهچگونه هوش مصنوعی دوران کودکی را بازنویسی می‌کنداگر چه هنوز ماه عسل جهان با هوش مصنوعی به پایان نرسیده و ما به لطف عزیزانی که همه عمر باری بر دوش ما بوده‌اند کمتر به آن دسترسی داشته‌ایم و مستی قدرتی که دیگران تجربه کرده‌اند را به تمامی تجربه نکرده‌ایم، اما طبق روال نابرابر دنیا، سوز برفی را تجربه می‌کنیم که دیگران با آن سورتمه‌سواری و اسکی کرده‌اند. نمی‌توان منکر تاثیرات آن در جای جای جامعه و زندگی شد از نقش دانای کل، مشاور تحصیلی و درمانگر روان تا پزشک در دسترس و رایگان و حتا نگرانی گرافیست‌ها و برنامه‌نویسان و تهیه‌کنندگان بی‌محتوا از تهدید شغل و محل درآمدشون و ...مطلب زیر ترجمه مقاله‌ای است از اکونومیست درباره کودکی نوین زیر سایه هوش مصنوعی. موضوعی که بسیار کم از آن سخن گفته شده ولی یقین داشته باشید که به‌زودی بسیار از آن خواهیم گفت.چگونه هوش مصنوعی دوران کودکی را بازنویسی می‌کندHow AI is rewiring childhoodهوش مصنوعی فرصت‌های خیره‌کننده‌ای برای کودکان می‌سازد و در عین حال خطرهای هولناکی را نیز به همراه دارد.جوراب‌های کریسمس امسال ممکن است بیش از حد معمول پر از شگفتی باشند، زیرا کودکان هدایایی را باز می‌کنند که می‌توانند سخن بگویند و پاسخ بدهند. تولیدکنندگان اسباب‌بازی در چین، سال ۲۰۲۵ را «سال هوش مصنوعی» اعلام کرده‌اند و ربات‌ها و عروسک‌های خرسی می‌سازند که می‌توانند آموزش دهند، بازی کنند و داستان بگویند. در همین حال، کودکان بزرگ‌تر محو ویدیوهای ویرال مبتنی بر هوش مصنوعی و بازی‌های تقویت‌شده با آن شده‌اند. در مدرسه، بسیاری از آنها با محتوایی آموزش می‌بینند که با ابزارهایی مانند ChatGPT ساخته شده است. برخی حتی در کنار آموزشگرهای چت‌بات درس می‌خوانند.در بازی و آموزش، هوش مصنوعی دوران کودکی را بازنویسى می‌کند. این فناوری وعده می‌دهد نوعی تربیت را به همه کودکان بدهد که پیش‌تر فقط در دسترس ثروتمندان بود: معلمان خصوصی، برنامه‌درسی شخصی‌سازی‌شده و سرگرمی‌های سفارشی. کودکان می‌توانند به آهنگ‌هایی که درباره خودشان ساخته شده گوش دهند، داستان‌هایی بخوانند که در آن‌ها نقش اصلی دارند، بازی‌های ویدیویی انجام دهند که با سطح مهارتشان سازگار می‌شود و گروهی از دوستان چت‌بات داشته باشند که آن‌ها را تشویق می‌کنند. کودکی شاهانه می‌تواند برای همه قابل دسترس شود.این آینده سرشار از فرصت‌هاست و پر از دام‌های پنهان. همان‌طور که پادشاهان واقعی نیز کشف کرده‌اند، تربیت سفارشی می‌تواند باعث تنهایی و انزوا شود. افزون بر آن، همان‌طور که افراد قدرتمند معمولاً تجربه کرده‌اند، می‌تواند بزرگسالانی تربیت کند که برای زندگی واقعی آماده نیستند. وقتی هوش مصنوعی دوران کودکی را، هم به‌خوبی و هم به‌بدی، تغییر می‌دهد، جامعه باید درباره مفهوم بزرگ شدن دوباره بیندیشد.بزرگ شدن زیر نظر ربات‌ها مزایایی دارد. شرکت‌های فناوری از همین حالا نشان می‌دهند که چگونه هوش مصنوعی می‌تواند یادگیری را تقویت کند، مخصوصاً در جاهایی که معلم و منابع آموزشی کم است. سوادآموزی و یادگیری زبان در آزمایش‌های اولیه بهبود یافته‌اند. رؤیا این است که با یک معلم هوش مصنوعی، کودکان از کلاس‌هایی که برای سطح متوسط طراحی شده‌اند نجات یابند، کلاس‌هایی که در آن دانش‌آموزان تیزهوش خسته و دانش‌آموزان ضعیف گم می‌شوند. اگر نسخه‌ای از این متن برای یک کودک هشت‌ساله هندی‌زبان بخواهید، هوش مصنوعی می‌تواند آن را بازنویسی کند و اگر کودک ترجیح دهد نسخه کارتونی یا آهنگین داشته باشد، مشکلی نیست.فناوری همچنین سرگرمی‌های تازه‌ای خلق می‌کند. هالیوود شاید ویدیوهای هوش مصنوعی را «بی‌کیفیت» بداند، اما جوانان آن‌ها را با اشتیاق می‌بینند و خودشان تولید می‌کنند. اسباب‌بازی‌های قدیمی در حال ارتقا هستند: نسخه مجهز به هوش مصنوعی Trivial Pursuit می‌تواند درباره هر موضوعی سوال بپرسد. بازی‌های ویدیویی تجربه‌های نو می‌آفرینند، مانند صحبت کردن با دارث ویدر در «فورتنایت». هر کودکی می‌تواند با قهرمانانش ملاقات کند (و به آن‌ها شلیک کند).اما خطرهای عمده‌ای در این است که کودکان را با فناوری در حال تکامل تنها بگذاریم. معلم‌های هوش مصنوعی ممکن است پاسخ‌های غلط «توهم‌زده» تولید کنند. اسباب‌بازی‌ها ممکن است از مسیر خارج شوند: والدین باید مراقب عروسک خرسی هوش مصنوعی باشند که اخیراً معلوم شد صحبت‌های جنسی انحرافی چاشنی مکالمه‌اش شده است. کودکان می‌توانند به‌راحتی از هوش مصنوعی سوءاستفاده کنند، برای تقلب در مشق یا آزار یکدیگر با ویدیوهای «دیپ‌فیک». چت‌بات‌ها می‌توانند نوجوانان آسیب‌پذیر را به خودآزاری تحریک کنند. شرکت‌های فناوری اصرار دارند که این مشکلات قابل رفع‌اند، ChatGPT هنوز فقط سه‌ساله است.بااین‌حال، دوران کودکی ممکن است بیشتر از هر چیز با پدیده قابل انتظار ناکاری هوش مصنوعی مختل شود. این فناوری خیلی سریع یاد می‌گیرد صاحبش چه چیزی را دوست دارد و همان را بیشتر نشان می‌دهد. شبکه‌های اجتماعی پیش‌تر اتاق‌های پژواکی ساخته‌اند که افراد فقط دیدگاه‌های همسو (یا متنفرانه) می‌بینند. هوش مصنوعی تهدید می‌کند این اتاق‌های پژواک را تقویت کرده و کودکان را از سن کم در آن زندانی کند. کودکی که فوتبال دوست دارد، ممکن است از خرسش داستان‌های فوتبالی بشنود و از معلم هوش مصنوعی‌اش مثال‌های فوتبالی بگیرد. این نه تنها تصادف‌های خوشایند زندگی را از بین می‌برد، بلکه باعث می‌شود کودک هرگز نیازی به تحمل چیز ناآشنا نداشته باشد.رابطه‌های یک‌طرفه با چت‌بات‌ها نیز همین خطر را دارند. همراهان هوش مصنوعی که هرگز انتقاد نمی‌کنند و احساسات واقعی ندارند، مربیان و همراهان خوبی برای مواجهه با انسان‌های در حال رشد و ناکامل نیستند. یک‌سوم نوجوانان آمریکایی می‌گویند صحبت با یک همراه هوش مصنوعی برایشان حداقل به‌اندازه صحبت با یک دوست رضایت‌بخش است و آسان‌تر از حرف زدن با والدینشان. «ربات‌های همیشه‌موافق» تهدید می‌کنند کودکانی بسازند که به انتظار و نوبت گرفتن عادت ندارند و بعدها همکارانی خواهند شد که توان مصالحه ندارند و شریک‌هایی خواهند بود که با بده‌بستان رابطه آشنا نیستند.روندهای دیگر نیز همین مسیر را تقویت می‌کنند. با سقوط نرخ تولد، کودکان کمتری با خواهر و برادر بزرگ می‌شوند تا لبه‌های تیز شخصیتشان نرم شود. تعداد فزاینده‌ای از بزرگسالان جوان تصمیم می‌گیرند که روابط عاشقانه بلندمدت ارزش دردسرش را ندارد. کار از راه دور باعث می‌شود کسانی که در جهانی شخصی‌سازی‌شده و ضد اجتماعی بزرگ شده‌اند به شغل‌هایی وارد شوند که تعاملاتشان با همکاران فقط از طریق صفحه‌نمایش است، کاری که شاید در آینده به یک عامل هوش مصنوعی واگذار شود.برخی اقدامات فوری لازم است. والدین باید پیش از سپردن فرزند خود به «ماشین بازگوکننده واژه‌ها»-چه در قالب عروسک خرسی و چه غیر آن-دوباره فکر کنند. چت‌بات‌ها باید محدودیت سنی داشته باشند و این محدودیت‌ها باید جدی اجرا شود، دولت‌ها نباید همان آزادی‌ای را به شرکت‌های AI بدهند که به شبکه‌های اجتماعی دادند، شبکه‌هایی که تازه اکنون مجبور به اعمال محدودیت سنی شده‌اند. معلمان نباید خود را فریب دهند: انشاهایی که در خانه نوشته می‌شود دیگر قابل اعتماد نیستند. در عصر هوش مصنوعی، ارزیابی‌های داخل مدرسه ضروری‌تر از همیشه است.چالش بلندمدت این است که عمیقاً بیندیشیم چگونه می‌توان اجتماعی‌شدن کودکان را حفظ کرد، فرآیندی که ممکن است هوش مصنوعی از زندگی آنان پاک کند. مدرسه‌ها، جایی که بخش زیادی از دوران کودکی در آن می‌گذرد، بهترین مکان برای این کارند. آن‌ها باید از آموزش شخصی‌سازی‌شده در جاهایی که اثربخش است استفاده کنند. اما همچنین باید تلاش خود را دوچندان کنند تا چیزهایی را بیاموزند که ربات نمی‌تواند: بحث کردن، اختلاف‌نظر داشتن و کنار آمدن با دیگران، شاید حتی قدردانی از افرادی که مانند یک چت‌بات چاپلوس و موافق‌گو نیستند.شاهزادگان خوشبخت، پادشاهی‌های توخالیمدارس باید نقش خود را به‌عنوان مراکز کشف و تجربه تقویت کنند. اگر هوش مصنوعی بیشتر آنچه کودکان می‌خواهند به آنان می‌دهد، مهم‌تر این است که مدارس فرصت‌هایی فراهم کنند تا با انسان‌ها ملاقات کنند و با ایده‌هایی روبه‌رو شوند که خارج از تجربه‌شان است. شخصی‌سازی الگوریتمی تهدید می‌کند که به مانعی قدرتمند برای تحرک اجتماعی تبدیل شود، اگر افراد را در مسیری که شروع کرده‌اند نگه دارد. اگر مدارس نه چندان ثروتمند یا فقیر صرفاً به استفاده از چت‌بات‌ها به‌عنوان جایگزین‌های ارزان برای معلمان انسانی روی بیاورند، نابرابری ممکن است تشدید شود.هوش مصنوعی بدون شک ظرفیت بهبود آموزش و غنی‌سازی سرگرمی را دارد. شاید روزی بتواند به هر کودک اجازه دهد همچون شاهزادگان زندگی کند. اما شاید واقعاً خوشبخت‌ها کسانی باشند که والدین و معلمانشان می‌دانند چه زمانی باید این ابزارها را خاموش کنند.عباس پالاشعباس پالاشSun, 07 Dec 2025 12:45:57 +0330https://virgool.ir/@abbas.palash/سنگ-بنای-رمز-ارز-g9si7lwuxfkgسنگ‌بنای رمز ارزخشت اول بیت‌کویندر سال ۲۰۰۸ جهان شاهد یکی از بزرگ‌ترین بحران‌های مالی تاریخ بود. بانک‌ها به خاطر وام‌های پرخطر و بی‌محابا، به مرز ورشکستگی رسیدند. برای اینکه کل اقتصاد فرو نپاشد، دولت‌ها با پول مالیات‌دهندگان به کمک بانک‌ها رفتند. این اقدام که به آن «نجات مالی» یا bailout گفته می‌شود، موجی از خشم عمومی را هم به همراه داشت: چرا باید مردم عادی تاوان اشتباهات بانک‌ها را بدهند؟اما مشکل به همین‌جا ختم نشد. تنها چند ماه بعد، دوباره بانک‌ها درگیر بحران شدند و دولت بریتانیا در آستانه دومین بسته کمک مالی به آن‌ها بود. همین خبر در روزنامه The Times چاپ شد و ساتوشی ناکاموتو مبدع ناشناس بیت‌کوین آن را در بلاک نخست بیت‌کوین معروف به بلاک پیدایش یا Genesis حک کرد.در ۳ ژانویه ۲۰۰۹، روزنامه The Times نوشت:The Chancellor on brink of second bailout for banks«صدر اعظم [بریتانیا] در آستانه دومین بسته نجات مالی برای بانک‌ها»یعنی دولت انگلیس مجبور شده بود برای بار دوم پول زیادی از مالیات مردم به بانک‌های ورشکسته بدهد تا آن‌ها سقوط نکنند.ساتوشی ناکاموتو، سازنده بیت‌کوین، همین تیتر را در بلاک اول بیت‌کوین گذاشت تا نشان دهد دلیل ساختن بیت‌کوین این بوده که دیگر مردم وابسته به بانک‌ها و دولت‌ها نباشند، چون سیستم مالی سنتی بی‌ثبات و ناعادلانه است.بلاک نخست بیت‌کوین معروف به بلاک پیدایش یا Genesis بطور کلی در هر block chain (زنجیره بلاک) به نخستین بلاک یا بلاک صفر (یا ۱) پیدایش یا Genesis گفته می‌شود.https://en.bitcoin.it/wiki/Genesis_blockتیتر روزنامه تایمز در نخستین بلاک رمزارزبا بلاک شماره صفر، که به آن بلاک پیدایش گفته می‌شود، ساتوشی ناکاموتو اولین ۵۰ بیت‌کوین تاریخ را ایجاد کرد. اما این ۵۰ بیت‌کوین یک ویژگی خاص دارند: هیچ‌وقت قابل خرج شدن نیستند. بلاک صفر به شکل عادی در زنجیره تولید و ثبت نشده است، بلکه بطور مستقیم در کد بیت‌کوین سخت‌کد (hard-coded) شده است. به همین دلیل پاداش ۵۰ بیت‌کوینی آن هیچ‌وقت وارد فهرست خروجی‌های قابل خرج (UTXO set) نمی‌شود. اگر کسی بخواهد آن ۵۰ بیت‌کوین را خرج کند، نرم‌افزار بیت‌کوین آن تراکنش را نامعتبر می‌داند. بنابراین این ۵۰ بیت‌کوین برای همیشه در همان بلاک باقی می‌ماند. عرضه واقعی بیت‌کوین در جهان عملاً ۵۰ کوین کمتر از ۲۱ میلیون است. بسیاری بر این باورند که ساتوشی این کار را عمداً انجام داد تا این ۵۰ بیت‌کوین یک یادبود تاریخی باشند، نه ثروتی که کسی بتواند مالک آن شود.عباس پالاشعباس پالاشMon, 06 Oct 2025 18:23:20 +0330https://virgool.ir/codenevis/پیاده-سازی-فایل-سیستم-cd-rom-بر-روی-رزبری-پای-پیکو-v2vxk7fj4t8kهفته پیش برای کاری، مبدل یو اس بی به شبکه رو تست می‌کردیممبدل USB به Ethernetاین مبدل‌ها معمولا یه تراشه RTL8152/8153 از RealTek  دارند یا AX88772/88179 از ASIX  نکته‌ای که توجه‌ام رو جلب کرد و البته در یکی دو مورد دیگه هم دیده بودم، این بود که با اتصال USB به لپتاپ، درایوی مشابه CD-ROM باز می‌شد که درایور مورد نیاز سخت‌افزار همراهش بود.به نظرم ایده خوبی اومد و سعی کردم روی یه Raspberry Pi Pico پیاده‌سازی کنم که با اتصال Raspberry Pi Pico به لپتاپ از راه USB یه فایل و برنامه بتونه اجرا شه برای کار با دستگاه.رزبری پای پیکویه مشکل این بود که برای برنامه‌ ریختن روی رزبری پیکو هم از USB OTG استفاده میشه و باید این کارکرد ۲گانه حفظ می‌شد. یعنی در کنار اینکه خود رزبری به عنوان درایو USB DISK شناخته می‌شد، باید جداگانه به عنوان CD-ROM شناخته می‌شد که اجازه تغییر هم نده و فقط خواندنی باشه.ملاحظه بعدی RAM پایین دستگاه بود264KB of on-chip SRAM2MB of on-board QSPI Flashبرای فایل سیستم  FAT12 انتخاب شد که سبکتر بود.ساختار صحیح فایل‌سیستم FAT12برای اینکه کامپیوتر بتونه درایو ما را بخونه، باید یک فایل‌سیستم معتبر روی آن ایجاد می‌شد. فایل‌سیستم کلاسیک FAT12 را انتخاب کردم که برای درایوهای کوچک بهینه است. ساختار FAT12 فقط مجموعه‌ای از بایت‌ها نیست، نقشه دقیق و منظمیه که شامل بخش‌های زیر می‌شود:Boot Sector (بوت سکتور): شناسنامه دیسک که اطلاعات حیاتی مانند حجم سکتور و تعداد کلاسترها را در خود دارد.FAT Tables (جداول تخصیص فایل): قلب فایل‌سیستم که وضعیت هر کلاستر (آزاد، اشغال‌شده، یا خراب) را مشخص می‌کنه.Root Directory (پوشه ریشه): اطلاعات فایل‌ها و پوشه‌ها مانند نام و آدرس کلاستر شروع آن‌ها درش ذخیره میشه.Data Area (ناحیه داده‌ها): محتوای واقعی فایل‌ها در این بخش قرار می‌گیرد.این ساختار باید با دقت و بایت به بایت در حافظه فلش پیکو شبیه‌سازی می‌شد.پیاده‌سازی نگاشت صحیح کلاستر به سکتوردر FAT12، داده‌ها در واحدهایی منطقی یا در حافظه به نام «کلاستر» (Cluster) سازماندهی می‌شن، اما روی دیسک بصورت فیزیکی به نام «سکتور» (Sector) ذخیره می‌شن. یک چالش مهم، تبدیل آدرس منطقی کلاستر به آدرس فیزیکی سکتور بود. برای مثال، کلاستر شماره ۲ (اولین کلاستر قابل استفاده برای داده) باید به سکتور شماره ۴ نگاشت می‌شد. ذخیره‌سازی فایل‌های چند سکتوری با زنجیره‌سازی کلاسترهایک فایل ممکن است بزرگ‌تر از یک کلاستر باشد و در بخش‌های مختلف دیسک پراکنده شود. فایل‌سیستم FAT12 از یک روش هوشمندانه برای پیوند دادن این بخش‌ها استفاده می‌کند که به آن «زنجیره‌سازی کلاستر» (Cluster Chaining) می‌گویند که در واقع یک فهرست پیوندی یا Linked List هست. در جدول FAT، هر ورودی به کلاستر بعدی که حاوی ادامه فایل است، اشاره می‌کند. نکته فنی جالب در FAT12 این است که هر ورودی ۱.۵ بایت (۱۲ بیت) فضا اشغال می‌کند! مدیریت این ساختار نامتعارف برای اطمینان از خوانده شدن کامل فایل‌های بزرگ، یکی از نکات مهمه.رعایت الزامات فرمت نام‌گذاری ۸.۳فایل‌سیستم FAT محدودیت‌های خاصی برای نام‌گذاری فایل‌ها دارد که به فرمت «۸.۳» معروفه:۸ کاراکتر برای نام و ۳ کاراکتر برای پسوند. چالش کامپایل و کتابخانهچون مدتیه کدهای embedded رو در حد امکان با Rust می‌نویسم سر استفاده از کتابخانه معروف Adafruit TinyUSB و هم چنین کامپایل خروجی Rust با فرمت uf2 فرمت UF2 یا USB Flashing Formatمعمولا برای فلش کردن و برنامه ریختن به ابزارهایی مثل J-Link و ST-Link و ... نیازه.برای ساده کردن فرایند برنامه‌ریزی روی زربری پای پیکو و برخی انواع دیگه بوردها و میکروکنترلرها، فرمت UF2 ابداع شده که کار رو بصورت کپی کردن ساده فایل روی بورد تبدیل کرده.قبل اتصال بورد به کامپیوتر، دکمه BOOTSEL یا انتخاب بوت‌لودر رو نگه می‌دارید تا بورد هنگام اتصال یه درایو USB عادی شناخته بشه. بعد از کپی فایل پسوند uf2. اگه فایل درست باشه، بورد بعد مدت کوتاهی ری‌استارت میشه و برنامه جدید اجرا میشه.