می گند Edmund Landau که زمانی رئیس بخش ریاضیات دانشگاه Göttingen بود، یه سری متن به عنوان جواب نامه آماده کرده بود که اینجوری بود: "Dear... , Thank you for your manuscript on the proof of Fermat's Last Theorem. The first mistake is on line... , page... , and invalidates the proof" هر کی ادعا می کرد قضیه آخر فرما رو اثبات کرده همین رو در جواب می نوشت. نویسنده این مقاله می گه: بزرگترین تهدید برای پژوهش در ریاضیات ارائه اثبات توسط ماشین و برتر بودن اون اثبات نیست، LLMها می تونند متن هایی تولید کنند که ظاهرشون OK هست ولی به لحاظ ریاضی اشتباه هستند. در arXiv طی یک ماه شش مقاله جعلی در یک زمینه منتشر شده. این شبه اثبات های در ظاهر قانع کننده می تونه کل سیستم رو فلج کنه. کل این بحث رو با دوران کرونا مقایسه می کنه، می گه اگر سیستم خیلی آلوده بشه(مقالات جعلی زیاد بشند) هیچ تستی(سیستم داوری) جواب نمی ده. اشاره می کنه که اینقدر ادعاهای بزرگ کردند که فیلترهایی در بعضی زمینه ها گذاشتند مثلا بعضی ژورنال ها در CS گفتند که هیچ کس نمی تونه در طی دو سال بیشتر از یه بار مقاله در رابطه با ادعای حل P vs NP بفرسته! می گه بحرانی ترین وضعیت رو arXiv داره. https://bristoliver.substack.com/p/end-of-the-peer-show @mathteaching

یک مقاله‌ی دیگر با ارجاعات بسیار زیاد در ریاضیات قرن بیستم، یک مقاله پروفسور لطفی‌زاده با نام «مجموعه‌های فازی» است که در سال ۱۹۶۵ در ژورنال Information & Control منتشر شده‌است و [تا لحظه‌ی کنونی] تعداد ارجاعات غول آسای ۱۳۳۲۲۹ دارد! چون فایل مقاله به رایگان در نت یافت می‌شود، آن را در اینجا گذاشتیم. @mathteaching

توپولوژی جبری شاخه‌ای از ریاضیات است که ترکیبی از توپولوژی (مطالعه فضاها و ویژگی‌های پیوسته آن‌ها) و جبر (مطالعه ساختارهای جبری مثل گروه‌ها و حلقه‌ها) است. به زبان ساده، در توپولوژی جبری ما با استفاده از ابزارهای جبری مثل گروه‌ها، به بررسی خواص هندسی و topological فضاها می‌پردازیم. مثلاً، به جای اینکه فقط شکل یک فضا (مثل یک دایره یا کره) را نگاه کنیم، ویژگی‌هایی مثل تعداد "سوراخ‌ها" یا "حلقه‌ها"ی آن را با استفاده از ساختارهای جبری (مثل گروه‌های هموتوپی یا همولوژی) توصیف می‌کنیم. این کار کمک می‌کند تا فضاهای پیچیده را بهتر درک کنیم و خواص آن‌ها را مقایسه کنیم. به طور خلاصه، توپولوژی جبری مثل یک پل است که مفاهیم هندسی را به زبان جبر ترجمه می‌کند تا تحلیل فضاها ساده‌تر شود. @mathteaching

