Neuroscience & Neoplaisa Artificial Intelligence Research Group (NAIRG)

سلام و وقت بخیر اطلاعات تکمیلی مربوط به نحوه شرکت در کارگاه، برای عزیزانی که ثبت‌نام کرده‌اند از طریق ایمیل ارسال شده است. لطفاً ایمیل خود را بررسی فرمایید. در صورتی که ایمیلی دریافت نکرده‌اید، لطفاً پوشه Spam / Junk را نیز چک کنید.

✅گواهی شرکت 🔗 لینک ثبت نام https://forms.gle/Bpz6QtDKiGFnB9yB8 NAIRG Group 📱https://t.me/NAIRG_ResearchGroup 🌐 https://nairg.org/

Neuroscience & Neoplaisa Artificial Intelligence Research Group (NAIRG) pinned a photo

کمیته تحقیقات و فناوری دانشجویی دانشگاه علوم پزشکی شهید بهشتی و مرکز تحقیقات نوروفیزیولوژی دانشگاه علوم پزشکی بهشتی برگزار می کند 🤖🧠 کارگاه هوش مصنوعی در علوم اعصاب و سرطان 🎗💻 اگر می‌خوای با کاربرد واقعی هوش مصنوعی در پزشکی آشنا بشی، این کارگاه رو از دست نده با حضور 👨🏻‍🏫 دکتر علی فتحی جوزدانی 👨🏻‍🏫 دکتر آرمان گرجی در این کارگاه باهم مرور می‌کنیم: ✨ مفاهیم پایه هوش مصنوعی و یادگیری ماشین 🧬 تحلیل داده‌های زیستی و پزشکی 🧠 کاربرد AI در علوم اعصاب 🎗 کاربرد AI در سرطان 🩻 آشنایی با MRI, EEG, fMRI 🔬 پاتولوژی دیجیتال، رادیومیکس و آینده پژوهش‌های پزشکی 👨🏻‍🎓👩🏻‍🎓 مناسب برای دانشجویان و اعضای هیئت علمی 📍 محل برگزاری: مرکز تحقیقات نوروفیزیولوژی دانشگاه بهشتی و آنلاین 📅 زمان: ۲۰ مرداد ساعت۱۲:۳۰ الی ۱۴ 💳 هزینه ثبت‌نام: حضوری: ۱٬۵۰۰٬۰۰۰ ریال آنلاین: ۱٬۰۰۰٬۰۰۰ ریال این کارگاه یه فرصت خوبه برای اینکه ببینی AI چطور داره مسیر پژوهش و پزشکی رو تغییر می‌ده. 💡اگه به پژوهش در این حوزه علاقه داری و دنبال مسیرهای نو می‌گردی، این کارگاه فرصت عالی برای شبکه‌سازی و فراهم کردن زمینه‌های همکاری در پروژه‌های آینده است. 🔗 لینک ثبت نام https://forms.gle/Bpz6QtDKiGFnB9yB8 NAIRG Group 📱https://t.me/NAIRG_ResearchGroup 🌐 https://nairg.org/

🤖🧠 کارگاه هوش مصنوعی در علوم اعصاب و سرطان 🎗💻 اگر می‌خوای با کاربرد واقعی هوش مصنوعی در پزشکی آشنا بشی، این کارگاه رو از دست نده با حضور 👨🏻‍🏫 دکتر علی فتحی جوزدانی 👨🏻‍🏫 دکتر آرمان گرجی در این کارگاه باهم مرور می‌کنیم: ✨ مفاهیم پایه هوش مصنوعی و یادگیری ماشین 🧬 تحلیل داده‌های زیستی و پزشکی 🧠 کاربرد AI در علوم اعصاب 🎗 کاربرد AI در سرطان 🩻 آشنایی با MRI, EEG, fMRI 🔬 پاتولوژی دیجیتال، رادیومیکس و آینده پژوهش‌های پزشکی 👨🏻‍🎓👩🏻‍🎓 مناسب برای دانشجویان و اعضای هیئت علمی 📍 محل برگزاری: مرکز تحقیقات نوروفیزیولوژی دانشگاه بهشتی و آنلاین 📅 زمان: ۲۰ مرداد ساعت۱۲:۳۰ الی ۱۴ 💳 هزینه ثبت‌نام: حضوری: ۱٬۵۰۰٬۰۰۰ ریال آنلاین: ۱٬۰۰۰٬۰۰۰ ریال این کارگاه یه فرصت خوبه برای اینکه ببینی AI چطور داره مسیر پژوهش و پزشکی رو تغییر می‌ده. 💡اگه به پژوهش در این حوزه علاقه داری و دنبال مسیرهای نو می‌گردی، این کارگاه فرصت عالی برای شبکه‌سازی و فراهم کردن زمینه‌های همکاری در پروژه‌های آینده است. 🔗 لینک ثبت نام https://forms.gle/Bpz6QtDKiGFnB9yB8 NAIRG Group 📱https://t.me/NAIRG_ResearchGroup 🌐 https://nairg.org/

