دانشگاه تهران در رشته اژدهاکشی، دانشجو می‌پذیرد!

در ابتدا، معرفی کوتاهی از خودتان و حوزه‌ی تخصصی که در فضای علمی در آن فعالیت می‌کنید، بفرمایید.

عبدالله صفری هستم و رشته‌ی آمار را از چند سال پیش در اینجا شروع کردم؛ فکر می‌کنم یکی از جدیدترین اعضای گروه آمار باشم. در مورد حوزه‌ی فعالیتم، صحبت کردن کمی دشوار است چون تقریباً در هر حوزه‌ای تجربه‌ای کسب کرده‌ام. اگر بخواهیم خیلی کلی بگوییم، احتمالاً «دیتاساینس» (علم داده) مرتبط‌ترین واژه باشد، اما در حوزه‌های مختلفی حضور داشته‌ام. بیشترین کاربرد فعالیت‌های من در حوزه‌ی پزشکی بوده است، اما این‌ها صرفاً کاربرد هستند؛ اینکه چه بخشی از آمار را در آنجا استفاده کنیم، گستره‌ی بسیار وسیعی دارد. در واقع ما تلاش کردیم حوزه‌های مختلف آمار را با توجه به موقعیت‌هایی که در آن قرار گرفتیم، در مباحث پزشکی به کار بگیریم.

تصور می‌کنم فضای ذهنی شما بیشتر به سمت استفاده از الگوریتم‌ها و مدل‌سازی‌های موجود برای حل مسائل پزشکی پیشرفته باشد. اما ما ترجیح نمی‌دهیم که صرفاً یک الگوریتم را برداریم و در یک اپلیکیشن (برنامه) استفاده کنیم. این قبیل کارها معمولاً — بین خودمان باشد — بیشتر کار متخصصان علوم کامپیوتر (CS) است و ما کمتر به این شکل عمل می‌کنیم. رویکرد ما به این صورت است که اگر قرار باشد برای کاربرد خاصی از یک مدل استفاده کنیم، ابتدا بررسی می‌کنیم که آن اپلیکیشن و حوزه‌ی کاربردی چه ویژگی‌هایی دارد و ما در علم آمار چه ابزارها و مدل‌هایی در اختیار داریم. سپس سعی می‌کنیم بهترین مدل و ابزار را برای آن مسئله پیدا کنیم و اگر لازم باشد، آن مدل را شخصی‌سازی (Customize) کرده یا تغییر می‌دهیم تا برای آن مقصود مناسب شود. یعنی در آمار سعی می‌کنیم صرفاً به الگوریتم به چشم یک «جعبه سیاه» (Black Box) برای استفاده‌ی مستقیم نگاه نکنیم؛ نمی‌گویم هرگز این کار را انجام نمی‌دهیم، اما رویکرد اصلی ما این نیست.

این رویکرد شبیه به منطقی است که در بیوانفورماتیک داریم؛ به این صورت که یک مسئله‌ی زیستی یا یک پارامتر را شناسایی می‌کنیم و سپس یک آماردان بررسی می‌کند که چه الگوریتم‌هایی برای بهینه‌سازی آن وجود دارد. در واقع در حوزه‌ی آمار، بحث بر سر ارتقای ابزارهایی است که قرار است آن کاربردها را اجرا کنند. منظورم از ارتقای ابزار، لزوماً شخصی‌سازی نیست، بلکه از جنس توسعه‌ی یک مدل یا ابزار جدید است. این فرآیند می‌تواند منجر به خلق چیز جدیدی شود که طیفی از مسائل را در آن فضا حل کند.

