متن سخنرانی دکتر عبدالحسین کلانتری، استاد تمام دانشگاه تهران، در  هم‌اندیشی تخصصی با موضوع «نظریه در علوم انسانی؛ چیستی، ساختار و الزامات نظریه‌پردازی» که در پژوهشگاه فرهنگ و اندیشه اسلامی (۲۲ شهریورماه ۱۴۰۵) برگزار شده است.
 

سوالی که امروز با هم بررسی می‌کنیم، سوالی بنیادی و برای آینده علوم انسانی بسیار مهم است:
آیا عصر کلان‌داده و هوش مصنوعی، عصر پایان نظریه‌پردازی است، یا اینکه نظریه‌پردازی به شکل جدیدی تحول یافته است؟
برای پاسخ دادن به این سؤال، چند نکته مقدماتی را عرض می کنم و سپس به بحث اصلی می پردازم.
ابتدا سه مفهوم بنیادی و نسبت میان آنها را بصورت بسیار خلاصه و بدون اینکه وارد بحثهای اتیمولوژیک شویم و تاریخی شویم روشن می‌کنیم:

فلسفه، نظریه و مشاهده
فلسفه چیزی است که در پشت‌سر تمام کاوش‌های ما قرار دارد و به پرسش‌های بنیادینی نظیر حقیقت چیست؟ چگونه می‌دانیم؟ و امثالهم جواب می دهند.
اما نظریه در واقع یک ساختمان عقلانی و منظم است که مفاهیم را تعریف می‌کند، رابطه بین مفاهیم را برقرار می‌کند، پدیده‌ها را تبیین و پیش‌بینی می‌کند.
بنابراین، اگر چه فلسفه و نظریه هر دو انتزاعی هستند، اما نوع و سطح انتزاع آنها متفاوت است. فلسفه منتزع تر از نظریه و مبنای تکوین نظریه است.
اما مشاهده عمل تجربی است که واقعیت خارجی را ثبت می‌کند، داده تولید می‌کند و به نظریه اعتبار می‌بخشد یا آن را زیر سؤال می‌برد.

در علوم اجتماعی، رابطه میان این سه مفهوم به دلایل مختلف پیچیده‌تر است. چرا که بسیاری از مفاهیم قابل مشاهده نیستند. مثلاً قدرت (لوکس و فوکو)، ایدئولوژی (گرامشی) و یا نابرابری به سادگی رویت نمی شوند. مهمتر آنکه مشاهده‌کننده و مشاهده‌شونده در یک ماتریس اجتماعی قرار دارند و مقولات ما خود محصول اجتماعی هستند (بوردیو) و اساسا نظریات خودشان به صورت بازتابی جهان ما را برمی سازند.

به همین علل در علوم اجتماعی نظریه تنها توصیف نیست، بلکه ساخت مفهومی است. بعلاوه، فقط مشاهده در فرایند تکوین نظریه سهم ندارد، بلکه مشاهده نیز توسط نظریه شکل‌دار می‌شود (Theory-laden observation)
نظریات به اشیا نظم می دهند و از خلال نظریات اشیائی رویت پذیر و یا رویت ناپذیر می شوند. اساسا به واسطه نظریات است که ما قدرت تکلم درباره جهان را پیدا می کنیم. به عنوان مثال، از خلال نظریات نابرابری اجتماعی را درک می کنیم.

نسبت مشاهده و داده
با توجه به تاکید بر داده، بنظر باید تمایز میان مشاهده و داده را هم روشن کنیم. سنتاً ما این دو را اغلب یکی می‌پنداشتیم. اما آنها کمی با هم متفاوت هستند. هرچند این تفاوت ماهوی نیست.
مشاهده (Observation): عملی منطقی و هدفدار معطوف به واقعیت است که از نظریه راهنمایی می‌شود. اما داده (Data):ترجمه فنی و تکنیکال مشاهده است و به صورت عددی یا ساختاری منظم شده است. داده می‌تواند منشأ نظری متعددی داشته باشد و ممکن است “خام” به نظر می‌آید، اما درواقع کاملاً پردازش‌شده است به بیان دیگر هیچ داده‌ای خام نیست(Data is not raw) و تمام داده‌ها نتیجه انتخاب‌های نظری و فنی هستند. نتیجه آنکه بخلاف رویکرد پوزیتیویستی که سعی دارد داده را خنثی و ماقبل نظریه نشان دهد، داده، ولو کمتر و مخفی تر از مشاهده، آبستن نظریه است و از این جهت تفاوتی با مشاهده ندارد. بطوریکه می توانیم آنها را از یک جنس بدانیم.

