روندها و ‌توسعه‌ها در علم اطلاعات و دانش شناسی

دکتر جعفر مهراد، استاد پیشکسوت دانشگاه شیراز و بنیانگذار موسسه ISC: وضعیت فعلی آموزش علم اطلاعات و دانش شناسی در دانشگاه های ایران به علت تأخیر در توسعه برنامه های درسی از یک طرف، و عدم آمادگی دانشجویان از طرف دیگر، با چالش های مهمی مواجه است. اجازه دهید قبل از ادامه همین بحث با این شروع، از اقای دکتر محمد حسن زاده سرپرست محترم کمیته برنامه ریزی علم اطلاعات و دانش شناسی و همکاران ایشان در وزارت عتف، به خاطر تجدید نظر های مداوم در سطوح گوناگون برنامه های درسی، قدردانی کنم. گزارش های ایشان را می خوانم و از کم و‌کیف آن ها آگاه هستم. با همه این، این ادعا که بازنگری برنامه های درسی برای برآورده کردن خواسته های زمان حاضر و انتظارات دانشجویان کافی نیست، نیاز به بررسی انتقادی دارد، به ویژه با توجه به پیشرفت های سریع در این زمینه, و تاثیر فزاینده رویکردها و کاربردهای محاسباتی از انواع مختلف, که امیدوارم در دنباله این بحث به همه این ها بپردازم. یک نکته دیگر را هم تاکید کنم، و آن پذیرش دانشجویانی با پایه ضعیف بالقوه در ریاضیات و آمار، (به استثنای دانشجویانی که از رشته های علوم تجربی و احتمالا ریاضی وارد این رشته می شوند)، نگرانی هایی را در مورد توانایی آنها در تعامل با جنبه های مبتنی بر داده های علم اطلاعات و دانش شناسی، از جمله علم کتابداری افزایش می دهد.

چرا بررسی انتقادی؟ درست یک هفته قبل، دانشجوی دوره دکتری گرایش بازیابی اطلاعات که در دانشگاه شهید چمران اهواز تحصیل می کند، ایمیلی فرستاده و درخواست کرده است که وی را درباره ارایه چند موضوع که بتواند برای پایان نامه اش انتخاب کند، راهنمایی کنم. با این دانشجو اشنایی قبلی دارم. در سال های گذشته در دانشگاه شیراز درس خوانده است. اولین سوالی که به ذهنم رسید این که بپرسم عناوین درس های بازیابی اطلاعات را برایم بفرستد. فرض من این بود که درس های این گرایش، که در حدود ۱۵ سال پیش طراحی و به تصویب رسیده است، ممکن بود تغییر یافته — که فرضی درست بود — اما، با ناباوری تمام، مشاهده کردم که عناوین درس های ارسالی همان عناوینی است که تماما در دوره سابق و با توجه به حال و هوای آن دوران، طراحی و توسط دانشگاه های مجری ارایه می شود:
- نظریه های اطلاعات و دانش
- طبقه بندی و توسعه علوم
- پردازش زبان طبیعی
- سیبرنتیک و ارتباطات
- تحلیل متن و دانش کاوی
- رفتارهای اطلاع یابی
- وب معنایی و هستی شناسی
- معماری اطلاعات

کمی از بحث اصلی دور افتادم. اما، به نظرم، بیان آن لازم بود تا بحث خود را به توانم در زمینه توسعه ها و روندهای جاری در حوزه علم اطلاعات و دانش شناسی به تصویر بکشم. قطعا، همکار محترم اقای دکتر چشمه سهرابی نیز در این باره بیشتر و بهتر از من خواهند گفت

حوزه علم اطلاعات و دانش شناسی، از جمله علم کتابداری، در سال های اخیر دگرگونی های عمیقی را توسط نوآوری های تکنولوژیکی و رفتارهای اطلاعاتی در حال تکامل پیوسته تجربه می کند. این رشته، در سطح جهانی، به طور فراینده ای با موارد زیر سر و کار دارد, که می توانیم از آن ها به عنوان توسعه ها و روندهای جاری در رشته علم اطلاعات و دانش شناسی نام ببریم:

— روند و توسعه اول: ادغام هوش مصنوعی با یادگیری ماشین:

