در دنیای امروز، علم به طور فزاینده‌ای به فعالیتی گروهی و مبتنی بر همکاری تبدیل شده است. پیچیدگی مسائل علمی، به ویژه در حوزه‌هایی مانند هوش مصنوعی (AI)، دانشمندان را بر آن داشته تا با به اشتراک گذاشتن دانش، تخصص و منابع، به صورت مشترک به حل چالش‌ها بپردازند. هوش مصنوعی به عنوان یک حوزه میان‌رشته‌ای با رشدی تصاعدی، نیازمند پژوهشگرانی با مهارت‌های متنوع است و این امر اهمیت همکاری‌های علمی را دوچندان می‌کند.

با این حال، این اکوسیستم‌های همکاری همیشه بازتابی از برابری و تنوع نیستند. بررسی ابعاد جنسیتی در همکاری‌های علمی، به خصوص در رشته‌ای استراتژیک و پررونق مانند هوش مصنوعی که سرمایه‌گذاری‌های عظیمی را به خود جلب کرده، از اهمیت فوق‌العاده‌ای برخوردار است. مقاله حاضر با عنوان «زنان، هوش مصنوعی و جایگاه‌های کلیدی در شبکه‌های همکاری» تلاشی جامع برای درک این دینامیک‌هاست. این پژوهش با استفاده از ابزارهای تحلیلی پیشرفته، به بررسی عواملی می‌پردازد که بر دستیابی پژوهشگران زن و مرد به موقعیت‌های کلیدی در شبکه‌های همکاری علمی تأثیر می‌گذارند. اهمیت این تحقیق در آن است که با ارائه شواهد مبتنی بر داده، می‌تواند به سیاست‌گذاران و نهادهای علمی در جهت ایجاد یک اکوسیستم علمی عادلانه‌تر و کارآمدتر کمک کند.

این مقاله حاصل همکاری سه پژوهشگر، آناهیتا حاجی‌بابایی، آندریا شیفائوروا و اشکان عبادی است. تخصص‌های متنوع این تیم تحقیقاتی، که حوزه‌هایی چون شبکه‌های اجتماعی و اطلاعاتی، هوش مصنوعی و یادگیری ماشین را در بر می‌گیرد، به آن‌ها اجازه داده است تا با رویکردی چندبعدی و نوآورانه به مسئله نگاه کنند. این پژوهش در تقاطع علوم اجتماعی محاسباتی و علم‌سنجی قرار می‌گیرد و از روش‌های کمی برای تحلیل ساختارهای اجتماعی در جامعه علمی استفاده می‌کند. تمرکز مقاله بر حوزه هوش مصنوعی است، زیرا این رشته نه تنها آینده فناوری را شکل می‌دهد، بلکه الگوهای اجتماعی موجود، از جمله سوگیری‌های جنسیتی، را نیز می‌تواند بازتولید یا تشدید کند. بنابراین، درک چگونگی شکل‌گیری شبکه‌های همکاری و نقش جنسیت در آن، گامی حیاتی برای اطمینان از توسعه مسئولانه و فراگیر هوش مصنوعی است.

این پژوهش به طور جامع تأثیر عوامل مختلف بر کسب جایگاه‌های کلیدی در شبکه‌های همکاری علمی در حوزه هوش مصنوعی را از منظر جنسیت مورد بررسی قرار می‌دهد. محققان با تحلیل داده‌های انتشارات علمی از سال ۲۰۰۰ تا ۲۰۱۹، به این نتیجه رسیده‌اند که عملکرد علمی، صرف نظر از جنسیت، نقشی حیاتی در کسب موقعیت‌های مرکزی در شبکه ایفا می‌کند. به طور خاص، عواملی مانند تعداد مقالات منتشر شده (کمیت) و میزان ارجاعات دریافت شده (تأثیرگذاری)، پیش‌بینی‌کننده‌های اصلی برای دستیابی به نقش «پژوهشگر اجتماعی» (Social Researcher) هستند؛ فردی که مانند یک پل، گروه‌های تحقیقاتی مختلف را به یکدیگر متصل می‌کند.

با این حال، یافته‌ها نشان می‌دهد که در مورد کسب نقش «تأثیرگذار محلی» (Local Influencer) — پژوهشگری که در حلقه نزدیک همکاران خود بسیار پرنفوذ است — تفاوت‌های ظریفی بین محققان زن و مرد مشاهده می‌شود. این مقاله با استفاده از تحلیل شبکه، پردازش زبان طبیعی و یادگیری ماشین، لایه‌های پنهان دینامیک‌های جنسیتی در همکاری‌های علمی را آشکار می‌سازد و به ما در درک بهتر موانع و فرصت‌های پیش روی زنان در این حوزه کمک می‌کند.