نقش مشاهده و داده در رویکردهای مختلف نظریه پردازی
در رویکرد استقرایی از تک‌تک مشاهدات و داده ها شروع می‌کنیم، الگوهایی را کشف می‌کنیم و به تعمیم می‌رسیم. به عنوان مثال، با مطالعه رفتار اقتصادی خانوارها از طریق بررسی ۱۰۰۰ خانوار دست به تعمیم نظری می زنیم.
اما در رویکرد قیاسی از فرضیات نظری شروع می‌کنیم، پیش‌بینی‌های قابل آزمایش پیش می نهیم و داده‌ها را برای تأیید یا رد کردن جمع‌آوری می‌کنیم. به عنوان مثال، رابطه پروتستانتیسم و سرمایه‌داری را در واقعیت و در پرتو داده و با مشاهده بررسی می کنیم.

اما رویکرد سومی هم وجود دارد که به نام رویکرد یا چرخه ابداکتیو شناخته می شود.

این رویکرد معتقد است که نظریه‌پردازی در عملکرد خود، نه صرفاً استقرایی است و نه صرفاً قیاسی. بلکه از آمد و شد میان سطح نظریه و مشاهده شکل میگیرد. چون عالمان هم مانند سایر انسانها در زمان و مکان چشم می گشایند و زندگی می کنند باید به بازی مرغ و تخم مرغ 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.
بنابراین این رویکرد نظریه را محدود نمی‌کند (مثل استدلال خالص)، از تجربه محروم نمی‌کند (مثل استقرا خالص) و رفت‌و‌برگشت مداومی دارد بین نظریه و تجربه.

کلان‌داده و هوش مصنوعی
دوره ای که در آن زندگی می کنیم با وصفهای مختلفی تعریف شده است. اما مهمترین و پربسامدترین توصیف از این دوره، عصر فضای مجازی و عصر کلان داده و وصف متاخرتر عصر هوش مصنوعی است.
انقلاب در حجم و سرعت تولید و سپس پردازش داده ها جهان را وارد دوره جدیدی کرده است. انبوهی از حسگرها که در قالب اینترنت اشیا در جهان جدید رخ می نماید، سرعت و حجم تولید داده را در جهان به صورت نمایی افزایش داده است. تولید داده در شبکه های اجتماعی و انبوهی از پلتفورمهای خدماتی در جهان پلتفورمی نمونه های بارز این موضوع هستند.

این کلان داده ها امکانهایی برای ما در حوزه های مختلف فراهم نموده است:
• چرخش محاسباتی و شکلگیری علوم محاسباتی (جامعه شناسی محاسباتی، اقتصاد محاسباتی، روانشناسی محاسباتی و …)
• امکان شبیه سازی و مدلسازی با داده های فراوان و متغیرهای بسیار بسیار زیاد
• مدلسازی عامل‌محور (Agent-Based Modeling):که در آن هر عامل (فرد، نهاد) و رفتار پیچیده ناشی از اندرکنش‌های ساده شبیه‌سازی می‌شود (مثال: شبیه‌سازی بازار سهام، اجتماعات، انتشار بیماری و …)
• امکان شکلدهی به دوقلوهای دیجیتال (Digital Twins):(نمایش دقیق دیجیتالی یک سیستم واقعی و امکان آزمایش بدون خطر و پیشبینی وقایع و سیاستها (مثال: شهر هوشمند، سیستم حمل‌ونقل و بدن انسان)
• جهش هوش مصنوعی و شناسایی الگوها: در حال حاضر می‌تواند الگوهایی را شناسایی کند که ذهن انسان نمی‌تواند آن را شناسایی کند و یا حداقل در مدت زمان کوتاه نمی تواند شناسایی کند. تعداد متغیر‌هایی را پردازش می‌کند که انسان قادر نیست. این مسئله باعث شده است که به دقت پیش‌بینی به بی‌سابقه‌ای رسیده ایم. (مثال: پیش‌بینی رفتار مصرف‌کننده)

بحران نظریه‌پردازی
در نتیجه این تحولات و امکانهای جدیدی که فراهم شده است، ادعای «پایان نظریه» مطرح شد. کریس اندرسون در ۲۰۰۸ این ادعا را مطرح کرد و مدعی شد که مدل‌های مبتنی‌بر داده جایگزین نظریه می‌شوند و دیگر نیاز نیست بدانیم چرا اتفاق می‌افتد، بلکه مهم این است که بدانیم دقیقا چه اتفاقی و چگونه رخ داده است. او مدعی است که نظریه‌پردازی به سبک قدیم غیرضروری و منسوخ است.

