چگونه بهتر پیش‌بینی کنیم؟

جوان آنلاین: دکتر هادی صمدی در کانال تلگرامی خود نوشت: در زمان اوج همه‌گیری کووید، بازار پیش‌بینی‌ها درباره آینده همه‌گیری داغ بود. نه فقط مردم می‌خواستند بدانند که همه‌گیری در ماه‌های آینده فروکش خواهد کرد یا نه، بلکه دولت‌ها نیز بیش از مردم خواهان آگاهی از آینده همه‌گیری بودند: آیا باید واکسیناسیون سراسری انجام دهند؟ حداقل روز‌های قرنطینه چندروز باید باشد؟ بدون مداخلات دولت وضعیت همه‌گیری چگونه خواهد بود؟ چه تعداد تخت بیمارستان لازم خواهد شد؟
برای پاسخ به پرسش‌هایی از این دست مدل‌هایی طراحی می‌کردند که برخی از آن‌ها سر از رسانه‌ها و شبکه‌های اجتماعی نیز در می‌آوردند و همه می‌شنیدم که مثلاً مطابق پیش‌بینی پژوهشگران فلان دانشگاه معتبر جهانی طی ماه‌های پیش رو نرخ ابتلا و مرگ‌ومیر ناشی از کووید فلان اندازه خواهد بود، اما بسیاری از این مدل‌ها، پیش‌بینی‌های بسیار متفاوتی عرضه می‌کردند.
وقتی به سراغ مدل‌های پیش‌بینی در سایر حیطه‌ها می‌رویم، در مواردی مانند مدل‌های پیش‌بینی هوا، پیش‌بینی عموماً براساس روند‌هایی که طی سالیان گذشته رصد شده انجام می‌شود. مثلاً وقتی دما در یک منطقه به‌شدت بالا یا پایین رفته بود، برای آن منطقه و مناطق اطراف چه پیامد‌های آب‌وهوایی ایجاد کرده بود، اما وقتی با پدیده نوظهوری مانند همه‌گیری کووید مواجه بودیم روند‌های گذشته از جمله همه‌گیری‌های گذشته اطلاعات کارآمدی در اختیار پژوهشگران قرار نمی‌دادند، زیرا مثلاً در مقایسه با همه‌گیری آنفلوآنزای اسپانیایی آغاز قرن بیستم، تراکم جمعیت کره زمین، ظهور واکسن‌های جدید، میزان سفر‌های خارجی و ... به نحوی اساسی تغییر کرده بود.
پرسش مهم این است: وقتی چند مدل مختلف سناریو‌های متفاوتی را مبنا قرار می‌دهند و پیش‌بینی‌های متفاوتی عرضه می‌کنند دولت‌ها و سازمان‌هایی مانند سازمان بهداشت جهانی کدام مدل را باید مبنای کار خود قرار دهند؟ پژوهشی که اکنون نتایج آن در نشریه نیچر منتشر شده پاسخی جالب به این پرسش می‌دهد که نه تنها می‌تواند جان میلیون‌ها انسان را نجات دهد، بلکه تأثیرات شگرفی بر اقتصاد جهانی خواهد داشت، زیرا باتوجه به افزایش تراکم جمعیت، همه‌گیری‌های بعدی در راهند.
راه‌حل بسیار ساده است: اگر در آن زمان نتایج چهار تا ۹ مدل را ادغام می‌کردیم، می‌توانستیم بادقتی بسیار بالا آنچه را در عمل رخ داد، پیش‌بینی کنیم. در نتیجه در همه‌گیری‌های بعدی به جای اتکا به یکی از مدل‌های پیش‌بینی باید برآیند چندین مدل را مبنای عمل قرار دهیم.
از زمان ارسطو می‌دانستیم که خرد جمعی بیش از خرد تک‌تک برسازندگان آن جمع است. وقتی در نمایشگاهی در سال ۱۹۰۶ از بازدیدکنندگان خواستند وزن گاوی را حدس بزنند فرانسیس گالتون دریافت که عدد میانگین در ۸۰۰ تخمین انجام شده فقط یک‌درصد با وزن واقعی گاو متفاوت بود.
پژوهش کنونی مثالی جالب است برای مفهوم «معرفت توزیع‌شده.» هرکدام از مراکز دانشگاهی برای پیش‌بینی وضعیت کووید عامل‌هایی (فاکتورهایی) را انتخاب و مدلی برای برقراری آن عامل‌ها طراحی کردند و براساس آن نیز پیش‌بینی‌های خود را انجام دادند. مشخصاً هر کدام از آن‌ها نیز دفاعیه‌ای داشتند که چرا عامل‌های انتخابی مهم‌تر از عوامل کنار نهاده شده هستند، اما از آنجا که واقعیت بسیار پیچیده‌تر از هر مدل انتخابی است هر مدلی خطا‌هایی دارد.
ممکن است پیشنهاد دهیم که همه عامل‌های چند مدل برتر را با هم ادغام و یک مدل جامع طراحی کنیم. این کار در حرف ساده است، اما پیاده‌کردن آن در عمل با مشکلات زیادی همراه است، زیرا اولاً پیش‌فرض‌های برخی از این مدل‌ها در تعارض با هم هستند؛ ثانیاً با افزوده‌شدن هر عامل منابع خطای جدیدی نیز وارد مدل می‌شود (زیرا برای سنجیدن هر عامل سنجه‌های مختلفی وجود دارد و سنجیدن هر کدام نیز با خطا‌های اندازه‌گیری همراه است)؛ ثالثاً با پیچیده شدن مدل، فهم آن نیز سخت‌تر می‌شود و این باعث می‌شود که رسیدن به اجماع بر سر آن نیز سخت‌تر شود. (هوش مصنوعی می‌تواند در حل این معضلات یاری‌گر باشد.).
اما راهکار بدیل آن است که اجازه دهیم پژوهشگران هر مؤسسه مستقلاً مدل خود را بسازند و پیش‌بینی خود را انجام دهند و در نهایت هر پیش‌بینی را به مثابه حدسی در نظر بگیریم و معدل آن را مبنای کار قرار دهیم. (در این مورد نیز می‌توان از هوش مصنوعی بهره گرفت.)
این پژوهش راهنمای مناسبی برای پیش‌بینی‌های اقتصادی نیز خواهد بود. کافی است دیگران را مانند خود معقول بپنداریم و جزم‌اندیشانه مدل‌های خود را برتر از دیگران ندانیم.