در شروع سال تحصیلی، معلمان ریاضی می‌توانند با تکیه بر نظریه‌های آموزشی، رویکردهایی مؤثر برای بهبود یادگیری دانش‌آموزان به کار گیرند. در ادامه، چند توصیه کاربردی مبتنی بر نظریه‌های آموزشی را می آوریم: ایجاد محیط یادگیری مبتنی بر نظریه سازنده‌گرایی (Constructionism): توصیه: از دانش‌آموزان بخواهید مفاهیم ریاضی را از طریق فعالیت‌های عملی و حل مسئله کشف کنند. به جای ارائه مستقیم فرمول‌ها، با مسائل واقعی و پروژه‌های گروهی (مثل طراحی یک مدل هندسی یا حل مسائل کاربردی) آن‌ها را به ساخت دانش خودشان تشویق کنید. چرا؟: نظریه سازنده‌گرایی پیاژه و ویگوتسکی تأکید دارد که یادگیری زمانی عمیق‌تر است که دانش‌آموزان خودشان دانش را از طریق تجربه و تعامل بسازند. استفاده از ارزیابی تکوینی (Formative Assessment) بر اساس نظریه یادگیری بلوم: توصیه: در هفته‌های اول، از ابزارهای ساده مثل پرسش‌های کلاسی، کوئیزهای کوتاه یا بحث‌های گروهی برای سنجش سطح درک دانش‌آموزان استفاده کنید و بازخورد فوری ارائه دهید. مثلاً، از آن‌ها بخواهید یک مسئله را روی تخته توضیح دهند. چرا؟: بلوم معتقد است بازخورد مداوم و هدفمند به دانش‌آموزان کمک می‌کند تا شکاف‌های یادگیری خود را شناسایی و اصلاح کنند. تقویت انگیزه درونی با تکیه بر نظریه خودتعیین‌گری (Self-Determination Theory): توصیه: به دانش‌آموزان فرصت انتخاب دهید، مثلاً انتخاب نوع مسئله‌ای که دوست دارند حل کنند یا پروژه‌ای که به علایقشان مرتبط است. همچنین، موفقیت‌های کوچک آن‌ها را تحسین کنید تا اعتمادبه‌نفسشان تقویت شود. چرا؟: این نظریه می‌گوید انگیزه درونی (حس استقلال، شایستگی و ارتباط) باعث افزایش اشتیاق به یادگیری می‌شود. ایجاد ارتباط با دنیای واقعی بر اساس نظریه یادگیری موقعیتی (Situated Learning): توصیه: مفاهیم ریاضی را به موقعیت‌های واقعی مثل بودجه‌بندی، طراحی، یا تحلیل داده‌های روزمره ربط دهید. مثلاً، از دانش‌آموزان بخواهید با مفاهیم احتمال، شانس برنده شدن در یک بازی را محاسبه کنند. چرا؟: این نظریه تأکید دارد که یادگیری در زمینه‌های معنادار و مرتبط با زندگی، ماندگارتر است. تقویت تفکر انتقادی با رویکرد یادگیری اکتشافی برونر: توصیه: به جای تدریس مستقیم، دانش‌آموزان را با سؤالات باز و چالش‌برانگیز (مثل "چرا این فرمول جواب می‌دهد؟" یا "آیا راه دیگری برای حل این مسئله وجود دارد؟") به تفکر عمیق و اکتشاف تشویق کنید. چرا؟: برونر معتقد است یادگیری اکتشافی باعث می‌شود دانش‌آموزان مفاهیم را به‌صورت عمیق‌تر درک کنند و به حل مسائل پیچیده‌تر علاقه‌مند شوند. نکته عملی: در هفته‌های اول، با دانش‌آموزان ارتباط صمیمی برقرار کنید، انتظارات واضحی از کلاس تعیین کنید و فعالیت‌های تعاملی کوتاه طراحی کنید تا اضطراب یادگیری ریاضی کاهش یابد. این اقدامات، مبتنی بر نظریه‌های آموزشی، به ایجاد فضایی پویا و مؤثر برای یادگیری ریاضی کمک می‌کند. @mathteaching

