سه شنبه ۲۰ آذر ۱۴۰۳
يکشنبه ۲۴ شهریور ۱۳۹۲ 5459 0 4

این مقاله با ابزارها و تکنیکهای خاص اداره سیستم های پیچیده کار ندارد، بلکه به برخی مفاهیم پایه می پردازد که کمک می کند تا در باره پیچیدگی تفکر و گفتگو کنیم

چگونه می توانیم پیچیده فکر کنیم؟

این مقاله با ابزارها و تکنیکهای خاص اداره سیستم های پیچیده کار ندارد، بلکه به برخی مفاهیم پایه می پردازد که کمک می کند تا در باره پیچیدگی تفکر و گفتگو کنیم. همچنین مروری بر تفکر کلاسیک و طرحهای درونی آن در مواجهه پیچیدگی خواهیم داشت . به علاوه نشان می دهیم گه چگونه پیچیدگی ما را وادار می سازد تا مدلهای ساخته شده بر پایه نافرجامی(Unpredictability) و نامعلومی (unpredictability) را انتخاب کنیم. لیکن ما هنوز می توانیم با مشکلاتی که بدین طریق بوجود می آیند سر و کار داشته باشیم اگر انعطاف پذیر باشم و از توانمندی های سیستم های پیچیده برای خود سازمانیابی و هوش توزیع یافته که می تواند حاصل کند، بهره ببریم.
 
تفکر کلاسیک
بخش اعظم مدلهای علمی و همچنین بیشتر فهم الهامی ما – تلویحا بر پایه تفکر کلاسیک یا دکارتی است که بصراحت در مکانیک کلاسیک یا نیوتونی بکار رفته که جهان بینی علمی را از ابتدای قرن بیستم تحت سیطره خود داشته است . این تفکر بر مفروضات زیر مبتنی است (Heylighen, ۱۹۹۰) :
 
فروکاست گرایی یا تحلیل (Reductionalism or Analysis) : برای فهم کامل یک سیستم باید آنرا به اجزای سازنده و خواص بنیادی اش تفکیک کنیم .
 
قطعیت(Determinism) : هر تغییر را می توان به شکل حرکت سیستم ( یا حالت سیستم) در فضا نشان داد یعنی ترتیب خطی از حالات که از قواعد ثابت طبیعی تبعیت می کند . این قواعد بطور کامل مسیر حرکت به سمت آینده را مشخص می کنند (پیش بینی پذیری) و همچنین مسیر گذشته را نمایان می کنند ( برگشت پذیری)
 
دو گامگی (Dualism) : اجزای سازنده نهایی هر سیستمی ذرات هستند یعنی قطعات بدون ساختاری از ماده ( ماده گرایی Materialism ) از آنجاییکه ماده در حال حاضر بطور کامل با قواعد مکانیک تبیین شده است ، آزادی عمل برای مداخله و تفسیر وجود ندارد و تنها راهی که می توانیم انسان را در تئوری دخیل کنیم این است که ذهن (Mind) را به عنوان یک مقوله مستقل معرفی کنیم .
 
تئوری انطباق دانش ( Correspondence Theory of knowledge) : از طریق مشاهده شخص میتواند اساسا دانش کاملی درباره هر سیستمی بدست آورد و یک نمود درونی بوجود آورد که اجزای آن منطبق بر اجزای سیستم خارجی هستند . در اینحالت نقشه برداری یگانه ، صحیح و عینی از واقعیت ماده ( سیستم ) در واقعیت ذهن ( نمود Representation) حاصل می آید .
 
عقلانیت (Rationality): با داشتن اطلاعات کاملی از شخص در تعامل با سیستم می تواند گزینه ای را انتخاب کند که فایده سیستم را به حد اکثر برساند . بنابر این اعمال ذهن ، همسان با حرکات ماده معین یا قابل پیش بینی خواهند بود .
 