عباس پالاشعباس پالاشTue, 30 Sep 2025 19:24:17 +0330https://virgool.ir/@abbas.palash/دشواری-های-غلط-یابی-پارسی-در-قیاس-با-انگلیسی-۶-a1iyzoljw3ghقسمت قبلی ۵بخش ۳: چالش زبان پارسی: چندلایگی دبیره یا رسم‌الخط، صرف یا ساخت‌واژه و قسمت‌بندی واژگانیافتن خطاهای نوشتاری در زبان پارسی مجموعه‌ای از چالش‌هاست که تفاوتی بنیادین با چالش‌های زبان انگلیسی دارد و به‌مراتب پیچیده‌تر است. مشکل در زبان انگلیسی عمدتاً به ابهام‌زدایی معنایی در چارچوب یک نظام دبیره یا رسم‌الخط یکدست مربوط می‌شود، مشکل در زبان پارسی از ابتدایی‌ترین سطوح نمایش نویسه‌ها، ساخت‌واژه و تشخیص مرزهای واژگانی آغاز می‌شود. این دشواری‌های بنیادی یک «پشته دشواری‌های» سلسله‌مراتبی می‌سازد که اگر اشتباهی در سطوح پایین‌تر مثلا شکل نوشتن صحیح واژه بکنیم، در تشخیص زمینه و بافتار به مشکل خواهیم خورد. نرم‌افزار ویرایش املای پارسی نمی‌تواند صرفاً به بررسی املا بپردازد؛ بلکه ابتدا باید واحدهای زبانی واژگانی را بسازد که قصد بررسی آن‌ها را دارد.۳.۱ رسم‌الخط پارسی-عربی: ابهام درونی و ذاتی در رسم‌الخطدستورخط یا رسم‌الخط پارسی-عربی، رسم‌الخطی تقریبا ابجدی است. منظور از ابجدی یعنی در این رسم‌الخط (حداقل در شکل فعلی) تنها حروف ثابت نوشته می‌شوند و حرکت صدادار تقریبا نوشته نمی‌شوند و باید از روی زمینه فهمید که مثلا منظور از مهر واژه مِهر است یا مَهر یا مُهر که اختلاف معنایی بسیار با یکدیگر دارند. این نوع پیچیدگی در زبان‌هایی که صدا یا واکه‌ها همراه با کلمه نوشته می‌شود مانند زبان انگلیسی هیچ مشابه مستقیمی ندارد.● حذف صداها یا واکه‌های کوتاه: مهم‌ترین ویژگی خط پارسی-عربی اینست که ذاتاً صامت‌نگار یا همخوان‌نگار است. سه واکهٔ کوتاه /æ/ (مانند «کَ» در cat)، /e/ (مانند «ـِ» در bet) و /o/ (مانند «ـُ» در boat) تنها با نشانه‌های اعراب (حرکات) نشان داده می‌شوند که تقریباً همیشه در نوشتار استاندارد حذف می‌گردند. تنها سه صدا یا واکه بلند (/ɒ/، /i/، /u/) به‌طور پیوسته با حروف مشخص نوشته می‌شوند که باعث می‌شود یک رشته از حروف صامت یا بی‌صدا یا همخوان‌ نمایانگر چند واژه متفاوت باشد. برای نمونه، واژه «کرم» (k-r-m) می‌تواند به صورت «kerem» (کِرِم، به‌معنای کِرِم پوستی یا کِرِم)، «karam» (کَرَم، به‌معنای بخشش یا سخاوت)، یا «kerm» (کِرم، به‌معنای جانور) خوانده شود. خوانش درست، و بنابراین واژه درست، تنها از طریق زمینه و بافت مشخص می‌شود. این ویژگی بخش بزرگی از وظیفه ویرایشگر املای فارسی را به مسئله ابهام‌زدایی معنایی واژه تبدیل می‌کند، جایی که نرم‌افزار باید پیش از بررسی خطا، واکه‌های حذف‌شده را حدس بزند تا واژه مورد نظر را شناسایی کند.● هم‌آوا و هم‌شکل بودن حروف: الفبای فارسی از عربی اقتباس شده است؛ زبانی سامی با دستگاه واجی متفاوت. در نتیجه، فارسی چندین حرف عربی را به ارث برده که در فارسی امروز همگی یکسان تلفظ می‌شوند. برای نمونه، چهار نویسه متفاوت برای آوای /z/ وجود دارد (ز، ذ، ض، ظ)، سه نویسه برای آوای /s/ (س، ث، ص) و دو نویسه برای هر یک از /t/ (ت، ط) و /h/ (ه، ح). این موضوع منجر به طیف گسترده‌ای از خطاهای املایی رایج می‌شود، جایی که نویسنده، به‌ویژه در واژه‌های وام‌گرفته از عربی، واج درست را می‌شناسد اما نویسه درست را نمی‌داند (مثلاً به‌جای «ذ» از «ز» استفاده می‌کند). این امر منبع اصلی خطاهای واژگان واقعی است، چرا که غلط تایپی حاصل اغلب خود یک واژه موجود (اما نادرست) به حساب می‌آید.عباس پالاشعباس پالاشMon, 29 Sep 2025 16:56:04 +0330https://virgool.ir/@abbas.palash/دشواری-های-غلط-یابی-پارسی-در-قیاس-با-انگلیسی-۵-xjzpo2klhgwfبخش ۱ - ۲ - ۳ - ۴ راهکار‌های رفع ابهام: اولویت متن یا زمینهدر بخش ۴ گفتیم که مهم‌ترین مشکل در غلط‌یابی زبان انگلیسی، مشکل اصلی معنایی است، در نتیجه کارآمدترین راه‌حل‌ها برای بررسی املای انگلیسی، آن‌هایی هستند که در تحلیل زمینه‌ای برتری دارند. ● مدل‌های زبانی Nگرام یا چند واژه‌ای: به طور تاریخی، مدل‌های Nگرام ابزار اصلی برای رفع ابهام خطاهای کلمات واقعی بوده‌اند. با محاسبه احتمال توالی‌های کلمات، نرم‌افزار می‌تواند حدس آگاهانه‌ای درباره واژه مورد نظر بزند. به عنوان مثال، احتمال Biگرام یا دوتایی «your book» یا کتاب شما بسیار بالاتر از «you're book» تو کتاب هستی است، که به نرم‌افزار امکان می‌دهد تا خطا را علامت‌گذاری کند. به طور مشابه، یک مدل Nگرام یا چند-واژه‌ای می‌تواند بر اساس فراوانی‌ها در یک مجموعه داده بزرگ به راحتی بین «there are» آنجا هستند و «their are» آن‌ها هستند، تمایز قائل شود.● بررسی‌کننده‌های یکپارچه دستور زبان و سبک: ماهیت خطاهای انگلیسی که بیشتر معنایی هستند باعث شده تا به فناوری فراتر از اصلاح ساده کلمات نیاز باشد. ابزارهای پیشرفته‌ای مانند Grammarly، Reverso و ProWritingAid بهتر است به‌عنوان دستیارهای جامع نوشتاری و نه تنها غلط‌یاب توصیف شوند. آنها بررسی دستور زبان را برای شناسایی مشکلاتی مانند تطابق فاعل و فعل را که ممکن است پس از اصلاح املا به وجود آید (مثلاً اصلاح «boy» به «boys» نیازمند به تغییر «runs» به «run» است) یکپارچه می‌کنند. این ابزارها همچنین پیشنهادهای مترادف، بازنویسی برای وضوح و بهبودهای سبک را ارائه می‌دهند که اغلب توسط مدل‌های پیشرفته هوش مصنوعی پشتیبانی می‌شوند که ساختار و معنای جمله را در سطح عمیق‌تری تحلیل می‌کنند.● یادگیری عمیق و مدل‌های ترنسفورمر: در قسمت ۳ از مدل‌های ترنسفورمر گفتیم. پیشرفته‌ترین سطح تحلیل متنی توسط مدل‌های یادگیری عمیق، به‌ویژه ترنسفورمرهایی مانند BERT انجام می‌شود. این مدل‌ها کل جمله را به‌صورت دوسویه در نظر می‌گیرند و به آن‌ها امکان می‌دهند وابستگی‌های بلندمدت و ظرایف معنایی ظریف را که برای مدل‌های n-gram یا چندواژه‌ای نامریی هستند، درک کنند. برای نمونه، در جمله‌ی «The effect of the new policy was not immediately apparent, but it began to affect the economy within a year»، «اثر سیاست جدید بلافاصله آشکار نبود، اما ظرف یک سال آغاز به تاثیرگذاری بر اقتصاد کرد.»یک مدل ترنسفورمر می‌تواند به‌درستی تشخیص دهد که جابجایی effect و affect نادرست خواهد بود، زیرا هر یک به‌ترتیب در نقش اسم و فعل در بافت کلی جمله به‌کار رفته‌اند.مورد دیگر جایگزینی واژه درست اما کمتر شناخته شده با واژه شناخته‌شده ولی نادرست دیگر است که به آن اثر Cupertino کوپرتینو می‌گویند. کوپرتینو شهری در کالیفرنیا است که دفتر مرکزی اپل در آن واقع است و گاهی در خبرها به کنایه از شرکت اپل از آن استفاده می‌شود. این واژه در غلط‌یاب‌ها به اشتباه به واژه cooperation یا همکاری تغییر داده می‌شد و به عنوان نمونه‌ای قدرتمند از محدودیت‌های مدل‌هایی است که به زمینه متن توجه ندارند. این اتفاق زمانی رخ می‌دهد که مدل زبانی بر پایه‌ی فراوانی واژه‌ها عمل می‌کند و چون واژه cupertino واژه کم‌کاربردی است با واژه پرکاربردتری مانند cooperation جایگزین می‌شود، بدون آن‌که اعتبارسنجی متنی کافی صورت گیرد. فراوانی چالش‌های خطاهای «واژه‌ی واقعی» در زبان انگلیسی، باعث شده است تا مجبور به طراحی مدل‌های متنی قدرتمند باشیم. مدل‌هایی که نه‌تنها مساله‌ی اصلی ابهام‌زدایی معنایی را حل می‌کنند، بلکه با فراهم آوردن نوعی بررسی منطقی اساسی بر پیشنهادهای تولیدشده، کیفیت اصلاح خطاهای «غیرواژه» را نیز بهبود می‌دهند.نرم‌افزار ویراستیار پارسی هم در این زمینه دچار مشکل بود و بسیاری از واژه‌ها مانند اسامی رایج داروها یا اصطلاحات پذیرفته شده خاص رشته‌های مختلف را به اشتباه به واژگان آشنا ولی نادرست تغییر می‌داد.عباس پالاشعباس پالاشWed, 24 Sep 2025 16:22:29 +0330https://virgool.ir/@abbas.palash/چرا-زبان-جولیا-سریع-است-jfarhnmcuodtتلسکوپ ویکتور ام. بلانکو در رصدخانه Cerro Tololo در شیلیجولیا تنها عضو سطح بالای باشگاه پتافلاپزبان برنامه‌نویسی جولیا اولین زبان سطح بالا بعد از زبان‌های C، ++C و Fortran بود که ۸ سال پیش در ۲۰۱۷ با پروژه Celeste به باشگاه پتافلاپ پیوست.پردازش ۱۷۸ ترابایت داده نجومی در کمتر از ۱۵ دقیقه و شناسایی ۱۸۸ میلیون شیء نجومی و عملکردی بیش از ۱۰۰ برابر بهتر از قبل.این کار در پروژه‌ای به نام Celeste.jl روی Cori، ابررایانه مرکز محاسبات مرکز پژوهش‌های علمی انرژی ملی آمریکا در برکلی کالیفرنیا انجام شد، که با استفاده از ۹۳۰۰ عدد Intel Xeon Phi 7200 با مجموع ۶۵۰ هزار هسته پردازشی، به سرعت پردازش ۱.۵۴ پتافلاپ رسید.پتافلاپ چیست؟پتافلاپ (Petaflop) واحدی برای سنجش سرعت محاسبات است. ۱ پتافلاپ یعنی ۱ کوادریلیون یا ۱ تریلیارد عملیات محاسباتی در ثانیه. این سرعت فوق‌العاده بالا معمولاً فقط در ابررایانه‌ها دیده می‌شود.پروژه Celesteهدف پروژه، جمع‌آوری تمام داده‌های تلسکوپی موجود در جهان و ایجاد یک فهرست واحد از تمام ستارگان و کهکشان‌ها است. به عبارت دیگر، Celeste می‌خواهد یک کاتالوگ کامل نجومی بسازد که شامل موقعیت، روشنایی و ویژگی‌های هر جرم آسمانی باشد. روش کار: استفاده از مدل‌های آماری پیچیده برای تخمین موقعیت، روشنایی، و مشخصات هر جرم آسمانی.زبان مورد استفاده: Julia، به دلیل سرعت بالا و قابلیت‌های محاسبات موازی. پردازش داده‌ها به صورت موازی و توزیع‌شده روی ابرکامپیوترها.سطح عملکرد: روی ابرکامپیوتر Cori در NERSC، پروژه توانست با بهره‌ گرفتن از حدود 1.3 میلیون نخ پردازشی به 1.54 پتافلاپ برسد.ویژگی‌های زبان جولیاجولیا برای محاسبات عددی و علمی طراحی شده و سرعت بسیار نزدیک به C و ++C دارد. Just-In-Time (JIT) compilation با LLVM → کد ماشین بهینه.به راحتی با GPU و MPI کار می‌کند و مناسب برای محاسبات موازی و توزیع‌شده است. بررسی ساده زبان جولیا با وجود اسکریپتی بودن، در لحظه (Just In Time, JIT) به کد LLVM یا Low Level Virtual Machine تبدیل می‌شود. به بهینه‌سازی واقعی در مثال زیر توجه کنید.فرض کنید ۲ تابع زیر را نوشته‌ایمfoo(x)=x+3 bar(x)=foo(x*2)و حالا می‌خواهیم bar(3) را حساب کنیم که مقدار آن ۹ است.بطور طبیعی انتظار داریم که این‌گونه محاسبه شود و تابع bar تابع foo را صدا بزند.bar(3) -> foo(3*2) -> 3*2+3 -> 9حالا از جولیا می‌خواهیم تا کد کامپایل شده را نشان دهد.@code_llvm debuginfo=:none bar(3) ; Function Signature: bar(Int64) ; Function Attrs: uwtable define i64 @julia_bar_782(i64 signext %"x::Int64") #0 { top: %0 = shl i64 %"x::Int64", 1 %1 = add i64 %0, 3 ret i64 %1 }خروجی LLVM کد جولیامحاسبه به این صورت انجام شده است. ابتدا پارامتر ورودی یا همان x به چپ شیفت داده شده است. شیفت یا انتقال ارقام در هر مبنایی معادل ضرب در آن مبناست. مثلا اگر 17 در مبنای 10 به چپ شیفت داده شود 170 می‌شود. در مبنای ۲ این کار معادل ضرب در ۲ است. سپس حاصل با ۳ جمع شده و نتیجه برگردانده شده است.خبری از فراخوانی تابع foo نیست و عملا در کد نهایی حذف شده که باعث می‌شود عملیات پرهزینه فراخوانی حذف شود و در عمل ۲ بهینه‌سازی انجام شده است.منابعپروژه Celesteبررسی جولیا در پروژه Celesteعباس پالاشعباس پالاشTue, 23 Sep 2025 17:51:17 +0330https://virgool.ir/@abbas.palash/دشواری-های-غلط-یابی-پارسی-در-قیاس-با-انگلیسی-۴-t3ubdpvetwljتحلیل تطبیقی غلط‌یابی در زبان‌های پارسی و انگلیسی: از بی‌قاعدگی‌های نوشتاری تا پیچیدگی صرفی (ساختواژه)بخش ۱ بخش ۲ بخش ۳غلط‌یاب گوگل بیش از ۶۰۰ شکل متفاوت نوشتن نام Britney Spears را شناسایی و اصلاح کرده استنمونه‌ای از خطاهای کاربران در جستجوی نام‌های مشهورMichael Jackson – michael jackson,  micheal jackson,  michel jackson,  mickael jackson,  mickal jackson,  michael jacson,  mihceal jackson,  mickeljackson,  michel jakson,  micheal jaskcon,  michal jackson,  mical jachson,  micahle jackson,  machael jackson,  muickael jackson,  mikael jackson,  miechle jackson,  mickel jackson,  mickeal jackson,  michkeal jackson,  michele jakson,  micheal jaskson,  micheal jasckson,  micheal jakson,  micheal jackston,  micheal jackson,  michal jakson,  michaeljackson,  michael joseph jackson,  michael jayston,  michael jakson,  michael jackson mania!,  michael jackaon,  micael jackson,  machel jackson,  jichael macksonخلاصهجزییات فنی ارائه شده در بخش ۲ و ۳ کمی از موضوع اصلی دور بود برای یادآوری دوباره، خلاصه‌ای از آنچه گفته شد:غلط‌یابی مستقل از زبان هدف، ۲ بخش اساسی دارد، تشخیص خطا و ارائه پیشنهادهای اصلاحی. برای بخش تشخیص اشتباه، از مقایسه با لغت‌نامه و مقایسه تری‌گرام‌های واژگان شناخته شده استفاده می‌شود. برای حدس زدن واژه صحیح هم از الگوریتم‌هایی مانند فاصله لونشتاین واژگان با یکدیگر استفاده می‌شود.در قسمت ۲ از نرم‌افزار مشهور غلط‌یاب ویراستیار یاد شد. با ۲ نفر از عزیزان نویسنده نرم‌افزار ویراستیار، جناب آقای امید کاشفی و کامیار کنعانی، مدت کوتاهی (مستقل از پروژه ویراستیار) همکار بوده‌ام. امیداورم فرصتی باشد تا نرم‌افزار ارزشمند ویراستیار را بررسی کنیم تا ببینم در تهیه این نرم‌افزار از چه روش‌ها و الگوریتم‌هایی استفاده شده است. در نرم‌افزار ویراستیار به خطاهای ناشی از حروف مجاور در چینش صفحه‌کلید QWERTY فارسی توجه شده است.مثلا برای بخش تشخیص، ویراستیار از تری‌گرام‌ها استفاده کرده است. البته جستجوی ریشه واژگان هم انجام می‌شود که بعدتر درباره آن صحبت خواهیم کرد. برای بخش ارائه پیشنهاد، الگوریتم Needleman-Wunsch نیدلمن-وانچ نیز استفاده شده است. در مورد فاصله لونشتاین، آقای امید کاشفی به عملیات‌های ۴ گانه، درج، حذف، جایگزینی و جابجایی ضرایب متفاوت داده است. این کار باعث تغییر در نتایج الگوریتم فاصله لونشتاین می‌شود.ضرایب کاشفی در نرم‌افزار ویراستیار برای محاسبه فاصله واژگان از یکدیگردرج یا فشار دادن تصادفی دکمه در صفحه کلید، ضریب ۰.۶۷۹حذف یا فراموش کردن حرف، ضریب ۰.۵۶۹جایگزینی که حاصل فشار دادن کلیدهای مجاور در صفحه کلید است ضریب ۰.۳۶۷جابجایی یا ترانسپوز که حاصل لغزش انگشتان بر روی صفحه کلید است، ضریب ۰.۷۲۵بخش ۲: غلط‌یابی در انگلیسی: ابهام در رسم‌الخط یا دبیرهانگلیسی امروزین، اگر چه از نظر صرف یا ساخت‌واژگی ساده‌تر از بسیاری از زبان‌های جهان است، اما رسم‌الخط آن به‌طرز دردآوری غیرقابل پیش‌بینی است. سیر تاریخی این زبان و جدایی آن از ریشه مشترک با زبان آلمانی در سده‌های پیشین، وام‌گیری گسترده از لاتین، فرانسوی و زبان‌های ژرمنی، باعث شده تا رسم‌الخط آن پیچیده و اغلب ناسازگار میان صداها و حروف شود. این ویژگی چالش اصلی برای غلط‌یابی انگلیسی را رقم می‌زند: مشکل کمتر به شناسایی صورت‌های نادرست واژگان مربوط است و بیشتر به رفع ابهام میان صورت‌های درست اما در بافت نادرست مربوط می‌شود. بنابراین، مشکل غلط‌یابی در زبان انگلیسی اساساً ماهیتی معنایی دارد.۲.۱. غلبه خطاهای واژگان واقعی: هم‌آواها و بی‌قاعدگی‌های املاییدرباره خطای واژه واقعی، خطایی که حاصل آن کلمه نادرست نیست بلکه یک واژه صحیح دیگر است (مانند رام به جای راز) صحبت کردیم. بزرگ‌ترین علت دشواری غلط‌یابی انگلیسی، رواج و شیوع خطاهای واژگان واقعی است که از چند ویژگی زبانی ناشی می‌شود:هم‌آوایی یا هوموفونی (Homophone): زبان انگلیسی سرشار از هم‌آواهاست، واژگانی که تلفظ یکسان دارند اما املا و معناهای متفاوتی دارند. جفت‌هایی مانند your/you're، to/too/two، its/it's و affect/effect همواره منبع خطا برای نویسندگان هستند. از آن‌جا که هر واژه در یک مجموعه هم‌آوا یک مدخل معتبر در واژه‌نامه دارد، غلط‌یابی املایی که زمینه یا بافتار را در نظر نگیرد، نمی‌تواند این خطاها را شناسایی کند. خطا در جمله «Your right» تنها زمانی قابل تشخیص است که درک شود «You're» (شکل کوتاه‌شده you are) از نظر دستوری در این بافت و بستر لازم است.