در بخش پیشین مقدمه ای در ارتباط با کلان داده ها را مطرح کردیم. در این بخش در این ارتباط صحبت می‌کنیم که کلان داده ها چگونه بر اجرای سیاست ها اثر گذار هستند.
استفاده از کلان داده برای حل نارسایی‌های ناشی از اجرا با رویکرد پایین به بالا در خط‌مشی
چنانچه در ادبیات موضوع اجرا و به خصوص در کتاب‌های اجرا و ارزیابی خط‌مشی عمومیمورد بحث قرار گرفته است رویکرد پایین به بالا که با تاکید بر مشکلات به جای اهداف خط‌مشی، توجه به بروکرات‌های سطح خیابان به جای خط‌مشی‌گذاران و جست‌وجو و بها به شبکه‌های خط‌مشی در تحلیل خود را مطرح کرد و در برابر رویکرد بالا به پایین اجرای خط‌مشی قرار گرفت. این رویکرد در نهایت مانند رویکرد بالا به پایین نارسایی‌هایی دارد که موجب می‌شود نتواند به عنوان راه‌حل جایگزین شناخته شود. به نظر می‌رسد که برخی از این نارسایی‌های مطرح شده به وسیله تکنولوژی‌های اطلاعاتی از جمله کلان داده ها قابل تغییر است. در واقع نگارنده نمی‌تواند مدعی شود که این نارسایی‌ها با استفاده از این تکنولوژی‌های حل شده است بلکه مدعی این است که در صورت تمرکز در جهت حل، این نارسایی‌ها قابل حل است. در زیر به برخی از این موارد اشاره می‌شود:
یکم: کلان داده برای حل نارسایی ناشی از نداشتن تصویر کلی
نارسایی رخ داده در اینجا ناشی از این است که مسئولین محلی دارای دید درست و جامعی نسبت به حدود مساله و اطلاعات مورد نیاز برای تصمیم‌گیری نیستند. در واقع ریسک این وجود دارد که سیاست‌گذاری با رویکرد بالا به پایین موجبات بخشی‌نگری را فراهم آورد. این نارسایی در کیس‌های مختلف مورد بررسی قرار گرفته است و یکی از راهکارهای ارائه شده برای آن استفاده از کلان داده و نسل جدید داشبوردهای مدیریتی است.
استفاده از داشبوردهای مدیریتی علی رغم اهمیتش آن چنان که هدف این پژوهش است، نمی‌تواند تحت عنوان "توانمندسازی تکنولوژی اطلاعاتی" مورد رجوع باشد. اما نکته این است که خود داشبوردهای مدیریتی نیز در سال‌های اخیر تحت تاثیر تکنولوژی اطلاعاتی قرار گرفته‌اند و یک گام به جلو حرکت کرده‌اند. داشبوردهای مدیریتی بر خلاف نمونه‌های قدیمی‌آن‌ها با چند تغییر عمده دوران اخیر روبرو بوده اند. در زیر به مواردی از این تغییرات اشاره می‌شود:
1. روند استفاده از داده در داشبوردهای مدیریتی از شکل داده‌های دوره‌ای و ایستا به کلان داده های بلادرنگ و پویا تغییر کرده است. این موضوع تنها با استفاده از امکانی مانند اینترنت اشیا و کلان داده امکان‌پذیر بوده است. در دوران اخیر ما شاهد گسترش "اینترنت چیزها" یا همان IoT بوده ایم. این تکنولوژی ما را به صورت ناخواسته در شبکه ای از سنسورها قرار داده است و جریان بلادرنگ اطلاعات را برای سیاست گذاران فراهم می‌کند. اکنون دیگر نیازی به انتظار در جهت تجمیع اطلاعات مربوط به مصرف بنزین برای تصمیم گیری در مورد قیمت آن نیست و سیاست‌گذاران می‌توانند مصرف آن را به صورت لحظه ای رصد کنند
