هوش مصنوعی در قلب آنالیز فوتبال: فراتر از بازرسی بدنی
اگرچه استفاده باشگاه بایرن مونیخ از فناوری Hexwave در سال ۲۰۲۰ گامی مهم در بهبود امنیت و تجربه تماشاگران بود، اما کاربردهای هوش مصنوعی و علوم داده در خودِ بازی فوتبال بهمراتب عمیقتر، پیچیدهتر و تحولآفرینتر است؛ حوزهای که متأسفانه در ایران تقریباً مغفول مانده و حتی شغل حرفهای «آنالیزگر فوتبال» هنوز به شکل ساختاریافته و علمی شکل نگرفته است.
در فوتبال مدرن، از ابزارهای پیشرفته مبتنی بر هوش مصنوعی و فناوری اطلاعات در چندین لایه استفاده میشود:
1. مدلسازی شبکههای پاس پیچیده (Complex Multiple Passing Networks)
با استفاده از تئوری گراف و تحلیل شبکههای پیچیده، میتوان الگوهای پاسکاری تیم را بهصورت کمی و بصری بررسی کرد.
این تحلیل نشان میدهد که کدام بازیکنان «گرههای کلیدی» (Key Nodes) در حفظ یا انتقال مالکیت توپ هستند، و چگونه تغییرات تاکتیکی بر شبکه پاس تأثیر میگذارد.
الگوریتمهای یادگیری ماشین میتوانند بر اساس این دادهها پیشبینی کنند که چه الگوهایی بیشترین شانس خلق موقعیت را دارند.
2. شبکههای عصبی مصنوعی در پیشبینی عملکرد بازیکنان
مدلهای ANN و LSTM میتوانند با استفاده از دادههای GPS، شتابسنج، و ویدئوهای بازی، عملکرد فردی بازیکنان را در موقعیتهای مختلف پیشبینی کنند.
این پیشبینیها به مربیان کمک میکند تصمیمهای بهینهتری در تعویض، تغییر پست، یا برنامه تمرینی بگیرند.
3. بینایی کامپیوتری (Computer Vision) برای تحلیل ویدئویی
سیستمهای هوش مصنوعی با پردازش خودکار ویدئو، میتوانند حرکات بدون توپ، موقعیتگیریهای دفاعی، و حتی زبان بدن بازیکنان را استخراج و تحلیل کنند.
ترکیب این دادهها با مدلهای تاکتیکی، امکان اصلاح لحظهای استراتژی را فراهم میکند.
4. تحلیل پیشبینانه مصدومیتها (Injury Prediction)
با استفاده از دادههای فیزیولوژیک و الگوریتمهای ML، احتمال بروز مصدومیتها پیشبینی و بار تمرینی بهینهسازی میشود.
5. مدلسازی تاکتیکی پویا (Dynamic Tactical Modelling)
الگوریتمهای تقویتی (Reinforcement Learning) میتوانند شبیهسازهای واقعگرایانهای بسازند که در آن تاکتیکهای مختلف مقابل سناریوهای گوناگون حریف آزمایش میشوند.
6. تحلیل احساسات و روانشناسی تیم
دادههای گفتوگوهای بازیکنان، حرکات بدن، و حتی واکنشهای شبکههای اجتماعی، برای ارزیابی وضعیت روانی تیم و مدیریت انگیزشی استفاده میشود.
با وجود چنین ظرفیت عظیمی، در ایران هنوز اغلب تحلیلها به گزارشهای توصیفی و ویدئوهای کوتاه محدود است. نه تنها استفاده از مدلهای پیشرفته علم داده و هوش مصنوعی نهادینه نشده، بلکه حتی جایگاه شغلی «آنالیزگر فوتبال» در باشگاهها تعریف حرفهای و استاندارد ندارد.
فوتبال امروز، نهفقط یک ورزش بلکه یک علم دادهمحور و الگوریتممحور است. نادیده گرفتن این جنبه، به معنای عقب ماندن از استانداردهای جهانی و از دست دادن مزیت رقابتی در میدان بازی است.
نمونه:
https://www.sciencedirect.com/science/article/abs/pii/S0960077923006793?__cf_chl_tk=2Ocshxid4F59xi63ivwPZGfVfjJEL9g9kvtCFMWbUfg-1755109083-1.0.1.1-ft9OWGsQzkfdG6u8gf2d5MqoSMkwv7xLp0k3T1oUmvY
اگرچه استفاده باشگاه بایرن مونیخ از فناوری Hexwave در سال ۲۰۲۰ گامی مهم در بهبود امنیت و تجربه تماشاگران بود، اما کاربردهای هوش مصنوعی و علوم داده در خودِ بازی فوتبال بهمراتب عمیقتر، پیچیدهتر و تحولآفرینتر است؛ حوزهای که متأسفانه در ایران تقریباً مغفول مانده و حتی شغل حرفهای «آنالیزگر فوتبال» هنوز به شکل ساختاریافته و علمی شکل نگرفته است.