بی‌قاعدگی‌های رسم‌الخطی: املای انگلیسی بر مجموعه‌ای از قواعدی استوار است که به‌طرز مشهوری پر از استثنا هستند. نمونه‌ها بسیارند، قاعده «i قبل از e، مگر پس از c، یا زمانی که صدای a بدهد، مانند neighbor و weigh» سوای پیچیدگی، استثناهای خاص خود را دارد (weird، seize). به همین ترتیب، قواعد مربوط به ساخت جمع (برای نمونه، واژه‌هایی که به -o ختم می‌شوند ممکن است -s یا -es بگیرند: pianos در برابر potatoes) و افزودن پسوندها می‌تواند گیج‌کننده باشد و به خطاهای مکرر بینجامد، خطاهایی که ممکن است به واژه‌های نادرست یا حتی غیرواژه منجر شوند.تنوع منطقه‌ای املای واژگان: شیوه‌های نوشتن متفاوت، به‌ویژه میان انگلیسی بریتانیایی و آمریکایی، لایه دیگری از پیچیدگی می‌سازد. واژگانی مانند colour/color، honour/honor، centre/center و افعالی که به ise/ize ختم می‌شوند، نیازمند آن هستند که غلط‌یاب یا از چند واژه‌نامه پشتیبانی کند یا یکدستی را درون یک متن اعمال نماید. نرم‌افزاری که «colour» را در متن خطا در نظر بگیرد، برای کاربر بریتانیایی، نرم‌افزاری مشکل‌دار است.مجموع این عوامل نشان می‌دهد که در زبان انگلیسی، دشوارترین و رایج‌ترین خطاها، تنها نوشتن‌های اشتباهی که به واژه‌های بی‌معنا منجر می‌شوند نیستند، بلکه خطاهای ظریفی‌اند که واژه‌ای متفاوت اما به همان اندازه معتبر در انگلیسی پدید می‌آورند. چالش نه در واژگان، بلکه در معناشناسی و فهم دستور زبان نهفته است.حالا برای رفع ابهام در این موارد چه باید کرد؟ چگونه متوجه شویم you're book نادرست است و چگونه متوجه شویم عبارت درست your book است؟عباس پالاشعباس پالاشSat, 20 Sep 2025 01:41:19 +0330https://virgool.ir/@abbas.palash/دشواری-های-غلط-یابی-پارسی-در-قیاس-با-انگلیسی-۳-kjq9fbeil1wwتحلیل تطبیقی غلط‌یابی در زبان‌های پارسی و انگلیسی: از بی‌قاعدگی‌های نوشتاری تا پیچیدگی صرفی (ساختواژه)مقایسه معماری GPT با BERTبخش اول - بخش دوم۱.۳ چالش متن: خطاهای غیرکلمه‌ای در مقابل خطاهای واقعیتکنیک‌های توضیح داده شده در بالا عمدتاً برای رسیدگی به یک دسته از خطاها طراحی شده‌اند. با این حال، یک سیستم کامل غلط‌یابی باید با دو نوع اشتباه متفاوت مقابله کند، تقسیم‌بندی‌ای که اساساً روش‌های معماری مورد نیاز را به دو مسیر مجزا تقسیم می‌کند.در پردازش زبان و بررسی املایی، دو نوع اصلی از خطاها وجود دارد که به‌طور متفاوتی باید شناسایی و اصلاح شوند:خطاهای غیرکلمه‌ای (Non-Word Errors):این این‌ها خطاهایی هستند که منجر به ایجاد رشته‌ای از حروف می‌شوند که واژه‌ای معتبر در واژگان زبان نیست (برای مثال: "langauge"، "teh"، "acheive"). این نوع خطاها از طریق جست‌وجو در فرهنگ لغت قابل شناسایی هستند و هدف اصلی الگوریتم‌های فاصله ویرایشی و الگوریتم‌های آوایی به شمار می‌روندخطاهای واقعی (Real-Word Errors):این خطاها به‌مراتب چالش‌برانگیزتر هستند. زمانی رخ می‌دهند که یک خطای نوشتاری به‌طور اتفاقی منجر به ایجاد یک واژه معتبر دیگر شود (برای مثال، نوشتن "from" به جای "form" یا "their" به جای "there"). از آن‌جا که واژه حاصل در فرهنگ لغت وجود دارد، روش‌های بدون درنظرگرفتن متن کاملاً نسبت به آن‌ها ناتوان هستند.شناسایی و اصلاح خطاهای واقعی مستلزم آن است که نرم‌افزار زمینه واژه را در جمله تحلیل کند. این کار با استفاده از مدل‌های زبانی زمینه‌ای انجام می‌شود که احتمال وقوع یک دنباله واژگان را ارزیابی می‌کنند. سنتی‌ترین رویکرد در این زمینه مدل n-تایی واژه است (مانند بایگرام (دوتایی) یا تری‌گرام (س تایی). این مدل‌ها احتمال یک واژه را بر اساس n−1 واژه پیشین محاسبه می‌کنند.برای نمونه، در جمله «I saw there house»، یک مدل تری‌گرام احتمال دنباله «saw there house» را بسیار پایین‌تر از «saw their house» ارزیابی می‌کند و در نتیجه، «there» را به‌عنوان یک خطای احتمالی مشخص می‌سازد.به‌تازگی، ظهور Deep Learning یا یادگیری عمیق مدل‌های زمینه‌ای بسیار قدرتمندتری را معرفی کرده است. معماری‌های مبتنی بر ترنسفورمر یا مبدل مانند BERT (Bidirectional Encoder Representations from Transformers) (ارایه رمزگذار دوجهتی از ترنسفورمرها) قادرند کل زمینه جمله (واژه‌های قبل و بعد) را تحلیل کنند تا درک معنایی عمیقی به دست آورند. با ماسک کردن یک واژه و پیش‌بینی جایگزین محتمل‌ترین آن، این مدل‌ها می‌توانند خطاهای واقعی ظریف را با دقت بسیار بالاتری نسبت به مدل‌های n-گرامی شناسایی کنند.برای فهمیدن این موضوع لازم است توضیحاتی درباره Transformerها داده شود. واژه معروف GPT در کلماتی مانند ChatGPT هم سرواژه عبارت Generative Pre-trained Transformer است.بطور بسیار خلاصه، ترنسفورمر نوعی مدل یادگیری عمیق است که برای پردازش زبان طبیعی (و حتی کارهای دیگر مثل تصویر) ساخته شده است. کاری که انجام می‌دهد این است که به جای نگاه کردن به کلمات بصورت تک‌تک و یکی‌یکی، کل جمله را همزمان نگاه می‌کند و روابط بین تمام کلمات را درک می‌کند. این کار باعث می‌شود مدل بفهمد یک کلمه در جمله چه نقشی دارد و معنای کلی جمله چیست.BERT یک مدل معروف بر پایه ترنسفورمر است. کاری که BERT انجام می‌دهد این است که جمله را از دو طرف نگاه می‌کند (یعنی هم کلمات قبل و هم کلمات بعد از یک واژه خاص) و سعی می‌کند بهترین واژه جایگزین را پیش‌بینی کند. این ویژگی باعث می‌شود BERT بتواند خطاهای ظریف واژه‌ای را تشخیص دهد و معنای جمله را نسبت به مدل‌های قدیمی مثل n-گرام بسیار بهتر بفهمد.قبل از توضیح مفصل‌تر درباره معماری Transformer، شاید بهتر باشه نگاهی به دنیای پردازش زبان‌های طبیعی قبل از پیدایش ترنسفورمر بیندازیم. قبل از مدل ترنسفورمر که دنیای پردازش زبان طبیعی رو متحول کرد، Recurrent Neural Networks یا شبکه‌های عصبی بازگشتی (RNN) و Long Short-Term Memory یا حافظه بلندمدت کوتاه‌مدت (LSTM) ابزارهای اصلی برای کار با داده‌های ترتیبی مثل متن یا سری‌های زمانی بودند. شبکه‌های عصبی بازگشتی (RNN)شبکه‌های عصبی بازگشتی برای پردازش داده‌هایی طراحی شده‌اند که ترتیب در آن‌ها اهمیت دارد، مانند جملات در یک متن یا داده‌های سری زمانی. این شبکه‌ها نوعی حافظه داخلی دارند که اطلاعات را از یک مرحله به مرحله بعدی منتقل می‌کند.نحوه کار: شبکه RNN داده‌ها را به‌صورت گام‌به‌گام پردازش می‌کند. در هر گام، ورودی جدید (مانند یک کلمه) با اطلاعات ذخیره‌شده از گام‌های قبلی ترکیب می‌شود تا خروجی تولید کند و حافظه به‌روزرسانی شود. این فرآیند مانند دنبال کردن یک زنجیره اطلاعاتی است که در هر مرحله تکمیل می‌شود.مزایا:توانایی پردازش داده‌هایی با طول‌های متفاوت.مناسب برای کاربردهایی مانند تشخیص گفتار یا پیش‌بینی سری‌های زمانی.محدودیت‌ها:حافظه محدود: در درک ارتباط بین داده‌هایی که فاصله زیادی از هم دارند، عملکرد ضعیفی دارد.پردازش کند: به دلیل پردازش ترتیبی، امکان انجام محاسبات همزمان وجود ندارد.چالش‌های یادگیری: گاهی یادگیری شبکه به دلیل مشکلات فنی دشوار می‌شود.شبکه‌های حافظه بلندمدت کوتاه‌مدت (LSTM)LSTM نسخه پیشرفته‌تری از RNN است که برای رفع مشکلات آن، به‌ویژه ناتوانی در حفظ اطلاعات بلندمدت، توسعه یافته است. این شبکه می‌تواند اطلاعات مهم را برای مدت طولانی‌تری حفظ کند.نحوه کار: LSTM دارای یک حافظه داخلی است که مانند یک دفترچه یادداشت عمل می‌کند. این حافظه توسط سه مکانیزم کنترلی مدیریت می‌شود:مکانیزم فراموشی: مشخص می‌کند چه اطلاعاتی از حافظه حذف شود.مکانیزم ورودی: تصمیم می‌گیرد چه اطلاعات جدیدی به حافظه اضافه شود.مکانیزم خروجی: تعیین می‌کند کدام اطلاعات از حافظه برای تولید خروجی استفاده شود. این مکانیزم‌ها به شبکه اجازه می‌دهند اطلاعات مهم را نگه دارد و موارد غیرضروری را کنار بگذارد.مزایا:یادگیری ارتباطات طولانی: توانایی درک ارتباط بین بخش‌های دور در داده‌ها، مانند جملات طولانی در متن.یادگیری پایدارتر: مشکلات یادگیری RNN را تا حد زیادی برطرف کرده است.کاربرد گسترده: در زمینه‌هایی مانند ترجمه متن، تحلیل احساسات و تشخیص گفتار استفاده شده است.محدودیت‌ها:پیچیدگی بالا: به دلیل ساختار پیچیده، پردازش آن زمان‌برتر است.پردازش ترتیبی: مانند RNN، داده‌ها را به‌صورت گام‌به‌گام پردازش می‌کند که سرعت را کاهش می‌دهد.نیاز به منابع بیشتر: برای داده‌های ساده ممکن است بیش از حد پیچیده باشد.البته نباید تصور کرد که با ظهور ترنسفورمر مدل‌هایی مانند RNN و LSTM منسوخ شده‌اند، در کاربردهایی مثل دسته‌بندی ایمیل یا تشخیص اسپم هنوز کاربرد دارند. در پردازش صدا و گفتار و پیش‌بینی سری‌های زمانی مانند قیمت سهام و تحلیل نوارهای مغز و قلب و روباتیک و تشخیص ناهنجاری مانند تقلب و کلاهبرداری در سیستم‌های مالی و کاربردهایی که نیاز به منابع بسیار محدودتر از مدل‌های ترنسفورمر دارند هنوز مورد استفاده هستند.حالا به تعریف کامل‌تر از ترنسفورمر برمی‌گردیممدل ترنسفورمر چیست؟ترنسفورمر یک معماری شبکه عصبی است که در سال ۲۰۱۷ توسط گروهی از پژوهشگران در مقاله‌ای با عنوان «توجه همه آن چیزی است که نیاز دارید» (Attention is All You Need) معرفی شد. این مدل برای پردازش داده‌های ترتیبی، به‌ویژه در پردازش زبان طبیعی (مانند ترجمه، تولید متن و پاسخ به پرسش‌ها) طراحی شده است. برخلاف مدل‌های قبلی مانند RNN و LSTM که داده‌ها را به‌صورت گام‌به‌گام پردازش می‌کردند، ترنسفورمر با استفاده از مکانیزم «توجه» (Attention) می‌تواند تمام بخش‌های داده را به‌صورت همزمان بررسی کند. این ویژگی باعث شده که ترنسفورمرها سریع‌تر، قوی‌تر و مناسب‌تر برای داده‌های بزرگ باشند.اجزای اصلی ترنسفورمرترنسفورمر از دو بخش اصلی تشکیل شده است: انکودر یا رمزگذار (Encoder) و دیکودر d (Decoder). هر کدام از این بخش‌ها شامل چندین لایه است که با همکاری هم داده‌ها را پردازش می‌کنند.انکودر:وظیفه انکودر دریافت ورودی (مثلاً یک جمله به زبان انگلیسی) و تبدیل آن به یک نمایش فشرده و معنادار است.هر لایه انکودر شامل دو بخش اصلی است:مکانیزم توجه خودکار (Self-Attention): این مکانیزم به مدل کمک می‌کند تا بفهمد کدام بخش‌های ورودی به هم مرتبط هستند. مثلاً در جمله «گربه روی میز خوابید»، مکانیزم توجه می‌فهمد که «گربه» و «خوابید» ارتباط قوی‌تری دارند تا «گربه» و «روی».شبکه پیش‌بر (Feed-Forward Network): پس از توجه، اطلاعات پردازش‌شده به یک شبکه عصبی ساده فرستاده می‌شود تا معانی پیچیده‌تر استخراج شود.چندین لایه انکودر (معمولاً ۶ لایه یا بیشتر) پشت سر هم قرار می‌گیرند تا اطلاعات ورودی را به‌خوبی تحلیل کنند.دیکودر:دیکودر خروجی (مثلاً ترجمه جمله به فارسی) را تولید می‌کند.مانند انکودر، دیکودر هم شامل لایه‌هایی با مکانیزم توجه و شبکه پیش‌بر است، اما یک تفاوت مهم دارد:دیکودر علاوه بر توجه به خروجی‌های خودش، به خروجی‌های انکودر هم نگاه می‌کند تا ورودی و خروجی را هماهنگ کند. مثلاً برای ترجمه، دیکودر مطمئن می‌شود که معنای جمله ورودی حفظ شود.دیکودر هم معمولاً از چندین لایه تشکیل شده است.مکانیزم توجه (Attention):قلب ترنسفورمر مکانیزم توجه است. این مکانیزم به مدل اجازه می‌دهد تا روی بخش‌های مهم داده تمرکز کند و ارتباطات بین آن‌ها را بفهمد.مثلاً در ترجمه، اگر کلمه‌ای در جمله ورودی به کلمه خاصی در جمله خروجی مرتبط باشد، مکانیزم توجه این ارتباط را تقویت می‌کند.توجه خودکار (Self-Attention) به مدل کمک می‌کند تا حتی بدون ترتیب خاصی، تمام بخش‌های یک جمله را همزمان بررسی کند.رمزگذاری موقعیت (Positional Encoding):چون ترنسفورمر داده‌ها را به‌صورت همزمان پردازش می‌کند و ترتیب گام‌به‌گام ندارد، نیاز به روشی برای درک ترتیب کلمات (مثلاً کدام کلمه اول یا دوم است) دارد.رمزگذاری موقعیت اطلاعات مربوط به ترتیب کلمات را به مدل اضافه می‌کند تا متوجه شود «گربه روی میز» با «میز روی گربه» فرق دارد.مزایای ترنسفورمرپردازش موازی: برخلاف RNN و LSTM که داده‌ها را یکی‌یکی پردازش می‌کردند، ترنسفورمر همه داده‌ها را همزمان بررسی می‌کند. این باعث می‌شود سرعت آموزش و پردازش خیلی بالاتر برود.درک ارتباطات طولانی: مکانیزم توجه به مدل اجازه می‌دهد تا ارتباط بین کلمات یا بخش‌هایی که فاصله زیادی از هم دارند را به‌خوبی درک کند.مقیاس‌پذیری: ترنسفورمرها با داده‌های بزرگ و سخت‌افزارهای پیشرفته (مثل GPU) بسیار خوب کار می‌کنند و می‌توانند مدل‌های عظیمی مثل BERT یا GPT را پشتیبانی کنند.انعطاف‌پذیری: در انواع وظایف مثل ترجمه، خلاصه‌سازی متن، پاسخ به سؤالات و حتی تولید تصویر (در مدل‌های جدیدتر) کاربرد دارند.محدودیت‌های ترنسفورمرنیاز به منابع زیاد: ترنسفورمرها برای آموزش به سخت‌افزارهای قوی و داده‌های زیاد نیاز دارند، که برای پروژه‌های کوچک یا دستگاه‌های کم‌قدرت مناسب نیست.پیچیدگی محاسباتی: مکانیزم توجه برای داده‌های خیلی طولانی (مثل متن‌های چندصفحه‌ای) می‌تواند بسیار سنگین و پرهزینه باشد.عدم درک ترتیب ذاتی: چون ترتیب داده‌ها را با رمزگذاری موقعیت می‌فهمد، ممکن است در برخی موارد خاص به اندازه RNN و LSTM برای داده‌های ترتیبی خاص (مثل سری‌های زمانی) مناسب نباشد.نیاز به داده‌های زیاد: برای عملکرد خوب، ترنسفورمرها به حجم زیادی داده برای آموزش نیاز دارند.کاربردهای ترنسفورمرترنسفورمرها به دلیل قدرت و انعطاف‌پذیری‌شان در بسیاری از زمینه‌ها استفاده می‌شوند:ترجمه ماشینی: مثل گوگل ترنسلیت که جملات را بین زبان‌ها ترجمه می‌کند.تولید متن: مدل‌هایی مثل GPT برای نوشتن متن، داستان یا حتی شعر.پاسخ به پرسش‌ها: سیستم‌هایی مانند گروک که به پرسش‌های کاربران پاسخ می‌دهند.خلاصه‌سازی متن: تبدیل متن‌های طولانی به خلاصه‌های کوتاه و مفید.تشخیص گفتار و تولید صوت: تبدیل گفتار به متن یا برعکس.کاربردهای غیرزبانی: مثل پردازش تصاویر در مدل‌هایی مانند Vision Transformer یا تولید محتوا در DALL·E.مکانیزم توجه (Attention Mechanism) چیست؟Attention block یا بلوک توجهمکانیزم توجه یک روش کلیدی در مدل‌های یادگیری عمیق، به‌ویژه ترنسفورمرها، است که به مدل کمک می‌کند تا روی بخش‌های مهم داده تمرکز کند و ارتباطات بین آن‌ها را بهتر درک کند. به جای پردازش همه داده‌ها به‌طور یکسان، این مکانیزم مانند یک فیلتر عمل می‌کند و اهمیت هر بخش را نسبت به بخش‌های دیگر محاسبه می‌کند.نحوه کار ساده:ورودی‌ها: داده‌ها (مثل کلمات یک جمله) به بردارهای عددی تبدیل می‌شوند.محاسبه اهمیت: برای هر بخش، مدل بررسی می‌کند که چقدر به بخش‌های دیگر مرتبط است (مثل اینکه در جمله «گربه روی درخت پرید»، کلمه «گربه» بیشتر به «پرید» مرتبط است تا «روی»).وزن‌دهی: بخش‌های مهم‌تر وزن بیشتری می‌گیرند و در خروجی تأثیرگذارتر هستند.انواع اصلی:توجه خودکار (Self-Attention): مدل به ارتباطات داخل یک مجموعه داده (مثل کلمات یک جمله) توجه می‌کند.توجه چندسر (Multi-Head Attention): نسخه پیشرفته‌ای که توجه را در چندین جهت همزمان محاسبه می‌کند تا جنبه‌های مختلف روابط را پوشش دهد.مکانیزم توجه چندسر نسخه پیشرفته‌ای از مکانیزم توجه خودکار (Self-Attention) است که در ترنسفورمرها استفاده می‌شود. این روش به مدل اجازه می‌دهد تا به جنبه‌های مختلف ارتباطات بین داده‌ها به‌طور همزمان نگاه کند و درک عمیق‌تری از آن‌ها به دست آورد.نحوه کار ساده:در توجه خودکار، مدل بررسی می‌کند که هر بخش از داده (مثل یک کلمه در جمله) چقدر به بخش‌های دیگر مرتبط است. مثلاً در جمله «گربه روی درخت پرید»، مدل می‌فهمد که «گربه» بیشتر به «پرید» مرتبط است.در توجه چندسر، این فرآیند چندین بار (به‌صورت موازی) تکرار می‌شود، اما هر بار با زاویه دید متفاوتی. انگار مدل به جای یک نگاه کلی، از چند زاویه به داده‌ها نگاه می‌کند.مثلاً یک «سر» (Head) ممکن است روی ارتباط معنایی بین کلمات تمرکز کند (مثل «گربه» و «پرید»).سر دیگر ممکن است روی ساختار دستوری تمرکز کند (مثل ارتباط بین «روی» و «درخت»).