این مفروضات تحت عنوان قاعده حفاظت از تمییز (Distinction conservation) خلاصه شده اند (Heylighen,۱۹۸۹,۱۹۹۰) : علم کلاسیک با ایجاد تمییز دقیق تا حد ممکن بین اجزائ ، خواص و حالات سیستم تحت بررسی آغاز می شود . این تمایز ها مطلق و عینی فرض می شوند یعنی برای همه مشاهده گر ها یکسانند . آنها بر پایه منطق ارسطویی هستند: یک پدیده یا به مقوله الف تعلق دارد یا غیر الف و نمی تواند هر دو باشد یا هیچکدام یا حد واسط یا "بستگی دارد به ..." .
 
تکامل سیستم با حفظ همه تمایزات صورت می گیرد زیرا که حالتهای مشخص اولیه در مسیر حالتهای مشخص بعد حرکت می کنند و بر عکس( علت و معلولی Causality) بنگرید به (Heylighen,۱۹۸۹) . دانش چیزی فراتر از نقشه برداری با حفظ تمایز ها از عینیت به ذهن نیست و این در حالی است که عمل نقشه برداری معکوس از ذهن به عین است .
 
مسلم است که می دانیم این مفروضات مواردی ایده آل را تصویر می کنند که هر گز در عمل بدست نمی آیند. با این وجود اغلب افراد تحصیل کرده هنوز تمایل دارند فرض کنند باید در قالب یک تئوری کامل و قطعی فعالیت کنند . در نظرشان، روش علمی حتی آسانتر و با اطمینان بیشتری به چنین دانش عینی ختم خواهد شد . لیکن درسهایی که تحقیق در پیچیدگی به ما می آموزد روندی دیگر را نشان می دهند.
 
پیچیدگی
پیچیدگی چیست ؟ بهتر است به ریشه لاتین آن یعنی کمپلکسوس (Complexus) برگردیم .که به معنی در هم پیچیدن یا در بر گرفتن است . این معنا را به روشهای زیر می توان تفسیر کرد : برای اینکه پیچیدگی داشته باشید باید:
۱) دو یا چند بخش مجزا داشته باشید
۲) که بهم به صورتی پیوسته اند که جدا کردن آنها مشکل باشد . در اینجا ما دو گانگی بنیادی اجزا را می یابیم که در آن واحد مجزا و مرتبط هستند .بنابر این ، روش تحلیلی به تنهایی فهم پیچیدگی را مقدور نخواهد ساخت زیرا با جداسازی اجزا از یکدیگر ارتباط آنها از بین خواهد رفت و این توضیحی بر همراهی " دشواری " است که لغت " پیچیدگی " به ذهن متبادر می کند . اجزا به صورت زوجی به هم تنیده اند به شکلی که تغییر در یک جزئ در بافت تعاملات به دیگر اجزا گسترش پیدا می کند و نتیجتا اجزای بیشتری را تحت تاثیر قرار می دهد که می تواند جزئی که ابتدا فرایند را آغاز کرده است را هم در بر بگیرد . پس دنبال کردن رفتار اجزائ سیستم در سطح کلی(Global) در اینحالت دشوار خواهد بود . بر خلاف سیستم های ساده " شبیه توپ بیلیارد " که در مکانیک کلاسیک بررسی می شوند ، سیستم های پیچیده بسیار متداولند و حالتهای استثنایی نیستند . مثالهای نمادین آنها سلول زنده، جامعه، اقتصاد، یک اکوسیستم، اینترنت،آب و هوا، مغز و یک شهر هستند . اینها همه از اجزای زیادی تشکیل شده اند که تعاملاتشان رفتاری فرا گیر (Global) ایجاد می کند که نمی توان آن را به اجزای تفکیک شده تقلیل داد. پیچیدگی خود مفهومی پیچیده است، زیرا ما نمی توانیم یک تمایز بدون ابهام بین یک سیستم ساده و پیچیده برقرار کنیم . بسیاری از ابعاد (Measures) پیچیدگی برای ساختار های مختلف پیشنهاد شده اند : مثل محاسبه ای ، اجتماعی، اقتصادی، زیست شناختی و غیره(Edmonds,۲۰۰۰)
 