در فوتبال مدرن، از ابزارهای پیشرفته مبتنی بر هوش مصنوعی و فناوری اطلاعات در چندین لایه استفاده میشود:
1. مدلسازی شبکههای پاس پیچیده (Complex Multiple Passing Networks)
با استفاده از تئوری گراف و تحلیل شبکههای پیچیده، میتوان الگوهای پاسکاری تیم را بهصورت کمی و بصری بررسی کرد.
این تحلیل نشان میدهد که کدام بازیکنان «گرههای کلیدی» (Key Nodes) در حفظ یا انتقال مالکیت توپ هستند، و چگونه تغییرات تاکتیکی بر شبکه پاس تأثیر میگذارد.
الگوریتمهای یادگیری ماشین میتوانند بر اساس این دادهها پیشبینی کنند که چه الگوهایی بیشترین شانس خلق موقعیت را دارند.
2. شبکههای عصبی مصنوعی در پیشبینی عملکرد بازیکنان
مدلهای ANN و LSTM میتوانند با استفاده از دادههای GPS، شتابسنج، و ویدئوهای بازی، عملکرد فردی بازیکنان را در موقعیتهای مختلف پیشبینی کنند.
این پیشبینیها به مربیان کمک میکند تصمیمهای بهینهتری در تعویض، تغییر پست، یا برنامه تمرینی بگیرند.
3. بینایی کامپیوتری (Computer Vision) برای تحلیل ویدئویی
سیستمهای هوش مصنوعی با پردازش خودکار ویدئو، میتوانند حرکات بدون توپ، موقعیتگیریهای دفاعی، و حتی زبان بدن بازیکنان را استخراج و تحلیل کنند.
ترکیب این دادهها با مدلهای تاکتیکی، امکان اصلاح لحظهای استراتژی را فراهم میکند.
4. تحلیل پیشبینانه مصدومیتها (Injury Prediction)
با استفاده از دادههای فیزیولوژیک و الگوریتمهای ML، احتمال بروز مصدومیتها پیشبینی و بار تمرینی بهینهسازی میشود.
5. مدلسازی تاکتیکی پویا (Dynamic Tactical Modelling)
الگوریتمهای تقویتی (Reinforcement Learning) میتوانند شبیهسازهای واقعگرایانهای بسازند که در آن تاکتیکهای مختلف مقابل سناریوهای گوناگون حریف آزمایش میشوند.
6. تحلیل احساسات و روانشناسی تیم
دادههای گفتوگوهای بازیکنان، حرکات بدن، و حتی واکنشهای شبکههای اجتماعی، برای ارزیابی وضعیت روانی تیم و مدیریت انگیزشی استفاده میشود.
با وجود چنین ظرفیت عظیمی، در ایران هنوز اغلب تحلیلها به گزارشهای توصیفی و ویدئوهای کوتاه محدود است. نه تنها استفاده از مدلهای پیشرفته علم داده و هوش مصنوعی نهادینه نشده، بلکه حتی جایگاه شغلی «آنالیزگر فوتبال» در باشگاهها تعریف حرفهای و استاندارد ندارد.
فوتبال امروز، نهفقط یک ورزش بلکه یک علم دادهمحور و الگوریتممحور است. نادیده گرفتن این جنبه، به معنای عقب ماندن از استانداردهای جهانی و از دست دادن مزیت رقابتی در میدان بازی است.
نمونه:
https://www.sciencedirect.com/science/article/abs/pii/S0960077923006793?__cf_chl_tk=2Ocshxid4F59xi63ivwPZGfVfjJEL9g9kvtCFMWbUfg-1755109083-1.0.1.1-ft9OWGsQzkfdG6u8gf2d5MqoSMkwv7xLp0k3T1oUmvY
👍4
اقتصاد توجه؛ منطق جدید ارزش در عصر شبکههای اجتماعی
اقتصاد جهانی در دهههای اخیر شاهد تحولات عمیقی در سازوکار خلق ارزش بوده است. اگر در عصر صنعتی، سرمایه فیزیکی و نیروی کار ماهر محور اصلی تولید ثروت محسوب میشد، امروز در عصر دیجیتال «توجه انسان» به مهمترین منبع کمیاب بدل شده است.
تعریف اقتصاد توجه
«اقتصاد توجه» (Attention Economy) به وضعیتی اشاره دارد که در آن، توجه کاربران و مصرفکنندگان کمیابترین منبع به شمار میرود و بنگاهها و افراد برای جلب، حفظ و تجاریسازی این توجه رقابت میکنند. در این نظام، محتوا، تبلیغات، سرگرمی و حتی اخبار نه صرفاً کالاهای فرهنگی، بلکه ابزارهایی برای جذب توجه و تبدیل آن به درآمد هستند.
منطق ارزش در اقتصاد توجه
- ایجاد مخاطب: افرادی که توانستهاند در شبکههای اجتماعی یا بسترهای دیجیتال مخاطب انبوهی گرد آورند، ارزش افزوده واقعی خلق میکنند. این ارزش افزوده در قالب تبلیغات، همکاریهای تجاری یا فروش مستقیم قابل نقد شدن است.
