تحظى كتابة الأبحاث العلمية بأهمية بالغة في تقدم العلوم والمعرفة. ومع تطور التكنولوجيا، باتت أدوات الذكاء الاصطناعي تلعب دوراً كبيراً في تحسين وتعزيز عملية كتابة الأبحاث. تساعد هذه الأدوات الباحثين على تنظيم الأفكار، تحليل البيانات، وتقديم المحتوى بشكل أكثر فعالية ودقة. في هذه المقالة، سنستعرض بعض أدوات الذكاء الاصطناعي المستخدمة في كتابة الأبحاث العلمية وكيفية تحسينها للعملية البحثية وكذلك بعض أدوات الذكاء الاصطناعي الذي يساعد في العثور على المصادر المطلوبة في البحث العلمي.
تطبيقات الذكاء الاصطناعي في تحسين وتعزيز كتابة الأبحاث العلمية
تعد الكتابة العلمية عملية حيوية تساهم في عرض البحث بشكل واضح ومنظم، مما يعزز فهم القراء للمحتوى ويسهم في تقليل الأخطاء وتحقيق الدقة والموثوقية في النتائج المقدمة. فيما يلي بعض التطبيقات الشهيرة التي تستخدم تقنيات الذكاء الاصطناعي لتحقيق هذا الهدف:
برامج التحقق من الأخطاء النحوية والإملائية (Grammar and Spell Checkers): هي برامج التحقق من الأخطاء النحوية والإملائية تستخدم خوارزميات الذكاء الاصطناعي لتحديد وتصحيح الأخطاء اللغوية في النصوص. تساعد هذه الأدوات الباحثين على تحسين جودة النصوص العلمية من خلال تقديم تصحيحات للأخطاء النحوية والإملائية، مما يضمن أن تكون الأبحاث مكتوبة بلغة صحيحة وسليمة.
ومثال عليه Grammarly: يوفر تصحيحات للأخطاء النحوية والإملائية بالإضافة إلى اقتراحات لتحسين أسلوب الكتابة.
أدوات إعادة الصياغة (Paraphrasing Tools): هي أدوات إعادة الصياغة تستخدم تقنيات الذكاء الاصطناعي لإعادة صياغة النصوص بشكل يجعلها أكثر وضوحاً وأقل عرضة للتكرار. تُستخدم هذه الأدوات في إعادة صياغة أجزاء من الأبحاث لتجنب التكرار وتحسين تدفق الأفكار، مما يجعل النص أكثر جاذبية للقارئ.
مثال عليه QuillBot: يستخدم تقنيات الذكاء الاصطناعي لإعادة صياغة النصوص، مما يساعد الباحثين على تحسين تدفق النص وتجنب التكرار.
مثال عليه Paraphrasing : هدفه هو إعادة كتابة الجمل بطريقة أكثر احترافية بمحتوى مثل الذي كتبته، وهو مجاني. يمكنك إعادة الصياغة باللغة الإنجليزية أو الفرنسية أو لغات أخرى.
أنظمة الترجمة الآلية (Machine Translation Systems): أنظمة الترجمة الآلية هي برامج تستخدم الذكاء الاصطناعي لترجمة النصوص من لغة إلى أخرى بدقة عالية. تساعد الباحثين على ترجمة الأبحاث والمقالات العلمية من لغات أخرى، مما يوسع نطاق الوصول إلى الأبحاث ويسهل التعاون الدولي.
مثال عليه Google Translate: يوفر ترجمة فورية للنصوص بين العديد من اللغات. يمكن للباحثين استخدامه لترجمة الأوراق البحثية أو النصوص العلمية من لغات أخرى.
أدوات تنظيم وإدارة المراجع (Reference Management Tools): أدوات إدارة المراجع هي برامج تساعد الباحثين على جمع وتنظيم المراجع العلمية وتنسيقها بشكل تلقائي. تساعد هذه الأدوات في توفير الوقت والجهد المبذول في تنسيق المراجع، مما يتيح للباحثين التركيز على المحتوى العلمي بدلاً من الإجراءات البيروقراطية.
مثال عليه EndNote: يساعد الباحثين في جمع وتنظيم المراجع العلمية وتنسيقها بشكل تلقائي وفقًا لمختلف الأنماط الأكاديمية. كما يتيح إضافة المراجع بسهولة إلى الأوراق البحثية.
