Who Will Have a Child? Predicting Three-Year Childbearing Outcomes Using Machine Learning
تستخدم هذه الدراسة نماذج تعلم الآلة، وتحديداً نموذج XGBoost المعزز بتقنية SMOTE لمعالجة عدم توازن الفئات واختيار الميزات القائم على المعرفة بالمجال للتعامل مع الأبعاد العالية، للتنبؤ بنجاح بنتائج الإنجاب للأطفال خلال ثلاث سنوات على المستوى الفردي في هولندا باستخدام بيانات مسح PreFer.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
تواجه كل حالة مجتمعية سؤالاً جوهرياً في التخطيط: كم عدد الأطفال الذين سيولدون في السنوات القادمة؟ ليس هذا مجرد مسألة فضول بالنسبة لعلماء الديموغرافيا، بل هو ضرورة عملية للحكومات والمجتمعات. فمعرفة العدد المحتمل للعائلات الجديدة تساعد المدارس في التخطيط للفصول الدراسية، والمستشفيات في الاستعداد لأجنحة الولادة، والمدن في تصميم المساكن للسكان المتزايدين. ولعقود من الزمن، حاول الباحثون التنبؤ بهذه الأعداد من خلال النظر في الاتجاهات العامة، مثل متوسط عمر الوالدين لأول مرة أو المناخ الاقتصادي العام. ومع ذلك، ظل التنبؤ بما إذا كان فرد معين سيرزق بطفل خلال نافذة زمنية قصيرة، مثل السنوات الثلاث القادمة، لغزاً صعباً؛ إذ إن العوامل التي تؤثر على هذا القرار هائلة وشخصية للغاية، وتتراوح من الاستقرار المالي والرضا عن العلاقة إلى الأهداف المهنية والرغبة البسيطة في تكوين أسرة.
قام فريق من الباحثين في جامعة تيلبورغ في هولندا مؤخراً بمعالجة هذا التحدي من خلال اللجوء إلى مجموعة قوية من الأدوات المعروفة باسم تعلم الآلة. وبدلاً من الاعتماد على معادلة واحدة لتخمين المستقبل، قاموا بتدريب برامج حاسوبية للتعرف على أنماط معقدة في حياة آلاف الأشخاص. كان هدفهم هو معرفة ما إذا كانت هذه النماذج الرقمية يمكنها التنبؤ بدقة بالأفراد، الذين تتراوح أعمارهم بين 18 و45 عاماً، ممن سيرحبون بطفل جديد بين عامي 2021 و2023. عمل الباحثون مع مجموعة ضخمة من بيانات المسح التي احتوت على أكثر من 30,000 معلومة مختلفة عن كل شخص، بدءاً من سنة ميلاده ومستوى تعليمه وصولاً إلى كيفية تقسيم المهام المنزلية ومدى رضاه عن شريك حياته. تمثلت الصعوبة المركزية التي واجهوها في أن البيانات كانت منحازة بشدة؛ حيث كان عدد الأشخاص الذين لم ينجبوا طفلاً جديداً في الدراسة أكبر بكثير ممن أنجبوا، مما جعل من السهل على الحاسوب أن يخمن "لا" للجميع ويظهر دقيقاً في الوقت نفسه، بينما يغفل تماماً عن الآباء الفعليين.
ولحل هذه المشكلة، توجب على الباحثين أولاً تبسيط الكم الهائل من المعلومات. بدأوا باستخدام معرفتهم بالعلوم الاجتماعية لتحديد المتغيرات الأكثر احتمالاً لأن تكون ذات أهمية من بين الـ 30,000 متغيراً، مما قلص المجال إلى قائمة أكثر قابلية للإدارة. ثم استخدموا برنامجاً حاسوبياً لاختبار أي من هذه العوامل كانت الأقوى حقاً كمتنبئات، ليستقروا في النهاية على مجموعة مركزة مكونة من 69 متغيراً رئيسياً فقط. كانت هذه العملية حاسمة لأن محاولة استخدام جميع التفاصيل الـ 30,000 دفعة واحدة كانت ستؤدي إلى إرباك النموذج، تماماً مثل محاولة العثور على كتاب محدد في مكتبة حيث كل رف فيها مليء بآلاف العناوين غير المرتبطة ببعضها البعض. ومن خلال التركيز على الإشارات الأكثر صلة، مثل العمر، والحالة الزوجية، والوضع المالي، سمحوا للحاسوب بأن يرى الغابة بدلاً من الضياع في تفاصيل الأشجار.
بعد ذلك، اختبر الفريق ثلاثة أنواع مختلفة من نماذج تعلم الآلة لمعرفة أيها يمكنه تحديد الآباء المستقبليين بشكل أفضل. وقارنوا بين "شجرة القرار" الأساسية، التي تقوم بالتنبؤات عبر طرح سلسلة من الأسئلة التي تُجاب بنعم أو لا، وبين طريقتين أكثر تقدماً تدمجان العديد من هذه الأشجار للوصول إلى استنتاج أكثر ذكاءً. إحدى هذه الطرق المتقدمة، والمعروفة باسم "تعزيز التدرج الشديد" (extreme gradient boosting)، تعمل من خلال بناء تسلسل من النماذج حيث يتعلم كل نموذج جديد من أخطاء النموذج الذي سبقه. كما اضطر الباحثون أيضاً إلى معالجة عدم التوازن في بياناتهم، حيث كانت مجموعة الأشخاص الذين لديهم طفل جديد أصغر بكثير من مجموعة الذين ليس لديهم أطفال. ولإصلاح ذلك، استخدموا تقنية أنشأت أمثلة اصطناعية للمجموعة الأصغر، مما علم الحاسوب فعلياً الانتباه للحدث النادر المتمثل في الولادة الجديدة دون مجرد نسخ نفس البيانات مراراً وتكراراً.
أظهرت النتائج أن النموذج الأكثر تطوراً، وهو النموذج الذي يتعلم من أخطائه الخاصة، كان الأفضل أداءً. وعند اختباره على بيانات لم يسبق له رؤيتها من قبل، حدد هذا النموذج الآباء المستقبليين بدرجة عالية من الدقة، متفوقاً بشكل كبير على الطرق الأبسط. وقد ثبت أن استخدام التقنية لموازنة البيانات كان أمراً أساسياً؛ فبدونها، عانى النموذج في رصد مجموعة الآباء الجدد القليلة. ووجدت الدراسة أنه من خلال الاختيار الدقيق للأسئلة الصحيحة واستخدام نموذج يمكنه التعلم من أخطائه، فمن الممكن التنبؤ بنتائج الإنجاب على المدى القصير بدقة مذهلة. وبينما أشار الباحثون إلى أن نتائجهم تستند إلى مجموعة محددة من الناس في هولندا وتحتاج إلى مزيد من الاختبار على مجموعات سكانية أخرى، فإن هذا العمل يثبت أن تعلم الآلة يمكن أن يكون أداة قيمة لفهم القرارات البشرية المعقدة الكامنة وراء النمو الأسري.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.