برای اینکه بفهمید آیا ریاضی‌دان هستید یا خیر، ابتدا باید تعریف «ریاضی‌دان» را برای خودتان مشخص کنید و سپس بررسی کنید که آیا ویژگی‌ها و فعالیت‌های شما با این تعریف هم‌خوانی دارد یا نه. در ادامه چند راهنمایی برای کمک به این موضوع ارائه می‌کنم: ۱. تعریف ریاضی‌دان ریاضی‌دان کسی است که: به مطالعه، تحقیق یا آموزش در زمینه ریاضیات مشغول است. به حل مسائل ریاضی پیچیده علاقه دارد و در این زمینه مهارت دارد. ممکن است در زمینه‌های مختلف ریاضیات (مانند جبر، هندسه، آنالیز، یا ریاضیات کاربردی) کار کند. اغلب به صورت حرفه‌ای یا آکادمیک در این حوزه فعالیت می‌کند، اما گاهی هم افرادی که به صورت خودآموز یا تفننی ریاضیات را دنبال می‌کنند، خود را ریاضی‌دان می‌نامند. ۲. سؤالاتی برای خودارزیابی برای اینکه بفهمید آیا ریاضی‌دان هستید، این سؤالات را از خود بپرسید: آیا به ریاضیات علاقه‌مند هستید؟ آیا از حل مسائل ریاضی لذت می‌برید یا به دنبال کشف الگوها و روابط ریاضی هستید؟ آیا تحصیلات یا تجربه‌ای در ریاضیات دارید؟ آیا دروس پیشرفته ریاضی را خوانده‌اید، پروژه‌های ریاضی انجام داده‌اید، یا در مسابقات ریاضی شرکت کرده‌اید؟ آیا به صورت حرفه‌ای یا آکادمیک در این حوزه فعالیت می‌کنید؟ مثلاً آیا مقاله‌ای در ریاضیات منتشر کرده‌اید، در دانشگاه تدریس می‌کنید، یا در حوزه‌ای مرتبط با ریاضیات کار می‌کنید؟ آیا به حل مسائل خلاقانه و انتزاعی علاقه دارید؟ ریاضی‌دانان معمولاً از حل مسائل پیچیده که نیاز به تفکر خلاق دارد لذت می‌برند. ۳. معیارهای عملی مهارت‌ها: آیا در زمینه‌هایی مثل اثبات قضیه، مدل‌سازی ریاضی، یا برنامه‌نویسی مرتبط با ریاضیات مهارت دارید؟ فعالیت‌ها: آیا به طور منظم مسائل ریاضی حل می‌کنید؟ مثلاً در سایت‌هایی مثل Project Euler یا المپیادهای ریاضی فعالیت دارید؟ مشارکت در جامعه ریاضی: آیا با دیگر ریاضی‌دانان در ارتباط هستید، در کنفرانس‌ها شرکت می‌کنید، یا در گروه‌های مطالعه ریاضی حضور دارید؟ ۴. دیدگاه شخصی اگر به ریاضیات عشق می‌ورزید و زمان زیادی را صرف مطالعه یا حل مسائل آن می‌کنید، حتی اگر به صورت حرفه‌ای در این زمینه کار نکنید، می‌توانید خود را ریاضی‌دان بنامید. ریاضیات فقط به مدارک دانشگاهی محدود نیست؛ بلکه به اشتیاق و تعهد به این رشته هم بستگی دارد. اگر هنوز مطمئن نیستید، می‌توانید: کتاب‌های ریاضی پیشرفته بخوانید (مثلاً «Calculus» نوشته مایکل اسپایوک یا «Introduction to the Theory of Numbers» نوشته ایوان نیون). در دوره‌های آنلاین ریاضی شرکت کنید (مثلاً در Coursera یا Khan Academy). با حل مسائل چالش‌برانگیز در سایت‌هایی مثل Art of Problem Solving مهارت خود را محک بزنید. با اساتید یا ریاضی‌دانان دیگر صحبت کنید تا دیدگاه بهتری پیدا کنید. اگر به طور فعال با ریاضیات درگیر هستید، مسائل آن را حل می‌کنید و از این فرآیند لذت می‌برید، احتمالاً می‌توانید خود را ریاضی‌دان بنامید، چه به صورت حرفه‌ای و چه به عنوان یک علاقه‌مند. اگر احساس می‌کنید نیاز به تأیید بیشتری دارید، فعالیت‌های خود را در این حوزه گسترش دهید و ببینید آیا این مسیر برای شما مناسب است یا خیر. @mathteaching

