نظریه‌پردازی در عصر کلان‌داده و هوش مصنوعی پایان نیافته است

به گزارش خبرگزاری مهر، عبدالحسین کلانتری، عضو هیئت علمی دانشکده علوم اجتماعی دانشگاه تهران، با طرح این پرسش که آیا عصر کلان‌داده و هوش مصنوعی، عصر پایان نظریه‌پردازی است یا نظریه‌پردازی به شکل جدیدی تحول یافته است، گفت: نظریه‌پردازی پایان نیافته، بلکه تحول عمیقی را تجربه کرده و می‌کند و در این میان، داده و ماشین و مدل و الگو نیز به تنهایی و بدون نظریه کافی نیستند.

کلانتری در تشریح نسبت میان فلسفه، نظریه و مشاهده اظهار کرد: فلسفه چیزی است که در پشت سر تمام کاوش‌های ما قرار دارد و به پرسش‌های بنیادینی نظیر حقیقت چیست و چگونه می‌دانیم پاسخ می‌دهد. نظریه نیز یک ساختمان عقلانی و منظم است که مفاهیم را تعریف می‌کند، رابطه میان مفاهیم را برقرار می‌کند و پدیده‌ها را تبیین و پیش‌بینی می‌کند.

وی افزود: اگرچه فلسفه و نظریه هر دو انتزاعی هستند، اما نوع و سطح انتزاع آنها متفاوت است؛ فلسفه منتزع‌تر از نظریه و مبنای تکوین نظریه است. در مقابل، مشاهده عملی تجربی است که واقعیت خارجی را ثبت می‌کند، داده تولید می‌کند و به نظریه اعتبار می‌بخشد یا آن را زیر سؤال می‌برد.

عضو هیئت علمی دانشگاه تهران با بیان اینکه رابطه میان این سه مفهوم در علوم اجتماعی پیچیده‌تر است، گفت: بسیاری از مفاهیم قابل مشاهده نیستند؛ برای مثال قدرت، ایدئولوژی و نابرابری به سادگی رویت نمی‌شوند. مهم‌تر آنکه مشاهده‌کننده و مشاهده‌شونده در یک ماتریس اجتماعی قرار دارند و مقولات ما خود محصول اجتماعی هستند و اساساً نظریات نیز به صورت بازتابی جهان ما را برمی‌سازند.

وی ادامه داد: به همین علل، در علوم اجتماعی نظریه تنها توصیف نیست، بلکه ساخت مفهومی است. علاوه بر این، فقط مشاهده در فرایند تکوین نظریه سهم ندارد، بلکه مشاهده نیز توسط نظریه شکل می‌گیرد. نظریات به اشیا نظم می‌دهند و از خلال نظریات، اشیایی رویت‌پذیر و یا رویت‌ناپذیر می‌شوند. اساساً به واسطه نظریات است که ما قدرت تکلم درباره جهان را پیدا می‌کنیم.

هیچ داده‌ای خام نیست

کلانتری در ادامه با تأکید بر ضرورت تمایز میان مشاهده و داده اظهار کرد: مشاهده عملی منطقی و هدفدار معطوف به واقعیت است که از نظریه راهنمایی می‌شود، اما داده ترجمه فنی و تکنیکال مشاهده است و به صورت عددی یا ساختاری منظم می‌شود.

وی تصریح کرد: داده می‌تواند منشأ نظری متعددی داشته باشد و ممکن است «خام» به نظر بیاید، اما در واقع کاملاً پردازش‌شده است. به بیان دیگر، هیچ داده‌ای خام نیست و تمام داده‌ها نتیجه انتخاب‌های نظری و فنی هستند.

عضو هیئت علمی دانشگاه تهران افزود: برخلاف رویکرد پوزیتیویستی که سعی دارد داده را خنثی و ماقبل نظریه نشان دهد، داده، ولو کمتر و مخفی‌تر از مشاهده، آبستن نظریه است و از این جهت تفاوتی با مشاهده ندارد و می‌توانیم آنها را از یک جنس بدانیم.

سه رویکرد در نظریه‌پردازی

کلانتری با اشاره به رویکردهای مختلف نظریه‌پردازی گفت: در رویکرد استقرایی از تک‌تک مشاهدات و داده‌ها شروع می‌کنیم، الگوها را کشف می‌کنیم و به تعمیم می‌رسیم. در رویکرد قیاسی نیز از فرضیات نظری شروع می‌کنیم، پیش‌بینی‌های قابل آزمایش پیش می‌نهیم و داده‌ها را برای تأیید یا رد کردن جمع‌آوری می‌کنیم.

