ترجمه تخصصی نظام سرمایه داری

"[...] بیشتر مدل‌های شبیه‌ سازی با بسیاری از پارامترها، متغیرهای حالت و روابط غیر خطی پیچیده خواهند بود. در بهترین شرایط، چنین مدل هایی دارای درجه آزادی زیادی هستند و با استفاده از روش های معقول و منطقی تقریبا می توان هر رفتار مورد نظر را اغلب با هر دو ساختار قابل قبول و مقادیر پارامتر ایجاد کرد". در دفاع از مدل سازان، ویژگی های مدل های ساده تا حد غیرواقعی توسط اقتصاددان میلتون فریدمن تعریف شد که خاطرنشان کرد، مهمترین نظریه ها – نظریه هایی که برای مدل سازی با ارزش تر هستند - مبتنی بر غیر واقعی ترین فرضیات هستند (فریدمن ، 1953 ؛ راینرت ، اندرسن ، ایانوس ، و سالتلی ، 2016). اگرچه این رویکرد دارای مزایایی است، ممکن است این سوال مطرح شود که در مورد آنچه که به عنوان یک نظریه مهم در نظر گرفته می شود چه کسی و برای چه هدفی تصمیم گیری می کند؟ جوزف استیگلیتز ، اقتصاددان در همین راستا ، اظهار داشت که کاربرد مدلها دقیقاً به عملکرد آنها به عنوان "بلایندر" بستگی دارد که با نادیده گرفتن دیدگاه ، سردرگمی واقعی ، اقتصاددانان را قادر می سازد تا جزئیات عملکرد مولفه های باقی مانده را به صورت دقیق تری بررسی کنند. "کنار گذاشته شدن" نیز مملو از پیامدهای هنجاری است، به عنوان مثال هنگامیکه آنچه که کنار گذاشته شده است یک دیدگاه مربوط به ماهیت مسئله است. اینها همان موضوعاتی هستند که صرفا در رابطه با کار (زیپحر و پیریدس، 2017) بحث شده است؛ همچنین بررسی حساسیت که در زیر مورد بحث قرار گرفته است را مشاهده کنید (سلتلی، گیمارائس پریرا، و در سلویجس و فونتوویکز 2013).

 

2.9 شکاف موجود

اصول اخلاقی موجود برای تحقیقات کمی به تکرار هنجارهای اخلاق علمی ارتدوکس مرتون گرایش دارد (مرتون، 1973) ، مانند جهان گرایی ، عدم تمایل ، کمونیسم و ​​شک گرایی سازمان یافته که احتمالاً توسط نگرانی ها در مورد حمایت از موضوعات حیوانات یا انسان از یک مطالعه کمی تقویت می شود، به خصوص هنگامی که انسانها اعضای یک گروه آسیب پذیر هستند ، به عنوان مثال به (کمیته های تحقیقاتی اصول اخلاق نروژ (2015) مراجعه کنید.  هنجارهای خاص مانند هنجارهای آمارهای رسمی (کمیسیون اروپا و دفتر آمار اتحادیه اروپا ، 2017) در سایر موارد کمی سازی وجود ندارد و این مسئله در زمینه های خاص فایربند "هر چیزی پیش می رود" ، چه از نظر روش شناختی و چه در رابطه با پیامدهای کمیت منعکس می شود. معیارهای OECD-PISA و پیامدهای ناخواسته آنها قبلاً ذکر شده است (آراوجو و همکاران., 2017؛ میر و زاهدی، 2014). فقدان توجه اخلاقی در مورد پیامدهای تحقیقات کمی در آموزش در مورد ریاضیات در رابطه با مطالعه TIMSS ، و جایی که اوضاع منجر به "جنگ های ریاضی" ، به ویژه در ایالات متحده شده حس می شود (جونز ، 2000). تمام مواردی که در کار حاضر مورد بحث قرار گرفته است ، از اثر اکولوژیکی گرفته تا الگوبرداری از یک میلیون سال در آینده ، گواهی عدم وجود هنجارهای خاص برای کمی سازی معتبر است.

3. چه دستورالعملهایی را می توان با اخلاق کمی سازی پیشنهاد کرد؟

هوبریس ( اطمینان بیش از حد) کمی سازی نباید با هوبریس دستورالعمل جایگزین شود. چند توصیه کلی در اینجا ارائه شده است.