البته من شخصاً ترجیح می‌دهم ابتدا ببینم در کدام اپلیکیشن‌ها شکاف و «گپ» بیشتری وجود دارد، سپس روی آن سرمایه‌گذاری کنیم و در صورت نیاز، به سراغ توسعه‌ی ابزار جدید برویم. اینکه ادعا کنم هر روز یک مدل جدید ابداع می‌کنیم، خیر؛ مدل جدید اتفاقی نیست که هر روز رخ دهد و بسیار به‌ندرت پیش می‌آید. من هم چنین ادعایی ندارم، اما روی مدل‌های موجود تغییرات بنیادی‌تری اعمال کرده‌ایم تا اینکه صرفاً یک شخصی‌سازی ساده برای یک کاربرد خاص باشد.

به عنوان مثال، موضوعی که همین دو سه ماه پیش در دانشکده ارائه شد، مربوط به چگونگی کار در بخش‌های زیستی و پزشکی بود. در مدل‌سازی‌های ما، ویژگی‌ها (Features)، پیش‌بینی‌کننده‌ها (Predictors) یا عوامل خطر (Risk Factors) بسیاری وجود دارند که ماهیتاً پیوسته هستند. اما این پیوسته بودن برای کاربران نهایی مانند زیست‌شناسان یا پزشکان تفسیرپذیر نیست. آن‌ها ترجیح می‌دهند این فیچرها یا پیش‌بینی‌کننده‌ها را به صورت دوتایی (Binary) یا طبقه‌بندی‌شده (Categorical) و در لایه‌های مختلف ببینند؛ زیرا درک آن و توضیح دادنش به بیمار بسیار ساده‌تر است.

برای مثال، یک مدل رگرسیون خطی ساده را در نظر بگیرید که متغیر «سن» در آن وجود دارد. اگر به پزشک بگویید به ازای هر یک سال افزایش سن، به‌طور میانگین فلان میزان ریسک بیماری افزایش می‌یابد، درک و انتقال این مفهوم به بیمار دشوار است. یا در مورد شاخص توده بدنی (BMI)، اگر بگویید با افزایش یک واحدی نسبت وزن به توان دوم قد، چنین اتفاقی می‌افتد، بیمار متوجه نمی‌شود. اما اگر بگویید شما با توجه به قدتان، در گروه‌ «اضافه وزن» قرار دارید و اگر وزن خود را کم کنید تا در گروه «متناسب» قرار بگیرید، ریسک بیماری قلبی شما این مقدار کاهش می‌یابد، این عدد و گروه‌بندی برای بیمار کاملاً قابل فهم است.

از نگاه آماری، تبدیل فیچرهای پیوسته به طبقه‌بندی‌شده اتفاق خوبی نیست و ما آن را نمی‌پسندیم، اما اگر مجبور به این کار شویم، روش بهینه برای این تبدیل چیست؟ برخی از «سیگما» استفاده می‌کنند که موضوع را احتمالی می‌کند و طبقه‌بندی مدنظر ما را انجام نمی‌دهد. سؤال آماری اینجاست: اگر بخواهیم پیش‌بینی‌کننده‌ها را طبقه‌بندی کنیم، چگونه این کار را انجام دهیم که کمترین میزان کاهش دقت در مدل رخ دهد؟ ما سعی می‌کنیم مسئله را بفهمیم، آن را به زبان آماری ترجمه کنیم و سپس برایش ابزار بسازیم. این کار نیازمند دید عمیقی نسبت به فضای الگوریتم‌هاست تا فرد بداند هر «پیچ تنظیم» در کجای الگوریتم قرار دارد. به همین دلیل است که می‌گویم نگاه صرفاً الگوریتمیک کافی نیست؛ چون با آن نگاه نمی‌توان این مسائل را به سادگی حل کرد.

