Ricky Gervais: Mortality 2025ریکی جرویز: فناپذیر، استندآپ کمدی به کارگردانی John L. Spencer است. در…

جد مشترک انسان و شامپانزه احتمالا توانایی بالاروی عمودی از تنه درختان را داشته استنو پژوهشی نشان می‌دهد جد مشترک انسان و شامپانزه، که حدود ۶ تا ۷ میلیون سال پیش پیش از جدا شدن مسیر تکاملی این دو گروه می‌زیسته، احتمالا توانایی بالاروی عمودی از تنه درختان را داشته است؛ حتی اگر ساختار پای او شبیه پای شامپانزه‌های امروزی نبوده باشد.پژوهشگران دانشگاه ایالتی اوهایو برای بررسی این مسئله، حرکات میمون‌های مانگابی دودی (Cercocebus atys) را در جنگل تای در ساحل عاج ثبت و تحلیل کردند. این میمون‌ها برخلاف شامپانزه‌ها مچ پای بسیار انعطاف‌پذیری ندارند، اما مشاهده و اندازه‌گیری حرکات آن‌ها نشان داد که هنگام بالا رفتن از تنه‌های باریک، بخش میانی پا می‌تواند تا حدود ۴۶ درجه خم شود؛ زاویه‌ای تقریبا مشابه میزان خم‌شدن مچ پای شامپانزه هنگام بالاروی عمودی.این یافته اهمیت دارد، زیرا برخی فرضیه‌های مربوط به جد مشترک انسان و شامپانزه، توانایی بالاروی عمودی را به داشتن ویژگی‌های خاص در پا و مچ پا، شبیه ایپ‌ها، وابسته می‌دانستند.پژوهش جدید نشان می‌دهد یک ساختار متفاوتِ پا نیز می‌تواند از طریق سازوکارهای حرکتی دیگر، عملکرد مشابهی ایجاد کند. بنابراین نمی‌توان صرفا بر اساس شکل استخوان‌های پا نتیجه گرفت که یک نخستی توانایی بالا رفتن عمودی از درختان را نداشته است.با این حال، پژوهشگران تاکید می‌کنند که این پژوهش جد مشترک انسان و شامپانزه را شناسایی نمی‌کند و نشان نمی‌دهد این جد الزاما پاهایی شبیه مانگابی‌ها داشته است.نتیجه اصلی این است که دامنه احتمالات درباره شکل بدن و شیوه حرکت آن گسترده‌تر از چیزی است که پیش‌تر تصور می‌شد.این موضوع برای درک منشا دوپایی انسان اهمیت دارد. برای بازسازی سبک زندگی جد مشترک، دیرینه‌انسان‌شناسان ناچارند از ویژگی‌های استخوان‌های فسیلی درباره رفتار حرکتی موجودات منقرض‌شده استنباط کنند. یافته جدید نشان می‌دهد ارتباط میان شکل پا و رفتار حرکتی، برخلاف تصور ساده‌انگارانه، یک‌به‌یک نیست و برای تعیین دقیق‌تر ویژگی‌های جد مشترک به شواهد فسیلی بیشتری نیاز است.سام آریامنش این پژوهش در Proceedings of the National Academy of Sciences (PNAS) منتشر شده است.🚀 @ofoghroydadd

شغلی با بالاترین خطر سرطان ناشی از پرتو در میان بیش از ۵۰۰ شغل مشخص شد!پژوهشی با بررسی داده‌های ۱۲٫۷ میلیون مرگ در ۵۰۳ شغل نشان داد مهمانداران هواپیما بیشترین و خلبانان دومین میزان مرگ ناشی از سرطان‌های مرتبط با پرتو را داشته‌اند.مهمانداران حدود ۵۰٪ و خلبانان ۳۶٪ بیشتر از سایر گروه‌های شغلی در معرض این نوع مرگ‌ومیر بودند. پژوهشگران پرتوهای کیهانی در ارتفاع پرواز را یکی از عوامل احتمالی می‌دانند، اما پژوهش رابطه علّی را اثبات نمی‌کند و عواملی مانند پرتو فرابنفش و کار شبانه نیز ممکن است نقش داشته باشند.خطر مشاهده‌شده در خدمه پرواز حتی از برخی مشاغل مستقیماً مرتبط با پرتو، مانند تکنولوژیست‌های پزشکی هسته‌ای، بیشتر بود! 🚀 @ofoghroydaddمقاله اصلیمهمانداری عمدتا زنانه است، اما با یک ریسک شغلی واقعی و غیرمعمول همراه است.بنابراین این مثال و شغل و این پست بیشتر یک ضدحمله به معیار سختی = کار یدی مردانه است، نه اثبات اینکه زنان در مجموع مشاغل سخت‌تری دارند.