@NAIRG_ResearchGroup

🧠 NAIRG Research #Spotlight | Decoding Thyroid Nodules with Explainable AI 🔬 TU1.0 Radiomics Dictionary: Bridging Quantitative Ultrasound Features and the Clinical TI-RADS Language 📄 Article Title: A Clinically Anchored Radiomics Dictionary for Explainable TI-RADS–Based Thyroid Nodule Classification in Ultrasound; Dictionary Version TU1.0 📚 Publication Type: Original Research Article 📰 Journal: European Journal of Radiology 📖 Volume and Article Number: Volume 203, Article 113014 ⭐ Impact Factor: 3.9 🏅 Quartile: JCR Q1 📊 Metric Year: 2025 JIF, released in 2026 📅 Publication Date: 14 June 2026 🌐 Publication Status: Published, Open Access 🔗 DOI Link: https://doi.org/10.1016/j.ejrad.2026.113014 👥 Authors: Mohammad Salmanpour, Shahram Taeb, Ali Fathi Jouzdani, Mohammad Ayazi, Siavash Hosseinpour Saffarian, Mehdi Maghsudi, Ilker Hacihaliloglu, Arman Rahmim 🇨🇦 Canada Department of Basic and Translational Research, BC Cancer Research Institute, Vancouver, BC Department of Radiology, University of British Columbia, Vancouver, BC Department of Medicine, University of British Columbia, Vancouver, BC Technological Virtual Collaboration Company, TECVICO Corp., Vancouver, BC Iran Department of Radiology, School of Paramedical Sciences, Guilan University of Medical Sciences, Rasht 🧠 NAIRG, Department of Neuroscience, Hamadan University of Medical Sciences, Hamadan School of Medicine, Kermanshah University of Medical Sciences, Kermanshah College of Interdisciplinary Science and Technology, Faculty of Intelligent Systems, University of Tehran, Tehran 🌍 Participating Countries: Iran | 🇨🇦 Canada 🎯 Study Objective: The study developed an interpretable radiomics framework for thyroid-nodule classification. The TU1.0 dictionary connects quantitative ultrasound features with five TI-RADS semantic categories: composition, echogenicity, shape, margin and echogenic foci. 🧪 Methods: The dictionary was developed through expert consensus involving four physicians, three physicists, one radiology expert and one biologist. Three public multicenter datasets, TUCC, TN5000 and DDTI, were combined, providing 5,542 thyroid nodules. A total of 107 IBSI-compliant radiomics features were extracted using PyRadiomics and normalized with min–max scaling. The researchers paired 27 feature-selection methods with 25 classifiers. Models were developed using stratified five-fold cross-validation on 70% of the data and evaluated on the remaining 30%. 📊 Key Findings: The best-performing pipeline combined Select-From-Model based on logistic regression with an Extra-Trees classifier. It achieved a test ROC-AUC of 0.941±0.005. SHAP analysis identified texture heterogeneity as the dominant malignancy signal. Gray-Level Run-Length Matrix non-uniformity, intensity dispersion and kurtosis aligned with high-risk TI-RADS descriptors. 💡 Why Does This Study Matter? The framework translates abstract radiomics measurements into concepts that radiologists already use in clinical practice. This may improve transparency, clinical trust and the integration of artificial intelligence into thyroid-ultrasound assessment. The work directly aligns with NAIRG’s portfolio in radiomics, medical imaging, oncology, machine learning and explainable artificial intelligence. 🤝 Radiomics researchers, thyroid specialists, radiologists and institutions with ultrasound datasets are invited to explore external validation and multicenter collaborations. #NAIRG #ThyroidImaging #ThyroidCancer #TIRADS #Radiomics #Ultrasound #ExplainableAI #MedicalImaging #MachineLearning @NAIRG_ResearchGroup