خب برسیم به سؤال اول نشریه‌ی ما، این که شما در حوزه‌ی تخصصی خودتان، به دنبال فتح چه قله‌ای هستید؟ چه رؤیای علمی در این فضا دارید؟ یا اگر بخواهیم کاربردی‌تر بپرسیم، برای اصلاح چه چیزی آمده‌اید؟ قرار است این فضا پیش و پس از حضور شما چه تغییری بکند؟

سؤال بسیار سختی است. پیش از ورود به دانشگاه، ایده‌آل من این بود که مؤسسه‌ای داشته باشم و حتی نام «شادی» را هم برای آن انتخاب کرده بودم. این موضوع به سال‌ها قبل و گفتگوهایی که با دوستان داشتیم بازمی‌گردد. ایده‌ی محوری من این بود که در کنار دانشگاه، مرکزی وجود داشته باشد که با مسائل واقعی در ارتباط باشد؛ دقیقاً همان بحثی که درباره‌ی کاربرد آمار داشتیم. برای مثال، بسیاری از دانشگاه‌های بزرگ در مجاورت خود بیمارستان دارند؛ مانند دانشگاه تهران و بیمارستان شریعتی. در آنجا پزشکان و دانشجویان مستقیماً با بیمار و مسائل واقعی سر و کله می‌زنند. این اتفاق جالبی است؛ زیرا شما با مشکلاتِ دست‌اول در حوزه‌های مختلف مثل اقتصاد، جامعه‌شناسی، روان‌شناسی یا مهندسی مواجه می‌شوید. اما از آنجا که شاید خودِ بدنه دانشگاه مهارت کافی برای مدیریت این ارتباط را نداشته باشد، نیاز به حلقه‌های واسطی است که از یک سو با صنعت و پروژه‌های واقعی درگیر باشند و از سوی دیگر با دانشگاه در ارتباط باشند تا این تعامل شکل بگیرد. شاید این نگاه کمی ایده‌آل‌گرا باشد، اما نمونه‌ی عملی آن مؤسسه رویان است که هم پژوهشگاه است و هم در کنارش بیمارستان دارد و به درمان بیماران می‌پردازد.

من کُلِیتِ این دانشگاهی را که اکنون داریم، چندان نمی‌پسندم. به قول یکی از دوستان، مانند این است که شما «مهارت اژدهاکشی» یاد می‌گیرید، سپس همان را درس می‌دهید و شاگردان شما هم یاد می‌گیرند که درس بدهند؛ در حالی که اصلاً اژدهایی وجود ندارد! این فرآیند تا حدودی بیهوده به نظر می‌رسد. پیش از ورود به دانشکده‌ی پزشکی و مشاهده فضای آن، تصور دیگری داشتم اما بعد دیدم که ظاهراً این رویکرد عملی فعلاً در اولویت بالایی نیست که این موضوع کمی ناامیدکننده بود.

اما قله‌ای که اکنون برای خود تعریف کرده‌ام، صرفاً آماری نیست بلکه به جنبه‌های شغلی و انسانی هم مربوط می‌شود. هدف من این است که هم خودمان و هم دانشجویان باور کنیم که می‌توانیم کارهای بزرگی انجام دهیم. بگذارید مثالی بزنم؛ یک ماه پیش در کلاس کوچکم که هفت دانشجو دارد، پرسیدم چند نفر از شما قصد دارید پس از دکتری در ایران بمانید؟ هیچ‌کس تمایلی نداشت. وقتی علت را پرسیدم، گفتند اینجا نمی‌شود کاری کرد. دلیلشان هم این بود که مثلاً در کارهای آزمایشگاهی، قطعات و مواد اولیه یا پیدا نمی‌شوند یا قیمتشان بسیار فراتر از توان مالی دانشجو و استاد است.

این نگاه تا حدودی درست است، اما آیا همه‌ی کارهای ما وابسته به آزمایشگاه است؟ به نظرم ما به این باور رسیده‌ایم که اینجا صرفاً یک «سکو» برای رفتن است، پس به همان اندازه هم برایش سرمایه‌گذاری و تلاش می‌کنیم. در حالی که در حوزه‌هایی مثل علوم کامپیوتر یا بیولوژی محاسباتی، بسیاری از کارها تنها به یک سرور و GPU نیاز دارد که فراهم کردن آن نشدنی نیست. خلاصه اینکه اگر بتوانم این باور را حتی در گروه کوچکی از دانشجویان یا اعضای هیئت علمی ایجاد کنم که می‌توان کار مؤثری انجام داد، اتفاق بزرگی افتاده است.

