تصنيف ختان الإناث باستخدام التعلم الآلي في 11 دولة بغرب وشرق أفريقيا باستخدام بيانات المسوح الديموغرافية والصحية

لماذا يهم هذا البحث

في أجزاء من أفريقيا والعالم، لا تزال ملايين الفتيات تواجه ختان الإناث، وهو ممارسة ضارة للغاية لها عواقب جسدية وعاطفية دائمة. الحكومات والمجتمعات ترغب في إنهاءِ هذه الممارسة، لكن الموارد محدودة، وقد يصعب الحصول على بيانات موثوقة تبين أين تكون الفتيات أكثر عرضة للخطر. تُظهر هذه الدراسة كيف يمكن لأدوات اكتشاف الأنماط الحديثة المعروفة بالتعلم الآلي أن تفرز البيانات الكبيرة من المسوح الصحية لتحدد أي الأمهات والأسر والمجتمعات من المرجح أن تستمر في الممارسة — وأين قد تنقذ جهود الوقاية أكبر عدد من الفتيات من الأذى.

فهم ممارسة مخفية

يتضمن ختان الإناث التعمد في إيذاء أو إزالة أجزاء من الأعضاء التناسلية الخارجية للأنثى لأسباب غير طبية. يُعترف به كانتهاك لحقوق الإنسان ويرتبط بمشكلات حادة قصيرة الأمد مثل الألم والنزيف الشديد والعدوى وحتى الوفاة، فضلاً عن مضاعفات طويلة الأمد مثل صعوبات الولادة والعقم والصدمة النفسية. رغم أن العديد من الدول لديها قوانين ضد ختان الإناث، إلا أنه لا يزال شائعًا في أجزاء من دول جنوب الصحراء الأفريقية، حيث قد تسود الضغوط الاجتماعية والتقاليد والمعتقدات الدينية المتعلقة بالزواج على القوانين الرسمية. لتصميم برامج وقاية أكثر ذكاءً، يحتاج متخذو القرار إلى أدوات تكتشف الأنماط فيمن هم الأكثر عرضة للخطر، متجاوزةً المتوسطات الوطنية البسيطة.

بيانات كبيرة من الأسر اليومية

استند الباحثون إلى مسوح ديموغرافية وصحية، وهي دراسات وطنية تمثيلية واسعة تزور آلاف الأسر لتسأل النساء عن حياتهن وصحتهن. جمعوا بيانات المسوح الحديثة (2015–2023) من 62,249 امرأة في 11 دولة عبر شرق وغرب أفريقيا. كن جميعًا في الفئة العمرية 15–49 وكان لكل منهن ابنة على الأقل. سُئلت كل أم عمّا إذا كانت أي من بناتها قد خضعت لختان الإناث. كما جمع الفريق معلومات عن عمر الأم، وما إذا كانت تقيم في منطقة ريفية أم حضرية، ومستواها التعليمي وثروة الأسرة، وهوية رب الأسرة، وما إذا كانت هي نفسها مختونة، والوصول إلى وسائل الإعلام، وبلد الإقامة، ومواقفها ومعتقداتها حول ختان الإناث، بما في ذلك ما إذا كانت تعتبره مطلبًا دينيًا أو تعتقد أنه يجب أن يستمر أو يتوقف. شكّلت هذه العناصر المتعددة من المعلومات المادة الخام لنماذج الحاسوب التي ستتعلم التمييز بين الأسر التي خضعت بناتها للختان وتلك التي لم يحدث فيها ذلك.