🧠 در #قاب پژوهش NAIRG | رمزگشایی ندول‌های تیروئید با هوش مصنوعی توضیح‌پذیر 🔬 فرهنگ‌نامه رادیومیکس TU1.0؛ پلی میان ویژگی‌های کمی سونوگرافی و زبان بالینی TI-RADS 📄 عنوان اصلی مقاله: A Clinically Anchored Radiomics Dictionary for Explainable TI-RADS–Based Thyroid Nodule Classification in Ultrasound; Dictionary Version TU1.0 📚 نوع اثر: مقاله پژوهشی اصیل 📰 مجله: European Journal of Radiology 📖 جلد و شماره مقاله: Volume 203, Article 113014 ⭐ Impact Factor: 3.9 🏅 Quartile: JCR Q1 📊 سال شاخص: JIF 2025، منتشرشده در سال 2026 📅 تاریخ انتشار: 14 June 2026 🌐 وضعیت انتشار: Published, Open Access 🔗 لینک DOI: https://doi.org/10.1016/j.ejrad.2026.113014 👥 نویسندگان: Mohammad Salmanpour, Shahram Taeb, Ali Fathi Jouzdani, Mohammad Ayazi, Siavash Hosseinpour Saffarian, Mehdi Maghsudi, Ilker Hacihaliloglu, Arman Rahmim 🏛 مؤسسات و همکاری‌های پژوهشی: 🇨🇦 کانادا Department of Basic and Translational Research, BC Cancer Research Institute, Vancouver, BC Department of Radiology, University of British Columbia, Vancouver, BC Department of Medicine, University of British Columbia, Vancouver, BC Technological Virtual Collaboration Company, TECVICO Corp., Vancouver, BC Iran Department of Radiology, School of Paramedical Sciences, Guilan University of Medical Sciences, Rasht 🧠 NAIRG, Department of Neuroscience, Hamadan University of Medical Sciences, Hamadan School of Medicine, Kermanshah University of Medical Sciences, Kermanshah College of Interdisciplinary Science and Technology, Faculty of Intelligent Systems, University of Tehran, Tehran 🌍 کشورهای مشارکت‌کننده: Iran | 🇨🇦 Canada 🎯 هدف پژوهش: هدف این مطالعه، توسعه یک چارچوب رادیومیکس تفسیرپذیر برای طبقه‌بندی ندول‌های تیروئید بود. چارچوب TU1.0 ویژگی‌های کمی تصاویر سونوگرافی را به پنج گروه معنایی TI-RADS شامل ترکیب، اکوژنیسیته، شکل، حاشیه و کانون‌های اکوژنیک متصل می‌کند. 🧪 روش پژوهش: فرهنگ‌نامه رادیومیکس با اجماع تخصصی چهار پزشک، سه فیزیک‌دان، یک متخصص رادیولوژی و یک زیست‌شناس طراحی شد. سه مجموعه‌داده چندمرکزی عمومی شامل TUCC، TN5000 و DDTI با مجموع ۵۵۴۲ ندول تیروئید ترکیب شدند. تعداد ۱۰۷ ویژگی رادیومیکس استاندارد IBSI با PyRadiomics استخراج و با روش min–max نرمال‌سازی شد. پژوهشگران ۲۷ روش انتخاب ویژگی را با ۲۵ طبقه‌بند ترکیب کردند. مدل‌ها با اعتبارسنجی متقاطع پنج‌لایه روی ۷۰ درصد داده‌ها توسعه یافتند و روی ۳۰ درصد باقی‌مانده آزمایش شدند. 📊 مهم‌ترین یافته‌ها: بهترین مدل، ترکیب Select-From-Model مبتنی بر Logistic Regression با Extra-Trees Classifier بود. این مدل در مجموعه آزمون به ROC-AUC برابر 0.941±0.005 دست یافت. تحلیل SHAP نشان داد ناهمگونی بافتی مهم‌ترین سیگنال مرتبط با بدخیمی است. ویژگی‌هایی مانند GLRLM non-uniformity، پراکندگی شدت و Kurtosis با توصیفگرهای پرخطر TI-RADS هم‌راستا بودند. 💡 چرا این مقاله مهم است؟ این چارچوب خروجی مدل را از یک مجموعه عدد انتزاعی به مفاهیمی تبدیل می‌کند که برای رادیولوژیست‌ها قابل‌درک هستند. چنین رویکردی می‌تواند شفافیت، اعتماد بالینی و قابلیت ادغام هوش مصنوعی در روند ارزیابی ندول‌های تیروئید را افزایش دهد. 🤝 پژوهشگران رادیومیکس، متخصصان تیروئید، رادیولوژیست‌ها و مراکز دارای داده‌های سونوگرافی برای اعتبارسنجی خارجی و توسعه مطالعات چندمرکزی دعوت به همکاری می‌شوند. #NAIRG #ThyroidImaging #ThyroidCancer #TIRADS #Radiomics #Ultrasound #ExplainableAI #MedicalImaging #MachineLearning @NAIRG_ResearchGroup

