این حوزه با هدف ایجاد مدل‌هایی طراحی شده است که نه‌تنها رفتار مصرف‌کنندگان را پیش‌بینی کنند، بلکه بتوانند منطق و انگیزه‌های پشت این تصمیمات را نیز درک نمایند. برخلاف مدل‌های سنتی که بیشتر به پیش‌بینی مبتنی بر داده‌های گذشته محدود می‌شدند، رویکردهای جدید به دنبال بازسازی مسیرهای شناختی، رفتاری و اقتصادی هستند که منجر به تصمیم‌گیری می‌شوند.

از جمله تکنیک‌هایی که در این زمینه مورد استفاده قرار می‌گیرند می‌توان به مدل‌های زبانی بزرگ (LLMs)، یادگیری تقویتی (Reinforcement Learning)، مدل‌های مبتنی بر عامل (Agent-Based Modeling)، و تحلیل شبکه‌های تصمیم اشاره کرد. این ابزارها به پژوهشگران اجازه می‌دهند که فرآیندهای ذهنی کاربران را در محیط‌های شبیه‌سازی شده بررسی و مدل‌سازی کنند.

کاربردهای این رویکرد محدود به بازارهای مصرفی نیست. در واقع، حوزه‌های خدمات مالی، منابع انسانی، بهداشت و آموزش نیز از مزایای شبیه‌سازی تصمیم‌گیری در طراحی سیاست‌ها و بهینه‌سازی فرآیندها بهره‌مند شده‌اند. به عنوان مثال، در شبکه‌های بانکی، این مدل‌ها می‌توانند برای تحلیل مسیرهای جانشینی مدیریتی، ارزیابی ریسک تصمیمات کلان، و حتی طراحی ساختارهای چابک سازمانی به کار روند.

در ایران نیز با وجود چالش‌های زیرساختی، پژوهش‌هایی در این زمینه در حال شکل‌گیری هستند. یکی از نمونه‌های قابل توجه در این زمینه، پروژه‌ای است که در قالب یک تحقیق دکتری در دانشگاه University of Louisville در ایالات متحده تعریف شده و توسط پژوهشگر ایرانی، دکترای تخصصی در حوزه‌ی هوش مصنوعی، آقای حامد عبادی، در حال انجام است. این پروژه با تمرکز بر شبیه‌سازی تصمیم‌گیری مصرف‌کنندگان، به بررسی راهکارهای تقویت تصمیم‌سازی استراتژیک در سازمان‌ها می‌پردازد.

پایه‌های نظری این پروژه در مطالعات پیشین آقای عبادی در ایران شکل گرفته‌اند. از جمله، مقاله‌ای با عنوان «مدیریت منابع انسانی دیجیتال: رویکردی برای ایجاد چابکی سازمانی در بخش عمومی در عصر اقتصاد دیجیتال» که در آن نقش فناوری‌های دیجیتال در بهینه‌سازی ساختارهای تصمیم‌گیری منابع انسانی بررسی شده است. همچنین در مقاله‌ای دیگر با عنوان «مطالعه پدیدارشناختی انتقال رهبری اجرایی: برنامه‌ریزی جانشینی در بانک‌های تجاری دولتی»، نحوه تأثیر عوامل فرهنگی، اجتماعی و غیررسمی بر تصمیمات مدیریتی تحلیل شده است.

ترکیب این دو رویکرد — یکی مبتنی بر فناوری و دیگری مبتنی بر فهم عمیق انسانی — به شکل‌گیری پروژه‌ای انجامیده که اکنون در تلاش است با استفاده از مدل‌سازی داده‌محور، الگوریتم‌هایی توسعه دهد که بتوانند درک عمیق‌تری از رفتار و تصمیم‌گیری مصرف‌کنندگان ارائه دهند.

یکی از مزیت‌های مهم این نوع مدل‌سازی، امکان اجرای آزمایش‌های رفتاری شبیه‌سازی‌شده است که در دنیای واقعی یا هزینه‌بر هستند یا از نظر اخلاقی قابل اجرا نیستند. این قابلیت به سیاست‌گذاران، طراحان محصول، و مدیران سازمانی کمک می‌کند تا پیامدهای تصمیمات خود را در محیط‌های فرضی اما واقع‌گرایانه ارزیابی کنند.

شایان ذکر است که برخی از نتایج این پژوهش‌ها، به‌ویژه در حوزه‌ی تحلیل رفتار مشتریان و طراحی مسیرهای استراتژیک منابع انسانی، به‌طور مستقیم در شبکه‌های بانکی و سازمان‌های خدماتی در ایران به کار گرفته شده‌اند. این مدل‌ها به بهبود دقت تصمیمات، صرفه‌جویی در منابع، و افزایش اثربخشی سیاست‌های داخلی در برخی نهادها کمک کرده‌اند.