تعليم الآلات على تمييز الخطر

لتحويل هذه المجموعة الغنية ولكن الفوضوية من البيانات إلى شيء يمكن للحاسوب التعلم منه، قام الفريق بتنظيف وتوحيد وترميز الإجابات بحيث يمكن للخوارزميات فهم الأرقام والفئات على حد سواء. استخدموا تقنية تسمى SMOTE لضمان ألا تتعلم النماذج ببساطة تفضيل المجموعة الأكبر من الأسر التي لم تُجرَ فيها عمليات ختان. ثم اختبروا سبعة أنواع مختلفة من نماذج التصنيف، بما في ذلك أساليب بسيطة مثل الانحدار اللوجستي ونماذج أكثر مرونة مثل أشجار القرار، والغابات العشوائية، وآلات ناقلات الدعم، وجيران k‑الأقرب، ونايف بايز، وXGBoost. تم تدريب كل نموذج على 80% من البيانات وتقييمه على 20% المتبقية، مستخدمين عدة مقاييس أداء تقيس مدى صحة النموذج، ومدى تجنبه فقدان الحالات الحقيقية، ومدى قدرته على فصل الأسر ذات المخاطر الأعلى عن الأقل.

النموذج المتفوق وما الذي يوجه اختياراته

من بين جميع الأساليب المختبرة، كان نموذج الغابة العشوائية — وهو طريقة تجمع العديد من أشجار القرار في متنبئ واحد أكثر استقرارًا — هو الأفضل أداءً. صنف الأمهات بشكل صحيح في نحو 85% من الحالات وكان قويًا بشكل خاص في التعرف على اللواتي خضعن بناتهن للختان، مع قدرة عالية على تمييز مستويات الخطر عبر السكان. لكن الدقة وحدها لا تكفي؛ فالمسؤولون في الصحة العامة بحاجة أيضًا إلى فهم لماذا يصدر النموذج تنبؤاته. لشرح هذا الصندوق الأسود، استخدم المؤلفون طريقة تفسيرية تُدعى SHAP، والتي تعطي كل عامل مساهمة في قرار النموذج. برزت أربعة عناصر: رأي الأم بشأن استمرار الختان، والبلد الذي تقيم فيه، وما إذا كانت هي نفسها قد خضعت للختان، وما إذا كانت تعتقد أن الممارسة مطلب ديني. كانت الأمهات اللواتي دعمن استمرار ختان الإناث، ويَقمن في دول ذات انتشار مرتفع، أو كنّ مختونات بأنفسهن، أو اعتقدن أن الممارسة مطلوبة دينيًا أكثر احتمالًا بكثير أن يبلغن عن تعرض بناتهن للختان.

من الأرقام إلى العمل

تترجم هذه النتائج إلى إرشادات واضحة للعاملين على إنهاء ختان الإناث. يقترح النموذج أن تغيير المواقف بين الأمهات — لا سيما اللواتي تعرضن للختان بأنفسهن واللواتي يشعرن بضغط ديني للاستمرار — يمكن أن يكون له تأثير قوي على حماية الفتيات. كما يبرز أن خطر الختان يختلف اختلافًا حادًا بين البلدان، مما يؤكد الحاجة إلى استراتيجيات مخصصة لكل بلد بدلاً من حملات موحدة تناسب الجميع. وبينما يحذر المؤلفون من أن بياناتهم المقطعية لا تثبت السببية، وأن أي تصنيفات للمخاطر يجب استخدامها بحذر لتجنب وصم المجتمعات، تُظهر دراستهم كيف يمكن للتعلم الآلي أن يساعد في تحديد الأماكن التي تُحتاج فيها برامج التوعية والمشاركة المجتمعية والتواصل الديني بشكل عاجل. بهذه الطريقة، قد تصبح أدوات البيانات المتقدمة حلفاء هادئين ولكن مهمين في الجهد العالمي لإنهاء ختان الإناث وحماية صحة وحقوق الفتيات.

الاستشهاد: Gebrehana, A.K., Demoze, L., Yitageasu, G. et al. Machine learning based classification of female genital mutilation in 11 Sub-Saharan African countries using demographic and health survey data. Sci Rep 16, 9944 (2026). https://doi.org/10.1038/s41598-026-40723-z

الكلمات المفتاحية: ختان الإناث, التعلم الآلي, دول جنوب الصحراء الأفريقية, بيانات الصحة العامة, حقوق المرأة