Empirically Understanding the Value of Prediction in Allocation
تقدم هذه الورقة مجموعة أدوات تجريبية لمساعدة صناع القرار على قياس ومقارنة أثر الرفاهة الناتج عن الاستثمار في التنبؤ مقابل روافع السياسات البديلة مثل توسيع القدرة الاستيعابية أو تحسين العلاج، مع توضيح تطبيقها من خلال دراسات حالة في خدمات التوظيف الألمانية واستهداف الفقر في إثيوبيا.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك مدير لجمعية خيرية مشغولة للغاية ومهمة جداً. لديك قدر محدود من المال وعدد محدود من المتطوعين. هدفك هو مساعدة الأشخاص الذين يحتاجون إليها أكثر من غيرهم.
في الماضي، كان السؤال الكبير للمديرين أمثالك هو: "كيف نستخدم أدوات التنبؤ الخاصة بنا لاختيار الأشخاص المناسبين؟" (على سبيل المثال: "كيف نبني خوارزمية أفضل لتخمين من سيظل عاطلاً عن العمل؟")
هذه الورقة البحثية تجادل بأن السؤال الكبير الحقيقي هو في الواقع: "هل ينبغي لنا إنفاق أموالنا على أدوات تنبؤ أفضل، أم ينبغي لنا إنفاقها على شيء آخر تماماً؟"
إليك تفصيل أفكار الورقة، باستخدام تشبيهات بسيقطة.
الطرق الثلاث لإنفاق أموالك (الروافع السياساتية)
يقول المؤلفون إنك عندما تريد تحسين جمعيتك الخيرية، فلديك عموماً ثلاث طرق رئيسية لإنفاق ميزانيتك. فكر فيها كأنها ثلاث أدوات في صندوق أدواتك:
- تنبؤ أفضل (الكرة البلورية): الاستثمار في بيانات أفضل، أو استطلاعات رأي، أو ذكاء اصطناعي لتخمين من بالضبط يحتاج إلى المساعدة.
- التشبيه: شراء رادار عالي التقنية لتحديد الموقع الدقيق لمتنزه ضائع في غابة.
- سعة أكبر (الحافلة الأكبر): توظيف المزيد من الموظفين، أو بناء المزيد من الملاجئ، أو امتلاك المزيد من المال لتوزيعه بحيث يمكنك مساعدة مزيد من الناس، حتى لو لم تكن متأكداً بنسبة 100% من هو الشخص الذي يحتاج المساعدة أكثر من غيره.
- التشبيه: شراء حافلة أكبر لتتمكن من ركوب المزيد من المتنزهين، حتى لو اضطررت لتخمين من منهم ضائع.
- علاج أفضل (الدواء الأفضل): تحسين المساعدة الفعلية التي تقدمها. ربد يكون برنامج التدريب على الوظائف يعمل بشكل أفضل، أو أن مبلغ التحويل النقدي أعلى.
- التشبيه: إعطاء المتنزهين خريطة أفضل ومعطفاً أكثر دفئاً بدلاً من مجرد العثور عليهم.
المشكلة الكبرى: فخ "التصميم الميتافيزيقي" (Meta-Design)
يقضي معظم الخبراء كل وقتهم في محاولة جعل الكرة البلورية (التنبؤ) أكثر دقة. إنهم يتجادلون حول أي خوارزمية هي الأفضل.
لكن المؤلفين يقولون: "انتظر لحظة! رب_ما تكون كرتك البلورية مثالية، لكن حافلتك صغيرة جداً!"
إذا كانت لديك حافلة صغيرة (سعة منخفضة)، فلا يهم مدى جودة الرادار الخاص بك؛ فأنت لا تستطيع سوى إنقاذ عدد قليل من الناس. في هذه الحالة، شراء حافلة أكبر (السعة) هو استثمار أفضل من شراء رادار أفضل.
وعلى العكس من ذلك، إذا كانت حافلتك ضخمة (سعة عالية)، فقد تساعد بالخطأ أشخاصاً لا يحتاجون للمساعدة، أو قد تضرهم (مثل تقديم برنامج تدريب وظيفي لشخص كان سيحصل على وظيفة على أي حال، مما يهدر وقته). في هذه الحالة، يكون الرادار الأفضل (التنبؤ) أمراً بالغ الأهمية لتجنب الأخطاء.
مجموعة الأدوات: "rvp" (محاكي القرار)
بنى المؤلفون أداة برمجية تسمى rvp (القيمة النسبية للتنبؤ - Relative Value of Prediction). فكر في هذا كـ "محاكي (ماذا لو) للسيناريوهات" لمديري الجمعيات الخيرية.
