Causal Inference with Unstructured Outcomes

تخيل أنك محقق يحاول معرفه سبب وقوع جريمة ما. عادةً، تكون الأدلة عبارة عن أرقام بسيطة: كم من المال سُرق، عدد الأشخاص الذين أُصيبوا، أو المدة التي انتظرها المشتبه به قبل الاعتراف. يمكنك بسهولة مقارنة هذه الأرقام لترى ما إذا كان تكتيك شرطي جديد قد أحدث فرقاً. ولكن ماذا لو لم يكن "الدليل" رقماً على الإطلاق؟ ماذا لو كان الدليل عبارة عن ملاحظة مكتوبة بخط اليد، أو صورة ضبابية، أو قصة طويلة ومشتتة؟ لا يمكنك طرح قصة من أخرى لتجد الفرق، تماماً كما لا يمكنك طرح لوحة من أخرى لترى كيف تغير أسلوب فنان. هذا هو اللغز الذي يواجه العلماء عندما يحاولون دراسة آثار الأدوات الجديدة على أشياء معقدة وغير منظمة مثل النصوص، أو الصور، أو السجلات الطبية. إنهم بحاجة إلى طريقة لقياس "شكل" التغيير، وليس مجرد حجمه.

هنا يأتي دور الورقة البحثية التي أعدها كيفين كريستيان ويبيسونو وييشين وانغ. إنهما عالمان في الإحصاء، وقد ابتكرا طريقة جديدة لطرح الأسئلة حول هذه النتائج الفوضوية. بدلاً من التخمين بشأن الجزء الذي تغير في نص أو صورة، ابتكروا طريقة للعثور تلقائياً على "الميزة ذات التباين الأقصى" (MCF). فكر في الأمر كأنه قلم تحديد سحري يمسح آلاف الوثائق أو الصور ويتعلم فوراً التفاصيل المحددة — مثل نبرة صوت معينة، أو نوع معين من الضبابية، أو طريقة محددة لتنظيم الأفكار — وهي التفاصيل التي تغيرت أكثر بسبب علاج أو تدخل معين. لقد اختبروا هذه الفكرة باستخدام محاكاة حاسوبية للنصوص والصور، وتشير النتائج إلى أن طريقتهم يمكنها بنجاح رصد الميزات الدقيقة التي يغيرها أداة أو تدخل جديد، حتى عندما لم يكن الباحثون يعرفون ما الذي يبحثون عنه مسبقاً.

المشكلة: عندما لا تكون الإجابة رقماً

لفترة طويلة، برع العلم في قياس الأشياء البسيطة. إذا أراد طبيب معرفة ما إذا كان دواء جديد فعالاً، فإنه يتحقق مما إذا كانت درجة حرارة المريض قد انخفضت بمقدار درجتين. وإذا أرادت شركة معرفة ما إذا كان تصميم موقعها الجديد ناجحاً، فإنها تحصي ما إذا كانت المبيعات قد ارتفعت بنسبة 10%. هذه هي "النتائج القياسية" (scalar outcomes) — أرقام مفردة سهلة المقارنة.

لكن العالم مليء بأشياء ليست أرقاماً مفردة. تخيل أن مستشفى يريد معرفة ما إذا كانت أداة ذكاء اصطناعي جديدة تساعد الأطباء في كتابة ملاحظات أفضل. "النتيجة" هنا ليست رقماً؛ بل هي فقرة كاملة من النص. أو تخيل أن باحثاً يريد معرفة ما إذا كانت خوارسة كاميرا جديدة تجعل الصور أكثر وضوحاً. النتيجة هنا هي صورة. لا يمكنك طرح صورة لقطة من صورة لكلب للحصول على "رقم الفرق". ولا يمكنك حتى القول حقاً كيف يبدو "متوسط" الملاحظة.

تقليدياً، حاول العلماء حل هذه المشكلة عبر إجبار البيانات الفوضوية على الدخول في قالب محدد. كانوا يضعون قائمة من القواعد (كتاب قواعد) لتسجيل النص. ربما قرروا عدّ عدد المرات التي استخدم فيها الطبيب كلمة "عاجل"، أو عدد الجمل في الملاحظة. لكن هذا يشبه محاولة وصف سيمفونية من خلال عدّ عدد الكمان فقط. قد تفوتك أهم قطعة: اللحن، أو العاطفة، أو التغير المفاجئ في الإيقاع. إذا غيرت أداة الذكاء الاصطناعي "نبرة" الملاحظات ولكن لم تغير عدد الكلمات، فإن الطريقة القديمة ستفشل في رصد ذلك تماماً.