یکی از راه‌های تأثیرگذاری کلان داده ها در مرحله اجرای فرآیند خط‌مشی ، تولید داده‌های واقعی است. اجرای سیاستهای جدید بلافاصله داده‌های جدیدی تولید می‌کند ، که می‌تواند برای ارزیابی اثربخشی سیاست‌ها و بهبود فرایندهای اجرای آینده مورد استفاده قرار گیرد. آزمایش یک سیاست جدید در زمان واقعی می‌تواند بینشی در مورد اینکه آیا این اثر مطلوب را دارد یا نیاز به اصلاح دارد فراهم کند. این موضوع در ارتباط با کلان داده منجر به افزایش استقلال برای ادارات عمومی‌می‌شود، و به آنها امکان واکنش سریع در مورد نتایج ارزیابی را می‌دهد. دولت‌ها می‌توانند از آزمایش‌های خرد به صورت بلادرنگ و در زمان حال برای آزمایش سیاست‌ها با دستکاری متغیرهای ورودی در قانون، بازارها، معماری، هنجارهای اجتماعی و اطلاعات و ... استفاده کنند. اثرات مرتبط با این متغیرهای تغییر یافته را می‌توان با دقت زیادی به منظور پیشنهاد ، آزمایش ، ارزیابی و در طراحی مجدد مداخله در سیاست سنجید.
2. استفاده از کلان داده و هوش مصنوعی چندین بهره بخشی برای سیاست گذاران دارد و آنها قادر خواهند بود تا موارد غیر نرمال را در میان داده‌ها کشف کنند. این موارد غیر نرمال می‌تواند به طور مثال فساد مالی یا روند‌های ناشی از عدم اجرای درست قانون باشد که به دلیل عدم تطابق در میان اطلاعات توسط سیستم‌های هوش مصنوعی قابل رهگیری است.
3- استفاده ازکلان داده و هوش مصنوعی می‌تواند داده‌های از دسته رفته را نیز برای سیاست گذار شبیه سازی کند. در واقع ایرادی که اینجا به رویکرد پایین به بالا وارد است عدم ایجاد یک تصویر بزرگ از حوزه مساله و خط‌مشی است؛ حال انکه با استفاده از داشبوردهای اطلاعاتی و هوش مصنوعی در رویکرد پایین به بالا نه تنها تصویر کلی از حوزه مساله خواهیم داشت بلکه آن بخش از اطلاعات ناقص که به دلایل مختلف در دست سیست گذار در شرایط عادی نخواهد بود را نیز به وسیله شبیه سازی توسط هوش مصنوعی خواهیم داشت.
4- در کنار همه موارد گفته شده تحلیل روند‌ها هوش مصنوعی بر روی کلان داده ها دید بصری قابل توجهی نسبت به آینده به خط‌مشی گذاران می‌دهد. در واقع داشبوردهای اطلاعاتی به دلیل بهرگیری از فناوری‌های گسترده، خود یکی از مهمترین ابزار و تکنولوژی‌ها در تحلیل داده به حساب می‌آیند و می‌توانند ضعف ناشی از نداشتن تصویر کلی در سیاست‌گذاری از پایین به بالا رادر سیاست‌گذاری را حل کنند.
