عبدالحسین کلانتری: نظریه‌پردازی در عصر کلان‌داده و هوش مصنوعی پایان نیافته است

به گزارش گروه دانشگاه خبرگزاری دانشجو، 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.

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.