لیکن هیچ قاعده فراگیری وجود ندارد که با آن میزان پیچیدگی یک سیستم خاص را مشخص سازیم ، لیکن در چار چوب مرجع مورد توافق می توانیم گاهی دو سیستم را مقایسه کنیم و ابراز کنیم که یکی از دیگری پیچیده تر است . بنابر این پیچیدگی در بهترین حالت در بر دارنده یک ترتیب نسبی است و ابزار کمی نیست . در مجموع می توانیم بگوییم که پیچیدگی یک سیستم با افزایش تعداد اجزای مستقل و افزایش تعداد ارتباطهای بین آنها و پیچیدگی اجزا و پیچیدگی ارتباطها افزایش می یابد . این تعریفی جامع است که به اندازه ای عمومی است که می تواند در زمینه های مختلف به کار رود . برای مثال وقتی بقیه شرایط برابر باشد یک شرکت از دیگری پیچیده تر است اگر شعبه های بیشتری داشته باشد، اگر شعب آن کارمندان بیشتری داشته باشند ، اگر شعب آن کانالهای ارتباطی بیشتری داشته باشند ویا اگر کانالهای ارتباطی شامل ارتباطات بین فردی بیشتری باشد .
 
از آنجاییکه نیاز به اندازه گیری مطلق پیچیدگی نداریم ، استفاده از چنین مقایسه های نسبی می تواند مفید باشدکه مشخص کنیم چه موقع باید فرضیات ساده و کلاسیک خود را رها کنیم و مدل هوشمندانه تری طراحی کنیم. حرکت از تفکر کلاسیک به پیچیده سود و زیانهایی در بر دارد. بهتر است از انتظاراتی که باید کنار بگذاریم شروع کنیم و سپس به برخی نظر گاههای جدیدی که بدست می آوریم اشاره کنیم .
 
عدم قطعیت(Indeterminacy)
ترک تفکر کلاسیک به معنای رها کردن حفاظت از تمایز است . این بدان معناست که دیگر نمی توانیم تمایز های مشخص بدون خدشه فرض کنیم . تمایزی که یک ناظر در شرایطی(Context) حاصل می کند دیگر نمی تواند برای ناظر دیگر در شرایط دیگری معنا دار باشد .
 
این نکته با بیشترین قدرت در مکانیک کوانتوم مشهود است (Heylighen,۱۹۹۰) در برخی شرایط ، یک الکترون مانند یک ذره تظاهر می کند و در شرایط دیگری مثل موج . لیکن با توجه به تفکر کلاسیک ، موج و ذره مقولاتی مستقل از هم هستند . از طرفی در مکانیک کوانتومی موج و ذره مکمل هم هستند : آنها بطور بهم پیوسته برای مشخص کردن یک الکترون لازمند ولی هیچگاه با هم دیده نمی شوند . ازینرو شرایط آزمایشگاهی (Set up ) مشاهده برای تشخیص خواص" ذره مانند" با آنچه برای مشاهده خواص " موج مانند " لازم است متفاوت است . هایزنبرگ (Heisenberg) این موارد را تحت عنوان اصل عدم قطعیت نظم بخشید: هر چه دقیقتر خواص ذره مانند را مشخص کنیم خواص موج مانند نامطمئن تر و عدم قطعی تر خواهد شد.
 
مثال ملموس تر عدم قطعیت شکل مبهم آشنایی است که برخی وقتها به شکل خرگوش و گاهی به شکل اردک است . با اینکه هر دو گشتالت(Gestalts) به یک اندازه در نقاشی قابل تشخیص اند، درک ما – نظیر شرایط مشاهده کوانتوم از مشاهده هر دو آنها با هم نا توان است . بنابر این تمایل دارد که بین دو تفسیر حرکت کند . خواص مکمل نظیر گشتالتهای خرگوش و اردک ، متمایز و در عین حال به هم پیوسته اند ولی وقتی یکی را می بینیم قادر به دیدن دیگری نیستیم !
 
