كيف يمكن للتعلم الآلي أن يكشف عن الإحصاءات الرسمية للعمال التي لا تستطيع رؤيتها

لقد خدمت إحصاءات سوق العمل الحكومات والباحثين بشكل جيد لعقود من الزمن. ولكنها صممت للإجابة على السؤال “كم عدد؟” سؤال. إنهم يحسبون العاطلين عن العمل والعاملين وغير النشطين اقتصاديًا. ولكن ما لا يستطيعون الإجابة عليه هو السؤال الأكثر صعوبة والأكثر أهمية: من هم العمال الأكثر عرضة للخطر الآن، وماذا يمكننا أن نفعل حيال ذلك قبل فوات الأوان؟ على سبيل المثال، معدل البطالة هو، بحكم تعريفه، مقياس بأثر رجعي. إنه يحسب الأشخاص الذين فقدوا وظائفهم بالفعل. كأداة للوقاية، فهي قريبة من عديمة الفائدة.

ويقدم الجمع بين التعلم الآلي والبيانات المرتبطة نهجا مختلفا جوهريا ــ نهج يحول وحدة التحليل من المعدل الإجمالي إلى العامل الفردي، والتوجه الزمني من الاسترجاع إلى الاستباقي. وتجمع بنية البيانات التي يقوم عليها هذا النهج بين مصادر البيانات التي نادرا ما تستخدم مجتمعة (أي بيانات العمل، والبيانات الكلية، وجوجل، وبيانات البحث، والاستشعار عن بعد، والبيانات الجغرافية المكانية، من بين أمور أخرى). على سبيل المثال، توفر الدراسات الاستقصائية الوطنية للأسر المعيشية، مثل مسح القوى العاملة، معلومات غنية على المستوى الفردي: ساعات العمل، ونوع العقد، والمهنة، والمؤهلات، والرضا الوظيفي، والخبرة الشخصية في العمل التي لا يمكن للسجلات الإدارية أن تستوعبها بشكل كامل. ومن ناحية أخرى، توفر البيانات الإدارية مثل السجلات الضريبية ومعلومات الرواتب ومطالبات المزايا معلومات تفتقدها الدراسات الاستقصائية بشكل روتيني. تستخدم بشكل منفصل، ولكل منها نقاط عمياء كبيرة. يتم ربطها معًا باستخدام معرفات مجهولة المصدر، مما يؤدي إلى إنشاء صورة للحياة العملية الفردية بدقة لا يمكن لأي من مجموعات البيانات وحدها الوصول إليها.

يعمل التعلم الآلي على هذه البيانات المرتبطة من خلال التعلم من التاريخ. يتم تدريب النموذج على السجلات حيث تكون النتيجة معروفة بالفعل: من هم العمال الذين تعرضوا لفقدان وظائفهم في العام التالي؟ الذي انتقل إلى الفقر في العمل؟ ما الذي ترك سوق العمل بالكامل؟ ويحدد النموذج مجموعات خصائص الأفراد والوظائف وأصحاب العمل وسوق العمل المحلية التي تتنبأ بكل نتيجة، بالاعتماد على عشرات المتغيرات في وقت واحد بطرق لا يستطيع تحليل الانحدار التقليدي القيام بها. وبتطبيقه على البيانات المتاحة، فإنه ينتج درجة المخاطر لكل عامل. وهذه ليست تسمية قاطعة، بل هي احتمالية تعكس التعقيد الكامل لظروفهم.

هذا نوع مختلف نوعيا من المعرفة. أولاً، يكشف عن الأشخاص المعرضين للخطر بطرق تغفل عنها الإحصائيات المجمعة وحتى التبويبات المتقاطعة القياسية. يختلف ملف المخاطر الخاص بعامل يبلغ من العمر 45 عامًا يعمل بدوام جزئي ومتوسط ​​المهارة في إحدى الصناعات المحلية المتعاقدة عن نظيره البالغ من العمر 25 عامًا والذي يعمل في نفس المهنة في صناعة متنامية. التحليل التقليدي يسطح هذه الفروق. يحفظها التعلم الآلي ويمكنه اكتشاف التفاعلات بين الخصائص التي لا يفكر أي محلل في اختبارها. ثانيا، يكشف أين يقع الخطر. ويمكن رسم خرائط المخاطر على مستويات جغرافية دقيقة، مما يكشف عن تركزات نقاط الضعف المحلية التي تختفي داخل المتوسطات الإقليمية أو الوطنية. ثالثاً، يكشف متى تظهر المخاطر. ولأن النموذج تم تدريبه على البيانات الطولية وتطبيقه بأثر مستقبلي، فإنه يعمل كنظام إنذار مبكر، حيث يولد إشارات للضائقة الناشئة قبل أن تتبلور في الأرقام الرئيسية التي تؤدي حاليا إلى التدخل.