أدوات تحليل البيانات (Data Analysis Tools): أدوات تحليل البيانات تستخدم خوارزميات الذكاء الاصطناعي لتحليل كميات كبيرة من البيانات واستخراج الأنماط والمعارف القيمة. تُستخدم في تحليل النتائج التجريبية وتقديم تقارير مفصلة، مما يساعد الباحثين على فهم البيانات بشكل أفضل واستخلاص استنتاجات دقيقة.
مثال عليه IBM Watson Analytics: يقدم قدرات تحليل بيانات متقدمة باستخدام الذكاء الاصطناعي. يمكنه تحليل كميات كبيرة من البيانات واستخراج الأنماط والمعارف القيمة منها.
أنظمة توليد النصوص (Text Generation Systems): هي أدوات تعتمد على الذكاء الاصطناعي لإنشاء نصوص تلقائيًا بناءً على مدخلات محددة. تُستخدم هذه الأنظمة في كتابة مسودات الأبحاث، تقديم ملخصات، وتوليد نصوص توضيحية، مما يوفر وقتًا كبيرًا للباحثين.
مثال عليه OpenAI's GPT-4: يمكن له توليد نصوص متقدمة بناءً على مدخلات محددة. يمكن استخدامه في كتابة مسودات الأبحاث، تقديم ملخصات، وتوليد نصوص توضيحية.
تطبيقات الذكاء الاصطناعي في العثور على المصادر الاكاديمية
تعد عملية العثور على المصادر الأكاديمية المناسبة جزءًا حيويًا من الأبحاث العلمية. يمكن أن تساعد تطبيقات الذكاء الاصطناعي الباحثين في العثور على المصادر الأكثر دقة وملاءمة بكفاءة وسرعة. فيما يلي بعض التطبيقات الشهيرة التي تستخدم تقنيات الذكاء الاصطناعي لتحقيق هذا الهدف:
منصة Google Scholar: يستخدم خوارزميات الذكاء الاصطناعي لفهرسة الأوراق البحثية والمقالات الأكاديمية من مختلف المصادر. يمكن للباحثين استخدامه للبحث عن الأبحاث والمقالات ذات الصلة بمجالاتهم.
محرك Semantic Scholar: هو محرك بحث أكاديمي يستخدم تقنيات الذكاء الاصطناعي لتحليل النصوص واستخراج المعلومات الهامة. يساعد في العثور على الأبحاث ذات الصلة بسرعة ويوفر ملخصات مفيدة للأوراق البحثية.
شبكة ResearchGate: هو شبكة اجتماعية للباحثين تستخدم الذكاء الاصطناعي لتقديم توصيات عن الأبحاث ذات الصلة بناءً على اهتمامات المستخدمين وسجل أبحاثهم، يمكن للباحثين البحث عن المقالات والتواصل مع زملائهم.
شبكة Microsoft Academic: يستخدم الذكاء الاصطناعي لتحليل البيانات الأكاديمية وتقديم نتائج بحث دقيقة وموثوقة. يوفر أيضًا رؤى حول تأثير الأبحاث والعلاقات بين مختلف الأعمال الأكاديمية.
برنامج Mendeley: هو مدير مراجع أكاديمي يستخدم الذكاء الاصطناعي لتوصية الأبحاث ذات الصلة بناءً على مكتبة المستخدم من المراجع، كما يمكنه أيضًا استخراج البيانات الوصفية وتنظيم المراجع بشكل فعال.
أداة Connected Papers: هي أداة تستخدم الذكاء الاصطناعي لإنشاء خرائط مرئية للأبحاث ذات الصلة. يمكن للباحثين رؤية العلاقات بين الأبحاث المختلفة واستكشاف أوراق بحثية جديدة بناءً على أوراق معروفة لديهم.
منصة Iris.ai: هي منصة تستخدم الذكاء الاصطناعي لتحليل النصوص الأكاديمية وتقديم خريطة بصرية للمقالات والأبحاث ذات الصلة. يمكن للباحثين استخدامها للعثور على المصادر المرتبطة بموضوع بحثهم بسرعة.
أداة Scite: هي أداة تستخدم الذكاء الاصطناعي لتحليل كيفية اقتباس الأوراق البحثية بعضها البعض، كما تساعد الباحثين في فهم تأثير الورقة البحثية والسياق الذي يتم فيه الاقتباس.
