เข้าใจหลายศาสตร์ เข้าใจสังคม
เพื่อแก้ปัญหาโลกที่ซับซ้อน
JAN 25, 2021
นักวิทยาศาสตร์และคณิตศาสตร์ Warren Weaver เขียนบทความเรื่อง “Science and Complexity” ในปี 1948 โดยพูดถึงวิวัฒนาการของโจทย์ทางวิทยาศาสตร์ไว้อยู่ 3 แบบ คือ
-
โจทย์ที่มีความง่าย (Problems of Simplicity) ก่อนปี 1900 วิทยาศาสตร์ มักจะมีตัวแปรไม่กี่ตัวในการอธิบายลักษณะปรากฎการณ์ต่าง ๆ เช่น สมการฟิสิกส์ของนิวตัน
-
โจทย์ที่ซับซ้อนไม่เป็นระเบียบ หรือโจทย์แบบค่าเฉลี่ย (Problems of Disorganized Complexity or Problems of Averages) ต่อมาหลังจากปี 1900 นักวิทยาศาสตร์เริ่มพัฒนาทฤษฎีความน่าจะเป็น (Probability Theory) ที่นำไปใช้กับโจทย์ที่มีตัวแปรหลายตัวแปร ซึ่งตัวแปรมีความไม่แน่นอนอยู่ บางครั้งก็อธิบายตัวแปรด้วยค่าเฉลี่ย ทำให้เริ่มเข้าใจโจทย์ที่ซับซ้อนขึ้น
-
โจทย์ที่ซับซ้อนเป็นระเบียบ (Problems of Organized Complexity) หลังจากนั้น Weaver คาดว่าในอนาคตข้างหน้ามากกว่า 50 ปี (เขาเขียนบทความนี้ในปี 1948) เราต้องเจอปัญหาที่มีความซับซ้อนหลายตัวแปรและมีความเชื่อมโยงหลากหลายมากขึ้น รวมทั้งปัญหาด้านเศรษฐศาสตร์และการเมือง ถ้าจะอาศัยหลักการของโจทย์ 2 แบบแรกมาใช้ ก็อาจจะใช้ไม่ได้แล้ว การคาดการณ์นี้จึงนำไปสู่ศาสตร์ทางด้าน Computational Social Science (อาจเรียกได้ว่าสังคมศาสตร์เชิงคำนวณ)
ส่วนบทความวิจัยของ Michael R.Gillings หัวข้อ “Information in the Biosphere: Biological and Digital Worlds” มีการคาดการณ์ว่า ข้อมูลในโลกมีการเพิ่มจำนวนเป็นเท่าตัวในทุก ๆ 2.5 ปี ปริมาณของข้อมูลที่เยอะขึ้นอย่างมหาศาลนี้ เป็นประโยชน์และสามารถนำไปใช้กับงานสาขาต่าง ๆ ได้อย่างดีเยี่ยม โดยเฉพาะเมื่อนำ AI/ML หรือการทำแบบจำลอง (Simulation) พฤติกรรมคน บวกกับการใช้ข้อมูลเชิงพื้นที่ (spatial data) เครือข่ายสังคมออนไลน์ (social network), ข้อความ (text), รูปภาพ (images) และวิดิโอ (video) ร่วมกับงานด้านสังคมศาสตร์ ก็จะทำให้เกิดเป็นศาสตร์ใหม่ เช่น Computational Social Science ซึ่งจริง ๆ แล้ว ศาสตร์นี้มีมากว่า 10 ปี และเริ่มได้รับความสนใจมากขึ้นเรื่อย ๆ มีการตีพิมพ์ผลงานวิจัยเป็นหลายพันผลงาน โดยใช้ข้อมูลสังเกตการณ์ (Observational Data) การออกแบบการทดลอง (Experimental Designs) และแบบจำลองขนาดใหญ่ (Large Scale Simulations) ศาสตร์ด้านนี้สามารถนำไปใช้กับการศึกษาปรากฎการณ์ต่าง ๆ ได้มากมาย ทั้งด้านความเหลื่อมล้ำทางสังคม ไปจนถึงการแพร่กระจายของโรคระบาด
ศาสตร์เหล่านี้ ดูเหมือนจะเป็นความหวังให้เรานำมาใช้เพื่อวิเคราะห์และทำความเข้าใจบริบทของสังคมและโลกที่ซับซ้อนได้ แต่เรายังต้องเผชิญกับปัญหาและอุปสรรคอยู่หลายด้านด้วยกัน เช่น
1. แนวทางนโยบายของแต่ละหน่วยงานวิชาการที่ไม่ตรงกัน