به گفته‌ی یکی از مدیران ارشد منابع انسانی در یکی از بانک‌های دولتی، استفاده از مدل‌های تحلیلی مبتنی بر داده و رفتار، به آن‌ها امکان داده تا در طراحی مسیرهای ارتقاء مدیریتی و شناسایی گلوگاه‌های سازمانی تصمیمات مؤثرتری اتخاذ کنند. هرچند این تغییرات هنوز در مراحل اولیه‌اند، اما نشانه‌هایی از افزایش کارایی و رضایت‌مندی کارکنان در پیاده‌سازی برخی توصیه‌های مدل‌ها گزارش شده است.

از نظر کارشناسان، موفقیت این مدل‌ها در محیط واقعی منوط به تطبیق آن‌ها با زمینه‌های فرهنگی و اجتماعی خاص هر سازمان است. در این مسیر، پژوهشگرانی مانند عبادی که هم با ساختارهای داخلی کشور آشنا هستند و هم به ابزارهای مدرن مدل‌سازی مجهز شده‌اند، می‌توانند نقش کلیدی در بومی‌سازی فناوری‌های پیشرفته ایفا کنند.

در سطح جهانی نیز پژوهش‌های مشابهی در حال گسترش هستند. در اروپا، پروژه‌هایی برای شبیه‌سازی رفتار رأی‌دهندگان در انتخابات، یا تصمیم‌گیری بیماران در مواجهه با توصیه‌های پزشکی در حال اجراست. این روند نشان می‌دهد که مدل‌سازی شناختی بر پایه‌ی هوش مصنوعی، دیگر صرفاً ابزاری برای شرکت‌های فناوری نیست، بلکه به ابزاری کلیدی در حوزه‌ی حکمرانی، سلامت و سیاست عمومی تبدیل شده است.

در نهایت، آنچه این رویکرد را برجسته می‌کند، نیاز روزافزون به تصمیماتی مبتنی بر داده و در عین حال سازگار با واقعیت‌های انسانی است. مدل‌هایی که نه‌تنها خروجی عددی دقیق ارائه دهند، بلکه ساختار منطقی پشت تصمیمات انسانی را نیز قابل تحلیل سازند. این ترکیب میان علم، فناوری و انسان‌محوری، مسیری است که آینده‌ی بسیاری از حوزه‌های کاربردی را شکل خواهد داد.

برگزاری نشست‌ها و دوره‌های مشترک میان دانشگاه‌ها، نهادهای تصمیم‌ساز، و کسب‌وکارها می‌تواند زمینه‌ساز توسعه‌ی بیشتر این حوزه باشد. در ایران نیز با سرمایه‌گذاری هدفمند در پژوهش‌های میان‌رشته‌ای، ظرفیت بالایی برای توسعه این نوع مدل‌ها و بهره‌برداری از آن‌ها در حل مسائل بومی وجود دارد.

در آستانه‌ی تحول دیجیتال و نیاز روزافزون به سیاست‌گذاری منعطف، تلفیق بینش‌های مدیریتی با مدل‌های تحلیلی هوش مصنوعی، می‌تواند فرصت تازه‌ای برای تصمیم‌سازی داده‌محور، قابل توضیح و انسانی‌تر فراهم کند. مسیری که به نظر می‌رسد اکنون نه فقط در آزمایشگاه‌ها، بلکه در ساختارهای واقعی سازمانی در حال گام برداشتن است

منابع:

1. عبادی، حامد. (2021). مدیریت منابع انسانی دیجیتال: رویکردی برای ایجاد چابکی سازمانی در بخش عمومی در عصر اقتصاد دیجیتال (مطالعه‌ای بر شبکه بانکی بخش عمومی).

2. عبادی، حامد. (2023). مطالعه پدیدارشناختی انتقال رهبری اجرایی: برنامه‌ریزی جانشینی در بانک‌های تجاری دولتی.

3. Rahwan, I., Cebrian, M., Obradovich, N., Bongard, J., Bonnefon, J. F., Breazeal, C., ... & Lazer, D. (2019). Machine behaviour. Nature, 568(7753), 477–486. https://doi.org/10.1038/s41586-019-1138-y

4. Tesauro, G. (1995). Temporal difference learning and TD-Gammon. Communications of the ACM, 38(3), 58–68.

5. Russell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.