جان کلام ایشان این است که مدلها و الگوهای برآمده از کلان داده ها جایگزین نظریه های سنتی می شود و شاید شده است! الگوها و مدلهایی که امروزه توسط هوش مصنوعی ساخته می شود و روز بروز نقش عامل انسانی در آن کمتر و کمتر می شود. این استفاده از کلان داده ها در مدلسازی، بازگشت استقراگرایی است.

انتقادات وارد بر این ادعا:
1. مدلها و الگوها بر خلاف نظریات توان تفسیر وقایع را ندارند.
مثلا 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.
2. داده و هوش مصنوعی همبستگی و همایندی را نشان می‌دهند نه علیت را.
3. علوم اجتماعی درباره معنا هستند. الگوریتم نمی‌تواند معنا را دریابد مگر در حوزه‌های بسیار محدود. مشکل معنا (Meaning):
مثال: سلام دادن
– داده: دو فرد دست یکدیگر را می‌گیرند
– الگو: اکثراً در بدو دیدار
– لکن معنا: احترام، خوش‌آمدگویی، قرارداد اجتماعی
4. الگوی داده بدون توجه به زمینه و متن (Context) بی‌معنی است و نظریه است که به زمینه و متن توجه می‌کند.
مثلا، “مردم در تیرماه کمتر به دکتر می‌روند”
برای فهم این الگو باید فراتر از همایندی به متن نیز توجه کرد: زمینه و علل ممکن: هوای گرم، تعطیلات و کاهش استرس، افزایش مسافرت، هوای مناسب و … .

اما منصفانه باید بگویم نظریه‌های سنتی نیز محدودیت داشتند:
• با متغیرهای زیاد کار نمی‌کردند
• فاقد قدرت تجربی قوی بودند
• زیادی زمینه‌مند بودند و منتزع نبودند
هوش مصنوعی به شدت این مشکلات را حل کرده است:
• قدرت توضیحی بسیار بیشتر
• پیش‌بینی دقیق‌تر
• تجربه‌سنجی سریع‌تر
پاسخ واقع‌بینانه و محتاطانه به معضله نظریه‌پردازی در عصر کلان داده و هوش مصنوعی
نظریه‌پردازی پایان نیافته است، بلکه تحول عمیقی را تجربه کرده و می‌کند.
نظریات مبتنی بر خلاقیت‌های بشری کماکان رهگشاست و نوآوری‌های ماشینی جانشین آن نشده است.
رویاهای انسانی جهان را معنادار می کنند
نظریه‌های کلان کماکان توسط انسان می تواند جهت تاریخ را معنادار کند.
با این حال، نظریه‌پردازی دیگر نمی‌تواند مستقل از داده و ماشین باشد و اساسا خوب هم نیست.
البته داده و ماشین و مدل و الگو نیز به تنهایی و بدون نظریه کافی نیست.

ما نیازمند چارچوب نوینی برای نظریه پردازی در عصر کلان داده‌ها و هوش مصنوعی هستیم. نظریه‌پردازی امروز به این صورت کار می‌کند:
 

مرحله ۱: اکتشاف (Discovery)
• کلان‌داده را بررسی کن
• الگوهای تکرارپذیر و یا غیرمنتظره را شناسایی کن
• سوالات جدید بپرس
 

مرحله ۲: تبیین (Explanation)
• این الگو چرا وجود دارد؟
• کدام مفاهیم و نظریه‌ها می‌تواند تبیین کند؟
• فرضیه‌های تبیین‌کننده بساز
 

مرحله ۳: آزمایش و تصحیح (Testing & Refinement)
• فرضیه را با داده‌های جدید بازآزمایی کن
• مدل‌های رقیب را مقایسه کن
• نظریه را اصلاح کن
 

مرحله ۴: معنا‌سازی (Interpretation)
• یافته‌ها چه معنایی دارند برای انسان‌ها و جامعه؟
• پیامدهای عملی و اخلاقی چیست؟
• این دانش چگونه با دانش موجود متصل می‌شود؟
این چهار مرحله تشکیل دهنده یک چرخه بازتکراری است که از تلاطم میان داده و نظریه آغاز می شود. در این چرخه داده بدون نظریه کافی نیست، اما نظریه هم در تولید و بررسی بینیاز از کلان داده نخواهد بود. هر دو ضروری و متکامل‌کننده یکدیگرند.