- تخصصگرایی و تقسیم کار: همانگونه که انقلاب صنعتی با تقسیم کار بهرهوری را افزایش داد، اقتصاد دیجیتال نیز به تقسیم نقشها در تولید و توزیع محتوا منجر شده است. تولیدکننده محتوا، اینفلوئنسر، پلتفرم دیجیتال و تولیدکننده کالا یا خدمت هر کدام بخشی از زنجیره ارزش را به عهده دارند.
- برونسپاری بازاریابی: بنگاههای کوچک و سنتی (مانند کسبوکارهای محلی) به جای سرمایهگذاری سنگین برای جذب مستقیم مخاطب، با هزینهای اندک از بستر فراهمشده توسط بازیگران اقتصاد توجه استفاده میکنند. این همکاری یک مبادله داوطلبانه و کارآمد است، نه «غارت».
پیامدهای توسعهای
اقتصاد توجه میتواند هم فرصت و هم تهدید باشد:
فرصت: ایجاد بازارهای جدید، کاهش هزینه ورود کسبوکارهای خرد به بازار ملی و جهانی، افزایش تنوع شغلی.
تهدید: تمرکز قدرت در پلتفرمهای انحصاری، تضعیف کیفیت اطلاعات به دلیل رقابت برای جلب توجه، و بروز نابرابری دیجیتال.
پیام برای سیاستگذاری در ایران
در ایران، بهرهگیری از اقتصاد توجه هنوز به دلیل محدودیتهای ساختاری و سیاستی با موانع جدی روبهروست. سیاستگذاری هوشمند در این حوزه میتواند:
- دسترسی عادلانهتر کسبوکارهای کوچک به بازارهای دیجیتال را تسهیل کند،
- از انحصار پلتفرمهای خاص جلوگیری کند،
- و به جای نگاه امنیتی، رویکردی توسعهای نسبت به رسانههای نوین در پیش گیرد.
اقتصاد توجه همان نقشی را در عصر دیجیتال ایفا میکند که سرمایه صنعتی در قرن نوزدهم داشت. شناخت منطق آن برای سیاستگذاری اقتصادی و توسعهای در ایران ضروری است.
https://en.m.wikipedia.org/wiki/Attention_economy
اقتصاد جهانی در دهههای اخیر شاهد تحولات عمیقی در سازوکار خلق ارزش بوده است. اگر در عصر صنعتی، سرمایه فیزیکی و نیروی کار ماهر محور اصلی تولید ثروت محسوب میشد، امروز در عصر دیجیتال «توجه انسان» به مهمترین منبع کمیاب بدل شده است.
تعریف اقتصاد توجه
«اقتصاد توجه» (Attention Economy) به وضعیتی اشاره دارد که در آن، توجه کاربران و مصرفکنندگان کمیابترین منبع به شمار میرود و بنگاهها و افراد برای جلب، حفظ و تجاریسازی این توجه رقابت میکنند. در این نظام، محتوا، تبلیغات، سرگرمی و حتی اخبار نه صرفاً کالاهای فرهنگی، بلکه ابزارهایی برای جذب توجه و تبدیل آن به درآمد هستند.
منطق ارزش در اقتصاد توجه
- ایجاد مخاطب: افرادی که توانستهاند در شبکههای اجتماعی یا بسترهای دیجیتال مخاطب انبوهی گرد آورند، ارزش افزوده واقعی خلق میکنند. این ارزش افزوده در قالب تبلیغات، همکاریهای تجاری یا فروش مستقیم قابل نقد شدن است.
- تخصصگرایی و تقسیم کار: همانگونه که انقلاب صنعتی با تقسیم کار بهرهوری را افزایش داد، اقتصاد دیجیتال نیز به تقسیم نقشها در تولید و توزیع محتوا منجر شده است. تولیدکننده محتوا، اینفلوئنسر، پلتفرم دیجیتال و تولیدکننده کالا یا خدمت هر کدام بخشی از زنجیره ارزش را به عهده دارند.
- برونسپاری بازاریابی: بنگاههای کوچک و سنتی (مانند کسبوکارهای محلی) به جای سرمایهگذاری سنگین برای جذب مستقیم مخاطب، با هزینهای اندک از بستر فراهمشده توسط بازیگران اقتصاد توجه استفاده میکنند. این همکاری یک مبادله داوطلبانه و کارآمد است، نه «غارت».
پیامدهای توسعهای
اقتصاد توجه میتواند هم فرصت و هم تهدید باشد:
فرصت: ایجاد بازارهای جدید، کاهش هزینه ورود کسبوکارهای خرد به بازار ملی و جهانی، افزایش تنوع شغلی.
تهدید: تمرکز قدرت در پلتفرمهای انحصاری، تضعیف کیفیت اطلاعات به دلیل رقابت برای جلب توجه، و بروز نابرابری دیجیتال.
پیام برای سیاستگذاری در ایران
در ایران، بهرهگیری از اقتصاد توجه هنوز به دلیل محدودیتهای ساختاری و سیاستی با موانع جدی روبهروست. سیاستگذاری هوشمند در این حوزه میتواند:
- دسترسی عادلانهتر کسبوکارهای کوچک به بازارهای دیجیتال را تسهیل کند،
- از انحصار پلتفرمهای خاص جلوگیری کند،
- و به جای نگاه امنیتی، رویکردی توسعهای نسبت به رسانههای نوین در پیش گیرد.
