إطار «آيكوم» يختبر دقة الذكاء الاصطناعي في استرجاع المتغيرات المفقودة داخل المسوح الميدانية

يواجه الباحثون في العلوم الاجتماعية والمؤسسية عقبة متكررة تتمثل في غياب متغيرات وخصائص تفصيلية عن المسوح الميدانية التقليدية، ما يدفعهم على نحو متزايد للاستعانة بنماذج الذكاء الاصطناعي لتوليد قياسات تعوض تلك الفجوات. غير أن الاعتماد على هذه التقديرات يظل محفوفًا بالشكوك المنهجية حول قدرتها على محاكاة التأثيرات الحقيقية على المستويين الفردي والجماعي، وليس مجرد تقديم تنبؤ سطحي للإجابات. في هذا السياق، يقترح بحث علمي جديد إطارًا تحليليًا باسم «آيكوم» (AICOME)، صممه الباحثون وينشين جيانغ وشويانغ وانغ ويوكسياو وو، لتقييم مدى قدرة القياسات المستمدة من الذكاء الاصطناعي على استرجاع التأثيرات الفردية والجماعية داخل النماذج السياقية.

يقوم جوهر الإطار المبتكر على استخراج القياس على مستوى المستجيب الفردي، ثم اشتقاق التجميع على مستوى المجموعة والانحراف الفردي عنه. وتتيح هذه المنهجية تقدير الارتباطات المتبادلة بين المجموعات وداخل المجموعة الواحدة في آن واحد، بدل التعامل مع مخرجات الذكاء الاصطناعي كأداة تنبؤ معزولة باستجابات الأفراد. وقد اختبر الباحثون هذا الإطار تجريبيًا بالاعتماد على بيانات دراسة مسحية واسعة النطاق هي «دراسة لجان الأسرة الصينية» لعام 2022، حيث شكلت المهن البنية التجميعية للتجربة، مع استخدام متغيرات وظيفية مثبتة في المسح كمعايير مرجعية للتحقق.

شملت المقارنة أربعة متغيرات مهنية أساسية هي استخدام الحاسوب، واستخدام اللغات الأجنبية، وساعات العمل الأسبوعية، والمسؤوليات الإدارية. وأخضع الفريق تلك المتغيرات لأربعة مستويات من الفحص: التحقق على مستوى الاستجابة الفردية، والتحقق على مستوى النموذج الإحصائي، والاختبار السياقي، واختبار الشروط الحدية. وأظهرت النتائج أن القياس السياقي عبر الذكاء الاصطناعي نجح في استرجاع قدر كبير من المعلومات الإحصائية الكامنة في النماذج السياقية، بشرط توفر بيانات أولية غنية حول خصائص المستجيب وطبيعة وظيفته. وكانت ساعات العمل الأسبوعية الحالة الأقوى في دقة التحقق، إذ أعادت القياسات المشتقة آليًا إنتاج الارتباط السلبي الكبير بين ساعات العمل والرضا الوظيفي عبر المهن وداخلها، تمامًا كما رصدته البيانات الميدانية الفعلية.

كشفت الورقة البحثية في المقابل عن شروط حدية حاسمة تحد من فاعلية هذا المسار وتفرض الحذر المنهجي. فقد تدهور أداء النماذج بشكل ملحوظ عندما اقتصرت المدخلات على المسمى المهني والبيانات الديموغرافية الأساسية فقط. كما ضعفت القدرة على الاسترجاع الإحصائي عندما عولجت عدة مفاهيم مترابطة بوصفها غير مرصودة في الوقت نفسه. وتخلص النتائج إلى أن استرجاع المؤشرات بالذكاء الاصطناعي يظل ذا جدوى علمية محددة باستعادة عدد محدود من المفاهيم ذات الأهمية النظرية من مجموعات بيانات غنية قائمة بالفعل، ولا يمكن اعتباره بديلاً مطلقًا عن جمع البيانات الأصلية.

ينطوي هذا التدقيق المنهجي على دلالات عملية لفرق تحليل البيانات والمراكز الإحصائية ووحدات التخطيط المهني في الخليج ومصر والشام، خصوصًا تلك التي تسعى لاستثمار مجموعات البيانات الوطنية الضخمة وسد ثغرات المتغيرات غير المرصودة في دراسات سوق العمل. الفائدة المباشرة هنا هي ضبط معايير بناء النماذج: لا تكتف بالاعتماد على المسميات الوظيفية والأعمار لتوليد تقديرات ذكية حول بيئات العمل أو المهارات، بل تأكد من توفر تفاصيل دقيقة عن مهام الوظيفة وسياقها قبل بناء المؤشرات المشتقة. كما يفرض هذا البحث إعادة تقييم جدوى المشروعات التي تحاول تعويض غياب عدة مؤشرات مترابطة دفعة واحدة، إذ ترتفع فيها احتمالات الخطأ الإحصائي والانحراف عن واقع القوى العاملة.