اسکرین‌شات گرفتن ممکن است باعث شود اطلاعات را بیشتر فراموش کنیمپژوهش جدید روان‌شناسان دانشگاه بینگهمتون نشان می‌دهد گرفتن عکس یا اسکرین‌شات برای به خاطر سپردن اطلاعات، لزوماً به حافظه کمک نمی‌کند و ممکن است حتی آن را تضعیف کند.در مجموعه‌ای از ۷ آزمایش، پژوهشگران از شرکت‌کنندگان خواستند از آثار هنری عکس بگیرند یا از آن‌ها اسکرین‌شات تهیه کنند و سپس حافظه آن‌ها را آزمایش کردند. در برخی آزمایش‌ها نیز از مسائل ریاضی برای بررسی میزان درگیرشدن منابع شناختی استفاده شد. نتایج، مزیت مشخصی برای ثبت تصویر نشان نداد و در مقابل، نوعی افت حافظه برای اطلاعات ثبت‌شده مشاهده شد.یکی از توضیحات احتمالی، «برون‌سپاری شناختی» (Cognitive Offloading) است: وقتی مغز می‌داند اطلاعات در جایی بیرونی ذخیره شده، ممکن است منابع کمتری را برای رمزگذاری و نگهداری آن در حافظه اختصاص دهد.توضیح احتمالی دیگر توجه تقسیم‌شده است؛ یعنی خودِ فرایند گرفتن تصویر بخشی از منابع شناختی را از تجربه یا اطلاعات اصلی منحرف می‌کند. پژوهشگران همچنین احتمال می‌دهند ثبت تصویر باعث نوعی فاصله‌گیری ناخودآگاه از تجربه شود.با این حال، اسکرین‌شات گرفتن الزاماً بد نیست. اگر تصاویر محدود و هدفمند باشند و بعداً واقعاً مرور شوند، می‌توانند مانند یک سرنخ برای بازیابی حافظه عمل کنند. مشکل زمانی بیشتر می‌شود که تعداد زیادی تصویر و اسکرین‌شات بدون مرور جمع شوند.برای یادگیری، یادداشت‌برداری فعال روی کاغذ نیز می‌تواند مفیدتر باشد، زیرا فرد را وادار می‌کند اطلاعات را پردازش، سازمان‌دهی و میان مفاهیم ارتباط برقرار کند؛ فرایندی که با مفهوم «دشواری مطلوب» (Desirable Difficulty) در یادگیری مرتبط است.اگر چیزی را صرفاً برای اینکه بعداً به آن مراجعه کنیم اسکرین‌شات بگیریم، ممکن است مغز آن را کمتر به خاطر بسپارد. ثبت اطلاعات زمانی بیشتر به حافظه کمک می‌کند که هدفمند باشد و بعداً از آن برای بازیابی و مرور فعال استفاده کنیم.🚀 @ofoghroydaddMemory & Cognition (2026). DOI: 10.3758/s13421-026-01921-2

چه زمانی می‌توان کودک را در خانه تنها گذاشت؟ عصب‌شناسی می‌گوید پرسش اصلی چیز دیگری استوالدین معمولا برای تنها گذاشتن کودک در خانه به دنبال یک پاسخ ساده هستند: «از چه سنی می‌توانم این کار را انجام دهم؟» اما پژوهشی درباره رشد مغز کودکان نشان می‌دهد که سن به‌تنهایی معیار مناسبی برای سنجش آمادگی کودک نیست؛ پرسش مهم‌تر این است که آیا کودک از نظر رشدی برای مواجهه با موقعیت‌های پیش‌بینی‌نشده آماده است یا نه.مغز کودک چگونه آمادگی را تعیین می‌کند؟توانایی‌هایی مانند برنامه‌ریزی، کنترل تکانه، ارزیابی خطر و تنظیم هیجانات در دوران کودکی به‌تدریج رشد می‌کنند و بلوغ آن‌ها تا دوران نوجوانی ادامه دارد.بنابراین ممکن است کودکی بتواند برای خودش غذا آماده کند، از تلفن استفاده کند و یک برنامه روزمره را بدون کمک انجام دهد، اما در موقعیتی غیرمنتظره نتواند تصمیم مناسبی بگیرد.