🔻اینجا قدیمی‌ترین کتاب‌فروشی تهران است!

🔹کتاب فروشی اسلامیه که ۱۵۰ سال قدمت دارد از دوره قاجار تا به امروز در تهران پابرجاست‌.
🔹مالکیت آن با خاندان کتابچی و به عنوان قدیمی‌ترین کتاب فروشی پابرجای تهران شناخته میشود، این حجم از استواری واقعا تحسین دارد.
@akhbartehran

📚 معرفی کتاب «جنایت و مکافات»

نویسنده: فیودور میخایلوویچ داستایفسکی، نویسنده و فیلسوف بزرگ روسی (۱۸۲۱–۱۸۸۱)، یکی از تأثیرگذارترین چهره‌های ادبیات جهان و پیشگام رمان روان‌شناختی مدرن.

🔹 داستایفسکی در سال ۱۸۲۱ در مسکو زاده شد. تحصیلات مهندسی نظامی داشت، اما به‌زودی به نویسندگی روی آورد. در سال ۱۸۴۹ به‌اتهام عضویت در محفلی سیاسی بازداشت و به مرگ محکوم شد، اما در آخرین لحظه حکمش به تبعید و کار اجباری در سیبری تبدیل شد؛ تجربه‌ای که تأثیر عمیقی بر نگاه فلسفی و دینی او در آثار بعدی‌اش گذاشت.

🔹 «جنایت و مکافات» نخستین بار در سال ۱۸۶۶ به‌صورت پاورقی در مجله‌ی روسکی وستنیک منتشر شد و یکی از مهم‌ترین رمان‌های تاریخ ادبیات جهان به شمار می‌رود.

🔹 داستان محور اصلی رمان، «راسکولنیکوف»، دانشجوی فقیر و منزوی اهل سن‌پترزبورگ است که با ارتکاب قتلی، دست به آزمایشی اخلاقی-فلسفی درباره‌ی مرز میان جنایت، توجیه عقلانی آن، و رنج وجدان می‌زند. رمان با کاوشی ژرف در روان انسان، گناه، رستگاری و عدالت اجتماعی، از شاهکارهای بی‌بدیل ادبیات روسیه و جهان محسوب می‌شود.


https://t.me/UT_Central_Library
ble.ir/Library_UT_AC

مجموعه ای از گزارش ها و مقالات در حوزه هوش مصنوعی در حوزه پژوهش و کارهای کتابخانه ای
https://t.me/UT_Central_Library

✴️ کتابخانه‌ها در مواجهه با هوش مصنوعی؛ نظرات ۶۹۸ مدیر کتابخانه درباره هوش مصنوعی
 