اقتصاد توجه همان نقشی را در عصر دیجیتال ایفا میکند که سرمایه صنعتی در قرن نوزدهم داشت. شناخت منطق آن برای سیاستگذاری اقتصادی و توسعهای در ایران ضروری است.
https://en.m.wikipedia.org/wiki/Attention_economy
👍2
کاریکاتوری از مجله پانچ به تاریخ ۶ ژوئن ۱۸۹۶. در آن سلطان عبدالحمید دوم در برابر پوستر یا اعلامیهای دیده میشود که «بازسازماندهی» (ورشکستگی و تجدید ساختار) امپراتوری عثمانی را اعلام میکند. ارزش این امپراتوری در آن زمان پنج میلیون پوند برآورد شده بود (معادل حدود ۶۹۵ میلیون پوند در سال ۲۰۲۳). در فهرست عاملان این ورشکستگی و بازسازماندهی، روسیه، فرانسه و بریتانیا ذکر شدهاند. این کاریکاتور به شکلی طنزآمیز وضعیت فقیر و درماندهٔ اقتصاد عثمانی در آن دوران را به تصویر میکشید.
(و تنها ۲۶ سال بعد، در ۱۹۲۲ امپراتوری عثمانی رسماً فروپاشید.)
(و تنها ۲۶ سال بعد، در ۱۹۲۲ امپراتوری عثمانی رسماً فروپاشید.)
👍2
Cambridge_Professional_English_Bill_Mascull_Business_Vocabulary.pdf
18.6 MB
کتاب آموزشی زبان انگلیسی کمبریج، کسب و کار(بیزینس) پیشرفته
Business_Vocabulary_in_Use_Vocabulary_in_Use_Bill_Mascull_Business.pdf
40 MB
کتاب آموزشی زبان انگلیسی کمبریج، کسب و کار(بیزینس)، مقدماتی تا متوسط
Arthur_Mckeown,_Ros_Wright_Professional_English_in_Use_Management.pdf
14.2 MB
کتاب آموزشی زبان انگلیسی کمبریج، مدیریت
Vocabulary_in_Use_Felicity_O’Dell_Michael_McCarthy_English_Collocations.pdf
24.7 MB
کتاب آموزشی زبان انگلیسی کمبریج، همایندهای زبانی (collocations)، بسیار لازم برای همه
Martin_Hewings_Advanced_Grammar_in_Use_with_Answers_A_Self_Study.pdf
101.3 MB
کتاب آموزشی زبان انگلیسی کمبریج، دستور زبان (Grammar)، بسیار لازم برای همه
👍1
اثر زبان خارجی (Foreign-Language Effect)
یکی از یافتههای موج سوم علوم شناختی این است که وقتی افراد به زبان دوم فکر میکنند یا تصمیم میگیرند، انتخابهایشان با زمانی که از زبان مادری استفاده میکنند، تفاوت قابل توجهی دارد. این پدیده به نام اثر زبان خارجی شناخته میشود.
شرح آزمایش معروف (مساله قطار در اخلاق، Trolley Problem)
از شرکتکنندگان خواسته شد تا به یک معضل اخلاقی کلاسیک پاسخ دهند:
یک قطار در حال حرکت به سمت پنج کارگر است که روی ریل گیر افتادهاند و خواهند مرد. شما کنار اهرمی ایستادهاید که با کشیدن آن، قطار به ریل دیگری هدایت میشود، اما در آن ریل یک کارگر تنها وجود دارد که او نیز کشته خواهد شد. آیا اهرم را میکشید؟
نتایج جالب
وقتی شرکتکنندگان این پرسش را به زبان مادری خود میخواندند، پاسخها اغلب احساسیتر بود. بسیاری حاضر نمیشدند اهرم را بکشند، زیرا احساس میکردند مستقیماً مسئول مرگ آن یک نفر خواهند شد.
اما وقتی همان پرسش به زبان دوم مطرح میشد، پاسخها منطقیتر و فایدهگرایانه (Utilitarian) بودند. درصد بیشتری از افراد حاضر شدند برای نجات پنج نفر، یک نفر را قربانی کنند.
به بیان دیگر، زبان دوم باعث ایجاد فاصلهگیری روانی شده و بار احساسی موقعیت را کاهش میداد.
چرا چنین پدیدهای رخ میدهد؟
پژوهشگران دو مکانیزم اصلی را برای توضیح این اثر پیشنهاد دادهاند:
1. کاهش بار عاطفی زبان (Reduced Emotional Resonance):
زبان مادری از کودکی با خاطرات و تجربههای هیجانی ما گره خورده است. کلمات آن بار احساسی شدیدی دارند. در مقابل، زبان دوم معمولاً در محیطی آموزشی و خنثیتر (مثل کلاس درس) فرا گرفته میشود و به همین دلیل، کمتر با واکنشهای عاطفی ناخودآگاه پیوند دارد.
