اضطراب و افسردگی از عوارض شایع دوران بارداری و پس از آن است؛ به‌گونه‌ای که ۲۲ درصد از مرگ‌ومیرهای پس از زایمان ناشی از خودکشی گزارش شده است. این اختلال در میان مراقبان (پدر یا مادر) نوزادانی که در بخش NICU بستری هستند یا به اورژانس مراجعه می‌کنند، به‌طور قابل‌توجهی بیشتر از سایر والدین مشاهده می‌شود؛ به ترتیب ۴۵ درصد و ۲۷ درصد، درحالی‌که این میزان برای مراقبان در شرایط عادی حدود ۱۵ درصد است.

با وجود این آمار نگران‌کننده، سیستم‌های فعلی غربالگری و درمان در بسیاری از مراکز کارآمد نیستند و تنها بخش کوچکی از افراد نیازمند به‌درستی شناسایی و حمایت می‌شوند.

در این نشست، دکتر نیوشا حسینی چیمه مدل طراحی‌شده توسط ایشان و تیم پژوهشی را برای بررسی ریشه‌های ساختاری ناکارآمدی سیستم غربالگری معرفی کردند. رویکرد این پروژه، مدلسازی پویایی سیستم با بهره‌گیری از روش Group Model Building بود؛ روشی مشارکتی که در آن نظرات متخصصان و سیاست‌گذاران به‌طور مستقیم در فرایند ساخت مدل دخالت داده می‌شود.

دلایل انتخاب رویکرد مدلسازی گروهی

دکتر حسینی دلایل انتخاب این رویکرد را چنین برشمردند:

• فراهم‌شدن امکان شناخت عمیق‌تر ساختارهای ایجادکننده مسئله به‌دلیل حضور متخصصان و ذی‌نفعان مختلف؛

• افزایش آگاهی متخصصان نسبت به پیچیدگی‌های مسئله و حساسیت‌های تصمیم‌گیری؛

• بهبود دقت مدل‌سازی به‌واسطه بهره‌گیری از تجربه تخصصی و میدانی مشارکت‌کنندگان؛

• و در نهایت، افزایش احتمال پذیرش و اجرای راه‌حل‌های پیشنهادی.

به‌منظور رفع محدودیت‌های «طوفان فکری کلاسیک»، در این پروژه از تکنیک Nominal Group Technique استفاده شد تا جمع‌آوری ایده‌ها ساختارمندتر باشد و از سلطه دیدگاه برخی افراد جلوگیری شود.

فرایند جلسات مشارکتی

دکتر حسینی توضیح دادند که در آغاز جلسات، از مشارکت‌کنندگان خواسته می‌شد «بیم‌ها و امیدهای» خود نسبت به پروژه را بیان کنند تا ذهن آنان برای ورود به بحث و تحلیل آماده شود. سپس از شرکت‌کنندگان خواسته شد ذی‌نفعان مختلف مسئله را شناسایی و برای هر یک، بر اساس میزان علاقه به حل مسئله و میزان اثرگذاری در آن، امتیاز تعیین کنند.
از دیگر موضوعات مورد بحث در این جلسات، جمع‌آوری راهکارهای پیشنهادی برای حل مسئله و اولویت‌دهی به آن‌ها بود.

در ادامه نشست، دکتر حسینی به تشریح مدل علی–حلقوی و همچنین فرایند شبیه‌سازی مدل پرداختند. توضیحات تفصیلی درباره این موارد در پست‌های بعدی منتشر خواهد شد.

---

اقدامات تکمیلی برای ساخت مدل علی و مدل شبیه‌سازی

در بخش بعدی ارائه، دکتر حسینی توضیح دادند که ایشان و تیم پژوهشی برای کسب شناخت دقیق‌تر از مسئله، در محیط بیمارستان حاضر شدند و با روش Shadowing (مشاهده و دنبال‌کردن مرحله‌به‌مرحله غربالگرها)، سعی کردند درک عمیق‌تری از فرایند غربالگری به دست آورند. این بازدیدهای میدانی منجر به شکل‌گیری یک «فرضیه پویا» شد؛ اینکه:

نوسان در تشخیص بیماران ممکن است تحت‌تأثیر جابه‌جایی نیروی انسانی باشد.

ایشان سپس روابط علی مرتبط با چرایی چرخش بالای نیروی کار و عوامل مؤثر بر زنجیره استخدام، مهارت‌افزایی و ترک شغل را تشریح کردند.

کالیبراسیون و تخمین پارامترها

دکتر حسینی در ادامه، به فرایند کالیبراسیون مدل پرداختند و توضیح دادند که برای تخمین پارامترها از روش Markov Chain Monte Carlo استفاده شده است.
یکی از مزیت‌های این روش، به‌دست‌آوردن بازه اطمینان پارامترها است که اعتبار مدل را افزایش می‌دهد.