وما يبدو عليه هذا من الناحية العملية هو تحول في نوع المعلومات الاستخبارية المتاحة لصانعي السياسات. فبدلاً من إصدار إحصائي ربع سنوي يوضح أن البطالة في منطقة معينة تسير بمعدل معين، سيكون لدى صناع القرار إمكانية الوصول إلى خريطة تحدد العمال الذين يتحملون حاليًا أعلى المخاطر المتوقعة والتي تتميز بملف التوظيف ومرتبة حسب الضعف. ويمكن لبرامج سوق العمل النشطة ودعم المهارات والمساعدة أثناء العمل أن تصل إلى الأشخاص قبل أن يفقدوا وظائفهم وليس بعد ذلك. وهذا ليس تغييرا تافها. إن الفرق بين التدخل المبكر والاستجابة للأزمات، بالنسبة للعديد من العمال، هو الفرق بين الانتكاسة المؤقتة والندبات طويلة المدى.

لا شيء من هذا يأتي دون محاذير. إن جودة هذا النهج تكون جيدة بقدر جودة البيانات التي يقوم عليها. لا يزال العمل غير الرسمي والرعاية غير مدفوعة الأجر وترتيبات العمل غير محسوبة بشكل جيد في كل من الدراسات الاستقصائية والسجلات الإدارية، مما يعني أن العمال الأقل حماية من قبل المؤسسات القائمة قد يكونون أيضًا الأقل ظهورًا لهذه الأساليب. كما أن ربط المسح الوطني والبيانات الإدارية لتوليد درجات المخاطر الفردية يثير تساؤلات جدية حول الموافقة والشفافية واحتمال الضرر. وبعيداً عن المسائل القانونية، هناك أسئلة أعمق تتعلق بالسلطة. ويمكن لأصحاب العمل إعادة استخدام درجات المخاطر التي تم إنشاؤها لدعم العمال، في ظل ظروف مؤسسية مختلفة، لتحديد أولئك الذين يستحقون الاستثمار فيهم أو أولئك الذين يستحقون التخلي عنهم. من يتحكم في هذه البيانات، ومن يمكنه الوصول إلى مخرجاتها، وتحت أي ظروف يتم طرح الأسئلة التي تتطلب مشاركة نشطة من النقابات العمالية والمجتمع المدني والعمال الذين تمثل البيانات حياتهم العملية.

هناك أيضًا سؤال حول ما لا يمكن أن تخبرنا به درجات المخاطر. يمكن للنموذج أن يشير إلى أن الضعف يتركز في رمز بريدي معين أو مجموعة مهنية معينة. فهو لا يستطيع تفسير السبب، والتفسير هو ما تتطلبه السياسة في نهاية المطاف. إن التقنيات التي تحلل مساهمة المتغيرات الفردية في تنبؤات النموذج تجعل من الممكن الآن أن نفسر، بعبارات يسهل الوصول إليها، لماذا يحمل عامل معين درجة معينة من المخاطر. ومع ذلك، هذه ليست كافية في حد ذاتها. يمكن للنهج الهجين الذي يجمع بين تحديد مخاطر التعلم الآلي والأبحاث النوعية المستهدفة أن يسد الفجوة بين النمط والسبب. يخبرك النموذج بالمكان الذي تبحث فيه بينما تخبرك الأساليب الإثنوغرافية والتشاركية بما يحدث بالفعل هناك.

والحلول تكمن في الحوكمة، وليس في التخلي عن النهج. يجب أن يمنع تحديد الغرض القانوني الوصول إلى البيانات المجمعة لدعم العمال من قبل أصحاب العمل أو الأطراف التي لها مصالح معاكسة. وينبغي أن يكون للعمال الذين تم تحديدهم على أنهم معرضون لمخاطر عالية الحق القانوني في فهم، بعبارات واضحة، ما الذي دفعهم إلى تقييمهم والطعن فيه. ومن شأن هيئات الرقابة الخوارزمية المستقلة، التي تتمتع بسلطة مراجعة نشر النموذج والتحقيق في إساءة استخدامه، أن توفر الضوابط المؤسسية التي لا يستطيع التنظيم الذاتي توفيرها. ومن الممكن أن تتمكن عمليات تدقيق العدالة الإلزامية من اكتشاف تكاثر التفاوتات التاريخية قبل أن تشكل عملية تخصيص الموارد. وتوفر صناديق بيانات العمال، التي تحكمها النقابات العمالية أو هيئات المجتمع المدني، آلية لإدارة جماعية حقيقية بدلا من الموافقة الفردية التي يطغى عليها اختلال توازن السلطة بسهولة. ويجب أن يكون للعمال الذين يتم تصميمهم دوراً هيكلياً في كيفية بناء هذه الأدوات وإدارتها وإخضاعها للمساءلة.

لويس د. توريس هو أستاذ مشارك في كلية إدارة الأعمال بجامعة نوتنغهام في المملكة المتحدة وجامعة ديل ديسارولو في تشيلي. وهو أيضًا مستشار علوم البيانات للأمم المتحدة، والمدير المالي للأكاديمية الأوروبية لعلم نفس الصحة المهنية والمؤسس المشارك لشركة Sustaina Value.

حقوق الصورة: كلاوديو شوارتز عبر Unsplash