هر سر یک مجموعه وزن تولید می‌کند که نشان می‌دهد کدام بخش‌ها مهم‌ترند. سپس این وزن‌ها ترکیب می‌شوند تا مدل تصویر کامل‌تری از داده‌ها داشته باشد.چرا توجه چندسر بهتر است؟درک چندجانبه: با بررسی داده‌ها از زوایای مختلف، مدل روابط پیچیده‌تر را بهتر درک می‌کند.انعطاف‌پذیری: به مدل کمک می‌کند تا در وظایف مختلف (مثل ترجمه یا خلاصه‌سازی) بهتر عمل کند.مثلاً در ترجمه جمله «I love to read» به «من عاشق خواندنم»، یک سر ممکن است روی معنای «love» و «عاشق» تمرکز کند، در حالی که سر دیگر ترتیب کلمات را بررسی می‌کند.در بخش بعد موضوع غلط‌یابی با توجه به ویژگی‌های خاص زبان انگلیسی بیشتر بررسی می‌شود.عباس پالاشعباس پالاشTue, 16 Sep 2025 16:51:56 +0330https://virgool.ir/@abbas.palash/دشواری-های-غلط-یابی-پارسی-در-قیاس-با-انگلیسی-۲-ururuiuhmwsbتحلیل تطبیقی غلط‌یابی در زبان‌های پارسی و انگلیسی: از بی‌قاعدگی‌های نوشتاری تا پیچیدگی صرفی (ساختواژه)افزونه معروف ویراستیار برای ویرایش متن پارسی در نرم‌افزار Microsoft Wordبخش اول۱.۲ فهرست واژگان جایگزین: مدل‌های آماری و احتمالاتیتهیه فهرستی از گزینه‌های احتمالی تنها نیمی از کار است؛ نرم‌افزار باید این گزینه‌ها را رتبه‌بندی کند تا محتمل‌ترین واژه مورد نظر را به کاربر ارائه دهد. این کار معمولاً با استفاده از مدل‌های احتمالاتی انجام می‌شود که هم احتمال واژه مورد نظر و هم احتمال خطای خاصی که رخ داده است را ارزیابی می‌کنند. یعنی باید احتمال رواج واژه پیشنهادی بررسی شود که واژه پیشنهادی چقدر در زبان رایج است و احتمال خطا، یعنی چقدر محتمل است که کاربر خطایی مرتبط با این واژه را کرده باشد.یک ابزار و چارچوب کلاسیک و قدرتمند برای این کار مدل کانال نویزدار (Noisy Channel Model) است. این مدل، فرایند نوشتن را به‌عنوان «کانال نویزدار» در نظر می‌گیرد؛ جایی که واژه مورد نظر کاربر (الف) در اثر خطا به واژه مشاهده‌شده و غلط (ب) تبدیل می‌شود. هدف این است که واژه ج پیدا شود که بیشترین احتمال پسینی الف به احتمال ب را دارد.توضیح کانال نویزداردر این مدل فرایند نوشتن را مانند یک کانال ارتباطی در نظر می‌گیریم که دارای «نویز» یا «اختلال» است. در این کانال، کلمه‌ی صحیح و اصلی که کاربر قصد داشته تایپ کند (w)، به دلیل خطاهای تایپی (نویز) خراب شده و به شکل یک کلمه‌ی غلط (x) درآمده است.کلمه‌ی اصلی (w): کلمه‌ای که کاربر قصد تایپ آن را داشته (مثلاً: «کتاب»).کلمه‌ی مشاهده‌شده (x): کلمه‌ی غلطی که در عمل تایپ شده (مثلاً: «کناب»).هدف نهایی: پیدا کردن محتمل‌ترین کلمه‌ی اصلی (w)، با توجه به کلمه‌ی غلطی (x) که مشاهده کرده‌ایم.استفاده از قضیه بیز Bayesاین مدل تلاش می‌کند تا بهترین گزینه جایگزین (w^) را با بیشینه کردن احتمال P(w∣x) پیدا کند. این عبارت یعنی: «احتمال اینکه کلمه‌ی اصلی w بوده باشد، به شرط اینکه ما کلمه‌ی غلط x را دیده‌ایم.»با استفاده از قضیه بیز، این رابطه به شکل زیر بازنویسی می‌شود:بازنویسی احتمال با کمک قضیه بیزاز آنجایی که P(x) (احتمال مشاهده‌ی خودِ کلمه‌ی غلط) برای تمام کلمات نامزد یکسان است و در انتخاب بهترین کلمه تأثیری ندارد، می‌توانیم آن را نادیده بگیریم. در نتیجه، مسئله به پیدا کردن بیشترین مقدار برای عبارت زیر ساده می‌شود:فرم ساده شدهاین فرمول نهایی از دو بخش کلیدی تشکیل شده است:P(w) - مدل زبانی (Language Model): این بخش، احتمال وقوع خود کلمه‌ی w در زبان را نشان می‌دهد. به عبارت دیگر، این مدل به این سؤال پاسخ می‌دهد: «این کلمه چقدر رایج و محتمل است؟» برای مثال، احتمال کلمه‌ی «برای» بسیار بیشتر از «باری» است. این بخش باعث می‌شود سیستم کلمات رایج و معنادار را ترجیح دهد.P(x∣w) - مدل خطا (Error Model): این بخش، احتمال تایپ شدن کلمه‌ی غلط x به شرطی که کلمه‌ی اصلی w بوده باشد را محاسبه می‌کند. این مدل به این سؤال پاسخ می‌دهد: «این نوع غلط تایپی چقدر محتمل است؟».این مدل، احتمال خطاهای رایج تایپی را محاسبه می‌کند، مانند:جایگزینی: تایپ «کناب» به جای «کتاب» (چون 'ن' و 'ت' روی کیبورد نزدیک هم هستند، احتمال این خطا بالاست).جابجایی: تایپ «کاتب» به جای «کتاب».حذف: تایپ «کتب» به جای «کتاب».درج: تایپ «کتااب» به جای «کتاب».به طور خلاصه، مدل کانال نویزدار بهترین اصلاح را برای یک کلمه‌ی غلط پیدا می‌کند. این اصلاح، کلمه‌ای است که بهترین توازن را بین دو معیار برقرار کند: اول اینکه کلمه‌ای رایج در زبان باشد (بر اساس مدل زبانی) و دوم اینکه توضیح خوبی برای نوع غلط نوشتاری مشاهده‌شده ارائه دهد (بر اساس مدل خطا).شاید بهتر باشد، قبل از پیش‌رفتن در موضوع توضیحی درباره قضیه بیز یا Bayes' theorem داده شود.قضیه بیز: به‌روزرسانی باور با شواهد جدید۲ نوع نگاه به پدیده احتمال وجود دارد. در نگاه کلاسیک یا نگاه فرکانسی یا بسامدی، احتمال یک رویداد، همان فرکانس یا تکرار وقوع آن در بلندمدت است. مثلاً احتمال آمدن «شیر» در پرتاب سکه ½ است، چون اگر هزاران بار سکه را پرتاب کنیم، انتظار داریم تقریباً نیمی از نتایج «شیر» باشد. این دیدگاه برای رویدادهای غیرقابل تکرار (مانند احتمال قهرمانی یک تیم خاص در جام جهانی بعدی) معنای روشنی ندارد.نگاه بیزی (Bayesian): در این دیدگاه، احتمال یک معیار برای سنجش میزان اطمینان یا باور به یک گزاره است. این باور می‌تواند بر اساس دانش قبلی، تجربیات شخصی یا شهود باشد و با رسیدن اطلاعات و شواهد جدید، دائماً به‌روز می‌شود. به عبارت دیگر، در تفکر بیزی، احتمالات به جای اینکه ویژگی ثابتی از دنیای بیرون باشند، نمایانگر میزان دانش و اطمینان ما درباره آن هستند. این دیدگاه به ما اجازه می‌دهد برای هر چیزی، از نتایج آزمایش‌های علمی گرفته تا اتفاقات روزمره، یک درجه از باور تعریف کرده و آن را با منطق ریاضی اصلاح و به‌روز کنیم. این همان کاری است که ذهن ما به طور ناخودآگاه در تصمیم‌گیری‌های روزانه انجام می‌دهد.قضیه بیز به طور خلاصه می‌گوید چگونه می‌توانیم احتمال یک فرضیه (A) را پس از مشاهده یک شاهد (B) محاسبه کنیم. این قضیه به ما کمک می‌کند تا از دانش و باور اولیه خود شروع کرده و با رسیدن اطلاعات جدید، آن را اصلاح کنیم. اگر P(A∣B) (احتمال یا باور پسین یا بعدی یا جدید - Posterior): احتمال یا باور به درست بودن فرضیه A بعد از مشاهده شاهد B باشد، به این صورت دانش یا باور قبلی ما به‌روز می‌شود:به‌روزرسانی دانش یا باور در قضیه بیزاجزای این فرمول عبارتند از:P(A∣B) (احتمال پسین - Posterior): احتمال درست بودن فرضیه A بعد از مشاهده شاهد B. این همان باور به‌روز شده‌ی ماست.P(B∣A) (احتمال شرطی - Likelihood): احتمال مشاهده شاهد B، به شرط اینکه فرضیه A درست باشد.P(A) (احتمال پیشین - Prior): باور اولیه‌ی ما به درستی فرضیه A قبل از مشاهده هرگونه شاهد جدید.P(B) (احتمال شاهد - Evidence): احتمال کلی مشاهده شاهد B.مثال: تست یک بیماری نادرفرض کنید بیماری نادری وجود دارد که ۱ نفر از هر ۱۰۰۰ نفر (یعنی ۰.۱٪) در جامعه به آن مبتلا است. آزمایش تشخیصی بسیار خوبی برای این بیماری داریم که ویژگی‌های زیر را دارد:دقت تست در افراد بیمار (حساسیت - Sensitivity): اگر فردی واقعاً بیمار باشد، تست به احتمال ۹۹٪ به درستی مثبت می‌شود.دقت تست در افراد سالم (ویژه‌ بودن - Specificity): اگر فردی سالم باشد، تست به احتمال ۹۸٪ به درستی منفی می‌شود (یعنی ۲٪ خطا در افراد سالم دارد و نتیجه را به اشتباه مثبت نشان می‌دهد).حالا، شما به صورت تصادفی آزمایش می‌دهید و نتیجه آزمایش‌تان مثبت می‌شود. سوال این است:چقدر احتمال دارد که واقعاً به این بیماری مبتلا باشید؟تحلیل با استفاده از قضیه بیزبیایید اجزای مسئله را در فرمول بیز قرار دهیم:P(A) (احتمال پیشین): احتمال بیمار بودن قبل از انجام آزمایش. این همان شیوع بیماری در جامعه است.P(بیمار بودن)=0.001 (یک در هزار)P(B∣A) (احتمال شرطی): احتمال مثبت شدن آزمایش، به شرطی که واقعاً بیمار باشید. این همان حساسیت آزمایش است.P(تست مثبت∣بیمار بودن)=0.99P(B) (احتمال کلی تست مثبت): این بخش کمی پیچیده‌تر است. یک تست مثبت می‌تواند به دو دلیل رخ دهد:شما بیمار هستید و تست به درستی مثبت شده.شما سالم هستید و تست به اشتباه مثبت شده (مثبت کاذب).احتمال حالت اول: P(بیمار بودن)×P(تست مثبت∣بیمار بودن)=0.001×0.99=0.00099احتمال حالت دوم: P(سالم بودن)×P(تست مثبت∣سالم بودن)=0.999×0.02=0.01998P(تست مثبت) (مجموع دو حالت): 0.00099+0.01998=0.02097حالا محاسبه نهاییمحاسبه احتمال بیمار بودن در صورت مثبت بودن تستبا جای‌گذاری اعدادتنها ۴.۷ درصد احتمال دارد در صورت مثبت بودن آزمایش، بیمار باشیدبر خلاف ذهنیت اولیه ما، در صورت مثبث بودن تست، تنها ۴.۷ درصد احتمال دارد که بیمار باشید. با وجود اینکه تست ۹۹٪ دقیق است، مثبت بودن نتیجه آزمایش به این معناست که هنوز هم بیش از ۹۵٪ احتمال دارد سالم باشید. اما چرا؟دلیل اصلی، نادر بودن بیماری است. چون بیماری بسیار کمیاب است، تعداد افراد سالمی که تستشان به اشتباه مثبت می‌شود (مثبت کاذب)، بسیار بیشتر از تعداد افراد بیماری است که تستشان به درستی مثبت شده است.چرا این عدد در ابتدا دور از ذهن می‌آید؟فرض کنید که در شهری ۱۰،۰۰۰ نفری زندگی می‌کنید. در شهر تنها ۱ دهم درصد یا ۱ نفر از ۱۰۰۰ نفر بیمار هستند. یعنی تنها ۱۰ نفر در کل شهر بیمار هستند و ۹۹۹۰ نفر سالم هستند.وقتی هر ۱۰ نفر بیمار آزمایش بدهند به دلیل دقت ۹۹ درصدی تست، جواب آزمایش ۹/۹ نفر یا همه ۱۰ نفر مثبت می‌شود.اما به دلیل خطای ۲ درصدی، اگر ۹۹۹۰ نفر باقی مانده آزمایش بدهند ۱۹۹/۸ نفر یا ۲۰۰ نفر به اشتباه جواب مثبت از آزمایش می‌گیرند.در مجموع جواب آزمایش ۱۰ نفر بیمار و ۲۰۰ فرد سالم یعنی ۲۱۰ نفر از کل جمعیت شهر ۱۰ هزار نفری مثبت خواهد شد. از این ۲۱۰ نفر تنها ۱۰ نفر واقعا بیمار هستند، پس احتمال بیماری ۱۰ از ۲۱۰ یا همان ۴.۷ درصد است. این مثال به خوبی نشان می‌دهد که چطور باور اولیه ما (کمیاب بودن بیماری) تأثیر عظیمی بر تفسیر شواهد جدید (نتیجه تست مثبت) دارد.بخش ۳عباس پالاشعباس پالاشTue, 16 Sep 2025 01:51:15 +0330https://virgool.ir/@abbas.palash/دشواری-های-غلط-یابی-پارسی-در-قیاس-با-انگلیسی-۱-v9ely9wbmwntتحلیل تطبیقی غلط‌یابی در زبان‌های پارسی و انگلیسی: از بی‌قاعدگی‌های نوشتاری تا پیچیدگی صرفی (ساختواژه)نرم‌افزار غلط‌یاب خودکار۱. بخش اول: اصول بنیادین غلط‌یابی خودکارگستره استفاده وسیع در ارتباط‌های دیجیتال و عملکرد موفق و سریع نرم‌افزارهای غلط‌یاب خودکار باعث شده است پیچیدگی ساختار الگوریتمی غلط‌یابی و پیشرفت چشمگیر آن از نظرها پنهان بماند. غلط‌یابی خودکار در اصل، کاری از نوع زبان‌شناسی محاسباتی (رایانشی) است که در آن خطاهای نوشتاری متن شناسایی شده و اصلاح می‌شود. مستقل از زبان مقصد و هدف، معماری بنیادین این نرم‌افزارها به ۲ مرحله اساسی تقسیم می‌شود: شناسایی خطا و پیشنهاد اصلاح یا واژه(های) جایگزین. ابتدا کمی توضیح درباره زبان‌شناسی محاسباتی یا رایانشی.زبان‌شناسی محاسباتی یا رایانشی (Computational Linguistics) چیست؟زبان‌شناسی محاسباتی شاخه‌ای از علم است که بین زبان‌شناسی و رایانه قرار می‌گیرد. در این رشته تلاش می‌شود رایانه بتواند زبان انسان را درک کند، پردازش کند و تولید کند.چند نمونه‌ی از کاربردهای آن:ترجمه‌ی ماشینی مانند گوگل ترنسلیت.تصحیح خودکار املایی و دستوری در نرم‌افزارهای نوشتاری.تشخیص گفتار مانند تبدیل صدا به متن.دستیارهای هوشمند صوتی مانند سیری یا الکسا.به بیان ساده، زبان‌شناسی محاسباتی یعنی:آموزش دادن زبان انسانی به رایانه‌ها.وظایف اصلی زبان‌شناسی محاسباتی را می‌توان به چند بخش ساده تقسیم کرد:۱. درک زبان (Understanding)رایانه باید بتواند متن یا گفتار انسان را بفهمد.مثال: وقتی یک نرم‌افزار متوجه می‌شود شما چه پرسشی پرسیده‌اید.۲. پردازش زبان (Processing)رایانه باید بتواند کلمات و جمله‌ها را تجزیه و تحلیل کند.مثال: جدا کردن واژه‌ها، شناختن نقش‌های دستوری یا پیدا کردن معنی یک کلمه در متن.۳. تولید زبان (Generation)رایانه باید بتواند جمله‌های درست و قابل فهم بسازد.مثال: وقتی یک نرم‌افزار متنی را برای شما می‌نویسد یا ترجمه می‌کند.۴. یادگیری از داده‌ها (Learning)رایانه با استفاده از هوش مصنوعی و داده‌های زبانی، به‌تدریج زبان را بهتر یاد می‌گیرد.مثال: نرم‌افزارهایی که هرچه بیشتر استفاده شوند، پیش‌بینی و پیشنهاد دقیق‌تری می‌دهند.در یک جمله:زبان‌شناسی محاسباتی تلاش می‌کند انسان و رایانه بتوانند از راه زبان با یکدیگر ارتباط برقرار کنند.ادامه موضوع. تا اینجا گفته شد که هر غلط‌یابی ۲ بخش اساسی دارد، تشخیص خطا و ارائه پیشنهاد جایگزین. اما هر زبان ویژگی‌های خاص خود را دارد. مثلاً در انگلیسی مشکل بیشتر به خاطر تنوع املایی و شباهت آوایی واژه‌هاست، در حالی‌که در فارسی چالش‌ها به موضوعاتی مثل هم‌نویسه‌ها (کلمات با شکل یکسان ولی معنای متفاوت)، وجود حروف هم‌صدا (مثل «س»، «ص»، «ث») و نبود فاصله‌گذاری دقیق مربوط می‌شود.۱.۱ بخش‌های اساسی: تشخیص خطا و پیشنهاد جایگزینفرایند اولیه در هر نرم‌افزار غلط‌یاب، جستجوی متن و استخراج واژه‌های تشکیل‌دهنده آن است. پس از انجام توکن‌سازی (تقسیم متن به واحدهای واژگانی)، هر واژه وارد فرایند اعتبارسنجی می‌شود تا درستی یا نادرستی آن مشخص شود. به تبدیل متن به واحدهای کوچکتر یعنی واژه‌ها در علوم رایانه‌ای و زبان‌شناسی رایانشی «توکن‌سازی» (Tokenization) می‌گویند.تشخیص خطارایج‌ترین و ساده‌ترین روش برای شناسایی خطا، مقایسه با واژه‌نامه یا فرهنگ لغت است. در این روش، هر واژه استخراج‌شده با یک واژه‌نامه از پیش آماده‌شده از کلمات درست مقایسه می‌شود. اگر واژه در این واژه‌نامه یافت نشود، به‌عنوان خطای احتمالی غیرواژگانی علامت‌گذاری می‌شود. این واژه‌نامه می‌تواند فهرست ساده واژه‌ها باشد یا یک ساختار داده پیچیده‌تر که اطلاعات دستوری و واژگانی بیشتری را هم شامل می‌شود. هرچند این روش برای بسیاری از خطاهای نوشتاری رایج موثر است، محدودیت‌هایی هم دارد:نمی‌تواند خطاهای «واژه واقعی» را شناسایی کند؛ یعنی زمانی که یک غلط املایی به یک کلمه معتبر دیگر تبدیل می‌شود (مثلاً نوشتن «راه» به جای «رام»).ممکن است واژه‌های صحیحی که در واژه‌نامه وجود ندارند، مانند اسامی خاص، اصطلاحات تخصصی یا واژه‌های تازه ساخته‌شده (مانند میان‌افزار)، به اشتباه به‌عنوان خطا علامت‌گذاری کند.برای رفع برخی از این محدودیت‌ها، روش‌های جایگزین بدون استفاده از واژه‌نامه توسعه یافته‌اند. یکی از این تکنیک‌ها، تحلیل n-گرام‌های حروف است (دنباله‌ای از حروف، معمولاً تری‌گرام‌ها یا سه حرفی). در این روش، سامانه با استفاده از یک پیکره متنی یا متن بزرگ (Corpus) آموزش داده می‌شود تا فراوانی تمام تری‌گرام‌های معتبر را یاد بگیرد. سپس هنگام بررسی متن، اگر واژه‌ای شامل ۳حرفی شود که از نظر آماری غیرممکن یا بسیار نادر است (مثلاً «pkx» در انگلیسی یا «خهژ» در پارسی)، به‌عنوان خطا علامت‌گذاری می‌شود.فرض کنید سامانه با متن‌های فارسی معمولی آموزش داده شده و فراوانی تری‌گرام‌ها را یاد گرفته است.تشخیص خطای غیرمعمول: اگر کسی به جای نوشتن «خانه» بنویسد «خاخه»تری‌گرام «خاخ» در زبان فارسی بسیار نادر یا غیرممکن است.سامانه این واژه را خطا تشخیص می‌دهد.محدودیت روش: اگر کسی به جای «کتاب» بنویسد «کتان» (با یک اشتباه کوچک که توالی حروف هنوز طبیعی است)،هیچ تری‌گرامی غیرمعمول در واژه وجود ندارد.سامانه ممکن است خطا را تشخیص ندهد.به این ترتیب، روش n-گرام در تشخیص خطاهای عجیب و غیرطبیعی خوب عمل می‌کند، اما برای خطاهای ظریف یا واژه‌های واقعی با غلط تایپی کمتر موثر است.مزیت این روش این است که تا حدی وابسته به زبان خاصی نیست و می‌تواند برای زبان‌های مختلف استفاده شود. اما محدودیت آن این است که خطاهایی که توالی حروف غیرمعمول ایجاد نمی‌کنند را شناسایی نمی‌کند؛ یعنی اگر یک غلط املایی همچنان توالی حروفی طبیعی داشته باشد، این روش قادر به تشخیص آن نیست.