تفکر پارامتریک؛ تغییر نگاه پژوهشگران از پاسخ‌یابی به سیستم‌سازی

۱۴ مرداد ۱۴۰۵ | ۱۱:۳۲ کد: ۵۴۷۶۸ دستاوردهای پژوهشی
تعداد بازدید: ۹۴۵
دکتر سیدمرتضی حسینی با اشاره به چالش‌های روش‌شناختی پژوهش در مواجهه با مسائل پیچیده، تفکر پارامتریک را رویکردی برای تغییر نگاه از پاسخ‌یابی به سیستم‌سازی معرفی می‌کند.

 

میز خبری معاونت پژوهش و فناوری دانشگاه تهران:

بسیاری از پژوهشگران، به‌ویژه در حوزه‌های میان‌رشته‌ای، با چالش‌های روش‌شناختی جدیدی روبه‌رو هستند. دکتر سیدمرتضی حسینی، استاد مدعو دانشکدگان هنرهای زیبا دانشگاه تهران و از معرفی شدگان طرح connect، در این گفت‌وگو، با اشاره به مسئله پیچیدگی در پژوهش، جایگاه تفکر پارامتریک و نقش آن در آینده تعامل انسان و هوش مصنوعی را تشریح می‌کند.

پژوهشگران امروز با چه چالش روش‌شناختی مواجه هستند؟

مسئله اصلی این است که ما با «مسائل پیچیده» یا به اصطلاح Wicked Problems مواجه هستیم. این مسائل متغیرهای متعدد و اهداف متعارضی دارند؛ برای مثال، در طراحی یک ساختمان، چگونه می‌توان همزمان مصرف انرژی را به حداقل و آسایش ساکنین را به حداکثر رساند؟

روش‌های تحقیق سنتی که ماهیتی خطی دارند، برای مدیریت این حجم از پیچیدگی و تحلیل بده‌بستان‌ها (Trade-offs) طراحی نشده‌اند. این موضوع یک «بحران روش‌شناسی» ایجاد کرده است.

تفکر پارامتریک چه تغییری در فرایند پژوهش ایجاد می‌کند؟

تفکر پارامتریک، نگرش ما را از «پاسخ‌یابی» به «سیستم‌سازی» تغییر می‌دهد. در این رویکرد، تعریف مسئله از پرسش درباره «چیستی» یک پدیده، به پرسش درباره «چگونگی کارکرد» یک سیستم تبدیل می‌شود. ما به دنبال کشف منطق حاکم بر روابط بین اجزای سیستم هستیم. 

این تغییر، تعریف فرضیه را نیز متحول می‌کند. فرضیه دیگر یک گزاره خبری ساده نیست که آن را رد یا اثبات کنیم؛ بلکه خودِ مدل محاسباتی که این روابط را تعریف می‌کند، تجسم کامل فرضیه ماست. اعتبار فرضیه ما به قدرت پیش‌بینی و دقت همان مدل بستگی دارد. ما به جای آزمودن چند گزینه محدود، کل یک فضای پاسخ (Solution Space) را تولید و تحلیل می‌کنیم.

یک پژوهشگر برای استفاده از این روش چه مراحلی را باید طی کند؟

این فرآیند یک چرخه پویا و تکرارشونده است که چهار مرحله کلیدی دارد:

شناسایی پارامتر (Parameter Identification): ابتدا مسئله را به اجزای بنیادینش واسازی می‌کنیم. متغیرهای ورودی (آنچه کنترل می‌کنیم) و شاخص‌های عملکردی یا خروجی (اهدافمان) را تعریف می‌کنیم.

تولید ترکیبات (Generating Synthesis): سپس، یک مدل محاسباتی می‌سازیم که بر اساس منطق تعریف‌شده، هزاران یا حتی میلیون‌ها سناریو و راه‌حل ممکن را به صورت خودکار تولید می‌کند.

اعتبارسنجی اهداف (Validating Design Goals): در این مرحله، تمام راه‌حل‌های تولیدشده را بر اساس اهدافمان ارزیابی می‌کنیم. اینجا مشخص می‌شود کدام گزینه‌ها عملکرد بهتری دارند و بده‌بستان‌ها میان اهداف مختلف کجا هستند.

انطباق چندعملکردی (Multi-Functional Adaptation): این گام نهایی، یک حلقه بازخورد است. ما از دانش به‌دست‌آمده در مرحله قبل برای بهبود مدل، بازتعریف پارامترها یا تنظیم اهداف استفاده کرده و چرخه را دوباره تکرار می‌کنیم تا به درک عمیق‌تر و راه‌حل‌های بهینه‌تری برسیم.

 

جایگاه تفکر پارامتریک در عصر هوش مصنوعی چگونه خواهد بود؟

این روش‌شناسی، در واقع زیرساخت منطقی و زبان مشترک برای همکاری خلاقانه انسان و هوش مصنوعی است. در این پارادایم جدید، نقش پژوهشگر از یک «تحلیلگر داده» به یک «معمار سیستم پژوهشی» تغییر می‌کند.

پژوهشگر، با تکیه بر دانش و خلاقیت خود، ساختار مسئله، پارامترها و اهداف را تعریف می‌کند. سپس، الگوریتم‌های هوش مصنوعی می‌توانند به عنوان یک «عامل اکتشاف» قدرتمند، در این فضای پاسخ تعریف‌شده به جست‌وجو بپردازند، الگوهایی را کشف کنند که از چشم انسان پنهان می‌ماند و به ما در یافتن راه‌حل‌های نوآورانه یاری رسانند. این هم‌افزایی، بدون شک فصل جدیدی را در اکتشافات علمی رقم خواهد زد.

 

 

 

 

شرکت پارس مدیکیو و بنیاد فرهنگی مصلی نژاد، حامی میز خبری معاونت پژوهش و فناوری دانشگاه تهران


( ۱ )

نظر شما :

توجه! لطفا دیدگاه خود پیرامون این مطلب را در این قسمت درج نمایید و برای ارسال سایر درخواست ها و پیام ها به بخش تماس با ما مراجعه فرمایید.