2. افزایش پردازش تحلیلی (Increased Analytical Processing):
فکر کردن به زبان دوم نیازمند تلاش و تمرکز بیشتری است. همین فرایند، بخشهای تحلیلی مغز (مانند قشر پیشپیشانی) را فعالتر میکند و از غلبهی پردازش شهودی و سریع که معمولاً تحت تأثیر هیجانهاست، میکاهد. به بیان ساده، مغز هنگام استفاده از زبان دوم «آهستهتر و دقیقتر» فکر میکند.
«اثر زبان خارجی» نشان میدهد که زبان بیش از ابزارِ انتقال معناست: زبان یک قابِ شناختی و عاطفی است که میتواند چارچوب تفکر و اولویتهای ما را جابهجا کند.
یکی از یافتههای موج سوم علوم شناختی این است که وقتی افراد به زبان دوم فکر میکنند یا تصمیم میگیرند، انتخابهایشان با زمانی که از زبان مادری استفاده میکنند، تفاوت قابل توجهی دارد. این پدیده به نام اثر زبان خارجی شناخته میشود.
شرح آزمایش معروف (مساله قطار در اخلاق، Trolley Problem)
از شرکتکنندگان خواسته شد تا به یک معضل اخلاقی کلاسیک پاسخ دهند:
یک قطار در حال حرکت به سمت پنج کارگر است که روی ریل گیر افتادهاند و خواهند مرد. شما کنار اهرمی ایستادهاید که با کشیدن آن، قطار به ریل دیگری هدایت میشود، اما در آن ریل یک کارگر تنها وجود دارد که او نیز کشته خواهد شد. آیا اهرم را میکشید؟
نتایج جالب
وقتی شرکتکنندگان این پرسش را به زبان مادری خود میخواندند، پاسخها اغلب احساسیتر بود. بسیاری حاضر نمیشدند اهرم را بکشند، زیرا احساس میکردند مستقیماً مسئول مرگ آن یک نفر خواهند شد.
اما وقتی همان پرسش به زبان دوم مطرح میشد، پاسخها منطقیتر و فایدهگرایانه (Utilitarian) بودند. درصد بیشتری از افراد حاضر شدند برای نجات پنج نفر، یک نفر را قربانی کنند.
به بیان دیگر، زبان دوم باعث ایجاد فاصلهگیری روانی شده و بار احساسی موقعیت را کاهش میداد.
چرا چنین پدیدهای رخ میدهد؟
پژوهشگران دو مکانیزم اصلی را برای توضیح این اثر پیشنهاد دادهاند:
1. کاهش بار عاطفی زبان (Reduced Emotional Resonance):
زبان مادری از کودکی با خاطرات و تجربههای هیجانی ما گره خورده است. کلمات آن بار احساسی شدیدی دارند. در مقابل، زبان دوم معمولاً در محیطی آموزشی و خنثیتر (مثل کلاس درس) فرا گرفته میشود و به همین دلیل، کمتر با واکنشهای عاطفی ناخودآگاه پیوند دارد.
2. افزایش پردازش تحلیلی (Increased Analytical Processing):
فکر کردن به زبان دوم نیازمند تلاش و تمرکز بیشتری است. همین فرایند، بخشهای تحلیلی مغز (مانند قشر پیشپیشانی) را فعالتر میکند و از غلبهی پردازش شهودی و سریع که معمولاً تحت تأثیر هیجانهاست، میکاهد. به بیان ساده، مغز هنگام استفاده از زبان دوم «آهستهتر و دقیقتر» فکر میکند.
«اثر زبان خارجی» نشان میدهد که زبان بیش از ابزارِ انتقال معناست: زبان یک قابِ شناختی و عاطفی است که میتواند چارچوب تفکر و اولویتهای ما را جابهجا کند.
❤1
Modern Science
موج سوم علوم شناختی
معرفی مختصر ۳ موج علوم شناختی:
1. موج اول (1950–1970): Computationalism
ذهن = کامپیوتر نمادپرداز.
در این دوره، ابزار اصلی سنجش هوش، آزمونهای IQ بود؛ چون ذهن بهمثابه محاسبهگر نمادها در نظر گرفته میشد.
2. موج دوم (1980–1990): Connectionism
ذهن = شبکههای عصبی یادگیرنده.
این دوره با اتصالگرایی و مدلهای یادگیری آماری شناخته میشه. باز هم تاکید اصلی روی پردازش اطلاعات و توانایی فردی باقی موند.
3. موج سوم (از دهه 1990 به بعد):
ذهن = فرایند بدنمند، تعاملی و توزیعشده.
ذهن محصول مغز + بدن + محیط + فرهنگ + زبان+ تعاملات اجتماعی است.
از دهه ۱۹۹۰ به این سو، علوم شناختی تحت تأثیر فلسفهی پدیدارشناسی (Merleau-Ponty, 1945) و کارهای وارلا و تامپسون و روش (Varela, Thompson & Rosch, 1991) وارد موج سومی شد:
1. شناخت بدنمند (Embodied Cognition):
ذهن جدا از بدن وجود ندارد؛ ادراک و اندیشه در تعامل مداوم با بدن و محیط شکل میگیرند.