بدلیل تصور انطباقی، در تفکر کلاسیک آنچه ما قادریم از اشیا تصویر کنیم با آنچه اشیا واقعا هستند اشتباه می شود . بنابر این مشاهده کنندگان در گیر اختلاف نظر هایی در باب اینکه "اشیا چه هستند"شده اند . ، در حالی که عدم توافق در روشی است که این پدیده ها تبیین یا مدل سازی می کنند . وقتی ما در باره پدیده صحبت می کنیم دشوار است مشخص کنیم منظورمان نمایش ماست یا آنچه به نمایش در آمده است ( The representation or to the represented) زیرا زبان ما تمایزی بین ایندو با استفاده از فعل "بودن((To be" ایجاد نمی کند .برای پرهیز از چنین اختلاطی ،تمایز هستی شناسانه ای را بین بودن مطلق (Absolute being) و بودن نسبی (Relative being) پیشنهاد کرده ایم (Gerhenson, ۲۰۰۲) . منظوراز بودن مطلق آن چیزی است که شیئ عملا هست مستقل از ناظر آن ("دینگان سیچ" کانت Kant’s Ding an sich). منظور از بودن نسبی خواصی از شیئ است که ناظر، بر پایه زمینه (Context) از شیئ تشخیص می دهد . از آنجا که ناظر محدود است و نمی تواند اطلاعات کامل جمع آوری کند ، بودن نسبی محدود است . در حالی که بودن مطلق وجوه نامحدود فراوانی دارد . بنابر این پتانسیل نامحدودی از بودن های نسبی برای یک بودن مطلق وجود دارد .
 
ما می توانیم این نکته انتزاعی را با یک تصویر از یک کره نیمی سفید و نیمی سیاه آنچنانکه تصویر ۱ نمایش می دهد روشن کنیم . فرض کنید فقط می توانیم نیمکره را از یک زاویه ببینیم . برای برخی کره (نسبی ) سفید و برای برخی دیگر (نسبی ) سیاه و برای عده ای (نسبی) نیمی سفید و نیمی سیاه و به همین منوال حالتهای دیگر خواهد بود . چگونه می توانیم نظر بدهیم که کره بطور مطلق چه رنگی دارد؟ میانگین گرفتن کفایت نمی کند زیرا میتواند حالتی باشد که نود و پنج درصد افراد کره را سفید ببینند و ما نتیجه بگیریم که بیشتر آن سفید است در حالی که حقیقت (مطلق) نیمی سفید و نیمی سیاه است. بهترین کاری که می توانیم بکنیم اینست که مشخص کنیم از چه زاویه دیدی(Perspective)(یازمینه ای Context) کره رنگ خاص خود را (نسبی) دارد . در ارتباط با سیستمهای واقعی هیچگاه نمی توانیم به بودن مطلق آنها دست پیدا کنیم زیرا همیشه خواص بیشتری (ابعادی) وجود دارند که ما از آنها آگاه نیستیم. این کار به مشخص کردن رنگ یک کره با ابعاد بی نهایت می ماند در حالی که ما فقط می توانیم یک گستره دو بعدی آنرا در یک زمان ببینیم.
 
در سیستم های ساده مانند کره سه بعدی، تعداد بودن های نسبی محدود است . لیکن سیستمهای پیچیده تعداد زیادی اجزا و ارتباطات دارند که ناظران می توانند بودن های نسبی از آنها درک کنند که چنان متفاوتند که شاید غیر ممکن باشد که آنها را به عنوان وجوه یک شیئ واحد شناخت . برای مثال سازمانهایی با استفاده از نمایه هایی(Metaphors) نظیر یک ارگانیزم، یک ماشین ، مغز، یک جامعه،یک فروشگاه یا یک بازی قدرت سیاسی توصیف شده اند و یا مدلهایی نظیر نظام طبقاتی(Hierarchy) ، شبکه و یا سیستم خطی ورودی خروجی استفاده شده اند . برای یک مدیر با تفکر کلاسیک این جابجایی مستمر بین مدل ها و روشها مدیرتی مبتنی بر آنها گیج کننده است، چون فرض می کند که یکی ( یا هیچکدام ) از این روش ها می تواند درست باشد . در حالیکه یک سازمان هر دو وجه مکانیکی و ارگانیک را داراست و می تواند همزمان یک جامعه اشتراکی و هم یک صحنه رقابت باشد . می تواند یک سیستم قانونمند باشد و در عین حال یک محیط باز خلاق باشد . یک شبکه باشد و....
 