اعتبارسنجی مدل و پیاده‌سازی در Forio

ایشان سپس با معرفی مقاله Yaman Barlas، آزمون‌های مختلف اعتبارسنجی انجام‌شده در پروژه را تشریح کردند. پس از تأیید مدل، نسخه نهایی آن در بستر Forio قرار داده شد. Forio بستری رایگان برای یادگیری تعاملی فراهم می‌کند و این امکان را می‌دهد که مدل به‌صورت آنلاین مورد استفاده قرار گیرد. در این بستر:

• ذی‌نفعان می‌توانند سیاست‌های پیشنهادی را شبیه‌سازی کنند،

• اثرگذاری هر سیاست را مشاهده کنند،

• و از طریق یک داشبورد پویا پیامدهای انتخاب‌های مختلف را مقایسه نمایند.

سیاست‌های مورد بررسی ترکیبی از خروجی جلسات مشارکتی و یافته‌های ادبیات پژوهشی و مطالعات تطبیقی بود. در نهایت، راهکارها و سیاست‌های مختلف با توجه به میزان اثرگذاری و پذیرش تصمیم‌گیران اجرایی اولویت‌بندی خواهد شد.

اهمیت جلب اعتماد کارفرما

ایشان تأکید کردند که در پروژه‌های مدلسازی پویایی سیستم، جلب اعتماد مشتری اصلی یا تصمیم‌سازان بسیار مهم است. در این پروژه، این اعتماد از طریق ارائه خدمات داوطلبانه و مکمل و همراهی نزدیک تیم پژوهشی با کارفرما در اجرای بهتر خواسته‌ها حاصل شده است.

بخش پرسش و پاسخ

نشست با طرح چند پرسش به پایان رسید. یکی از پرسش‌ها این بود که:

«راه‌حل‌هایی که با روش مشارکتی به دست می‌آیند ممکن است بهینه‌ترین راه‌حل نباشند؛ چگونه باید با این محدودیت مواجه شد؟»

دکتر حسینی پاسخ دادند که هر روش پژوهشی محدودیت‌های خاص خود را دارد و این موضوع درباره مدلسازی گروهی نیز صادق است. برای کاهش این محدودیت، می‌توان:

• طیف وسیع‌تری از ذی‌نفعان را در جلسات مشارکتی حضور داد،

• و در صورت امکان، مدل‌سازی را در چند بیمارستان مختلف انجام داد، مدل‌ها را مقایسه کرد و در نهایت مدلی جامع‌تر طراحی نمود.

پرسش درباره هوش مصنوعی

در پاسخ به پرسشی درباره نقش هوش مصنوعی در آینده مدلسازی، دکتر حسینی اظهار کردند که هوش مصنوعی در بخش کیفی و استخراج روابط علی پیشرفت قابل‌توجهی داشته است؛ اما در ساخت مدل کمی و مدل حالت–جریان، مدلساز خبره همچنان عملکرد دقیق‌تر و قابل‌اتکاتری دارد. ایشان همچنین تأکید کردند که در تمامی مراحل به‌کارگیری هوش مصنوعی، از ساخت مدل کیفی تا کمی و یافتن راه‌حل، نظارت انسانی ضروری است.

انتخاب مسائل مناسب برای مدلسازی پویایی سیستم

در پاسخ به این سؤال که «چه زمانی باید از رویکرد پویایی سیستم استفاده کرد؟»، دکتر حسینی توضیح دادند که این رویکرد زمانی مناسب است که:

• رفتار مشاهده‌شده متفاوت از انتظار باشد،

• مسئله دارای حلقه‌های بازخوردی متعدد باشد،

• روابط غیرخطی و تأخیرهای زمانی قابل‌توجه وجود داشته باشد،

• و مسئله پیچیده یا «بدخیم» محسوب شود.

کاربرد پویایی سیستم در پیش‌بینی

در پاسخ به پرسشی درباره کاربرد این رویکرد در پیش‌بینی، ایشان تأکید کردند که هدف اصلی پویایی سیستم، شناخت ساختارهای ایجادکننده رفتار و ارزیابی سیاست‌های جایگزین برای تصمیم‌گیری بهتر است؛ و برای پیش‌بینی دقیق، روش‌های دیگری کارآمدتر هستند.

جمع‌بندی پایانی

در پاسخ به این سؤال که «آیا پژوهش در حوزه نظری پویایی سیستم (از جمله هوش مصنوعی) اولویت دارد یا کاربرد این رویکرد در مسائل واقعی؟»
دکتر حسینی خاطرنشان کردند که اصالت با حل مسائل دنیای واقعی است؛ ابزارهای جدید و پیچیده زمانی ارزشمندند که به فهم بهتر مسئله و تصمیم‌سازی مؤثرتر کمک کنند.
با این حال، ایشان افزودند که با توجه به الزامات فعالیت‌های آکادمیک، پرداختن به موضوعات نو مانند هوش مصنوعی نیز می‌تواند مفید و مکمل باشد.