هوش مصنوعی و یادگیری ماشین، دیگر مفاهیم جانبی نیستند، بلکه در حال تبدیل شدن به کانونی هستند برای سیستم های مدیریت دانش و عملیات کتابخانه ای. این رویکرد، یعنی کشف خودکار دانش، برچسب گذاری محتوا، ارایه اطلاعات شخصی سازی شده، ربات های گفتگوی مبتنی بر هوش مصنوعی، دستیاران مجازی و موتورهای توصیه همه و همه از دستاوردهای یادگیری ماشین و هوش مصنوعی است. علاوه بر این، از این فناوری ها به راحتی می توان برای تجزیه و تحلیل رفتار کاربر، بهینه سازی تخصیص منابع و افزایش مجموعه های دیجیتال از طریق غنی سازی ابرداده و‌ تشخیص تصویر استفاده کرد.

— روند و‌توسعه دوم: تجزیه و تحلیل داده ها و تجسم:

توانایی تجزیه و تحلیل مجموعه داده های بزرگ برای استخراج بینش های معنی دار و ارایه ان ها به صورت بصری در حال تبدیل شدن به یک روال اصلی است. این توسعه، شامل تکنیک ها، ابزارها و الگوریتم های مختلف برای شناسایی الگوها، روندها، همبستگی ها و‌ ناهنجاری هایی است که کشف آن ها از طریق روش های سنتی تجزیه و تحلیل داده ها در مجموعه داده های کوچک تر دشوار یا غیر ممکن است. این قسمت را کمی بیشتر توضیح می دهم: در بحث‌ استخراج بینش های معنادار، هدف فقط پردازش داده ها نیست، بلکه استخراج اطلاعات ارزشمند و عملی است. بینش های معنادار آنهایی هستند که کمک می کنند تا:
- به سوالات کلیدی در کتابخانه ها و سازمان های اطلاعاتی پاسخ دهیم.
- فرصت های جدید یا ریسک های بالقوه را شناسایی کنیم.
- تصمیم گیری را ارتقا دهیم.
- بهینه سازی فرایندها را اجرا کنیم.
- و از پدیده ها درک عمیقی داشته باشیم.

استفاده از ابزارها و فناوری ها اغلب شامل کاربرد نرم افزارهای تخصصی، زبان های برنامه نویسی (مانند پایتون و R)، پلتفرم های کلان داده (مانند Hadoop و Spark) و ‌منابع رایانش ابری برای مدیریت قیاس و پیچیدگی داده ها می شود که آموزش و کار عملی دانشجویان ما با این ابزارها و فناوری ها باید در کانون توسعه برنامه های درسی قرار گیرد.

در این توسعه ها، به تجسم داده ها اشاره کردم. دانشجویان توانمند این رشته باید بتوانند داده های پیچیده و نتایج تحلیلی را در قالب بصری مانند نمودارها، گراف ها و‌ داشبوردها ارایه دهند تا درک آن ها اسان تر و قابل درک تر باشد. در اصل، توانایی مدیریت این مفاهیم، همه در دنیای داده محور امروزی، یک قابلت حیاتی است که در آموزش نباید از آن ها غفلت کرد.

— روند و توسعه سوم: ظهور فناوری های معنایی:

این فناوری ها برای سازماندهی، بازیابی اطلاعات و‌ کشف دانش پیچیده تر اهمیت فراوان دارند. جستجوی معنایی، که معنای پشت پرس و جو ها را درک می کند، اکنون اهمیت فزاینده ای پیدا کرده است. فناوری های معنایی به جای این که داده ها را مجموعه ای از کاراکترها ببیند، بر معنای داده ها و روابط بین قطعات مختلف اطلاعات تمرکز دارد. برای پرهیز از اطاله کلام، تنها به جنبه های کلیدی آن اشاره می کنم و می گذرم. ایده اصلی، عبارت است از افزودن معنی (یعنی، درک ماشین از زمینه ها و روابط بین نقاط داده) و تفسیر، استدلال و استنتاج اطلاعات توسط رایانه. فناوری ها و استانداردهای کلیدی در این توسعه مشتمل است بر: چارچوب توصیف منابع (RDF)، زبان پرس و جو ‌که اختصاصا برای RDF طراحی شده است (پروتکل SPARQL و زبان پرس و RDF), زبان هستی شناسی وب (WOL)، و گراف های دانش. به طوری که می بینید فناوری های معنایی فراتر از ذخیره سازی و بازیابی ساده داده هاو اطلاعات است. در این توسعه، ماشین قادر است تا اطلاعات را به روشی شبیه انسان بیشتر درک کند، ارتباط برقرار سازد و با آن ها استدلال کند که نتیجه اش کاربردهای هوشمندتر و موثرتر است.

