صفحه نخست

آموزش و دانشگاه

علم‌وفناوری

ارتباطات و فناوری اطلاعات

ورزش

سلامت

پژوهش

سیاست

اقتصاد

فرهنگ‌ و‌ جامعه

علم +

عکس

فیلم

استانها

بازار

اردبیل

آذربایجان شرقی

آذربایجان غربی

اصفهان

البرز

ایلام

بوشهر

تهران

چهارمحال و بختیاری

خراسان جنوبی

خراسان رضوی

خراسان شمالی

خوزستان

زنجان

سمنان

سیستان و بلوچستان

فارس

قزوین

قم

کردستان

کرمان

کرمانشاه

کهگیلویه و بویراحمد

گلستان

گیلان

لرستان

مازندران

مرکزی

هرمزگان

همدان

یزد

هومیانا

پخش زنده

دیده بان پیشرفت علم، فناوری و نوآوری
۱۱:۳۷ - ۰۶ اسفند ۱۴۰۲
در گزارش آنا بخوانید؛

درک مدل‌سازی علمی: راهنمایی برای اذهان کنجکاو

مدل یک بازنمایی ساده از واقعیت است که به درک، توضیح و پیش‌بینی عملکرد جهان کمک می‌کند.
کد خبر : 898429

گروه پژوهش و دانش خبرگزاری علم و فناوری آنا، سید مهدی میرزاپور رضائی؛ محققان در دنیای علم به روش‌های مختلفی تلاش می‌کنند تا شبکه پیچیده‌ی واقعیت‌ها که ما را احاطه کرده است درک کنند. یکی از این روش‌ها که نقش مهمی در کاوش علم ایفا می‌کند «مدل‌سازی» نام دارد.

مقهور نام این روش نشوید. اگر تا به حال از یک نقشه استفاده کرده‌اید، پس با مفهوم مدل چندان ناآشنا نیستید. مدل‌سازی در دامنه روش علمی تا حدود زیادی مشابه با همین مفهوم نقشه است، هرچند در قلمرو‌هایی عمیق‌تر و انتزاعی‌تر فرو می‌رود.

* مدل‌سازی علمی چیست؟

تصور کنید قصد دارید سر دربیاورید چیزی چگونه کار می‌کند (این "چیز" می‌تواند تغییرات آب‌وهوایی، مغز انسان یا حتی اقتصاد و... باشد)، اما کلیت ماجرا آنقدر بزرگ یا برعکس آنقدر کوچک یا چنان پیچیده است که درک آن به طور مستقیم و کامل مقدور نیست. این نقطه جایی است که مدل‌سازی به کار می‌آید.

مدل یک بازنمایی ساده از واقعیت است که به درک، توضیح و پیش‌بینی عملکرد جهان کمک می‌کند. مدل‌ها می‌توانند فیزیکی باشند (مانند یک کره زمین که از لوازم تحریر خریداری می‌کنید)، یا معادلات ریاضی و یا شبیه‌سازی کامپیوتری باشند.

* چرا از مدل‌ها استفاده می‌کنیم؟

دنیا جای پیچیده‌ای است. مدل‌های علمی به ما اجازه می‌دهند تا روی بخش‌های خاصی از این پیچیدگی‌ها به اصطلاح زوم کنیم و معنا و مفهوم آن نقاط را درک کنیم. مدل‌سازی با این دیدگاه ابزاری برای یادگیری و کشف است که مورد استفاده دانشمندان قرار می‌گیرد. علل عمده‌ی استفاده از مدل‌ها عبارتند از:

