AI-Based Tribal Community Sustainability Prediction System Using Machine Learning: A Case Study of Palghar District, Maharashtra

في المشهد الواسع والمتنوع للتنمية الريفية في الهند، غالباً ما يعتمد رفاه المجتمعات القبلية على شبكة معقدة من الضروريات اليومية. بالنسبة لهذه المجموعات السكانية، لا تُعد الاستدامة الحقيقية مقياساً واحداً للثروة، بل هي مزيج من الوصول إلى المدارس، والمياه النظيفة، والكهرباء الموثوقة، والصرف الصحي الآمن، والعمل المستقر، والقدرة على التواصل مع العالم الرقمي. وعندما تغيب هذه العناصر أو تتوزع بشكل غير متكافئ، يمكن لقرى بأكملها أن تتخلف عن الركب، حتى لو كانت أرقام المنطقة ككل تبدو واعدة. ولفهم الأماكن التي تشتد فيها الحاجة للمساعدة، اعتمد الباحثون لفترة طويلة على بيانات التعداد السكني، والتي تعمل كصورة ثابتة وضخمة لحالة الأمة في لحظة زمنية محددة. ويكمن التحدي في تحويل هذه الإحصاءات الجافة إلى صورة واضحة للقرى التي تزدهر وتلك التي تعاني، ثم استخدام الأدوات الحديثة لمعرفة ما إذا كان يمكن للأنماط في تلك البيانات أن تساعد في التنبؤ بالاحتياجات المستقبلية.

تحاول دراسة جديدة ركزت على منطقة "بالجار" في ولاية "ماهاراشترا" سد هذه الفجوة من خلال الجمع بين البيانات الديموغرافية التقليدية والذكاء الاصطناعي. فقد سعى الباحثان، روشي جادهار وتينا ثومسي من جامعة أميتي، إلى إنشاء نظام يمكنه تصنيف مئات القرى إلى فئات من الاستدامة بناءً على ظروفها الراهنة. بدآ بجمع المعلومات من تعداد الهند لعام 2011، وهو مسح حكومي ضخم سجل تفاصيل حول الأسر، ومحو الأمية، والبنية التحتية. ولأن منطقة "بالجار" فُصلت عن منطقة "ثان" الأكبر بعد إجراء التعداد، توجب على الفريق رسم خرائط دقيقة للسجلات القديمة لتتوافق مع الحدود الجديدة، ليقوموا في النهاية بتجميع مجموعة بيانات تغطي 901 قرية. ومن هذه المعلومات الخام، بنوا نظام تسجيل مخصصاً يسمى "مؤشر استدامة المجتمع القبلي". لم يعتمد هذا المؤشر على عامل واحد، بل وزن ستة مجالات متميزة من الحياة: التعليم، والخدمات الأساسية مثل الصرف الصحي، والوصول إلى المياه، وتوافر الطاقة، وفرص كسب العيش، والشمول الرقمي. وحصلت كل قرية على درجة بناءً على مدى حظوظ سكانها في هذه الفئات الست، مع إعطاء التعليم والمياه الوزن الأكبر في الحساب.

بمجرد تسجيل درجات القرى، قسمهم الباحثون إلى ثلاث مجموعات: تلك ذات الاستدامة المنخفضة، وتلك ذات الاستدامة المتوسطة، وتلك ذات الاستدامة العالية. كان هذا التصنيف نسبياً، مما يعني أن القرية تُصنف على أنها "عالية" ببساطة لأنها سجلت نتائج أفضل من جيرانها، وليس لأنها استوفت معياراً حكومياً مطلقاً. ومع تحديد هذه المجموعات، اتجه الفريق نحو تعلم الآلة، وهو فرع من علوم الحاسوب حيث تتعلم البرمجيات التعرف على الأنماط من خلال دراسة الأمثلة. لقد قاموا بتدريب ثلاثة أنواع مختلفة من النماذج الحاسوبية للنظر في درجات الاستدامة الست وتخمين المجموعة التي تنتمي إليها القرية. وكان الهدف هو معرفة ما إذا كان الحاسوب يستطيع إعادة إنتاج الفئات التي وضعها الباحثون بدقة. وقد قسموا بياناتهم بحيث يتعلم الحاسوب من 80 بالمائة من القرى، ثم يتم اختباره على الـ 20 بالمائة المتبقية لمعرفة مدى أدائه في التعامل مع أمثلة جديدة.