پژوهش جدید OCLC Research در سال ۲۰۲۶ تصویری قابل‌تأمل از نحوه مواجهه مدیران کتابخانه‌های دانشگاهی و عمومی با هوش مصنوعی ارائه می‌دهد. این پیمایش با مشارکت ۶۹۸ مدیر کتابخانه در ایالات متحده نشان می‌دهد که هوش مصنوعی وارد فعالیت‌های کتابخانه‌ای شده است، اما میزان پذیرش آن در کتابخانه‌ها یکسان نیست. 
در مجموع، ۲۴ درصد مدیران روزانه، ۴۰ درصد گاهی و ۳۶ درصد به‌ندرت یا اصلاً از هوش مصنوعی استفاده نمی‌کنند؛ تفاوتی که به نوع، اندازه و ظرفیت کتابخانه‌ها وابسته است. برای نمونه، در کتابخانه‌های پژوهشی عضو ARL حدود ۶۷ درصد مدیران استفاده روزانه از AI را گزارش کرده‌اند، درحالی‌که این میزان در کتابخانه‌های عمومی کوچک تنها ۱۴ درصد است. 
یکی از مهم‌ترین انگیزه‌های فعلی برای استفاده از هوش مصنوعی، افزایش بهره‌وری و صرفه‌جویی در زمان است و کاربردهای عملی و سازمانی نقطه ورود بسیاری از کتابخانه‌ها به این فناوری محسوب می‌شوند. بااین‌حال، نگرش مدیران صرفاً خوش‌بینانه نیست؛ تنها ۱۳ درصد بیش از آنکه نگران باشند، نسبت به AI هیجان‌زده‌اند و ۳۹ درصد به یک اندازه فرصت‌ها و نگرانی‌های آن را احساس می‌کنند. اعتماد یکی از محوری‌ترین مسائل مطرح‌شده است و ۳۰ درصد پاسخ‌دهندگان، حریم خصوصی، سوگیری یا مخاطرات اخلاقی را مهم‌ترین نگرانی خود درباره کاربرد AI معرفی کرده‌اند. 
یافته قابل‌توجه دیگر، فاصله میان استفاده عملی از هوش مصنوعی و سیاست‌گذاری سازمانی است؛ تنها ۷ درصد مدیران اعلام کرده‌اند که سازمان آن‌ها دستورالعمل‌ها و انتظارات روشنی برای استفاده از AI ارائه کرده است. این شکاف در کتابخانه‌های کوچک آشکارتر است؛ به‌طوری‌که ۵۴ درصد مدیران کتابخانه‌های عمومی کوچک گفته‌اند هوش مصنوعی هنوز به‌صورت ساختاریافته در مؤسسه آن‌ها مورد بحث قرار نگرفته است. 
در مقابل، ۸۷ درصد مدیران اعلام کرده‌اند هنگام تصمیم‌گیری درباره هوش مصنوعی، مخاطرات اخلاقی را فعالانه در نظر می‌گیرند؛ نشانه‌ای از اهمیت روزافزون «استفاده مسئولانه» در مدیریت کتابخانه‌ها. 
مدیران، سواد هوش مصنوعی، استفاده مسئولانه، مسائل اخلاقی و حریم خصوصی، سرعت تحولات فناوری و دقت و قابلیت اعتماد خروجی‌های AI را از چالش‌های مهم دو تا سه سال آینده کتابخانه‌ها می‌دانند. 
در مجموع، یافته‌های OCLC نشان می‌دهد آینده هوش مصنوعی در کتابخانه‌ها صرفاً به پذیرش ابزارهای جدید وابسته نیست؛ بلکه به توانایی کتابخانه‌ها در ایجاد توازن میان نوآوری، اعتماد، سواد هوش مصنوعی، سیاست‌گذاری و مسئولیت اخلاقی بستگی خواهد داشت.
 
OCLC Research. (2026, August 18). What 698 library leaders are telling us about AI: First findings from OCLC’s new pulse survey series, Insider Insights. OCLC. https://www.oclc.org/en/learn/perspectives/insider-insights-what-698-library-leaders-are-telling-us-about-ai.html

https://t.me/UT_Central_Library

از مخالفت تا استفاده مسئولانه از هوش مصنوعی در پژوهش‌های دانشگاهی [دو فرستۀ دنبال هم]