۱. درک سیستم‌ها: در مدل‌سازی سیستم‌های پیچیده را به بخش‌های قابل مدیریت تجزیه می‌کنیم. با این کار می‌توان فهمید که این بخش‌ها چگونه بر یکدیگر تأثیر می‌گذارند.
۲. پیش‌بینی: به لطف مدل‌ها می‌توان رویداد‌های آینده را بر اساس شرایط فعلی یا فرضی پیش‌بینی کرد. پیش‌بینی آب‌وهوا یک مثال کلاسیک در این حوزه است. در این مورد کارشناسان با شبیه‌سازی شرایط جوی، الگو‌های آب‌وهوا را پیش‌بینی می‌کنند.
۳. آزمون فرضیه‌ها: دانشمندان قبل از انجام آزمایش‌های واقعی (که می‌تواند هزینه‌بر و زمان‌بر باشد)، از مدل‌هایی برای آزمایش پیش‌بینی‌ها و اصلاح نظریه‌های خود استفاده می‌کنند.
۴. ایده‌های ارتباطی: مدل‌ها زبانی مشترک را برای دانشمندان فراهم می‌کنند تا بدین وسیله یافته‌ها و نظریه‌های خود را با دیگران، حتی آنهایی که خارج از حوزه خود هستند، به اشتراک بگذارند.

* انواع مدل‌ها

در علم مدل‌ها به اشکال مختلفی عرضه می‌شوند که هر کدام اهداف متفاوتی را دنبال می‌کند:

- مدل‌های فیزیکی ملموس و قابل لمس هستند، مانند مدلی از مارپیچ دوگانه DNA.
- مدل‌های ریاضی که از زبان ریاضی برای نشان دادن روابط بین عناصر یک سیستم استفاده می‌کند.
- شبیه‌سازی‌های کامپیوتری که مدل‌هایی پیچیده‌ای هستند و بر روی سیستم‌های کامپیوتری اجرا می‌شوند و می‌توانند سناریو‌های مختلف (مثلاً یک روش جدید برای ترافیک شبکه‌های کامپیوتری) را در طول یک بازه زمانی شبیه‌سازی کنند.

* دانشمندان چگونه مدل‌سازی انجام می‌دهند؟

به طور کلی در مدل‌سازی حالات مختلفی داریم. ما می‌توانیم یک متن ساده را مدل‌سازی کنیم و همچنین نتیجه عملکرد کاوشگری را در مریخ مدل‌سازی کنیم. با این حال در حالت کلی یک روند ثابت داریم. ایجاد یک مدل مستلزم مشاهده و آزمایش‌های فراوان است. در اینجا یک نسخه ساده از این فرآیند آمده است:
۱. مشاهده کنید: دانشمندان با مشاهده جهان و پرسیدن سوال کار خود شروع می‌کنند.
۲. ساده‌سازی: آنها تشخیص می‌دهند که کدام جنبه از واقعیت برای پاسخ به سؤالات آنها ضروری است و بقیه موارد را ساده‌سازی می‌کنند. این مرحله شامل ایجاد فرضیاتی برای تمرکز بر عناصر اصلی مسئله است.
۳. ساخت: دانشمندان با استفاده از معادلات ریاضی یا کد کامپیوتری، مدل را می‌سازند و عناصر ساده‌شده و روابط آنها را ترکیب می‌کنند.
۴. آزمایش: دانشمندان با مقایسه پیش‌بینی‌هایی که به لطف مدل‌سازی حاصل‌شده با داده‌های دنیای واقعی، می‌توانند مدل را اصلاح کنند تا به جواب دقیق‌تری برسند. 
۵. استفاده: پس از اینکه اعتبار و صحت مدلی مورد تأیید قرار گرفت، می‌توان از آن برای بررسی سناریو‌های مختلف، پیش‌بینی رخداد‌ها و... استفاده کرد.

* قدرت و محدودیت‌های مدل‌ها

مدل‌ها ابزار قدرتمندی هستند، اما این بدین معنی نیست که همیشه جواب می‌دهند و محدودیت‌های خود را دارند. از آنجایی که مدل‌ها در حقیقت ساده‌سازی واقعیت هستند، نمی‌توانند تمام جزئیات را ثبت کنند. این بدان معناست که اگرچه مدل‌ها بینش‌های ارزشمندی را ارائه می‌دهند، اما ممکن است همیشه رویداد‌های آینده را با دقت ۱۰۰% پیش‌بینی نکنند. نکته اصلی درک این محدودیت‌ها و استفاده هوشمندانه از مدل‌ها است.