🧠 NAIRG Research #Spotlight | Explainable AI for Lung Cancer Prognosis 🔬 Semi-Supervised CT Radiomics with Limited Labels and SHAP Interpretation 📄 Article Title: Robust Semi-Supervised CT Radiomics for Lung Cancer Prognosis: Cost-Effective Learning with Limited Labels and SHAP Interpretation 📚 Publication Type: Original Research Article 📰 Journal: IEEE Transactions on Biomedical Engineering ⭐ Impact Factor: 4.4 🏅 Quartile: JCR Q2 📅 Publication Year: 2026 🌐 Publication Status: Published 🔗 DOI Link: https://doi.org/10.1109/TBME.2026.3701855 👥 Authors: Mohammad R. Salmanpour, Amir Hossein Pouria, Sonia Falahati, Shahram Taeb, Somayeh Sadat Mehrnia, Mehdi Maghsudi, Ali Fathi Jouzdani, Mehrdad Oveisi, Ilker Hacihaliloglu, Arman Rahmim 🏛 Research Affiliations and Collaborations: Iran 🧠 NAIRG, Department of Neuroscience, Hamadan University of Medical Sciences Amirkabir University of Technology Babol Noshirvani University of Technology Guilan University of Medical Sciences Breast Cancer Research Center, Motamed Cancer Institute, ACECR 🇨🇦 Canada University of British Columbia BC Cancer Research Institute TECVICO Corp. 🌍 Participating Countries: Iran | 🇨🇦 Canada 🎯 Study Objective: The study aimed to develop a stable, interpretable and cost-effective framework for CT-based lung cancer prognosis, particularly when only limited labeled clinical data are available. 🧪 Methods: The researchers analyzed CT scans from 977 patients across 12 datasets and extracted 1,218 radiomics features. A total of 56 dimensionality-reduction approaches and 27 classifiers were evaluated. The semi-supervised framework combined 499 labeled patients with 478 unlabeled patients. Five-fold cross-validation and external testing in two independent cohorts were performed. 📊 Key Findings: Semi-supervised learning improved overall-survival prediction by up to 17% compared with supervised learning. The best-performing model achieved an accuracy of 0.90 in cross-validation and 0.88 in external testing. SHAP analysis was used to identify the radiomics features that contributed most strongly to the predictions. 💡 Why Does This Study Matter? The findings demonstrate how unlabeled medical-imaging data may support more robust prognostic models while reducing dependence on expensive manual labeling. 🧠 Connection to NAIRG: NAIRG is officially listed among the affiliations of this publication. The study directly aligns with NAIRG’s research portfolio in radiomics, medical imaging, oncology, semi-supervised learning and explainable artificial intelligence. 🤝 Researchers, oncologists, medical-imaging specialists and institutions with CT datasets are invited to explore external validation and multicenter collaboration opportunities. #NAIRG #Radiomics #LungCancer #MedicalImaging #ExplainableAI #SemiSupervisedLearning #MachineLearning #ArtificialIntelligence @NAIRG_ResearchGroup