ظهور گسترده ابزارهای هوش مصنوعی مولد، به‌ویژه پس از فراگیرشدن ChatGPT در اواخر سال ۲۰۲۲، دانشگاه‌ها و ناشران علمی را با مسئله‌ای تازه روبه‌رو کرد: آیا استفاده از هوش مصنوعی در پژوهش و نگارش علمی مجاز است؟
پاسخ به این پرسش طی چند سال تحول قابل توجهی پیدا کرده است.
مرحله اول: نگرانی و محدودیت شدید ـ ۲۰۲۳
در نخستین ماه‌های گسترش ChatGPT، واکنش بخش مهمی از جامعه دانشگاهی محتاطانه و گاه بسیار سخت‌گیرانه بود. نگرانی اصلی این بود که پژوهشگر متنی را که خود تولید نکرده است به نام خود منتشر کند، منابع جعلی وارد مقاله شود، داده یا استدلال نادرست تولید شود، یا مرز میان «نویسنده انسانی» و «ماشین» از بین برود.
در ژانویه ۲۰۲۳، مجله Nature اعلام کرد که ابزارهایی مانند ChatGPT نمی‌توانند به عنوان نویسنده مقاله معرفی شوند، زیرا نویسندگی علمی مستلزم قبول مسئولیت است و یک مدل هوش مصنوعی نمی‌تواند چنین مسئولیتی را بر عهده بگیرد. Nature در عین حال از همان زمان تأکید کرد که اگر از یک مدل زبانی استفاده شده باشد، این استفاده باید در مقاله اعلام شود.
بنابراین حتی در این دوره نیز موضع دقیق بسیاری از مجلات «ممنوعیت مطلق هوش مصنوعی» نبود؛ بلکه مخالفت با جایگزین شدن هوش مصنوعی به جای پژوهشگر و استفاده پنهانی از آن بود.
مرحله دوم: پذیرش محدود و مشروط ـ ۲۰۲۳ تا ۲۰۲۴
به‌تدریج روشن شد که نمی‌توان هوش مصنوعی را صرفاً به عنوان وسیله‌ای برای تقلب علمی در نظر گرفت. این ابزارها می‌توانستند در ویرایش زبان، سازمان‌دهی مطالب، کمک به برنامه‌نویسی، توضیح مفاهیم، جست‌وجوی اولیه موضوعات و بعضی مراحل پژوهش مفید باشند.
در سپتامبر ۲۰۲۳، یونسکو در نخستین راهنمای جهانی خود درباره هوش مصنوعی مولد در آموزش و پژوهش، به جای توصیه به ممنوعیت عمومی آن، بر استفاده «انسان‌محور»، حفاظت از داده‌ها، ارزیابی اخلاقی ابزارها و تدوین مقررات روشن توسط مؤسسات آموزشی تأکید کرد.
در همین دوره، سیاست بسیاری از ناشران به سمت یک اصل مشخص حرکت کرد:
استفاده از AI ممکن است مجاز باشد، اما مسئولیت علمی همچنان کاملاً با انسان است.
برای مثال، توصیه‌های ICMJE در حوزه نشر پزشکی مقرر کرد که استفاده از ابزارهای هوش مصنوعی باید اعلام شود؛ AI نمی‌تواند نویسنده مقاله باشد؛ پژوهشگر باید خروجی آن را کنترل کند و مسئول صحت مطالب، منابع و نبود سرقت علمی باشد.
بنابراین سؤال به‌تدریج از
«آیا از AI استفاده کرده‌اید؟»
به این سؤال تغییر کرد:
«از AI برای چه کاری، چگونه و با چه میزان نظارت انسانی استفاده کرده‌اید؟»
مرحله سوم: پذیرش همراه با شفافیت ـ ۲۰۲۴ تا امروز
در مرحله جدید، تعداد زیادی از ناشران معتبر دیگر اصل استفاده از هوش مصنوعی را تخلف تلقی نمی‌کنند؛ بلکه برای آن قواعد مستندسازی و افشا (Disclosure) تعیین کرده‌اند.
سیاست فعلی Elsevier نمونه روشنی از این رویکرد است. این ناشر استفاده مسئولانه از AI را می‌پذیرد، اما از نویسندگان می‌خواهد در صورت استفاده مؤثر از ابزارهای هوش مصنوعی در آماده‌سازی مقاله، نام ابزار، هدف استفاده و میزان نظارت خود را اعلام کنند. استفاده از AI در خود فرایند پژوهش نیز، در صورت ارتباط با روش تحقیق، باید در بخش Methods توضیح داده شود. اصلاح ساده املا، دستور زبان و علائم نگارشی معمولاً نیاز به اعلام ندارد.
در به‌روزرسانی سیاست Elsevier در اوت ۲۰۲۶ نیز صریحاً آمده است که نویسندگان می‌توانند از AI استفاده کنند، مشروط بر آنکه مسئولیت علمی و نظارت انسانی حفظ شود. نمونه‌هایی مانند کمک در مرور ادبیات، یافتن شکاف‌های پژوهشی، سازمان‌دهی مطالب، ایده‌پردازی و بهبود خوانایی متن از کاربردهای مطرح‌شده‌اند.
ICMJE نیز در توصیه‌های به‌روزشده سال ۲۰۲۶ بخش مستقلی را به استفاده از AI در نشر علمی اختصاص داده است و بر چهار اصل تأکید دارد: شفافیت، مسئولیت انسانی، حفاظت از محرمانگی و صحت علمی.
حتی در برخی سیاست‌های جدیدتر Nature، استفاده از AI بر اساس سطح خطر کاربرد ارزیابی می‌شود. کاربردهای کم‌خطر که صرفاً به بیان، سازمان‌دهی یا کارآمدی پژوهشگر کمک می‌کنند و قضاوت علمی را جایگزین نمی‌کنند، از کاربردهایی که در استنتاج و داوری علمی دخالت می‌کنند متمایز شده‌اند.
پس دانشجو امروز چه کار باید بکند؟
اصل مناسب این نیست که «از هوش مصنوعی استفاده نکنید» و نه اینکه «هر کاری را می‌توان به هوش مصنوعی سپرد». اصل مناسب این است:
از هوش مصنوعی به عنوان دستیار پژوهش استفاده کنید، نه به عنوان جایگزین پژوهشگر.
[ادامه در فرسته بعدی] 👇