دوم: استفاده از کلان داده برای حل نارسایی ناشی از نبود مشروعیت تصمیمات
استفاده از پلتفرم‌های جمع‌سپاری یکی از نوآوری‌ها و تکنولوژی‌هایی است که استفاده از آن رو به افزایش بوده است. در خط‌مشی‌گذاری با رویکرد پایین به بالا، یکی از نگرانی‌ها این است که اختیارات بخشی یا محلی در تعارض با اختیارات دولت مرکزی واقع شود و یا این که تصمیمات به دلیل نداشتن مشروعیت به درستی نتیجه‌بخش نشوند. استفاده از جمع‌سپاری این ریسک را در اجرای از پایین به بالا از بین می‌برد. جمع‌سپاری قانون‌نویسی یکی از مصادیق بهره‌گیری حکومت‌ها از خرد جمعی در بستر فناوری اطلاعات است. حکومت‌ها همواره با وضع قوانین سعی دارند که امنیت و آسایش را برای شهروندانشان به ارمغان بیاورند. علاوه بر این به کارگیری کلان داده ها امکان تحلیل روند و تحلیل محتوا از نظراتشهروندان را برای ما فراهم می آورد
سوم: استفاده از کلان داده ها برای سیاست در بحران
در منابع از جمله کتاب اجرا و ارزیابی دکتر منوریان ذکر شده است که در حل مسائل و اجرا با رویکرد پایین به بالا ما نیازمند منابع و زمان بسیار زیاد هستیم. به این معنی که سیاست‌گذاری و تصمیم گیری با استفاده از این رویکر مستلزم صرف زمان ریاد است و در موارد بحرانی مانند جنگ و زلزله ما امکان استفاده از این رویکرد پایین به بالا را نداریم.
استفاده از تحلیل محتوا شبکه‌های اجتماعی از جمله توئیتر یکی از تکنیک‌هایی است که در زمان بحران می‌تواند مورد استفاده قرار گیرد. به تازگی استفاده از این روش در ژاپن آغاز شده است. به اذعان مسئولان ژاپنی با استفاده از این روش به سریع ترین شکل ممکن اطلاعات را از رده‌های پایین به رده‌های بالا منتقل می‌شود. همچنین نارسایی‌های مربوط به هر بخش با استفاده از مِتادیتاها مربوط به هر توئیت مورد شناسایی قرار می‌گیرد. به طور مثال در با تحلیل محتوای پیام‌ها درباره الویت ارسال نیروهای روانپزشک به بخشهای مختلف زلزله زده تصمیم گیری می‌شود.
چهارم: استفاده از کلان داده ها در شناسایی شبکه‌های خط‌مشی با استفاده از خوشه بندی
در خط‌مشی گذاری چه در مرحله تدوین و چه در مرحله اجرا و چه در تحلیل و ارزیابی آن توجه به شبکه‌های خط‌مشی از اهمیت بسیاری برخوردار است. در واقع امروزه برای همه فعالان این حوزه پذیرفته شده است که چه با نگاه فرایندی و چه با نگاه مرحله ای به خط‌مشی گذاری نگاه کنیم تحلیل محیط و بازیگران یکی از مهمترین اعمالی است که باید هر خط‌مشی گذار انجام دهد. مباحث مربوط به شبکه‌های خط‌مشی و اجرا و ارزیابی از سوی سایرین مورد بررسی قرار گرفته است. آنچه در اینجا موضوع بحث ماست شناسایی این شبکه‌ها است.
یکی از روال‌هایی که به صورت متداول شاهدش بوده‌ایم آن است که ابزارها و فناوری ها و روش‌ها مانند استفاده از کلان داده ها در میان مدیریت بخش عمومی و خصوصی جابجا شده و هر کدام از ابزارهای دیگری برای بهبود عملکرد خود بهره گرفته اند. به طورمثال برنامه ریزی بر مبنای سناریو در ابتدا در بخش عمومیمورد ابداع و استفاده بوده است اما هم اکنون در بخش خصوص نیز از آن استفاده می‌شود و یا برخی از تکنیک‌های مربوط به تحلیل ذینفعان در بخش خصوصی مطرح شده و برخی در بخش عمومی‌نیز آن رابه کار گرفته اند.
درباره شناسایی شبکه‌های خط‌مشی نیز می‌توانیم به چنین اشاعه ای اشاره داشته باشیم. تحلیل کلان داده ها هر چند در هر دو بخش خصوصی و عمومیمورد توجه قرار گرفت اما در بخش خصوصی به کار گیری آن و بهرمندی از نتایجش سریع تر اتفاق افتاد. نمونه این استفاده را در بخش بندی مشتریان در علم بازاریابی شاهد هستیم. در علم بازاریابی با تحلیل کلان داده ها و به طور مشخص با استفاده از خوشه بندی اطلاعات توانسته اند که بخشهای مختلفی از اطلاعات را دسته بندی کنند و بر مبنای آن آمیخته بازاریابی را برای هر بخش طراحی کنند.
