الاستدلال السببي بالاستيعاب

لماذا يهم تتبُّع الأسباب إلى الوراء

عندما نسأل ما الذي سبّب عاصفة أو انهيار سوقي أو نوبة، نعود عادة إلى الماضي ونحاول ربط النقاط. ومع ذلك، فإن معظم الأدوات الرياضية لـ «الاستدلال السببي» تعمل فعلياً إلى الأمام في الزمن: تسأل كيف تشكل ظروف اليوم نتائج الغد، غالباً كمعدّل عبر سجلات طويلة. يعرض هذا المقال طريقة جديدة تفكر بصورة معكوسة على نحو أقرب إلى حدسنا. يقدم إطار العمل المسمى الاستدلال السببي بالاستيعاب (ACI)، وهو إطار يستخدم تقنيات شبيهة بتقنيات توقع الطقس لتتبع الأسباب إلى الوراء من آثارها المرصودة، لحظة بلحظة، حتى في أنظمة معقدة وضوضائية مثل المناخ أو الدماغ.

زاوية جديدة على السبب والنتيجة

تقليدياً تصنّف طرق السببية إلى معسكرين. تعتمد التقنيات القائمة على البيانات على البحث عن أنماط في سلاسل زمنية متعددة المتغيرات الطويلة، متسائلةً عمّا إذا كان إضافة معلومات عن متغير ما تحسّن تنبؤات متغير آخر. أما المناهج المعتمدة على النماذج، الشائعة في الفيزياء والمناخ، فتستخدم معادلات وتديرها إلى الأمام من نقاط بداية مختلفة قليلاً لمعرفة كيف تتغير النتائج. كلتا الاستراتيجيتين لهما نقاط ضعف: تصعب عليهما العلاقات سريعة التغير، أو السجلات القصيرة، أو الأنظمة عالية الأبعاد جداً. يتخذ ACI مساراً مختلفاً، فهو يعتبر السببية مشكلة عكسية: بدلاً من دفع الأسباب للأمام لرؤية آثارها، يسحب المعلومات إلى الوراء من الآثار المرصودة لاستنتاج الأسباب الأكثر احتمالاً. ولتحقيق ذلك يعتمد على الاستيعاب البايزي للبيانات، نفس عائلة الطرق المستخدمة لدمج نماذج الطقس مع الملاحظات الجديدة.

عملياً يفترض ACI أنه يمكننا رصد متغير «تأثير» واحد على الأقل عبر الزمن وأن لدينا نموذجاً رياضياً (قد يكون مضطرباً وعشوائياً) يصف تداخل متغيرات النظام. حتى إذا لم تُقاس بعض الأسباب المحتملة مباشرةً، فإنها ممثَّلة داخل النموذج. يستخدم ACI نكهتين من تقدير الحالة الشائعة في الاستيعاب: التصفية (filtering)، التي تقدر الحالة بالاعتماد على البيانات حتى الحاضر، والتمليس (smoothing)، الذي يستفيد أيضاً من بيانات المستقبل. إذا أدى إضافة معلومات مستقبلية عن التأثير المرصود إلى تضييق تقديراتنا لسبب مرشّح في لحظة معينة بشكل حاد، يفسر ACI هذا الانخفاض في عدم اليقين كدليل على أن المرشّح أثّر فعلاً في ذلك الوقت.

متابعة الأدوار المتغيرة عبر الزمن

قوة رئيسية في ACI أنه يتتبع العلاقات السببية أثناء تطورها. تعرض العديد من الأنظمة الواقعية خاصية التقطع: فترات هادئة طويلة مقطوعة بنوبات من النشاط المكثف، حيث يمكن أن تتبادل المحركات والمستجيبات الأدوار. يوضّح المؤلفون ذلك باستخدام نموذج مضغوط من متغيرين يحاكي تذبذب الغلاف الجوي وحوادثه الشديدة العرضية. في هذا المثال يُرصد متغير واحد فقط. يكشف ACI متى يصبح المتغير الشريك الخفي مؤقتاً مصدر «مضاد للتخميد» يضخ طاقة إلى المتغير المرصود مسبباً انحرافات كبيرة. خلال هذه المراحل يرتفع مقياس ACI وتمتد النفوذ المستنتج بعيداً إلى المستقبل. بمجرد أن يبلغ الحد الأقصى للحدث الشديد ويبدأ المتغير المرصود في الانحلال، ينهار تأثير المتغير الخفي، مشيراً إلى تبدل في الأدوار: حيث يصبح التأثير السابق الآن مُخمِّداً قوياً لسابقه.

للخروج عن السؤال البسيط «من يؤثر في من»، يقدم ACI مقياس نطاق النفوذ السببي (CIR). يجيب هذا المقدار على نسخة زمنية من سؤال مألوف: إلى متى يشكّل سبب معين مستقبل التأثير بشكل ذي معنى؟ تقنياً، يُعرّف CIR من خلال مراقبة مدى سرعة تشبّع فائدة إضافة ملاحظات مستقبلية إضافية. إذا كانت البيانات الجديدة البعيدة في الزمن تكاد لا تحسّن تقديرنا لسبب سابق، يُعتبر تأثيره قد تلاشى. يقترح المؤلفون كل من CIRs المعتمدة على عتبات («ذاتيّة») وCIR «موضوعي» يُعدّل عبر جميع العتبات، بما يشبه إلى حد كبير كيف يحوّل الفيزيائيون الارتباطات المزعجة إلى زمن فك ارتباط واحد. هذا يوفر طريقة مستندة إلى رياضيات للحديث عن المدى الزمني الذي تنتشر خلاله التأثيرات السببية.

