Predictive Forecasting of Care Load & Placement Demand

إن إدارة رعاية الأطفال الذين يصلون إلى بلد ما دون والديهم هي مهمة تتطلب الدقة، والاستشراف، وفهماً عميقاً لحركة البشر. فعندما يعبر آلاف الشباب الحدود ويدخلون في عهدة الحكومة، يجب على المسؤولين معرفة عدد الأسرة، والموظفين، والموارد التي ستكون مطلوبة غداً، أو الأسبوع المقبل، أو الشهر القادم. لا يقتصر الأمر مجرد مسألة عد الرؤوس؛ بل هو لغز معقد من التوقيت والتدفق. ويكمكم التحدي في التنبؤ بعدد الأطفال الموجودين في الرعاية في أي لحظة معينة، وهو رقم يتغير يومياً بناءً على الواصلين الجدد، والانتقالات إلى مرافق أخرى، والمغادرين. ولحل هذه المعضلة، يلجأ الباحثون إلى علم التنبؤ بالسلاسل الزمنية، وهي طريقة تنظر في الأنماط الماضية لتوقع الاتجاهات المستقبلية. ومن خلال دراسة إيقاع البيانات التاريخية — كيف ترتفع الأرقام وتنخفض بمرور الوقت — يمكن للمحللين بناء نماذج تعمل مثل تقرير حالة الطقس لاحتياجات السكان، مما يقدم لمحة عن المستقبل لمساعدة المنظمات على الاستعداد.

في دراسة حديثة، تناول باحثون في معهد تشاتانيا بهاراتي للتكنولوجيا في حيدر آباد هذه المشكلة تحديداً باستخدام بيانات من وزارة الصحة والخدمات الإنسانية الأمريكية. وقد ركزوا على برنامج "الأطفال الأجانب غير المصحوبين بذويهم"، والذي يتتبع الأعداد اليومية للقاصرين في عهدة الحكومة. جمع الفريق مجموعة بيانات تحتوي على أكثر من ألف سجل يومي، تمتد من أوائل عام 2023 حتى نهاية عام 2025. وبعد تنظيف البيانات لإزالة الفجوات والتناقضات، تبقى لديهم 720 عدداً موثوقاً يومياً للأطفال في الرعاية. وكان هدفهم بناء نظام يمكنه النظر في هذا التاريخ والتنبؤ بالطلب للثلاثين يوماً القادمة بدقة عالية.

ولإجراء هذه التنبؤات، لم يعتمد الباحثون على طريقة واحدة. بدلاً من ذلك، بنوا مسار عمل يجمع بين التقنيات الإحصائية التقليدية والتعلم الآلي الحديث. لقد علموا الكمبيوتر التعرف على الأنماط من خلال تغذيته بقرائن محددة مستمدة من الماضي. وشملت هذه القرائن عدد الأطفال الذين كانوا في الرعاية قبل يوم واحد، وأسبوع واحد، وأسبوعين، بالإضافة إلى المتوسطات العددية خلال الأسبوع والأسبوعين الماضيين. كما أضافوا مقاييس لمدى تذبذب الأرقام صعوداً وهبوطاً في المدى القصير، وحساباً لـ "الضغط" على النظام، والذي قارن بين عدد الأطفال الذين تم نقلهم إلى الرعاية مقابل عدد الذين تم إخراجهم منها. ومن خلال تضمين يوم الأسبوع والشهر، استطاع النظام أيضاً مراعاة التحولات الأسبوعية أو الموسمية المنتظمة.