3.1 عدم مجوز برای کمی سازی

کاستی های کمی سازی اجباری که قبلاً مورد بحث قرار گرفته است (پورتر ، 1996) نشان می دهد که کمی سازی باید از مقاوت بالایی برخوردار باشد. در نکات پایانی در خصوص حکومت معیارها جی زد مولر (مولر ، 2018) عنوان می کند:

"با توجه به همه موارد فوق در هر مرحله به خاطر داشته باشید که" بهترین استفاده از معیارها ممکن است استفاده نکردن از آنها باشد "

این یک هدف آسان نیست. در چندین مورد ، کمی سازی نمونه ها اجباری هستند ، به عنوان مثال کمک های مالی توسط محقق در صورتیکه ارزش کار محقق از طریق سیستم موجود معیارها اثبات نشود نمی تواند تضمین شود، و هیچ کس در یک حرفه علمی – نمی تواند به طور واقع بینانه از "جریان متریک" تولید علمی بگریزد. (ویلسون ، 2016) برای یک برنامه تحقیق غیر معمول نیست که از متقاضیان بخواهد مشخص کنند که تأثیر یک پیشنهاد براساس کدام شاخص ها ، که به وضوح ماهیت طرح را تعیین می کند ، اندازه گیری می شود.

3.2 تنظیم هوبریس: یادآوری

در حالی که در آمار و روش های تجزیه و تحلیل؛ داده ها برای محافظت در برابر بیش برازش در دسترس هستند ، وضعیت در مدل سازی ریاضی گیج کننده تر است. در حالی که کمیت عدم قطعیت کامل و تجزیه و تحلیل حساسیت به تحلیلگر کمک می کند تا پیچیدگی مدل را با کیفیت داده های موجود تنظیم کند - به عنوان مثال،برای مشخص کردن مینیموم در شکل 1 ، این روشها کاربرد عمومی ندارند (فرتی ،سالتلی ، و تارانتولا ، 2016). اغلب تجزیه و تحلیل حساسیت با نادیده گرفتن شیوه های خوب آماری توسط طراحی تجربی و تجزیه و تحلیل داده ها انجام می شود (سالتلی و همکاران ، 2019).

3.3 از ترتیبات انضباطی موجود استفاده کنید

همانطور که اخیراً ذکر شد ، مدل سازی ریاضی می تواند از ساختار و استانداردهای مبتنی بر اصول آماری از جمله ارزیابی سیستمی عدم قطعیت مدل و حساسیت های پارامتری استفاده کند. یک گام در جهت صحیح این است که آمارها این ابزارها را در برنامه و عمل درونی می کنند (سالتلی ، 2018a ، 2019).

3.4 کمیت ها را به زبان انگلیسی و متن ساده تفسیر کنید. از سوابق موجود استفاده کنید

مدل ها - از جمله الگوریتم ها ، باید ذاتاً قابل تفسیر باشند (لیپتون ، 2018). این امر می تواند از طریق انواع استراتژی ها حاصل شود. تجزیه و تحلیل حساسیت می تواند برای کاهش پیچیدگی مدل مورد استفاده قرار گیرد به طوری که یک نسخه cut-to-the bone را می توان برای حسابرسی یا مذاکره استفاده کرد. اقتصاددانانی همچون آلفرد مارشال (مارشال ، 1925) و پل کروگمن (کروگمن ، 2009) توصیه کردند که از الگوسازی به عنوان چارچوب پس از ساختاربندی نظریه استفاده شود تا نتیجه آن به زبان ساده تبیین شود.

از آنجا که تشخیص مدل ، مشروط است ، مشروط بودن باید صریح اعلام شود. برای مدل های کلیدی مورد استفاده در سیاست ، بررسی دقیق باید انجام شود که شامل حسابرسی توسط جامعه همکاران است که اکثر رشته ها و فعالان علاقه مند را در بر می گیرد که منجر به سوابق مدل می شود (اکر، روونسکایا، وبرستینر، لنگان، 2018؛ سلتلی، 2018). همانطور که در قسمت اول این مقاله بحث شد ، هر موردی که زمینه و هدف ایجاد آن مشخص نشود ناقص است (ادموندس و همکاران ، 2019؛ جکمن و همکاران ، 2006؛ Zyphur & Pieri des، 2017) و این اطلاعات باید یک مولفه اساسی کیفیت یک کمیت باشند. تمام این ملاحظات برای کیفیت سنجش کمی به دو ابزار موجود تکیه می کنند: NUSAP  و بررسی حساسیت.

3.5 NUSAP

پرداختن به تمام گونه های کمی سازی (فونتوویکز و روتز، 1990؛ ون در سلویجس و همکاران،2005) یک سیستم نمادین برای مدیریت و ارتباط عدم قطعیت در علم سیاست ، مبتنی بر پنج دسته برای توصیف هر توضیح کمی است. این پنج دسته عبارتند از: عدد ، واحد ،  حدود، ارزیابی و سوابق.

 • عددی، عددی است که توسط کمیت تولید می شود و واحد به واحدهای آن اشاره دارد.  حدود، ارزیابی خطا در مقدار عددی است.

