آمار
| تعداد نشریات | 54 |
| تعداد شماره‌ها | 2,671 |
| تعداد مقالات | 37,724 |
| تعداد مشاهده مقاله | 20,438,817 |
| تعداد دریافت فایل اصل مقاله | 9,573,964 |
سوگیری الگوریتمی در تحلیل داده‌های تاریخ اهل بیت (ع): بررسی موردی واقعه عاشورا | ||
| تاریخ اسلام | ||
| دوره 26، شماره 4، دی 1404، صفحه 78-57 اصل مقاله (2.67 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22081/hiq.2025.72018.2457 | ||
| نویسندگان | ||
| علی عزتی* 1؛ اکبر باقری2؛ مهدی اسماعیلی3؛ حامد قرائتی4 | ||
| 1دکتری، گروه تاریخ تشیع، دانشگاه ادیان و مذاهب، قم، ایران | ||
| 2استادیار، گروه تاریخ تشیع، دانشگاه ادیان و مذاهب، قم، ایران | ||
| 3دانشیار، گروه هوش مصنوعی، واحد کاشان، دانشگاه آزاد اسلامی، کاشان، ایران | ||
| 4استادیار، گروه شیعه‌شناسی، دانشگاه باقرالعلوم(ع)، قم، ایران | ||
| تاریخ دریافت: 31 تیر 1404، تاریخ بازنگری: 02 اسفند 1404، تاریخ پذیرش: 09 مهر 1404 | ||
| چکیده | ||
| چکیده مبسوط: تاریخ اهل بیت(ع)، به‌مثابه یکی از غنی ترین و مهمترین شاخه‌های تاریخ اسلام، دربردارنده لایه‌ها و زمینه های پیچیده‌ای از مفاهیم مختلف است که در طول قرون متمادی در تعامل با شرایط اجتماعی و حوادث سیاسی شکل گرفته و در میراث روایت‌شده این مکتب ثبت شده است. این گستر دگی لایه ها، تحلیل داده‌های مربوط را به فرآیندی حساس و چندوجهی بدل کرده است که در آن فهم زمینه‌های فرهنگی و ایدئولوژیک، تفسیر ظرایف متنی و دقت در انتخاب منابع -که اغلب متضمن رویکرد اعتقادی و تفسیری است- نقشی تعیین‌کننده داشته ومنجر به حجم وسیعی از اطلاعات شده است. این حجم وسیع و متنوع، چالش های قابل توجهی برای پردازش های انسانی ایجاد نموده است. در دهه اخیر، تحولات علمی و فناوری نوین، به ویژه در حوزه هوش مصنوعی، به گونه‌ای گسترده وارد عرصه مطالعات علوم انسانی شده‌اند. ورود فناوری‌های نوظهور به حوزه مطالعات تاریخی، به‌ویژه بهره‌گیری از الگوریتم‌های هوش مصنوعی در تحلیل متون و داده‌های تاریخی، افق‌های جدیدی را پیش روی پژوهشگران گشوده است. توانایی پردازش انبوه داده، کشف الگوهای پنهان، بازسازی شبکه‌های ارتباطی تاریخی و حتی شبیه‌سازی رویدادها از جمله ظرفیت‌هایی است که این فناوری در اختیار محققان می‌گذارد. با وجود این فرصت های بی بدیل، خطرات و آسیب‌هایی نیز بروز نموده که از مهمترین آن‌ها، پدیده «سوگیری الگوریتمی» است. مسأله این پژوهش این است که سوگیری الگوریتمی در حوزه مطالعات تاریخ اهل بیت(ع)، یا پدیده «سامتا» چگونه می توانند به تحریف یا کاهش واقعیت‌های تاریخی منتهی شده و روایت‌های جانبدارانه در سطوح کلان‌تر بازتولید کنند. این پژوهش با هدف شناسایی گونه‌های مختلف سوگیری الگوریتمی در تحلیل داده‌های تاریخ اهل بیت (ع) و ارائه چارچوبی عملی برای کاهش آن‌ها طراحی و اجرا شده است. برای این منظور، یک مطالعه موردی دقیق بر روی واقعه عاشورا – به‌عنوان نقطه اوج تاریخی و معنوی تاریخ اهل بیت علیهم السلام– انتخاب شد. در این روش طیفی از مدل های هوش مصنوعی گزینش گردید. پاسخ‌ها در پنج محور کلیدی شامل: شناسایی مفاهیم کلیدی، بررسی زمینه تاریخی، ارزیابی روشی، تحلیل روان‌شناختی و تحلیل گفتمان انتقادی، تفکیک و کدگذاری گردید. از مقایسه تطبیقی پاسخ‌ها و اعتبارسنجی خروجی‌ها بر اساس منبع «الارشاد» شیخ مفید و تحلیل انتقادی و میان‌رشته‌ای داده‌ها، پنج نوع سوگیری (تاریخی، نمونه‌برداری، تأیید، الگوریتمی-فنی و سوگیری فرهنگی-ایدئولوژیک) مشخص شد. یافته‌ها نشان داد که هر یک از این انواع سوگیری ها، درخورِ تحلیل بومی و انتقادی است. به‌عنوان نمونه، برخی مدل‌ها؛ روایت‌های خطی و غیرانتقادی ارائه دادند که اغلب به ترتیب زمانی وقایع بسنده می‌کرد و از نقد روایات و بررسی اسناد غافل می‌ماند. در مقابل، مدل های دیگری، روایتی با تأکید بر ساختار قدرت و شکاف‌های اجتماعی-سیاسی ارائه کرد که خود بازتاب‌دهنده سوگیری خاص