برای مثال، باز شدن در خانه توسط یک فرد غریبه، آسیب دیدن خواهر یا برادر کوچک‌تر یا وقوع یک آتش‌سوزی جزئی در آشپزخانه، نیازمند مهارت‌هایی فراتر از انجام کارهای روزمره است.سن مشخصی برای همه کودکان وجود نداردرشد عصبی کودکان یکسان نیست. دو کودک هم‌سن ممکن است از نظر کنترل تکانه، قضاوت، مدیریت اضطراب و واکنش به خطر تفاوت قابل‌توجهی داشته باشند.به همین دلیل، یک کودک ۱۱ ساله ممکن است برای تنها ماندن کوتاه‌مدت آماده باشد، در حالی که کودک ۱۳ ساله‌ای با کنترل تکانه ضعیف هنوز آمادگی لازم را نداشته باشد.این مسئله در کانادا حتی از نظر قانونی نیز پیچیده است. مقررات استان‌های مختلف یکسان نیستند؛ برای نمونه، در انتاریو حداقل سن قانونی مشخص‌شده ۱۶ سال و در نیوبرانزویک و منیتوبا ۱۲ سال است، در حالی که برخی مناطق فاقد یک حد سنی مشخص هستند.چه مهارت‌هایی اهمیت دارند؟کودکی که قرار است برای مدت کوتاهی تنها بماند، بهتر است بتواند:خطرهای احتمالی را تشخیص دهد.قوانین ایمنی خانه را بدون نظارت رعایت کند.بداند در شرایط اضطراری با چه کسی و چگونه تماس بگیرد.هنگام وقوع اتفاق غیرمنتظره بتواند تا حد مناسبی آرام بماند.بداند چه کارهایی ممنوع است؛ مثلاً استفاده از اجاق یا باز کردن در برای افراد ناشناس.دستورالعمل‌های اضطراری را به خاطر بسپارد و اجرا کند.در موقعیت‌های مشابه قبلی، قضاوت مناسبی از خود نشان داده باشد.این مهارت‌ها بخشی از چیزی هستند که در علوم شناختی «کارکردهای اجرایی» (Executive Functions) نامیده می‌شود؛ مجموعه‌ای از توانایی‌های ذهنی برای برنامه‌ریزی، حفظ توجه، یادآوری دستورها، کنترل رفتار و تصمیم‌گیری.استقلال باید تدریجی باشدپیشنهاد پژوهشگر این نیست که کودکان تا رسیدن به یک سن خاص دائما تحت نظارت باشند. برعکس، استقلال بخشی مهم از رشد کودک است و باید فرصت تمرین آن فراهم شود.راه منطقی‌تر، افزایش تدریجی میزان استقلال است. برای مثال، اگر کودک می‌تواند ۱۵ دقیقه به‌تنهایی در خانه بماند و در این مدت رفتار مناسبی دارد، می‌توان در مراحل بعدی مدت را افزایش داد.پیش از این نیز می‌توان سناریوهای اضطراری را با کودک تمرین کرد: اگر زنگ هشدار دود به صدا درآمد چه می‌کند؟ اگر کسی پشت در بود چه؟ اگر خواهر یا برادرش آسیب دید چه کسی را خبر می‌کند؟پیام اصلی این پژوهش ساده است اینکه سن یک شاخص تقریبی است، نه آزمون آمادگی.تصمیم درباره تنها ماندن کودک باید بر اساس مجموعه‌ای از توانایی‌های رشدی، به‌ویژه قضاوت، کنترل تکانه، تشخیص خطر و واکنش به شرایط غیرمنتظره گرفته شود.به بیان دقیق‌تر، سؤال مناسب این نیست که «کودک من از چند سالگی می‌تواند در خانه تنها بماند؟» بلکه این است «آیا کودک من مهارت‌های لازم برای حفظ امنیت خودش را در شرایط پیش‌بینی‌نشده دارد؟»این رویکرد هم با آنچه درباره رشد تدریجی مغز می‌دانیم سازگارتر است و هم از یک مشکل مهم جلوگیری می‌کند: اینکه یک حد سنی ثابت، به‌اشتباه احساس امنیت قطعی ایجاد کند.🚀 @ofoghroydadPaediatrics & Child Health (2026). DOI: 10.1093/pch/pxag059

