https://virgool.io/feed/@erfan.loghmani fa 2026-06-20 07:06:29 https://files.virgool.io/upload/users/6068/avatar/avatar.png?height=120&width=120 https://virgool.io/@erfan.loghmani https://virgool.io/@erfan.loghmani/%D8%A8%D8%B1%D8%A7%D8%A8%D8%B1%DB%8C-%D8%AF%D8%B1-%D9%86%D9%88%D8%A2%D9%88%D8%B1%DB%8C-gydfz387fr8h توی این قسمت از کلاس می‌خوایم بررسی کنیم که اگه همهٔ آدما فرصت‌های برابر داشتن آیا باعث می‌شد رشد اقتصادی بیشتری رو هم شاهد باشیم؟ سوال سوال سختیه… بخش اول سختی سوال از اینجا میاد که سوال با یه اگر بزرگ شروع میشه که چون اتفاق نیفتاده خیلی سخت می‌تونیم بررسیش کنیم. به علاوه رشد اقتصادی هم پارامترهای مختلفی داره و این که چطوری می‌تونیم به تک‌تک آدم‌های جامعه متصلش کنیم و نقش هر نفر رو اندازه بگیریم کار سختیه.برای پرداختن به مساله کاری که می‌تونیم بکنیم اینه که یه عامل مرتبط با رشد اقتصادی رو بسنجیم که شهوداً به نظرمون باهاش مرتبطه. آقای چتی (Chetti) توی این جلسه میزان نوآوری رو برای این کار انتخاب می‌کنه و برای این بررسی از سه منبع داده استفاده می‌کنه: اطلاعات Patent(ثبت اختراع)های ثبت شده به عنوان معیار بروز نوآوری، اطلاعات مالیاتی شهروندا، و نمرهٔ دانش‌آموزا توی مدرسه.مشاهده: بچه‌های با درآمد والدین بیشتر بیشتر نوآوری می‌کنناولین مشاهده‌ی مهم با بررسی این داده اینه که کسایی که پدر و مادر ثروتمندتری دارن به میزان قابل توجهی بیشتر از افراد دیگه اختراع ثبت می‌کنن.تعداد فرزندان دارای ثبت اختراع در هر هزار نفر برای خانواده‌های با صدک‌های درآمدی مختلف منبع: opportunityinsights.com این مشاهده مشاهدهٔ جالبیه ولی قبل از این که نتیجه‌ای بگیریم خوبه که از خودمون بپرسیم این اتفاق می‌تونه چه علت‌هایی داشته باشه:توانایی: شاید توانایی ذاتی بچه‌های ثروتمندتر بیشتره مثلا اطلاعات ژنتیکی بهتری از خانواده بهشون منتقل شده.ترجیح: شاید بچه‌های کم‌درآمد ترجیح کمتری برای کارهای نوآورانه داشته باشن… مثلا چون ریسکش بیشتره ترجیح می‌دن برن توی شغل‌های با ریسک کمتر مثل پزشکی.محدودیت‌ها: و حالت سوم این که شاید بچه‌ها از نظر توانایی و علایق چیزی کم ندارن ولی به دلیل دسترسی نداشتن به منابع مورد نیاز کمتر ثبت اختراع دارن.بیاید فکر کنیم که هر مورد رو چطور می‌تونیم اندازه بگیریم. با مورد اول شروع کنیم. چطور می‌تونیم تاثیر عوامل ذاتی رو توی نوآور بودن یا نبودن یه نفر بررسی کنیم؟ من یکم فکر کردم و به نظرم کار سختیه. مثلا برای بررسی دقیقش باید بتونیم دقیقا تاثیر عوامل ژنتیکی رو روی رفتار آدما اندازه بگیریم، یا دو نفر که توی شرایط کاملا یکسان بزرگ شدن ولی از نظر ژنتیکی متفاوتن رو بررسی کنیم.تفاوت به خاطر تفاوت‌های ژنتیکیه؟یه راه‌کار نه چندان دقیق ولی کارراه‌انداز برای پرداختن به این مشکل اینه که هر چه بیشتر به کودکی فرزندا نزدیک‌ بشیم. شهود پشت این کار چیه و چرا با نزدیک شدن به کودکی به نظرمون عملکرد بچه بیشتر متناسب با ویژگی‌های ذاتی‌ش خواهد بود؟ شهود کلی اینه که وقتی سن بچه‌ها کمتره محیط هم روشون تاثیر کمتری گذاشته و توی سن کمتر رفتار فرزندا به توانایی‌شون نزدیک‌تره.برای انجام این بررسی میایم و اطلاعات نمره‌های مدرسه رو درگیر می‌کنیم.میانگین تعداد دانش‌اموزان دارای ثبت اختراع در بزرگ‌سالی در هر هزار نفر به ازای دسته‌های مختلف نمرهٔ ریاضی کلاس سوم آن‌ها منبع: opportunityinsights.com این نمودار نشون می‌ده که بچه‌هایی که نمرهٔ ریاضی کلاس سومشون بالاتره با نرخ بیشتری در آینده اختراع ثبت می‌کنن. این مشاهده انگار بهمون می‌گه که نمرهٔ ریاضی کلاس سوم می‌تونه تاثیر مهمی توی مخترع شدن یا نشدن بچه داشته باشه. ولی صبر کنید قبلش خوبه بپرسیم چقدر از این بیشتر مخترع شدنه به خاطر نمرهٔ بیشتر داشتنه و چقدرش به خاطر پولدارتر بودن کساییه که نمرهٔ بیشتر گرفتن؟بیاید نمودار رو براساس درآمد والدین بشکنیم.میانگین تعداد دانش‌اموزان دارای ثبت اختراع در بزرگ‌سالی در هر هزار نفر به ازای دسته‌های مختلف نمرهٔ ریاضی کلاس سوم آن‌ها به تفکیک پردرآمد/کم‌درآمد بودن والدین منبع: opportunityinsights.com همون‌طور که می‌بینیم دانش‌اموزهای با نمرهٔ بالا اگه والدینشون پردرآمد باشن با نرخ خیلی بییشتری ثبت اختراع می‌کنن و نمرهٔ ریاضی به تنهایی اطلاعات کافی برای پیش‌بینی احتمال مخترع شدن دانش‌آموزا رو نداره.نمرهٔ ریاضی چقدر دربارهٔ مخترع شدن حرف داره؟به بیان دیگه نمرهٔ ریاضی چقدر می‌تونه دربارهٔ مخترع شدن یا نشدن یک نفر اطلاعات توی خودش داشته باشه؟ قبل از این که به این سوال جواب بدیم خوبه یه چیز دیگه رو هم بررسی کنیمتوزیع نمرهٔ ریاضی کلاس سوم دانش‌آموزان در خانواده‌های پردرآمد/کم‌درآمد منبع: opportunityinsights.com این نمودار توزیع نمرهٔ ریاضی بچه‌ها رو برای خانواده‌های پردرآمد و کم‌درآمد نشون می‌ده. می‌بینیم که توزیع نمرهٔ بچه‌های خانواده‌های پردرآمد بیشتر به سمت راست متمایله که یعنی بچه‌های پردرآمد نمرهٔ ریاضی بیشتری دارن.حالا می‌خوایم ببینیم چه بخشی از اختلاف نوآوری که بین بچه‌های خانوادهٔ پردرآمد با خانوادهٔ کم‌درآمد مشاهده می‌کنیم با نمرهٔ ریاضیشون قابل توضیحه. برای این کار باید بتونیم تاثیر درآمد توی نمرهٔ ریاضی رو حذف کنیم. بذارید یه مثال کوچیک بزنیم. فرض کنید فقط دو تا نمرهٔ A و B داریم و ۳۰۰ تا دانش‌آموز از خانوادهٔ کم‌درآمد و ۳۰۰ تا دانش‌آموز از خانوادهٔ پردرآمد و داریم:۱۵۰ نفر از دانش‌آموزهای خانوادهٔ کم‌درآمد نمرهٔ A و ۱۵۰ نفر نمرهٔ B گرفتن۲۰۰ نفر از دانش‌آموزهای خانوادهٔ پردرآمد نمرهٔ A و ۱۰۰ نفر نمرهٔ B گرفتنحالا اگه ما بیایم و به صورت ساده میزان نوآوری فرزندهای خانواده‌های پردرآمد رو با خانواده‌های کم‌درآمد مقایسه کنیم به یه عددی می‌رسیم که نشون‌دهندهٔ میزان اختلاف نوآوری کلی بین این فرزندهاست.. این عدد هر چند به طور کلی تاثیر درآمد رو نشون میده اما یه سوال مهم رو جواب نمی‌ده. این که اگه فرزندهای خانواده‌های کم‌درآمد می‌تونستن نمره‌هایی مثل نمره‌های فرزندهای پردرآمد کسب کنن این اختلاف چقدر می‌شد؟ در واقع اگه می‌تونستیم تاثیر درآمد رو تا سال سوم حذف کنیم و بچه‌های کم‌درآمد می‌تونستن همون عملکردی رو داشته باشن که بچه‌های پردرآمد داشتن، اون موقع از این به بعد تفاوت عملکردشون توی نوآوری چطور می‌شد؟توی این مثال کوچیک برای جواب دادن به این مساله توزیع نمرهٔ بچه‌های خانواده‌های کم‌درآمد رو با توزیع نمرهٔ بچه‌های خانواده‌های پردرآمد یکی می‌کنیم به این صورت که اگه بچه‌های پردرآمد به نسبت ۲ به یک نمرهٔ A گرفتن ما هم برای این که به همین نسبت توی بچه‌های کم‌درآمد برسیم بیایم و هر بچهٔ کم‌درآمدی که نمرهٔ A گرفته رو دو بار توی محاسبهٔ میانگین در نظر بگیریم که معادل اینه که وزن بچه‌های کم‌درآمد با نمرهٔ رو ۲ در نظر بگیریم و میانگین وزن‌دار بگیریم. به این کار Propensity Score Reweighting می‌گن. با این وزن‌دهی اگه بیایم میانگین دانش‌آموز‌های کم‌درآمد رو با دانش‌آموزهای پردرآمد مقایسه کنیم انگار تاثیر محیط رو تا اینجا از بین بردیم و فرض کردیم که بچه‌ها از هر پس‌زمینه‌ای تونستن نمره‌های یکسانی بگیرن.اگه روش مشابه این مثال رو روی داده‌های واقعی پیاده کنیم می‌بینیم که فقط سی درصد از اختلاف بین بچه‌های خانواده‌ٔ کم‌درآمد و پردرآمد از بین می‌ره. یعنی دیدن نمره‌های بچه‌ها توی سوم دبستان فقط می‌تونه سی درصد اختلاف رو توضیح بده و هفتاد درصد تفاوت‌ها بعد از سوم دبستان به وجود میاد که میشه گفت تاثیر محیط بعد از اون زمانه. حالا آیا می‌تونیم بگیم این سی درصد در واقع تاثیر عوامل ذاتی توی عملکرد بچه‌هاست؟ هر چند به کودکی بچه‌ها نزدیک شدیم ولی تا سوم دبستان هم می‌دونیم محیط خیلی روی بچه‌ها تاثیر گذاشته و احتمالا تاثیر عوامل ذاتی خیلی کمتر از این سی درصد هم باشه.اگه همین تحلیل رو برای نمره‌های سال‌های مختلف انجام بدیم می‌بینیم که هر چی بچه‌ها بزرگ‌تر میشن نمرشون می‌تونه بخش بیشتری از تفاوت میزان نوآوریشون توی آینده رو توضیح بده.درصدی از اختلاف فرزندان خانواده‌های کم‌درآمد نسبت به پردرآمد که با نمرهٔ ریاضی سال‌های مختلف دانش‌آموزان قابل توضیح است منبع: opportunityinsights.com جنسیت و نژاد چجوری نقش بازی می‌کنن؟علاوه بر تحلیل درآمد خانواده می‌تونیم همین تحلیل روی نمره رو بر اساس نژاد و جنسیت هم انجام بدیم. متاسفانه می‌بینیم که این دو عامل هم به صورت معنی‌داری در میزان نوآوری بچه‌ها موثرن:میانگین تعداد دانش‌اموزان دارای ثبت اختراع در بزرگ‌سالی در هر هزار نفر به ازای دسته‌های مختلف نمرهٔ ریاضی کلاس سوم آن‌ها به تفکیک نژاد منبع: opportunityinsights.com میانگین تعداد دانش‌اموزان دارای ثبت اختراع در بزرگ‌سالی در هر هزار نفر به ازای دسته‌های مختلف نمرهٔ ریاضی کلاس سوم آن‌ها به تفکیک جنسیت منبع: opportunityinsights.com همون طور که می‌بینیم بین بچه‌های با نمرهٔ بالا، پسرها بیشتر به سمت مسیر نوآوری می‌رن. اگر بخوایم روند تغییر نوآوری خانم‌ها در مقابل آقایون رو بررسی کنیم می‌تونیم توی متولدین هر سال بررسی کنیم چه درصدی از متولدین اون سال که اختراع ثبت کردن خانم بودن.درصد مخترعین مونث نسبت به کل مخترعین متولد شده در یک سال در طول زمان منبع: opportunityinsights.com قسمت امیدوارکنندهٔ نمودار اینه که این درصد داره زیاد می‌شه، ولی نرخ رشدش کمه و با این نرخ باید ۱۱۸ سال منتظر بمونیم تا درصد ثبت اختراع خانم‌ها به پنجاه درصد برسه و باید ببینیم چطور می‌تونیم این روند رو تسریع کنیم.