مثال: Lakoff & Johnson (1999) در زبانشناسی شناختی نشان میدهند که استعارههای بنیادی ما ریشه در تجربههای جسمانی دارند (بالا=خوب، پایین=بد).
2. شناخت موقعیتمند (Situated Cognition):
شناخت در بستر فعالیتهای روزمره و ابزارهای فرهنگی شکل میگیرد (Suchman, 1987).
3. شناخت تعاملی (Enactive Cognition):
شناخت حاصل «زیستن در جهان» است، نه بازنمایی صرف آن (Varela, Thompson, Rosch, 1991).
یعنی هوش فقط محصول ذخیرهی دانش نیست، بلکه کنش در محیط اجتماعی–فرهنگی است.
4. ذهن گسترده (Extended Mind):
Clark & Chalmers (1998)
استدلال میکنند که ذهن فراتر از جمجمه است؛ ابزارها، نهادها و فناوریها بخشی از فرایند شناختیاند.
1. موج اول (1950–1970): Computationalism
ذهن = کامپیوتر نمادپرداز.
در این دوره، ابزار اصلی سنجش هوش، آزمونهای IQ بود؛ چون ذهن بهمثابه محاسبهگر نمادها در نظر گرفته میشد.
2. موج دوم (1980–1990): Connectionism
ذهن = شبکههای عصبی یادگیرنده.
این دوره با اتصالگرایی و مدلهای یادگیری آماری شناخته میشه. باز هم تاکید اصلی روی پردازش اطلاعات و توانایی فردی باقی موند.
3. موج سوم (از دهه 1990 به بعد):
ذهن = فرایند بدنمند، تعاملی و توزیعشده.
ذهن محصول مغز + بدن + محیط + فرهنگ + زبان+ تعاملات اجتماعی است.
از دهه ۱۹۹۰ به این سو، علوم شناختی تحت تأثیر فلسفهی پدیدارشناسی (Merleau-Ponty, 1945) و کارهای وارلا و تامپسون و روش (Varela, Thompson & Rosch, 1991) وارد موج سومی شد:
1. شناخت بدنمند (Embodied Cognition):
ذهن جدا از بدن وجود ندارد؛ ادراک و اندیشه در تعامل مداوم با بدن و محیط شکل میگیرند.
مثال: Lakoff & Johnson (1999) در زبانشناسی شناختی نشان میدهند که استعارههای بنیادی ما ریشه در تجربههای جسمانی دارند (بالا=خوب، پایین=بد).
2. شناخت موقعیتمند (Situated Cognition):
شناخت در بستر فعالیتهای روزمره و ابزارهای فرهنگی شکل میگیرد (Suchman, 1987).
3. شناخت تعاملی (Enactive Cognition):
شناخت حاصل «زیستن در جهان» است، نه بازنمایی صرف آن (Varela, Thompson, Rosch, 1991).
یعنی هوش فقط محصول ذخیرهی دانش نیست، بلکه کنش در محیط اجتماعی–فرهنگی است.
4. ذهن گسترده (Extended Mind):
Clark & Chalmers (1998)
استدلال میکنند که ذهن فراتر از جمجمه است؛ ابزارها، نهادها و فناوریها بخشی از فرایند شناختیاند.
👍5
"black box" tendency of machine learning
(where even the AI's designers cannot explain why it arrived at a specific decision)
«خاصیت جعبه سیاه» در یادگیری ماشین
(وقتی حتی طراحان هوش مصنوعی نیز نمیتوانند توضیح دهند که چرا به یک تصمیم خاص رسیده است!)
در حوزهی یادگیری ماشین (Machine Learning) اصطلاحی وجود دارد به نام «جعبه سیاه» (Black Box).
منظور از «جعبه سیاه» این است که الگوریتمهای هوش مصنوعی در فرایند تصمیمگیریشان چنان پیچیده و چندلایهاند که حتی طراحان و سازندگان آنها هم نمیتوانند بهطور دقیق توضیح دهند چرا و چگونه سیستم به یک نتیجهی خاص رسیده است.
به بیان سادهتر، ما فقط ورودی و خروجی را میبینیم — مثلاً سیستم میگوید این تصویر متعلق به یک گربه است — اما منطق درونی یا مسیر محاسباتیای که به این نتیجه منجر شده برای انسان قابل مشاهده و درک نیست.
از جعبه سیاه ذهن تا جعبه سیاه ماشین
در دوران سلطهی روانشناسی رفتارگرا (Behaviorism) — بهویژه از دههی ۱۹۲۰ تا ۱۹۶۰ — روانشناسانی مثل واتسون (Watson) و اسکینر (Skinner) معتقد بودند که ما نباید دربارهی ذهن انسان یا فرایندهای درونی آن حرف بزنیم، چون قابل مشاهده و اندازهگیری نیستند.
در نتیجه، فقط ورودیها (تحریکها یا Stimuli) و خروجیها (رفتار یا Response) بررسی میشدند، درست مانند یک سیستم هوش مصنوعی امروزی که فقط ورودی و خروجیاش برای ما روشن است، اما مسیر درونی تصمیمگیریاش ناشناخته میماند.
