صفحه نخست

آناتک

آنامدیا

دانشگاه

فرهنگ‌

علم

سیاست و جهان

اقتصاد

ورزش

عکس

فیلم

استانها

بازار

اردبیل

آذربایجان شرقی

آذربایجان غربی

اصفهان

البرز

ایلام

بوشهر

تهران

چهارمحال و بختیاری

خراسان جنوبی

خراسان رضوی

خراسان شمالی

خوزستان

زنجان

سمنان

سیستان و بلوچستان

فارس

قزوین

قم

کردستان

کرمان

کرمانشاه

کهگیلویه و بویراحمد

گلستان

گیلان

لرستان

مازندران

مرکزی

همدان

هرمزگان

یزد

پخش زنده

۰۸:۵۷ | ۲۶ / ۰۹ /۱۴۰۴
| |
در گفت‌وگوی تفصیلی با نخبه دانشگاه شریف مطرح شد

پژوهش دانشگاهی گاهی استاندارد‌های صنعت را ندارد؛ نباید صرفاً به دنبال مهارت‌های روتین بود

عضو هیئت علمی دانشگاه شریف، با تأکید بر ضرورت توجه به مهارت‌های خلاقیت به جای کار‌های روتین، به موفقیت‌های ملموسی، چون تأمین زیرساخت نرم‌افزاری مرکز آمار ایران به عنوان نمونه‌ای از خروجی کارآمد دانشگاه اشاره کرد.
کد خبر : 1011356

به گزارش خبرگزاری آنا، ارتباط مؤثر میان صنعت و دانشگاه، ستون فقرات توسعه اقتصادی دانش‌بنیان هر جامعه‌ای است و دیگر یک گزینه اختیاری نیست، بلکه یک ضرورت استراتژیک محسوب می‌شود. این پیوند دو سویه، تضمین می‌کند که خروجی‌های پژوهشی و علمی دانشگاه‌ها مستقیماً به نیاز‌های واقعی و چالش‌های روز بازار کار پاسخ دهند.

در صورتی که صنعت نیز از آخرین دستاورد‌های علمی برای نوآوری، افزایش بهره‌وری و رفع تنگنا‌های فنی خود بهره‌مند می‌شود. این تعامل مؤثر، که باید از طریق حضور فعال نمایندگان بخش خصوصی در شورا‌های برنامه‌ریزی درسی و تعریف پروژه‌های مشترک تحقیقاتی محقق شود، شکاف میان تئوری و عمل را پر کرده و فارغ‌التحصیلانی تربیت می‌کند که نه تنها دانش نظری دارند، بلکه مجهز به مهارت‌های کاربردی مورد نیاز صنعت هستند.

به همین منظور گفت‌وگویی با علیرضا زارعی عضو هیات علمی دانشکده علوم ریاضی دانشگاه صنعتی شریف ترتیب داده‌ایم که در ادامه می‌خوانید.

وضعیت کلی همکاری دانشگاه و صنعت در حوزه پژوهش‌های صنعتی چگونه است؟

به طور کلی دو مدل رایج برای همکاری وجود دارد؛ در اولین مدل، مجموعه‌ای از پژوهش‌هایی که در دانشگاه شکل می‌گیرند به عنوان نوآوری به صنعت ارائه می‌شوند تا فرآیندی را در صنایع بهبود یا تسهیل کنند. در مدل دوم، خود صنعت مسائل یا مشکلاتش را به دانشگاه ارجاع می‌دهد تا برای آن پژوهش‌های جدید تعریف شود و پژوهشگران دانشگاهی راهکار ارائه دهند. هر دو مدل هم‌اکنون در دانشگاه‌های کشور وجود دارد.

فرآیند تجاری‌سازی دستاورد‌های دانشگاهی چگونه پیش می‌رود؟

حداقل در دانشگاه‌هایی نظیر شریف فرآیندی برای تبدیل پژوهش صرف به قابلیت تجاری کردن تعریف شده است؛ یعنی دستاورد علمی پس از بلوغ اولیه، با حمایت و تسهیل دانشگاه، امکان عرضه به صنعت را پیدا می‌کند و حتی امکان دارد تیم پژوهشی یا محقق مستقیماً با صنعت وارد مذاکره شود تا راهکار جدید خود را ارائه و عملیاتی کند. البته میزان موفقیت این مسیر بستگی به پذیرش و بلوغ صنعت دارد.

عمده‌ترین موانع تحقق این همکاری‌ها چیست؟

مسیر عرضه نوآوری به صنعت غالباً مستقیم و هموار نیست. مشکلاتی مانند فاصله زمانی میان تعریف و تصویب موضوعات پژوهشی در دانشگاه و انتشار فراخوان‌های صنایع، یا ناهماهنگی میان انتظارات صنعت و ارزیابی‌های دانشگاه، چالش‌برانگیز است. گاهی پروژه‌ای از نگاه صنعت کافی است، اما از منظر علمی و دانشگاهی معیار‌ها را تأمین نمی‌کند و بالعکس.

آیا مرجع مستقلی برای ارزش‌گذاری پژوهش‌های صنعتی وجود دارد؟

متاسفانه چنین مرجعی وجود ندارد تا تعیین کند مثلاً یک مسئله صنعت ارزش پایان‌نامه کارشناسی یا ارشد یا رساله دکترا را دارد یا نه؛ از این رو ممکن است خروجی پروژه از نگاه صنعت کافی باشد، اما از دید دانشگاه کافی نباشد و این اختلاف ایجاد می‌شود.