دانشجو می‌تواند، با رعایت مقررات دانشگاه یا مجله، از AI برای فهم بهتر یک مفهوم، پیشنهاد کلیدواژه برای جست‌وجو، سازمان‌دهی مطالب، کمک به نگارش و ویرایش، برنامه‌نویسی، بررسی ساختار یک متن یا پیشنهاد مسیرهای اولیه پژوهش استفاده کند. اما نباید بدون بررسی، مطالب تولیدشده توسط AI را وارد پایان‌نامه یا مقاله کند؛ منبعی را صرفاً به دلیل پیشنهاد AI معتبر تلقی کند؛ داده، نتیجه یا ارجاع ساختگی ایجاد کند؛ یا تحلیل و استدلال علمی‌ای را که خود قادر به دفاع از آن نیست به نام خود ارائه دهد.
یک قاعده ساده برای دانشجو
هر بار که از AI در پژوهش استفاده می‌کنید، چهار سؤال از خود بپرسید:
۱. آیا خودم این مطلب را می‌فهمم و می‌توانم از آن دفاع کنم؟
اگر پاسخ منفی است، نباید آن را به عنوان نتیجه پژوهش خود ارائه کنم.
۲. آیا اطلاعات، آمار و منابع را مستقلاً بررسی کرده‌ام؟
AI منبع علمی نیست و ممکن است اطلاعات یا حتی منابع ظاهراً معتبر اما نادرست تولید کند.
۳. آیا اطلاعات محرمانه‌ای را در اختیار AI قرار می‌دهم؟
نسخه منتشرنشده مقاله دیگران، اطلاعات شخصی مشارکت‌کنندگان پژوهش و داده‌های محرمانه نباید در سامانه‌ای وارد شوند که محرمانگی آن تضمین نشده است. ICMJE نیز به‌طور مشخص بر این موضوع تأکید دارد.
۴. آیا لازم است استفاده از AI را اعلام کنم؟
اگر AI نقش قابل توجهی در نگارش، تحلیل، کدنویسی، تولید شکل یا روش پژوهش داشته است، سیاست دانشگاه و مجله مقصد را بررسی کنید و در صورت لزوم استفاده از آن را دقیقاً اعلام کنید. برای نمونه، Elsevier حتی توصیه می‌کند نام ابزار، هدف استفاده و نحوه نظارت انسانی مستند شود.
جمع‌بندی
می‌توان تحول چند سال اخیر را بسیار خلاصه چنین نشان داد:
مرحله اول:
«استفاده از AI خطرناک است؛ ممکن است مصداق تقلب یا خدشه به اصالت علمی باشد.»
⬇️
مرحله دوم:
«استفاده محدود از AI ممکن است قابل قبول باشد، ولی باید تحت نظارت پژوهشگر باشد و در موارد لازم اعلام شود.»
⬇️
مرحله سوم:
«استفاده مسئولانه از AI بخشی از ابزارهای پژوهش است؛ اما باید شفاف، قابل بررسی و مستند باشد و مسئولیت تمام محتوای علمی همچنان بر عهده پژوهشگر انسانی است.»
بنابراین در فضای علمی امروز، مسئله اصلی دیگر صرفاً «استفاده کردن یا نکردن از هوش مصنوعی» نیست؛ بلکه «چگونه، برای چه کاری، با چه میزان نظارت، و با چه میزان شفافیت از آن استفاده کردن» است.
یک اصل نهایی را می‌توان به عنوان راهنمای دانشجویان در نظر گرفت:

هوش مصنوعی می‌تواند دستیار پژوهشگر باشد، اما نمی‌تواند جایگزین فهم، قضاوت، مسئولیت و صداقت علمی پژوهشگر شود.
https://t.me/UT_Central_Library

وقف نامه ای برای اقامه عزای حسینی از سال 1301 قمری
از اسناد کتابخانه مرکزی دانشگاه تهران
https://t.me/UT_Central_Library

