في خضم الأزمات العالمية، لعبت البيانات دورًا حاسمًا في صياغة القرارات السياسية. تتناول هذه الدراسة مثير للاهتمام التحليل المقارن بين التعلم القائم على الأسباب (Causal Learning) والاقتصاد القياسي (Econometrics) في سياق الحصول على المعرفة من البيانات الزمنية وأثرها على السياسات المتعلقة بجائحة كورونا في المملكة المتحدة.

يتناول التعلم القائم على الأسباب كيفية استعادة الهياكل الرسومية التي تعكس العلاقات المحتملة بين الأسباب والنتائج، غالبًا في سياق البيانات اللحظية. ومع ذلك، لا تزال هناك حاجة ملحة لاستكشاف كيفية تطبيق هذه الأساليب على البيانات الزمنية.

تقدم الدراسة مقارنة بين أربع طرق اقتصادية و11 خوارزمية تعلم قائم على الأسباب، حيث يتم تقييم أداء هذه الطرق في مساعدة صانعي السياسات على فهم الديناميكيات المعقدة التي تميز أزمة الصحية العامة.

أظهرت النتائج أن الطرق الاقتصادية توفر قواعد واضحة للهياكل الزمنية، بينما توفر خوارزميات التعلم القائم على الأسباب اكتشافًا أوسع يمنح القدرة على استكشاف المزيد من الهياكل الرسومية، مما يؤدي غالبًا إلى نتائج أكثر كثافة ودقة.

من خلال تقديم الشيفرة البرمجية التي تمنح المستخدمين القدرة على تطبيق النتائج المستخلصة من الاقتصاد القياسي، تسعى هذه الدراسة إلى صياغة المفاهيم بطريقة تجعل البيانات أكثر قابلية للاستخدام في إطار اتخاذ القرار. في النهاية، تساعد هذه المقارنة الباحثين وصانعي السياسات على فهم التطبيق العملي لهذه الأساليب في مواجهة التحديات العالمية مثل وباء كوفيد-19.