تا اینجا دیدیم که عوامل ژنتیکی و توانایی‌های اولیه تاثیر کمی توی میزان نوآوری افراد دارن و نقش عواملی مثل درآمد خانواده، جنسیت و نژاد به صورت عددی قابل توجه‌تره. البته باید حواسمون باشه که بررسی‌هایی که روی نمره‌ها کردیم می‌تونه دقیقا این نتیجه رو بهمون نده که توانایی‌های اولیه تاثیر کمی دارن. به نظرتون این نتیجه‌گیری چه مشکلایی می‌تونه داشته باشه؟ اولا نمره‌ها نمایندهٔ خوبی برای توانایی ذاتی نوآوری توی دانش‌آموزها نیستن و نمره می‌تونه سنجهٔ خوبی برای این موضوع نباشه. از طرف دیگه ممکنه که اطلاعات ژنتیکی موثر روی نوآوری توی سن‌های بالاتر خودشون رو بروز بدن و لزوما نمی‌شه گفت که هر چی به سن‌های پایین‌تر بریم به اطلاعات ژنتیکی نزدیک‌تر شدیم.در معرضش باشتوی این بخش می‌خوایم که به طور خاص تاثیر در معرض نوآوری بودن یک نفر رو توی این که اون فرد خودش در آینده به سمت نوآوری بره رو بررسی کنیم.اولین چیزی که بررسی می‌کنیم تاثیر مخترع بودن خود پدر و مادرهمیانگین تعداد فرزندانی که در بزرگ‌سالی اختراع ثبت کرده‌اند در هر هزار نفر برای فرزندانی که والدین مخترع دارند در مقابل فرزندانی که والدین مخترع ندارند منبع: opportunityinsights.com می‌بینیم که اگه یک نفر پدر و مادر مخترع داشته باشه احتمال مخترع شدنش تا نه برابر بیشتر می‌شه. اینجا باز سوالی که پیش میاد اینه که آیا این تاثیر زیاد به خاطر اینه که ثبت اختراع یه مسالهٔ ژنتیکیه؟ برای جواب دادن به این سوال از یه ویژگی از اختراع‌ها استفاده می‌کنیم. هر اختراعی توی یه دسته‌بندی‌ای انجام میشه که این دسته‌بندی‌ها بعضا خیلی باریک می‌شن و یه حوزهٔ خیلی کوچیک رو پوشش می‌دن. مثلا اختراع‌های توی حوزهٔ برق و الکترونیک می‌تونن دربارهٔ تقویت‌کننده‌ها، نوسان‌گرها و… باشه. ما می‌تونیم میزان فاصلهٔ دو تا دسته رو با کمک تعداد آدمایی که توی هر دو تا دسته اختراع ثبت کردن مشخص کنیم. شهودی که اینجا می‌خوایم استفاده کنیم اینه که اطلاعات ژنتیکی نمی‌تونن فقط به اختراع توی یه دسته‌بندی خاص و کوچیک کمک کنن و اگه مثلا یکی از والدین توی حوزهٔ نوسان‌گر اختراع ثبت کنن اگه قرار باشه اطلاعات ژنتیکی به فرزند منتقل بشه فرزند نباید فقط توی همون حوزهٔ خاص با احتمال بیشتری اختراع ثبت کنه. اگه فاصلهٔ دسته‌بندی اختراع والدین رو با فرزندها حساب کنیم و ببینیم چه تعدادی از فرزندا اختراعی با یه فاصلهٔ خاص از والدین داشتن به نمودار زیر می‌رسیم.توزیع فاصله‌ٔ دسته‌بندی اختراع فرزند از دسته‌بندی اختراع پدر منبع: oportunityinsights.com این نمودار نشون می‌ده که بیشتر بچه‌ها دقیقا توی همون دسته‌بندی‌ای اختراع ثبت می‌کنن که والدینشون اختراع داشتن. که نشون می‌ده که این اتفاق بیشتر به دلیل در معرض بودن فرزندها به اون جنس ایده‌ها و فکرهاست و نه به دلایل ژنتیکی.این مشاهده مشاهدهٔ جالبیه که والدین می‌تونن روی میزان مخترع بودن فرزندها تاثیر بذارن. دونستن این نکته جالبه ولی در عمل نمی‌تونیم راه‌کار اجرایی با دونستنش پیش‌نهاد بدیم چون نمی‌تونیم پدر و مادر بچه‌ها رو عوض کنیم. برای همین مساله رو از جنبهٔ دیگه‌ای که در معرض نوآوری بودن رو با معیار بزرگ‌تری اندازه می‌گیره استفاده می‌کنیم. برای این کار میایم و تاثیر همسایگی جایی که فرزندها توش بزرگ میشن رو توی مخترع شدن یا نشدنشون توی آینده بررسی می‌کنیم.تعداد بچه‌های مخترع در هر هزار نفر به روی نرخ ثبت اختراع در افراد بزرگ‌سال شهرهای مختلف منبع: opportunityinsights.com توی این نمودار می‌بینیم که جاهایی که افراد بزرگسالش بیشتر ثبت اختراع داشتن، فرزندهای اون منطقه هم بیشتر اختراع ثبت کردن. اینجا باز یه سوالی که مطرح می‌شه اینه که آیا این اتفاق فقط به خاطر اینه که آدم‌های مخترع می‌رن توی منطقه‌های خاص؟ یا این اتفاق تاثیر خود منطقه و آدماش هم هست. برای بررسی این موضوع اومدن و نشون دادن که بچه‌هایی که توی یه منطقه بزرگ شدن که یه نوع خاص نوآوری توش زیاد بوده، حتی وقتی رفتن به منطقهٔ دیگه باز هم نوآوریشون توی همون حوزه‌ای که توی محل بزرگ شدن در معرضش بودن بیشتر بوده.در معرض نوآوری بودن به تنهایی کافیه؟آیا فقط در معرض نوآوری بودن به تنهایی روی فرزندا تاثیر می‌ذاره؟ توی این مساله نقش جنسیت فرزندا و آدم‌های مخترع منطقهٔ بزرگ‌شدن فرزندا چیه؟تاثیر حضور مخترعین از جنسیت‌های مختلف بر روی بچه‌های پسر و دختر در منطقه‌های جغرافیایی منبع: opportunityinsights.com شکل بالا میاد و برای هر جنسیت مشخص می‌کنه تعداد آدم‌های مخترع زن یا مرد چطوری توی مخترع شدن فرزندای اون جنسیت موثره. می‌بینیم که بچه‌ها از افراد بزرگ‌سال هم‌جنسیت با خودشون بیشتر تاثیر می‌گیرن. این موضوع می‌تونه از این نتیجه بشه که بچه‌ها با دیدن یک نمونهٔ بزرگ‌سال می‌تونن اون رو به عنوان الگو قرار بدن و ازش تاثیر بگیرن. نکتهٔ جالب دیگه اینه که اگه دخترها هم به اندازهٔ پسرا افراد بزرگ‌سال هم جنسیت با خودشون داشتن فاصلهٔ جنسیتی توی نوآوری می‌تونست نصف بشه. این موضوع که بچه‌های دختر بزرگ‌سال‌های زن کمتری دارن که ازش الگو بگیرن خودش باعث میشه وجود این فاصله توی نسل بعدی هم تقویت بشه و مثل یه چرخهٔ بازخورد تقویت‌کندنه است و نیازه برای شکستن چرخه فکری کنیم.یه مطالعهٔ جالب توی این زمینه نشون داده که بچه‌ها از سن شش سالگی ویژگی‌های آدما رو به صورت جنسیتی می‌بینن. مثلا اگه به بچه‌های شش ساله چند تا عکس متفاوت نشون بدی و بگی کدوم باهوشه و کدوم مهربونه؟ بچه‌ها مردها رو باهوش و خانم‌ها رو مهربون می‌دونن، در حالی که توی پنج سالگی این اتفاق نمیافته. یه اتفاق دیگه اینه که تمایل بچه‌های دختر برای بازی کردن بازی‌هایی که برچسب «بازی برای بچه‌های باهوش» دارن از سن شش سالگی کم‌تر میشه که نشون می‌ده انگار این موضوع توی درکشون از توانایی‌های خودشون هم موثره. این مشاهده‌ها نشون می‌ده که دسترسی و در معرض نوآوری بودن می‌تونه توی شناخت بچه‌ها از خودشون و کارهایی که می‌تونن بکن تاثیر بذاره و در آینده توی نوآور بودنشون نقش بازی کنه.مطالعهٔ دیگه‌ای نشون داده که اگر نرخ نوآوری زنان، اقلیت‌های نژادی، و افراد کم‌درآمد با نرخ نوآوری مردهای سفیدپوست پردرآمد برابر بود، میزان کل نوآوری‌ها ۴ برابر می‌شد. این تحقیق‌ها باعث شدن توجه‌ها به این موضوع جلب بشه و افراد به فکر این بیافتن که برای کمک به بهتر شدن برابری توی زمینهٔ نوآوری فعالیت‌هایی کنن. مثلا گروه Pioneer برنامه‌ای برای سرمایه‌گذاری روی ایده‌های افراد از پس‌زمینه‌های مختلف راه انداختن که تلاش می‌کنه این فاصلهٔ موجود توی زمینهٔ نوآوری رو کمتر کنه. تا جایی که من فهمیدم این برنامه یه جور سرمایه‌گذاری خطرپذیره که توش افراد از پس‌زمینه‌های مختلف می‌تونن ایده‌هاشون رو بگن و این گروه از ایده‌ها حمایت کنه تا بتونه بستر خوبی برای نوآوری افراد از پس‌زمینه‌های متفاوت ایجاد کنه.مقالهٔ روزنامه که در آن برنامهٔ Pioneer و علت شکل‌گیری آن معرفی شده منبع: opportunityinsights.com ممنون ازبازم ممنون از عرفان معینی که متن رو خوند و نظر داد و با دقت ایراداش رو بهم گفت تا برطرف کنم. همین‌طور سینا و علی‌اکبر که فصل رو با هم خوندیم و روش صحبت کردیم که بهتر بفهمیمش و توی ویرایش متن هم بهم کمک کردن. عرفان لقمانی عرفان لقمانی Wed, 12 May 2021 22:35:31 +0430 https://virgool.io/@erfan.loghmani/%D8%A8%D8%AE%D8%B4-%D8%AF%D9%88%D9%85-%D8%AC%D9%84%D8%B3%D9%87%D9%94-%D8%B3%D9%88%D9%85-%DA%86%DB%8C%D8%B2%D8%A7%DB%8C%DB%8C-%DA%A9%D9%87-%D9%81%D9%87%D9%85%DB%8C%D8%AF%DB%8C%D9%85-%DA%86%D8%B7%D9%88%D8%B1%DB%8C-%DA%A9%D9%85%DA%A9%D9%85%D9%88%D9%86-%D9%85%DB%8C%DA%A9%D9%86%D9%87-xpuhinnridv9 نمی‌دونم می‌دونید یا نه، ولی علت این که پستای من بخش اول جلسهٔ سوم رو نداره اینه که مدتی میشه که با سینا تصمیم گرفتیم که با هم این درس رو ببینیم و با هم بنویسیم دربارش، و خب بخش قبلی رو سینا زحمت کشیده و نوشته که اینجا می‌تونید ببینیدش: https://virgool.io/@sina.rismanchian/%D8%A8%D8%AE%D8%B4-%D8%A7%D9%88%D9%84-%D8%AC%D9%84%D8%B3%D9%87%D9%94-%D8%B3%D9%88%D9%85-%D9%87%D8%AC%D8%B1%D8%AA-%D8%A8%D9%87-%D8%B3%D9%85%D8%AA-%D9%81%D8%B1%D8%B5%D8%AA-u3l5wir9npl7 قبل از این که شروع کنم خوبه یکم توضیح بدم که چطوری داریم می‌ریم جلو. وقتی سینا پیشنهاد داد که با هم درس رو ببینیم اول یه بار صحبت کردیم که برای هر کدوممون دیدن درس چه معنی‌ای میده و چه کارایی دوست داریم در کنارش بکنیم. بعدش هم هر بخشی از درس رو که می‌بینیم با هم قرار می‌ذاریم و دربارهٔ اون بخش حرف می‌زنیم و چیزای جالبش رو در میاریم و دربارهٔ جاهاییش که مبهمه بحث می‌کنیم. من خودم تا الان که دو تا از این جلسه‌ها داشتیم خیلی چیزا برام شفاف شد و بحثای باحالی هم تونستیم بکنیم به نظرم. ضمنا دوست داریم جلوتر که می‌ریم به خروجی‌های دیگه‌ای هم توی این مسیر برسیم. اگه شما هم دوست داشتید باهامون همراه بشید خوشحال می‌شم توی کامنتای اینجا یا راه‌ارتباطی‌ای که باهاش راحتید بهمون بگید.من و سینا در حال همفکری برای فهمیدن بهتر درس :) منبع: www.freepik.com توی بخش قبلی سینا یه آزمایشی که توش تاثیر رفتن به مکان با فرصت‌های بیشتر بررسی شده بود رو توضیح داد و نتایجش رو بررسی کرد. همین‌طور به معایبی که طراحی و اجرای یه آزمایش ممکنه داشته باشه اشاره کرد.