* مدل‌سازی در زندگی روزمره

ما هر روز در زندگی خود با مدل‌سازی سروکار داریم. چنانچه بالاتر اشاره شد پیش‌بینی آب‌وهوا یک نمونه قدیمی از مدل‌سازی است. همچنین همه‌گیری کرونا باعث شد دولت‌ها لزوم آمادگی بیشتر برای مواجهه با بیماری‌هایی از این دست درک کنند. از‌این‌رو در حال حاضر دولت‌ها برای همه‌گیری‌های آینده برنامه‌ریزی‌هایی انجام می‌دهند. بدین منظور از مدل‌هایی برای پیش‌بینی نتایج مختلف در صورت بروز موقعیت مشابه استفاده می‌کنند.

مدل‌سازی علمی به ساختن نقشه‌ای از ناشناخته‌ها شبیه است. این روش تحقیق به ما کمک می‌کند تا پیچیدگی جهان را به بخش‌های قابل درک و قابل مدیریت تبدیل کنیم. اگرچه مدل‌ها بازنمایی صددرصدی و کاملی از واقعیت نیستند، اما ابزار‌های ضروری جعبه ابزار دانشمندان به حساب می‌آیند و ما را قادر می‌سازند آینده را پیش‌بینی و درک کنیم و حتی شکل دهیم. مدل‌سازی روشی است که نه تنها به ما نشان می‌دهد که کجا هستیم و به کجا می‌رویم بلکه به ما قدرت می‌دهد تا در مورد دنیای خود تصمیمات آگاهانه بگیریم.

* یک نمونه تحلیل مدل‌سازی

برای درک چگونگی تجزیه‌وتحلیل یک متن نمونه با استفاده از تحلیل مدل‌سازی اجازه دهید ابتدا منظورمان را از «تحلیل مدل‌سازی» روشن کنیم. در اینجا قصد ما فرآیند به کارگیری یک مدل محاسباتی برای تفسیر یا پیش‌بینی یک متن است. این امر می‌تواند شامل تکنیک‌های پردازش زبان طبیعی (NLP)، تحلیل احساسات، تحلیل موضوعی یا سایر اشکال تحلیل متن باشد که برای پردازش و درک زبان متکی به مدل است. برای مثال، وقتی از تحلیل احساسات استفاده می‌کنیم، نوع رایج تحلیل مدل‌سازی تعیین می‌کند آیا احساس یک قطعه ادبی مثبت، منفی یا خنثی است.

مرحله ۱: یک متن را انتخاب کنید
ابتدا به یک متن کوتاه نیاز داریم تا آن را تحلیل کنیم. اجازه دهید از این جمله ساده استفاده کنیم: «من عاشق روز‌های آفتابی هستم، اما از گرمای شدید متنفرم.»

مرحله ۲: یک مدل انتخاب کنید
در مرحله بعد، باید یک مدل انتخاب کنیم. در اینجا مدل مناسب، مدل «تحلیل احساسات» است. برای ساده‌کردن بحث فرض می‌کنیم که یک مدل تحلیل احساسات از پیش آموزش‌دیده مبتنی بر یک شبکه عصبی مصنوعی داریم (هوش مصنوعی). این شبکه براساس مجموعه کلان‌دیده‌ای از متون آموزش داده شده که با احساسات مرتبط است. این مدل می‌تواند «پس‌زمینه کلمات و عبارات» را درک کرده و احساسات متن را تعیین کند.