تهیه پیشنهادهای اصلاحیپس از شناسایی خطا، نرم‌افزار از مرحله ساده «اعتبارسنجی» به مرحله «اصلاح» می‌رود و فهرستی از واژه‌های جایگزین احتمالی تولید می‌کند. این مرحله بسیار مهم و از نظر محاسباتی پرهزینه است. برای این منظور، از چند دسته الگوریتم مختلف استفاده می‌شود:● الگوریتم‌های فاصله ویرایشی (Edit Distance): این دسته از الگوریتم‌ها شباهت بین واژه‌ی اشتباه و واژه‌های موجود در واژه‌نامه را اندازه‌گیری می‌کنند. برای این کار، کمترین تعداد تغییرات تک‌حرفی که لازم است تا یک کلمه به دیگری تبدیل شود، محاسبه می‌شود. مهم‌ترین و پرکاربردترین الگوریتم در این دسته الگوریتم فاصله لونشتاین (Levenshtein Distance) است. این الگوریتم ۳ عملیات اصلی را در نظر می‌گیرد: درج (Insertion)، حذف (Deletion) و جایگزینی (Substitution). برای مثال، فاصله لونشتاین بین واژه‌های انگلیسی «kitten» و «sitting» برابر با ۳ است. الگوریتم معمولاً از برنامه‌ریزی پویا (Dynamic Programming) برای ساخت یک ماتریس و محاسبه موثر این فاصله استفاده می‌کند.چرا فاصله لونشتاین kitten با sitting عدد ۳ است؟برای تبدیل kitten به sitting ابتدا k باید با s جایگزین شود kitten -> sittenحرف e باید با i جایگزین شود sitten -> sittinسرانجام حرف g باید در انتها درج شود sittin -> sittingمثال دیگر، فاصله لونشتاین میز با میوه ۲ استابتدا حرف ز با و جایگزین می‌شود میز -> میوسپس حرف ه در انتها درج می‌شود میو -> میوهفاصله لونشتاین کلمات از هر ۲ طرف عدد یکسان است و تنها ترتیب درج و حذف و جایگزینی معکوس می‌شود. یعنی فاصله لونشتاین میوه با میز با فاصله میز با میوه برابر است.یک نسخه بسیار مرتبط برای غلط‌یاب، فاصله دامرو–لونشتاین (Damerau–Levenshtein Distance) است که یک عملگر چهارم را اضافه می‌کند: جابجایی دو حرف مجاور (Transposition). مثلاً واژه «acheive» با جابجایی حروف به «achieve» تبدیل می‌شود یا واژه «سالم» به «سلام». این عملگر مهم است زیرا جابجایی حروف یکی از رایج‌ترین انواع خطاهای تایپی انسان است و الگوریتم لونشتاین استاندارد آن را به‌عنوان دو عملیات (حذف و درج) می‌شمارد، در حالی که در واقع فقط یک خطای ساده تایپی است و واژه‌ها شبیه‌تر از آن چیزی هستند که الگوریتم استاندارد نشان می‌دهد.● نمایه‌گذاری N-گرام (N-gram Indexing): محاسبه فاصله ویرایشی بین یک واژه اشتباه و تمام واژه‌های موجود در یک واژه‌نامه بزرگ از نظر محاسباتی بسیار سنگین است. برای بهینه‌سازی این جستجو، سامانه‌ها اغلب از نمایه معکوس (Inverted Index) استفاده می‌کنند که n-گرام‌های حروف را به واژه‌های واژه‌نامه‌ای که آن‌ها را دارند نگاشت می‌کند.به‌عنوان مثال، اگر واژه اشتباه «langauge» بررسی شود، سامانه می‌تواند به سرعت تمام واژه‌های واژه‌نامه‌ای که تعداد قابل توجهی از n-گرام‌های آن را دارند (مثل «lan»، «ang»، «gua») بازیابی کند. این کار فضای جستجوی مورد نیاز برای محاسبه پرهزینه فاصله ویرایشی را به شکل چشمگیری کاهش می‌دهد.فرض کنید واژه اشتباه «کتابخونه» در متن نوشته شده است، در حالی که واژه درست «کتابخانه» است. این نوع غلط در فارسی بسیار رایج است، چون بسیاری از افراد هنگام تایپ، حرف‌ها را جا می‌اندازند یا به شکل محاوره‌ای می‌نویسند.مرحله ساخت N-گرام‌ها (تری‌گرام):واژه اشتباه «کتابخونه» → «کتا»، «تاب»، «ابخ»، «بخو»، «خون»، «ونه»نمایه معکوس:سامانه از قبل یک نمایه دارد که به هر تری‌گرام، لیستی از واژه‌های واژه‌نامه که شامل آن تری‌گرام هستند، نگاشت می‌کند. هنگام بررسی:واژه‌هایی که بیشترین تعداد تری‌گرام مشترک با «کتابخونه» دارند انتخاب می‌شوند.«کتابخانه» → تری‌گرام‌های «کتا»، «تاب»، «ابخ»، «بخا»، «خانه» → بیشترین شباهت → بررسی می‌شود«کتاب» → تری‌گرام‌های «کتا»، «تاب»، «تاب» → شباهت کمتر → بررسی می‌شود«خانه» → «خا»، «ان»، «نه» → تقریباً هیچ تری‌گرام مشترک → کنار گذاشته می‌شودمرحله فاصله ویرایشی:سپس فاصله ویرایشی تنها بین این زیرمجموعه محاسبه می‌شود تا بهترین پیشنهادها ارائه شوند:کتابخانهکتاب● الگوریتم‌های آوایی (Phonetic Algorithms): برای مقابله با اشتباهات آوایی، جایی که یک کلمه همان‌طور که تلفظ می‌شود نوشته می‌شود (مثلاً «speshle» به جای «special»)، سیستم‌ها می‌توانند از الگوریتم‌های رمزگذاری آوایی مانند Soundex یا نسخه پیشرفته‌تر آن یعنی Double Metaphone استفاده کنند. این الگوریتم‌ها یک کلمه را بر اساس تلفظ انگلیسی آن به یک کد کوتاه تبدیل می‌کنند، صداهای مشابه را با هم یکسان می‌سازند و حروف صدادار را نادیده می‌گیرند. کلماتی که شبیه به هم تلفظ می‌شوند، کدهای یکسان یا مشابه خواهند داشت و این امکان را به سیستم می‌دهد که اصلاحات آوایی محتمل را پیشنهاد کند، حتی اگر فاصله ویرایشی آن‌ها زیاد باشد.توضیح الگوریتم Soundexالگوریتم Soundex یک روش رمزگذاری آوایی است که کلمات انگلیسی را بر اساس صدای آن‌ها به یک کد ثابت تبدیل می‌کند. این الگوریتم در سال ۱۹۱۸ اختراع شد و هدف آن یافتن کلماتی با تلفظ مشابه، حتی اگر املای متفاوتی داشته باشند، است. مراحل اصلی آن عبارتند از:حفظ حرف اول کلمه (به عنوان حرف شروع کد).تبدیل حروف باقی‌مانده به اعداد بر اساس جدول صوتی (مثلاً B, F, P, V به ۱؛ C, G, J, K, Q, S, X, Z به ۲ و غیره).حذف مصوت‌ها (A, E, I, O, U, Y) و حروف H, W.حذف اعداد تکراری متوالی.پر کردن کد تا ۳ رقم با صفر اگر لازم باشد، و محدود کردن به ۴ کاراکتر (حرف + ۳ رقم).این الگوریتم برای جستجوهای نام‌های مشابه با تلفظ متفاوت در پایگاه‌های داده مفید است، اما محدودیت‌هایی مانند نادیده گرفتن مصوت‌ها و تمرکز فقط روی انگلیسی دارد.نمونه‌های Soundex:کلمه "Robert" → کد: R163 (حرف اول R، سپس b,r,t به ۱۶۳ تبدیل می‌شود).کلمه "Rupert" → کد: R163 (صدای مشابه، کد یکسان).کلمه "Honeyman" → کد: H555 (h,n,m,n,y به ۵۵۵).کلمه "Bangalore" → کد: B524.کلمه "Bengaluru" → کد: B524 (تغییرات آوایی، کد یکسان).مثال برای خطای آوایی: "speshle" (برای special) → کد: S124، در حالی که "special" → S124 (تطبیق آوایی).توضیح الگوریتم Double MetaphoneDouble Metaphone نسخه پیشرفته‌تری از الگوریتم Metaphone است که در سال ۲۰۰۰ توسط لارنس فیلیپس توسعه یافت. این الگوریتم دو کد آوایی (اولیه و ثانویه) تولید می‌کند تا ابهامات تلفظی را پوشش دهد، به ویژه برای نام‌های خانوادگی با ریشه‌های متنوع (مانند اسلاوی، ژرمنی، سلتیک) و بهبودهایی نسبت به Soundex دارد، مانند:در نظر گرفتن بیش از ۱۰۰ قاعده برای حروف خاص (مانند C در زمینه‌های مختلف).مدیریت حروف غیرلاتین و تلفظ‌های جایگزین.تولید کدهای ۴-۶ کاراکتری بر اساس صدای صامت‌ها، با تمرکز روی تلفظ واقعی انگلیسی.این الگوریتم دقت بالاتری (تا ۹۸٪ در نسخه‌های جدید) دارد و برای جستجوهای چندزبانه مناسب‌تر است.نمونه‌های Double Metaphone:کلمه "Smith" → کد اولیه: SM0، کد ثانویه: XMT.کلمه "Schmidt" → کد اولیه: XMT، کد ثانویه: SMT (کد XMT مشترک، تطبیق آوایی).کلمه "Robert" → کد اولیه: RPRT، کد ثانویه: (مشابه Soundex اما دقیق‌تر).مثال برای خطای آوایی: "speshle" (برای special) → کد اولیه: SPL، کد ثانویه: XPL؛ "special" → کد اولیه: SPL (تطبیق با وجود فاصله ویرایشی بالا).این الگوریتم‌ها در سیستم‌های تصحیح املا، جستجوی پایگاه داده و پردازش زبان طبیعی کاربرد دارند و کمک می‌کنند تا خطاهای نوشتاری بر اساس صدا جبران شوند.در زبان پارسی هم حروفی مانند پ و ف در واژگانی مانند «پارسی، پیل» و «فارسی، فیل» بهم تبدیل شده‌اند یا حروفی مانند ک و ق در «لاکانی، کیانوری» به «لاقانی، قیانوری» یا پ به چ در واژگانی مانند «پلوکباب» و «چلوکباب» یا حرف د و ت در واژگانی مانند «تیرک» و «دیرک».بخش دومعباس پالاشعباس پالاشMon, 15 Sep 2025 12:47:12 +0330https://virgool.ir/@abbas.palash/تحلیل-تطبیقی-لئوناردو-داوینچی-و-ابوریحان-بیرونی-تکامل-هم-گرای-روش-شناسی-تجربی-و-نظام-مند-blqvjlihxdltابوریحان بیرونی و لئوناردو داوینچی - ۲ نگاهبان دانشچکیدهپژوهش حاضر به بررسی تطبیقی روش‌شناسی علمی لئوناردو داوینچی (۱۴۵۲–۱۵۱۹) و ابوریحان بیرونی (۹۷۳–۱۰۴۸) می‌پردازد. یافته‌ها نشان می‌دهد که علی‌رغم فقدان شواهد تاریخی مبنی بر تأثیرگذاری مستقیم، هر دو اندیشمند نمایانگر تکامل موازی رویکردی کل‌نگر، تجربی و نظام‌محور در فهم جهان بوده‌اند. با تحلیل دفترچه‌های علمی داوینچی و رساله‌های بیرونی، به‌ویژه «تحقیق ما للهند»، روشن می‌شود که داوینچی در حوزه‌ی هندسه‌ی پیچیدگی طبیعی و بیرونی در عرصه‌ی منطق پیچیدگی اجتماعی پیشگام بوده‌اند. این پژوهش داوینچی را به‌منزله‌ی دانشمند پیشانگار سامانه‌های پیچیده‌ی طبیعی و بیرونی را به‌منزله‌ی دانشمند پیشانگار سامانه‌های پیچیده‌ی انسانی و اجتماعی معرفی می‌کند. نتایج این مطالعه ضمن نقد روایت‌های اروپا‌محور، به تاریخ‌نگاری علم نگاهی جهانی‌تر بخشیده و بر تکامل هم‌گرای روش‌شناسی علمی در بسترهای فرهنگی متفاوت تأکید می‌نماید.کلیدواژه‌ها: لئوناردو داوینچی، ابوریحان بیرونی، تاریخ علم، سامانه‌های پیچیده، روش‌شناسی علمی، اروپا‌محوری، عصر زرین اسلامی، رنسانس۱. مقدمه: روایت دو دانشمند جامع‌الاطرافتاریخ علم غالباً به‌صورت خطی روایت می‌شود که نقطه‌ی اوج آن در رنسانس اروپایی و انقلاب علمی معرفی می‌گردد. با این حال، نگاه گسترده‌تر حاکی از وجود مراکز متعددی از نوآوری‌های فکری است که در بسیاری موارد به‌صورت موازی شکل گرفته‌اند. رنسانس ایتالیا، با وجود شکوفایی خیره‌کننده‌اش، «وارث میراث علمی و فلسفی جهان باستان و قرون وسطی بود؛ هرچند متفکران آن دوره همواره بدان اذعان نداشتند» (گرافتون، ۲۰۰۹). بخش مهمی از این میراث از طریق عصر زرین تمدن اسلامی منتقل گردید؛ دوره‌ای که با دستاوردهای علمی گسترده‌ی دانشمندان ایرانی شناخته می‌شود.این مقاله با تمرکز بر دو چهره‌ی شاخص، لئوناردو داوینچی و ابوریحان بیرونی، به تحلیل تطبیقی این تاریخ به‌هم‌پیوسته می‌پردازد. با وجود فاصله‌ی زمانی پنج‌قرنی و فقدان شواهد مبنی بر ارتباط مستقیم-زیرا آثار بیرونی تا قرن نوزدهم میلادی به زبان لاتین ترجمه نشد (استار، ۲۰۱۱)-روش‌شناسی آنان هم‌گرایی معناداری را آشکار می‌سازد. هر دو اندیشمند مشاهده‌ی تجربی را بر مرجعیت سنتی مقدم می‌دانستند و با اتخاذ رویکردی میان‌رشته‌ای، مبانی یک نگرش نظام‌محور به جهان را بنیان نهادند.۲. لئوناردو داوینچی و هندسه‌ی پیچیدگی طبیعیمیراث علمی داوینچی در هزاران صفحه یادداشت‌های او متجلی است؛ یادداشت‌هایی که بیش از رساله‌های مدون، «جریان سیال اندیشه و نگارش پراکنده» را بازتاب می‌دهند (کاپرا، ۲۰۰۷). علم داوینچی مبتنی بر مشاهده‌ی بصری و فرایندی پویا از مشاهده، ترسیم و نظریه‌پردازی بود. این شیوه، او را در زمره‌ی نخستین کاوشگران الگوهای پیچیده‌ی طبیعت قرار داد.به‌زعم فریتیوف کاپرا، علم داوینچی علم «کیفیت‌ها، الگوها و فرایندها» بود که در تضاد با علم مکانیکی متأخر گالیله و نیوتن قرار می‌گیرد. موضوعاتی چون آشفتگی جریان آب، شاخه‌بندی فراکتالی گیاهان و دینامیک غیرخطی پرواز از مهم‌ترین عرصه‌های توجه او بودند (کاپرا، ۲۰۰۷). طراحی‌های مشهور او از جریان‌های متلاطم آب، نه صرفاً آثار هنری، بلکه نخستین مطالعات نظام‌مند تجربی و نظری یک پدیده‌ی پیچیده تلقی می‌شوند (وست، ۲۰۱۴). به همین سبب، بروس جی. وست او را «دانشمند پیچیدگی» می‌نامد؛ متفکری که دریافت بسیاری از پدیده‌های طبیعی ذاتاً غیرخطی‌اند و نمی‌توان آن‌ها را به مؤلفه‌های ساده تقلیل داد. دیدگاه کل‌نگر داوینچی، که بدن انسان را به مثابه «جهان خرد» و زمین را به مثابه «جهان کلان» در ارتباط می‌دید، نمونه‌ی بارز نگرش نظام‌مند به طبیعت است.۳. ابوریحان بیرونی و منطق پیچیدگی اجتماعیابوریحان بیرونی، پنج قرن پیش از داوینچی، روشی مشابه را در عرصه‌ی تمدن انسانی به کار بست. آثار او اوج پژوهش علمی در جهان اسلامی سده‌های میانه به‌شمار می‌روند. بیرونی در علوم گوناگون همچون نجوم، ریاضیات و جغرافیا تبحر داشت، اما برجسته‌ترین نوآوری او در علوم انسانی متجلی است.اثر سترگ وی، تحقیق ما للهند، نقطه‌ی عطفی در انسان‌شناسی و مطالعات تطبیقی ادیان است. این اثر صرفاً یک گزارش تاریخی نیست، بلکه تلاشی نظام‌مند برای تحلیل یک فرهنگ به‌منزله‌ی سامانه‌ای پیچیده است (استار، ۲۰۱۱). روش‌شناسی بیرونی، چنان‌که در مقدمه‌ی اثرش تصریح کرده، مبتنی بر سه اصل اساسی بود:میان‌رشته‌ای بودن: مدل‌سازی تمدن هند مستلزم ادغام عناصر دینی، فلسفی، اجتماعی (نظام کاستی)، علمی و زبانی بود.تحلیل داده‌محور: بیرونی با دقت به گردآوری داده‌ها پرداخت، زبان سانسکریت آموخت و با مقایسه‌ی انتقادی منابع متنوع، مدلی دقیق از فرهنگ هند ترسیم کرد.عینیت علمی: او با صراحت اعلام کرد که هدفش ثبت واقعیت «چنان‌که هست» است (بیرونی، ترجمه‌ی ساخائو، ۱۸۸۸). این رویکرد عینی، پیش‌شرط تحلیل نظام‌مند هر سامانه‌ی اجتماعی به‌شمار می‌رود.بدین‌سان، بیرونی تمدن هند را به‌منزله‌ی سامانه‌ای پیچیده و تطبیقی تلقی کرد و به این نتیجه رسید که رفتارها و پایداری اجتماعی حاصل تعامل اجزای آن است. او بدین ترتیب، بنیان‌گذار علم پیچیدگی اجتماعی پیشامدرن محسوب می‌شود.۴. نتیجه‌گیری: تکامل هم‌گرای اندیشه‌ی علمیمقایسه‌ی داوینچی و بیرونی فراتر از جستجوی تأثیرات مستقیم تاریخی، نمونه‌ای روشن از تکامل هم‌گرای روش‌شناسی علمی را آشکار می‌سازد. هر دو متفکر، در زمینه‌های فرهنگی متفاوت، مستقل به این نتیجه رسیدند که جهان-چه طبیعی و چه اجتماعی-شبکه‌ای پیچیده از روابط و الگوهای درهم‌تنیده است که تنها با مشاهده‌ی مستقیم، رویکرد میان‌رشته‌ای و تحلیل عینی قابل درک می‌باشد.داوینچی با تمرکز بر دینامیک بصری سامانه‌های طبیعی، هندسه‌ی پیچیدگی را در یادداشت‌های خویش ثبت کرد.بیرونی با تمرکز بر منطق ساختاری سامانه‌های انسانی، قواعد و روابط پیچیدگی اجتماعی را در رساله‌های خویش مستند نمود.این هم‌گرایی معرفتی، روایت تاریخ‌نگارانه‌ی اروپا‌محور از رنسانس به‌مثابه رویدادی یگانه و معجزه‌آسا را به چالش می‌کشد. برعکس، نشان می‌دهد که مبانی علم مدرن-تجربه‌گرایی، میان‌رشته‌ای بودن و نگرش نظام‌مند-حاصل زیست‌بوم‌های فکری متنوع‌اند و بازتاب ظرفیت مشترک بشری برای درک علمی عمیق به‌شمار می‌روند. میراث داوینچی و بیرونی ما را به سوی بازاندیشی در تاریخ علم از چشم‌اندازی جهانی و به‌هم‌پیوسته رهنمون می‌سازد.منابعبیرونی، محمد بن احمد ابوریحان. تحقیق ماللهند. ترجمه منوچهر صدوقی سها. تهران: انتشارات سورا، ۱۴۰۱. شابک: ۹۷۸-۶۰۰-۹۷۳۴-۶۶-۵.Capra, Fritjof. 2007. The Science of Leonardo: Inside the Mind of the Great Genius of the Renaissance. New York: Doubleday. ISBN 978-0-385-51390-6.Grafton, Anthony. 2009. Worlds Made by Words: Scholarship and Community in the Modern West. Cambridge, MA: Harvard University Press. ISBN 978-0-674-03257-6.Starr, S. Frederick. 2011. Lost Enlightenment: Central Asia’s Golden Age from the Arab Conquest to Tamerlane. Princeton, NJ: Princeton University Press. ISBN 978-0-691-15773-3.West, Bruce J. 2014. The Mystery of the Vitruvian Man. In Disrupted Networks: From Physics to Climate Change, edited by Bruce J. West and Nicola Scafetta, 1–18. Cham: Springer. DOI 10.1142/9789814364454_0001.عباس پالاشعباس پالاشMon, 08 Sep 2025 16:56:21 +0330https://virgool.ir/@abbas.palash/محاسبه-عددی-مشتق-مرتبه-۱۲-تابع-fxx-با-جولیا-قسمت-۱-jpqu6v9mrkzdتنها در زندگی روزمره نیست که حسرت می‌خوریم چرا انسان‌هایی شایسته و هنرورانی پرمایه در انزوایند و بی‌بهره از اقبال و توجهی که سزاوار آنند. در دنیای دانش و فناوری هم گهگاه این بی‌مهری رخ می‌دهد.