بعدها با ظهور روانشناسی شناختی (Cognitive Psychology) در دههی ۶۰ میلادی، این نگاه تغییر کرد. پژوهشگران تلاش کردند درون جعبهی سیاه ذهن را باز کنند و با استفاده از مدلهای رایانهای، تصویربرداری مغزی و علوم عصبشناختی، بفهمند که فرایندهای ذهنی چگونه از ورودیها به رفتار منتهی میشوند.
بهنوعی میتوان گفت امروز در هوش مصنوعی همان نقطهای ایستادهایم که علم روانشناسی در میانهی قرن بیستم ایستاده بود. این پدیده باعث نگرانیهای مهمی در زمینههای اخلاقی، شفافیت، و اعتماد به هوش مصنوعی شده است؛ به همین دلیل شاخهای به نام هوش مصنوعی توضیحپذیر (Explainable AI یا XAI) شکل گرفته تا بتواند تصمیمهای ماشین را برای انسانها قابل فهم و قابل اعتماد کند. یعنی از «دیدگاه جعبه سیاه» در حال حرکت به سمت «توضیحپذیری و فهم درونی فرایندها» هستیم.
https://en.wikipedia.org/wiki/Explainable_artificial_intelligence
(where even the AI's designers cannot explain why it arrived at a specific decision)
«خاصیت جعبه سیاه» در یادگیری ماشین
(وقتی حتی طراحان هوش مصنوعی نیز نمیتوانند توضیح دهند که چرا به یک تصمیم خاص رسیده است!)
در حوزهی یادگیری ماشین (Machine Learning) اصطلاحی وجود دارد به نام «جعبه سیاه» (Black Box).
منظور از «جعبه سیاه» این است که الگوریتمهای هوش مصنوعی در فرایند تصمیمگیریشان چنان پیچیده و چندلایهاند که حتی طراحان و سازندگان آنها هم نمیتوانند بهطور دقیق توضیح دهند چرا و چگونه سیستم به یک نتیجهی خاص رسیده است.
به بیان سادهتر، ما فقط ورودی و خروجی را میبینیم — مثلاً سیستم میگوید این تصویر متعلق به یک گربه است — اما منطق درونی یا مسیر محاسباتیای که به این نتیجه منجر شده برای انسان قابل مشاهده و درک نیست.
از جعبه سیاه ذهن تا جعبه سیاه ماشین
در دوران سلطهی روانشناسی رفتارگرا (Behaviorism) — بهویژه از دههی ۱۹۲۰ تا ۱۹۶۰ — روانشناسانی مثل واتسون (Watson) و اسکینر (Skinner) معتقد بودند که ما نباید دربارهی ذهن انسان یا فرایندهای درونی آن حرف بزنیم، چون قابل مشاهده و اندازهگیری نیستند.
در نتیجه، فقط ورودیها (تحریکها یا Stimuli) و خروجیها (رفتار یا Response) بررسی میشدند، درست مانند یک سیستم هوش مصنوعی امروزی که فقط ورودی و خروجیاش برای ما روشن است، اما مسیر درونی تصمیمگیریاش ناشناخته میماند.
بعدها با ظهور روانشناسی شناختی (Cognitive Psychology) در دههی ۶۰ میلادی، این نگاه تغییر کرد. پژوهشگران تلاش کردند درون جعبهی سیاه ذهن را باز کنند و با استفاده از مدلهای رایانهای، تصویربرداری مغزی و علوم عصبشناختی، بفهمند که فرایندهای ذهنی چگونه از ورودیها به رفتار منتهی میشوند.
بهنوعی میتوان گفت امروز در هوش مصنوعی همان نقطهای ایستادهایم که علم روانشناسی در میانهی قرن بیستم ایستاده بود. این پدیده باعث نگرانیهای مهمی در زمینههای اخلاقی، شفافیت، و اعتماد به هوش مصنوعی شده است؛ به همین دلیل شاخهای به نام هوش مصنوعی توضیحپذیر (Explainable AI یا XAI) شکل گرفته تا بتواند تصمیمهای ماشین را برای انسانها قابل فهم و قابل اعتماد کند. یعنی از «دیدگاه جعبه سیاه» در حال حرکت به سمت «توضیحپذیری و فهم درونی فرایندها» هستیم.
https://en.wikipedia.org/wiki/Explainable_artificial_intelligence
Modern Science
اثر_نوسانات_جوی_اقیانوس_اطلس_شمالی_بر_بارش_در_ایران.pdf
اثر نوسانات جوی اقیانوس اطلس بر بارش در ایران
پژوهشی ۳۰ساله در دانشگاه خوارزمی تهران نشان میدهد که تغییرات جوی در بخشی از اقیانوس اطلس شمالی میتواند بر مقدار بارش در غرب ایران تأثیر مستقیم بگذارد. شاید عجیب به نظر برسد، اما رفتار سیستمهای آبوهوایی دوردست، مثل موجی که از اقیانوس به سمت خشکی میرسد، میتواند مسیر باران را عوض کند.