مرحله ۳: متن را پیش‌پردازش کنید
قبل از تغذیه متن به مدل خود، باید آن را پیش‌پردازش کنیم. این کار معمولاً شامل موارد زیر است:
- همسان سازی واژگان متن برای اطمینان از یکنواختی مفهوم، زیرا اگر فقط به دنبال درک این سه حس (دوست داشتن، نفرت، خنثی) هستیم، آنگاه "شیفتگی" و "عشق" و "تمایل داشتن" باید یکسان معنی شوند.
- خرد کردن متن که به معنای تقسیم آن به کلمات یا نشانه‌ها است. جمله فوق تبدیل به ["من"، "عاشق"، "روزهای"، "آفتابی"، "هستم" "اما"، "از"، "گرمای"، "شدید"، "متنفرم"] می‌شود.
- حذف کلمات بی‌اثر بسته به مدل ممکن است اختیاری باشد. کلمات بی‌اثر کلمات رایجی مانند "از" و "برای" می‌تواند باشد که ممکن است برای تجزیه‌وتحلیل چندان کاربردی نداشته باشد. با این حال، در تجزیه‌وتحلیل احساسات، این امکان وجود دارد که برای درک زمینه کلی متن مفید باشند. دستورالعمل همیشه ثابت نیست.
- ریشه‌یابی که بدین معنی است که کلمات را به شکل پایه‌ای یا ریشه‌ای آنها دربیاوریم. این روش هم بسته به نوع متن اختیاری است. (متنفرم --< تنفر)

مرحله ۴: متن را تجزیه‌وتحلیل کنید
حال متن از پیش‌پردازش‌شده خود را در مدل وارد می‌کنیم. مدل هر کلمه را با توجه به موقعیت آن، رابطه آن با کلمات مجاور و نقش آن در جمله برای درک احساس کلی پردازش می‌کند. "عشق" را مثبت و "نفرت" را منفی می‌شناسد. این مدل همچنین کشف می‌کند که "روز‌های آفتابی" با احساسات مثبت همراه است، در حالی که "گرمای شدید" بار معنایی منفی دارد.

مرحله ۵: نتایج را تفسیر کنید
خروجی مدل تحلیل احساسات ما ممکن است یک نمره یا برچسب باشد که احساسات کلی متن را نشان دهد. برچسب طبقه‌بندی‌شده می‌تواند مثبت، خنثی، منفی باشد. همچنین مدل می‌تواند یک توزیع احتمال در این دسته‌ها ارائه دهد. برای جمله فوق مدل احتمالاً چیزی شبیه به این درصد‌ها را می‌دهد:
- مثبت: ۶۰%
- خنثی: ۲۰%
- منفی: ۲۰%
این درصد‌ها نشان می‌دهد که مدل مزبور متن ما را عمدتاً مثبت (به جز حالات بسیار خاصی که گرما شدید است) تفسیر کرده است. این بدین معنی است که وجود عبارت با مفهوم مثبت "من روز‌های آفتابی را دوست دارم" در متن غالب بوده است.

مرحله ۶: نتایج را ارزیابی کنید
ما تحلیل مدل را با در نظر گرفتن بافت متن و خروجی مدل ارزیابی می‌کنیم. در مثال ما، مدل با موفقیت احساسات مثبت مرتبط با "دوست داشتن روز‌های آفتابی" را دریافت کرد، اما همچنین یک احساس منفی را با "نفرت از گرمای شدید" تشخیص داد. با توجه به اینکه متن با یک جمله کلی مثبت شروع می‌شود، نمره مثبت بالاتر معقول به نظر می‌رسد.

مرحله ۷: اصلاح و تکرار کنید
تحلیل مدل‌سازی همیشه مبتنی بر تکرار است. برای مثال اگر گوینده سخن ساکن شبه‌جزیره عربستان باشد بر اساس ارزیابی‌ها ممکن است نیاز باشد رویکرد خود را اصلاح کنیم، زیرا در آنجا مواقعی که گرما شدید است بیشتر از حد عادی است. این امر می‌تواند شامل بازآموزی مدل با داده‌های دقیق‌تر، تنظیم مجدد مراحل پیش‌پردازش، یا امتحان یک مدل جدید باشد تا نتیجه قبلی را با نتیجه جدید مقایسه کنیم.

با انتخاب متون مناسب و به کارگیری مدل‌های منطبق با آن، پیش‌پردازش صحیح، تجزیه‌وتحلیل متن و سپس ارزیابی دقیق و اصلاح رویکرد می‌توانیم بینش‌های ارزشمندی به دست آوریم.

انتهای پیام/

ارسال نظر