🔷 مسئله‌ٔ تدریس تدریس خوب چه ویژگی‌هایی باید داشته باشد؟ مدرس خوب چطور؟ این‌ها سؤال‌های تازه‌ای نیستند. دربارهٔ اهمیت آموزش، ارزیابی آموزش و معیارهای آموزش خوب حرف‌های زیادی زده شده، ولی واقعیت این است که روش‌‌های آموزش کم‌وبیش بی‌تغییر مانده است: مدرس حرف می‌زند، شاگرد گوش می‌کند. البته فناوری‌های جدید امکانات جدیدی پیش پای مدرس و شاگرد گذاشته (مثلاً ممکن است مدرس به‌جای تخته‌سیاه از اسلاید استفاده کند یا شاگرد به‌جای یادداشت‌برداری، با موبایلش از تخته عکس بگیرد) ولی شیوه عمدتاً همان شیوه است. ارزیابی مدرس از میزان یادگیری شاگرد با دو سه آزمون انجام می‌شود و ارزیابی شاگرد از کیفیت تدریس مدرس با تعدادی پرسش چند‌گزینه‌ای. اخیراً به مقاله‌ای [1] برخوردم که به جنبه‌هایی از این موضوع پرداخته و نتایج چند تحقیق را مرور کرده بود. بخش‌هایی از مقاله به نظرم جالب توجه بود و فکر کردم خوب است خلاصه‌ای از آن‌ها را به اشتراک بگذارم. طبیعی است که این مقاله‌ هم مثل هر متن دیگری قابل‌نقد است ولی چه با محتوا و نتایج آن موافق باشیم چه نباشیم، مسائلی که مطرح کرده قابل‌تأمل و مهم اند. ▪️در دانشگاه‌ها به پژوهش اهمیت بیشتری داده می‌شود تا آموزش. پژوهش هم مشوق‌های بیشتری برای اعضای هیئت علمی دارد (ازجمله امتیازهایی که برای ارتقا فراهم می‌کند) و هم معیارهای مشخص‌تری برای ارزیابی و امتیازدهی. برای سنجش کیفیت تدریس به‌جز نتایج نظرسنجی دانشجویان تقریباً معیار دیگری به‌کار گرفته نمی‌شود. از طرفی وزن کیفیت تدریس در ارتقای شغلی به‌هیچ‌وجه هم‌سنگ فعالیت‌های پژوهشی نیست.¹ ▪️اگر هدف اصلی تدریس یادگیری دانشجو باشد، نتایج نظرسنجی دانشجویان تا چه اندازه با تحقق این هدف همبستگی دارد؟ به‌عبارت‌دیگر آیا اگر مدرسِ یک درس نمرهٔ بالایی از نظرسنجی دانشجویان گرفته باشد، آیا دانشجویان آن درس را بهتر یاد گرفته‌اند؟ مقاله نتایج چند تحقیق را مرور می‌کند که نشان می‌دهند چنین نیست. محبوب بودن استاد لزوماً به‌ این‌ معنی نیست که دانشجویان چیزهای بیشتری از او یاد گرفته‌اند. ▪️پژوهشگر خوب بودن لزوماً به‌معنی مدرس خوب بودن نیست و برعکس. اصولاً همبستگی معنی‌داری میان این‌ دو وجود ندارد. ▪️شهرت دانشگاه‌های خوش‌نام اغلب بر پایهٔ دستاوردهای پژوهشی آن‌هاست. کمیت و کیفیت دستاوردهای پژوهشی با معیارهای مختلفی سنجیده می‌شود. این دانشگاه‌ها معمولاً ادعا می‌کنند که کیفیت تدریس استادان‌شان هم بالاست. برای این ادعا شواهد و معیارهای مشخصی (مثلاً مشابه سنجه‌های ارزیابی‌های پژوهشی) ارائه نمی‌شود. ▪️ «آموختن» نتیجهٔ فعالیتی است که دانشجو انجام می‌دهد. یادگیری نهایتاً فرایندی است که در مغز دانشجو اتفاق می‌افتد. چارلز ویلیام الیوت² بیش از یک‌‌قرن‌ونیم پیش گفت: «ذهن باید کار کند تا رشد کند». ▪️هر کسی که می‌خواهد دانشگاه محل تحصیلش را انتخاب کند باید این دو سؤال را از مسئولان دانشگاه بپرسد: ۱. مدرسان شما چگونه [با چه کیفیتی] تدریس می‌کنند؟ ۲. این را از کجا می‌دانید [کیفیت تدریس را با چه معیارهایی ارزیابی می‌کنید]؟ [این مورد آخری احتمالاً در دانشگاه‌های ایران، به‌دلیل شیوهٔ پذیرش دانشجو، کاربرد ندارد.] ــــــــــــــــــــــــــــــــــــــــــــــ 1. کیوان سامانی https://t.me/DeranXiv/62 2. Charles William Eliot رئیس دانشگاه هاروارد از ۱۸۶۹ تا ۱۹۰۹. مرجع: [1] https://quillette.com/2025/07/14/the-teaching-problem-higher-education-john-tagg/ @mathteaching

نظریه قاب (Frame Theory) در ریاضیات محض شاخه‌ای از تحلیل ریاضی است که به مطالعه مجموعه‌ای از بردارها در فضاهای برداری، به‌ویژه فضاهای هیلبرت، می‌پردازد. این نظریه به ما کمک می‌کند تا سیگنال‌ها، داده‌ها یا اشیاء ریاضی را به شکلی بازنمایی کنیم که هم انعطاف‌پذیر باشد و هم برای تجزیه و تحلیل مناسب. به زبان ساده، می‌توانیم قاب را مثل یک "چهارچوب" یا "اسکلت" در نظر بگیریم که به ما اجازه می‌دهد یک شیء ریاضی (مثل یک تابع یا بردار) را به صورت ترکیبی از اجزای کوچک‌تر (بردارهای قاب) نشان دهیم. این بردارها معمولاً به‌گونه‌ای انتخاب می‌شوند که حتی اگر تعدادشان زیاد باشد (بیش از حد لازم)، باز هم بتوانند اطلاعات را به‌خوبی بازسازی کنند. نکات کلیدی نظریه قاب: تفاوت با پایه (Basis): برخلاف پایه‌های استاندارد (مثل پایه‌های اورتونرمال در فضاهای هیلبرت)، قاب‌ها می‌توانند تعداد بیشتری بردار داشته باشند و نیازی نیست که کاملاً مستقل یا متعامد باشند. این ویژگی باعث می‌شود که قاب‌ها انعطاف‌پذیرتر باشند. کاربردها: نظریه قاب در زمینه‌هایی مثل پردازش سیگنال، فشرده‌سازی داده‌ها (مثل فشرده‌سازی تصویر و صدا)، و حتی در هوش مصنوعی و یادگیری ماشین کاربرد دارد. مثلاً در پردازش سیگنال، قاب‌ها کمک می‌کنند تا سیگنال‌ها را به‌گونه‌ای تجزیه کنیم که نویز کمتری داشته باشند. ایده اصلی: فرض کنید می‌خواهید یک نقاشی را با استفاده از چند رنگ اصلی بازسازی کنید. اگر فقط سه رنگ اصلی (مثل قرمز، آبی، سبز) داشته باشید، ممکن است نتوانید تمام جزئیات را دقیق نشان دهید. اما اگر تعداد بیشتری رنگ (حتی رنگ‌های شبیه به هم) داشته باشید، می‌توانید نقاشی را با دقت بیشتری بازسازی کنید. قاب‌ها در ریاضیات همین نقش را دارند: مجموعه‌ای از بردارها که به ما امکان بازسازی