เข้าใจหลายศาสตร์ เข้าใจสังคมเพื่อแก้ปัญหาโลกที่ซับซ้อน

นักวิทยาศาสตร์และคณิตศาสตร์ Warren Weaver เขียนบทความเรื่อง “Science and Complexity” ในปี 1948 โดยพูดถึงวิวัฒนาการของโจทย์ทางวิทยาศาสตร์ไว้อยู่ 3 แบบ คือ

1. โจทย์ที่มีความง่าย (Problems of Simplicity) ก่อนปี 1900 วิทยาศาสตร์ มักจะมีตัวแปรไม่กี่ตัวในการอธิบายลักษณะปรากฎการณ์ต่าง ๆ เช่น สมการฟิสิกส์ของนิวตัน

2. โจทย์ที่ซับซ้อนไม่เป็นระเบียบ หรือโจทย์แบบค่าเฉลี่ย (Problems of Disorganized Complexity or Problems of Averages) ต่อมาหลังจากปี 1900 นักวิทยาศาสตร์เริ่มพัฒนาทฤษฎีความน่าจะเป็น (Probability Theory) ที่นำไปใช้กับโจทย์ที่มีตัวแปรหลายตัวแปร ซึ่งตัวแปรมีความไม่แน่นอนอยู่ บางครั้งก็อธิบายตัวแปรด้วยค่าเฉลี่ย ทำให้เริ่มเข้าใจโจทย์ที่ซับซ้อนขึ้น

3. 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

• https://docs.google.com/viewerng/viewer?url=http://www.martinhilbert.net/wp-content/uploads/2016/02/Information-in-the-Biosphere_TREE-final.pdf&hl=en_US

• 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

• https://www.jstor.org/stable/27826254