مكتبة IEEE Xplore: مكتبة رقمية تحتوي على مقالات ومؤتمرات ومجلات متخصصة في مجالات الهندسة الكهربائية والإلكترونية وعلوم الحاسوب.
قاعدة بيانات JSTOR : هي قاعدة بيانات تحتوي على مقالات ودراسات أكاديمية تغطي مجالات متعددة من العلوم الإنسانية والاجتماعية والعلوم الطبيعية.
منصة SpringerLink: منصة توفر الوصول إلى مجموعة واسعة من الكتب والمقالات العلمية في مجالات متعددة.
منصة ScienceDirect : منصة توفر الوصول إلى مجموعة كبيرة من المجلات والكتب في مجالات العلوم والهندسة والطبية.
تطبيقات الذكاء الاصطناعي في تحليل البيانات في الأبحاث العلمية
مع تطور التكنولوجيا، أصبح الذكاء الاصطناعي (AI) جزءًا لا يتجزأ من الأبحاث العلمية. يساعد الذكاء الاصطناعي الباحثين على تحليل البيانات بكفاءة أكبر، واكتشاف أنماط جديدة، وتطوير حلول مبتكرة. فيما يلي بعض التطبيقات الشهيرة التي تستخدم تقنيات الذكاء الاصطناعي لتحقيق هذا الهدف.
تعلم الآلة (Machine Learning)
تعلم الآلة هو مجال من مجالات الذكاء الاصطناعي يسمح للأنظمة بتحسين أدائها تلقائيًا من خلال التجربة واستخدام البيانات دون أن تكون مبرمجة بشكل صريح للقيام بذلك. يستخدم في تحليل البيانات الكبيرة، التنبؤات الرياضية، واكتشاف الأنماط في البيانات المعقدة. في الأبحاث العلمية، يمكن أن يساعد في تحديد العوامل المؤثرة على نتائج التجارب وتحليل البيانات الجينية.
مثال على تحليل البيانات باستخدام تعلم الآلة في أبحاث تكنولوجيا المعلومات
اكتشاف الهجمات السيبرانية: تعتبر الهجمات السيبرانية تهديدًا كبيرًا للأنظمة والشبكات الحاسوبية. يمكن استخدام تعلم الآلة لتحليل حركة المرور الشبكية (network traffic) واكتشاف الأنماط غير الطبيعية التي قد تشير إلى وجود هجمات سيبرانية.
الخطوات:
جمع البيانات: نحصل على بيانات حركة المرور الشبكية من مصادر موثوقة مثل الشبكات المؤسسية أو قواعد البيانات العامة للهجمات السيبرانية (مثل قاعدة بيانات KDD Cup 99).
معالجة البيانات: تنظيف البيانات للتأكد من عدم وجود بيانات مفقودة أو غير صحيحة ثم تحويل البيانات إلى تنسيق يمكن لنموذج تعلم الآلة التعامل معه، مثل تحويل النصوص إلى أرقام (feature encoding) وتطبيع القيم.
تقسيم البيانات: نقسم البيانات إلى مجموعتين: مجموعة تدريب (training set) ومجموعة اختبار (test set). عادةً ما تكون نسبة التقسيم 70% للتدريب و30% للاختبار.
اختيار نموذج تعلم الآلة: نختار نموذج تعلم الآلة المناسب، مثل SVM (Support Vector Machine) أو الغابة العشوائية (Random Forest) أو الشبكة العصبية العميقة (Deep Neural Network).
تدريب النموذج: نستخدم مجموعة التدريب لتعليم النموذج كيفية التمييز بين حركة المرور الشبكية العادية والهجمات السيبرانية بناءً على الخصائص المستخرجة من البيانات.
تقييم النموذج: نختبر النموذج باستخدام مجموعة الاختبار لتقييم دقته في اكتشاف الهجمات السيبرانية. نستخدم مقاييس مثل الدقة (accuracy) والاستدعاء (recall) والدقة الإيجابية (precision) ومنحنى ROC لتقييم الأداء.
تحليل النتائج: نفحص الأنماط التي اكتشفها النموذج في حركة المرور الشبكية. يمكننا تحديد أنواع الهجمات الشائعة والخصائص التي تميزها.
تطبيقات عملية
مراقبة الشبكات: يمكن استخدام النموذج المدرب لمراقبة الشبكات المؤسسية واكتشاف الأنشطة غير الطبيعية في الوقت الحقيقي.
