فروپاشی استانداردهای اندازه‌گیری: وقتی داده‌های مغزی با واقعیت همخوانی ندارند

شکاف عمیق میان تئوری‌های روان‌شناختی و تحلیل‌های نوروساینس

در دنیای فناوری و زیرساخت، ما همواره بر اساس داده‌های دقیق (Metric-driven) تصمیم‌گیری می‌کنیم. اگر مانیتورینگ سیستم (Monitoring) نشان دهد که پرفورمنس سرور در یک ناحیه (Region) خاص افت کرده است، آن را به عنوان یک واقعیت مطلق می‌پذیریم. اما در دنیای پیچیده علوم شناختی، داستان به مراتب بغرنج‌تر است. انتشار یک مطالعه ساختارشکن در ژورنال معتبر Nature (Nature Journal) نشان داد که ابزارهای اندازه‌گیری ما برای یکی از کلیدی‌ترین عملکردهای مغز، یعنی «بازارزیابی شناختی» (Cognitive Reappraisal)، به طرز عجیبی با هم در تضاد هستند. این یعنی ما در حال استفاده از سیستم‌های اندازه‌گیری هستیم که خروجی‌های متناقض تولید می‌کنند؛ وضعیتی که در مهندسی نرم‌افزار، معادل کار با لاگ‌های فاسد و غیرقابل استناد است.

چرا متدولوژی‌های فعلی شکست خورده‌اند؟

محققان در این پروژه عظیم بین‌المللی، سه شاخص اصلی را بررسی کردند: پرسشنامه‌های ویژگی‌سنجی (Trait Questionnaires)، رتبه‌بندی‌های رفتاری پس از انجام وظیفه (Task-based Affective Ratings) و کاهش فعالیت آمیگدال (Amygdala Down-regulation). فرض اولیه جامعه علمی این بود که این سه روش، وجوه مختلفی از یک توانمندی واحد را نشان می‌دهند. اما تحلیل دقیق ۴۰ مجموعه داده fMRI نشان داد که این فرض، یک خطای محاسباتی بزرگ بوده است. درست مانند تفاوت میان زمان پاسخگویی (Latency) در لایه اپلیکیشن با زمان پاسخگویی در لایه دیتابیس، این سه ابزار در سطوح کاملاً متفاوتی عمل می‌کنند و هیچ همبستگی آماری قابل اتکایی بین آن‌ها وجود ندارد.

چالش داده‌های حجیم و خطاهای آماری در fMRI

یکی از نکات فنی بسیار مهم در این گزارش، بحث «توان آماری» (Statistical Power) است. محققان متوجه شدند که برای تشخیص تغییرات کوچک در فعالیت مغزی، به نمونه‌ای بیش از ۱۱۰۰ شرکت‌کننده نیاز است؛ رقمی که در اکثر مطالعات fMRI فعلی دست‌نیافتنی است. این موضوع من را به یاد چالش‌های مقیاس‌پذیری در زیرساخت‌های ابری می‌اندازد. زمانی که حجم داده (Data Volume) کافی نباشد، نویز (Noise) بر سیگنال اصلی غلبه می‌کند. در این مطالعه، حتی زمانی که داده‌ها به حد کافی بزرگ بودند، نتایج به‌دست‌آمده با تئوری‌های قبلی همخوانی نداشت. این یعنی مدل‌های ما درباره نحوه واکنش «آمیگدال» (Amygdala) به پردازش‌های احساسی، احتمالاً بیش از حد ساده‌انگارانه بوده‌اند.

بازتعریف استانداردها در تحلیل‌های رفتاری و عصبی

یافته‌های این مطالعه نشان می‌دهد که وقتی فرد در حال تلاش برای مدیریت احساسات خود است، فعالیت در نواحی تصمیم‌گیری مغز به‌جای کاهش، با فعالیت آمیگدال همبستگی مثبت نشان می‌دهد. این دقیقاً برعکس آن چیزی است که دهه‌ها به عنوان یک اصل پذیرفته شده بود. برای ما که در حوزه توسعه وب و زیرساخت کار می‌کنیم، این یافته یک هشدار جدی است: هرگز نباید به خروجی یک ابزار اندازه‌گیری، بدون درک عمیق از زیرساخت‌های نهفته در آن (Underlying Architecture) اعتماد کرد. این مطالعه به ما می‌گوید که بازارزیابی شناختی شاید یک پدیده واقعی باشد، اما ابزارهای کنونی ما برای ردیابی آن، مانند ابزارهای مانیتورینگ قدیمی هستند که فقط «ظاهر» سیستم را نشان می‌دهند و از «باطن» ماجرا بی‌خبرند.

عبور از خطاهای سنجش؛ ضرورت توسعه ابزارهای جدید

نتیجه‌گیری نهایی این مقاله، یک فراخوان برای بازنگری بنیادی است. «الناز صادقی» به عنوان یک معمار سیستم، معتقد است که ما نیاز به متدولوژی‌های جدید و دقیق‌تری داریم که بتوانند لایه‌های مختلف پردازش احساسی را به صورت همزمان و بدون تداخل (Isolation) اندازه‌گیری کنند. ادعاهای قطعی در مورد توانایی تنظیم احساسات یک فرد بر اساس فعالیت یک ناحیه خاص مغزی، از امروز باید با تردید نگریسته شود. برای رسیدن به دقت در علوم انسانی، دقیقاً همان مسیری لازم است که در دنیای دواپس (DevOps) برای مانیتورینگ ابری (Cloud Monitoring) طی کردیم: حرکت از شاخص‌های تک‌بعدی به سمت مشاهده‌پذیری کامل (Full Observability) و درک دقیق تعاملات میان سرویس‌ها.