برای شروع می‌خوام یه بار دیگه چیزایی که از این آزمایش فهمیدیم رو نگاه کنیم و ببینیم چطوری می‌تونن به تصمیم‌هامون برای سیاست‌گذاری کمک کنن.بررسی یافته‌ها و تاثیرشوناولین یافته‌مون این بود که این مهاجرت کردن روی وضعیت اقتصادی فرزندایی که توی زمان مهاجرت سنشون کم بوده موثره و هر چی سن فرزند کم‌تر باشه تاثیرش بیشتره. اما بیاید به فرایندی که الان یه خانواده باید برای گرفتن کمک‌هزینه‌ها طی کنه نگاه کنیم. وقتی یه خانواده درخواست گرفتن این کمک‌هزینه‌ها رو میده میره توی یه صف که ممکنه یه خانواده سال‌ها توی صف بمونه تا بتونه کمک‌هزینه‌ها رو بگیره و نتیجش؟ نوش داروی بعد مرگ. توی این مدت فرزنده بزرگ میشه و وقتی کمک‌هزینه به خانواده می‌رسه دیگه عملا کارایی نداره. این یافته می‌تونه کمک کنه که توی سیستم نوبت‌دهی به سن فرزندا هم وزن بدیم که میلیون‌ها دلاری که خرج این برنامه می‌شه بتونه کمک بزرگ‌تری به بچه‌ها و اقتصاد کشور بکنه.دومین یافتهٔ این مطالعه این بود که خانواده‌هایی که مجبور بودن کمک‌هزینه رو توی منطقه‌های بهتر یعنی با نرخ بهبود وضعیت اجتماعی بالاتر خرج کنن و اونجا خونه بگیرن نتیجهٔ بهتری داشتن. همین‌طور مطالعه نشون داد که ۸۰ درصد از افرادی که این محدودیت رو نداشتن آخرش رفتن جایی خونه گرفتن که وضعیتش بدتر بوده و نرخ فقر بیشتر بوده. این شکل رو نگاه کنید:کسایی که کمک‌هزینه گرفتن اون رو توی چه منطقه‌ای استفاده کردن؟ منبع: opportunityinsights.com شکل نشون می‌ده که خونواده‌هایی که کمک‌هزینه رو گرفتن باهاش توی چه مناطقی خونه گرفتن که میشه گفت بیشترشون توی جاهای زرد و نارنجی خونه گرفتن و استفادهٔ خوبی از کمک‌هزینه نکردن. مشابه این اتفاق برای یه سیاست دیگه که برای کمک به افراد کم‌درآمد برای خونه‌دار شدنه دیده میشه.پروژه‌هایی که از معافیت مالیاتی استفاده می‌کنن کجاهای شهر هستن؟ منبع: opportunityinsights.com این شکل نشون می‌ده که پروژه‌هایی که از معافیت مالیاتی‌ برای مسکن افراد کم‌درآمد استفاده می‌کنن کجاها دارن اجرا میشن. و اینجا هم می‌بینیم که بیشتر تمرکز توی جاهای زرد و قرمز نقشه است. یعنی انگار این سیاست‌ها به بهبود وضعیت نسل بعد کمک که نمی‌کنن هیچ حتی باعث بدتر شدن اوضاع هم میشن.اینجا این سوال مطرح می‌شه که چرا این خانواده‌ها این کار رو کردن؟ یعنی چرا این خانواده‌ها با این که محدودیتشون کمتر بود و می‌تونستن همون جاهایی که گروه محدود شده خونه گرفتن خونه بگیرن این کار رو نکردن؟ [ این سوال یکم شبیه به سوالیه که قبلا بررسی کردیم که اگه اصلا به جای کمک‌هزینهٔ خرید مسکن پول نقد بدیم به افراد نتیجش بهتره یا نه؟ و خب با توجه به داده و نظریه‌های اقتصادی جدید می‌دونیم که افراد ممکنه همیشه بهترین کار رو نکنن و وقتی انتخاب‌هاشون بیشتره کاری که براشون بهتره رو انجام ندن. ] یه دلیل سادهٔ این اتفاق می‌تونه این باشه که قیمت خونه توی جاهایی که بهبود وضعیت اقتصادی توشون بهتره گرون‌تر هم هست، و برای همین خانواده‌ها بیشتر جاهایی با بهبود وضعیت اقتصادی کم‌تر رو انتخاب کردن. بیاید ببینیم که رابطهٔ قیمت اجارهٔ خونه با بهبود وضعیت اقتصادی توی منطقه‌های مختلف شهر چطوریه؟رابطهٔ میزان بهبود وضعیت اقتصادی برای بچه‌های کم‌درآمد یه منطقه با میانگین قیمت اجارهٔ یه خونهٔ ۲ خوابه توی اون منطقه منبع: opportunityinsights.com همون‌طور که انتظار داریم جاهایی که گرون‌ترن به طور کلی بهبود وضعیت اقتصادیشون هم بهتره و شیب خط مثبته. ولی نکته‌ای که هست اینه که پراکندگی نقاط حول خط خیلی زیاده. مثلا بیاید این دو تا ناحیه رو ببینیم:نمودار قبلی و اشاره به این که میشه با رفتن به یه جای ارزون‌تر فرصت بهتری رو برای بچه‌ها فراهم کرد منبع: opportunityinsigts.com این شکل مثلا نشون می‌ده که کسایی که توی Central District زندگی می‌کنن، می‌تونن برن به Normandy Park که نه تنها بهبود وضعیت اقتصادیش برای بچه‌ها بهتره بلکه اجاره‌هاش هم کمتره. این یعنی افراد حتی بدون کمک‌هزینه هم می‌تونن این جابه‌جایی رو انجام بدن. پس این تفاوت قیمت‌ها نمی‌تونه علت این که افراد کمک‌هزینه‌هاشون رو توی جاهای بدتری خرج کردن رو توجیه کنه.چیزی جا مونده؟دیدیم که یه سیاست‌گذار اولا می‌تونه با محدود کردن جاهایی که کمک‌هزینه توش استفاده می‌شه کمک کنه افراد جاهای بهتری رو انتخاب کنن. ولی صبر کنید یه سوال مهم دیگه هست که قبل از این نتیجه‌گیری بپرسیم. بیاید به نحوه‌ای که ما به مناطق مختلف میزان بهبود وضعیت اقتصادی رو نسبت دادیم یه بار دیگه نگاه کنیم. ما اومدیم و برای بچه‌های خانواده‌های کم‌درآمد که توی اون منطقه زندگی می‌کردن دیدیم که وقتی بزرگ‌شدن چقدر تونستن درآمد خوبی داشته باشن و چقدر درآمد داشتن. برای این که این داده رو دربیاریم لازمه اون بچه‌ها بزرگ بشن و در واقع عددایی که الان داریم مربوط به بچه‌هاییه که ۲۰-۳۰ سال پیش به دنیا اومدن و نمی‌تونیم با اطمینان بگیم که وضعیت اون منطقه هنوز همین‌شکلیه. به نظرتون چطوری می‌تونیم این مشکل رو بررسی کنیم و بفهمیم چقدر جدیه؟برای بررسی این مشکل یه کاری که می‌تونیم بکنیم اینه که این سوال رو دربارهٔ گذشته که داده‌های مربوطش رو داریم بپرسیم. فرض کنید ما میزان بهبود وضعیت اقتصادی رو برای یه دورهٔ تاریخی ده ساله داریم. یعنی می‌دونیم بچه‌هایی که توی سال اول به دنیا اومدن نتیجشون چی شده، کسایی که توی سال دوم به دنیا اومدن چی و … حالا سوالمون این میشه که عددای سال اول چقدر با عددای سال دوم مرتبطن و به زبان ریاضی چقدر با هم همبسته‌اند؟ همین سوال رو می‌تونیم برای عددای سال اول در مقایسه با سال یازدهم هم بپرسیم. با این روش می‌تونیم روی این که داده‌های الان چقدر برای آینده قابل استفاده هستن شهود کسب کنیم. نتیجه توی این نمودار اومده:نسبت ضریب تخمین‌گر داده‌های چند سال بعد به ضریب تخمین‌گر برای سال اول منبع: opportunityinsights.com در واقع نمودار می‌گه که اگه بخوایم با داده‌های سال اول داده‌های سال‌های دیگه رو تخمین بزنیم این تخمین چقدر تخمین خوبیه و برای این کار از نسبت ضریب برازش خطی داده‌های اون سال نسبت به ضریب داده‌های سال اول استفاده می‌کنه. ریاضی دقیقش رو می‌تونید توی صفحهٔ ۲۹ این مقاله ببینید. راستش خودم هنوز یکم با منطق کارشون مشکل دارم، تا جایی که من فهمیدم این عددی که استفاده می‌کنن ضریب خط تخمین‌گره که خب می‌تونه هر عددی بشه و ربطی به این که داده‌هامون چقدر قدرت پیش‌بینی دارن نداره. فکر کنم مثلا بهتر بود که میزان خطای تخمین‌‌گر رو برای سال‌های مختلف بررسی کنن. خیلی خوبه اگه شما هم این تیکه رو بررسی کنید و اگه نظری داشتید توی بخش پاسخ بگید.چه کارای خوب دیگه‌ای می‌شه کرد؟این مشاهده‌ها نشون می‌دن کارهای دیگه‌ای هم می‌تونن به بهبود وضعیت کمک کنن: دادن مشاوره به خونواده‌های کم‌درآمد برای انتخاب منطقهٔ زندگی، خیلی از خونواده‌های کم‌درآمد شاید ندونن که خوبه که کجا خونه بگیرن.یه بخش دیگه از بازار صاحب‌خونه‌ها هستن، اونا هم باید تمایل داشته باشن که خونه‌هاشون رو به افرادی که تحت حمایت هستن بدن و از اونجایی که بعضا فرایند‌های اداری این کار سخته تمایلشون کمه. برای همین یه کار دیگه اینه که این مراحل رو برای صاحب‌خونه‌ها آسون کنیم.در آخر وصل کردن این دو تا بخش بازار یعنی خریدارا و صاحب‌خونه‌ها هم مهمه. میشه توی پیدا کردن خونه‌هایی که برای فروش هستن به خانواده‌ها کمک کرد. این اتفاق توی جاهای گرون‌تر شهر با کمک واسطه‌ها (مثل معاملات ملکی‌ها) انجام میشه، ولی توی جاهای کم‌درآمد واسطه‌ها کم‌تر برای این کار انگیزه دارن و خوبه که توی پیدا کردن خونهٔ مناسب هم به خونواده‌ها کمک کرد.خوبی این ۳ تا کار اینه که در مقایسه با دادن کمک‌هزینه هزینهٔ کمی دارن، یعنی میشه با هزینهٔ نسبتا کم‌تری وضعیت رو بهبود داد. گویی در زمان درس داشتن توی یه منطقه‌ای از شهر این کار رو تست می‌کردن.خب اینجا بررسی کارهایی که توی دستهٔ رفتن به سمت فرصت‌ها بودن تموم میشه و توی بخش بعد سیاست‌هایی که تلاش می‌کنن وضع یه مکان بهتر بشه رو بررسی می‌کنیم. عرفان لقمانی عرفان لقمانی Fri, 25 Sep 2020 20:10:52 +0330 https://virgool.io/@erfan.loghmani/%D8%A8%D8%AE%D8%B4-%D8%AF%D9%88%D9%85-%D8%AC%D9%84%D8%B3%D9%87%D9%94-%D8%AF%D9%88%D9%85-%DA%86%D9%87-%D8%B3%DB%8C%D8%A7%D8%B3%D8%AA%DB%8C-%D8%AC%D9%88%D8%A7%D8%A8%D9%87-gc3ywv0botad قبل از این که شروع کنم دوست دارم یکم دربارهٔ این که چرا بین این پست و پست قبلی انقدر فاصله افتاد صحبت کنم. راستش این مدت درگیر یه تصمیم برای آینده بودم که تصمیم سختی بود و خیلی ذهنم رو درگیر می‌کرد. برای همین توی این مدت نوشتن رو ادامه ندادم که بتونم تمرکزم رو روی چیزای دیگه بذارم. توی این مدت و برای تصمیم‌گیری با آدمای مختلفی حرف زدم و چیزای جدیدی خوندم که واقعا برام ارزشمند بود و شاید یه موقع دربارشون بنویسم. خلاصه الآن تصمیم کذا رو گرفتم. دعا کنید که تصمیم خوبی بوده باشه و خوب پیش بره. :)توی بخش قبل یکم دربارهٔ این که چرا فرصت بهبود وضعیت اقتصادی برای افراد کم درآمد توی ناحیه‌های مختلف متفاوته صحبت کردیم. اول با یه آزمایش روی خانواده‌هایی که محل زندگیشون رو عوض کرده بودن فهمیدیم که بخش خوبی از این تفاوت به خاطر تفاوت‌های محیطه و نه تفاوتی که خود افراد دارن. بعدش هم اومدیم و عواملی که با بهبود وضعیت اقتصادی همبسته بودن رو در اوردیم و دربارشون حرف زدیم. سوالی که موند این بود که با توجه به این مشاهده‌ها چه تصمیم‌هایی می‌تونیم بگیریم و دولت‌ها چه سیاست‌هایی رو باید پیش بگیرن؟ توی این متن قدم‌های اول برای حمله به این سوال رو بر می‌داریم. قبلش ولی یه چیزی رو خوبه ببینیم.نقش رسانه‌هامطالعه‌های توی این حوزه و احتمالا بیشتر حوزه‌های علمی کمک می‌کنن که شناخت ما از دنیا و محیط اطرافمون بیشتر یا بهتر بشه. مطالعه‌های حوزهٔ علوم اجتماعی هم به طور خاص روی انسان‌ها و روابطشون تمرکز می‌کنن. بعضی موقعا همین شناخت، باعث میشه که ما رفتارمون رو عوض کنیم و به سمت بهتر شدن حرکت کنیم. توی این روزها با مثال‌های زیادی از این که مطالعه‌ها چطوری روی رفتارمون تاثیر می‌گذارن روبروییم. مثلا وقتی یه مطالعه‌ای میگه ماسک در مقابل بیماری موثر هست یا نیست، یا میزان شلوغی یه محیط چطوری احتمال ابتلا رو زیاد می‌کنه. این وسط برای این که نتیجهٔ این مطالعه‌ها به دست افراد جامعه برسه رسانه‌ها نقش مهمی دارن. رسانهٔ خوب ضمن این که مطالعه‌ها رو به زبون ساده‌تری بیان می‌کنه حواسش هست که چیزی رو اشتباه منتقل نکنه، که همیشه کار ساده‌ای نیست.مطالعه‌هایی که تا اینجا توی درس دیدیم هم تونستن که توی رسانه‌ها بازتاب داشته باشن و آقای چتی (مدرس درس) می‌گه که این مطالعه‌ها تونستن نگاه جدیدی به فقر توی آمریکا به وجود بیارن.بازتاب مطالعه‌های دربارهٔ فرصت برابر بهبود وضعیت اقتصادی توسط رسانه‌ها منبع: opportunityinsights.com مثلا یکی از مشاهده‌های این مطالعه‌ها این بود که شهر شارلوت هر چند که توی بیشتر معیارهای اقتصادی وضع خوبی داشته، ولی از نظر بهبود وضعیت اقتصادی برای بچه‌هایی که توی خانوادهٔ کم‌درآمدی اونجا به دنیا اومدن و بزرگ شدن اصلا وضعیت خوبی نداشته. این موضوع توی یکی از رسانه‌های محلی بازتاب داده شده.بازتاب نتیجهٔ مطالعه دربارهٔ شهر شارلوت توی یه رسانهٔ محلی منبع: opportunityinsights.com راستش کامل نمی‌دونم که این خبر روی رفتار مردم چه تاثیری داشته، ولی یه اتفاق خوب توی این داستان این بوده که شهرداری شارلوت از تیمی که این تحقیق رو کرده بودن خواسته که کمک کنن تا با استفاده از داده‌ها تلاش کنن این وضعیت تغییر کنه.البته الان یکم سرچ کردم و انگار تلاش‌های خوبی دارن می‌کنن. یه موسسه‌ای برای همین مشکل تشکیل شده که سایتشون اینه: https://www.leadingonopportunity.org/about و این هم یه گزارشیه که مشکل رو بیشتر شرح داده و یه سری سیاست پیشنهادی و ملاحظات هر کدوم رو نوشته. یا انگار این صفحهٔ مربوط به کارگروهیه که توی شهرداری تشکیل شده و هر ماه جلسه دارن و جلسه‌هاشون هم توی یوتیوب به صورت زنده پخش می‌شه و آخریش چند هفته پیش بوده.خلاصه نقش رسانه‌ها توی اثرگذاری این مطالعه‌ها مهمه. من شنیدم که بعضی از کمک‌های پژوهشی(grant) که به دانشگاه‌ها داده میشه، حتما باید بخشیش مثلا در حد ۵ درصدش برای رسوندن نتایج مطالعه به مردم(science outreach) استفاده بشه.به جز رسانه‌ها، خوبه به این که چه چیزای دیگه‌ای لازمند که یه مطالعه بتونه تاثیر داشته باشه هم فکر کنیم.دو دسته سیاست برای بهبود وضعیتتا اینجا ما یه نقشهٔ آمریکا داریم که رنگ هر نقطه‌ای نشون می‌ده که اونجا از نظر بهبود وضعیت اقتصادی برای افراد کم‌درآمد خوبه یا نه. نقشهٔ میزان بهبود وضعیت اقتصادی در ناحیه‌های مختلف آمریکا برای فرزندانی که در خانواده‌های کم درآمد بزرگ شدن منبع: opportunityinsights.comتوی جلسهٔ قبل هم دیدیم که واقعا ویژگی‌هایی از مکان زندگی توی این که فرزندی که توی خانوادهٔ کم‌درآمد به دنیا اومده بتونه به وضعیت بهتری برسه موثره.با این مشاهده‌ها برای این که وضع افراد جامعه رو بهتر کنیم دو جور راه‌کار داریم:رفتن به سمت فرصت (Moving to Opportunity): این که آدم‌هایی که توی جاهای قرمز نقشه هستند رو ببریم جاهای بهتر.سرمایه‌گذاری مکان‌محور (Place-Based Investments): این که وضعیت جاهایی که قرمز هستند رو بهتر کنیم.اگر که شما بخواید بین این دو تا انتخاب کنید کدوم رو انتخاب می‌کنید؟اولی برای تعداد افراد کم، راهکار قابل قبولیه. یعنی ما می‌تونیم تعداد کمی از خانواده‌ها رو از یه جای بد روی نقشه به یه جای خوب منتقل کنیم. ولی اگه بخوایم یهو تعداد زیادی خانواده رو جابه‌جا کنیم، علاوه بر این که هزینه‌های زیادی داره، ممکنه تعادل‌های مکان مقصد رو هم بهم بزنه و کلا وضعیت اونجا عوض بشه و این کارمون باعث بشه رنگ اون نقطهٔ نقشه هم قرمز بشه.راه دوم می‌تونه توی بلندمدت مشکل رو حل کنه. البته فهمیدن این که چه کارایی می‌تونن وضعیت یه منطقه رو بهتر کنن هم کار سختیه و عموما این کارها دیرتر به نتیجه می‌رسن و نتیجشون معلوم میشه.در ادامهٔ این متن راه‌حل اول رو یکم دقیق‌تر بررسی می‌کنیم.سیاست‌های رفتن به سمت فرصتاین سیاست‌ها تلاش می‌کنن افراد کم‌درآمد برای زندگی به جاهای بهتری برن. مثلا الان توی آمریکا این سیاست‌ها اجرا میشن:دادن بن خرید مسکن (ویکی‌پدیا)معافیت‌های مالیاتی برای سازنده‌های خونه که به افراد کم‌درآمد می‌فروشن (ویکی‌پدیا)و به طور کلی سیاست‌های تنظیمی که روی مناطق مختلف هستحالا باید ببینیم این سیاست‌ها چقدر کارایی دارن واقعا؟ مثلا بیاید روی اولی یکم دقیق بشیم.بن یا پول نقد؟توی این سیاست به خانوادهٔ کم‌درآمد یک بن خرید مسکن داده میشه مثلا فرض کنید به ارزش ۱۰۰۰۰ دلار، اولین سوالی که پیش میاد اینه که اگه به جای این کار همون ۱۰۰۰۰ دلار رو نقد بدیم به اون خانواده بهتر نیست؟ خوبه که یکم بهش فکر کنید.نظریه‌های اقتصادی یه جواب کلاسیک به این سوال دارن، اون‌ها می‌گن که اگه نقد بدیم بهتره و دلیلش هم ساده‌ست. اگه ده‌هزار دلار رو نقد بدیم، فرد هنوز می‌تونه همون کارهایی که با بن می‌تونست بکنه رو انجام بده و فقط گزینه‌هاش بیشتر شدن و از اونجایی که افراد کاری رو می‌کنن که براشون بهتر باشه پس دادن پول نقد بهتره. توی این جواب این فرض که افراد همیشه بهترین تصمیم رو می‌تونن بگیرن یکم جای شک داره. توی جلسه‌های بعد به این سوال با استفاده از داده دقیق‌تر جواب می‌دیم.چی رو بسنجیم؟می‌خوایم ببینیم که دادن بن به یه خانواده چه تاثیری توی درآمد فرزندهای اون خانواده وقتی بزرگ میشن داره؟اگه برای یه فرزند به اسم i تعریف کنیم:‌Y_i(V = 1): درآمد فرزند در صورتی که خانواده‌اش بن دریافت کنهY_i(V = 0): درآمد فرزند در صورتی که خانواده‌اش بن دریافت نکنهاون وقت چیزی که ما دوست داریم بدونیم اینه که:چقدره؟ که نشون‌دهندهٔ میزان تاثیرِ دادن بن به خانوادهٔ یک نفره.مگه داریم؟همون‌طور که احتمالا شما هم الان دارید بهش فکر می‌کنید محاسبهٔ این G_i ممکن نیست. چون نمی‌تونیم همزمان به یه خانواده هم بن بدیم و هم ندیم و ببینیم توی هر حالت چی میشه. این اتفاق فقط مختص این مطالعه یا این حوزه از علم نیست. وقتی می‌خوایم یه دارو رو آزمایش کنیم هم این مشکل رو داریم.راه‌حل عمومی که توی این جور موارد استفاده می‌کنیم اینه که میایم و تعدادی از افراد مثلا صدهزار نفر رو انتخاب می‌کنیم و به صورت تصادفی به هر نفر یا بن می‌دیم و یا نمی‌دیم. بعد نتایج کسایی که بن گرفتن رو با کسایی که نگرفتن مقایسه می‌کنیم. در واقع امید داریم که این کار تصادفی باعث بشه گروه‌ها توی ویژگی‌های مختلف شبیه به هم باشن.مثلا اگه به جای این کار بیایم و فراخوان بزنیم که افراد برای گرفتن بن درخواست بدن و بعدش نتیجهٔ کسایی که درخواست دادن و بن گرفتن رو با کسایی که درخواست ندادن مقایسه کنیم، ممکنه باعث بشه نتیجه‌گیریمون درست نباشه. ممکنه این دو تا گروه تفاوت ذاتی‌ای داشته باشن، مثلا کسایی که برای گرفتن بن درخواست دادن تحصیل‌کرده‌تر بوده باشن و نتیجشون بهتر بشه، یا از اون طرف کسایی که وضع بدتری داشتن بیشتر درخواست بدن و نتیجشون هم بدتر بشه. خلاصه تلاش می‌کنیم که با دخیل کردن تصادف تاثیر این جور اتفاقا رو کم کنیم.مشکل دیگه‌ای نمونده؟مشکل که زیاده :) ولی یه مشکل دیگه‌ای که توی این متن بهش می‌پردازیم مشکل «عدم مشارکت»ه. همون‌طور که توی مطالعه کردن تاثیر یه دارو فرد ممکنه یادش بره دارو رو بخوره، یا منصرف بشه اصلا، اینجا هم ممکنه به یه خانواده‌ای بن بدیم ولی از بنش استفاده نکنه. اگه این اتفاق برای آدمای زیادی رخ بده می‌تونه میانگین رو برای کسایی که بن گرفتن تغییر بده.یه راه‌حل برای این مشکل اینه که بیایم و تاثیر این عدم مشارکت رو از بین ببریم، اینطوری که اگه نصف آدمایی که بهشون بن دادیم مشارکت نکردن و آخرش اختلاف بین دو تا دسته شده ۱۰۰ دلار، می‌تونیم بگیم اگه همه مشارکت می‌کردن اختلاف می‌شد ۲۰۰ دلار. یعنی:تاثیر کامل بن = تاثیر مشاهده شده تقسیم بر نرخ مشارکتخوبه یکم هم خودتون به چرایی این کار فکر کنید. این که این روش از کجا میاد و چه فرضایی تو خودش داره؟ خیلی خوبه اگه مشکلی توش می‌بینید توی قسمت پاسخ‌ها بگید و با هم بشکافیمش.اینجا جلسهٔ دوم تموم میشه. توی جلسهٔ بعد، تاثیر دادن بن رو بیشتر بررسی می‌کنیم و روی سیاست‌های رفتن به سمت فرصت شهود به دست میاریم. یکم هم دربارهٔ سیاست‌های مکان‌محور صحبت می‌کنیم.ممنون ازعرفان معینی و سینای عزیز که این مدت که ننوشته بودم پیگیری می‌کردن که چرا ننوشتم :) این پیگیریشون کمک کرد که دوباره شروع کنم. بعد هم که نوشتم هر دوشون پیش‌نویس رو خوندن و کمک کردن ایرادای متن برطرف بشه و متن روون‌تر بشه.