🧠 در #قاب پژوهش NAIRG | هوش مصنوعی توضیح‌پذیر برای پیش‌بینی بقای سرطان ریه 🔬 رادیومیکس نیمه‌نظارتی CT برای پیش‌آگهی سرطان ریه با داده‌های برچسب‌خورده محدود 📄 عنوان اصلی مقاله: Robust Semi-Supervised CT Radiomics for Lung Cancer Prognosis: Cost-Effective Learning with Limited Labels and SHAP Interpretation 📚 نوع اثر: مقاله پژوهشی اصیل 📰 مجله: IEEE Transactions on Biomedical Engineering ⭐ Impact Factor: 4.4 🏅 Quartile: JCR Q2 📅 سال انتشار: 2026 🌐 وضعیت انتشار: Published 🔗 لینک DOI: https://doi.org/10.1109/TBME.2026.3701855 👥 نویسندگان: Mohammad R. Salmanpour, Amir Hossein Pouria, Sonia Falahati, Shahram Taeb, Somayeh Sadat Mehrnia, Mehdi Maghsudi, Ali Fathi Jouzdani, Mehrdad Oveisi, Ilker Hacihaliloglu, Arman Rahmim 🏛 مؤسسات و همکاری‌های پژوهشی: Iran 🧠 NAIRG, Department of Neuroscience, Hamadan University of Medical Sciences Amirkabir University of Technology Babol Noshirvani University of Technology Guilan University of Medical Sciences Breast Cancer Research Center, Motamed Cancer Institute, ACECR 🇨🇦 کانادا University of British Columbia BC Cancer Research Institute TECVICO Corp. 🌍 کشورهای مشارکت‌کننده: Iran | 🇨🇦 Canada 🎯 هدف پژوهش: این مطالعه با هدف توسعه چارچوبی پایدار، تفسیرپذیر و مقرون‌به‌صرفه برای پیش‌بینی بقای بیماران مبتلا به سرطان ریه، به‌ویژه در شرایط محدودبودن داده‌های برچسب‌خورده، انجام شد. 🧪 روش پژوهش: پژوهشگران تصاویر CT مربوط به ۹۷۷ بیمار از ۱۲ مجموعه‌داده را تحلیل و ۱۲۱۸ ویژگی رادیومیکس استخراج کردند. چارچوب نیمه‌نظارتی از ۴۹۹ بیمار برچسب‌خورده و ۴۷۸ بیمار بدون برچسب استفاده کرد. اعتبارسنجی متقاطع پنج‌لایه و آزمون خارجی نیز در دو گروه مستقل انجام شد. 📊 مهم‌ترین یافته‌ها: یادگیری نیمه‌نظارتی در مقایسه با یادگیری نظارت‌شده، پیش‌بینی بقای کلی را تا ۱۷ درصد بهبود داد. بهترین مدل به دقت ۰٫۹۰ در اعتبارسنجی متقاطع و ۰٫۸۸ در آزمون خارجی دست یافت. از تحلیل SHAP نیز برای شناسایی ویژگی‌هایی استفاده شد که بیشترین نقش را در تصمیم مدل داشتند. 💡 چرا این مقاله مهم است؟ نتایج نشان می‌دهد داده‌های بدون برچسب می‌توانند در توسعه مدل‌های پیش‌آگهی پایدارتر به کار گرفته شوند و وابستگی به فرایند پرهزینه برچسب‌گذاری داده‌های پزشکی را کاهش دهند. 🧠 ارتباط با NAIRG: NAIRG به‌صورت رسمی در Affiliation این مقاله درج شده است. این پژوهش با حوزه‌های رادیومیکس، تصویربرداری پزشکی، سرطان، یادگیری نیمه‌نظارتی و هوش مصنوعی توضیح‌پذیر ارتباط مستقیم دارد. 🤝 پژوهشگران، انکولوژیست‌ها، متخصصان تصویربرداری پزشکی و مراکز دارای داده‌های CT برای توسعه مطالعات چندمرکزی و اعتبارسنجی خارجی دعوت به همکاری می‌شوند. #NAIRG #Radiomics #LungCancer #MedicalImaging #ExplainableAI #SemiSupervisedLearning #MachineLearning #ArtificialIntelligence @NAIRG_ResearchGroup

Channel name was changed to «Neuroscience & Neoplaisa Artificial Intelligence Research Group (NAIRG)»

سلسله سخنرانی‌های هفتگی علوم اعصاب پژوهشکده علوم شناختی پژوهشگاه دانش‌های بنیادی با همکاری پژوهشکده جامع علوم و فناوری‌های همگرای دانشگاه صنعتی شریف برگزار می‌کند: بازآرایی مغز از طریق تحریک خارجی با بهره‌گیری از شکل‌پذیری سخنران: دکتر مجتبی مددی‌ اصل تاریخ و زمان برگزاری: یکشنبه ۷ دی ۱۴۰۴ شروع ساعت ۱۵:۰۰ محل برگزاری: پژوهشگاه دانش‌های بنیادی، پژوهشکده‌ علوم شناختی (بزرگراه ارتش) حضور برای عموم آزاد است