— روند و توسعه چهارم: معماری اطلاعات و طراحی تجربه اطلاعات:

این حوزه هم از روندهایی است که در سال های اخیر توجه بیشتری را به خود جلب کرده و توسعه یافته است. حتما، می دانید که هدف غایی، آن است که کاربران به راحتی بتوانند به منابع اطلاعاتی دسترسی پیدا کرده و با آن ها تعامل داشته باشند.

— روند و توسعه پنجم: بلاکچین و سیستم های اطلاعات غیرمتمرکز:

این فناوری، با فعال کردن مدیریت اطلاعات ایمن و غیرمتمرکز، تاثیر شگرفی بر روی علم اطلاعات و دانش شناسی گذاشته است، از جمله در اشتراک گذاری امن داده ها و مدیریت حقوق دیجیتال. بلاکچین، یکپارچگی و صحت رکوردهای دیجیتالی، مانند مجموعه داده های تحقیقاتی را تضمین می کند. پروژه هایی مانند علوم غیرمتمرکز (DeSci)، از بلاکچین برای ایجاد یک اکوسیستم تحقیقات علمی بازتر، مشارکتی و شفاف تر استفاده می کند. همینطور، بلاکچین می تواند از مالکیت معنوی در کتابخانه های دیجیتال محافظت و امکان دسترسی به منابع را فراهم کند. نیز، برخی از موسسات در حال اجرای آزمایشی سیستم های مبتنی بر بلاکچین برای ردیابی اصالت نسخه های خطیرکمیاب هستند.

دو توسعه مهم دیگر هم قابل توجه است، که لازم است در توسعه برنامه های درسی مد نظر قرار گیرند: یکی، امنیت سایبری و حریم خصوصی داده ها است و دیگری، پلتفرم های همکاری و اشتراک دانش است. می دانید که اطمینان از امنیت و حفظ حریم خصوصی داده ها بسیار مهم است. متخصصان دانش و اطلاعات، برای رفع اینگونه نگرانی های حیاتی، باید خود را به دانش و تخصص های آن مجهز کنند.

مورد دوم که با مدیریت دانش سروکار دارد، و حوزه ای است که دوست محترم اقای دکتر حسن زاده در آن تخصص دارد، افراد حرفه ای، (دانشجویان و اعضای هیات علمی) ، باید در استفاده و در مدیریت این پلتفرم ها مهارت داشته باشند.

شاید تصور کنید روند ها و‌توسعه هایی که از آن ها نام بردم، اختصاص به علم اطلاعات و دانش شناسی دارند و علوم ‌کتابداری، به عنوان زیرشاخه علم اطلاعات و دانش شناسی، از روند ها و تحولات اخیر بی بهره مانده است. در دنیای غرب، علوم کتابداری، برای پاسخگویی به نیازهای عصر اینترنت و دیجیتال به طور قابل توجهی تکامل یافته است. در این رابطه، به چند تحول اساسی اشاره می کنم:

روند و ‌توسعه اول:
سازندگان فضاها و مراکز نوآوری:
کتابخانه های عمومی و دانشگاهی در حال ایجاد فضاهای سازنده مجهز به چاپگرهای سه بعدی، آزمایشگاه های کدنویسی و ابزارهای واقعیت مجازی هستند و بدین ترتیب، بر خلاقیت و سواد دیجیتالی تاکید دارند.

روند و‌توسعه دوم:
مشارکت اجتماعی:
کتابخانه ها در حال تغییر موقعیت خود به مراکز اجتماعی بوده و برنامه هایی را در زمینه مهارت های دیجیتال، آموزش شغلی و‌مشارکت مدنی ارایه می دهند.

روند و ‌توسعه سوم:
- پایداری:
کتابخانه ها شیوه های پایداری را از اساس پذیرفته اند، مانند دیجیتالی کردن مجموعه ها برای کاهش نیازهای ذخیره سازی فیزیکی و استفاده از فناوری های کارامد انرژی در مراکز داده.

