في عالم مليء بالتعقيدات العلمية، توفر النماذج السببية المتغيرة بمرور الوقت (Time-varying causal models) أداة قوية لدراسة الأنظمة الديناميكية. لكن، غالبًا ما تفترض الأساليب الحالية أن الشبكة السببية الأساسية معروفة مسبقًا، وهو فرض غير واقعي في مجالات كثيرة حيث تكون الهياكل السببية غير مؤكدة، تتطور، أو مجرد مرئية بشكل غير مباشر.

للتغلب على هذه القيود، تم تصميم إطار عمل Model DCNAR (Dynamic Causal Network Autoregression)، وهو إطار مبتكر يدمج اكتشاف الأسباب المستند إلى البيانات مع استنتاج الأسباب المتغيرة في الوقت. يتكون هذا النموذج من مرحلتين رئيسيتين:

1. **مرحلة اكتشاف الأسباب**: يستخدم نموذج اكتشاف الأسباب الذاتي (Neural Autoregressive Causal Discovery) لتعلم شبكة سببية موجهة وصغيرة الحجم من بيانات السلاسل الزمنية المتعددة المتغيرة.

2. **مرحلة الاستنتاج الديناميكي**: يُستخدم الهيكل الذي تم تعلمه كمبدأ هيكلي في نموذج الشبكة العصبية الذاتي المتغير الزمني (Time-varying Neural Network Autoregression)، مما يمكن من تقدير التأثيرات السببية بشكل ديناميكي دون الحاجة إلى هيكل شبكة مسبق التحديد.

لقد تم تقييم صحة DCNAR العلمية باستخدام تشخيصات سلوكية تقيم الضرورة السببية، والاستقرار الزمني، والحساسية للتغير الهيكلي، وذلك بدلاً من الاعتماد فقط على دقة التنبؤ.

تشير التجارب على بيانات السلاسل الزمنية متعددة البلدان إلى أن الشبكات السببية المكتشفة تقدم استنتاجات سببية ديناميكية أكثر استقرارًا ومعنىً سلوكيًا بالمقارنة مع البدائل المعتمدة على المعاملات أو الحرة من الهيكل، حتى عندما تكون أداء التنبؤ متقاربة. هذه النتائج تشير إلى أن DCNAR يمكن أن يصبح إطارًا عامًا لاستخدام الذكاء الاصطناعي كأداة علمية للتفكير السببي الديناميكي في ظل عدم اليقين الهيكلي.

ما رأيكم في هذا التطور الملهم؟ شاركونا في التعليقات!