______ ┏━━━━✨️🧠 🧠NBML(National Brain Mapping Lab) ┗━━━━━━━━━━✨️🧠 آزمایشگاه ملی نقشه‌برداری مغز برگزار می‌کند: ۴۰ درصد تخفیف ویژه شب یلدا فقط تا ۱ دی 📃ویژه دوره‌های زمستان📃 کد تخفیف: yalda2025 👈👈💻کلیک کنید. 📑🖊🫆📑 💠Telegram 💠Instagram 💠LinkedIn 🌐Website با ما همراه شو🫆 ┗━━━━━━━━━━━━━━━

انجمن‌ علمی دانشجویی مغز و شناخت دانشگاه‌ شهید بهشتی به مناسبت هفته پژوهش برگزار می‌کند: وب‌نشست آشنایی با علوم اعصاب محاسباتی سخنران 👤 دکتر حسین رفیع‌پور دانش‌آموخته دکتری علوم اعصاب محاسباتی دانشگاه آکسفورد سرفصل‌ها 🔻 آشنایی با رشته 🔻 کاربردها و آینده شغلی در ایران و خارج از کشور 🔻 فرصت‌های تحصیلی 📆 زمان: یکشنبه ‌۲۳ آذرماه ساعت ۱۹ ↖️ نوع برگزاری: آنلاین در بستر گوگل‌میت ثبت‌نام و کسب اطلاعات بیشتر: @Brainy_SBU 🔴 ظرفیت محدود 🧠 شناخت را تجربه کن! 🔵 @Ssacssbu 🟣 www.instagram.com/brainy.sbu

🧬 محور مغز-روده و سلامت روان: بیوالکتریک میکروبیوم چگونه پیام‌های روده را به مغز منتقل می‌کند؟ ⚡️تا حالا شده بی دلیل احساس بی‌قراری یا خستگی ذهنی داشته باشید؟ شاید فکر کنید دلیلش استرس‌های روزمره است؛ اما بخشی از ماجرا ممکن است در جریان‌های الکتریکی پنهانی باشد که میان میکروب‌های روده و سلول‌های عصبی جریان دارد! 🧩در این وبینار، با یکی از نوظهورترین لایه‌های ارتباطی محور روده–مغز آشنا می‌شویم: • بیوالکتریک باکتریایی و نقش آن در ارتباط با نورون‌ها • ابزارهای جدید مانند رابط‌های «مغز–باکتری» • کاربردهای درمانی مبتنی بر رژیم غذایی، مواد مغذی و مداخلات بیوالکتریکی • نگاهی تازه به شبکه ارتباطی میکروبیوم و سلول‌های یوکاریوتی در سلامت و بیماری 👨‍🏫 مدرس: دکتر سید داور سیادت دکتری تخصصی میکروبیولوژی و عضو هیات علمی انستیتو پاستور ایران 🗓 دوشنبه ۱۷ آذر | ساعت ۱۸:۰۰ | 💻به صورت آنلاین 🔗ویدیو دوره بعد از برگزاری در پنل کاربری قرار خواهد گرفت. 🔖سرتیفیکت پایان دوره به زبان انگلیسی 🌐 اطلاعات بیشتر و ثبت‌نام: https://ehiaco.ir/course/braingutaxis/

__________________________ ┏━━━━✨️🧠 🧠NBML(National Brain Mapping Lab) ┗━━━━━━━━━━✨️ 🧠 آزمایشگاه ملی نقشه‌برداری مغز برگزار می‌کند: 📌🧠نهمین کنگره بین المللی نقشه برداری مغز ایران 📌🧠 🗓زمان: ۳و ۴بهمن ماه۱۴۰۴ 📍مکان: مرکز همایش های بین المللی دانشگاه شهید بهشتی جهت مشاهده سایت کنگره و‌کسب اطلاعات بیشتر کلیک کنید. ☎️ تماس با ما: 02186093155 💠 💠Telegram 💠Instagram 💠LinkedIn 🌐Website

سلام وقت بخیر امیدوارم حالتان خوب باشد. 🔺جهت تکمیل داده های یک پروژه علوم شناختی نیاز به یک همکار علاقه مند و پیگیر جهت شرکت در فاز جمع آوری داده ها داریم. پروپوزال و تمام هماهنگی های اولیه انجام شده است. کد اخلاق گرفته شده است. داده ها به صورت پرسشنامه است و نیاز به سفر های یک روزه به روستای اطراف همدان دارد و زمان همکاری حداکثر دو ماه است (یک تا دو روز در هفته) نویسندگی در تمام مقالات مندرج از طرح قطعا انجام خواهد شد. در صورت علاقه لطفا با ایمیل زیر در تماس باشید: nairesearchgroup@gmail.com