✳️ عامل‌های هوش مصنوعی وارد ارتباطات علمی می‌شوند؛ وقتی یک ربات از پژوهشگر درخواست همکاری می‌کند

گزارش تازه‌ای از Nature در ۲۵ سپتامبر ۲۰۲۶ نشان می‌دهد که عامل‌های هوش مصنوعی به‌تدریج از نقش «دستیار پژوهشگر» فراتر رفته و خود به برقراری ارتباط با پژوهشگران روی آورده‌اند. در این گزارش ذکر شده که برخی پژوهشگران ایمیل‌ها و درخواست‌های همکاری یا خدمات را از AI Agentها دریافت کرده‌اند. در یکی از نمونه‌ها، یک عامل هوش مصنوعی از یک پژوهشگر درخواست دسترسی به داده‌هایی برای مطالعه درباره مقالات پژوهشی مشکوک کرد.
این عامل‌ها می‌توانند به‌صورت نسبتاً مستقل فعالیت کنند، با انسان‌ها ارتباط بگیرند و برای دستیابی به اهداف تعریف‌شده، از ابزارهای مختلف استفاده کنند.
پلتفرم iLands که نمونه‌های مورد اشاره در گزارش به آن مربوط‌اند، امکان ساخت عامل‌هایی با نام، هدف، شخصیت و حافظه را فراهم کرده و طبق اعلام بنیان‌گذاران، حدود ۷۰ هزار عامل فعال دارد.
برخی از این عامل‌ها وارد فعالیت‌های پژوهشی شده‌اند و خدماتی مانند تهیه گزارش، بررسی واقعیت و تحلیل اطلاعات ارائه می‌کنند.
گزارش Nature همچنین نشان می‌دهد که برخی پژوهشگران با حجم قابل‌توجهی از پیام‌های این عامل‌ها مواجه شده‌اند؛ برای نمونه، یک پژوهشگر دریافت بیش از ۵۰ پیام در یک هفته را گزارش کرده است.
این تحول می‌تواند مفهوم «ارتباطات علمی» را تغییر دهد؛ زیرا در آینده ممکن است بخشی از جست‌وجوی همکار، درخواست داده یا مذاکره درباره خدمات پژوهشی توسط عامل‌های هوشمند انجام شود.
در عین حال، مسئله اعتماد اهمیت ویژه‌ای پیدا می‌کند؛ پژوهشگر باید بداند عامل با چه داده‌هایی کار می‌کند، چه کسی آن را هدایت می‌کند و نتایج یا داده‌های دریافت‌شده در اختیار چه کسی قرار خواهد گرفت.
مسئله دیگر، تشخیص هویت و مسئولیت است؛ ارتباط با یک عامل هوش مصنوعی لزوماً به معنای تعامل مستقیم با فرد یا سازمانی نیست که در پشت آن قرار دارد.
از سوی دیگر، نمونه‌هایی مانند SciSciGPT نشان می‌دهند که عامل‌های هوش مصنوعی می‌توانند به‌عنوان همکار پژوهشی برای جست‌وجوی منابع، تحلیل داده، تولید کد، مصورسازی و ارزیابی نتایج نیز طراحی شوند.
بنابراین، ورود عامل‌های هوش مصنوعی به ارتباطات علمی را می‌توان بخشی از گذار از «هوش مصنوعی به‌عنوان ابزار» به «هوش مصنوعی به‌عنوان کنشگر در فرایند پژوهش» دانست؛ گذاری که نیازمند قواعد تازه‌ای برای شفافیت، هویت، حریم خصوصی و مسئولیت علمی است.

Basu, M. (2026, September 25). AI bots are flooding researchers with requests for money and time. Nature. https://doi.org/10.1038/d41586-026-03005-2. https://www.nature.com/articles/d41586-026-03005-2?utm_source=chatgpt.com