این پست از مجموعه پست‌هاییه که توش چیزایی که توی درس Using Big Data to Solve Economic and Social Problems یاد می‌گیرم و برام جالبه رو می‌نویسم. می‌تونید پست اول این مجموعه رو از اینجا و پست قبلی رو از اینجا ببینید.خیلی خوشحال می‌شم اگه جایی از متن مشکلی می‌بینید یا موضوعی مرتبطی هست که می‌تونیم دربارش صحبت کنیم توی قسمت پاسخ‌ها مطرح کنید. دربارهٔ سوالی که یکم بالاتر پرسیدم هم همین‌طور. توی متن‌های قبل سوال‌هایی که افراد پرسیدن و چیزایی که دربارشون بحث کردیم به خودم خیلی کمک کرد که موضوع رو بهتر بفهمم و از اینجا ازشون تشکر می‌کنم. :) اگر هم کسی به ذهنتون میاد که به این موضوعا علاقه‌منده و یا فکر می‌کنید این متن براش مفید و جالبه خیلی خوبه اگه براش بفرستید.بخش بعدی رو سینا نوشته که اینجاست: https://virgool.io/@sina.rismanchian/%D8%A8%D8%AE%D8%B4-%D8%A7%D9%88%D9%84-%D8%AC%D9%84%D8%B3%D9%87%D9%94-%D8%B3%D9%88%D9%85-%D9%87%D8%AC%D8%B1%D8%AA-%D8%A8%D9%87-%D8%B3%D9%85%D8%AA-%D9%81%D8%B1%D8%B5%D8%AA-u3l5wir9npl7 عرفان لقمانی عرفان لقمانی Thu, 06 Aug 2020 21:29:28 +0430 https://virgool.io/@erfan.loghmani/%D8%A8%D8%AE%D8%B4-%D8%A7%D9%88%D9%84-%D8%AC%D9%84%D8%B3%D9%87%D9%94-%D8%AF%D9%88%D9%85-%D8%AA%D9%81%D8%A7%D9%88%D8%AA%D9%87%D8%A7-%D8%A7%D8%B2-%DA%A9%D8%AC%D8%A7-%D9%85%DB%8C%D8%A7%D8%AF-sz0sbpektuk5 این سومین پست از سری پستاییه که توش دارم یافته‌هام رو از درس Using Big Data to Solve Economic and Social Problems می‌نویسم. پست اول این مجموعه رو می‌تونید از اینجا ببینید.توی پست قبلی روی این مساله که توی آمریکا فرصت بهبود وضعیت اقتصادی چقدر برای افراد وجود داره دقیق شدیم و با استفاده از داده‌های مالیاتی و جمعیتی تونستیم در بیاریم توی هر ناحیهٔ جغرافیایی بچه‌‌هایی که والدینشون درآمد کمی نسبت به بقیه داشتن وقتی بزرگ شدن چقدر تونستن از نظر اقتصادی وضعیت خوبی داشته باشن. و به یه همچین نقشه‌ای رسیدیم:نقشهٔ میزان بهبود وضعیت اقتصادی در ناحیه‌های مختلف آمریکا برای فرزندانی که در خانواده‌های کم درآمد بزرگ شدن منبع: opportunityinsights.comکه توش جاهایی که رنگ آبی دارن یعنی اون بچه‌ها به طور میانگین درآمد بیشتری داشتن و جاهایی که قرمزن یعنی به طور میانگین درآمد کمتری داشتن.جالبه که این حجم از تفاوت رنگ که توی کل نقشه دیده میشه وقتی توی نقشه دقیق‌تر هم بشیم وجود داره. یعنی یه منطقه که رنگش توی نقشهٔ بالا قرمز یا آبیه لزوما همه جاش یه رنگ نیستن. مثلا این نقشه برای شهر بوستون که دانشگاه هاروارد توشه این شکلیه:نقشهٔ میزان بهبود وضعیت اقتصادی در ناحیه‌های مختلف شهر بوستون برای فرزندانی که در خانواده‌های کم درآمد بزرگ شدن عکس صفحه از opportunityatlas.orgاین موضوع از این نظر جالبه که دو تا ناحیهٔ مجاور که شاید چند کیلومتر فاصله داشته باشن و حتی بچه‌های هر دو ناحیه هم به یه مدرسه برن ممکنه نتایجشون مقدار زیادی فرق کنه. البته باید حواسمون باشه که ناحیه‌ها اونقدر کوچیک نباشن که این تفاوته صرفا یه تفاوت تصادفی باشه. هر ناحیهٔ نقشهٔ بالا یه Census tract ه که به طور میانگین ۴۰۰۰ نفر جمعیت داره.توی این متن این رو بررسی می‌کنیم که این تفاوت‌ها از کجا میاد؟ جاهایی که توی این معیار خوب عمل کردن چه شکلی بودن و اصلا از این تفاوت‌ها چه نتیجه‌هایی می‌تونیم بگیریم؟دسته‌بندی علت این تفاوت‌هاکلا دو دسته از عوامل می‌تونن این اختلاف‌هایی که توی نقشه می‌بینیم رو توضیح بدن:آدمایی که شبیه به همن توی یه ناحیه جمع شدن و علت تفاوت ناحیه‌ها در واقع تفاوت ویژگی‌های آدماشه. به این اتفاق Sorting می‌گن.این تفاوت‌ها به خاطر تفاوت‌های خود ناحیه‌ها است یعنی ویژگی‌هایی از اون ناحیه دلیل تفاوت نتیجهٔ فرزندا بوده.دونستن این که هر کدوم از عوامل بالا چقدر موثرن بهمون کمک می‌کنه که سیاست‌های درستی رو انتخاب کنیم. مثلا اگه تفاوت فقط به خاطر تفاوت آدما باشه باید سیاست‌هامون افراد رو مستقل از جایی که زندگی می‌کنن ببینه و مثلا اگه یه گروه جمعیتی (مثلا افراد مهاجر سی تا چهل ساله) هستن که دارن بد عمل می‌کنن به اونا کمک کنیم.اگه هم که تفاوتا به خاطر ویژگی‌های اون ناحیه‌ است در بیاریم که اون ویژگی‌های خوب چین و چطوری می‌تونیم از این اطلاعات برای بهبود منطقه‌هایی که وضعیت خوبی ندارن استفاده کنیم.چطوری بفهمیم جواب کدوم یکیه؟اگه بخوایم ببینیم چقدر از علت‌ها به خاطر ویژگی‌های ناحیه‌هاست یه آزمایش ایده‌آل اینه که یه سری فرزند رو ورداریم و به صورت تصادفی توی ناحیه‌های مختلف پخش کنیم و نتیجه رو بررسی کنیم. فکر کنم مشکلای این آزمایش مشخص باشه براتون، مثلا این که اصلا چرا اونا باید این کار رو قبول کنن؟ چقدر اجراییه و چند نفر رو میشه این کار رو براشون کرد و ...برای این که بدون این که واقعا این آزمایش رو بکنیم بتونیم به جواب سوال برسیم، روشی که به کمک داده‌ها می‌تونیم ازش استفاده کنیم اینه که یه «شبه‌آزمایش» طراحی کنیم. یعنی یه چیزی رو از روی داده‌ها بسنجیم که تا حد خوبی بتونه سوالمون رو جواب بده.ایده‌ای که برای بررسی این سوال بهش پرداختن اینه که خانواده‌هایی که از یه ناحیه نقل مکان کردن به یه ناحیهٔ دیگه رو بردارن و فرزنداشون رو بر اساس سنشون توی زمان جابه‌جایی دسته‌بندی کنن و ببینن اونایی که از یه جای بد رفتن به جای خوب عملکردشون چه ارتباطی به سنشون توی زمان جابه‌جایی داره. این نمودار نتیجهٔ این بررسی رو نشون میده:میانگین درآمد فرزندایی که توی یه سن مشخص به یه ناحیهٔ بهتر نقل مکان کردن منبع: opportunityinsights.comواقعا من خودم فکر نمی‌کردم همچین نمودار تر و تمیزی در بیاد. نمودار میگه که بچه‌هایی که توی سن کمتری از یه ناحیهٔ بد رفتن به یه ناحیهٔ خوب عملکردشون بهتر بوده. و خب نشون میده که ناحیه‌ای که بچه‌ها توش بزرگ میشن توی آیندشون تاثیر داره.چیزی رو جا ننداختیم؟وقتی یه همچین شبه‌آزمایشی رو انجام میدیم خوبه که دقت کنیم که چه چیزایی رو داریم درش فرض می‌گیریم که اگه اون فرضا درست نباشن می‌تونن روی نتیجه‌گیری ما تاثیر داشته باشن. پس خوبه بپرسیم توی شبه‌آزمایش بالا فرض‌هامون چیا بوده؟فرض اول اینه که والدینی که توی سن‌های مختلف بچه‌هاشون جابه‌جا میشن با هم فرقی ندارن. ممکنه این فرض درست نباشه و مثلا والدینی که وقتی بچه‌هاشون کوچیک‌ترن میرن یه جای بهتر تحصیل‌کرده‌تر باشن یا بیشتر به فکر باشن یا...فرض دومی که داریم اینه که توی این جابه‌جایی عوامل دیگهٔ موثر روی فرزندا تغییر نمی‌کنن و فقط ناحیهٔ جغرافیایی که توشون بزرگ شدن تغییر میکنه. که اینم فرض کاملا درستی نیست چون همزمان با جابه‌جایی احتمالا عوامل دیگه‌ای هم عوض میشن مثل درآمد والدین.یعنی کاریش نمیشه کرد؟شاید در نگاه اول به نظر بیاد این فرض‌ها میتونن کشنده باشن و دیگه امیدی به درستی نتیجه نداشته باشیم، ولی صبر کنید. شاید بتونیم با توجه به این فرضا چیزای دیگه‌ای رو هم آزمایش کنیم که نتیجهٔ قبلیمون رو ارزیابی کنه.تاثیر فرض اول رو به صورت جالبی اینطوری بررسی کردن که اومدن و خواهر و برادرهای یه خانواده که با هم نقل مکان کردن ولی یکیشون بزرگ‌تر بوده رو مقایسه کردن با هم و دیدن اونجا هم بچه‌هایی که موقع انتقال سنشون کمتر بوده بعدا نتیجهٔ بهتری داشتن. یعنی وقتی خانواده یکسان بوده برای دو نفر باز هم نقل مکان توی سن کمتر به یه جای بهتر مفید بوده.برای فرض دوم هم اومدن اختلاف‌ها رو توی زیرگروه‌های مختلف بررسی کردن. به این آزمایش‌ها Placebo test میگه. کلا Placebo test ها توی پزشکی و تست داروها هم مهمن و این رو بررسی می‌کنن که آیا تاثیر دارو واقعا به خاطر مواد توشه؟ یا صرفا یه اثر روانیه که چون رفتی و اینو از دکتر گرفتی باعث میشه که بهتر بشی؟ جالبه که اخیرا نشون دادن حتی بعضی از عمل‌های جراحی هم به همین دلیل موثرن و اگه فرد صرفا بره توی اطاق عمل و دکتر عمل اصلی رو انجام نده و مثلا فقط باز کنه و ببنده هم تعداد زیادی از مریضا بهبود پیدا می‌کنن. :-oبرگردیم به مسالهٔ خودمون. برای بررسی فرض دوم کاری که کردن این بوده که مساله رو برای زیرگروه‌های مختلف بررسی کردن، مثلا فرض کنید که دو تا ناحیه هستن که داده میگه به طور میانگین وضعیت پسرای ناحیهٔ اول ده هزار دلار بدتر از ناحیهٔ دومه ولی وضعیت دختراش شبیه به همه. حالا اگه بیایم و توی خانواده‌هایی که هم دختر دارن و هم پسر این تاثیر جابه‌جایی رو بررسی کنیم و ببینیم که پسرا وضعشون بهتر شده ولی دخترا فرقی نکردن می‌تونیم نتیجه بگیریم که این بهتر شدنه نمی‌تونه به خاطر علت دیگه‌ای مثل درآمد بیشتر والدین باشه و به ناحیه‌ای که بچه‌ها توش بزرگ میشن مرتبطه.راستش خودم هنوز نفهمیدم ربط این آزمایش به Placebo های دارویی و پزشکی که بالا گفتم چیه و چرا اینجا اسمش اینه. اگه نظری داشتید خوشحال میشم بگید بهم.خلاصه با این بررسیا به این نتیجه رسیدن دو سوم تفاوت‌های بهبود وضعیت اقتصادی بچه‌ها مربوط به جاییه که توش بزرگ میشن.مشخصات جاهای با بهبود وضعیت اقتصادی بیشتر چیه؟