پژوهش دانشگاهی تطابق لازم برای صنعت را ندارد

چرا خروجی پژوهش‌های دانشگاهی گاهی با انتظارات صنعت همخوانی ندارد؟

معمولا نتیجه یک پژوهش ممکن است برای صنعت کفایت کند و مورد تأیید باشد، اما از دیدگاه دانشگاهی، استاندارد‌های آکادمیک رعایت نشده باشد. این اختلاف گاهی ناشی از تفاوت معیار‌های ارزیابی یا توقعات دو حوزه است.

اغلب فراخوان‌های صنعتی از طریق معاونت پژوهشی اطلاع‌رسانی می‌شود، اما این فرآیند گاهی با تاخیر انجام می‌شود. در بسیاری موارد فرصت کافی برای مطابقت دادن پروژه دانشجویی با فراخوان‌های صنعتی وجود ندارد و شرایط متناسب‌سازی پروژه‌ها دشوار است.

وضعیت کارآموزی و آموزش مهارتی برای دانشجویان چگونه است؟

معمولا دانشگاه‌ها اطلاع‌رسانی فراخوان‌های مرتبط را میان اعضای هیئت علمی انجام می‌دهند ولی هر رشته تحصیلی چارچوب آموزشی مخصوص خود را دارد و مهارت‌های خاص صنعتی لزوما در قالب واحد‌های آموزشی رسمی لحاظ نشده‌اند. اگر صنعتی بخواهد مهارت جدیدی تعریف کند، دانشگاه در قالب آموزش‌های آزاد و غیررسمی می‌تواند این مهارت‌ها را ارائه دهد.

نمونه‌ای از همکاری موفق دانشگاه و صنعت را بیان کنید.

یکی از پروژه‌های موفق، همکاری نرم‌افزاری دانشگاه و مرکز آمار ایران بوده که زیرساخت نرم‌افزاری آمارگیری ملی کشور را از سال ۸۹ فراهم کرده و اکنون تمامی طرح‌های آماری در این بستر انجام می‌شود. این همکاری همچنان ادامه دارد.

دانشگاه، زیرساخت نرم‌افزاری مرکز آمار ایران را تأمین کرده است

پروژه دیگری که پس از کرونا اجرا شد چه ویژگی‌هایی داشت؟

با توجه به نیاز‌های جدید حوزه آموزش و پرورش و آموزش دانش‌آموزی، پروژه‌ای طراحی شد تا از فضای مجازی برای آموزش تعاملی کودکان استفاده شود. در این پروژه، یک اپلیکیشن گیم‌محور و تعاملی به گونه‌ای توسعه یافته که فرآیند آموزش را برای کودکان هم جذاب و هم کاربردی کند و دیگر فقط محل تفریح و بازی نباشد.

نقش هوش مصنوعی در پروژه‌های آموزشی دانشگاه چگونه بوده است؟

در پروژه نرم‌افزار آموزشی، از فناوری‌های مبتنی بر هوش مصنوعی استفاده شده تا مسیر آموزشی هر دانش‌آموز هدایت شود. هوش مصنوعی در این بستر، نقاط ضعف و کمبود‌های فرد را شناسایی کرده و آموزش را شخصی‌سازی می‌کند. نسخه اول این اپلیکیشن مهر سال گذشته برای استفاده عمومی منتشر شد و هم‌اکنون حدود ۴۰ هزار دانش‌آموز و معلم آن را فعالانه استفاده می‌کنند؛ هم به عنوان بازی آموزشی سر کلاس و هم برای تمرین و تثبیت یادگیری در منزل. بخش زیادی از امکانات نرم‌افزار رایگان است.

این پروژه نمونه‌ای است از کار دانشگاهی که نه‌تنها برای جامعه دانشجویی بلکه برای استفاده عمومی ایجاد شده است و نشان‌دهنده توان تبدیل پژوهش دانشگاهی به خدمت اجتماعی در جهت رفع نیاز جامعه است.

پروژه دانشگاهی که به خدمت عمومی شهروندان درآمد

تا چه حد آموزش دانشگاهی با نیاز بازار کار هماهنگ است؟

با سرعت تغییر فناوری، نمی‌توان برای مهارت‌هایی برنامه‌ریزی کرد که چهار سال بعد همچنان کاربرد داشته باشند. دانش‌آموزان و دانشجویان باید با مهارت‌هایی آشنا شوند که بتوانند خود را سریع با شرایط متغیر بازار هماهنگ کنند. خلاقیت، حل مسئله و تفکر طراحی از جمله مهارت‌هایی‌ست که در دانشگاه‌ها باید تقویت شود؛ نه صرفاً انجام کار‌های روتین که با ابزار یا فناوری قابل انجام هستند.

هوش مصنوعی چه نقشی در مهارت‌افزایی و پژوهش دارد؟

هوش مصنوعی می‌تواند بخشی قابل توجهی از فرآیند پژوهشی، مثل تعریف مسئله، مرور ادبیات پیشین و حتی ارزیابی‌ها را انجام دهد. بنابراین، سقف ۳۰ درصدی که برخی برای سهم هوش مصنوعی در پژوهش‌ها مطرح می‌کنند واقع‌بینانه نیست؛ عملاً میزان استفاده از آن بیشتر شده است و می‌توان گفت که در برخی نتایج پژوهشی بکارگیری و استفاده از هوش مصنوعی حتی به بالاتر از ۵۰ درصد کل کار می‌رسد. البته این میزان به موضوع و حوزه پژوهشی نیز بستگی دارد و در مواردی که کار آزمایشگاهی یا نوآوری سهم بیشتری داشته باشد این میزان کمتر خواهد شد.

انتهای پیام/

ارسال نظر