أظهرت النتائج أن النماذج الحاسوبية كانت جيدة للغاية في هذه المهمة المحددة. فالنموذج الأبسط، المعروف باسم الانحدار اللوجستي، حدد مستوى الاستدامة للقرى المختبرة بدقة بلغت 99.32 بالمائة. كما حقق نموذجان أكثر تعقيداً، وهما "الغابة العشوائية" (Random Forest) و"XGBoost"، أداءً جيداً جداً، حيث بلغت معدلات الدقة 95.21 بالمائة و94.52 بالمائة على التوالي. وعندما نظر الباحثون فيما اعتبره الحاسوب الأكثر أهمية عند اتخاذ قراراته، وجدوا أن التعليم كان العامل المهيمن. فقد تعاملت النماذج باستمرار مع معدلات محو الأمية باعتبارها أقوى إشارة لتحديد الاستدامة العامة للقرية، تليها إمكانية الوصول إلى الطاقة وتوافر المياه. وهذا يشير إلى أنه في سياق هذه المجتمعات القبلية، فإن مستوى التعليم متشابك بعمق مع الجوانب الأخرى للحياة الصحية.

ومع ذلك، تتضمن الدراسة تحفظاً جوهرياً يمنع الاحتفاء بهذه النتائج كحل نهائي للتنبؤ بالمستقبل. فالحاسوب كان يُطلب منه أساساً تصنيف القرى بناءً على الأرقام نفسها التي استخدمها لإجراء التصنيف. ولأن الفئات المستهدفة بُنيت مباشرة من بيانات المدخلات، فإن درجات الدقة العالية تثبت أن الحاسوب يمكنه تعلم القواعد التي كتبها الباحثون، لكنها لا تثبت أن الحاسوب يمكنه التنبؤ بكيفية تغير القرية بمرور الوقت أو كيف سيكون أداؤها مع بيانات جديدة تماماً. يصف المؤلفون هذا بأنه "إثبات للمفهوم"، مما يدل على أن الإطار العملي يعمل وأن البيانات متسقة، بدلاً من كونه أداة تم التحقق من صحتها للتنبؤ المستقل. وقد أشاروا صراحة إلى أن الدراسة تعتمد على بيانات قد مضى عليها أكثر من عقد من الزمن، وأن بعض المعلومات، مثل الوصول إلى وقود الطهي النظيف أو الخدمات المصرفية، تم تسجيلها على مستوى المقاطعة الفرعية وليس لكل قرية على حدة.

رغم هذه القيود، يقدم هذا العمل طريقة هيكلية واضحة للنظر في التنمية القبلية. فهو يوضح أنه من خلال الجمع بين الإحصاءات الرسمية والأدوات التحليلية الحديثة، من الممكن إنشاء خريطة مفصلة للاستدامة عبر منطقة ما. ويقترح الباحثون أن العمل المستقبلي يمكن أن يحسن هذا النظام باستخدام بيانات أحدث، وإضافة مؤشرات الصحة والتغذية التي كانت مفقودة من تعداد عام 2011، واختبار النماذج مقابل نتائج واقعية لم تُستخدم في بناء النماذج في المقام الأول. وفي الوقت الحالي، تقف هذه الدراسة كنموذج لكيفية مساعدة الذكاء الاصطناعي في تنظيم البيانات الاجتماعية المعقدة، مع تسليط الضوء على التعليم كركيزة مركزية لرفاه المجتمع في منطقة "بالجار"، مع التذكير بأن النماذج الأكثر دقة هي فقط تلك التي تعتمد على استقلالية البيانات التي تُختبر ضدها.