بحث خود را در اینجا کوتاه می کنم و پرداختن به سایر پیشرفت ها را به نشست های دیگر موکول می کنم. روند ها و توسعه ها بسیار زیاد، و در عین حال، بسیار شگفت انگیز است.

حال، با توجه به این تحولات، برنامه های درسی که به اندازه کافی این حوزه ها را پوشش نمی دهند، خطر تربیت فارغ التحصیلانی را به همراه دارد که برای بازار کار آمادگی کافی ندارند. کارفرمایان در بخش های مختلف، از جمله شرکتها،دانشگاه ها و موسسات پژوهشی، سازمان های دولتی، کتابخانه ها و آرشیوها ، قاعدتا به دنبال افرادی هستند که در تجزیه و تحلیل داده ها، برنامه های کاربردی هوش مصنوعی، فناوری های دیجیتال و طراحی کاربر محور مهارت داشته باشند.

نگرانی در مورد پیشینه تحصیلی دانشجویان در زمینه هایی مانند ریاضیات و آمار، از دید من، هنوز به شدت پا بر جا است. بسیاری از گرایش های نوظهور در علم اطلاعات و دانش شناسی، مانند علم سنجی، کتابسنجی، داده کاوی، بازیابی اطلاعات و کاربرد هوش مصنوعی و یادگیری ماشین به شدت بر استدلال کمی و تجزیه و تحلیل آماری متکی هستند. فارغ التحصیلان ما، بدون پایه ای محکم در این زمینه ها با مشکلات عدیده ای موجه خواهند بود از جمله در:

* ارزیابی اثربخشی سیستم ها و خدمات اطلاعاتی با استفاده از رویکردهای داده محور
* کار بر روی حجم رو به رشد انتشارات علمی که از روش های کمی استفاده می کنند
* توسعه و‌ پیاده سازی راه حل های هوش مصنوعی و یادگیری ماشین برای مدیریت و بازیابی اطلاعات.

معتقدم که همراه بودن رشته علم اطلاعات و دانش شناسی در امتداد علوم رایانه، ضروری است. تاثیر دگرگون کننده علوم رایانه بر جامعه، ایجاب می کند که رشته علم اطلاعات و‌ دانش شناسی نیز مشابه با آن، تفکر محاسباتی و فناوری ها را در کانون برنامه های درسی خود قرار دهد. منظورم این است، همان طوری که علوم کامپیوتر برای در بر‌گرفتن تخصص های مختلف و پاسخگویی به طیف وسیعی از نیازهای اجتماعی تکامل یافته است، علم اطلاعات و‌ دانش شناسی نیز برای استفاده از ابزارها و‌ تکنیک های محاسباتی به منظور پرداختن به چالش ها و فرصت های عصر اطلاعات، باید تکامل یابد.

برای پرداختن به این مسایل، کمیته برنامه ریزی وزارت عتف و گروه های آموزشی در دانشگاه ها ضروری است اصلاح برنامه های درسی جامعی را در سطوح مختلف در نظر گیرند که شامل موارد زیر است:

۱- تقویت مولفه های ریاضی و آماری برنامه های درسی، به طور بالقوه از طریق دوره های اختصاصی یا ادغام روش های کمی در موضوعات مختلف.

۲- معرفی مفاهیم اصلی و کاربردهای هوش مصنوعی و یادگیری ماشین در مدیریت، بازیابی و تجزیه و تحلیل اطلاعات

۳- ارایه آموزش های عملی در تجزیه و تحلیل داده ها و ابزارهای جستجو

۴- ترکیب اصول معماری اطلاعات، طراحی تجربه کاربر و مدیریت دیجیتال

۵- پرداختن به مسایل امنیت سایبری، حریم خصوصی داده ها در مدیریت اطلاعات

۶- تقویت همکاری های بین رشته ای با علوم رایانه و سایر بخش های مربوطه برای اطمینان از فرصت های یادگیری بین رشته ای

۷- بازنگری در سیاست های پذیرش دانشجو برای اطمینان از این که ورودی ها دارای مهارت های اساسی لازم برای موفقیت در یک برنامه کمی گرا هستند.