بدلاً من التخمين، يمكنك إدخال أرقامك الواقعية (مقدار البيانات التي تملكها، تكلفة الاستطلاع، تكلفة الوظيفة الواحدة) وسيقوم المحاكي بإخبارك:
- "إذا أنفقت 1,000 دولار على بيانات أفضل، فستساعد 5 أشخاص إضافيين."
- "إذا أنفقت 1,000 دولار على توظيف المزيد من الموظفين، فستساعد 12 شخصاً إضافياً."
- "الاستنتاج: لا تشترِ البيانات؛ بل وظف الموظفين."
أمثلة من الواقع من الورقة البحثية
اختبر المؤلفون هذا المحاكي في سيناريوهين من الواقع:
1. مركز العمل الألماني (إيجاد العاطلين عن العمل)
- الموقف: تمتلك ألمانيا نظاماً لمساعدة الناس في العث بجانب وظائف. إنهم يستخدمون البيانات لتخمين من سيبقى عاطلاً عن العمل لفترة طويلة.
- المعضلة: بعض الأشخاص (العمال الأكبر سناً الذين لديهم سجلات وظيفية مفقودة) يصعب التنبؤ بحالهم. هل ينبغي للحكومة إرسال موظفين لإجراء مقابلات معهم للحصول على بيانات أفضل (تنبؤ أفضل)؟ أم ينبغي لهم فقط توظيف المزيد من الموظفين لمساعدة الجميع بالبيانات التي لديهم بالفعل (سعة أكبر)؟
- النتيجة: تبين أن إجراء مقابلات مع الجميع ممن لديهم سجلات مفقودة هو إضاعة للمال. ومع ذلك، إذا أجروا المقابلات فقط مع الأشخاص الذين هم على الحافة تماماً بين التوظيف والفصل (الحالات الحدية)، فإن الأمر يستحق العناء.
- الدرس: لا تحاول إصلاح التنبؤ للجميع. قم فقط بإصلاح التنبؤ للأشخاص الذين يكون القرار بشأنهم غير مؤكد بالفعل.
2. برنامج الفقر في إثيوبيا (تقديم النقد للفقراء)
- الموقف: تقدم إثيوبيا مبالغ نقدية للأسر الفقيرة. ولإيجادهم، يستخدمون "اختبارات الوسائل البديلة" (استطلاعات رأي تخمن الفقر بناءً على أشياء مثل مادة السقف أو ملكية التلفاز). هذه الاستطلاعات مكلفة للغاية.
- المعضلة: مع ميزانية ثابتة، هل ينبغي للحكومة إنفاق المال على:
- إجراء المزيد من الاستطلاعات للعثور على الأشخاص الفقراء الصحيحين (تنبؤ أفضل)؟
- تقديم النقد لعدد أكبر من الناس (سعة أكبر)؟
- إعطاء مبالغ أكثر لكل شخص (علاج أفضل)؟
- النتيجة:
- إذا كانت الحكومة تهتم بمساعدة الأشد فقراً (الفقراء المدقعين)، فيجب عليها إنفاق الكثير على الاستطلاعات للعثور عليهم بدقة.
- إذا كانت الحكومة تريد فقط مساعدة "أي شخص فقير"، فينبغي عليها تخطي الاستطلاعات المكلفة ومنح المال لمزيد من الناس.
- الدرس: "الاستثمار الأفضل" يعتمد كلياً على ما تحاول تحقيقه. لا يوجد إجابة واحدة تناسب الجميع.
الخلاصة
هذه الورقة هي بمثابة جرس إنذار لصناع السياسات وعلماء البيانات.
توقف عن الهوس بجعل الخوارزمية أكثر دقة بنسبة 1%. قبل أن تفعل ذلك، اسأل نفسك:
- هل لدي ما يكفي من المال لمساعدة كل من يمكنني مساعدته؟
- هل المساعدة التي أقدمها حالياً تعمل حقاً؟
- هل أداة التنبؤ الخاصة بي ضرورية أصلاً، أم أنني فقط ألقي بالمال على مشكلة تحتاج إلى ميزانية أكبر بدلاً من ذلك؟
يوفر المؤلفون خريطة (أداة rvp) لمساعدة القادة على التنقل بين هذه الخيارات، لضمان أن كل دولار يتم إنفاقه يحسن حياة الناس فعلياً، بدلاً من مجرد جعل نموذج حاسوبي يبدو أكثر ذكاءً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.