اختبار الطريقة على أحداث مناخية قصوى

بعد ذلك يطبّق البحث ACI على نموذج أكثر واقعية ذو ستة متغيرات لتذبذب النينيو–الجنوبي (ENSO)، وهو ظاهرة مناخية تعيد تشكيل الطقس العالمي بتسخين وتبريد دوري لمحيط الهادئ الاستوائي. يعيد هذا النموذج المفاهيمي تنويع أحداث النينيو، بما في ذلك الأحداث المتمركزة في المحيط الهادئ الشرقي أو المركزي، إلى جانب نظيراتها لظاهرة لا نينيا. باستخدام بيانات تركيبية من النموذج، يفحص المؤلفون كيف تتضافر مكوّنات فيزيائية مختلفة—درجات حرارة سطح البحر في المحيط المركزي، عمق طبقة المياه الدافئة في الغرب، والرياح المتقلبة بسرعة—لفرض شذوذات الحرارة في المحيط الهادئ الشرقي، وهي السمة المميزة للنينيو.

يكشف ACI صورة دقيقة زمنياً متوافقة مع نظرية ENSO الراسخة. في أحداث النينيو القوية المتمركزة شرقياً، تظهر درجات حرارة المحيط المركزي كقائد سببي مهيمن، مع ذروة إشارة ACI قبل ذروة التسخين الشرقية بقليل، مما يعكس الانتشار الشرقي للمياه الدافئة. تُظهر شذوذات الرياح تأثيراً أكثر ضوضاءً لكن متيناً وفورياً تقريباً، بما يتوافق مع دورها في دفع المياه الدافئة وتغيير تبادل الحرارة. تغيّرات الحبكة الحرارية في غرب المحيط، رغم أهميتها، تمارس تأثيراً أكثر تبعياً ومبكراً: قيم ACI لها تبلغ ذروتها قبل شهور من الحدث، بما يردّد منظور «الشحن–التفريغ» حيث يتراكم الحرارة تحت السطح، يؤثر على درجات الحرارة المركزية، ثم يصل لاحقاً إلى الشرق. تقيس تقديرات CIR هذه الاختلافات: تحافظ درجات الحرارة المركزية على أطول مدى سببي، والرياح على الأقصر، وعمق الركيزة تحت السطح على مدى وسيط. اللافت أنه عندما يُطبَّق ACI على ملاحظات ENSO الحقيقية المتفرقة باستخدام نموذج غير كامل، فإنه لا يزال يستعيد أنماط سببية متقاربة نوعياً.

نظرة إلى الأمام: استخدامات أوسع وأسئلة مفتوحة

خارج هذه الاختبارات، يجادل المؤلفون بأن ACI مناسب للعديد من الأنظمة المعقدة حيث لا تتوافر إلا تحقيقات فردية وسجلات قصيرة، لكن يوجد بعض النموذج للديناميكيات—أمثلة تشمل المناخ واسع النطاق، الشبكات الإيكولوجية، الدماغ، وحتى البنى التحتية الهندسية. وبما أن ACI يمكنه دمج تقنيات استيعاب قائمة على التجمّعات بكفاءة، فقد صُمم ليتوسع إلى مشكلات عالية الأبعاد جداً، متجنّباً بعض لعنة البُعد التي تعيق طرق تدفّق المعلومات التقليدية. كما يمتد الإطار إلى حالات وجود العديد من المتغيرات «الخلفية» عبر إزالة عدم اليقين في ملاحظاتها بعناية من التحليل، حتى لا تكون الروابط السببية المستنتجة مجرد آثار جانبية لتأثيرات مشتركة أو وسائط.

ماذا يعني هذا بكلمات بسيطة

بلغة يومية، يقدم ACI طريقة لرصد الأسباب أثناء عملها في الزمن الحقيقي، بدلاً من تكميمها في مخطط ثابت. باقتباس أدوات من توقع الطقس، يطرح سؤالاً عملياً: هل معرفة ما سيحدث لكمية قابلة للملاحظة في المستقبل القريب تساعدنا في تحديد ما كان يفعله محرك غير مرئي قبل قليل؟ إذا كانت الإجابة نعم، يصنّف ACI ذلك المحرك كسبب في تلك اللحظة ويقدّر كم يدوم أثر بصمته. يحول هذا المنظور الرجوعي القائم على عدم اليقين السببية إلى إشارة قابلة للقياس في أنظمة معقدة وضوضائية. ورغم أن تحديات تبقى—خصوصاً التعامل مع النماذج غير الكاملة وضوضاء القياس—يفتح النهج طريقاً نحو تفسيرات أكثر دقة وذات دقة زمنية للأحداث القصوى في المناخ ومجالات أخرى حيث أن فهم من دفع من، ومتى، قد يكون له تبعات عملية كبيرة.

الاستشهاد: Andreou, M., Chen, N. & Bollt, E. Assimilative causal inference. Nat Commun 17, 1854 (2026). https://doi.org/10.1038/s41467-026-68568-0

الكلمات المفتاحية: الاستدلال السببي, الاستيعاب البايزي للبيانات, الأنظمة الدينامية المعقدة, أحداث المناخ القصوى, تذبذب النينيو الجنوبي