اجماع خودجوش؛ وقتی هزار عامل هوش مصنوعی بدون دستور کسی با هم هم‌نظر شدندپژوهش جدیدی که در مجله Science Advances منتشر شده، نشان می‌دهد گروه‌های بزرگی از عامل‌های هوش مصنوعی ممکن است بدون رهبر، پاداش، دستور همکاری یا حتی هدف مشترک، به‌طور خودجوش به یک انتخاب واحد برسند.پژوهشگران برای بررسی این پدیده، گروه‌هایی متشکل از عامل‌های مبتنی بر ۱۰ مدل زبانی از خانواده‌های Claude، GPT و Llama ساختند. هر عامل در ابتدا یکی از دو گزینه کاملا رندوم و بی‌معنا را انتخاب می‌کرد. سپس در هر مرحله، انتخاب سایر عامل‌ها را می‌دید و دوباره تصمیم می‌گرفت. هیچ‌کدام از عامل‌ها حافظه‌ای از مراحل قبلی نداشتند و در دستورالعمل آنها نیز توصیه‌ای برای پیروی از اکثریت یا رسیدن به توافق وجود نداشت.با این حال، در بیشتر مدل‌ها عامل‌ها به‌تدریج به سمت گزینه‌ای که در میان گروه محبوب‌تر بود متمایل شدند. اختلاف‌های کوچک اولیه می‌توانست در چند مرحله تقویت شود و در نهایت کل گروه را به یک انتخاب مشترک برساند.پژوهشگران این گرایش را با کمیتی به نام نیروی اکثریت (Majority Force) توصیف کردند؛ معیاری که نشان می‌دهد یک عامل تا چه اندازه تحت تأثیر گزینه غالب در گروه قرار می‌گیرد. نکته جالب این است که رفتار جمعی مشاهده‌شده با یک الگوی ریاضی شناخته‌شده در فیزیک، یعنی مدل توصیف‌کننده هم‌راستاشدن اسپین‌های اتمی در فرومغناطیس، شباهت دارد.این مدل ریاضی به پژوهشگران اجازه داد تخمین بزنند یک گروه تا چه اندازه می‌تواند پیش از فروپاشی اجماع، بزرگ شود. این ظرفیت میان مدل‌ها تفاوت چشمگیری داشت: برای Llama 3 70B حدود ۳۰ عامل و برای GPT-4o حدود ۸۰ عامل برآورد شد. ظرفیت GPT-4 Turbo حدود ۱۰۰۰ عامل یا حتی بیشتر تخمین زده شد. Claude 3.5 Sonnet نیز در بزرگ‌ترین آزمایش، یعنی گروهی متشکل از ۱۰۰۰ عامل، همچنان توانست اجماع خود را حفظ کند؛ البته این به معنای نامحدود بودن ظرفیت آن نیست، زیرا آزمایش از این اندازه فراتر نرفت.مدل‌های توانمندتر عموما می‌توانستند اجماع را در گروه‌های بزرگ‌تری حفظ کنند؛ حتی در اندازه‌هایی بزرگ‌تر از عدد مشهور دانبار که معمولا برای ظرفیت شبکه‌های اجتماعی پایدار انسان حدود ۱۵۰ تا ۳۰۰ نفر مطرح می‌شود. با این حال، مقایسه مستقیم میان انسان و عامل‌های هوش مصنوعی گمراه‌کننده است.انسان‌ها برای همکاری از روابط اجتماعی، زبان، نهادها، اهداف مشترک و اطلاعات پیچیده استفاده می‌کنند، در حالی که آزمایش حاضر صرفا یک مسئله بسیار ساده و انتزاعی را بررسی می‌کرد.