اختبر الفريق عدة مقاربات مختلفة لمعرفة أيهما يعمل بشكل أفضل. بدأوا بطرق بسيطة، مثل افتراض أن الغد سيكون تماماً مثل اليوم، وانتقلوا إلى نماذج إحصائية أكثر تعقيداً تأخذ في الاعتبار الاتجاهات. وأخيراً، قاموا بتدريب أدوات تعلم آلي قوية تُعرف باسم "الغابات العشوائية" (Random Forests) و"تعزيز التدرج" (Gradient Boosting). تعمل هذه الأدوات من خلال بناء العديد من أشجار القرار التي تصوت على الإجابة، مما يسمح لها برصد العلاقات المعقدة وغير الخطية في البيانات التي قد تفوتها الطرق الأبسط. وقسم الباحثون بياناتهم بعناية، حيث استخدموا السجلات الأقدم لتدريب النماذج، وحفظوا البيانات الثلاثين الأخيرة لاختبار مدى أداء النماذج على معلومات غير مرئية. وقد ضمن هذا النهج أن يكون التقييم عادلاً وأن النماذج لا تقوم بمجرد حفظ الماضي.

قدمت النتائج صورة واضحة لما قد يحمله المستقبل للشهر القادم. توقع النظام زيادة تدريجية وثابتة في عدد الأطفال في الرعاية، حيث ارتفع من حوالي 2,274 في بداية فترة التنبؤ إلى حوالي 2,324 بحلول نهاية الفترة. وكان متوسط التنبؤ لهذه النافذة الثلاثينية حوالي 2,299 طفلاً. وعندما تحقق الباحثون من مدى قرب هذه التنبؤات من الأرقام الفعلية في فترة الاختبار، وجدوا أن متوسط الخطأ كان حوالي 15 طفلاً في اليوم. ومن حيث النسب المئوية، كان معدل الخطأ هذا صغيراً جداً، حيث بلغ حوالي 0.64 في المئة. ويشير هذا المستوى من الدقة إلى أن النماذج تلتقط الديناميكيات الكامنة للنظام بشكل جيد بما يكفي لتكون مفيدة للتخطيط.

ومع ذلك، كشفت الدراسة أيضاً عن تفصيل دقيق في كيفية استخدام هذه الأدوات. فبينما احتفظ الباحثون بنموذج "الغابة العشوائية" كأداة نهائية للنشر، فإن أرقام الخطأ المحددة التي أبلغوا عنها تم حسابها بعد تشغيل نموذج مختلف، وهو نموذج "تعزيز التدرج". وهذا يعني أن الأداة المحفوظة ومقاييس الأداء المبلغ عنها لا تتطابقان تماماً في النسخة الحالية من المشروع. وقد أقر المؤلفون بذلك وأشاروا إلى أن النسخة المستقبلية من العمل يجب أن تضمن أن يكون النموذج الأفضل أداءً هو الذي يتم حفظه واستخدامه. وبالرغم من هذا التفصيل التقني، نجح المشروع في إثبات أن الجمع بين البيانات التاريخية، والقرائن التشغيلية، والتعلم الآلي يمكن أن ينتج توقعات موثوقة.

كما لاحظ الباحثون أن البيانات أظهرت تحولاً كبيراً في أوائل عام 2025، حيث انخفض عدد الأطفال في الرعاية بشكل حاد من أكثر من 6,000 في يناير إلى حوالي 2,000 بحلول أبريل. وهذا النوع من التغيير المفاجئ، أو "تحول النظام"، يعد صعب التنبؤ به، وتبرز الدراسة الحاجة إلى نماذج يمكنها التكيف مع مثل هذه الانكسارات الهيكلية. تم وضع النظام النهائي في لوحة تحكم سهلة الاستخدام، مما يسمح للمسؤولين بعرض البيانات، ورؤية التنبؤ على رسم بياني، وتنزيل التنبؤات لاستخدامهم الخاص. ومن خلال تحويل الأرقام الخام إلى نظرة مستقبلية واضحة لمدة ثلاثين يوماً، يوفر هذا العمل أداة عملية لتخطيط القدرة الاستيعابية، مما يساعد المنظمات على إدارة التوظيف، ومساحات الإيواء، والنقل بثقة أكبر. وتخلص الدراسة إلى أنه بينما يعد النموذج الحالي نقطة انطلاق قوية، فإن التحسينات المستقبلية ستركز على مقارنة جميع النماذج بشكل أكثر صرامة وإضافة أدوات لقياس عدم اليقين في التنبؤات، لضمان تزويد صناع القرار بالمعلومات الأكثر متانة وموثوقية.