https://t.me/UT_Central_Library

📊 معرفی و کاربردهای هوش مصنوعی Flourish Studio در مصورسازی داده‌ها

هوش مصنوعی Flourish Studio یک پلتفرم تحت‌وب برای مصورسازی، کاوش و روایت‌گری داده‌ها است که امکان ساخت نمودارها، نقشه‌ها و گزارش‌های تعاملی را بدون نیاز به برنامه‌نویسی فراهم می‌کند.
کار با Flourish معمولاً با انتخاب یک الگوی مناسب از انواع نمودارها، واردکردن داده و سپس تنظیم ظاهر و اجزای بصری آغاز می‌شود؛ داده‌ها را می‌توان در قالب‌هایی مانند Excel و CSV وارد کرد.
این ابزار مجموعه گسترده‌ای از نمودارها مانند میله‌ای، خطی، دایره‌ای، پراکندگی، حبابی، سلسله‌مراتبی و نمودارهای متحرک را در اختیار تحلیلگر قرار می‌دهد تا الگوها، روندها، مقایسه‌ها و توزیع داده‌ها بهتر دیده شوند.
یکی از قابلیت‌های مهم آن Data Explorer است که امکان فیلترکردن، گروه‌بندی و مقایسه داده‌ها را فراهم می‌کند و برای بررسی مجموعه‌داده‌های نسبتاً بزرگ و کشف الگوهای پنهان کاربرد دارد.
برای داده‌های مکانی نیز می‌توان از نقشه‌های تعاملی، نقشه‌های حرارتی، نقشه‌های نقطه‌ای، نقشه‌های ناحیه‌ای و حتی کره سه‌بعدی استفاده کرد؛ بنابراین برای تحلیل جغرافیایی تولیدات علمی، پراکندگی دانشگاه‌ها یا همکاری‌های بین‌المللی مناسب است.
این ابزار امکان ایجاد انیمیشن و تغییرات زمانی را نیز فراهم می‌کند؛ برای مثال می‌توان رشد تعداد مقالات، تغییر سهم کشورها یا روند یک شاخص را در طول سال‌ها به‌صورت پویا نمایش داد.
در تحلیل داده‌های پژوهشی، می‌توان از آن برای نمایش تعداد مقالات برحسب سال، نویسنده، دانشگاه، کشور، مجله، موضوع یا حوزه علمی و مقایسه این متغیرها در قالب نمودارهای تعاملی استفاده کرد.
قابلیت Story به پژوهشگر اجازه می‌دهد چند نمودار یا نمای متفاوت از یک مجموعه‌داده را در قالب یک روایت منسجم همراه با توضیح، حاشیه‌نویسی و حرکت بین مراحل ارائه کند؛ قابلیتی مناسب برای گزارش‌های پژوهشی، مدیریتی و ارائه‌های دانشگاهی.
از منظر آموزشی،Flourish می‌تواند به دانشجویان کمک کند رابطه میان داده، انتخاب نوع نمودار و تفسیر یافته‌ها را به‌صورت عملی یاد بگیرند و نتایج تحلیل خود را به شکل قابل‌فهم‌تری ارائه کنند.
قابلیت‌های تعاملی مانند Tooltip، فیلتر، بزرگ‌نمایی و انتخاب داده‌ها باعث می‌شوند مخاطب صرفاً یک نمودار ثابت مشاهده نکند، بلکه بتواند بخش‌های مختلف داده را خودش بررسی و مقایسه کند.
این پلتفرم را باید بیشتر ابزار مصورسازی و روایت‌گری داده دانست، نه جایگزینی کامل برای نرم‌افزارهای تخصصی آماری؛ بنابراین بهتر است پاک‌سازی داده، آزمون‌های آماری و تحلیل‌های پیچیده در ابزارهای مناسب انجام و Flourish برای ارائه و کاوش بصری نتایج به کار گرفته شود.
در مجموع،Flourish برای پژوهشگران و دانشجویانی که می‌خواهند داده‌های پیچیده را به نمودارهای تعاملی، نقشه‌های پویا و روایت‌های داده‌محور تبدیل کنند، ابزاری کاربردی است و می‌تواند مرحله نهایی تحلیل ــ یعنی تبدیل یافته‌های عددی به یک پیام بصری قابل‌فهم ــ را تقویت کند.