الحل: قلم التحديد السحري (MCF)

يقترح المؤلفان نهجاً جديداً. فبدلاً من التخمين بشأن ما يجب قياسه، يتركان البيانات تعلمهم ما هو مهم. هما يسميان هذا بـ "الميزة ذات التباين الأقصى" (MCF).

تخيل أن لديك كومة من الملاحظات: كومة كتبها أطباء يستخدمون أداة الذكاء الاصطناعي الجديدة، وكومة أخرى كتبها أطباء بدونها. تريد العثور على "قلم التحديد السحري" الذي، عندما تمرره فوق الملاحظات، يجعل كومة الذكاء الاصطناعي تبدو مختلفة تماماً عن كومة غير الذكاء الاصطناعي.

الـ MCF هو ذلك القلم. إنه برنامج حاسوبي يتعلم تخصيص درجة من 0 إلى 1 لكل ملاحظة.

• إذا كانت الملاحظة تشبه كثيراً "أسلوب الذكاء الاصطناعي"، فإنها تحصل على درجة قريبة من 1.
• إذا كانت تشبه "الأسلوب البشري"، فإنها تحصل على درجة قريبة من 0.

الكمبيوتر لا يخمن فقط ما هو "أسلوب الذكاء الاصطناعي". بل يجرب ملايين الطرق المختلفة لتسجيل الملاحظات، بحثاً عن الطريقة التي تخلق أكبر فجوة بين الكومتين. وبمجرد العثور على أفضل نظام للتسجيل، ينظر إلى الملاحظات التي حصلت على درجات عالية والملاحظات التي حصلت على درجات منخفضة ليرى ما هو المختلف فعلياً. ربما يكتشف أن ملاحظات الذكاء الاصطناعي دائماً ما تكون أكثر رسمية، أو أنها تستخدم دائماً قالباً معيناً، أو رب أنها مجرد أقصر. تجد الطريقة الإجابة دون حاجة الباحث لمعرفة الإجابة مسبقاً.

كيف يعمل: أدوات المحقق

توضح الورقة البحثية أن هذا ليس مجرد لعبة تخمين؛ بل هي عملية رياضية صارمة تأخذ في الاعتبار "العوامل المربكة" (confounders). في العالم الحقيقي، الأمور فوضوية. ربما الأطباء الذين يستخدمون أداة الذكاء الاصطناعي هم أيضاً من يعالجون مرضى أكثر تعقيداً. إذا قارنت الملاحظات فحسب، فقد تعتقد أن الذكاء الاصطناعي جعلها أقصر، بينما في الواقع كان المرضى ببساطة لديهم ما يقال بشكل أقل.

تصلح طريقة الـ MCF هذا الأمر باستخدام "درجة الميل" (propensity score). فكر في هذا كلعبة مطابقة. يبحث الكمبيوتر في التفاصيل الخلفية (مثل عمر المريض، نوع الزيارة، وخبرة الطبيب) ويجد أزواجاً من الملاحظات متطابقة في كل شيء تقريباً باستثناء ما إذا كان قد استُخدم الذكاء الاصطناعي أم لا. ومن خلال مقارنة هذه الأزواج المتطابقة، تعزل الطريقة التأثير الحقيقي لأداة الذكاء الاصطنا edge.

كما طور المؤلفون نسخة "ميزانية" (budgeted). أحياناً، يغير الذكاء الاصطناعي كل شيء قليلاً، أو يغير أشياء قليلة كثيراً. تسمح نسخة الـ MCF "الميزانية" للباحثين بالقول: "أرني أفضل 10% من الملاحظات التي تغيرت أكثر". هذا يساعد في التركيز على التغييرات الأكثر وضوحاً ودراماتيكية بدلاً من الضياع في التحولات الصغيرة غير الهامة.

ماذا وجدوا: النصوص، الصور، والمفاجآت

اختبر الباحثون فكرتهم عبر ثلاث تجارب مختلفة ليروا مدى نجاحها.

1. تجارب النصوص:
قاموا بمحاكاة سيناريو حيث كان من المفترض أن تجعل أداة الكتابة النصوص أكثر "رسمية".