موجود در داده‌های آموزشی آن بود. همچنین، نمونه‌هایی از سوگیری نمونه‌برداری مشاهده شد که گروهی از مدل‌ها به‌دلیل اتکای تقریباً انحصاری بر منبع «الارشاد» عملاً روایت‌های غیرشیعی را حذف یا کم‌رنگ کرده بودند. مواردی از سوگیری تأیید نیز مشهود بود که در آن، مدل‌ها صرفاً بازتولیدکننده گفتمان رایج معاصر در محیط توسعه خود بودند و رویداد بزرگ عاشورا را عمدتاً در قالب «الگوی مقاومت در برابر ظلم» تفسیر کرده و به پیچیدگی‌های تاریخی بی‌اعتنا ماندند. افزون بر این، محدودیت‌های فنی مانند سقف طول متن خروجی، منجر به تحلیل‌های سطحی یا تک‌بعدی شده بود. در این میان، اثر ساختار و جامعه سازنده برجسته بود: فرهنگ و ارزش‌های غالب در بستر توسعه، نوع رویکرد به واقعه عاشورا و انتخاب عناصر تاریخ‌نگاری را به‌طرز محسوس شکل می‌داد. همچنین، ترکیب منابع تغذیه – از متون کلاسیک اسلامی تا منابع دیجیتال غیراختصاصی – به‌طور مستقیم بر زاویه دید و اولویت‌های تحلیلی مدل‌ها اثر گذاشت. بر اساس تحلیل نتایج، چارچوبی راهبردی با عنوان «مهند» برای کاهش سوگیری الگوریتمی در تحلیل داده‌ها تدوین شد. این چارچوب، با انتخاب آگاهانه و جامع منابع، بومی‌سازی الگوریتم‌ها، مشارکت مستمر بین رشته‌ای، اعتبارسنجی چندلایه و طراحی پروتکل‌های اخلاقی و دینی، منجر به ارائه راهکارهایی نظام‌مند و بومی گردید که می‌تواند مبنای به‌کارگیری مسئولانه هوش مصنوعی در مطالعات این حوزه قرار گیرد. اهمیت چارچوب مهند نه‌تنها در بهبود صحت تحلیل‌های هوش مصنوعی در مطالعات تاریخی شیعه و اهل بیت(ع) است، بلکه در پیشگیری از انحرافات روایی و حفظ میراث فرهنگی و اعتقادی تشیع نیز نقشی اساسی ایفا می‌کند. در نهایت، این پژوهش اثبات می‌کند: استفاده از هوش مصنوعی در تاریخ اهل بیت(ع)، اگر با رویکرد انتقادی، اخلاقی و میان‌رشته‌ای همراه شود (همانند رویکرد مهند) نه‌تنها از آسیب سوگیری‌ها می‌کاهد، بلکه ابزاری ارزشمند برای بازشناسی دقیق و عمیق‌تر حقایق تاریخی خواهد بود. | ||
| کلیدواژه‌ها | ||
| تاریخ اهل بیت(ع)؛ هوش مصنوعی؛ سوگیری الگوریتمی(سامتا)؛ واقعه عاشورا؛ داده‌های تاریخی؛ بومی‌سازی الگوریتم؛ آسیب شناسی تاریخی؛ چارچوب مهند (داده های پنج محوری)؛ کارگروه مُهَنّا (مورخ هوشمند اسلامی)؛ مهندسی اعتبار | ||
| عنوان مقاله [English] | ||
| Algorithmic Bias in Shiite History Data Analysis: A Case Study | ||
| نویسندگان [English] | ||
| Ali Ezzati1؛ Akbar Bagheri2؛ Mahdi Esmaeili3؛ Hamed Gherati4 | ||
| 1Ph.D., Department of Shi'a History, University of Religions and Denominations, Qom, Iran | ||
| 2Assistant Professor, Department of Shi'a History, University of Religions and Denominations, Qom, Iran. | ||
| 3Associate Professor, Department of Artificial Intelligence, Kas.C., Islamic Azad University, Kashan, Iran. | ||
| 4Assistant Professor, Department of Shi'a Studies, Baqir al-Olum (AS) University, Qom, Iran. | ||
| چکیده [English] | ||
| Abstract The history of Shia Islam, as one of the richest and most complex fields of historical studies, possesses unique characteristics that necessitate a multidisciplinary and specialized approach to its analysis. These characteristics encompass theological, cultural, political, and social dimensions, which have evolved over centuries and are reflected in Shia texts, narratives, and traditions. As an independent subject within religious and cultural studies, distinct from just a branch of Islamic history, the history of Shia Islam requires a profound and specific understanding of cultural and social contexts and developments. In recent years, Artificial Intelligence (AI) has emerged as a novel tool for analyzing historical data, offering the ability