سؤالی که پیش می‌آید این است که وقتی کسی در یک حوزه‌ی خاص مثل الگوریتم‌ها یا داده‌های زیستی متخصص می‌شود، آیا می‌تواند یک مسئله‌ی واقعی بیرونی را که هنوز مدل‌سازی نشده، ببیند و برای آن رویکرد دقیقی ارائه دهد؟ یا صرفاً ابزار دارد اما دیدِ شناسایی مسئله را ندارد؟

پاسخ کوتاه احتمالاً «خیر» است. من به عنوان متخصص آمار، لزوماً دانش عمیقی در بیولوژی سلولی و مولکولی ندارم. من مانند کسی هستم که یک جعبه‌ابزار حرفه‌ای در اختیار دارد و مهارت کار با آن‌ها را به‌خوبی می‌داند، اما لزوماً نمی‌تواند درباره‌ی ساختار درونی یک وسیله‌ی پیچیده صحبت کند. ما دپارتمان آمار زیستی داریم که قاعدتاً باید به این مباحث نزدیک‌تر باشند، اما فکر می‌کنم آن‌ها هم به‌تنهایی نمی‌توانند.

راهکار این موضوع، «کار تیمی» است. در دانشگاه باید شما به عنوان متخصص زیست‌شناس بگویید گپ‌ها و مشکلات کجاست و من به عنوان آماردان، ابزار حل آن را بیاورم. در ابتدا زبان ما بسیار متفاوت است. برای مثال، من دوستی در حوزه‌ی شیمی دارم که از سال ۱۳۸۵ با هم در ارتباط بودیم و همیشه دوست داشتیم همکاری کنیم، اما زبان مشترک نداشتیم. وقتی من از «مدل‌سازی» صحبت می‌کردم، او تصور دیگری داشت. حدود ۱۵ سال طول کشید تا ما به زبان مشترک برسیم و اولین مقاله‌ی مشترکمان را در سال ۱۴۰۲ منتشر کنیم.

باید از یک جا شروع کرد؛ وقتی دو متخصص از دو حوزه‌ی مختلف در کنار هم قرار می‌گیرند، آنقدر با هم چالش می‌کنند تا زبان یکدیگر را یاد بگیرند. این زنجیره یواش‌یواش موجی ایجاد می‌کند که به بقیه هم می‌رسد. درست است که در ابتدا دو زبان و دو رویکرد کاملاً متفاوت وجود دارد، اما در طول زمان و در کنار هم، این تخصصِ مشترک ساخته می‌شود. اگر بخواهیم خیلی خلاصه بگوییم، رؤیای من ایجاد فضایی در دانشگاه است که در آن مسائل واقعی ارائه شود؛ تا دانشجویی که ترم اول ریاضی یا آمار است، هم‌زمان با یادگیری علوم پایه، ذهنش درگیر حل مسائل واقعی باشد که در نهایت باید به آن‌ها پاسخ دهد.

برای تحقق این هدف، چه موانعی باید برطرف شود؟ چه اتفاقاتی باید رخ دهد و چه کسانی باید پای کار بیایند؟ از ما چه کمکی برمی‌آید؟ شاید لازم باشد ما این مسیر را هموار کنیم.

من چندان معتقد نیستم که باید حتماً سیستم آموزشی یا قوانین کلان کشور را تغییر دهیم تا شرایط فراهم شود؛ این منطق که «شرایط را آماده کنید تا من کار کنم»، هنر نیست. اگر کسی واقعاً دغدغه دارد، باید خودش آستین بالا بزند. من در این مورد مخاطبم خودم هستم، نه شما. اگر فکر می‌کنم موضوعی مهم است، باید برایش کاری انجام دهم، نه اینکه منتظر اصلاح قوانین در وزارت علوم یا دانشگاه تهران بمانم. به نظرم صحبت از موانع قانونی و ساختاری، بیشتر زمانی مطرح می‌شود که یا نمی‌خواهیم کاری انجام دهیم یا انگیزه‌ی کافی نداریم.

