الفرق بين الارتباط والسببية في الذكاء الاصطناعي هو الفرق بين ملاحظة علاقة في البيانات وإثبات أثر تغيير عامل. قد يساعد ارتباط على التنبؤ، لكنه لا يثبت أن تغيير المتغير المرتبط سيغير النتيجة. [1]
الخلاصة السريعة
نجاح التنبؤ لا يكفي لإثبات السبب؛ السؤال عن أثر التدخل يحتاج دليلا يناسبه.
ما الذي يصفه الارتباط؟
تشرح مادة جامعة كاليفورنيا في بيركلي أن معامل الارتباط الخطي يصف اقتراب علاقة متغيرين من خط مستقيم. وقد توجد علاقة غير خطية قوية لا يلخصها هذا المعامل، كما أن الارتباط ليس إثباتا للسببية. [1]
في مثال افتراضي لمكتبة، قد ترتفع استعارات الكتب ومبيعات القرطاسية في الأسابيع نفسها. يصف ذلك تزامنا في البيانات إذا سجلناه، ولا يثبت أن شراء قلم يدفع قارئه إلى استعارة كتاب. المثال للتفسير، وليس نتيجة دراسة عن مكتبة معينة.
كيف يدخل العامل الثالث؟
أضف إلى المثال افتراضا معلنا: تبدأ دورة دراسية في هذه الأسابيع، فيحتاج المشاركون إلى أدوات وكتب. يمكن أن يفسر موعد الدورة ارتفاع المؤشرين معا. وقد يكون هناك تفسير آخر أيضا؛ لم نجمع بيانات تسمح بالمفاضلة.
قبل توصية صاحب المكتبة بزيادة مخزون الأقلام لتحسين استعارات الكتب، اسأل عن الزمن ونوع الجمهور وتغير ساعات العمل. لا يعني العثور على تفسير محتمل أنه ثبت، لكنه يكشف أن العلاقة وحدها لا تجبرنا على قبول سبب واحد.
لماذا يختلف التنبؤ عن التدخل؟
تعرض محاضرة بيركلي الاستدلال السببي بمقارنة ما يحدث مع عامل مقترح وما كان سيحدث بدونه. السؤال هنا يتعلق بأثر التغيير، وليس بمجرد معرفة أي قيم تظهر معا في السجل. [2]
يمكن، في مثال تعليمي، أن تستفيد من التقويم الدراسي لتوقع أسبوع مزدحم. لكن التوقع لا يثبت أن تمديد فترة الدراسة سيزيد الاستعارات بمقدار معين. اكتب السؤالين منفصلين: «متى نتوقع الازدحام؟» و«هل يخف الازدحام إذا مددنا ساعات العمل؟». يتطلب السؤال الثاني تصميما لقياس أثر الإجراء.
ما نوع الدليل الذي نحتاجه؟
تشير محاضرة بيركلي إلى قوة التجارب العشوائية المضبوطة في الاستدلال السببي، مع مناقشة افتراضات مثل ألا يؤثر تدخل شخص في نتيجة شخص آخر. العشوائية تساعد على موازنة العوامل المربكة تقريبيا، وليست ضمانا آليا لصحة كل تجربة. [2]
في مثال المكتبة، يمكن اقتراح مقارنة مضبوطة لجدول ساعات العمل، لكن يجب أن يراعي التصميم الأيام والجمهور والتأثير بين الفترات. لا ندعي هنا أن التجربة نُفذت. عندما تقرأ ادعاء «هذا العامل يحسن النتيجة»، ابحث عن طريقة المقارنة والحدود، لا عن دقة النموذج التنبؤية وحدها.
المصادر ومتابعة القراءة
- UC Berkeley, Philip B. Stark: Correlation and Association (يفتح في نافذة جديدة)stat.berkeley.edu
- UC Berkeley, Philip B. Stark: Causal Inference from Data (يفتح في نافذة جديدة)stat.berkeley.edu
أُعدّ هذا المقال بصياغة عربية أصلية بالاستناد إلى المصادر أعلاه، وهو مدخل تمهيدي إلى الموضوع. اقرأ منهجية المحتوى وحدوده.