حالا که دیدیم که ناحیه‌ای که بچه‌ها توش بزرگ میشن روی بهبود وضعیت اقتصادیشون موثره این سوال مطرح میشه که ناحیه‌هایی که توی این مورد بهتر عمل می‌کنن چه ویژگی‌هایی دارن. البته باید اینجا تاکید کنم که این بررسی صرفا یه بررسی از جنس همبستگیه و مثلا اگه بفهمیم جاهایی که نرخ بولینگ بازی کردن توشون بیشتره بهبود وضعیت اقتصادی افراد هم توش بیشتره دلیل نمیشه که بریم بولینگ بازی کردن رو تشویق کنیم. (جالبه بدونید انگار بولینگ بازی کردن همچین ناهمبسته هم نیست به موضوع :)) )قبل از این که چیزای موثر رو بررسی کنیم برای این که روش هم یکم مشخص بشه بیایم ببینیم نرخ بهبود وضعیت اقتصادی با نرخ رشد مشاغل چطوری ارتباط داره. برای این بررسی نمودار زیر رو ببینید:میانگین درآمد فرزندای خانواده‌های کم‌درآمد نسبت به میزان رشد مشاغل برای تعدادی از شهرای بزرگ آمریکا منبع: opportunityinsights.com این نمودار بهمون میگه که میزان رشد مشاغل به بهبود وضعیت اقتصادی فرزندای خانواده‌های کم درآمد تقریبا ربطی نداره، یعنی شهرایی هستن مثل شارلوت یا آتلانتا که نرخ رشد مشاغلشون زیاده، ولی فرزندای خانواده‌های کم‌درآمد وقتی بزرگ شدن نتونستن درآمد خوبی اونجا به دست بیارن. و خب شاید یه دلیلش این باشه که آدم‌ها از شهرای دیگه اومدن و اون مشاغل رو گرفتن و این رشد مشاغل نتونسته به بچه‌های خانواده‌های کم‌درآمد همون منطقه کمک کنه.حالا برگردیم به این سوال که چه پارامترهایی بیشترین همبستگی رو با میزان بهبود وضعیت اقتصادی خانواده‌های کم‌درآمد داره. یعنی جاهایی که این بهبود توشون زیاد بوده توی چه عامل‌های دیگه‌ای خوب بودن و برعکس. نتایج این بررسی هم جالبه ولی من خیلی موردهاش رو باز نمی‌کنم و صرفا بهشون اشاره می‌کنم. اگه دوست داشتید برید فیلم کلاس رو ببینید و یا خود مقاله‌ای که این بخش درس از روی اونه رو بخونید.عوامل موثری که توی کلاس بهشون اشاره می‌شه اینان:میزان جداسازی نژادی (Segregation یعنی این که چقدر آدمای با نژاد یکسان توی ناحیه‌های یکسان زندگی می‌کنن) که دیدن هر چی این جداسازی کمتر باشه نتیجهٔ فرزندا بهتره. شکل پایین این جداسازی رو برای دو تا شهر تصویر کرده.میزان نابرابری درآمدی که یه جور واریانس درآمده و این که مردم طبقهٔ متوسط چه کسری از افراد رو تشکیل میدن که دیدن هر چی این نابرابری کمتر باشه نتیجهٔ فرزندا بهتره.کیفیت مدارس که معیار دقیقی براش نیست ولی مثلا با تعداد دانش‌آموزای هر کلاس و پارامترایی شبیه این اندازه گرفتن و دیدن هر چی کیفیت مدارس بیشتر باشه نتیجهٔ فرزندا بهتر بوده.ساختار خانواده این که مثلا چه کسری از بچه‌ها فقط با یکی از والدین زندگی می‌کنن و دیدن که هر چی ساختار خانواده توی ناحیه بهتر باشه نتیجهٔ فرزندا بهتره. جالبه که حتی دیدن که فرزندایی که خودشون با هر دو والدین زندگی می‌کنن ولی توی ناحیه‌ای هستن که نرخ تک‌والد بودن زیاده هم نتایج بدتری گرفتن.سرمایهٔ اجتماعی یعنی این که چقدر توی اون ناحیه‌ها آدما به هم کمک می‌کنن و هوای همدیگه رو دارن که دیدن هر چی اون ناحیه توی این موضوع بهتر باشه نتیجهٔ فرزندا هم بهتره.مقایسهٔ میزان جداسازی نژادی بین دو شهر آتلانتا و سکرمنتو. توی سکرمنتو جداسازی کمتره و ناحیه‌هایی که نژادهای مختلف کنار هم زندگی کنن بیشتره منبع: opportunityinsights.com اون داستان بولینگ که بالاتر گفتم ربطش به مورد پنجمه یعنی سرمایهٔ اجتماعی. کلا اندازه گیری سرمایهٔ اجتماعی سخته و انگار یه کتاب نوشته شده توی ۱۹۹۵ هست به اسم تنهایی بولینگ کردن که توش این که آدما دارن کمتر با هم دوستی می‌کنن یا کمتر کارا اجتماعی انجام میدن رو بررسی کرده و دیده حتی آدما دارن بیشتر تنهایی بولینگ میرن و اینو گذاشته روی اسم کتاب. و خب توی پژوهشی که این بخش درس از روی اونه هم اومدن و همبستگی تعداد بولینگ‌های هر ناحیه رو با بهبود وضعیت فرزندا اندازه گرفتن و دیدن همبستگی قابل توجهی داره. ولی خب بازم باید توجه کنیم که این همبستگی دلیل نمیشه که بریم بولینگ‌ها رو زیاد کنیم.پس چه کنیم؟اگه این همبستگیا نمی‌تونه بهمون راه‌کار بده که چی کار کنیم پس برای این که دربارهٔ سیاست‌هایی که می‌خوایم انتخاب کنیم تصمیم بگیریم باید چی کار کنیم؟ به این سوال توی ادامهٔ این جلسه و چند تا جلسهٔ بعدی می‌پردازیم... پس منتظر باشید. (-Bممنون ازسینا که پیشنویس رو خوند و نظرش رو گفت و کمک کرد ساختار متن بهتر بشه. همین‌طور خانم لباف که پیشنویس رو خوندن و یکم هم بحث کردیم دربارهٔ این که چطوری میشه روابط علی رو در اورد و اگه «شبه‌آزمایشا» جوابن چطوری باید یه «شبه‌آزمایش» خوب طراحی کنیم. به نظرم سوال مهمیه که خودم هم هنوز جوابش رو نمی‌دونم و امیدوارم با دیدن مسائل بیشتر و جلوتر رفتن به جوابش برسیم. دربارهٔ ربط Placebo ی اینجا و پزشکی هم یه چیزایی پیدا کردن که قرار شد خودشون تو پاسخ‌ها بنویسن. :)این پست از مجموعه پستاییه که توش مسیر خودم توی درس Using Big Data to Solve Economic and Social Problems و چیزایی که ازش یاد می‌گیرم و برام جالبه رو به اشتراک می‌ذارم. پست اول این مجموعه رو می‌تونید از اینجا ببینید و پست قبلی رو از اینجا ببینید.خیلی خوبه اگه نظری داشتید یا جایی نکته‌ای میدید که من بهش توجه نکرده بودم یا مشکلی توی روند استدلالا بود توی قسمت پاسخ‌ها مطرح کنید تا دربارش حرف بزنیم.کلا هم اگه این نوشته براتون جالب بود یا فکر می‌کردید کسی رو میشناسید که به این موضوعا علاقه داره و این متن به کارش میاد باهاش به اشتراک بذارید. :)پست بعدی رو می‌تونید از اینجا ببینید: https://vrgl.ir/U2Re6 عرفان لقمانی عرفان لقمانی Mon, 01 Jun 2020 21:23:15 +0430 https://virgool.io/@erfan.loghmani/%D8%A7%D8%AF%D8%A7%D9%85%D9%87%D9%94-%D8%AC%D9%84%D8%B3%D9%87%D9%94-%D8%A7%D9%88%D9%84-%D8%A8%D8%B1%D8%B1%D8%B3%DB%8C-%D9%81%D8%B1%D8%B5%D8%AA-%D8%A8%D8%B1%D8%A7%D8%A8%D8%B1-%D8%A8%D9%87%D8%A8%D9%88%D8%AF-%D9%88%D8%B6%D8%B9%DB%8C%D8%AA-%D8%A7%D9%82%D8%AA%D8%B5%D8%A7%D8%AF%DB%8C-zj9py9kmaifj این دومین پست از سری پستاییه که توش دارم یافته‌هام رو از درس Using Big Data to Solve Economic and Social Problems می‌نویسم.قبل از شروع بگم که توی کامنتای متن قبلی بحث خوبی با آرش شکل گرفت که خوندنش رو توصیه می‌کنم و توش دربارهٔ فایدهٔ این جور مطالعه‌ها صحبت خوبی کردیم.توی متن قبلی که بخش اول جلسهٔ اول درس رو پوشش می‌داد انگیزهٔ درس و این که این درس چرا و چجوری می‌تونه بهمون کمک کنه رو دیدیم. از اونجایی که روند درس مساله محوره یعنی توی هر بخش به یه مسالهٔ اقتصادی-اجتماعی می‌پردازه و در کنارش چیزای آموزشی که لازمه رو هم می‌گنجونه درس خیلی سریع وارد اولین مساله یعنی «فرصت برابر برای افراد» توی جامعهٔ آمریکا میشه.فرصت برابر برای افرادبذارید یه بار دیگه به تعریف درس از فرصت برابر یا رویای آمریکایی اشاره کنم. تعریف میگه: «اگه تو سخت کار کنی شانس اینو داری که توی توزیع درآمد از والدینت پیشی بگیری.» قبلا دیدیم که با این تعریف تقریبا میشه گفت روند کلی جامعهٔ آمریکا در طول زمان رو به افته یعنی درصد بچه‌هایی که از والدینشون درآمد بیشتری دارن در طول زمان داره کم میشه که توی نمودار زیر می‌تونید روندش رو ببینید.درصد فرزندان متولد شده در هر سال که درآمدشون توی سی‌سالگی بیشتر از والدیندشون توی همون سن بوده منبع: opportunityinsights.orgاین نمودار هر چند روند کلی رو بهمون نشون می‌ده ولی هنوز نمی‌تونه کمک کنه سوالامون مثل این که چرا روند نزولیه یا چطوری می‌تونیم بهبودش بدیم رو جواب بده. برای جواب دادن به این سوالا نیازه داده‌های بیشتری داشته باشیم.سوال اولاولین سوالی که بهش می‌پردازیم اینه که میزان پیشرفت فرزندایی که والدینشون درآمد کمی داشتن توی مناطق مختلف آمریکا چطوری فرق می‌کنه. این مشاهده بهمون کمک می‌کنه تفاوت‌های این مناطق رو بررسی کنیم تا شاید بتونیم علت‌های این تفاوت رو بفهمیم.داده‌هایی که استفاده می‌کنیماگه بتونیم دادهٔ درآمد والدین و فرزندا رو به ازای هر فرزند داشته باشیم و در کنارش داده‌های جغرافیایی مکان زندگی افراد رو هم داشته باشیم می‌تونیم تحلیل‌های دقیق‌تری بکنیم و داده‌های جزئی‌تری نسبت به نمودار بالا به دست بیاریم مثل وضعیت بهبود شرایط اقتصادی افراد برای هر منطقه.برای این کار داده‌هایی که استفاده کردن ایناست:داده‌های مربوط به سرشماری‌های آمریکا که توی سال‌های ۲۰۰۰ و ۲۰۱۰ انجام شدنداده‌های مالیاتی افراد که بین سال‌های ۱۹۸۹ تا ۲۰۱۵ جمع شدهاز داده‌های مالیاتی استفاده کردن برای این که درآمد افراد رو به دست بیارن. و چون توی فرم هر کس بچه‌هایی که داره رو هم باید گزارش کنه (نرخ مالیات وابسته به تعداد فرزندهاست) میشه که هر فرزندی رو به والدینش وصل کرد.جامعهٔ هدف مطالعه بچه‌هایی‌ان که بین سال‌های ۱۹۷۸ تا ۱۹۸۳ متولد شدن تا بتونیم درآمدشون رو توی حدود سی سالگی محاسبه کنیم.با وصل کردن داده‌های سرشماری و مالیات اطلاعات لازم برای ۲۰.۵ میلیون فرزند که توی اون سال‌ها به دنیا اومدن رو داریم که ۹۶ درصد جامعهٔ هدف رو پوشش میده. دلیل این که صد درصد نیست اینه که برای بعضی بچه‌ها داده‌های مالیاتی ثبت نشده یا توی سرشماری نبودن یا... ولی در مجموع ۹۶ درصد، عدد قابل قبولیه.روش بررسی‌مون چطوریه؟برای درآمد والدین درآمدشون رو بین ۱۹۹۴ تا ۲۰۰۰ میانگین می‌گیریم. برای فرزندا هم درآمدشون رو توی ۲۰۱۴ و ۲۰۱۵ که آخرین سال‌های داده است میانگین می‌گیریم که میشه توی سن ۳۱ تا ۳۷ سالگی فرزندا.