ما باید خودمان اقدام کنیم. من شاید به اندازه‌ی کافی در این زمینه فعال نبوده‌ام، اما در همین دانشگاه تلاش کرده‌ام به دانشکده‌های دیگر پل بزنم. به نظرم «گام صفر» این است که فعلاً از خیرِ ارتباط با صنعت (خارج از دانشگاه) بگذریم، چون فعلاً دور از دسترس است. گام نزدیک‌تر این است که در همین دانشگاه تهران که دانشگاه مادر است و رشته‌های متنوعی دارد، با دیگران ارتباط بگیریم. این‌ها محیط‌های آکادمیک هستند و زبانمان به هم نزدیک‌تر است. منطقاً باید بتوانیم با آن‌ها پروژه‌های علمی مشترک تعریف کنیم. مگر به دنبال سؤال واقعی نیستیم؟ خب، در دانشکده‌های پزشکی سؤالات واقعی فراوانی وجود دارد. باید برویم دغدغه‌ها و نیازهای آن‌ها را بشنویم و ببینیم کجا می‌توانیم همکاری کنیم.

در این مسیر دانشجویان را هم با خود همراه می‌کنید؟

بله، می‌تواند با حضور دانشجویان باشد یا بدون آن‌ها؛ هر دو حالت ممکن است. اگر موفق شویم این حصار داخل دانشگاه را بشکنیم، آن وقت می‌توانیم امیدوار باشیم که از این محیط خارج شده و با دنیای بیرون و صنعت هم تعامل کنیم.

می گویند این خطر هم وجود دارد که مثلاً یک دانشجوی ترم دوم کارشناسی، آن‌قدر درگیر حل مسائل واقعی و جزئیات اجرایی (که گاهی بسیار وقت‌گیر و فرسایشی است) شود که از جنبه‌های نظری و مدل‌سازی غافل بماند. برقراری تعادل بین یادگیریِ با آرامشِ علم و درگیری با اپلیکیشن‌های واقعی، هنر می‌خواهد. برخی معتقدند درگیری زودهنگام با این مسائل به آرامش علمی آسیب می‌زند و دانشجو ممکن است به دلیل دغدغه‌هایی مثل کسب درآمد، از مسیر اصلی خارج شود.

من متوجه این دغدغه‌ها هستم، اما به نظرم این مسائل (چه مالی و چه کاربردی) در هر صورت وجود دارند؛ چه ما پروژه‌ی واقعی تعریف کنیم و چه نکنیم. اگر انجام این پروژه‌ها کمکی به دانشجو نکند، قطعاً مانع او هم نخواهد بود. این فعالیت‌ها در کنار آموزش قرار می‌گیرند و لزوماً باعث ایجاد دغدغه‌ی جدید نمی‌شوند، بلکه شاید به آن‌ها جهت بدهند. بنابراین همچنان با اصل موضوع مشکلی ندارم.

خودتان در حال حاضر برای این مقصود چه می‌کنید؟

صادقانه بگویم، شاید به دلیل کمی تنبلی، بخش زیادی از فعالیت‌های من هنوز با همان گروه‌هایی است که پیش از ورود به دانشگاه با آن‌ها کار می‌کردم؛ چون راحت‌تر است. من همچنان مسائل واقعی را حل می‌کنم، اما متأسفانه این مسائل لزوماً متعلق به این دانشگاه نیستند و این موضوعی است که خودم با آن چالش دارم.

