الگوریتم‌های یادگیری ماشین: نیاز به فرضیه دارید؟ هوش مصنوعی برای شما فرضیه سازی می‌کند!
سیستم‌های یادگیری ماشین و هوش مصنوعی به آرامی شروع به تولید ایده می‌کنند، جدا از اینکه تنها آن‌ها را آزمایش کنند. به نظر می‌رسد الگوریتم‌های یادگیری ماشین راه خود را به تمامی فعالیت‌های انسان، حتی فعالیت‌هایی مانند گرفتن ناخن و یا شستن حیوانات خانگی باز کرده است.
اما چیزی که این الگوریتم‌ها احتمالا نمی‌توانند انجام دهند، علاوه بر احساس دلشکستگی، فرمول‌بندی کردن تئوری‌هایی است که رفتارهای انسان و یا انگیزه‌های گوناگون پنهانی وی را توضیح می‌دهد. آن‌ها سیستم‌های رایانه‌ای هستند و نمی‌توانند نقش زیگموند فروید یا کارل یونگ را ایفا کنند، حداقل به شکلی که پذیرش آن برای ما ممکن باشد. دانشمندان علوم اجتماعی از این الگوریتم‌ها به عنوان ابزاری برای ایده‌پردازی و آزمایش محرک‌ها استفاده کرده‌اند تا به طور بالقوه رفتارهایی را که پیش‌بینی می‌کنند (رفتارهایی مانند چگونگی رای دادن مردم یا احتمال آسیب به خود) را بررسی کند. پیش‌بینی این دسته از رفتارها با اطمینان از این دانش است که در نهایت این انسان‌ها هستند که روی صندلی‌های بزرگ فکر نشسته‌اند نه الگوریتم‌های رایانه‌ای.
فرض کنید وارد تیمی از روانشناسان شده‌اید که قصد درک رفتار انسان در طی شرایط پاندمیک کنونی را دارند. آن‌ها بررسی می‌کنند که چرا برخی از افراد نسبت به دیگران بیشتر به اقدامات پیشگیرانه از کوید-19 مانند رعایت فاصله اجتماعی و استفاده از ماسک پایبندند؟ محققان گمان می‌کنند که افرادی که در برابر چنین دستوراتی مقاومت می‌کنند، فارغ از سن و ملیت دارای برخی ارزش‌ها یا نگرش‌های مشترکی هستند اما در نهایت هیچ‌یک از این دانشمندان فرضیه‌ی بهتری ندارند.
این تیم به یک فرضیه جالب و قابل آزمایش نیاز دارد. لذا به همین منظور آن‌ها از الگوریتم‌های یادگیری ماشین استفاده می‌کنند. کریشنا ساوانی (Krishna Savani)، روانشناس دانشکده تجارت دانشگاه فنی نانیانگ (Nanyang) در سنگاپور، و نویسنده مطالعات نتیجه‌ای(resulting study)، چنین گفت: “تصمیم گرفتیم تمامی تلاش خود را به کار بگیریم تا خارج از چارچوب فکر کنیم و ایده‌های عملی را از یک مدل یادگیری ماشین دریافت کنیم.”
در مقاله‌ای که وی و همکارانش در شماره اخیر مجله علوم روانشناسی پست کردند، چنین آمده که الگوریتم‌های یادگیری ماشین ممکن است تغییر در چگونگی انجام علوم اجتماعی را پیش بینی بکنند یا نکنند. کارشناسان این‌گونه گفتند که: این مسئله می‌تواند آغازگر فرآیند استفاده از دستگاه به منظور تولید ایده به جای صرفا آزمایش آن‌ها باشد.
ویبکه بلیدورن (Wiebke Bleidorn)، روانشناس از دانشگاه کالیفرنیا، دیویس (Davis)، چنین گفت: “این مطالعه نشان می‌دهد که جستجوی پیشبینیکنندههای مبتنی بر داده می‌تواند به ایجاد فرضیههای جدید کمک کند. سپس درستی تئوری (برپایه الگوریتم‌های یادگیری ماشین) ایجاد شده می‌تواند مرود آزمایش قرار گیرد و اشکالات موجود در آن تصحیح گردند.”
محققان برای حل این مشکل از روش کار عقب‌گرد (worked backward) استفاده کردند. worked backward روشی است که در طی آن، تصور می‌کنند که مشکل کاملا حل شده است، زمانی‌که تصور شود که مشکل حل شده، می‌توان در ذهن خود به عقب بازگشت و در نهایت راه حل مساله را تجسم کرد.