هیچ مدل بهترینی وجود ندارد زیرا بودن های نسبی متفاوت برای شرایط و اهداف مختلف مناسبند . (Beer, ۱۹۶۶; Heylighen, ۱۹۹۰) در قالب تفکر کلاسیک تمام تلاش ما مبنی براینست که مشخص کنیم سیستم چیست. از طرف دیگر تفکر پیچیده به ما اجازه می دهد نمود های مختلف را در آن واحد مد نظرداشته باشیم ( یعنی با طرح یک فرا نمایهMetarepresentation) (Heylighen,۱۹۹۰) که برای داشتن فهم بی نقص تری از سیستم مفید است . برای چالش با مسائل جزمی می توانیم نمایشی را انتخاب کنیم که برای آن شرایط خاص مناسب تر باشد با آگاهی از این مطلب که حل مسائل مختلف نیاز به تغییر دادن کلی در نوع نمایش انتخابی دارد . برای مثال وقتی با مشکلات داخلی یک شرکت سرو کار داریم بهتر است آنرا به مثابه شبکه ای از جوامع در هم پیوسته فرض کنیم و وقتی قصد بهینه سازی تولید را داریم می توانیم آنرا یک مکانیزم پردازش ماده و اطلاعات در نظر بگیریم .
 
ناخطی بودن و آشوب(Non linearity and chaos)
در تفکر کلاسیک تمایزات چه در مورد افراد مختلف و چه در زمانهای مختلف یکسانند . اصل علیت را می توان به این صورت تبیین کرد که " علل یکسان تاثیرات یکسان دارند " یا به عبارت دیگر " آثار و علل آنها با هم تغییر می کنند . این چیزی فراتر از این جمله نیست که تمایزات بین علل یا حالتهای اولیه باید الزاماً به معلولهای آنها منتهی شوند و بالعکس. در حالی که ما شاید این قاعده را در سطح بودن مطلق درست فرض کنیم یعنی چیز های کامل در ذات خودشان ( علیت میکروسکوپی Heylighen,۱۹۸۹ ) بطور عموم در سطح بودن نسبی، یعنی تمایزات نا دقیق و محدود ناظرصحیح نیست. پس علیت میکروسکوپی (یعنی قطعیت) بخودی خود علیت ماکروسکوپی (پیش بینی پذیری ) را بوجود نمی آورد. این قاعده را میتوان بطور صریحتر از وجود آشوب (Chaos) (قطعی) استنتاج کرد که خود حاصل ناخطی بودن است که مشخصه سیستم های پیچیده است.
 
یک سیستم خطی است اگر تاثیرات (خروجی ها) متناسب با علت ها ( ورودی ها) باشند. برای مثال اگر زغال سنگ کوره را دو برابر کنید محصول فولاد کارخانه تقریباً دو برابر خواهد شد . فهم این مطلب از قانون حفظ ماده و انرژی بدست می آید : مقداری که حاصل می آید مستقیما به مقداری که وارد می شود وابسته است ( البته مطمئنا مقادیری این طرف و آن طرف به هدر می رود . )
 
حال چه اتفاقی می افتد اگر مقداری از خروجی دوباره به ورودی بر گردانده شود ؟ قاعدتاً خروجی بعدی بزرگتر خواهد شد زیرا که هم از ورودی استفاده می کند و هم خروجی قبلی و دیگر متناسب با ورودی به تنهایی نخواهد بود . خروجی بعدی آن بازهم بزرگتر خواهد بود زیرا که نه تنها ورودی جدید را استفاده می کند بلکه از دو خروجی قبلی هم استفاده می کند . مثلاً در یک شرکت می توان قسمتی از پول حاصله را دوباره سرمایه گذاری کرد تا تولید افزایش پیدا کند. افزایش تولید پول بیشتری حاصل می کند و تولید را بیشتر افزایش می دهد و افزایش انفجاری در خروجی می دهد.
 