بنابراین این پژوهش نشان نمی‌دهد که عامل‌های هوش مصنوعی واقعا یکدیگر را درک کرده‌اند یا دارای هوش اجتماعی شده‌اند. آنچه مشاهده شده، شکل بسیار ابتدایی‌تری از رفتار جمعی است: تمایل سیستم‌های منفرد به حرکت به سمت انتخاب غالب، صرفاً بر اساس مشاهده رفتار سایر اعضای گروه.اهمیت این یافته دقیقاً در همین نکته است. اگر هزاران عامل هوش مصنوعی در آینده در یک سیستم مشترک فعالیت کنند، ممکن است رفتارهایی در سطح جمع پدیدار شود که از بررسی تک‌تک عامل‌ها قابل پیش‌بینی نباشد.این قابلیت می‌تواند بسیار مفید باشد. برای مثال، مجموعه بزرگی از عامل‌ها شاید بتواند بدون مدیریت دائمی انسان، بخش‌های مختلف یک پروژه علمی، مهندسی یا نرم‌افزاری را هماهنگ کند. اما همین سازوکار می‌تواند به یک آسیب‌پذیری جدی تبدیل شود.اگر یک تصمیم ضعیف یا ناکارآمد به انتخاب غالب تبدیل شود، عامل‌های دیگر ممکن است صرفاً به دلیل رایج‌بودن آن، از آن پیروی کنند. برای نمونه، در یک پروژه نرم‌افزاری ممکن است یک روش ناکارآمد در کد به هنجار غالب تبدیل شود و عامل‌های بعدی نیز همان روش را تکرار کنند؛ نه به این دلیل که بهترین راه‌حل است، بلکه چون اکثریت قبلاً آن را انتخاب کرده‌اند.پژوهشگران همچنین به پدیده‌ای مهم‌تر اشاره می‌کنند: یک گروه از عامل‌هایی که تک‌تک آنها از نظر ایمنی قابل‌قبول به نظر می‌رسند، لزوماً در تعامل با یکدیگر رفتاری ایمن نخواهند داشت. در برخی پژوهش‌های مرتبط، حتی نشان داده شده که عامل‌های منفردِ هم‌راستا با اهداف تعیین‌شده می‌توانند در اثر همنوایی، به وضعیت‌هایی برسند که نتیجه جمعی آنها با هدف مطلوب ناسازگار باشد.به بیان ساده، مسئله آینده هوش مصنوعی ممکن است فقط این نباشد که «هر عامل به‌تنهایی چقدر باهوش و ایمن است؟» بلکه این پرسش نیز اهمیت پیدا می‌کند که «وقتی هزاران عامل با یکدیگر تعامل می‌کنند، چه رفتاری در سطح کل سیستم پدیدار می‌شود؟»این پژوهش هنوز بسیار ابتدایی است و نباید آن را به معنای ظهور «جامعه هوش مصنوعی» یا «هوش جمعی واقعی» تفسیر کرد. آزمایش فاقد حافظه، پاداش، هدف مشترک، اطلاعات نامتقارن و پیامدهای واقعی بود. اما نشان می‌دهد حتی یک سازوکار بسیار ساده مانند تأثیرپذیری از انتخاب اکثریت، می‌تواند در مقیاس بزرگ به یک پدیده جمعی قابل‌توجه تبدیل شود.نکته اصلی پژوهش این است که رفتار جمعی عامل‌های هوش مصنوعی ممکن است ویژگی‌هایی داشته باشد که در هیچ‌یک از عامل‌ها به‌تنهایی دیده نمی‌شود؛ بنابراین ارزیابی ایمنی و توانایی هوش مصنوعی در آینده باید علاوه بر مدل منفرد، تعامل میان تعداد زیادی عامل را نیز بررسی کند. 🚀 @ofoghroydadd🔗 Scienceadvances