این مقاله از یک رویکرد روش‌شناختی ترکیبی و پیشرفته برای تحلیل داده‌های خود بهره برده است. مراحل اصلی این روش‌شناسی عبارتند از:

• جمع‌آوری داده‌ها: پژوهشگران مجموعه داده‌ای عظیم از مقالات علمی منتشر شده در حوزه هوش مصنوعی را در یک بازه زمانی ۲۰ ساله (۲۰۰۰ تا ۲۰۱۹) گردآوری کرده‌اند. این داده‌ها شامل اطلاعات کتاب‌سنجی مانند نام نویسندگان، وابستگی سازمانی، چکیده‌ها و فهرست مراجع است.
• تحلیل شبکه اجتماعی (SNA): از این روش برای ساخت و تحلیل شبکه‌های همکاری استفاده شده است. در این شبکه‌ها، هر پژوهشگر یک گره (Node) و هر همکاری (هم‌نویسندگی در یک مقاله) یک یال (Edge) بین گره‌ها محسوب می‌شود. محققان با استفاده از معیارهای مرکزیت، دو نقش کلیدی را تعریف کرده‌اند:
  • پژوهشگر اجتماعی (Social Researcher): این نقش معمولاً با معیار «مرکزیت بینابینی» (Betweenness Centrality) سنجیده می‌شود و به پژوهشگرانی اشاره دارد که به عنوان پل ارتباطی بین خوشه‌های تحقیقاتی مختلف عمل می‌کنند و جریان اطلاعات را در شبکه تسهیل می‌نمایند.
  • تأثیرگذار محلی (Local Influencer): این نقش با معیار «مرکزیت درجه» (Degree Centrality) اندازه‌گیری می‌شود و نمایانگر پژوهشگرانی است که بیشترین تعداد همکاران مستقیم را دارند و در حلقه نزدیک خود بسیار فعال و پرنفوذ هستند.
• پردازش زبان طبیعی (NLP): از تکنیک‌های NLP برای تحلیل محتوای مقالات (مانند چکیده‌ها و عناوین) استفاده شده است تا موضوعات تحقیقاتی هر پژوهشگر استخراج شود. این امر به محققان اجازه داد تا بررسی کنند آیا تفاوت در حوزه‌های موضوعی بر الگوهای همکاری تأثیر می‌گذارد یا خیر.
• یادگیری ماشین (Machine Learning): در نهایت، مدل‌های یادگیری ماشین برای پیش‌بینی احتمال کسب جایگاه‌های کلیدی توسط یک پژوهشگر بر اساس مجموعه‌ای از ویژگی‌ها (مانند جنسیت، تعداد مقالات، تعداد ارجاعات، تنوع موضوعی و غیره) به کار گرفته شدند. این مدل‌ها به شناسایی مهم‌ترین عوامل مؤثر بر موفقیت در شبکه کمک کردند.

تحلیل‌های دقیق این پژوهش به نتایج مهم و قابل تأملی منجر شده است که در ادامه به تفکیک ارائه می‌شوند:

۱. نقش محوری عملکرد علمی برای همه: مهم‌ترین یافته این است که برای دستیابی به موقعیت «پژوهشگر اجتماعی»، عملکرد علمی (تعداد انتشارات و تأثیرگذاری) مهم‌ترین عامل است و این الگو برای هر دو جنس زن و مرد صادق است. این یافته نشان می‌دهد که در سطح کلان، اکوسیستم علمی هوش مصنوعی تا حد زیادی شایسته‌سالار است و افرادی که تولید علمی بالاتر و تأثیرگذارتری دارند، به احتمال زیاد به موقعیت‌های مرکزی و پل‌زننده در شبکه دست می‌یابند.