to process vast amounts of information and identify hidden patterns. This technology allows researchers to analyze data with greater speed and accuracy, facilitating the discovery of historical trends and connections. However, the application of AI in the field of Shia history comes with several challenges that must be carefully examined. One of the most significant challenges is algorithmic bias, which can lead to inaccurate and skewed interpretations of historical events and figures. Algorithmic bias occurs when algorithms, due to the use of incomplete, unreliable, or biased data, produce results that do not align with historical reality. This issue is particularly critical in the context of Shia history, as the data and texts in this field have unique characteristics that require deep and specialized understanding. This research aims to identify algorithmic biases in the analysis of historical data related to Shia Islam and to provide practical solutions for mitigating these biases. The main objective is to present a model for historical analyses of Shia Islam produced by AI, in which biases are identified and reduced. To this end, the research examines various AI models and their impact on historical analyses, identifying the specific challenges that exist in this area. The findings of the research indicate that designing an interdisciplinary framework—including the use of reliable Shia data, localization of algorithms, and active participation of history experts—can help reduce biases and increase the accuracy of analyses. This framework may include training researchers on cognitive biases, forming multidisciplinary research teams, and using more advanced machine learning techniques. In this regard, researchers seek a deeper understanding of the historical and cultural infrastructures of Shia history to achieve more accurate analyses using AI. In particular, this research emphasizes that maintaining and emphasizing the importance of human interpretation in historical analyses is essential, as human interpretation can aid in a deeper understanding of historical complexities and prevent the semantic distortion of data. Furthermore, the results of this research can contribute to enhancing the quality of historical research and preventing the semantic distortion of data. Researchers can achieve more accurate historical analyses by following the frameworks presented in this research, resulting in a better understanding of the history of Shia Islam and its developments. Overall, this research can serve as a useful guide for researchers and scholars of Shia history, helping them to achieve deeper and more accurate analyses by utilizing AI and novel techniques. This not only enriches the historical and cultural narrative of Shia history and aids in a better and deeper understanding of this history but can also serve as a model for other historical fields. | ||
| کلیدواژه‌ها [English] | ||
| History of Ahl al‑Bayt (PBUH), Artificial Intelligence (AI), Algorithmic Bias (SAMTA Framework), The Event of Ashura, Historical Data, Algorithm Localization, Historical Pathology, MAHAND Framework (Five‑Axis Data Model), MOHANNA Task‑Group (Islamic Intelligent Historian), Reliability Engineering | ||
| مراجع | ||
|
آنیلی، ادواردو (۱۴۰۴). اسلام دین ناشناخته. ترجمه علیرضا تقی‌پور. تهران: نشر نی.