وی افزود: رویکرد سومی نیز وجود دارد که به نام رویکرد یا چرخه ابداکتیو شناخته می‌شود. این رویکرد معتقد است نظریه‌پردازی در عملکرد خود، نه صرفاً استقرایی است و نه صرفاً قیاسی، بلکه از آمد و شد میان سطح نظریه و مشاهده شکل می‌گیرد.

کلانتری ادامه داد: عالمان هم مانند سایر انسان‌ها در زمان و مکان چشم می‌گشایند و زندگی می‌کنند؛ بنابراین باید به بازی مرغ و تخم‌مرغ پایان داد و از جایی آغاز کرد. مهم آن است که از آمد و شد میان این سطوح به بهترین تبیین و فهم از واقعیت برسیم.

کلان‌داده و هوش مصنوعی چه تغییری ایجاد کرده‌اند؟

وی با اشاره به تحولات عصر کلان‌داده و هوش مصنوعی گفت: انقلاب در حجم و سرعت تولید و سپس پردازش داده‌ها جهان را وارد دوره جدیدی کرده است. انبوهی از حسگرها که در قالب اینترنت اشیا در جهان جدید رخ می‌نماید، سرعت و حجم تولید داده در جهان را به صورت نمایی افزایش داده است. تولید داده در شبکه‌های اجتماعی و انبوهی از پلتفرم‌های خدماتی در جهان پلتفرمی نیز نمونه‌های بارز این موضوع هستند.

عضو هیئت علمی دانشگاه تهران ادامه داد: کلان‌داده‌ها امکان‌هایی برای ما در حوزه‌های مختلف فراهم کرده‌اند؛ از جمله چرخش محاسباتی و شکل‌گیری علوم محاسباتی، امکان شبیه‌سازی و مدل‌سازی با داده‌های فراوان و متغیرهای بسیار زیاد، مدل‌سازی عامل‌محور و شکل‌دهی به دوقلوهای دیجیتال.

وی افزود: هوش مصنوعی نیز در حال حاضر می‌تواند الگوهایی را شناسایی کند که ذهن انسان نمی‌تواند آنها را شناسایی کند یا حداقل در مدت زمان کوتاه قادر به شناسایی آنها نیست. همچنین تعداد متغیرهایی را پردازش می‌کند که انسان قادر به پردازش آنها نیست و این مسئله باعث شده است که به دقت پیش‌بینی بی‌سابقه‌ای برسیم.

آیا عصر «پایان نظریه» فرا رسیده است؟

کلانتری با اشاره به مطرح شدن ادعای «پایان نظریه» گفت: در نتیجه این تحولات و امکان‌های جدید، ادعای «پایان نظریه» مطرح شد. کریس اندرسون در سال ۲۰۰۸ مدعی شد که مدل‌های مبتنی بر داده جایگزین نظریه می‌شوند و دیگر نیاز نیست بدانیم چرا اتفاق می‌افتد، بلکه مهم این است که بدانیم دقیقاً چه اتفاقی و چگونه رخ داده است.

وی افزود: جان کلام این دیدگاه این است که مدل‌ها و الگوهای برآمده از کلان‌داده‌ها جایگزین نظریه‌های سنتی می‌شوند و شاید شده‌اند؛ الگوها و مدل‌هایی که امروزه توسط هوش مصنوعی ساخته می‌شوند و روزبه‌روز نقش عامل انسانی در آن کمتر و کمتر می‌شود. این استفاده از کلان‌داده‌ها در مدل‌سازی، بازگشت استقراگرایی است.

داده به تنهایی توان تفسیر ندارد

عضو هیئت علمی دانشگاه تهران در بیان انتقادهای وارد بر این دیدگاه اظهار کرد: مدل‌ها و الگوها برخلاف نظریات، توان تفسیر وقایع را ندارند. برای مثال، داده‌ها نشان می‌دهند «زنان با تحصیلات بالاتر کمتر ازدواج می‌کنند»، اما تفسیر علی این الگو چیست؟ الگو به تنهایی دلیل نمی‌شود و توان تفسیری ندارد.

وی ادامه داد: داده و هوش مصنوعی همبستگی و همایندی را نشان می‌دهند، نه علیت را. همچنین علوم اجتماعی درباره معنا هستند و الگوریتم نمی‌تواند معنا را مگر در حوزه‌های بسیار محدود دریابد.