تحليل السجلات: يمكن تحليل سجلات النظام للكشف عن الهجمات التي قد تكون مرت دون أن يتم اكتشافها في الوقت الفعلي.
تعزيز الأمان: يمكن استخدام النتائج لتعزيز السياسات الأمنية وتحسين استراتيجيات الدفاع ضد الهجمات السيبرانية.
الشبكات العصبية الاصطناعية (Artificial Neural Networks)
الشبكات العصبية الاصطناعية هي أنظمة حسابية مستوحاة من بنية ووظيفة الدماغ البشري. تتكون من وحدات معالجة صغيرة تُعرف باسم "العُقد" والتي تتصل ببعضها البعض. تُستخدم في معالجة الصور والصوت، التعرف على الأنماط، وتحليل البيانات الكبيرة. في الأبحاث العلمية، تُستخدم لفهم البيانات البيولوجية وتصنيف الصور الطبية.
مثال على تحليل البيانات باستخدام الشبكات العصبية في أبحاث تكنولوجيا المعلومات
تصنيف رسائل البريد الإلكتروني إلى "عادي" و"مزعج" (Spam): رسائل البريد الإلكتروني المزعجة (Spam) تمثل مشكلة كبيرة، حيث يمكن أن تكون مزعجة وتحتوي على فيروسات أو محاولات تصيد. يمكن استخدام الشبكات العصبية لتصنيف رسائل البريد الإلكتروني تلقائياً إلى عادي (Ham) أو مزعج (Spam).
الخطوات:
جمع البيانات: نحصل على مجموعة من رسائل البريد الإلكتروني المصنفة مسبقًا إلى "عادي" و"مزعج". يمكن استخدام مجموعات بيانات عامة مثل مجموعة بيانات SpamAssassin.
معالجة البيانات: تنظيف البيانات بإزالة النصوص غير الضرورية وتحويل النصوص إلى شكل يمكن للشبكة العصبية التعامل معه. يشمل ذلك: (تجزئة النصوص بمعنى تقسيم النصوص إلى كلمات أو رموز ت - تحويل النصوص إلى أرقام باستخدام تقنيات مثل التضمين (Embedding) أو أكياس الكلمات (Bag of Words) أو تردد-عكسي لتردد الوثيقة (TF-IDF).
تقسيم البيانات: تقسيم البيانات إلى مجموعتي تدريب واختبار. يمكن أن تكون نسبة التقسيم 80% للتدريب و20% للاختبار.
بناء الشبكة العصبية: تصميم شبكة عصبية تتكون من طبقة إدخال (input layer) وطبقات مخفية (hidden layers) وطبقة إخراج (output layer). يمكن استخدام شبكة عصبية بسيطة من نوع MLP (Multi-Layer Perceptron) أو شبكة عصبية تلافيفية (Convolutional Neural Network) إذا كانت البيانات تتطلب ذلك.
تدريب الشبكة العصبية: تدريب الشبكة باستخدام مجموعة التدريب، وضبط الأوزان من خلال تمرير البيانات خلال الشبكة عدة مرات (epochs) باستخدام خوارزمية مثل الانتشار الخلفي (Backpropagation).
تقييم النموذج: اختبار أداء النموذج باستخدام مجموعة الاختبار. يمكن استخدام مقاييس مثل الدقة (accuracy)، الاستدعاء (recall)، والدقة الإيجابية (precision) لتقييم الأداء.
تحليل النتائج: تحليل أداء الشبكة العصبية في تصنيف رسائل البريد الإلكتروني، وتحديد النقاط القوية والمجالات التي تحتاج لتحسين.
تطبيقات عملية:
تصفية البريد الإلكتروني: يمكن دمج النموذج المدرب في خدمات البريد الإلكتروني لتصفية الرسائل المزعجة تلقائيًا.
تحسين الأمان: يمكن الكشف عن رسائل البريد الإلكتروني التي تحتوي على محاولات تصيد أو محتوى ضار ومنعها من الوصول إلى المستخدمين.