 • ارزیابی شامل قضاوتهای کیفی است - توسط یک پانل یا توسط یک جامعه گسترده همکاران- درمورد کمی سازی انجام می شود سوابق، به همین ترتیب نتیجه ارزیابی جمعی بوده و به نحوه ایجاد و استفاده پیش بینی شده از اطلاعات می پردازد.

در حالی که سه مورد اول معمولاً در شیوه های سنجش استفاده می شوند، ارزیابی و سوابق نوآوری را نشان می دهند که کاربرد آن متضمن"جامعه گسترده همتایان" است. یک شبکه آنلاین (ون در اسلویجس, 2019) اطلاعات مربوط به کاربردهای این روش را حفظ می کند. NUSAP درگزارش اخیر توسط انجمن علمی آکادمی اروپایی مربوط به سیاست SAPEA پیشنهاد شد (مشاوره علمی سیاست گذاری توسط آکادمی های اروپایی ، 2019)

3.6  بررسی حساسیت

بررسی حساسیت در هر دو گزارش SAPEA (مشاوره علمی سیاست گذاری توسط آکادمی های اروپایی ، 2019) و در دستورالعمل های اتحادیه اروپا در مورد ارزیابی تأثیر (کمیسیون اروپا ، 2009) ، بررسی حساسیت پیشنهاد شده است (سلتلی و همکاران،2013; سلتلی و فونتوویکز، 2014)، وابسته به چشم انداز و منطق NUSAP بوده و متناسب با اندازه گیری مبتنی بر مدل است. همچنین هفت قانون را پیشنهاد می کند که به عنوان یادآوری جنبه های مهم سنجش مورد استفاده قرار گرفته و ممکن است مورد بررسی تحلیلگر قرار گیرد. قوانینی که می توانند برای مفهوم یک مقدار موجود یا تقویت آن در برابر طیفی از انتقادات مورد استفاده قرار گیرد ، عبارتند از:

 • قانون 1: " بررسی استفاده بلاغی از مدل سازی ریاضی". آیا نتایج بیش از حد تفسیر می شوند؟ آیا از این مدل به صورت عقلی یا بلاغی استفاده می شود؟

 • قانون 2: 'اتخاذ یک نگرش "شکار فرضیات". این قانون بر کشف فرضیات احتمالاً ضمنی متمرکز است.

 • قانون 3: "کشف شبه علم"؛ این سؤال را مطرح می کند که آیا عدم قطعیت ، همانطور که در بالا بحث شد برای آنکه به نفع یک دستور کار باشد کاهش یافته یا تقویت شده است.

•  قانون 4: "یافتن پیش فرض های حساس ، پیش از آنکه آنها شما را درگیر کنند"؛ این یک یادآوری است که قبل از انتشار نتایج باید تجزیه و تحلیل حساسیت انجام شود و در دسترس محققان قرار گیرد.

 • قانون 5: " شفافیت". این قانون بحث های مربوط به داده باز و نیاز به شخص ثالث برای انجام یک تحلیل خاص را منعکس می کند.

 • قانون 6: 'جمع بندی صحیح را انجام دهید'؛ تجزیه و تحلیل نباید مشکل اشتباه را حل کند - انجام جمع بندی های صحیح مهم است. این قانون در مورد این سؤال است که آیا کمی سازی مربوطه چارچوبهای جایگزینهای مهم مسئله را نادیده می گیرد یا خیر.

• قانون 7: "تجزیه و تحلیل را بر سوال اصلی که توسط مدل پاسخ داده می شود ، متمرکز کرده و کل فضای فرضیات را به طور جامع بررسی کنید." پیامد مهم این قانون این است که یک مدل نمی تواند هم در زمینه حساسیت و هم سایر موارد مورد رسیدگی قرار گیرد ، اما باید در زمینه هر یک از کاربردهای خاص مدل مورد بررسی مجدد قرار گیرد.

نمونه هایی از کاربرد های بررسی حساسیت - از یک شکل یا شکل دیگر، مطالعه OECD-PISA و امنیت غذایی است که در کار حاضر توضیح داده شده است (آراجو و همکاران، 2017؛ سلتلی و لو پیانو، 2017) کاربردهای دیگر شامل هزینه های اقتصادی تغییرات آب و هوا است (سلتلی و د’همبرس, 2010) ، (لو پیانو و روبنسون، 2019) ، ، اثر اکولوژیکی (گالی و همکاران ، 2016؛ جیامپترو وسالتلی ، 2014 ، b2014؛ گلد فینگر و همکاران ، 2014) وGMO  (سالتلی, گیامپیترو، و گمیرو 2017).