دقیق‌تر و مقاوم‌تر را می‌دهند. ویژگی‌های ریاضی: یک مجموعه از بردارها به‌عنوان قاب شناخته می‌شود اگر بتوان با ترکیب خطی آن‌ها هر بردار در فضا را بازسازی کرد و این کار با نوعی پایداری (محدودیت‌های خاصی روی اندازه ضرایب) انجام شود. مثال ساده: فرض کنید در یک فضای دوبعدی (مثل صفحه مختصات) می‌خواهید هر نقطه را با استفاده از بردارها نشان دهید. به‌جای استفاده از دو بردار استاندارد (مثل محورهای x و y)، می‌توانید از چندین بردار (مثلاً در جهت‌های مختلف) استفاده کنید. این کار به شما اجازه می‌دهد حتی اگر یکی از بردارها حذف شود، باز هم بتوانید نقطه را بازسازی کنید. نظریه قاب به‌خاطر این انعطاف‌پذیری و توانایی‌اش در مدیریت داده‌های پیچیده، در ریاضیات مدرن و کاربردهای عملی بسیار مهم است. @mathteaching

هندسه جبری و مثبت در کیهان: از ذرات تا کهکشان‌ها کلودیا فوولا آنا-لورا ساتلبرگر در سال‌های اخیر، تلاقی جبر، هندسه و ترکیبیات با فیزیک ذرات و کیهان‌شناسی به پیشرفت‌های چشمگیری منجر شده است. در مرکز این پیشرفت‌ها، دو رویکرد اصلی برای مطالعه تعاملات ذرات و مشاهدات در کیهان وجود دارد: از یک سو، رویکرد فاینمن به بررسی انتگرال‌های پیچیده تقلیل می‌یابد؛ از سوی دیگر، مطالعه هندسه‌های مثبت مطرح است. این مقاله به معرفی پیشرفت‌های کلیدی، ابزارهای ریاضی و ارتباطات میان این حوزه‌ها می‌پردازد که در مرز بین هندسه جبری، نظریه D-ماژول‌ها، ترکیبیات و فیزیک پیش می‌روند. همه این رشته‌ها به شکل‌گیری حوزه رو به رشد هندسه مثبت کمک می‌کنند، که هدف آن ایجاد یک زبان ریاضی یکپارچه برای توصیف پدیده‌ها در کیهان‌شناسی و فیزیک ذرات است.

توسعه‌های جدید در موقعیت‌یابی جهانی میرِی بوتن گرگور کمپر مقدمه این مقاله داستانی است درباره چگونگی تأثیرگذاری ریاضیات بر حل یک مسئله واقعی. این مقاله نشان می‌دهد که چگونه روش‌هایی از جبر و هندسه جبری می‌توانند وضوح جدیدی به یک مسئله قدیمی که بسیاری آن را حل‌شده می‌دانستند، ببخشند. مسئله مورد بحث، مسئله موقعیت‌یابی جهانی است که در قلب اکثر سیستم‌های ناوبری الکترونیکی امروزی قرار دارد. نویسندگان این مقاله دارای پیشینه‌ای در ریاضیات کاربردی، نظریه ناورداها و جبر جابجایی هستند. مسیری نسبتاً پیچیده ما را به مسئله موقعیت‌یابی جهانی هدایت کرد و وقتی متوجه شدیم که بخش‌های زیادی از این مسئله به‌درستی درک نشده‌اند، شگفت‌زده شدیم. به‌ویژه، پرسش بنیادین درباره اینکه چه زمانی این مسئله راه‌حل یکتا دارد و چه زمانی ندارد، همچنان بی‌پاسخ بود. همچنین دریافتیم که پیشینه ما ما را در موقعیتی قرار داده تا بتوانیم در این زمینه مشارکت کنیم و در این مسیر، هندسه کلاسیک جالبی نیز آموختیم.

برنامه ۵۶ امین کنفرانس ریاضی ایران ۱۱ تا ۱۳ شهریور ۱۴۰۴