آنچه در اقیانوس اطلس رخ میدهد
در اقیانوس اطلس شمالی دو ناحیه مهم وجود دارد:
آزور: جزایری در نزدیکی پرتغال که معمولاً یک «ناحیه پرفشار» روی آن شکل میگیرد.
ایسلند: جایی در شمال اقیانوس اطلس که معمولاً «ناحیه کمفشار» روی آن دیده میشود.
اختلاف فشار میان این دو ناحیه باعث ایجاد یک الگوی بزرگ آبوهوایی به نام «نوسان اطلس شمالی» میشود. این الگو برای ما مهم است، چون روی مسیر حرکت سامانههای بارشی اثر میگذارد.
این تغییرات چه تأثیری روی ایران دارد؟
وقتی ناحیه پرفشار آزور قوی میشود:
مثل دیواری عمل میکند که جلوی حرکت ابرهای بارانزا را میگیرد و آنها را به سمت شمال منحرف میکند.
نتیجه: بارش در ایران کاهش پیدا میکند.
وقتی این ناحیه ضعیف میشود:
مانع از سر راه برداشته میشود و سامانههای بارشی راحتتر به سمت ایران میآیند.
نتیجه: بارش افزایش مییابد.
یافتههای عددی پژوهش
بر اساس بررسی ۳۰ سال دادههای هواشناسی:
در سالهایی که «دیواره آزور» قوی بوده، بارش غرب ایران تا ۵۰ میلیمتر در ماه کم شده است.
در سالهایی که این سد ضعیف شده، بارش تا ۳۰ میلیمتر در ماه افزایش داشته است.
خشکسالیهایی که از این پدیده ناشی شدهاند، معمولاً شدیدتر از ترسالیها بودهاند.
چرا این موضوع مهم است؟
این پژوهش یک «کلید مهم» برای پیشبینی آینده آبوهوای ایران بهدست میدهد. وقتی مراکز بینالمللی هواشناسی اعلام میکنند که الگوی نوسان اطلس شمالی در ماههای آینده چگونه خواهد بود، میتوانیم از این رابطه استفاده کنیم تا:
احتمال خشکسالی یا ترسالی را دقیقتر بسنجیم
برای مدیریت منابع آب آمادهتر باشیم
تصمیمهای بهتری در کشاورزی و برنامهریزی کلان بگیریم
پژوهشی ۳۰ساله در دانشگاه خوارزمی تهران نشان میدهد که تغییرات جوی در بخشی از اقیانوس اطلس شمالی میتواند بر مقدار بارش در غرب ایران تأثیر مستقیم بگذارد. شاید عجیب به نظر برسد، اما رفتار سیستمهای آبوهوایی دوردست، مثل موجی که از اقیانوس به سمت خشکی میرسد، میتواند مسیر باران را عوض کند.
آنچه در اقیانوس اطلس رخ میدهد
در اقیانوس اطلس شمالی دو ناحیه مهم وجود دارد:
آزور: جزایری در نزدیکی پرتغال که معمولاً یک «ناحیه پرفشار» روی آن شکل میگیرد.
ایسلند: جایی در شمال اقیانوس اطلس که معمولاً «ناحیه کمفشار» روی آن دیده میشود.
اختلاف فشار میان این دو ناحیه باعث ایجاد یک الگوی بزرگ آبوهوایی به نام «نوسان اطلس شمالی» میشود. این الگو برای ما مهم است، چون روی مسیر حرکت سامانههای بارشی اثر میگذارد.
این تغییرات چه تأثیری روی ایران دارد؟
وقتی ناحیه پرفشار آزور قوی میشود:
مثل دیواری عمل میکند که جلوی حرکت ابرهای بارانزا را میگیرد و آنها را به سمت شمال منحرف میکند.
نتیجه: بارش در ایران کاهش پیدا میکند.
وقتی این ناحیه ضعیف میشود:
مانع از سر راه برداشته میشود و سامانههای بارشی راحتتر به سمت ایران میآیند.
نتیجه: بارش افزایش مییابد.
یافتههای عددی پژوهش
بر اساس بررسی ۳۰ سال دادههای هواشناسی:
در سالهایی که «دیواره آزور» قوی بوده، بارش غرب ایران تا ۵۰ میلیمتر در ماه کم شده است.
در سالهایی که این سد ضعیف شده، بارش تا ۳۰ میلیمتر در ماه افزایش داشته است.
خشکسالیهایی که از این پدیده ناشی شدهاند، معمولاً شدیدتر از ترسالیها بودهاند.
چرا این موضوع مهم است؟
این پژوهش یک «کلید مهم» برای پیشبینی آینده آبوهوای ایران بهدست میدهد. وقتی مراکز بینالمللی هواشناسی اعلام میکنند که الگوی نوسان اطلس شمالی در ماههای آینده چگونه خواهد بود، میتوانیم از این رابطه استفاده کنیم تا:
احتمال خشکسالی یا ترسالی را دقیقتر بسنجیم
برای مدیریت منابع آب آمادهتر باشیم
تصمیمهای بهتری در کشاورزی و برنامهریزی کلان بگیریم