بنابراین ناخطی بودن رامی توان به شکل اثرحلقه علیتی فهم کرد که تاثیرات یا خروجی ها به علتها یا ورودی های فرآیند پسخوراند (Feedback) می دهند. سیستمهای پیچیده با شبکه ای ازچنین حلقه های علیتی مشخص می شوند. در یک پیچیدگی، در هم پیوستگی ها چنین است که بخش الف بخش ب را تحت تاثیر قرار می دهد، لیکن ب هم چه بصورت مستقیم یا نا مستقیم بطور کلی الف را تحت تاثیر قرار می دهد .یک حلقه پسخوراند می تواند مثبت یا منفی باشد. یک پسخوراند مثبت هر تغییری در الف را تشدید می کند و رشد آن را انفجاری می کند . نتیجه این است که کوچکترین تفاوت میکروسکوپی بین حالتهای اولیه می تواند بصورت افتراق قابل مشاهده ماکروسکوپی رشد کند .
 
این حالت" وابستگی حساس به شرایط اولیه" (Sensitive dependence on initial conditions) نامیده می شود و یک وجه مشخصِ آشوب (Chaos) است .ازآنجاییکه تفاوت ابتدایی کوچکتر ازآن است که درک شود ، اصل علیت نمی تواند برای پیش بینی نتیجه نهایی به ما کمکی ِکند. یک مثال شناخته شده چنین سیستم آشوبی، دشواری در پیش بینی وضع آب و هواست ، زیرا بال زدن یک پروانه در توکیو می تواند به طوفانی ویرانگر در نیویورک تبدیل شود. مشاهده اینکه تغییرات کوچک می تواند تاثیرات بزرگ داشته باشد در سیستم های اجتماعی هم رایج هستند . مثلاً در جریان یک مذاکره جدی یک نیشخند کوچک بر لب یکی از طرفین می تواند این توهم را در دیگری بوجود آورد که این فرد قابل اعتماد نیست و باعث شود که نظرشان بر گردد و در نهایت یک معامله بیلیون دلاری معلق بماند. چنین سیستمی به تعبیری، تمایزات را خلق می کند . زیراکه یک تفاوت غیرقابل تشخیص کوچک درحالت اولیه می تواند منجر به نتایج ماکروسکوپی متمایز شود .
 
در مقابل اثر تشدید کننده پسخوراند های مثبت، اثر تعدیل کننده پسخوراند های منفی قرار دارد . در اینجا با هر تغییری مقابله می شود یا در مقابلش مقاومت می شود و سیستم را به حالت تعادلش بر می گرداند . در نتیجه علل بزرگ ( تغییرات ) ممکن است اثری کوچک داشته باشند یا بی تاثیر باشند . برای مثال یک فرهنگ محدود شده در یک ساختار تعریف شده ممکن است بسیار بسختی تغییر داده شود، زیرا در برابر روشهای جدید به صورت فعال و غیر فعال مقاومت می شود وافراد آنها را نادیده می گیرند و یا دفع می کنندِ. چنین سیستمی تمایزات را از بین می برد و در نتیجه علل مختلف نتیجه یکسانی به بار می آورد.
 
سیستم های پیچیده بطور معمول از کلافه ای از حلقه های پسخوراند مثبت و منفی تشکیل شده اند که تاثیر هر تغییر در یک جزء بصورت آبشاری در بین تعداد فزاینده ای از اجزای مربوط پیش می رود که بخشی به جزء اولیه پسخوراند مثبت ویا منفی خواهند داد. اگر تاخیر زمانی متفاوتی بین این تاثیرات باشد عملا پیش بینی ناممکن است زیرا نمی دانیم کدام تاثیر می گذارد ، کدام اول است و آیا یک تاثیر قبل از آنکه فرصتی برای گسترش پیدا کند سرکوب خواهد شد یا خیر .(CF. Gerhenson et al ۲۰۰۳) یک مثال را می توان در بورس سهام یافت که در آن سهام بر اساس قیمتشان خرید و فروش می شوند که خود قیمتها بر مبنای مقداری که سهام خرید و فروش می شوند تعیین می گردد. این حلقه پسخوراند داخلی وجوه مثبت و منفی دارد. قانون عرضه و تقاضا یک پسخوراند منفی را تحمیل می کند . بنابراین افزایش قیمت، تقاضا را کم می کند و این – بعد از یک تاخیر نا معلوم – قیمت را مجددا کاهش خواهد داد . لیکن مکانیسم موازی احتکار، یک پسخوراند مثبت ایجاد می کند به این صورت که افزایش قیمت، فروشندگان را بر آن می دارد که به طمع قیمت بیشتر در آینده باشند و تحریک شوند که سهم بیشتری خریداری کنند . تعامل بین دو دسته تاثیرات غیر خطی حرکت آشوبی قیمت سهام را می سازد که آن را به خوبی می شناسیم .
 
