وقتی پیشبینی تیره و تاری در خصوص آینده در رسانهها مطرح میشود، بخشی از هراس عمومی به احتیاط عمومی نیز بدل میشود و حتی دولتها هم به دلیل رسانهای شدن موضوع مجبور میشوند تدابیر بیشتری را به کار بگیرند.
آینده نگر/ منبع: گاردین/ کیت ییتس، مدیر مرکز بیولوژی ریاضی در دانشگاه بَث انگلیس
در دوران پاندمی کرونا هر نوع برآورد و تخمین درباره گسترش ویروس و تلفات احتمالی آن به انتقادات زیادی از سوی طیفهای سیاسی در کشورهای مختلف انجامیده است. شکی نیست که بخشی از این انتقادات بجاست. برخی از برآوردها و پیشبینیها درباره گسترش کرونا خیلی با واقعیت فاصله داشتند. مثلاً مورد انگلیس را در نظر بگیرید. در ژوئیه ۲۰۲۱، سجاد جاوید که تازه وزیر بهداشت این کشور شده بود هشدار داد که موارد ابتلا به کرونا میتواند روزانه به بالای صد هزار نفر برسد. این رقم بر اساس مدلسازی گروه اسپیآیاِم (فعال در حوزه پاندمیها) صورت گرفته بود و یکی از چهرههای علمی این گروه به نام پروفسور نیل فرگسون حتی این را هم گفته بود که اگر محدودیتهای کرونایی در تابستان برداشته شود روزانه شاید حتی ۲۰۰ هزار مورد ابتلا به کرونا نیز در انگلیس مشاهده شود. اما در عمل، آمار ابتلا در بدترین حالت به ۵۰ هزار مورد رسید و ظرف چهار ماه نیز کاملاً کاهش یافت.
حالا میدانیم که آن برآوردها درست نبودند و انتقادات زیادی هم از این بابت نصیب دولت انگلیس شد. اما مشکل واقعی جای دیگری است. ما هنوز نمیدانیم کدام فرضیهها در باب گسترش ویروس کرونا باعث شدند این پیشبینیها غلط از آب دربیایند. ما هنوز نمیدانیم کدام اشتباهات در مدلسازی ریاضی وجود داشت و هنوز نمیدانیم چه اشتباهاتی در تحلیل نهایی دادهها صورت گرفت. قضیه این است که مدلهای ریاضی اصولاً فرضیههایی را مبنای خود قرار میدهند. مثلاً در این مورد خاص، میزان تاثیر واکسن، میزان شدت سویه کرونا و میزان تاثیرگذاری اعمال محدودیتها میتوانند جزو فرضیهها باشند. هریک از این فرضیهها صدها عامل دیگر را در خود دارند و بنابراین، مدلسازان درواقع مثل محققانی هستند که در تاریکی حرکت میکنند و مشعلی بسیار کمنور در دست دارند و فقط برخی قسمتهای مسیر را میتوانند درست طی کنند. به همین جهت است که قطعیت در چنین مدلسازیهایی معنا ندارد.
خود ریاضیدانها اولین کسانی هستند که دائم تاکید میکنند مدلهایشان حاکی از پیشبینی نیست، بلکه برآوردهای احتمالی را بر اساس فرضیات موجود به دست میدهد. اما مشکل اینجاست که وقتی موضوع بیش از اندازه ساده شود و در رسانهها مطرح شود، توجه فقط به رقم نهایی و نتیجه صورت خواهد گرفت؛ بدون آنکه کانتکست (شرایط و عوامل اطراف) نیز در نظر گرفته شوند.
البته در دوران پاندمی حتی حمله به پیشبینیهای آیندهنگرانه بسیار شدیدتر هم شده است. مجله اسپکتیتر اخیراً فهرستی دهتایی از بدترین شکستهای اطلاعاتی در مورد کووید در سال ۲۰۲۰ را منتشر کرد و برخی از آنها به عدم تطابق پیشبینیها در مورد تلفات کووید با آنچه که واقعاً رخ داد اشاره داشت. اما چنین حملاتی یک نکته مهم را دست کم میگیرند: وقتی پیشبینی تیره و تاری در خصوص آینده در رسانهها مطرح میشود، بخشی از هراس عمومی به احتیاط عمومی نیز بدل میشود و حتی دولتها هم به دلیل رسانهای شدن موضوع مجبور میشوند تدابیر بیشتری را به کار بگیرند. بنابراین احتمالش هست که انتشار پیشبینیها مثلاً در مورد تلفات کووید خودش به کاهش نسبی تلفات انجامیده باشد. این الگو درواقع در جهت تغییر رفتار مردم و حکومت عمل کرده است.
اما این نکته را هم نباید فراموش کرد که مدلسازان ریاضی برای پیشبینی آینده معمولاً مجبورند از اطلاعات حوزهای که به آن آشنایی ندارند برای مدلسازی استفاده کنند. آنها البته با افراد و سازمانهای حرفهای در آن حوزه ارتباط برقرار میکنند اما درنهایت، احتمال نادیدهگرفتن برخی عوامل در مدلسازی آنها اصلاً کم نیست.
اصولاً هر بار که کسی به تحلیل دادهها برای برآورد آینده بپردازد -از ریاضیدانها گرفته تا سیاستمداران و مردم عادی- حتماً از یک الگو استفاده میشود؛ هرچند که ممکن است فرد تحلیلکننده به ابعاد این الگو آگاه نباشد. تفاوت افراد موفق و ناموفق در این زمینه را باید این طور تشخیص داد: موفقها از اول به فرضیات خود هم اشاره میکنند. اگر فرد دریافتکننده این برآورد با فرضیههای شما مشکل داشته باشد، اصلاً به نتیجه نهایی کار شما هم توجه نخواهد کرد. اما اگر فرضیات شما را قبول داشته باشد و روش نتیجهگیری شما مشکلدار باشد، باز هم حداقل بخشی از افکار عمومی را راضی کردهاید چون آنها تا حدی به محدودیتهای شما در برآورد آینده آگاه شدهاند. از آنجا که پاندمی کرونا همچنان ادامه دارد، ما هم به حرفزدن درباره این مدلسازیها برای آینده همچنان احتیاج خواهیم داشت.