اخلاق کمی سازی در مورد هر دو NUSAP و بررسی حساسیت می تواند برای آشکار کردن پیامدهای هنجاری یک کمیت استفاده شود. این رویکرد با هدف کشف زمینه های اساسی ، ناگفته ها ، چارچوب ها و استعاره ها پیش از این در زمینه مدل سازی ریاضی مطرح شده است (راوتز، 2003) و برای تمام نمونه های کمی سازی بحث شده در اینجا قابل استفاده است.

4. نتیجه گیری

نیاز به نوعی پوشش اخلاقی جمعی یا حتی سیاست گذاری ممکن است موضوعی برای داستان‌های علمی‌تخیلی باشد. علاوه بر این ، تمام کمی سازی ها شامل مقادیر قابل مشاهده نیستند (برای مثال، نرم‌افزار تشخیص چهره). نکته قابل توجه این است که در بین موارد فوق ، اولین مورد در کشورهای پیشرفته با قوانین رفتاری موجود تنظیم می‌شود. (کمیسیون اروپا و دفتر آمار اتحادیه اروپا ، 2017). این امر منجر به این سوال می‌شود که آیا سایر موارد نیز ممکن است به مقدمات مشابه نظیر هدف تحقیق کمی نیاز داشته باشند (زیپحر و پیریدس 2017). محققانی که در استفاده از اعداد آموزش دیده اند ، این عادت ذهنی را دارند که استواری آنها را بررسی کنند. همین مفهوم در فرهنگ عامه نیز صادق است. هنگامیکه هومر سیمپسون می گوید "اوه، کنت، مردم می توانند برای اثبات هر چیزی ، آماری بیاورند. چهل درصد از مردم می دانند که" او همزمان (به صورت طعنه آمیز) هم به ماهیت موجود اعداد و هم به تشریفات توجه می کند. طنز سنتی انگلیسی درباره "دروغها ، دروغها و آمارهای گیج کننده" موضوع مشابه را بیان می کنند. می توان قوانین خوبی از اقدامات مناسب برای کمی سازی معتبر مانند مواردی که امروزه برای نوآوری معتبر یا استفاده از فناوریهای مختلف موجود است را تصور کرد. در حالی که این رویکردها بدون مشکل نیستند ( استرند، 2019) ،با اینحال بازتاب مفیدی خواهند بود (مقالات گوناگون، برگن، 2019).

آمار - از نوع غیر رسمی ، خود یک انتظام است و مجامع انضباطی و رهبران را برای بحث در مورد مشکلاتی از قبیل مواردی که در اینجا مطرح شد گرد هم می آورد (سالتلی ، 2018). این امر برای مدل سازی ریاضی ، معیارها ، ابرداده ها و هوش مصنوعی کمتر اتفاق می افتد ، اگرچه در مورد دوم یک کار اخلاقی قابل توجه نظیر برنامه های "معاملات جدید در مورد داده ها انجام می شود (پنتلند ، 2009). برخی از متفکران از ظهور یک دوره حکومت به وسیله اعداد شکایت می‌کنند و یا از آن حمایت می‌کنند تا بازار را به بهترین نحو تغییر دهند. این که آیا این امر باعث ایجاد موقعیت غیر طبیعی یا خیالی می شود، موضوع بحث است (باستانی، 2019؛ موروزوو، 2019؛مصطفی، 2018؛ زوبوفف؛2019). آیا متخصصان متعهد می‌توانند روش جامعه را برای سوسیالیسم محاسبه کنند ( باستانی 2019)، یا سرمایه داری را از "نظارت" آن نجات دهند (زابوف 2019) یا برای کنترل زیاده روی در مراکز محاسبات مالی تلاش می کنند؟ ( ویلمورت و اورل 2017). اگر  حق با الیون سوپیوت باشد که حکومت موجود اعداد - هم نظام تیلور و ​​هم برنامه ریزی شوروی را در بر می گیرد، تمام چارچوبهای حقوقی آشنای تمدن غربی - خود دولت ، دمکراسی و قانون و بسیاری از اشکال همبستگی انسانی را مختل می کند ، سپس ما تخیل سایبرنتیک را که رویای کهن غربی را مبنی بر ایجاد هماهنگی اجتماعی در محاسبه ها زنده می کند گنجاندیم. در اینجا هدف از اجرای قوانین عادلانه به نفع دستیابی به اهداف قابل اندازه گیری رد می شود ، زیرا قانون در معرض محاسبه سودمندی قرار می گیرد. این همان "کمی سازی اخلاق" است که در عنوان کار حاضر به آن اشاره شده است. این مسائل در واقع سوالات مهم و فوری فراتر از محدوده این بحث هستند. نقش اخلاق کمی سازی در این زمینه باید کشف و سازماندهی شود، اما تا حدی که تحولات قریب‌الوقوع دستور اجتماعی موجود در جریان است، این اصول اخلاق می‌تواند نقش مفیدی را ایفا کنند.