در داخل دانشگاه، تا به حال با دو گروه به‌طور جدی وارد مذاکره شده‌ام: یکی گروه «آمار زیستی» و دیگری مرکز «مطالعات کوهورت» در دانشکده داروسازی. پیگیری‌های زیادی هم انجام دادم، تماس هایشان را پاسخ نمی دادم و حضوری به دفترشان می رفتم. در جلسات حضوری همه استقبال کردند، اما در مقام عمل، پیگیری و علاقه‌ای برای ادامه‌ی همکاری نشان ندادند و ارتباطات قطع شد. در حال حاضر با تعدادی از متخصصان جامعه‌شناسی و روان‌شناسی در حال گفتگو هستم؛ آن‌ها ظاهراً دغدغه‌مندتر هستند. تلاش می‌کنم این پل‌های ارتباطی را با اعضای هیئت علمی دانشکده‌های دیگر بسازم، هرچند به دلیل فراهم نبودن ساختارها، مقاومت‌هایی وجود دارد.

درباره‌ی ارتباط مستقیم با دانشجویانِ دیگر رشته‌ها چطور؟ مثلاً دانشجویان پزشکی یا بیوتکنولوژی که خودشان مسئله‌ی واقعی دارند. فضای دانشجویی شاید پتانسیل بیشتری برای این ارتباطاتِ بی‌واسطه داشته باشد.

ارتباط مستقیم با دانشجو کمی حساس است. در دوره‌ی تحصیلات تکمیلی، دانشجویان استاد راهنما دارند و ارتباط بدون هماهنگی با استاد ممکن است تبعات خوبی نداشته باشد. در مورد دانشجویان کارشناسی هم، چون شناخت کافی از علایق و مهارت‌هایشان ندارم، ارتباط مستقیم کمی کورکورانه به نظر می‌رسد.

تصور من این بود که اگر با اعضای هیئت علمی ارتباط برقرار کنم، آن‌ها به عنوان یک پل، دانشجویان مستعد (چه کارشناسی و چه تحصیلات تکمیلی) را به ما لینک می‌کنند. فکر می‌کردم نقطه‌ی ثقل اثرگذاری روی سیستم، اساتید هستند. البته این رویکرد تا الان نتیجه‌بخش نبوده است. شاید لازم باشد نگاهم را تغییر دهم و مستقیماً با خودِ دانشجویان ارتباط بگیرم؛ شاید آنجا اتفاقات بهتری بیفتد.

سؤال آخر؛ اگر به ترم یک کارشناسی برگردید، برای رسیدن به این رؤیا چه می‌کنید؟ چطور درس می‌خوانید؟

چه سؤال خوبی؛ تا به حال به این صورت به آن فکر نکرده بودم. با توجه به اینکه مخاطبان این نشریه دانشجویان هستند، اگر به عقب برمی‌گشتم، قطعاً درس‌های بیشتری از دانشکده‌های دیگر برمی‌داشتم. این کار هم شناخت من را نسبت به حوزه‌های دیگر بیشتر می‌کرد و هم با جو آن دانشکده‌ها و اساتیدشان آشنا می‌شدم. یکی از مشکلات فعلی من این است که فضا و آدم‌ها را نمی‌شناسم و کاملاً تصادفی با افراد وارد گفتگو می‌شوم. اگر شناخت قبلی داشتم، کار بسیار ساده‌تر می‌شد.

کدام دانشکده‌ها یا چه درس‌هایی مد نظرتان است؟ مثلاً فیزیولوژی در دانشکده پزشکی؟

استاد: بله، مثلاً پزشکی یا داروسازی. البته نمی‌خواستم پزشک شوم، اما دوست داشتم بدانم در فیزیولوژی یا بافت‌شناسی چه می‌گذرد. این کار به من دید می‌داد. همچنین سعی می‌کردم با مراکزی مانند مؤسسه رویان یا کلینیک‌های دانشگاه تهران ارتباط نزدیک‌تری برقرار کنم تا دیدِ کاربردی‌تری پیدا کنم.

حالا شما با توجه به صحبت‌هایی که شنیدید و درکی که دارید، فکر می‌کنید برای رسیدن به این هدف چه باید کرد؟