• النتيجة: نجحت طريقة الـ MCF في رصد اللغة الرسمية. فقد أعطت درجات عالية للجمل التي تبدو مهنية ودرجات منخفضة للجمل غير الرسمية.
• التحول المفاجئ: اختبروا أيضاً سيناريو أكثر تعقيداً حيث كان من المفترض أن تجعل الأداة النصوص أقل رسمية في بعض المواقف (مثل الترفيه) ولكن أكثر رسمية في مواقف أخرى (مثل النصائح العائلية). لم ترتبك طريقة الـ MCF، بل تعلمت قاعدة "واعية بالسياق": "إذا كان الموضوع عن الموسيقى، اجعل الأسلوب عفوياً؛ وإذا كان عن العائلة، اجعله جاداً". لقد أدركت أن "الإجابة الصحيحة" تعتمد على الموقف.
• اختبار السلامة: اختبروا أيضاً ما إذا كانت الأداة تستطيع رصد اللغة "السامة". في إحدى الحالات، جعلت الأداة اللغة أكثر أماناً في مجموعات الدعم، لكنها جعلتها أكثر عدوانية في النقاشات الحادة. حددت طريقة الـ MCF بشكل صحيح أن ميزة "السلامة" تنعكس بناءً على السياق، مما أثبت قدرتها على التعامل مع القواعد المعقدة في العالم الحقيقي.

2. تجربة الصور:
استخدموا صوراً لخلايا (مثل تلك التي تُرى تحت المجهر).

• النتيجة: قاموا بمحاكاة علاج يجعل الصور أكثر ضبابية. تعلمت طريقة الـ MCF تسجيل الصور بناءً على مدى ضبابيتها. لقد نجحت في فصل الصور الحادة عن الصور الضبابية، رغم أن عدد الخلايا في الصور ظل ثابتاً. أثبت ذلك أن الطريقة تعمل للبيانات المرئية، وليس فقط للكلمات.

3. اللغز المزدوج:
أخيراً، نظروا في حالة يكون فيها كل من المدخلات والمخرجات فوضوية. تخيل وجود ذكاء اصطناعي يقترح مسودة، ثم يكتب الإنسان الملاحظة النهائية. كلاهما نص.

• النتيجة: أنشأوا زوجاً من أقلام التحديد: واحد للمقترح من الذكاء الاصطناعي والآخر للملاحظة النهائية. تعلم النظام أنه عندما يكون مقترح الذكاء الاصطناعي "ملموساً ومحدداً"، تميل الملاحظة النهائية لأن تكون "كاملة وتفصيلية". لقد وجدوا الرابط بين هذين النصين الفوضويين دون أن يخبرهم أحد بما يجب أن يبحثوا عنه.

لماذا يهم هذا الأمر؟

تشير هذه الورقة البحثية إلى طريقة جديدة لدراسة العالم. نحن محاطون ببيانات غير منظمة — رسائل بريد إلكتروني، فيديوهات، مسوحات طبية، منشورات وسائل التواصل الاجتماعي. نريد معرفة كيف تغير التقنيات الجديدة هذه الأشياء، لكننا غالاً لا نعرف كيف نقيس هذا التغيير.

تقدم طريقة الـ MCF وسيلة لترك البيانات تتحدث عن نفسها. فبدلاً من محاولة إدخال وتد مربع في ثقب مستدير عبر عد الكلمات أو البكسلات، تجد الطة الأبعاد الخفية التي تهم حقاً. إنها تشير إلى أنه يمكننا اكتشاف أهم التغييرات في عالمنا المعقد، سواء كان ذلك في كيفية تغيير الذكاء الاصطناعي لكتابة الأطباء أو كيف يغير فلتر جديد صورة ما، دون الحاجة لأن نكون خبراء في التفاصيل المحددة مسبقاً.

يلاحظ المؤلفون بعناية أن هذه النتائج تأتي من عمليات محاكاة وتجارب شبه اصطناعية. لم يطبقوها بعد على مستشفى حقيقي أو موقع إخباري مباشر، لكن المحاكاة تظهر أن الرياضيات خلفها صلبة. إذا نجحت هذه الطريقة في العالم الحقيقي الفوضوي، فقد تساعدنا في فهم التأثير الحقيقي لأدوات الذكاء الاصطناعي التي تغير حياتنا، وعملنا، وطريقة تواصلنا بسرعة كبيرة.