به صورت مشابه این امکان برای بخش عمومی‌نیز وجود دارد که با تحلیل خوشه بندی بر روی کلان داده‌ها بتوانید شبکه‌های مختلف را در یک حوزه موضوعی استخراج کند. خوشه‌بندی به عنوان یکی از روش‌های بدون نظارت تشخیص الگوهای پنهان شناخته می‌شود و با تحلیل حجم عظیم داده‌های شبکه می‌تواند به آرا و نظرات حول یک موضوع و یا رفتار شهروندان را مورد بررسی قرار دهد و گروه‌های مختلف را به ما معرفی کند.
اجرای سیاست‌ها می‌توانند توسط کلان داده Big Data از دو طریق تحت تأثیر قرار بگیرند:
اول ، توانایی مشخص کردن حوزه مشکل می‌تواند راهی برای اجرای سطوح مختلف شدت سیاست باشد. به عنوان مثال ، افزایش پلیس می‌تواند با دقت بیشتری روی مناطق مشکل ساز متمرکز شود و از این طریق وقوع جرم در نقطه منشأ آن کاهش یابد.
دوم ، اجرای دقیق سیاستهای جدید تقریباً بلافاصله داده‌های جدیدی را تولید می‌کند ، که می‌تواند از این طریق برای ارزیابی اثربخشی این سیاست‌ها و تقویت فرآیندهای اجرایی آینده با شناسایی مشکلات برنامه‌های قبلی استفاده شود. تولید داده در مورد اجرای سیاستهای نه پس از آن بلکه در حین اجرای می‌تواند انعطاف پذیری بی سابقه ای را در هنگام تبدیل ایده‌های سیاست به سیاستهای قابل اجرا به وجود آورد. به عنوان مثال ، کد مالیاتی توزیع مجدد جدید می‌تواند تقریباً بصورت بلادرنگ مورد آزمایش قرار گیرد که آیا دارای اثر مطلوب است یا اصلاح آن ضروری است و یا بر هر یک از خوشه‌ها و شبکه‌های خط‌مشی چگونه اثر گذار است . همانطور که در ابتدا در این مقاله ذکر شد ،چنین استفاده‌ای از کلان داده در سیاست این به معنای افزایش استقلال برای ادارات دولتی است تا بتوانند در اسرع وقت نسبت به نتایج ارزیابی ورودی واکنش نشان دهند
پی‌نوشت
اگر پژوهشگرِ خط‌مشی‌گذاری هوش مصنوعی و یا کنشگر در سطوح مختلف مدیریتی باشید حتما نیاز به مطالعه مجموعه‌ای از اسناد مربوط به این موضوع دارید .در AI Policies and Plans Repository مجموعه‌ای قابل دانلود از
استراتژیهای ملی در حوزه هوش مصنوعی،
خط مشی گذاری‌های در حوزه هوش مصنوعی،
انواع نقشهراه در حوزه خط مشی گذاری هوش مصنوعی،
انواع گزارشهای معتبر سیاستی معتبر در بعد حاکمیتی هوش مصنوعی،
انواع ابزارهای تحلیلی برای توسعه و ارزیابی هوش مصنوعی،
رتبهبندیهای مختلف در ارتباط سیاست گذاری هوش مصنوعی،
و معرفی منابع معتبر آموزشی و علمی در ارتباط با هوش مصنوعی است.
اطلاعات بیشتر و نحوه دسترسی به این پروژه را در پست زیر بخونید
درباره AI Policies and Plans Repository
از طریق کانال‌های زیر می‌توانید با من در ارتباط باشید:
ایمیل من: javadsadeqi@gmail.com
آیدی تلگرام من: https://t.me/javaadsaadeghi