یه کار خوبی که کردن اینه که توی بررسی‌ها این که هر کسی توی چه صدکی از درآمد افتاده رو درنظر گرفتن و از خود عدد درآمد استفاده نکردن. یعنی به صورت جداگونه برای والدین و برای بچه‌های متولد هر سال صدک‌بندی کردن. این کار یعنی افراد هر دسته رو مرتب کنی و توی صد دسته با تعداد برابر دسته‌بندی کنی و برای هر نفر شمارهٔ دستش رو در نظر بگیری. یعنی کسی که بیشترین درآمد رو داشته توی صدک صدم و کسی که از نصف آدما درآمد بیشتری داشته توی صدک پنجاهم قرار می‌گیرن.حالا بیایم رابطهٔ صدک والدین و بچه‌هاشون رو توی هر منطقه بررسی کنیم مثلا برای شیکاگو نمودار زیر رو ببینید.رابطهٔ صدک درآمدی فرزندها با صدک درآمدی والدینشون برای بچه‌هایی که توی شیکاگو بزرگ شدن منبع: opportunityinsights.com توی این نمودار برای هر صدک درآمدی والدین، صدک درآمدی فرزندای اونا رو میانگین گرفتیم. یعنی این نمودار صد تا نقطه به ازای هر صدک درآمدی والدین داره که هر کدوم میانگین درآمد فرزندای اون صدک رو مشخص می‌کنه. روند کلی نمودار با شهودی که از جامعه داریم همخونی داره و توش می‌بینیم که فرزندایی که توی خانواده‌های مرفه‌تر به دنیا اومدن به طور میانگین درآمد خودشون هم بیشتر بوده. به این مشاهده «دوام بین نسلی» (intergenerational persistence) می‌گن.چیزی از این نمودار که برای سوالمون به دردمون می‌خوره اینه که فرزندای افراد صدک‌های پایین توی مناطق مختلف خودشون وقتی بزرگ شدن توی چه صدکی قرار گرفتن. برای این کار صدک ۲۵ ام رو به عنوان نماینده از صدک‌های پایین نمودار در نظر می‌گیریم. حالا می‌تونیم عدد مربوط به صدک ۲۵ ام رو به عنوان نمایندهٔ بچه‌هایی که والدینشون درآمد کمی دارن گزارش کنیم. ولی به نظرتون این کار، کار خوبیه؟ مثلا این نمودار که مال یه ناحیهٔ کوچیکه رو ببینید:رابطهٔ صدک درآمدی فرزندها با صدک درآمدی والدینشون برای بچه‌هایی که توی یه ناحیهٔ خاص بزرگ شدن منبع: opportunityinsights.comتوی این نمودار می‌بینیم که نقاط از اون شمای کلی که با افزایش درآمد والدین، درآمد فرزندا بیشتر میشه پیروی می‌کنن. ولی نقاط این نمودار نسبت به نمودار قبلی پراکنده‌ترن و مثلا صدک بیست و چهارم و بیست و پنجم (که روی خط زرده) اختلاف زیادی دارن. این پراکندگی به خاطر اینه که تعداد خانواده‌ها توی این ناحیه نسبت به کل شیکاگو کمتره و عوامل تصادفی بیشتر ممکنه باعث بشن دو تا صدک متوالی اختلاف زیادی داشته باشن. برای این که بتونیم این اختلاف‌های تصادفی رو حل کنیم و حساسیتمون رو بهشون کم کنیم با توجه به این که داده‌ها شکل خطی دارن میایم و یه خط روی این نمودار برازش (fit) می‌کنیم. بعدش نقطهٔ روی ۲۵ این خط رو برای هر ناحیه گزارش می‌کنیم. مثلا توی این شکل و شکل قبلی تخمینمون برای بچه‌هایی که والدینشون توی صدک ۲۵ ام بودن اینه که به طور میانگین درآمدشون توی صدک ۴۰ میافته که حدودا معادل درآمد سی هزار دلار در ساله.نتیجهخب پس تا الان برای هر ناحیهٔ جغرافیایی یه عدد داریم که بچه‌هایی که والدینشون توی صدک ۲۵ ام درآمدی بودن خودشون به طور میانگین توی چه صدک درآمدی بودن. اگه بیایم این داده رو به صورت رنگی روی نقشهٔ آمریکا تصویر کنیم به این شکل می‌رسیم:نقشهٔ میزان بهبود وضعیت اقتصادی در ناحیه‌های مختلف آمریکا برای فرزندانی که در خانواده‌های کم درآمد بزرگ شدن منبع: opportunityinsights.comتوی نگاه اول چیزی که مشاهده میشه اینه که این میزان بهبود وضعیت اقتصادی توی آمریکا بین مناطق مختلف خیلی فرق می‌کنه. راستش چون الان اطلاعات دقیقی از وضعیت و جغرافیای آمریکا ندارم نمی‌دونم این حرفم چقدر درسته ولی به نظر می‌رسه مناطق میانی و شمالی که اوضاع بهتری دارن جاهایین که زمین‌های زراعی بیشتری دارن. یه نکتهٔ جالب دیگه‌ای که توی نقشه هست اینه که اگه به وسط و یکم بالای نقشه نگاه کنید توی یکی از ایالتا که اسمش داکوتای جنوبیه هر چند بیشتر ایالت آبیه ولی دو تا ناحیه به طرز بدی قرمزن. توی کلاس یکی از دانشجوها می‌پرسه داستان اونا چی بوده؟ و انگار اون دو تا جا از جاهایین توی آمریکا که برای سرخپوستا اختصاص داده شده. (indian reservation)این نقشه رو به صورت تعاملی هم در دسترس گذاشتن که می‌تونید شما هم ببینید و حتی توی ناحیه‌های مختلف دقیق شید و زوم کنید و تفاوتا رو توی ناحیه‌های کوچیک ببینید. یا پارامترایی مثل نرخ رشد منطقه یا درصد افراد زندانی توی منطقه رو هم بررسی کنید. https://opportunityatlas.org/ توی این سایت یه سری داستان هم از روی این داده‌ها تعریف می‌کنه. یعنی مثلا توی یه ناحیه دقیق‌تر میشه و یه سری چیز رو بررسی می‌کنه که دیدنش جالبه مثلا داستانش دربارهٔ ناحیهٔ شارلوت یا تبعیض نژادی جالبن و توصیه‌ می‌کنم ببینید.توی ادامهٔ درس اینو بررسی می‌کنیم که چه چیزایی می‌تونه باعث این تفاوت‌ها شده باشه مثلا آموزش چقدر می‌تونه موثر بوده باشه یا عوامل دیگه... بعدش هم سراغ این می‌ریم که چه سیاستایی می‌تونه وضعیت رو بهبود بده. به نظرم مباحث جالبی رو در پیش رو داریم. منتظر باشید :)ممنون ازسینای عزیز که متنای قبلی رو که خوند گفت پیش‌نویس این رو هم براش بفرستم و کمک کرد جاهایی از متن که مبهمه رو بهبود بدم. و البته دوست دیگه‌ای که اولین کسی بود که پیش‌نویس رو خوند و نظرای خوب و سازنده‌ای داد ولی نمی‌خواست اسمش فاش بشه :)این پست از مجموعه پستاییه که توش مسیر خودم توی درس Using Big Data to Solve Economic and Social Problems و چیزایی که ازش یاد می‌گیرم و برام جالبه رو به اشتراک می‌ذارم. پست اول این مجموعه رو می‌تونید از اینجا ببینید و پست قبلی رو از اینجا ببینید.حتما اگه نظری داشتید یا نکته‌‌ای به نظرتون می‌رسید توی قسمت پاسخ‌ها باهام در میون بذارید. اگر هم کسی رو می‌شناختید که به این موضوعا علاقه‌منده و این پست ممکنه براش جذاب باشه خیلی خوبه اگه براش بفرستید.پست بعدی رو می‌تونید از اینجا ببینید: https://virgool.io/@erfan.loghmani/%D8%A8%D8%AE%D8%B4-%D8%A7%D9%88%D9%84-%D8%AC%D9%84%D8%B3%D9%87%D9%94-%D8%AF%D9%88%D9%85-%D8%AA%D9%81%D8%A7%D9%88%D8%AA%D9%87%D8%A7-%D8%A7%D8%B2-%DA%A9%D8%AC%D8%A7-%D9%85%DB%8C%D8%A7%D8%AF-sz0sbpektuk5 عرفان لقمانی عرفان لقمانی Sun, 17 May 2020 23:03:50 +0430 https://virgool.io/@erfan.loghmani/%DA%86%D8%B1%D8%A7-%D8%A7%D8%B3%D8%AA%D9%81%D8%A7%D8%AF%D9%87-%D8%A7%D8%B2-%D8%AF%D8%A7%D8%AF%D9%87-kd7mujv1twn0 توی پست قبل گفتم که می‌خوام درس Using Big Data to Solve Economic and Social Problems رو ببینم و چیزایی که ازش یاد می‌گیرم یا به نظرم جذابن رو اینجا به اشتراک بذارم.جلسهٔ اول مثل بیشتر درسا از این شروع میشه که اصلا چرا این درس وجود داره و مسیر درس از کجاها می‌گذره و توش چیا یاد می‌گیریم. با یه مثال شروع می‌کنیم.رویای آمریکایینمی‌دونم دربارش شنیدید یا نه، من قبلا فقط عبارتش به گوشم خورده بود و هیچ وقت روش دقیق نشده بودم. به نظرم خوبه یه سر به ویکی‌پدیاش بزنید. https://en.wikipedia.org/wiki/American_Dream اگه بخوام برداشتم رو از چیزی که ویکی‌پدیا گفته بگم میشه:امکان سعادت و موفقیت و ارتقای وضعیت اجتماعی اقتصادی برای خانواده‌ها و فرزندان با تلاش به دست بیاد و توی این مسیر هیچ مانع اجتماعی وجود نداشته باشه.یا ساده‌تر این که هر کسی بخواد به موفقیت برسه اگه تلاش بکنه بتونه. کلا رویای آمریکایی می‌تونه تعریف‌های مختلفی داشته باشه و هر کسی به صورت متفاوتی تعبیرش کنه. تعبیری که آقای چتی توی درس استفاده می‌کنه اینه: «اگه تو سخت کار کنی شانس اینو داری که توی توزیع درآمد از والدینت پیشی بگیری.» و تلاش می‌کنه بررسی کنه چقدر این رویای آمریکایی محقق شده. این نمودار رو ببینید:درصد فرزندان متولد شده در هر سال که درآمدشون توی سی‌سالگی بیشتر از والدیندشون توی همون سن بوده منبع: opportunityinsights.orgهر نقطه از نمودار نشون میده چه درصدی از بچه‌هایی که توی اون سال به دنیا اومدن از والدینشون درآمدشون بیشتره. درآمد فرزندا و والدین رو هم توی وسطای دههٔ چهارم یعنی بین ۳۰ تا ۴۰ سالگی در نظر می‌گیره و برای همین آخرین نقطه ۱۹۸۴ ه که بچه‌های متولد اون سن تا ۲۰۱۷ که این مقاله منتشر شده به سی سالگی رسیده باشن. چیزی که نمودار میگه اینه که این درصد داره کم و کم‌تر میشه و یه جورایی می‌شه گفت که رویای آمریکایی داره کم‌رنگ میشه. البته نتیجه‌گیری فقط با این نمودار ایرادایی داره که دوست دارم بهش فکر کنید و ایراداش رو بگید.سوالایی که برای یه جامعه‌شناس یا سیاست‌مدار یا به طور کلی برای هر کسی که این نمودار رو می‌بینه به ذهن می‌رسه و دوست داره جواباشون رو بدونه این دو تاست:چرا این اتفاق افتاده و این درصد داره کم میشه؟چی کار می‌تونیم بکنیم که اوضاع نمودار بهتر بشه؟با این دادهٔ کم نمی‌تونیم به این سوال جواب بدیم. چون عامل‌های مختلفی ممکنه توی این اتفاق تاثیر داشته باشه و این نمودار صرفا چند تا عدد داره که چیزی بیشتر از وضعیت کل آمریکا و روند کلی ازش نمیشه فهمید.روی‌کرد علوم انسانی تئوری برای این سوالاتا الان که جامعه‌شناسی و اقتصاد جلو اومدن دسترسی به داده زیاد نبوده برای همین بیشتر نظریه‌های جامعه شناسی موجود حرف‌های کیفی‌ان و یا توی اقتصاد بیشتر ابزارها مدل‌های ریاضی‌ان که تلاش می‌کنن رفتارها رو باهاش توضیح بدن و ازشون استفاده کنن تا پیشنهادایی برای بهبود شرایط بدن. مثلا برای سوال‌های بالا مدل‌های اقتصادی ممکنه تحلیل کنن که نرخ مالیات باید تغییر کنه یا نظریه‌های جامعه شناسی مشکل رو توی جهانی‌شدن ببینن.