کلانتری برای توضیح مسئله معنا گفت: در سلام دادن، داده نشان می‌دهد دو فرد دست یکدیگر را می‌گیرند و الگو نشان می‌دهد که این اتفاق اکثراً در بدو دیدار رخ می‌دهد؛ اما معنا می‌تواند احترام، خوش‌آمدگویی یا قرارداد اجتماعی باشد.

وی همچنین با تأکید بر اهمیت زمینه و متن گفت: الگوی داده بدون توجه به زمینه و متن بی‌معنی است و نظریه است که به زمینه و متن توجه می‌کند. برای مثال، اگر داده‌ها نشان دهند مردم در تیرماه کمتر به پزشک مراجعه می‌کنند، برای فهم این الگو باید فراتر از همایندی به متن نیز توجه کرد؛ زمینه و علل ممکن می‌تواند هوای گرم، تعطیلات و کاهش استرس، افزایش مسافرت و هوای مناسب باشد.

نظریه‌پردازی پایان نیافته، بلکه متحول شده است

کلانتری با اشاره به محدودیت‌های نظریه‌های سنتی گفت: نظریه‌های سنتی نیز محدودیت داشتند؛ با متغیرهای زیاد کار نمی‌کردند، فاقد قدرت تجربی قوی بودند و زیادی زمینه‌مند بودند.

وی افزود: هوش مصنوعی به شدت این مشکلات را حل کرده است؛ از جمله قدرت توضیحی بسیار بیشتر، پیش‌بینی دقیق‌تر و تجربه‌سنجی سریع‌تر.

عضو هیئت علمی دانشگاه تهران تأکید کرد: پاسخ واقع‌بینانه و محتاطانه به معضل نظریه‌پردازی در عصر کلان‌داده و هوش مصنوعی این است که نظریه‌پردازی پایان نیافته است، بلکه تحول عمیقی را تجربه کرده و می‌کند.

وی ادامه داد: نظریات مبتنی بر خلاقیت‌های بشری کماکان رهگشا هستند و نوآوری‌های ماشینی جانشین آن نشده است. رویاهای انسانی جهان را معنادار می‌کنند و نظریه‌های کلان کماکان توسط انسان می‌توانند جهت تاریخ را معنادار کنند.

کلانتری تصریح کرد: با این حال، نظریه‌پردازی دیگر نمی‌تواند مستقل از داده و ماشین باشد و اساساً خوب هم نیست. البته داده و ماشین و مدل و الگو نیز به تنهایی و بدون نظریه کافی نیست.

چهار مرحله نظریه‌پردازی در عصر کلان‌داده و هوش مصنوعی

وی با بیان اینکه علوم انسانی نیازمند چارچوب نوینی برای نظریه‌پردازی در عصر کلان‌داده‌ها و هوش مصنوعی است، گفت: نظریه‌پردازی امروز در چهار مرحله کار می‌کند.

کلانتری مرحله نخست را اکتشاف عنوان کرد و گفت: در این مرحله کلان‌داده بررسی می‌شود، الگوهای تکرارپذیر و یا غیرمنتظره شناسایی و سوالات جدید مطرح می‌شوند.

وی مرحله دوم را تبیین دانست و افزود: در این مرحله باید پرسید این الگو چرا وجود دارد، کدام مفاهیم و نظریه‌ها می‌توانند آن را تبیین کنند و فرضیه‌های تبیین‌کننده ساخت.

عضو هیئت علمی دانشگاه تهران درباره مرحله سوم نیز گفت: در مرحله آزمایش و تصحیح، فرضیه با داده‌های جدید بازآزمایی می‌شود، مدل‌های رقیب با یکدیگر مقایسه و نظریه اصلاح می‌شود.

وی مرحله چهارم را معناسازی عنوان کرد و افزود: باید بررسی شود یافته‌ها چه معنایی برای انسان‌ها و جامعه دارند، پیامدهای عملی و اخلاقی آنها چیست و این دانش چگونه با دانش موجود متصل می‌شود.

کلانتری در پایان خاطرنشان کرد: این چهار مرحله تشکیل‌دهنده یک چرخه بازتکراری است که از تلاطم میان داده و نظریه آغاز می‌شود. در این چرخه، داده بدون نظریه کافی نیست، اما نظریه هم در تولید و بررسی بی‌نیاز از کلان‌داده نخواهد بود و هر دو ضروری و تکمیل‌کننده یکدیگرند.