معالجة اللغة الطبيعية (Natural Language Processing)
معالجة اللغة الطبيعية هي فرع من الذكاء الاصطناعي يهتم بتفاعل الحاسوب مع اللغة البشرية. يهدف إلى فهم اللغة الطبيعية وتحليلها وتوليدها. تُستخدم في تحليل النصوص، ترجمة اللغات، والتفاعل مع العملاء عبر الروبوتات. في الأبحاث العلمية، تُساعد في تحليل الأوراق العلمية واستخراج المعلومات الحيوية منها.
مثال على استخدام معالجة اللغة الطبيعية (NLP) في أبحاث تكنولوجيا المعلومات
تحليل المشاعر في التعليقات على وسائل التواصل الاجتماعي: تحليل المشاعر هو عملية تحديد وتصنيف المشاعر التي يعبر عنها النص. يمكن استخدامه لفهم كيف يشعر الناس تجاه منتجات معينة، خدمات، أحداث، أو أي موضوع آخر من خلال تحليل التعليقات على وسائل التواصل الاجتماعي.
الخطوات:
جمع البيانات: نحصل على مجموعة من التعليقات على وسائل التواصل الاجتماعي حول موضوع معين. يمكن أن تكون هذه التعليقات من تويتر، فيسبوك، أو أي منصة أخرى.
معالجة البيانات: تنظيف البيانات بإزالة النصوص غير الضرورية مثل الروابط، الرسوم، والإشارات، تحويل النصوص إلى شكل يمكن لنماذج NLP التعامل معه. يشمل ذلك: (Tokenization: تقسيم النص إلى كلمات أو رموز - إزالة الكلمات الشائعة (Stop Words): إزالة الكلمات التي لا تحمل معنى كبيراً مثل "the", "is", "and" - التضمين (Embedding): تحويل الكلمات إلى تمثيلات عددية باستخدام تقنيات مثل Word2Vec، GloVe، أو BERT).
تقسيم البيانات: تقسيم البيانات إلى مجموعتي تدريب واختبار. يمكن أن تكون نسبة التقسيم 80% للتدريب و20% للاختبار.
اختيار نموذج NLP: يمكن استخدام نموذج بسيط مثل Naive Bayes أو نموذج متقدم مثل LSTM (Long Short-Term Memory) أو BERT (Bidirectional Encoder Representations from Transformers).
تدريب النموذج: تدريب النموذج باستخدام مجموعة التدريب على تصنيف المشاعر إلى فئات مثل "إيجابي"، "سلبي"، أو "محايد". يمكن استخدام بيانات مشروحة مسبقاً (Labelled Data) حيث تكون كل تعليق مصنف مسبقاً إلى فئة معينة.
تقييم النموذج: اختبار أداء النموذج باستخدام مجموعة الاختبار. يمكن استخدام مقاييس مثل الدقة (accuracy)، الاستدعاء (recall)، والدقة الإيجابية (precision) لتقييم الأداء.
تحليل النتائج: تحليل نتائج النموذج لفهم الأنماط المشتركة في التعليقات الإيجابية والسلبية، يمكن استخراج معلومات إضافية مثل المواضيع الشائعة التي تثير مشاعر معينة.
تطبيقات عملية:
تحليل آراء العملاء: يمكن استخدام النموذج لتحليل مراجعات المنتجات على مواقع التجارة الإلكترونية لفهم مدى رضا العملاء.
إدارة السمعة الرقمية: يمكن رصد التعليقات السلبية على وسائل التواصل الاجتماعي بشكل فوري والتعامل معها بفعالية.
تحسين الخدمات: تحليل المشاعر يمكن أن يساعد في تحديد النقاط التي تحتاج إلى تحسين في الخدمات المقدمة.
رؤية الحاسوب (Computer Vision)
رؤية الحاسوب هي مجال من مجالات الذكاء الاصطناعي يركز على تمكين الحواسيب من فهم وتحليل الصور ومقاطع الفيديو. تُستخدم في التعرف على الوجه، تحليل الصور الطبية، واكتشاف الأشياء في الصور. في الأبحاث العلمية، تُستخدم لتحليل الصور الملتقطة من الفضاء أو الفحص المجهري.
مثال على استخدام رؤية الحاسوب (Computer Vision) في أبحاث تكنولوجيا المعلومات
التعرف على الأشياء في الصور (Object Detection): التعرف على الأشياء هو عملية تحديد وتسمية الكائنات في الصور أو الفيديوهات ويمكن استخدامه في تطبيقات مثل السيارات الذاتية القيادة، الأمان، والتحليلات التجارية.