ศาสตร์เหล่านี้ต้องอาศัยทักษะและความรู้ทางวิชาการหลายแขนง (Multidisciplinary) ซึ่งเป็นปัญหาที่พบบ่อยในหลายหน่วยงานทางวิชาการเช่น มหาวิทยาลัยหรือคณะต่าง ๆ ก็มีทิศทางนโยบายและแรงจูงใจที่แตกต่างกัน ทำให้มีความร่วมมือระหว่างกันน้อย ส่งผลให้การพัฒนาศาสตร์ต่าง ๆ เป็นไปได้ยากขึ้น
2. กรอบในการแลกเปลี่ยนข้อมูลที่ไม่เพียงพอ
การจะแลกเปลี่ยนข้อมูลที่อ่อนไหว (Sensitive Data) ของทางภาคเอกชนเพื่อนำมาทำงานวิจัยก็เป็นไปอย่างยากลำบาก เพราะเอกชนขาดแรงจูงใจที่จะร่วมวิจัย รวมทั้งหลาย ๆ แห่งก็ลดการเก็บข้อมูลที่เกี่ยวข้องกับบุคคล ผลจากกฎหมายข้อมูลส่วนบุคคลที่เริ่มบังคับใช้จริงจัง หรือถ้าได้ข้อมูลของลูกค้าก็อาจจะนำไปใช้กับงานวิจัยไม่ได้ เพราะงานวิจัยต้องใช้ข้อมูลที่เป็นตัวแทนของประชากรทั่วไปในการทำการค้นคว้าวิจัยเท่านั้น
3. กฎเกณฑ์ที่ไม่เพียงพอกับงานวิจัยทางวิทยาศาสตร์
ในวงการงานวิจัยเรายังไม่มีข้อกำหนด หลักการ และวิธีการสำหรับการจัดเก็บข้อมูลในการวิเคราะห์ข้อมูลที่เกี่ยวข้องกับคน โดยคำนึงถึงการเกิดผลกระทบให้น้อยที่สุด เช่น ในโลกที่เชื่อมโยงถึงกัน การแชร์ข้อมูลของใครคนใดคนหนึ่ง อาจจะโยงไปมีส่วนเกี่ยวข้องและสร้างผลกระทบกับความเป็นส่วนตัวของผู้อื่นได้โดยที่เราไม่ได้ตั้งใจ
แนวทางในการปรับปรุง
1. Collaboration มีแนวทางความร่วมมือที่ชัดเจนทั้งภาครัฐและเอกชน ในเรื่องของจริยธรรมงานวิจัย ความโปร่งใส ความเป็นอิสระ และการที่จะสามารถเลียนแบบงานวิจัย รวมไปถึงการจัดการความปลอดภัยของข้อมูล และโครงสร้างพื้นฐานที่จะดูแลการเข้าถึงความเป็นส่วนตัวของข้อมูล
2. Privacy preserving infrastructure สร้างระบบโครงสร้างพื้นฐานที่รักษาความเป็นส่วนตัวของข้อมูล ที่สามารถควบคุมและตรวจสอบการใช้งานได้ เพื่อสร้างความมั่นใจให้กับเจ้าของข้อมูล
3. Ethical guidelines by professional associations จัดทำแนวทางด้านจริยธรรมกับการใช้ข้อมูลโดยหน่วยงานมืออาชีพที่เกี่ยวข้องโดยตรง เพื่อนำไปสู่การใช้งานและยึดนำไปเป็นแนวทางในการปฏิบัติได้จริง
4. Reorganize the university มีการสร้างแรงจูงใจทั้งด้านทุนวิจัยและตำแหน่งทางวิชาการให้กับผู้ที่ทำวิจัยหลายสาขาวิชาในมหาวิทยาลัย สนับสนุนให้สร้างหลักสูตรใหม่เพื่อส่งเสริมให้นักวิจัยสร้างงานวิจัยที่เน้นความร่วมมือของหลากหลายสาขาเป็นหลัก
การทำวิจัยโดยใช้ศาสตร์ที่หลากหลายสาขานี้เกิดขึ้นอย่างแพร่หลาย โดยเฉพาะในประเทศสหรัฐอเมริกา ซึ่งผมคิดว่าปัญหาและแนวทางการปรับปรุงที่ผมได้กล่าวไปข้างต้นนี้ เป็นสิ่งที่ประเทศไทยสามารถเรียนรู้ได้ เพราะถือเป็นปัญหาและอุปสรรคหลักที่เรากำลังเผชิญอยู่ ไม่เฉพาะแค่ Computational Social Science แต่รวมไปถึงงานต่าง ๆ ที่เกี่ยวข้องกับ Data และ AI ด้วย
References:
Information in biosphere, Michael R. Gillings, Martin Hilbert, and Darrell J. Kemp
Computational social science: Obstacles and opportunities, David M. J. Lazer et al.
https://gking.harvard.edu/files/gking/files/1060.full_.pdf
Science and Complexity, Warren Weaver