یکی از مواردی که در دانش شایستگی آن بسیار بیشتر از حد آشنایی کنونی ماست Fractional Calculus یا حسابان با مرتبه آزاد است و در دنیای نرم‌افزار هم Julia دچار بی‌توجهی مطلق جامعه پارسی‌زبان.سعی دارم در حد سواد و دانش اندکم مطالبی درباره هر دو منتشر کنم که کوشش بیهوده به از خفتگیپیشتر درباره هر دو کمی نوشته‌ام.درباره حسابان مرتبه آزاد یا Fractional Calculushttps://vrgl.ir/HakVqدرباره جولیا و بورس تهرانhttps://vrgl.ir/Pufgchttps://vrgl.ir/XlyAGبسیار خلاصه اینکه اگر حساب دیفرانسیل و انتگرال زبان خدایگان قدیم برای بیان طبیعت و جهان پیوسته در حال دگرگونی بودhttps://vrgl.ir/Jfnujزبان تازه خدایگان برای بیان دقیق‌تر جهان پیچیده در حال دگرگونی همیشگی، حساب و دیفرانسیل مرتبه آزاد یا Fractional Calculus است.یکی از دلایل اینکه حسابان مرتبه آزاد یا FC (Fractional Calculus) همانند همزاد خود حساب دیفرانسیل و انتگرال متعارف شناخته شده نیست دشواری آن است. حل بسیاری از مساله‌های حساب دیفرانسیل و انتگرال معمولی هم گاهی بسیار دشوار است و این دشواری در حسابان مرتبه آزاد یا FC به مراتب بیشتر است.همان‌طور که معادلات دیفرانسیل معمولی بجز راه حل تحلیلی، راه‌حل عددی دارند و گاهی تنها راه‌حل عددی در اختیار ماست و ناتوان از ارائه راه‌حل تحلیلی هستیم، در معادلات دیفرانسیل مرتبه آزاد یا FC هم نسبت ناتوانی به توانایی حل تحلیلی بسیار بیشتر است و کمتر می‌توانیم معادلات دیفرانسیل مرتبه آزاد یا FC را تحلیلی حل کنیم.اهمیت یافتن روش‌هایی برای حل عددی معادلات دیفرانسیل مرتبه آزاد یا FC در اینست که راه ورود آن به رشته‌ها و موضوعات دیگر مانند هوش مصنوعی را هموارتر می‌کند.برای آشنایی بیشتر در ادامه نوشته سعی می‌کنیم مشتق مرتبه نیم یا ۱/۲ تابع f(x)=x را محاسبه کنیمالبته در این مورد خاص، روش تحلیلی هم برای محاسبه داریم که کمک می‌کند تا بتوانیم مقادیری که با حل عددی بدست می‌آوریم را مقایسه کنیم و میزان دقت و اختلاف پاسخ‌ها را بسنجیم.مساله ما: حل عددی مساله زیرمشتق مرتبه نیم یا ۱/۲ تابع f(x)=xخط آبی تابع f(x)=x و خط قرمز مشتق مرتبه اول و خط بنفش مشتق مرتبه ۱/۲ است.خط آبی خود تابع y=f(x)=x و خط قرمز مشتق مرتبه اول آن خط y =1 است و خط بنفش مشتق مرتبه ۱/۲ یا نیم تابع است.قبل از رفتن سراغ پیاده‌سازی عددی، لازم است با چند موضوع و مفهوم آشنا شویم.تابع گاما (Gamma Function)تابع گاما را می‌توان به عنوان «نسخهٔ تعمیم‌یافتهٔ فاکتوریل» در نظر گرفت. برای اعداد طبیعی n تایع فاکتوریل یعنی حاصل‌ضرب اعداد ۱ تا n. فاکتوریل عدد ۳ یعنی ۱x۲x۳ یا عدد ۶.تابع گاما همین مفهوم را به دنیای اعداد غیرصحیح (مثل اعشاری یا حتی مختلط) گسترش می‌دهد.تعریف ریاضی تابع گاما برای x > 0تعریف تابع ریاضی گاما یا فاکتوریل اعداد حقیقی و مختلطاین انتگرال همیشه همگرا است و زمانی که x عدد طبیعی مانند n باشد به همان تابع فاکتوریل شناخته شده تبدیل می‌شود، البته فاکتوریل عدد n-1 یا !(n-1)قدرت اصلی گاما زمانی است که x عدد طبیعی نیست.مقادیر تابع گاما در بازه ۰ تا ۵همین‌طور که در نمودار می‌بینید، بر خلاف تابع فاکتوریل که تابعی گسسته است، گاما تابعی پیوسته است و مثلا برای تمام مقادیر حقیقی بین ۰ تا ۵، مقدار گاما وجود دارد. نقاط قرمز مقدار تابع گاما برای اعداد طبیعی ۱، ۲، ۳، ۴ و ۵ است. مثلا گامای عدد ۵ یا Γ(۵) همان فاکتوریل عدد قبلی یعنی !۴ یا ۴x۳x۲x۱ یا ۲۴ است.نقطه سبز عدد ۱/۲ یا نیم است که مقدار گامای آن برابر رادیکال پی یا بطور تقریبی ۱.۷۷ است.یعنی تابع گاما برای همه اعداد حقیقی مثبت بزرگتر از ۰ تعریف شده است. دلیل تعریف نشدن گاما برای اعداد ۰ و منفی اینست که تابع گاما در این بازه بر خلاف بازه مثبت رفتار همگرا ندارد و شدیدا نوسان می‌کند که همانطور که مشاهده می‌کنید وقتی به سمت چپ نمودار و صفر نزدیک می‌شویم مقادیر بشدت افزایش پیدا می‌کنند.برای استفاده از تابع گاما در جولیا باید پکیج SpecialFunctions را اضافه کنیمusing PkgPkg.add("SpecialFunctions")نصب پکیج مدت زمانی طول می‌کشد چون نیاز به نصب پکیج‌های پیش‌نیاز دارد و پس از آن می‌توان از آن استفاده کرد.gamma(5)gamma(1/2)gamma(π)استفاده از تابع گاما و محاسبه گامای ۵ و ۱/۲ و عدد پیدر ادامه تعریف مشتق با مرتبه آزاد و روش‌هایی مانند Riemann-Liouville و روش Grünwald–Letnikov که به نوعی تعمیم روش تعریف مشتق معمولی است را بررسی می‌کنیم.عباس پالاشعباس پالاشSat, 06 Sep 2025 22:43:28 +0330https://virgool.ir/@abbas.palash/از-راست-rust-بگوییم-j8yaxxmec3u0چند روز پیش به ذهنم رسید نگاهی به سایت‌های فرصت‌های شغلی نرم‌افزار بندازم تا ببینم ذهنیت بازار کار نرم‌افزار چیه. البته نتیجه‌گیری از تقاضای سایت لزوما نشان‌دهنده گرایش کاری نیست ولی باید توجه کرد که حجم خروج متخصص در بیشتر حوزه‌ها و البته نرم‌افزار بقدری هست که بیشتر شرکت‌ها با مشکل کمبود نیروی متخصص روبرو هستند که منطقا باید به دنبال تامینش باشند و این سایت‌ها یکی از این راه‌ها هستند.تقاضای نیروی کار چند زبان رو برای مثال جستجو کردمJulia، Rust، Go، Python و C/C++خود اعداد به تنهایی و البته بیشتر نسبت اعداد برام جالب بود.جولیا ۰ Rust ۵Go ۴۰پایتون ۲۶۶C/C++ هم تقریبا هم اندازه پایتون حدود ۲۵۲مقایسه تقاضای بازار کار برای زبان‌های راست، پایتون، جولیا و ...صفر بودن تقاضا برای جولیا حقیقتا برام دردناک بود، اگر چه قابل پیش‌بینی و تا اندازه‌ای قابل توجیه.پایتون تونسته خودش رو به عنوان زبان هوش مصنوعی جا بندازه و زبانی مثل جولیا با وجود شایستگی فراوان و رشد قابل توجه در این سالها، کار بسیار سختی داره تا جای پایی برای خودش دست و پا کنه. پایتون به لطف توجه عمومی به هوش مصنوعی چند سالیه که در شاخص‌های بررسی زبان‌ها مثل TIOBE Index تونسته خاندان معظم C/C++ شامل C# و Java رو از تخت پایین بکشه و زبان اول مورد توجه باشهدرباره جولیا قبلا نوشته‌ام (جولیا Julia و تحلیل داده‌های بورس تهران) و سعی کردم با مثال جذاب اون سالها که بورس در بورس بود گوشه‌ای از قابلیت‌هاش رو نشون بدمhttps://vrgl.ir/Pufgchttps://vrgl.ir/XlyAGدر این سالها همیشه دوست داشتم تا فرصتی فراهم میشد و بیشتر درباره جولیا صحبت می‌شد و ویدیو آموزشی به فارسی تهیه می‌شد.نسبت ۸ برابری توجه به Go در مقایسه با Rust هم برام کمی قابل هضم نبود و انتظار داشتم فاصله کمتر باشه.نشون می‌ده که Go تونسته بهتر جا بیفته که احتمال شهرت سادگیش در مقایسه با سختی یادگیری Rust بی‌تاثیر نبوده. نگاه گذار به درخواستهای کاری و البته ماهیت زبان هم نشون میده که Go خیلی آروم و کند در حال جایگزینی backend هایی از جنس پایتون هست و عمدتا دلیلش کارآمدی و سرعت است. درباره Node.js هم اعداد حدود ۱۰۰ مورد بود که تقریبا ۲ برابر Go است و با مقایسه در مقاطع زمانی میشه نظر داد که گرایش به کدوم سمته.دلیل تعجبم بیشتر این بود که انتظار داشتم که Rust‌ به عنوان زبانی که بیشترین نزدیکی به C یا C++ رو داره خیلی بیشتر در جامعه الکترونیک و embedded مطرح باشه. هر چند اگر این ایده درست باشه که Go در بخش بک‌اند بخاطر کارآمدی در حال گسترش است، اگر نگیم Rust گزینه شایسته‌تری هست، به همون اندازه توانمنده. البته جامعه کاربری Go بزرگتره و یادگیری ساده‌تر.اما در موضوع کار بر روی میکروکنترلرها و سیستم‌های embedded و Single-board computer (SBC) یا رایانه تک برد، انتظار داشتم Rust نفوذ بیشتری کرده باشه. بطور سنتی این بخش سالهاست ملک انحصاری زبان C بود که C++ به آرامی سعی داشت جای پایی باز کنه تا کار توسعه یا develop  نرم‌افزار کمی سطح بالاتری پیدا کنه. گسترش بوردهایی مثل Arduino و خانواده Raspberry و ESP و STM در سالهای گسترش IOT و جذب مخاطبان وسیع‌تر باعث شد در این سالها انواع سبکی از پایتون مثل MicroPython و CircuitPython  هم مطرح بشوند. موفقیت زبان Lua در ساخت بازی‌ها هم باعث شد بود ایده استفاده از اون با نام Embedded Lua یا eLua آزمایش بشه. نیاز بازار در این است که توسعه و ساخت نرم‌افزار برای ابزارهای embedded و SBC سریعتر بشه اما مشکل اینجاست که زبان‌های اسکریپتی به خاطر محدودیت سخت‌افزار و حافظه و توان پردازش ابزارهای مناسبی نیستند. این زبان‌ها کامپایل نمی‌شوند و نیاز به مترجم یا interpreter برای اجرا دارند و مساله بعدی اینکه برای بحث مهم مدیریت حافظه و اشکالات و خطاهای ناشی که در زبانی مثل C و C++ موضوع کشنده‌ای است، به سراغ Garbage Collector‌ یا GC رفته‌اند که ترکیب اسکریپت بودن و GC تاثیر مهمی در کاهش کارآیی دارند که شاید در پردازش رومیزی با ارتقا سخت‌افزار مشکل حل بشه اما در اینجا برنامه باید در حجم و اندازه حافظه و توان پردازش معین و محدود اجرا بشه.یه دلیل دیگه استفاده از نسخه‌های زبان اسکریپتی مانند پایتون بحث IOT و ارتباطش با هوش مصنوعی و یادگیری ماشینه و کتابخانه کامل و جامع پایتون برای کار با هوش مصنوعی یکی از دلایل طرح این زبان‌ها بوده اما همونطور که گفته شد کندی اجرا و نیاز به حافظه زیاد باعث ایجاد نوعی بن‌بست شده.حالا Rust این وسط به چه کار میاد؟ در طراحی Rust تلاش شده تا با روشی غیر از Garbage Collector‌ که در Java و C# و Python و بسیاری از زبان‌های نو استفاده شده، مشکل مهم مدیریت حافظه حل بشه و ساختار زبان باعث بشه تا در همون زمان کامپایل از بخش عمده‌ای از مشکلات رایج در مدیریت حافظه جلوگیری بشه. این شیوه نو کمی باعث شده تا Rust دشوارتر از مثلا زبانی مثل Go به نظر بیاد اما از طرفی باعث شده که بسیاری از دردسرهایی که ممکنه در زبانی مثل C در موضوع مدیریت حافظه پیش بیاد جلوگیری بشه. منظور این نیست که نمیشه با Rust مشکل حافظه درست کرد اما بقول معروف باعث میشه سخت‌تر بتونی به پای خودت شلیک کنی. کار با سخت‌افزار گاهی ایجاب می‌کنه تا مستقیما با حافظه و رجیسترها کار کرد ولی در Rust در عوض اینکه وضعیت کل کد و برنامه زیر سوال باشه، این بخش‌های خاص علامت گذاری میشن و سعی میشه تاثیر و حوزه‌شون محدود و محصور باشه.مزیت دیگه استفاده از Rust در مقایسه با C این است که همزمان دسترسی به موضوعات سطح‌ بالاتری مثل concurrency و ساختارهای زبان‌های پیشرفته شی‌گرا هم داریم. البته Rust بطور دقیق مشابه جاوا و سی شارپ شی‌گرا حساب نمیشه اما مفاهیم مهمی مثل مثل struct و ماژول یا trait  داره که کمک می‌کنند به پیاده‌سازی مفاهیمی مثل Encapsulation و Polymorphism و Abstraction که از اصول مهم شی‌گرایی هستند.مفهوم مهمی به نام zero cost abstraction در Rust‌ مطرحه که معنای ساده‌اش اینه که برنامه‌نویس بتونه کد سطح بالا بنویسه اما کارآیی رو فدا نکنه.میشه ادامه داد و باز درباره ایده استفاده از Rust بجای C در embedded و میکروکنترل‌ها و SBC گفت اما به نظرم اگه فرصتی بشه و نمونه‌ای عملی بررسی بشه مفیدتره. عباس پالاشعباس پالاشFri, 01 Aug 2025 23:45:41 +0330https://virgool.ir/@abbas.palash/گلچین-مغلطه-های-آقای-نعناکار-در-توجیه-قطع-دسترسی-آزاد-مردم-به-اینترنت-اینترنت-طبقاتی-dznnnfd9cwauگزارش نت‌بلاکس از اختلال اینترنت در ایرانآیا محدود کردن دسترسی مردم به اینترنت آزاد، امنیت را تضمین می‌کند؟در سال‌های اخیر، استدلال‌هایی برای توجیه محدودسازی دسترسی عموم مردم به اینترنت آزاد مطرح شده است. آقای نعناکار چنین نوشته است:«دسترسی به زیرساخت‌های اطلاعاتی باید سطح‌بندی و کنترل‌شده باشد، چرا که #اینترنت در اصل یک فناوری زیرساختی است که در نقش ابزار عمل می‌کند و بی‌ضابطه بودن دسترسی می‌تواند مخاطرات امنیتی و حریم خصوصی جدی ایجاد کند.»https://x.com/mjnanakar/status/1940712755444830321این نوشته کوتاه گلچینی از مغلطه‌هاست.۱. مغالطه علت و معلول نادرست (False cause / correlation ≠ causation)ادعای اصلی این استدلال این است که:«دسترسی آزاد و بی‌ضابطه به اینترنت باعث تهدید امنیت و نقض حریم خصوصی می‌شود.»اما این یک رابطه‌ی علت و معلول نادرست است. تهدیدات امنیتی و نقض حریم خصوصی ناشی از ضعف در آموزش سواد دیجیتال، نبود قوانین شفاف حمایت از داده‌ها و ناکارآمدی فناوری‌های ایمن است، نه ذات دسترسی آزاد به اینترنت.آزادی دسترسی به اینترنت و امنیت اطلاعات دو موضوع جداگانه هستند که می‌توانند به موازات هم تقویت شوند. محدود کردن دسترسی به بهانه امنیت، مانند آن است که به‌جای ارتقای قفل‌های خانه، ورود به خانه را ممنوع کنیم. امنیت را می‌توان با ارتقاء سواد دیجیتال، تدوین قوانین حفاظت از داده و بهبود فناوری‌های رمزنگاری تأمین کرد بدون آن‌که دسترسی مردم را محدود کرد.همان‌طور که سازمان ملل متحد تأکید می‌کند:«دسترسی به اینترنت ابزاری ضروری برای تحقق طیف گسترده‌ای از حقوق بشر است. دولت‌ها باید از اقداماتی که به بهانه حفاظت از امنیت ملی، آزادی بیان در فضای آنلاین را محدود می‌کند، اجتناب کنند.»(گزارش شورای حقوق بشر سازمان ملل ۲۰۱۶)۲. مغالطه کلی‌گویی شتاب‌زده و برچسب‌زنی (Hasty generalization)در استدلال فوق، اینترنت آزاد به صورت پیش‌فرض بی‌ضابطه و خطرناک فرض شده است که کلی‌گویی شتاب‌زده است.اینترنت آزاد به معنی دسترسی بدون تبعیض است، نه دسترسی بدون قانون.کشورهایی مانند آلمان، فنلاند و کانادا همزمان بالاترین سطح آزادی اینترنت و امنیت سایبری را دارند.همان‌طور که اتحادیه بین‌المللی مخابرات (ITU) تحلیل می‌کند:«بسیاری از کشورهایی که در شاخص امنیت سایبری رتبه بالایی دارند، در شاخص آزادی اینترنت نیز امتیاز بالایی کسب می‌کنند. این نشان می‌دهد که امنیت و باز بودن می‌توانند همزیستی داشته باشند.»۳. مغالطه توسل به ترس (Appeal to fear / scare tactic)استفاده از واژه‌هایی مانند «مخاطرات امنیتی» و «نقض حریم خصوصی جدی» به جای استدلال منطقی، در واقع تلاشی برای تحریک احساسات و ترس در مخاطب است. ایجاد ترس به‌جای ارائه شواهد عینی، روشی غیرمنطقی برای پیشبرد استدلال است. در واقع بسیاری از تهدیدات امنیتی در محیط‌های بسته و کنترل‌شده نیز وجود دارند (برای مثال نشت داده‌ها از پایگاه‌های دولتی). اتفاقات فراوانی و خارج از شمارشی مانند هک اطلاعات بسیاری از بانک‌ها، پمپ بنزین‌ها و سازمان‌های دولتی به دلیل دسترسی آزاد مردم بوده است؟Freedom House در گزارش «آزادی در اینترنت» به‌روشنی می‌گوید:«دولت‌هایی که دسترسی به اینترنت را محدود می‌کنند، معمولاً این کار را نه برای حفاظت از امنیت شهروندان، بلکه برای سرکوب مخالفت‌ها و کنترل اطلاعات انجام می‌دهند.»بنابراین به جای ترساندن بی‌دلیل و غیرمنطقی و محدودسازی، راه‌حل‌های واقعی مانند ارتقای سواد رسانه‌ای، تدوین قوانین حمایت از داده‌ها و بهبود فناوری‌های امنیتی باید در دستور کار باشد.۴. مغالطه تغییر معنای واژه‌ها (Equivocation)متن عمداً یا سهواً اینترنت آزاد را معادل با اینترنت بی‌ضابطه معرفی می‌کند. اینترنت آزاد به معنی دسترسی بدون تبعیض، بدون سانسور و باز به اطلاعات است؛ نه لزوماً بدون قانون یا بی‌ضابطه. این جابه‌جایی معنایی برای توجیه محدودیت دسترسی استفاده شده است.کمیسیون اروپا در مقررات GDPR صراحتاً بیان می‌کند:«حفاظت از داده‌ها مانعی برای نوآوری یا دسترسی آزاد به اطلاعات نیست؛ بلکه شرط اساسی ایجاد اعتماد در اقتصاد دیجیتال است.»آزادی دسترسی به اینترنت به معنای بی‌قانونی نیست، بلکه به معنای وجود چارچوب‌های شفاف حقوقی است که هم آزادی و هم امنیت را تضمین کند.محدودسازی، راه‌حل امنیت نیستحتی اگر بپذیریم که اینترنت آزاد چالش‌هایی برای امنیت ایجاد می‌کند، باز هم محدودسازی دسترسی، راه‌حل مؤثری نیست. همان‌طور که گزارشگران بدون مرز در شاخص آزادی مطبوعات یادآور می‌شوند:«مسدودسازی یا فیلتر کردن دسترسی به محتوای آنلاین اغلب ابزاری برای کنترل اقتدارگرایانه است و به ندرت به اهداف واقعی امنیتی خدمت می‌کند.»