این روی‌کرد‌های تئوری هر چند خیلی برای فهم مساله کمک‌کننده‌ان ولی یه مشکل بزرگ دارن. بیشترشون تست نشدن و یا نتیجه‌گیریشون از روی داده‌های کم بوده. و برای همینه که ممکنه برای یه سوال پنج تا اقتصاددان هر کدوم ۵ تا جواب متفاوت بدن. و خب همین دلیله که باعث میشه سوالایی که باید جواب علمی یکتایی داشته باشن مثل این که «آیا ساختن مسکن دولتی باعث رکود بازار مسکن می‌شه؟» توسط آدمای مختلف جوابای مختلفی می‌گیره و هر دیدگاه سیاسی یه جوری بهش جواب می‌ده.اخیرا توی اینستاگرام یه فیلمی خیلی بازنشر می‌شد که ممکنه دیده‌ باشید. و توش به تست MBTI همین ایراد رو می‌گرفت که نتیجه‌گیریش مبتنی بر داده‌های کافی نبوده... البته حمله‌های دیگه‌‌ای هم به این تست می‌کرد. البته من خودم هنوز بررسی دقیقی روش نکردم ولی به نظرم حمله‌ها مطرح بود و باید ببینیم که تحقیقای جدیدی روی این موضوع هست یا نه. می‌تونید از اینجا ببینید فیلم رو: https://www.youtube.com/watch?v=_NQqSnkI32A&feature=emb_logo خبر خوبخبر خوب اینه که علوم انسانی داره به سمت تجربی و داده‌محورتر شدن حرکت می‌کنه و تلاش می‌شه که تئوری‌های قبلی رو با داده‌ها ارزیابی کرد. مثلا درصد مقاله‌های داده‌محور اقتصادی توی سالای مختلف اینطوری تغییر کرده:درصد تعداد مقالات داده‌محور در نشریات اقتصادی پیشرو منبع: opportunityinsights.com که خب آخرین نقطهٔ نمودار مال سال ۲۰۱۱ ه و احتمالا تا الان درصد بیشتر هم شده باشه.استفاده از داده چه مزیتایی داره؟۱. اول این که از نظرسنجی‌ها قابل‌اطمینان‌تره. مثلا فرض کنید من بخوام تعداد بارهایی که هر شخص توی هفته میره میوه‌فروشی رو در بررسی کنم. اگه اینو نظرسنجی بکنم ممکنه فرد به دلایلی مثل بد بودن حافظه یا تخمین بد عدد اشتباهی رو گزارش کنه. یا توی بعضی سوالا به دلیل اعتماد نداشتن اصلا جواب درستی نده. در مقابل اگه مثلا به تراکنش‌های کارت بانکی افراد دسترسی داشته باشم می‌تونم اطلاعات دقیق‌تری داشته باشم. (البته اینجا مسائل حریم شخصی هم مهم میشه)۲. می‌تونم چیزایی رو اندازه بگیرم که قبلا نمی‌تونستم، مثلا الان با وجود شبکه‌های اجتماعی می‌تونم احساسات افراد دربارهٔ یه موضوع رو هم اندازه بگیرم.۳. به دلیل حجم زیاد داده می‌تونم پوشش سراسری داشته باشم و حتی همهٔ جامعه رو بررسی کنم و اگه هم خواستم روی یه گروه خاص از آدما دقیق بشم و دربارشون صحبت کنم.۴. چون داده‌های زیادی دارم می‌تونم حتی آزمایش‌ها علمی تقریبی روی داده طراحی کنم. توی روش علمی مثلا وقتی می‌خواستیم ببینیم آدمایی که تختشون رو مرتب نمی‌کنن اگه تختشون رو مرتب کنن چقدر عملکردشون بهتر میشه میومدیم و این آدما رو به صورت تصادفی دو دسته می‌کردیم و به یه عده می‌گفتیم تختشون رو مرتب کنن و بعد چیزی که می‌خواستیم رو اندازه می‌گرفتیم. اما الان اگه داده‌های کافی داشته باشیم (مثلا فرض کنید داده‌های موفقیت و مرتب کردن تخت افراد رو داشته باشیم) می‌تونیم بدون این که واقعا آزمایش رو انجام بدیم اون رو شبیه‌سازی کنیم و این تغییر رفتار رو از روی داده اندازه بگیریم. البته این کار جزئیاتی داره و حواسمون باید به یه سری چیزا باشه که در ادامه می‌بینیمش.چه مسائلی رو بررسی می‌کنیم؟یکی از جاهایی که منو بیشتر علاقه‌مند کرد که درس رو ادامه بدم مسائلی بود که قراره توی درس بررسی کنیم که موضوعای جالبی‌ان و بعضیاشون برای خودمم دغدغه بودن. مسئله‌ها اینا هستن:فرصت برابر برای افراد (همین مسالهٔ رویای آمریکایی)آموزشنابرابری‌های نژادیسلامتعدالت کیفریسیاست‌های مالیاتیتغییرات اقلیمیتوسعهٔ اقتصادی و تغییر در سازمانکه خب واقعا عنوان‌های مهم و جذابین و اگه واقعا بشه به صورت علمی و داده‌محور بهشون حمله کرد و نتایج خوبی به دست اورد می‌تونن تاثیرای خوبی داشته باشن.خب تقریبا نیمهٔ اول جلسهٔ اول یعنی The Geography of Upward Mobility in America رو با هم دیدیم. من تلاش کردم چیزایی که به نظرم کلیدی‌تر بود رو انتخاب کنم. منابع کامل درس اینجا هست.این پست از مجموعه پستاییه که توش مسیر خودم توی درس Using Big Data to Solve Economic and Social Problems و چیزایی که ازش یاد می‌گیرم و برام جالبه رو به اشتراک می‌ذارم. پست اول این مجموعه رو می‌تونید از اینجا ببینید: https://virgool.io/@erfan.loghmani/%D8%AF%D8%A7%D8%AF%D9%87-%D8%A8%D8%B1%D8%A7%DB%8C-%D8%AD%D9%84-%D9%85%D8%B3%D8%A7%D8%A6%D9%84-boxeiqch5ejj حتما اگه نظری داشتید بهم بگید یا اگه کسی رو می‌شناختید که به این موضوعات علاقه‌منده و به نظرتون این پستا براش مفیده بهش معرفی کنید. :)پست بعدی رو می‌تونید از اینجا بخونید: https://virgool.io/@erfan.loghmani/%D8%A7%D8%AF%D8%A7%D9%85%D9%87%D9%94-%D8%AC%D9%84%D8%B3%D9%87%D9%94-%D8%A7%D9%88%D9%84-%D8%A8%D8%B1%D8%B1%D8%B3%DB%8C-%D9%81%D8%B1%D8%B5%D8%AA-%D8%A8%D8%B1%D8%A7%D8%A8%D8%B1-%D8%A8%D9%87%D8%A8%D9%88%D8%AF-%D9%88%D8%B6%D8%B9%DB%8C%D8%AA-%D8%A7%D9%82%D8%AA%D8%B5%D8%A7%D8%AF%DB%8C-zj9py9kmaifj عرفان لقمانی عرفان لقمانی Sat, 02 May 2020 21:54:58 +0430 https://virgool.io/rayanesh/%D8%AF%D8%A7%D8%AF%D9%87-%D8%A8%D8%B1%D8%A7%DB%8C-%D8%AD%D9%84-%D9%85%D8%B3%D8%A7%D8%A6%D9%84-boxeiqch5ejj چند وقت پیش توی یکی از قسمتای پادکست Hidden Brain یه چالشی از استفادهٔ داده برای تصمیم‌گیری رو گوش کردم و کمی بهش فکر کردم. فرض کنید ما از داده‌های پزشکی آمریکا بفهمیم که افراد سیاهپوستی که پیش دکترهای سیاه‌پوست می‌رفتن بیشتر عمر کردن. و تفاوت معنی‌داری مثلا ۱۰ سال به طور میانگین بیشتر عمر کردن. حالا آیا درسته که ما بیایم و قانون بذاریم که افراد سیاه‌پوست فقط برن پیش دکتر سیاه‌پوست؟ یا مثلا وقتی یه سیاه‌پوست میاد توی بیمارستان اون رو بفرستیم پیش دکتر سیاه‌پوست و سفیدپوستا رو بفرستیم پیش دکتر سفیدپوست؟داده میگه دکترای سیاه‌پوست عملکرد بهتری برای مریض‌های سیاه‌پوست دارن. با این داده چجوری تصمیم بگیریم؟ عکس از npr.orgالبته این سوال خیلی به مفاهیم پایه‌ای مثل اخلاق و مفاهیم جامعه‌شناسی گره خورده و باید به سوالای متنوعی اول جواب بدیم تا بتونیم به تعریف مشترکی از این که کدوم کار «درست»ه و یا بین دو تا کار کدوم «درست‌تر»ه برسیم. که به نظر یکی از مهم‌ترین چالش‌های این‌جور مساله‌هاست که البته مساله رو جذاب‌تر می‌کنه و خب کار تفکر و علم هم به نظرم همینه که تلاش کنه این چالشا رو حل کنه.حالا بیاید یه تحلیل ساده روی این مساله بکنیم و دو تا کار رو مقایسه بکنیم. کارهایی که پیشنهاد شد به نظر یکم نژادپرستانه‌ان و باعث به وجود اومدن این حس میشن که بین آدما بر اساس رنگ پوستشون تفاوت گذاشتیم و باعث جدا شدن بیشتر آدما هم میشن. از طرفی اگه یه همچین کارایی نکنیم و از این داده استفاده نکنیم انگار باعث شدیم میانگین عمر سیاه‌پوستا کم بشه. سؤال عمیقیه و البته جوابش به همین دوتا محدود نیست و شاید شما جواب‌های دیگه‌ای داشته باشید و به نظرم خوبه بهش فکر کنید. اگه جوابی هم داشتید دوست دارم جوابتون رو بشنوم و میتونید زیر پست پاسخ بذارید. توی پادکست تلاش می‌کنه تا مسائل مشابه و تحقیقایی که توی این زمینه شده رو بررسی کنه و تا حدی به جواب نزدیک بشه ولی بازم احتمالا جواب آخر آدمای مختلف روی این تصمیم با هم فرق کنه. اگه دوست داشتید می‌تونید پادکست رو از اینجا گوش کنید یا توی اپ‌های پخش پادکست قسمت People Like Us رو پیدا کنید و گوش کنید. https://www.npr.org/2019/06/03/729275139/people-like-us-how-our-identities-shape-health-and-educational-successhttps://www.npr.org/2019/06/03/729275139/people-like-us-how-our-identities-shape-health-and-educational-success معرفی یک درسکلا این جور مسئله‌ها هر چند چالش‌های مختلفی دارن ولی حل کردنشون به کمک داده رو دوست دارم و برام جذابه. چند وقت پیش که دیدم ویدئوها و منابع درسی با عنوان Using Big Data to Solve Economic and Social Problems در دسترسه خیلی خوشحال شدم و شروع کردم به دیدنش. صفحهٔ درس اینجاست که توش لینک به اسلایدا و فیلم‌های کلاس هست و یه فیلم کوتاه هم هست که ارائه‌کننده دربارهٔ درس بیشتر توضیح می‌ده. https://opportunityinsights.org/course/ خلاصه شروع کردم به دیدنش و تا الان دو جلسش رو دیدم و به نظرم نکات جالبی، هم توی نحوهٔ برخورد با مسائل داره و هم خود مسائلی که توی درس مطرح میشن و نتایجی که به دست اومده جالبن. اگه دوست داشتید خوشحال میشم که شما هم تو گذروندن درس بهم ملحق بشید و با هم جلسه‌ها رو پیش بریم و دربارهٔ هر جلسه بیشتر صحبت کنیم... یا این که یه پروژهٔ واقعی مرتبط شروع کنیم. اگه دوست داشتید توی قسمت پاسخ بهم بگید.در کنارش تصمیم گرفتم که چیزهایی از هر جلسه که برام جالب و یا آموزنده بود رو هم اینجا بنویسم. البته به نظر کار سختیه و همین متن رو کلی وقته می‌خوام بنویسم و نشده. امیدوارم که کم‌کم دستم گرم بشه و بتونم در کنار این که درس رو جلو می‌برم این متنا رو هم اینجا بنویسم. امیدوارم که برای شما هم جالب و مفید باشه.پ.ن: نوشتن جلسه‌هایی از درس که می‌بینم رو شروع کردم و می‌تونید اولین نوشته رو از اینجا بخونید: https://virgool.io/@erfan.loghmani/%DA%86%D8%B1%D8%A7-%D8%A7%D8%B3%D8%AA%D9%81%D8%A7%D8%AF%D9%87-%D8%A7%D8%B2-%D8%AF%D8%A7%D8%AF%D9%87-kd7mujv1twn0 عرفان لقمانی عرفان لقمانی Tue, 21 Apr 2020 20:44:37 +0430