وقتی تلاش برای متفاوت بودن، گفت‌وگوهای آنلاین را منفی‌تر می‌کندپژوهشی جدید نشان می‌دهد که منفی‌تر شدن گفت‌وگوهای شبکه‌های اجتماعی فقط نتیجه الگوریتم‌های پیشنهاد محتوا نیست؛ میل طبیعی کاربران به متفاوت و متمایز بودن نیز می‌تواند به‌تدریج گفت‌وگوها را به سمت منفی‌گرایی سوق دهد.پژوهشگران با تحلیل بیش از ۲ میلیارد نظر در ۲۱۵۰ اجتماع ردیت (Reddit) دریافتند که هم رشته‌گفت‌وگوها و هم اجتماعات این پلتفرم با گذشت زمان گرایش بیشتری به محتوای منفی پیدا می‌کنند. بررسی زبانی نظرات نشان داد که یکی از عوامل این روند، چیزی است که روان‌شناسان آن را تمایزطلبی (Differentiation) می‌نامند؛ یعنی تمایل افراد به بیان چیزی متفاوت از آنچه دیگران قبلاً گفته‌اند.منطق این پدیده نسبتاً ساده است: محتوای منفی تنوع بیشتری برای بیان کردن دارد. اگر درباره یک فیلم همه کاربران بگویند «خوب بود»، برای جلب توجه و ارائه نظری متفاوت، گزینه‌های کمتری باقی می‌ماند. اما می‌توان درباره جنبه‌های مختلفی که از آن فیلم دوست نداشته‌ایم، نقدهای متفاوتی مطرح کرد. بنابراین، با ادامه گفت‌وگو، بیان یک نظر منفیِ جدید ممکن است آسان‌تر از بیان یک نظر مثبتِ جدید باشد.پژوهشگران برای بررسی این فرض، یک آزمایش نیز انجام دادند. افرادی که به‌طور آزمایشی تشویق شده بودند متفاوت و منحصربه‌فرد به نظر برسند، به‌مرور نظرات منفی‌تری منتشر کردند؛ در حالی که از آنها مستقیماً خواسته نشده بود منفی باشند. به بیان دیگر، منفی‌گرایی می‌تواند پیامد جانبی تلاش برای متمایز شدن باشد.این یافته الگوریتم‌ها را از معادله حذف نمی‌کند. الگوریتم‌های رتبه‌بندی همچنان می‌توانند با برجسته کردن محتوای تحریک‌کننده و اختلاف‌برانگیز، چرخه‌ای از توجه، خشم و تولید محتوای مشابه ایجاد کنند. اما پژوهش نشان می‌دهد حتی بدون چنین سازوکارهایی نیز دینامیک خودِ گفت‌وگو می‌تواند افراد را به سمت دیدگاه‌های منفی‌تر سوق دهد.نکته جالب این است که این روند الزاماً به معنای تبدیل شدن تدریجی هر جامعه آنلاین به محیطی کاملاً سمی نیست. پژوهشگران در بررسی رشته‌های بسیار طولانی، با هزاران نظر، نوعی نوسان مشاهده کردند: پس از افزایش منفی‌گرایی، ممکن است کاربران دوباره بتوانند با بیان دیدگاه‌های مثبت‌تر از دیگران متمایز شوند.این پدیده احتمالاً محدود به شبکه‌های اجتماعی نیست. پژوهشگران معتقدند هر محیطی که افراد مجبور باشند برای مدت طولانی درباره یک موضوع واحد صحبت کنند، در حالی که اطلاعات جدید کمی برای افزودن وجود دارد، ممکن است با چنین مشکلی مواجه شود؛ برای مثال چرخه خبری ۲۴ساعته تلویزیون.در مقابل، گفت‌وگوهای روزمره معمولاً امکان تغییر موضوع دارند و بنابراین کمتر در چنین «تله منفی‌گرایی» گرفتار می‌شوند.در مجموع، پژوهش یک نکته ظریف را برجسته می‌کند: میل به متفاوت بودن ذاتاً مسئله‌ای منفی نیست؛ حتی یکی از انگیزه‌های طبیعی انسان است. اما وقتی گفت‌وگو روی یک موضوع ثابت قفل می‌شود و برای متمایز شدن باید دائماً چیز تازه‌ای گفت، منفی‌گرایی می‌تواند به یکی از ساده‌ترین راه‌های متفاوت شدن تبدیل شود.🚀 @ofoghroydaddProceedings of the National Academy of Sciences (2026).