۲. تفاوت‌های ظریف جنسیتی در نفوذ محلی: در حالی که عملکرد علمی برای همه مهم است، در مورد کسب جایگاه «تأثیرگذار محلی»، تفاوت‌های ظریفی بین دو جنس مشاهده شد. مقاله به طور دقیق به ماهیت این تفاوت‌ها نمی‌پردازد، اما می‌توان گمانه‌زنی کرد که این تفاوت‌ها ممکن است ناشی از موارد زیر باشد:

• استراتژی‌های شبکه‌سازی متفاوت: ممکن است زنان و مردان از استراتژی‌های متفاوتی برای ایجاد همکاری استفاده کنند که بر ساختار شبکه‌های محلی آن‌ها تأثیر می‌گذارد.
• سوگیری‌های همگونی (Homophily): تمایل افراد به همکاری با افرادی که شبیه خودشان هستند (از نظر جنسیت، پیشینه یا علایق)، می‌تواند منجر به شکل‌گیری خوشه‌های جنسیتی جداگانه در شبکه شود.
• موانع ساختاری: ممکن است زنان با موانع بیشتری برای تبدیل شدن به یک «هاب» یا مرکز همکاری در گروه‌های بزرگ مواجه باشند، حتی اگر عملکرد علمی یکسانی داشته باشند.

این یافته نشان می‌دهد که اگرچه شایسته‌سالاری در سطوح بالا حاکم است، اما در سطوح خردتر و در دینامیک‌های روزمره همکاری، ممکن است سوگیری‌های جنسیتی همچنان نقش ایفا کنند.

نتایج این تحقیق دارای پیامدها و کاربردهای عملی مهمی برای ذی‌نفعان مختلف در اکوسیستم علمی است:

• برای سیاست‌گذاران و مدیران دانشگاهی: این یافته‌ها می‌توانند مبنایی برای طراحی سیاست‌هایی باشند که به طور فعال از زنان در علم حمایت می‌کنند. برای مثال، با توجه به اهمیت عملکرد علمی، ارائه منابع، بودجه تحقیقاتی و فرصت‌های مربیگری (Mentorship) که به زنان کمک می‌کند تا تولیدات علمی خود را افزایش دهند، می‌تواند به طور مستقیم به ارتقای جایگاه آن‌ها در شبکه‌های همکاری منجر شود.
• برای پژوهشگران (به ویژه زنان): درک این دینامیک‌ها به محققان کمک می‌کند تا استراتژی‌های شغلی هوشمندانه‌تری اتخاذ کنند. تمرکز بر تولید علم با کیفیت و تأثیرگذار، کلید اصلی برای کسب موقعیت‌های مرکزی است. همچنین، آگاهی از تفاوت‌های ظریف در شبکه‌سازی محلی می‌تواند به زنان کمک کند تا موانع بالقوه را شناسایی کرده و بر آن‌ها غلبه کنند.
• برای آینده هوش مصنوعی: ترویج تنوع و برابری در شبکه‌های همکاری صرفاً یک مسئله عدالت اجتماعی نیست، بلکه برای پیشرفت خود علم نیز ضروری است. شبکه‌های متنوع‌تر به تبادل ایده‌های گسترده‌تر، نوآوری بیشتر و در نهایت، توسعه فناوری‌های هوش مصنوعی منصفانه‌تر و کمتر سوگیرانه منجر می‌شوند. این مقاله شواهد محکمی ارائه می‌دهد که باید برای ساختن چنین آینده‌ای تلاش کرد.

مقاله «زنان، هوش مصنوعی و جایگاه‌های کلیدی در شبکه‌های همکاری» یک تحلیل عمیق و مبتنی بر داده از دینامیک‌های جنسیتی در یکی از مهم‌ترین حوزه‌های علمی امروز ارائه می‌دهد. این پژوهش با بهره‌گیری از روش‌های محاسباتی پیشرفته، نشان می‌دهد که اگرچه اکوسیستم علمی هوش مصنوعی در ابعاد کلان به سمت شایسته‌سالاری حرکت می‌کند و عملکرد علمی کلید اصلی موفقیت برای همگان است، اما هنوز تفاوت‌های ظریف و مهمی در الگوهای همکاری بین زنان و مردان وجود دارد که نیازمند توجه و بررسی بیشتر است.

این تحقیق تأکید می‌کند که حرکت به سوی یک اکوسیستم علمی برابرتر نیازمند تلاش‌های آگاهانه برای از بین بردن موانع ساختاری و سوگیری‌های پنهان است. با فراهم کردن فرصت‌های برابر برای رشد و دیده شدن، می‌توانیم اطمینان حاصل کنیم که بهترین استعدادها، صرف نظر از جنسیتشان، می‌توانند در شکل‌دهی به آینده علم و فناوری نقش‌آفرینی کنند. این مقاله گامی مهم در این مسیر است و راه را برای تحقیقات آتی و اقدامات عملی هموار می‌سازد.