در مقابل، کشورهایی با اینترنت باز و قوانین روشن (مانند اتحادیه اروپا با GDPR) موفق شده‌اند هم امنیت داده‌ها را تأمین کنند و هم آزادی کاربران را محترم بشمارند.خلاصهاستدلال‌هایی که برای محدود کردن دسترسی مردم به اینترنت آزاد به بهانه‌ی امنیت و حریم خصوصی ارائه می‌شود، معمولاً بر پایه‌ی مغالطه‌های منطقی، برچسب‌زنی و توسل به ترس استوار است.راه‌حل‌های واقعی ارتقای امنیت سایبری، نه در بستن درها، بلکه در هوشمند کردن قفل‌ها، ارتقاء فرهنگ و قانون‌گذاری دقیق است.آزادی دسترسی به اینترنت و امنیت نه تنها در تضاد نیستند، بلکه لازم و ملزوم هم هستند.منابع و مراجعInternet Freedom Report — Freedom Houseعنوان: Freedom on the Net (گزارش سالانه آزادی اینترنت)این گزارش از معتبرترین ارزیابی سالانه آزادی اینترنت در جهان است و نشان می‌دهد که محدودسازی اینترنت در کشورهای مختلف اغلب با سرکوب آزادی‌های مدنی و نقض حقوق بشر همراه است، نه با افزایش امنیت واقعی.https://freedomhouse.org/report/freedom-netمقررات عمومی حفاظت از داده اتحادیه اروپا General Data Protection Regulation (GDPR)این چارچوب حقوقی نشان می‌دهد که می‌توان بدون محدودسازی دسترسی به اینترنت، امنیت داده‌ها و حریم خصوصی کاربران را به‌خوبی تضمین کرد.https://gdpr.eu/شاخص جهانی آزادی مطبوعات — گزارشگران بدون مرز World Press Freedom Index — Reporters Without Bordersاین شاخص نشان می‌دهد کشورهایی که اینترنت آزاد دارند، معمولاً در شفافیت، امنیت اطلاعات و حقوق بشر عملکرد بهتری دارند. رتبه فعلی ایران ۱۷۶ در بین ۱۸۰ کشور است.https://rsf.org/en/index«سازمان ملل متحد — شورای حقوق بشر: گزارش دربارهٔ ترویج، حمایت و بهره‌مندی از حقوق بشر در اینترنت»United Nations — Human Rights Council: Report on the Promotion, Protection and Enjoyment of Human Rights on the Internetگزارش‌های شورای حقوق بشر سازمان ملل تأکید می‌کنند که دسترسی آزاد به اینترنت یک حق بنیادین است و محدودسازی آن باید آخرین راه‌حل باشد و فقط در چارچوب‌های استثنایی و با رعایت حقوق بشر انجام گیرد.https://digitallibrary.un.org/record/3937534?ln=en&v=pdf«شاخص جهانی امنیت سایبری — اتحادیه بین‌المللی مخابرات (ITU)»The Global Cybersecurity Index — ITU (International Telecommunication Union)این شاخص نشان می‌دهد که کشورهایی با اینترنت آزاد (مثل آلمان، کانادا، استرالیا) همزمان از نظر شاخص‌های امنیت سایبری در رتبه‌های بالا قرار دارند.https://www.itu.int/en/ITU-D/Cybersecurity/Pages/global-cybersecurity-index.aspx«دستور اینترنت باز — کمیسیون فدرال ارتباطات (FCC، ایالات متحده آمریکا)»The Open Internet Order — Federal Communications Commission (FCC, USA)سندی بر ارزش‌های اینترنت باز و آزاد و این‌که چگونه قوانین «بی‌طرفی شبکه» (net neutrality) می‌تواند آزادی و امنیت را همزمان تضمین کند.https://transition.fcc.gov/Daily_Releases/Daily_Business/2015/db0312/FCC-15-24A1.pdfعباس پالاشعباس پالاشTue, 08 Jul 2025 15:55:03 +0330https://virgool.ir/@abbas.palash/دشمنی-با-اعداد-zvmksooruag8نمودار آرای نامزدهای انتخابات ۱۴۰۳ از بی‌بی‌سیتا امروز بدترینِ دشمنان ریاضیات بعد از کسانی که بقول مرحوم ترکان عدد نمی‌فهمیدند، اتحاد اهریمنی میوه‌فروش‌های گذری وانتی/نیسانی بود که روی یه ورق کارتن درشت می‌نوشتند۶ کیلو هندونه ۱۰۰ تومنبعد هر جور تقسیم می‌کردی قیمت ۱ کیلو درست در نمی‌اومد و می‌افتادی تو گردش بی‌نهایت رقم آخر تقسیم.اما از همون ظهر اعلام نتایج انتخابات باشکوه ریاست جمهوری ۱۴۰۳ گروه دیگری از تحلیل‌گران نقاب از ذات پلید ضد ریاضیات خودشون برداشتند. مثلا مدام میگن اگه مثلا آقای پزشکیان ۱/۷۰۰ میلیون رای دیگه داشت برنده دور اول شده بود.ناعزیزان من چرا مثل شادروان ملانصرالدین تعداد خرها رو می‌شمرید که سوار خر می‌شد می‌شمرد ۹ تا بودمی‌اومد پایین می‌شمرد ۱۰ تا بود؟وقتی می‌خواهید رای یه کاندید به ۵۰ درصد + ۱ برسه و به تعداد رایش اضافه می‌کنید به مخرج کسر هم که کل آراست باید همون مقدار رو اضافه کنید.نمیشه که یه عده برن به یه نفر رای بدن ولی تعداد کل آرا تغییر نکنه.گزارش وزارت کشور میگهاز مجموع آرای شمارش شده از کل ۵۸ هزارو ۶۴۰ شعبه در سراسر کشور از ۴۸۲ شهرستان تعداد کل برگ های رای ماخوذه شمارش شده (صحیح و باطله) ۲۴ میلیون و ۵۳۵ هزارو ۱۸۵ رای می باشد که وضعیت نامزدها و آرای آنان به ترتیب زیر است:۱- آقای مسعود پزشکیان - فرزند حسین - شناسه نامزد ۲۲ - ۱۰ میلیون و ۴۱۵ هزار و ۹۹۱ رای۲- آقای سعید جلیلی - فرزند محمد حسن - شناسه نامزد ۴۴ - ۹ میلیون و ۴۷۳ هزار و ۲۹۸ رای۳- آقای محمد باقر قالیباف - فرزند حسین - شناسه نامزد ۷۷ - ۳ میلیون و ۳۸۳ هزارو ۳۴۰ رای۴- آقای مصطفی پور محمدی - فرزند حسین - شناسه نامزد ۳۳ - ۲۰۶ هزار و ۳۹۷ رایسر اینکه ملاک 50 درصد + ۱ در انتخاب رییس جمهور کل آراست یا فقط آرای صحیح بحث هست. ولی جوری که وزارت کشور درصدها رو حساب کرده مخرج کسر کل آرای صحیح و باطله است.اگر همین ملاک باشهدور اول پزشکیان به 3,703,205 رای دیگه احتیاج داشتجلیلی به 5,588,591قالیباف به 17,768,507پورمحمدی به 24,122,393چرا این طوره؟ مثل برای اولین فرزند حسین یعنی آقای پزشکیانکل آرا24,535,185آرای آقای پزشکیان10,415,991= 42.45 %عددی که باید اضافه شه تا به ۵۰ درصد کل آرا + ۱ برسه عدد 3,703,205 هست. ازیرا که3,703,205 + 24,535,185 = 28,238,390 / 2 = 14,119,195 برابر ۵۰٪ کل آرا3,703,205 + 10,415,991 = 14,119,196 برابر ۵۰٪ + ۱عباس پالاشعباس پالاشMon, 01 Jul 2024 14:40:56 +0330https://virgool.ir/@abbas.palash/آیا-سفارتخانه-و-کنسولگری-بخشی-از-خاک-کشور-میهمان-است-kr18bh4df9unکنوانسیون وین درباره روابط دیپلماتیک - ۱۹۶۱آیا این باور رایج که ساختمان سفارت و کنسولگری یک کشور در کشورهای دیگر، خاک کشور میهمان است و هر گونه تجاوز و تعدی به آن حمله و تجاوز به خاک کشور میهمان محسوب می‌شود، درست است؟ نه، اگر چه سفارت‌خانه‌ها و کنسولگری‌ها بر اساس قوانین بین‌المللی از امتیازات و مصونیت‌های خاصی برخوردارند، اما قلمرو مستقل و خاک کشور میهمان محسوب نمی‌شوند.این موضوع در کنوانسیون وین درباره روابط دیپلماتیک، که اولین معاهده بین المللی حاکم بر روابط دیپلماتیک بین کشورها است، روشن شده است. ماده ۲۲ کنوانسیون بیان می‌کند که اماکن مرتبط با مأموریت دیپلماتیک غیرقابل تعرض هستند، به این معنی که دولت میزبان موظف است از آنها در برابر هر گونه نفوذ یا آسیب محافظت کند، اما به آنها وضعیت قلمرو مستقل یا خاک آن کشور نمی‌دهد.در حالی که حمله به سفارت یا کنسولگری قطعاً نقض جدی قوانین بین‌المللی است و می‌تواند پیامدهای دیپلماتیک جدی داشته باشد، اما از نظر قانونی معادل حمله به قلمرو کشور میهمان نیست.منابعمتن کنوانسیون وین درباره روابط دیپلماتیک (۱۹۶۱) که مفهوم مصونیت دیپلماتیک و وضعیت سفارتخانه‌ها را بر اساس قوانین بین‌المللی توضیح می‌دهد:https://legal.un.org/ilc/texts/instruments/english/conventions/9_1_1961.pdfمتن کنوانسیون وین درباره روابط کنسولی (۱۹۶۳):https://legal.un.org/ilc/texts/instruments/english/conventions/9_2_1963.pdfدفترچه توضیح مفهوم مصونیت و امتیازات دیپلماتیک در سایت وزارت خارجه ایالات متحده آمریکاhttps://www.state.gov/wp-content/uploads/2019/07/2018-DipConImm_v5_Web.pdfوب سایت کمیسیون حقوق بین‌الملل:https://legal.un.org/olaعباس پالاشعباس پالاشTue, 16 Apr 2024 09:41:20 +0330https://virgool.ir/@abbas.palash/درباره-باخت-به-قطر-gjiicse89xttگل اشپیرواسر، آلمان شرقی ۱ - آلمان غربی ۰، جام جهانی ۱۹۷۴در ۱۹۷۴ آلمان شرقی برای اولین و آخرین بار به جام جهانی در آلمان غربی راه یافت. مسابقات در ۴ گروه ۴ تیمی برگزار می‌شد و در ۲ مرحله گروهی.روز شنبه ۵ ژانویه ۱۹۷۴ پسری ۱۱ ساله از گروه کر پسران شون‌برگر (کوهستان زیبای) برلین، نام آلمان شرقی را از گوی قرعه‌کشی بیرون آورد. شوخی تاریخ، هم‌گروهی جمهوری دموکراتیک آلمان (شرقی) با شیلی، استرالیا و جمهوری فدرال آلمان (غربی) در دور اول گروهی بود تا ۶ ماه بعد این دو تکه از یک کشور به دیدار هم بروند. قرعه‌ای از این نامطلوب‌تر ممکن نبود و حتا مانفرد اوالد مقام ارشد ورزشی آلمان شرقی با تصور امکان باخت سنگین به آلمان غربی، فکر کنارگیری از مسابقات به سرش زد. در دوران طولانی ۴۱ ساله از ۱۹۴۹ تا ۱۹۹۰ این تنها نبرد ملی تاریخ بین ۲ نیمه جدا شده آلمان بود و سیاسی‌ترین بازی فوتبال شد. در دوران جنگ سرد هر گاه تیم فوتبالی از آن سوی پرده آهنین از سیم‌خاردارها و بلوک‌های بتونی عبور می‌کرد تا با تیمی در این سو بازی کند، غوغایی جمعی - البته نکوهیده از سوی مقامات- میان مردم کمونیسم‌زده برپا می‌شد تا با خرید بلیت، لحظاتی دیوار سرد برلین را فراموش کنند و شوق دیدن ستارگان فوتبال دوباره رشته‌های پیوند دیرین را تازه کند. مسابقات اروپایی میان تیم‌های بایرن مونیخ با دینامو درسدن، وردربرمن با ماگدبورگ یا کایزرزلاترن با ویسموت کارل مارکس اشتات معدود فرصت‌هایی برای تازه کردن دیدار با همسایه بود. آلمان غربی آن زمان روزگار خوشی در فوتبال داشت. سال‌ها پیش در معجزه ۱۹۵۴ برن، آلمان غربی که در دور گروهی ۳ به ۸ از مجارستان شکست سختی خورده بود در نبردی حماسی بازی ۲ هیچ باخته را از همان مجارستان برد و در عین ناباوری قهرمان جهان شد. مجارستان در دور گروهی کره جنوبی را ۹ بر هیچ برده بود و بدون پوشکاش، برزیل را ۴-۲ در یک چهارم و اورگوئه را ۴-۲ در نیمه نهایی برده بود و به فینال رسیده بود. در ۱۹۷۲ هم ستارگانی چون گرد مولر، پاول بریتنر و فرانتس بکن‌باوئر، آلمان غربی را قهرمان اروپا کردند. برگزاری جام جهانی در خاک آلمان غربی فرصتی بود تا آلمان غربی سروری خود بر فوتبال جهان را اثبات کند. جالب اینکه آلمان بعد از اتحاد تنها یک قهرمانی در ۲۰۱۴ برزیل کسب کرد و سه قهرمانی دیگرش در زمان آلمان غربی در ۱۹۵۴ و ۷۴ و ۹۰ ایتالیا بوده است. اگر چه تیم ماگدبورگ ۲ سال قبل فینال کاپ اروپا را از آ ث میلان برده بود و یورگن اشپیرواسر از آن تیم قهرمان در تیم ملی حاضر بود اما بزرگترین افتخار ملی فوتبال آلمان شرقی تا آن زمان تنها مدال برنز المپیک مونیخ بود. هانس یورگن کریشه از آن تیم المپیک در تیم ملی حاضر بود و بازیکن سال آلمان شرقی شده بود. آلمان شرقی اگر چه موفقیت‌های خوبی در سایر رشته‌های المپیکی داشت اما دوپینگ‌های موفق المپیک در زمین فوتبال ملی کارآمد نبود. مسابقه آلمان شرقی و غربی در ۲۲ ژوئن ۱۹۷۴، نبرد طالوت و جالوت فوتبال، در استادیوم فولکس پارک شهر بندری هامبورگ برگزار شد. ۴ روز قبل بازی شیلی و آلمان شرقی ۱-۱ مساوی شده بود. آن بازی هم سرگیجه ایدئولوژیکی برای آلمان شرقی بود. آیا باید با شیلی بعد از سقوط آلنده و دیکتاتوری پینوشه غرب‌گرا آنهم در برلین غربی مسابقه می‌دادند؟ در نهایت تصمیم مقامات کمونیست این شد که چاره‌ای نیست و باید تن به قوانین مسابقه داد. بردن مسابقات فرصت بیشتری برای تبلیغ به آلمان شرقی می‌داد. خاتمه بحث. ۸ روز قبل در حضور ۱۶ هزار تماشاچی در همین ورزشگاه، آلمان شرقی ۲-۰ استرالیا را برده بود و بازی آخر با آلمان غربی، بازی سرگروهی بود. آلمان شرقی تنها به ۱۵۰۰ تماشاچی دستچین شده که اعضای اشتازی یا اداره امنیت داخلی بودند اجازه حضور در کشور همسایه را داده بود تا هم تیم آلمان شرقی را تشویق کنند و هم به وظایف خود به عنوان پلیس مخفی عمل کنند و مراقب اعضای تیم باشند. میلکه، ريیس اشتازی کار راحتی در انتخاب این ۱۵۰۰ نفر نداشت، امکان داشت بسیاری از آنها به آلمان شرقی بازنگردند و پناهنده شوند. انتخاب این ۱۵۰۰ نفر، پروژه بزرگی، موازی و بزرگتر از آمادگی تیم فوتبال آلمان شرقی بود. موضوع تز آقای هانس لسکه مورخ فوتبال تشریح جزییات این جراحی دقیق و انتخاب ۱۵۰۰ تماشاگر توسط میلکه بود. وفاداری به حزب، نداشتن خویشاوند در آلمان غربی، تجرد و تاهل و ... از پارامترهای مهم انتخاب این تماشاگران دستچین شده بود که بسیاری برای اولین یا دومین بار در عمر خود شاهد مسابقه فوتبال از نزدیک بودند. در آن سو هاینتز ورنر که مربی فوتبال بود و ۲ تن از شاگردانش اکنون در تیم ملی بودند از اینکه اجازه نداشت به دیدن مسابقات جام جهانی در همسایگی کشورش برود بسیار عصبانی بود و مراجعات بسیاری برای متقاعد کردن مقامات حزب داشت تا به آنها بفهماند که بهترین فرصت یادگیری، حضور و مشاهده این مسابقات از نزدیکی است. نهایت خلاقیت این گروه دستچین شده اشتازی شعار "7, 8, 9, 10, Klasse!" بود. ۷ تا ، ۸ تا، ۹ تا، ۱۰ تا، یالا یالا! تا تیم را تشویق به زدن گل‌های بیشتر کنند. اسناد بسیاری از گزارش‌های این تماشاگرنمایان پلیس مخفی آلمان شرقی درباره بازیکنان و اعضای تیم فوتبال درباره جزییات زندگی و روابط و آشنایان آنها در آلمان غربی موجود است. وقت مسابقه، آلمان شرقی روحیه بهتری داشت. از بابت صعود به دور بعد خیالش راحت شده بود و سرمربی تیم گئورگ بوشنر توانسته بود تا حد زیادی مقامات سیاسی را از رختکن تیم دور کند تا فشار روانی و ایدئولوژیک کمتری وارد کنند. اما آلمان غربی باید از حیثیت قهرمانی خود دفاع می‌کرد و تنش بیشتری داشت. در این میان بیشترین فشار بر روی سرمربی آلمان غربی، هلموت شون بود که متولد درسدن بود که حالا جزو آلمان شرقی بود. تمایل او به انتقام در جمله بکن‌باوئر پیدا بود «بخاطر شون بازی می‌کنیم». هانسی کریشه بازیکن تیم آلمان شرقی همین آرامش روانی را مهمترین عامل تعیین کننده برنده بازی می‌دانست. هاینتز ورنر، مربی فوتبال در آلمان شرقی که بالاخره با واسطه کردن مقامات بسیاری در آلمان شرقی توانسته بود جزو ۱۵۰۰ تماشاگر دستچین شده قرار بگیرد قبل از مسابقه به سمت شاگردش یواخیم اشترایش در تیم ملی آلمان شرقی رفت و با فریاد از پشت فنس‌ها به او وعده هدیه دادن خودروی وارتبورگ را داد تا به او انگیزه خوبی برای مسابقه بدهد تا مسیر معمول ۱۵ ساله صاحب خودروی وارتبورگ شدن را یک شبه طی کند. نکته دیگر جو سنگین امنیتی بود. تنها ۲ سال از فاجعه کشتار در المپیک تابستانی ۱۹۷۲ مونیخ می‌گذشت که در آن ۱۱ ورزشکار اسرائیلی توسط گروهی فلسطینی گروگان گرفته شده و کشته شده بودند. حضور آشکار پلیس‌های مسلح در اطراف استادیوم و گشت‌زنی هلی‌کوپترها بر بالای آن در جریان مسابقه. جو مسابقه باعث شد هر ۲ تیم فرصت‌های بسیاری را هدر بدهند. گذشت زمان به ضرر آلمان غربی بود. با وجود برتری در نیمه دوم، گرد مولر و سایر بازیکنان فرصت‌های بسیاری را از دست دادند. و سرانجام داستان همیشگی فوتبال، تنبیه تیم گل‌نزن. در دقیقه ۷۸ یورگن اشپیرواسر آلمان شرقی را یک هیچ برنده کرد. با پیروزی همسایه کمونیست بر همسایه سرمایه‌دار، آرزوی اشتازی برآورده شد. جشن و شادی و پایکوبی غلبه بر آلمان غربی. پیروزی نظام بر حق کمونیستی بر نظام فاسد غربی. آلمان شرقی سرگروه شد.اما شوخی دوم روزگار این بود که قرعه سختی در انتظار برنده و سرگروه بود. در مرحله دوم گروهی آلمان شرقی با آرژانتین، برزیل و هلند هم گروه شد و ناخواسته قرعه راحت‌تری نصیب آلمان غربی کرد. این آخرین پیروزی و برد تیم فوتبال آلمان شرقی بود. آلمان شرقی دیگر هیچ برد دیگری را در جام جهانی تجربه نکرد. شوک باخت به آلمان شرقی باعث تحول در چینش تیم ملی آلمان غربی شد و آنها در فینال بهترین هلند ممکن با یوهان کرایف را شکست دادند و قهرمان جهان شدند. شادی پنهان بسیاری از مردم آلمان شرقی از صعود نکردن تیم تحت حمایت اشتازی با قهرمانی نیمه دوم کشورشان آلمان غربی کامل شد. اما کمتر کسی جرات ابراز خوشحالی داشت. هانسی کریشنر بازیکن وقت تیم آلمان شرقی می‌گوید بعد از اینکه تنها یک امتیاز از تساوی با آرژانتین بدست آوردیم و در مرحله گروهی دوم حذف شدیم در هواپیما با نفر کنار دستی بر سر قهرمانی آلمان غربی شرط بستم و ۱۴ روز بعد که جام جهانی با قهرمانی آلمان غربی تمام شد، مدیر باشگاه مرا به زمین تمرین در درسدن فراخواند تا بسته‌ای از یک ناشناس دریافت کنم. ۵ بطری ویسکی و یک نامه از هانس آپل وزیر اقتصاد، فردی که ندانسته با او در هواپیما شرط بسته بودم. خط پایانی نامه تا مدتها هانسی کریشه را در هول و ولا گذاشت.