دسترسی به این ابزار:
https://flourish.studio

https://t.me/UT_Central_Library

قابل توجه پژوهشگران دانشگاه تهران: دسترسی به مقالات فارسی از طریق سایت مگیران https://www.magiran.com
برقرار میباشد دانشجویان و محققان می‌توانند پس از ورود به سایت از طریق ایمیل دانشگاهی به این مقالات دسترسی داشته باشند. ضمنا دسترسی به نورمگز و نورلایب هم برقرار است.
https://noormags.ir
https://noorlib.ir

🔰درباره‌ی آزادی علمی و مناسبات دانشگاهی در تونس؛«در جهنم دانشگاه»؛
دانشگاه میان علم و قدرت(ibna.ir/x6Kqv)

🔸️کتاب «در جهنم دانشگاه» نوشته‌ی الازهر ماجری، تجربه‌ی استادان و پژوهشگران تونسی در مواجهه با ساختار دانشگاهی را بررسی می‌کند؛ روایتی که به گفته‌ی منیر کشّو، پرسشی گسترده‌تر درباره‌ی نسبت دانشگاه با قدرت، آزادی علمی و جامعه پیش می‌کشد.

🔸️بخش اصلی کتاب به روایت پنج پرونده اختصاص دارد. در این پرونده‌ها، استادان و پژوهشگرانی که در زمینه‌ی استخدام یا ارتقای دانشگاهی با مشکل مواجه شده‌اند، تجربه‌ی خود را بازگو کرده‌اند.

🔸️اهمیت کتاب، در خوانش منیر کشّو، صرفاً در تعداد پرونده‌هایی نیست که ماجری گردآوری کرده است. مسئله‌ی اصلی، الگویی است که نویسنده از کنار هم گذاشتن این تجربه‌ها استخراج می‌کند: دانشگاهی که قرار است بر دانش، شایستگی و آزادی علمی استوار باشد، ممکن است تحت تأثیر روابط شخصی، شبکه‌های نفوذ و ملاحظات غیرعلمی قرار بگیرد.

🔸️کشّو در مقاله‌ی خود نشان می‌دهد که ماجری تلاش کرده است این تجربه‌ها را از سطح شکایت‌های شخصی فراتر ببرد و آن‌ها را به پرسشی درباره‌ی ساختار دانشگاه تبدیل کند: اگر دانشگاه قرار است نهادی برای تولید دانش و تربیت نیروهای فکری جامعه باشد، چه اتفاقی می‌افتد که درون همین نهاد، استادان و پژوهشگران خود را با فشار، سکوت و بی‌اعتمادی مواجه می‌بینند؟



@ibna_official

🖋️ نمایشگاه تخصصی حفاظت و مرمت نسخ خطی و اسناد کاغذی در کتابخانه مرکزی دانشگاه تهران


📚 کتابخانه مرکزی و مرکز اسناد دانشگاه تهران، با همکاری بخش مرمت و آسیب شناسی، نمایشگاه تخصصی «حفاظت و مرمت نسخ خطی و اسناد کاغذی» را برگزار میکند.

🔷 این رویداد که به همت کارشناسان بخش مرمت کتابخانه مرکزی ترتیب یافته، فرصتی کم نظیر برای آشنایی نزدیک با فرآیندهای پیچیده و ظریف احیای نسخ خطی، اسناد تاریخی و آثار هنری بر بستر کاغذ فراهم آورده است.

🔷 در این نمایشگاه، بازدیدکنندگان میتوانند شاهد نمونه های شاخصی از مرمتهای موفق باشند که هر یک روایتی از تلاش برای غلبه بر آسیب های مختلف شیمیایی، فیزیکی و بیولوژیکی است. بخش دیگری از نمایشگاه به ارائه فرآیند گام به گام مرمت اختصاص دارد که تکنیکهای علمی نظیر اسیدزدایی، ضدعفونی، ترمیم الیاف و صحافی را به صورت عملی به بازدیدکنندگان نشان میدهد.

🔷 مرمت کاغذ، تنها یک مهارت فنی نیست؛ این هنر، پلی است میان گذشته و آینده که به ما امکان میدهد هویت تاریخی خود را برای نسلهای بعدی زنده نگه داریم. ارائه اطلاعات و آگاهی در زمینه نگهداری و درمان میراث کاغذی از وظایف مهم جامعه دانشگاهی است که این نمایشگاه با روایت ساده اما تخصصی، سعی در انجام این امر خطیر دارد.

📍 زمان و مکان برگزاری نمایشگاه:

🗓️ تاریخ برگزاری: از ۴ شهریور تا ۲۰ مهر ماه
⏰ ساعت بازدید: همه روزه از ساعت ۹ تا ۱۳
🏛️ مکان: طبقه همکف کتابخانه مرکزی و مرکز اسناد دانشگاه تهران

https://t.me/UT_Central_Library
ble.ir/Library_UT_ACجم