الخطوات:
جمع البيانات: نحصل على مجموعة من الصور المصنفة مسبقاً والتي تحتوي على كائنات معينة. يمكن استخدام مجموعات بيانات معروفة مثل COCO (Common Objects in Context) أو Pascal VOC.
معالجة البيانات: تنظيف البيانات إذا لزم الأمر والتأكد من أنها في تنسيق يمكن للنموذج التعامل معه. إذا كانت الصور بحاجة إلى تحجيم أو تحويل إلى درجات رمادية، يمكن القيام بذلك في هذه المرحلة.
تقسيم البيانات: تقسيم البيانات إلى مجموعتي تدريب واختبار. يمكن أن تكون نسبة التقسيم 80% للتدريب و20% للاختبار.
اختيار نموذج رؤية الحاسوب: يمكن استخدام نماذج متقدمة مثل YOLO (You Only Look Once)، SSD (Single Shot MultiBox Detector)، أو Faster R-CNN (Region-based Convolutional Neural Network).
تدريب النموذج: تدريب النموذج باستخدام مجموعة التدريب. هذه العملية تشمل ضبط الأوزان من خلال تمرير البيانات خلال الشبكة العصبية عدة مرات (epochs). يمكن أن يتطلب التدريب عدة ساعات أو أيام حسب حجم البيانات وقوة الحوسبة المتاحة.
تقييم النموذج: اختبار أداء النموذج باستخدام مجموعة الاختبار. يمكن استخدام مقاييس مثل متوسط دقة المقطع (Mean Average Precision, mAP) لتقييم الأداء.
تحليل النتائج: تحليل أداء النموذج في التعرف على الكائنات المختلفة. يمكن تحديد النقاط القوية والمجالات التي تحتاج لتحسين.
تطبيقات عملية:
السيارات الذاتية القيادة: التعرف على الأشياء في محيط السيارة للمساعدة في القيادة الذاتية وتجنب الحوادث.
الأمان والمراقبة: التعرف على الأشخاص أو الأشياء المشبوهة في الفيديوهات الأمنية.
التجارة الإلكترونية: تحسين تجارب التسوق عبر الإنترنت من خلال التعرف على المنتجات في الصور.
الخلاصة
أدوات الذكاء الاصطناعي تعد شريكاً مهماً في عملية كتابة الأبحاث العلمية. من خلال تحسين جودة النصوص، تنظيم المراجع، وتحليل البيانات، تتيح هذه الأدوات للباحثين التركيز على الجانب الإبداعي والبحثي من عملهم. مع استمرار تطور هذه الأدوات، من المتوقع أن تشهد الأبحاث العلمية تحسينات كبيرة في الكفاءة والجودة. باستخدام هذه الأدوات، يمكن للباحثين تحسين عملية كتابة الأبحاث العلمية بشكل كبير. هذه الأدوات لا توفر فقط الوقت والجهد، بل تساعد أيضًا في تحقيق دقة أعلى وجودة أفضل للنصوص العلمية. من خلال تبني هذه التقنيات، يمكن للأبحاث العلمية أن تصبح أكثر فعالية وتأثيرًا. كما تعد هذه التطبيقات أدوات قوية تساعد الباحثين في العثور على المصادر الأكاديمية بسرعة ودقة. من خلال استخدام تقنيات الذكاء الاصطناعي، يمكن لهذه الأدوات توفير الوقت والجهد، وتقديم نتائج بحث أكثر شمولاً وفعالية. تسهم هذه الأدوات في تحسين جودة الأبحاث وتعزيز المعرفة العلمية. إلى جانب ان تقنيات الذكاء الاصطناعي أدوات قوية تدعم الباحثين في تحسين كفاءة تحليل البيانات واكتشاف الأنماط، يتيح الذكاء الاصطناعي للعلماء الفرصة للتركيز على الجوانب الأكثر ابتكارًا في أبحاثهم. مع استمرار تطور هذه التقنيات، من المتوقع أن تصبح جزءًا أكثر أهمية في المستقبل العلمي.
دكتورة أروى يحيى الأرياني
أستاذ مشارك - تكنولوجيا المعلومات
باحث ومستشار أكاديمي
" لتسجيل متابعة، حتى يصلك الجديد من المدونة الأكاديمية أضغط هنا Dr. Arwa Aleryani-Blog".
Commenti