در شرایط ساده تری که زمانها در آن معلوم است ( یا می توان آنرا نادیده گرفت) گاهی ممکن است بتوانیم دست کم تخمین کیفی از آنچه می تواند اتفاق بیفتد را با درک نشانه ها( مثبت و منفی) و قوت پسخوراند مختلف در شبکه تاثیرات بدست آوریم. این روش که بعد ها برای شبیه سازی کامپیوتری استفاده شد در دینامیک سیستم به انتظام در آمد (Sterman, ۲۰۰۰).
 
نتیجه گیری:
ما هنوز پیچیدگی را خوب نمی شناسیم و کار های زیادی باید انجام شود و در این جهت کنکاش شود . فرهنگ ما اکنون در پیچیدگی غرق است و با آن احاطه شده است . لیکن برخورد با این پیچیدگی ما را مجبور می کند که روشهای تفکر خود را عوض کنیم ( Heylighen, ۱۹۹۱) . نشان دادیم که چگونه تفکر کلاسیک با تکیه اش بر تحلیل، پیش بینی پذیری و عینیت ، در برابر سیستمهای پیچیده شکست می خورد . مشکل اساسی در فلسفه کلاسیک اینست که تمایزات ِ تغییر ناپذیر و ثابت، مفروض هستند در حالیکه سیستم های پیچیده چنان در هم تنیده اند که اجزا و خواص آنها را نمی توان از هم جدا و منفک کرد . بعلاوه بدلیل غیر خطی بودن یا "حلقه ای" (Loopiness) بودن، سیستم به شکلی آشوبی و غیر قابل پیش بینی تغییرمی کنند. در بهترین حالت می توانیم تمایزاتی بر پایه شرایط (Context based distinctions) ایجاد کنیم که از آن برای ساخت مدل نسبی استفاده شود . لیکن چنین مدلی هرگز نمی تواند همه خواص اصلی سیستم را در بر گیرد و در شرایط جدید عموما یک مدل جدید مورد نیاز خواهد بود.
کلمات کلیدی

آی هوش: گنجینه دانستنی ها و معماهای هوش و ریاضی

نظراتی که درج می شود، صرفا نظرات شخصی افراد است و لزوماً منعکس کننده دیدگاه های آی هوش نمی باشد.
آی هوش: مرجع مفاهیم هوش و ریاضی و انواع تست هوش، معمای ریاضی و معمای شطرنج
 
در زمینه‌ی انتشار نظرات مخاطبان، رعایت برخی موارد ضروری است:
 
-- لطفاً نظرات خود را با حروف فارسی تایپ کنید.
-- آی هوش مجاز به ویرایش ادبی نظرات مخاطبان است.
-- آی هوش از انتشار نظراتی که در آنها رعایت ادب نشده باشد معذور است.
-- نظرات پس از تأیید مدیر بخش مربوطه منتشر می‌شود.
 
 
 
 

نظر شما

پرطرفدارترین مطالب امروز

قواعد بخش پذیری بر اعداد  1 تا 20
زندگینامه ریاضیدانان: جان فوربز نش
بررسی تعلیم و تربیت از دیدگاه جان دیوئی
طنز ریاضی: اثبات 2=1
طنز ریاضی: اثبات 5=2+2
تعاریف و مفاهیم: قضیه حمار
تابع شمارش اعداد اول
پژوهش: روش تدریس ریاضی در ژاپن
همه چیز درباره هوش مصنوعی به زبان ساده