تیم تحریریه، کاهش سوگیری و ارتقای عدالت در عرصه هوش مصنوعی. (۱۴۰0). برگرفته از مجله اینترنتی همیار. قابل دسترس در: https://hamyaar.ir/p/jf22
حیدری‌آقایى، محمود؛ خانجانى، قاسم؛ فلاح‌زاده، حسین؛ محمدى، رمضان (۱۳۹۷). تاریخ تشیع: حضور امامان معصوم(ع). تهران: سمت، ج1.
رحمتی، حسینعلی (۱۴۰۳). چالش‌های فراروی اخلاق دینی در عصر فناوری. قم: پژوهشگاه قرآن و حدیث.
شیخ مفید (1363). الارشاد. بی‌نا، ج۲.
قائمی‌نیا، علیرضا (۱۴۰۳). هوش مصنوعی در چه زمینه‌هایی ناتوان است؟ قم: پایگاه فکر و فرهنگ مبلغ.
مقدم‌فر، عطیه (۱۴۰۳). بررسی فرصت‌ها و چالش‌های هوش مصنوعی در مطالعات علوم انسانی و اسلامی. هوش مصنوعی و مطالعات اسلامی، ۲(1)، ص۴۵-۶۷.
نیک‌روش، فرزانه (۱۴۰۰). آسیب‌شناسی داده‌های تاریخ‌نگاری با استفاده از هوش مصنوعی. تهران: نشر نی.
Anderson, J. & Rainie, L. (2020). Artificial Intelligence and the Future of Humans. Pew Research Center. Barocas, S. & Selbst, A.D. (2016). Big data’s disparate impact. California Law Review, 104(3), p. 671-702.
Benis, A. (2018). Ethical and Cultural Challenges in Using Artificial Intelligence in the Analysis of Religious Texts and Historiography. Journal of Religious Ethics, 46(4), p. 698–722.
Benis, A. (2018). Ethical and cultural challenges in using artificial intelligence in the analysis of religious texts and historiography. Journal of Religious Ethics, 46(2), p. 256–278.
Bentley, M. (2005). Modern Historiography: An Introduction. Routledge.
Binns, R. (2018). Fairness in machine learning: Lessons from political philosophy. In: Proceedings of the 2018 Conference on Fairness, Accountability, and Transparency.
Broussard, M. (2018). Artificial Unintelligence: How Computers Misunderstand the World. MIT Press.
Cambria, E. & White, B. (2014). Jumping NLP Curves: A Review of Natural Language Processing Research. IEEE Computational Intelligence Magazine.
Cohen, A. (2019). The application of artificial intelligence in the historiography of Judaism and Islam. Middle Eastern Studies, 55(2), pp. 245–263
Donovan, T. (2023). Artificial Intelligence and the Future of History. Oxford University Press.
Floridi, L. (2019). The Ethics of Artificial Intelligence. Oxford University Press.
Friedman, B. & Nissenbaum, He. (1996). Bias in computer systems. Stanford Law Review, 49(1), p. 1–61.
Graham, Sh., Milligan, I. & Weingart, S. (2016). Exploring Big Historical Data: The Historian’s Macroscope. Imperial College Press.
Harris, J.G. & Jones, M. (2018). A framework for improving the quality of research in information systems. Information Systems Journal, 28(3), p. 252-267.
Howell, M. & Prevenier, Wa. (2001). From Reliable Sources: An Introduction to Historical Methods. Cornell University Press.
Marr, B. (2018). Artificial Intelligence in Practice. Wiley.
Mehrabi, N., Morstatter, F., Saxena, N., Lerman, K. & Galstyan, A. (2021). A survey on bias and fairness in machine learning. ACM Computing Surveys, 54(6), p. 1-35.
Mittelstadt, B.D. (2019). Principles Alone Cannot Guarantee Ethical AI. Nature Machine Intelligence, 1(11), p. 501-507.
Noble, S.U. (2018). Algorithms of Oppression: How Search Engines Reinforce Racism. NYU Press.
Shan, S. & et al. (2023). Data poisoning attacks on large-scale AI models used in digital archives. Proceedings of the 2023 IEEE Symposium on Security and Privacy (SP), p. 345-362. IEEE. Terras, M. (2012). Digitization and Digital Resources in the Humanities. Routledge.
Zarifian, P. (2020). Education and Technology: Challenges in the Islamic World. International Journal of Islamic Education, 5(2), p. 101-115. | ||
|
آمار تعداد مشاهده مقاله: 623 تعداد دریافت فایل اصل مقاله: 313 |
||