تقدير المرتبة المئوية لمستوى التعليم على مستوى المجتمع في الصين باستخدام بيانات كبيرة متعددة المصادر وتعلم الآلة

لماذا يهم مستوى التعليم في حيّك

المكان الذي نعيش فيه يشكّل المدارس التي تلتحق بها أطفالنا، وسلامة شوارعنا، وحتى قيمة منازلنا. ومع ذلك، كانت المعلومات الأساسية حول مدى تعلّم الأحياء المختلفة في الصين صعب الحصول عليها لفترة طويلة. تغيّر هذه الدراسة ذلك عبر استخدام صور الأقمار الصناعية، وصور الشوارع، وخوارزميات حاسوبية متقدمة لتقدير المستوى التعليمي النسبي لأكثر من 120,000 مجتمع عبر البلاد، مما يقدّم منظورًا جديدًا حول عدم المساواة الاجتماعية والحياة الحضرية.

النظر إلى ما هو أبعد من سنوات الدراسة

تقارن معظم الإحصاءات مستوى التعليم بحساب عدد السنوات التي قضاها الناس في المدرسة. لكن هذا قد يكون مضلّلًا عبر الأجيال. فقد كان الشهادة الثانوية في وقت ما تضع شخصًا ما بالقرب من قمة فئته العمرية؛ أما اليوم فالكثير من أبنائهم يحملون شهادات جامعية. لذلك يستخدم المؤلفون «المرتبة المئوية التعليمية»، التي تخبرك بمكان الشخص ضمن فئته العمرية، من 0 (الأقل تعلّمًا) إلى 100 (الأكثر تعلّمًا). بهذه الطريقة، يمكن الاعتراف بأن شخصًا مسنًا حاصلًا على متوسط التعليم وشخصًا أصغر سنًا حاصلًا على بكالوريوس يحملان وضعًا اجتماعيًا مشابهًا إذا كان كلاهما، على سبيل المثال، حول المرتبة المئوية الـ70 من جيل كل منهما.

تحويل مناظر المدينة إلى دلائل اجتماعية

لرسم خرائط للمراتب المئوية التعليمية على مستوى المجتمع، استعان الفريق بست موجات من مسح وطني كبير إلى جانب مجموعة واسعة من «البيانات الضخمة» التي تصف البيئة المبنية. نظروا إلى أنواع الأماكن المحيطة بكل حي — متاجر، مدارس، مستشفيات، حدائق، ومكاتب — ومدى كثافة المباني والطرق، ومدى سطوع المنطقة ليلًا من صور الأقمار الصناعية، وعدد الأشخاص المتواجدين عادة. ومن ملايين صور المشهد الشارعي، استخدموا رؤية حاسوبية لقياس المساحات الخضراء، والأرصفة، وحركة المرور، وعلامات الفوضى مثل القمامة أو الكتابة على الجدران، وحتى مدى مظهر الشارع من حيث الثروة أو الأمان للمراقبين البشريين. كما أخذوا في الحسبان الطبوغرافيا، مثل الارتفاع والانحدار، إذ غالبًا ما تتخلف المناطق الوعرة أو النائية عن التنمية.

تعليم الآلات لقراءة المدينة

بوجود هذه المقوّمات، درّب الباحثون نموذجًا قويًا لتعلم الآلة (يسمى XGBoost) ليتعلم الصلة بين السمات الفيزيائية للمجتمع والمتوسط المرجّح للمرتبة المئوية التعليمية لسكانه. أولًا ملأوا الثغرات في بيانات البيئة باستخدام عملية إحصائية دقيقة «للتضمين» حتى لا تحرف القيم المفقودة النتائج. ثم ضبطوا إعدادات النموذج الداخلية عبر مئات جولات التحسين، مقيسين الأداء بمدى قدرة النموذج على التنبؤ بمراتب التعليم لمجتمعات المسح التي لم يرها من قبل. استطاع النموذج النهائي شرح أكثر من 90 بالمئة من الاختلافات بين المجتمعات في بيانات الاختبار، مع أخطاء صغيرة فقط — أداء أقوى من جهود مماثلة في دول أخرى.

ماذا تكشف الخريطة الوطنية الجديدة

مسلحين بالنموذج المُدرّب، قدّر المؤلفون متوسط المراتب المئوية التعليمية لـ122,126 مجتمعًا عبر الصين البرّية في عام 2020، مما غطى معظم الأراضي الحضرية وحوالي 85 بالمئة من السكان. عادةً ما تظهر مراكز المدن كأعلى المناطق تعليمًا، تليها المحاور الثانوية ثم الضواحي البعيدة، رغم أن لكل متروبوليس نمطه الخاص. على سبيل المثال، لا تستضيف قلب بكين التاريخي أعلى المراتب، بينما تنتشر مناطق شنتشن ذات المستوى التعليمي العالي عبر مراكز متعددة. للتحقق من الموثوقية، قارن الفريق تقديراتهم ببيانات التعداد الرسمية وبسجلات خدمات تحديد المواقع المملوكة للشركات حيث توفّرت. على مستوى المحافِظة والبلدية، المناطق ذات المراتب المئوية المتوقعة الأعلى أظهرت أيضًا مزيدًا من سنوات التعليم في التعداد. وعلى مستوى الحي في بكين وقوانغتشو، تتماشى خريطتهم عن كثب مع المعايير الشركاتية والتعدادية على حد سواء.

لماذا يهم هذا في الحياة اليومية

بالنسبة لصانعي السياسات والمخططين والباحثين، يقدّم هذا المجموع البياني المفتوح صورة مفصّلة ومُحدّثة عن الميزة التعليمية والحرمان عبر المدن الصينية. يمكن استخدامه لدراسة مكان تشكّل معاقل الطبقة الوسطى، وإلى أي مدى امتدت عمليات الاستصلاح الحضري، أو أي الأحياء قد تحتاج إلى مدارس أو خدمات اجتماعية أو نقل عام أفضل. بالنسبة للقراء غير المتخصصين، الرسالة الأساسية بسيطة: عبر «قراءة» الشوارع والأضواء والمباني في حيّ ما، يمكن لأدوات البيانات الحديثة أن تقرّب موقع سكانه الاجتماعي بدقة مدهشة. لا تحلّ هذه الدراسة محل التعدادات التقليدية، لكنها توفّر وسيلة سريعة ومنخفضة التكلفة لملء الفراغات فيما بينها وللفهم الأفضل كيف تعكس الأماكن التي نبنيها — وتعمل على تعزيز — انقساماتنا الاجتماعية.

الاستشهاد: Zhang, Y., Pan, Z., You, Y. et al. Community-level education percentile rank estimation in China using multi-source big data and machine learning. Sci Data 13, 304 (2026). https://doi.org/10.1038/s41597-026-06664-y

الكلمات المفتاحية: عدم مساواة في التعليم, المدن الصينية, البيانات الضخمة, تعلم الآلة, الأحياء السكنية