«امیدوارم به زودی دوباره با یکدیگر ملاقات کنیم». دعوت به جلسه‌ای با اشتازی؟ هانسی کریشه بعدها که در ۱۹۷۶ آقای گل لیگ آلمان شرقی شد اما بر خلاف انتظار به تیم المپیک ۱۹۷۶ مونترال دعوت نشد، فهمید که نباید بر سر قهرمانی آلمان غربی شرط می‌بست.منابعDer Kampf zwischen Brüdern چالش ۲ برادرhttps://lego-ninjago.fandom.com/de/wiki/Der_Kampf_zwischen_Br%C3%BCdern klasse, das sparwasser tor vor 40 jahrenیالا یالا، ۴۰ سال بعد از گل اشپیرواسر https://bilder.deutschlandfunk.de/FI/LE/_9/fa/FILE_9fafbb5218d9e8feed4bd577580b3bc6/klasse-das-sparwasser-tor-vor-40-jahren-txt-100.txt THE MOST POLITICALLY-CHARGED MATCH IN HISTORY: WHEN EAST GERMANY MET WEST IN 1974 https://thesefootballtimes.co/2018/09/21/the-most-politically-charged-match-in-history-when-east-germany-met-west-in-1974/ WORLD CUP'S GREATEST SHOCKS: EAST GERMANY 1–0 WEST GERMANY, 1974 https://www.thefootballhistoryboys.com/2022/08/world-cups-greatest-shocks-east-germany.html The Benefits of Defeat – East Germany Versus West Germany At The 1974 World Cuphttps://europebetweeneastandwest.wordpress.com/tag/east-germany-versus-west-germany-1974-world-cup/عباس پالاشعباس پالاشThu, 08 Feb 2024 15:58:02 +0330https://virgool.ir/@abbas.palash/ریزداستانکچه-ها-w4f8zasjtlbtاز داستان ۶ کلمه‌ای مشهور منسوب به ارنست همینگوی بسیار گفته‌اندfor sale: Baby shoes, never wornفروشی: کفش‌های نوزاد، هرگز پا نخوردهگویا منبع الهام، تکه نوشته‌ای در روزنامه The Spokane Press بوده که خود از آگهی روزنامه‌ای محلی الهام گرفته بود"Baby's hand made trousers and baby's bed for sale. Never been used"نویسنده ایده بیان و شرح تراژدی زن مصیبت‌دیده نوزاد از دست داده‌ای در جریان فروش وسایل نوزاد را می‌دهد و عنوان Little Shoes, Never Worn را پیشنهاد می‌دهد. البته در این طرح وسایل فروخته نمی‌شوند و هدیه داده می‌شوند تا شاید نوزاد دیگری از آن بهره گیرد.منبع انتساب داستان ۶ کلمه‌ای به همینگوی، نامه‌ای از آرتور سی کلارک است که در آن می‌گوید همینگوی ادعای نوشتن قصه در ۶ کلمه را کرد و شرط‌بندی ۱۰ دلاری که زمان خودش پولی بود را از نویسندگان دیگر برد.سرزمین داستان‌های بسیار کوتاه، سرزمین غریبی است.بسیاری داستان‌های کوتاه در حد ۱۰۰ و ۵۰ و ۲۰ کلمه و کمتر را داستان نمی‌دانند چون عناصری مانند آغاز و گره و پایان و شرح شخصیت نمی‌تواند داشته باشد.این اعتراض به بسیاری از این ریز داستانکچه‌ها وارد است. اما باید در نظر داشت در این جنس نوشته‌ها، خواننده سهم بسیار بیشتر از حد معمول در بازسازی و تکمیل داستان با دانسته‌های پیشین خود دارد.مانند داستانکچه دایناسور از آگوستو مونترسو نویسنده گواتمالایی متولد هندوراسEl dinosaurio Cuando despertó, el dinosaurio todavía estaba allí.دایناسوروقتی بیدار شد، دایناسور هنوز بوداین ریزداستانکچه تا مدتها کوتاه‌ترین داستان زبان اسپانیایی بود تا داستان مهاجر و ۲ داستان دیگر مانند این داستان مارسلو گوبوEpitafio para un microrrelatistaگورنوشتی برای داستان کوتاه‌نویسالبته باید توجهی داشت بخشی از بار آماده کردن ذهن برای تکمیل داستان بر دوش نام و عنوان داستان گذاشته می‌شود. مثلا در داستان El emigrante یا مهاجر قصه وابستگی شدید به عنوان داردEl emigrante-¿Olvida usted algo?-¡Ojalá!مهاجرهمه چیز را فراموش کردی؟اگر (کاش) میشد!The MigrantDid you forget anything?If only!وابستگی به عناصر بیرون قصه و عنوان در کوتاهترین قصه اسپانیایی از خوان پدرو آپاریسیو در اوج است.Luis XIVYo.لویی چهاردهممنمتنها ۲ کلمه برای عنوان و متن داستان تنها ۱ کلمه استلویی چهاردهم معروف به لویی کبیر یا پادشاه خورشید با ۷۲ سال حکومت رکورددار سلطنت در تمام اروپاستملکه الیزابت دوم با ۷۰ سال نفر بعدی است.در فهرست طولانی‌ترین حکمرانی‌ها اگر شاپور دوم نبود ایران سهمی در این فهرست نداشت.به احتمال بسیار داستان به جمله و نام مشهوری که لویی چهاردهم برای خود انتخاب کرده بود اشاره داردL'État, c'est moiمن دولتمبه نظر می‌رسد در عصر جدید این جنس ادبیات Twitterature یا توییتریات بیشتر رواج پیدا خواهد کرد.عباس پالاشعباس پالاشWed, 07 Feb 2024 02:41:58 +0330https://virgool.ir/@abbas.palash/تکنوفئودالیسم-یا-نظام-اربابی-فناورانه-ssyhewaalu7fتکنوفئودالیسم یا نظام اربابی فناورانهتکنوفئودالیسم، یا نظام ارباب رعیتی تکنولوژیک یا نظام اربابی فناورانه، واژه ابداعی اقتصاددان و سیاستمدار یونانی، یانیس واروفاکیس، برای توصیف نظام اقتصادی و اجتماعی جدیدی است که در آن شرکت‌های بزرگ فناوری مانند گوگل، متا (فیس‌بوک) و ... قدرت فراوان و کنترل قابل توجهی بر زندگی ما دارند.به‌طور خلاصه ۵ ویژگی کلیدی این دوره را وصف می‌کند۱. پلتفرم‌ها و استخراج ارزش از داده‌های کاربران (کرایه داده):یانیس از واژه rent یا کرایه/اجاره استفاده می‌کند که واژه غلط‌اندازی‌ست، چون معمولا اشاره به کالا یا خدمت فیزیکی دارد اما منظور اینست که بر خلاف کسب و کارهای سنتی که با فروش محصول و ارائه خدمات فیزیکی ملموس سود به دست می‌آورند، شرکت‌های فناوری نظیر گوگل، آمازون و متا (فیس‌بوک) از کنترل پلتفرم‌ها و استخراج ارزش و ثروت از داده‌های کاربران برای کسب ثروت فراوان استفاده می‌کنند. داده‌ها از فعالیت‌های آنلاین ما جمع‌آوری می‌شوند و برای هدف‌گیری تبلیغات و تولید درآمد استفاده شده یا به فروش می‌رسند. نوع دیگر استخراج ارزش و ثروت از داده‌ها خدمات ویژه یا ممتاز پولی در کنار خدمات رایگان ارائه شده در پلتفرم‌هاست. مانند دریافت هزینه از کسب‌وکارها برای تبلیغ در نتایج جستجوی گوگل.۲. داده به عنوان پول یا ارز: داده ارز جدید این دوران است. شرکت‌های فناوری حجم عظیمی از داده‌های شخصی را جمع‌آوری می‌کنند که در حکم دارایی و ثروت ارزشمند آن‌هاست. از این داده برای تأثیرگذاری بر رفتار و تصمیمات و حتی جهت‌دهی به تجربیات ما استفاده می‌کنند مانند پیشنهاد مشاهده مطالب جدید که می‌تواند باعث شکل‌گیری ذهنیتی خاص در یک موضوع شود.۳. برده‌داری دیجیتال: مانند برده‌های جوامع فئودال یا ارباب رعیتی، ما به شدت به شرکت‌های فناوری وابسته شده‌ایم. وابستگی ما به پلتفرم‌های آن‌ها برای ارتباطات، کسب‌وکار و سرگرمی باعث وابستگی ما به خواسته‌های آنها شده و ما را ناخواسته در کنترل آن‌ها قرار می‌دهد.۴. فرسایش دموکراسی: تمرکز قدرت در دست شرکت‌های فناوری تهدید قابل توجهی برای دموکراسی است. تأثیر گسترده آن‌ها می‌تواند انتخابات را تحت تأثیر قرار دهد، عقاید عمومی را تغییر دهد و اعتراضات را سرکوب کند. نمونه واقعی رخ داده دستکاری‌های شرکت کمبریج آنالتیکا در افکار عمومی و نتایج انتخابات‌ و همه‌پرسی‌های مهمی مانند انتخاب ترامپ به ریاست‌جمهوری آمریکا و برگزیت یا همه‌پرسی خروج انگلستان از اتحادیه اروپا و موارد دیگر در انتخابات قاره آفریقا بود.۵. تحول و دگرگون شدن صنایع سنتی: شرکت‌های فناوری در حال تحویل و تبدیل صنایع سنتی هستند، که باعث مشکلات بسیاری برای کارگران و کسب‌وکارها برای سازگاری با تغییرات می‌شود. این موضوع به نابراری اقتصادی و افزایش شکاف بین برندگان و بازندگان عصر دیجیتال می‌شود. نمونه وطنی آن را می‌شود در تحول و تاثیر اسنپ و تپسی بر کسب‌وکار آژانس‌های خودرو دید.اگر چه انتقادهایی به نوع نگاه بدبینانه یانیس واروفاکیس وجود دارد اما به نکته مهمی در تغییر نوع و نگرش سرمایه‌داری در عصر دیجیتال اشاره دارد که به مرور تغییرات عظیمی در آن در حال رخ دادن است. در واقع واروفاکیس به مرگ سرمایه‌داری به شیوه قبلی و ظهور تکنوفئودالیسم باور دارد و معتقد است بازار به شیوه سنتی که از ارکان مهم سرمایه‌داری قبلی بوده با تبدیل شدن به بازار دیجیتال، تحول اساسی پیدا کرده است. یانیس واروفاکیس بحران مالی جهانی ۲۰۰۸ را از تاریخ‌های مهم و به نوعی مبدا ظهور و پیدایش بیشتر تکنوفئودالیسم می‌داند.در واقع چند عامل را می‌توان باعث ظهور تکنوفئودالیسم دانست. رشد اقتصاد دیجیتال، که فرصت‌های تازه برای استخراج ارزش یا ثروت از داده‌ها در اختیار کسب‌وکارهای دیجیتال قرار داده است. نزول و ضعف صنایع سنتی که البته ناشی از تحولات دیجیتالی رخ داده و اثرات فناوری‌هایی مانند اینترنت، هوش مصنوعی و اینترنت اشیا و ... بر این صنایع و کسب‌و‌کارهای سنتی است. اثر شبکه‌ای یا این نکته که ارزش هر پلتفرم به تعداد کاربران آن است و افزایش کاربر باعث افزایش ارزش پلتفرم و همزمان تشویق‌کننده کاربران جدید بیشتر است. سیاست‌های دولتها باعث تقویت شرکت‌های فن‌آور شده و ناتوانی و کندی و قصور آنها در حفاظت از داده‌های کاربران همانند مثال فروش اطلاعات توسط فیسبوک به کمبریج آنالتیکا از عوامل قدرت گرفتن این شرکتها بود. انسانها به لحاظ روانی نیز علاقه‌مند به تعامل و حضور در اجتماع هستند که باعث جذب ما به شبکه‌های اجتماعی می‌شود. تمایل طبیعی انسان‌ها به راحتی و آسانی هم باعث شده تا فناوری هر چه بیشتر در زندگی انسانها جا باز کند و مثلا ما را از دردسرهای خرید فیزیکی کالا به خرید اینترنتی و آنلاین بکشاند.https://www.amazon.com/Technofeudalism/dp/1847927270عباس پالاشعباس پالاشWed, 31 Jan 2024 17:00:57 +0330https://virgool.ir/@abbas.palash/روشنایی-های-زمین-uujyo279ztptپلاک مقابل منزل جبار باغچه‌بان۱- ریع قرنی تا پایان قرن ۱۹ میلادی مانده که حسن بیگ زردابی، سمت خود در دادگستری شهر قوبا در جمهوری آذربایجان را رها می‌کند تا معلم ساده متوسطه در باکو شود و دانش‌آموزان را با تحصیلات مدرن آشنا کند. خانه به خانه در روستاها می‌گردد و می‌گوید: «اوشاقی مکتبه ور»، کودکت را به مکتب بسپار، تا بتواند مردم روستا را قانع کند اجازه تحصیل فرزندان را بدهند.آموزگاری در روستاهای کوهستانی آذربایجان ۲- سال ۲۰۲۳، کمتر معلمی حاضر است در مناطق کوهستانی جمهوری آذربایجان تدریس کند. لیلا قرازاده Leyla Qarazadə معلم جوانی است که حاضر می‌شود دو قرن بعد کار نیمه‌تمام حسن بیگ زردابی را پیش بگیرد. تلاش کند تا با وجود نبود امکانات آموزشی و مخالفت اهالی روستا با تحصیل فرزندان، از آنها بخواهد که «اوشاقی مکتبه ور»، کودکت را به مکتب بسپار.https://www.youtube.com/watch?v=JUdUyF_XXtoما جماعت مرکزنشین گاهی حتا تصور هم نمی‌کنیم که در سال ۲۰۲۴ میلادی در عصر اینستاگرام و تیک‌تاک، هنوز روستاهایی در سیستان و لرستان و کرمان و ... هست که مدرسه ندارند و مشکلات تحصیل ابتدایی دارند. لیلا خانم در خاطراتش از کودکی می‌گوید که دیده بود معلم‌های قبلی بخاطر سختی‌های کار و حتا مشکلات خورد و خوراک روستا را ترک می‌کنند و دو تخم مرغ هدیه آورده تا شاید او روستا را ترک نکند. خاطره‌ای که اشک به چشمان وی می‌آورد.https://www.youtube.com/watch?v=m4-yazSUXyMاز کودکی می‌گوید که از دور کلاس درس را تماشا می‌کرد اما هرگز با هیچ کودکی همکلام نمی‌شد. تشخیص می‌دهد که کودک جمع‌گریز است و ترس از دیگران دارد. عکسی از او می‌گیرد و ماسک‌هایی با چهره او می‌سازد تا همه دانش‌آموزان هم شکل و هم قیافه خود او شوند. کودک با این ترفند همه را مانند خود می‌بیند و به سر کلاس می‌آید.۳- قرن ۱۴ خورشیدی آغاز نشده که تجربه آموزگاری میرزا جبار عسگرزاده در مرند او را متوجه ایرادهای بسیار در شیوه آموزش زبان پارسی می‌کند و تلاش می‌کند تا آنها را برطرف کند. کمی بعد در ابتدای قرن ۱۴ خورشیدی نخستین کودکستان را به نام اوشاقلار باغچاسی یا باغچه اطفال تاسیس می‌کند و خود به جبار باغچه‌بان مشهور می‌شود.کمی بعدتر با وجود مخالفت فراوان رییس وقت فرهنگ، مدرسه ناشنوایان را در تبریز دایر می‌کند.کمی بعد با دشواری‌های فراوان چاپ کتاب‌های ویژه کودک را آغاز می‌کند.باغچه‌بان ابداعات بسیاری در آموزش ناشنوایان دارد.تصور اینکه آموزش ناشنوایان بدون وجود باغچه‌بان امروز در چه حالی بود تصویر دلخراشی‌ست۴- یکی دو روز پیش دوستی کلیپی از یاشار سلطانی فرستاد که می‌گفت: اگر کسی با هر گرایشی آمد و گفت در چارچوب ساختار فعلی امور را درست می‌کنم، با پشت دست محکم به دهانش بزنید.۵- سر راه مدرسه دخترم از مقابل منزل جبار باغچه‌بان می‌گذرم. یاد این می‌افتم که اگر از طنز روزگار نام میرزا حسن رشدیه را بر روی شهرک اعیان‌نشینی در تبریز گذاشته‌اند.حاکمان تهران این اندازه هم طبع طنز نداشتند و جبار باغچه‌بان را حتا شایسته داشتن کوچه‌ای به نام خود ندیده‌اند.سالهاست با اکراه و تنها محض احترام به فرزندم به جلسه‌های اولیا در مدارس می‌روم. به دلیلی تجربی و کاملا روشن.به قصد و نیت اولیای مدرسه کمال احترام را می‌گذارم اما آنچه در عمل رخ می‌دهد اینست که هنوز در به پاشنه دو قرن پیش میرزا حسن بیگ زردابی می‌چرخد و مدارس، کارنامه را گروگان می‌گیرند تا اولیا مجبور به حضور در جلسات شوند. در این جلسات و جلسات مشابه هم معمولا کسی که می‌شود او را سلبریتی آموزش و پرورشی دانست، حرف‌های از جنس کسب‌وکار فروش موفقیت یا صنعت هراساندن اولیا می‌زند یا تلاش در تکرار حرف‌های صداوسیما و کیهان و ... دارد. نهایت قرار است در ۴۵ دقیقه مشکلات دانش‌آموزان بویژه دختران در سن حساس بلوغ حل شود.خانم دکتر شخص محترمی است با تفکری سنتی.در پایان جلسه طبق انتظار یکی از مهمترین پرسش‌های والدین که طبق انتظار بیشتر خانم هستند چالش دختران با حجاب و اعتقادات دینی است.خانم دکتر می‌گوید سال گذشته آمدیم حجاب یک فرد را اصلاح کنیم حجاب کل جامعه دچار چالش شد.اگر ذره‌ای خاصیت و فایده می‌دیدم قطعا وارد بحث می‌شدم.اما عمیقا باور دارم، مشکل آموزش و پرورش جمهوری اسلامی همان مشکل نظام شکوهمند اسلامی‌ست و راه‌حل همان راه‌حلی است که یاشار سلطانی گفت.۶- آذرماه سال آتی، ۱۴۰۳ هشتادمین سال درگذشت میرزا حسن خان تبریزی معروف به رشدیه است. پیشگام فرهنگی و بنیان‌گذار مدارس نوین در تبریز و تهران.کسی که در عوض تحصیل در حوزه نجف به استانبول و مصر و بیروت رفت تا آموزگاری نوین را بیاموزد. بعد از تجربه موفق تاسیس مدارس نوین در تفلیس به دستور ناصرالدین شاه از گرجستان به ایران آمد تا این کار را در ایران آغاز کند. مخالفت‌های جامعه مذهب زده و خواب‌آلود آن دوران در برابر مدارس نوین باورنکردنی است.تکفیر و حلال دانستن خون میرزا حسن، حمله و تحریک اراذل و اوباش به حمله و پرتاب پمپ که باعث نابینا شدن یکی از شاگردان شد. استخدام آدمکش و تلاش برای ترور میرزا حسن خان رشدیه.جالب است بدانیم این شیوه تقطیع کلمات و صداکشی که در آموزش الفبا در کلاس اول ابتدایی رایج است ابداع جناب رشدیه بوده است. نیما یوشیج در وصفش سروده:یاد بعضی نفرات، روشنم می‌دارداعتصام یوسفحسن رشدیهقوتم می‌بخشدراه می‌اندازد، و اجاق کهن سرد سرایمگرم می‌آید از گرمی عالی دمشانیاد بعضی نفراترزق روحم شده‌است. وقت هر دلتنگیسویشان دارم دستجراتم می‌بخشد. روشنم می‌دارد…ذره‌ای تصور نکنید که جلسه‌ای به احترام این مرد برگزار خواهد شد و یادی از او خواهد شد.شاید این جمله برای کسانی که این شب چهل و چند ساله را تجربه نکرده‌اند قابل فهم نباشد اما بدون تلاش انسان‌هایی مانند رشدیه و باغچه‌بان، طوبی آزموده، بهمن‌بیگی، بی‌بی‌خانم استرآبادی و خدیجه افضل وزیری یا حتا فخر اعظمی ارغون (مادر سیمین بهبانی) و هزاران آموزگار دیگر، ابدا بعید نبود که مدارس ما حکایتی بهتر از ماجرای مردم افغانستان با طالبان داشت.عباس پالاشعباس پالاشTue, 16 Jan 2024 14:45:05 +0330