آن‌ها استدلال کردند که افرادی که اقدامات پیشگیرانه مهار کرونا را به استهزا می‌گیرند، تمایلی شدید به نقض هنجارهای اجتماعی در هر دوره‌ای دارند. پژوهش‌های پیشین پاسخ روشنی در مورد نگرش‌ها یا اعتقادهای مشترک با استانداردهای اخلاقی در سناریوهای مختلف ارائه نداده بودند (به عنوان مثال، تمایل شخص در انجام سریع‌ترین، ساده‌ترین و آسان‌ترین راه، اغلب با حذف مهم‌ترین کارها یا نادیده گرفتن قوانین باشد. به این تمایل انتخاب کوتاه‌ترین مسیر، به جای پیمودن تمامی گوشه‌ها (cut off the corner) گفته می‌شود). بنابراین، تیم پژوهشی از الگوریتم‌های یادگیری ماشین که داده‌هایش حاصل از نظرسنجی ارزش‌های جهانی بود، استفاده کردند. پروژه‌ای که توسط دانشگاه میشیگان آغاز شد و در آن حدود 350،000 نفر از تقریبا 100 کشور جهان به پرسش‌های مربوط به اخلاق و بیش از 900 مسئله دیگر پاسخ دادند.
برنامه یادگیری ماشین مذکور ترکیبات مختلفی از نگرش‌ها و پاسخها را در برابر یکدیگر قرار می‌داد تا ببیند کدام مجموعه‌ها بیشترین امتیاز را در نمرات پرسشنامه اخلاق دارند. آن‌ها دریافتند که 10 مورد از نگرش‌های برتر عقاید دقیق اخلاقی شامل دیدگاه‌های مربوط به دین، جرم و اعتماد به رهبری سیاسی است. نویسندگان نوشتند یکی از این 10 مورد، بر این باور بودند که “بشریت آینده درخشانی دارد”؛ باوری که با کد اخلاقی قوی همراه بود. مورد دیگر، به این باور داشتند که “بشریت آینده‌ای تیره و تار دارد”. چنین کسانی، اعتقادهای آزادتری داشتند.
برپایه سخنان دکتر ساوانی (Dr. Savani): “ما در این مطالعه که با کمک الگوریتم‌های یادگیری ماشین (ML) انجام شد، به دنبال چیزی بودیم که در آن دستکاری‌هایی ایجاد کنیم. چیزی که می‌توان آن را به وضعیتی اطلاق کرد که اکنون در آن به سر می‌بریم و آن وضعیت این است آینده بشریت چگونه خواهد بود؟”
مطالعه بعدی (که به صورت آنلاین انجام شد) با 300 نفر شرکت‌کننده از ایالات متحده انجام شد. در این مطالعه، از نیمی از شرکت کنندگان خواسته شد که یک متن نارحت کننده اما دقیق از چگونگی پیشرفت پاندمیک را بخوانند: چین توانست شرایط پاندمیک را با وضع محدودیت‌های سختگیرانه‌ای کنترل کرده و با موفقیت پشت سر بگذارد؛ درحالی‌که در شمال شرقی ایالات متحده شاهد موج دوم این ویروس و بسیار شدیتر از پیش هستیم.”
این گروه، پس از خواندن متنی که به آن‌ها محول شده بود، با تقریب بالایی، اقدامات غیراخلاقی مانند احتکار مواد غذایی یا بی‌ماسک بودن، که افراد در شرایط پاندمیک کوید-19 انجام می‌دهند، را نقض کردند. در برابر، از گروه دیگر خواسته شد تا متنی خوشبینانه ولی دقیق درباره شرایط پاندمیک بخوانند: چین و دیگر کشورها توانسته‌اند کرونا را تقریبا کامل مهار کنند، واکسن این ویروس در راه است و اقداماتی مانند قرنطینه کردن و رعایت فاصله اجتماعی به خوبی در مهار این ویروس جواب داده است.
نویسندگان نتیجه گرفتند: “یافته‌های ما نشان می‌دهد که اگر می‌خواهیم مردم با روشی اخلاقی دراین شرایط پاندمیک رفتار کنند، باید به آن‌ها دلایل روشن و خوش‌بینانه‌ای نسبت به آینده این وضعیت ارائه داد. این دلایل را می‌تواند از طریق دولت، رسانه‌های جمعی که بر نکات مثبت تاکید دارند و… به آن‌ها ارائه شود.”
گفتن این مسئله از اجرای آن بسیار راحت‌تر است. برپایه سخنان کارشناسان خارجي: هيچ مقاله روانشناسي سياست‌هاي ملي را حداقل بدون تکرار و شواهد بيشتر تحريک نمي‌کند. دانشمندان در این ماه گزارش دادند که بر اساس داده‌های اولیه دو واکسن در حال تولید، حدود 95 درصد موثر بوده است. آیا این خبر خوشبینانه رفتار مسئولانه‌تری را میان مردم ایجاد کرده است؟
دکتر ساوانی در ایمیلی چنین گفت: “یافته‌های ما نشان می‌دهد که با فهمیدن اینکه واکسن‌های جدید در آینده نزدیک به دست مردم می‌رسند، احتمال اینکه مردم در این شرایط اخلاقی‌تر رفتار کنند را بیشتر می‌کند.”
