شهر به‌مثابه موجود زنده؛ داده‌ها، زبان جدید عدالت شهری

شهرها، موجوداتی زنده‌اند؛ کالبدی متشکل از خیابان‌ها، ساختمان‌ها، میدان‌ها و زیرساخت‌هایی که در کنار هم، صحنه زندگی میلیون‌ها انسان را شکل می‌دهند. اما آنچه به شهر روح می‌بخشد، نه صرفا آسفالت و بتن، که شبکه‌ای از روابط انسانی، احساسات، تعلقات اجتماعی و فرصت‌هایی است که به شهروندان عرضه می‌شود. درست در همین‌جا است که بحث «عدالت شهری» به میان می‌آید؛ مفهومی که سال‌هاست دغدغه جامعه‌شناسان، برنامه‌ریزان شهری و کنشگران اجتماعی است. عدالت شهری، تنها توزیع برابر منابع فیزیکی همچون آب، برق، حمل‌ونقل یا مسکن نیست، بلکه به معنای دسترسی عادلانه به فرصت‌ها، شنیده شدن صداها، برخورداری از کرامت و امکان مشارکت در سرنوشت شهری است.

با این حال، سنجش چنین مفهومی در نگاه نخست دشوار به نظر می‌رسد. چگونه می‌توان احساس امنیت یا حس تعلق به شهر را اندازه گرفت؟ چگونه می‌توان فهمید که صدای کدام محله یا گروه اجتماعی در عرصه عمومی شنیده می‌شود و کدام صدا‌ها خاموش یا حاشیه‌نشین مانده‌اند؟ در اینجاست که کلان‌داده‌ها، به‌ویژه داده‌های تولیدشده در شبکه‌های اجتماعی، به میان می‌آیند. این داده‌ها، بازتاب روزمره زیست شهروندان هستند؛ شکایت‌ها، شادی‌ها، خشم‌ها و حتی سکوت‌های معنادارشان را می‌توان در این عرصه دیجیتال ردیابی کرد.

آریا جوکار: به عنوان کسی که در مرز میان کد‌های محاسباتی و نظریه‌های اجتماعی حرکت می‌کند، معتقدم که داده‌های کلان، به‌ویژه داده‌های ارگانیک و انسانیِ شبکه‌های اجتماعی، می‌توانند به یک «گوشی پزشکی اجتماعی» برای تشخیص نبض عدالت در کالبد شهر تبدیل شوند. اما این ابزار، تنها در دست متخصصی که هم زبان داده را بفهمد و هم از پیچیدگی‌های جامعه آگاه باشد، کارآمد خواهد بود

امروزه تحلیل کلان‌داده‌ها، به‌ویژه داده‌های اجتماعی، نه‌تنها در حوزه کسب‌وکار و اقتصاد بلکه در مدیریت شهری نیز به ابزاری کلیدی تبدیل شده است. شهر‌هایی که می‌خواهند هوشمند باشند، تنها به هوش مصنوعی و سنسور‌های فنی نیاز ندارند، بلکه باید گوش شنوایی برای درک نبض اجتماعی خود بیابند. داده‌ها در این معنا، همانند گوشی پزشکی هستند که امکان شنیدن ضربان زندگی اجتماعی و آشکار شدن نابرابری‌ها را فراهم می‌کنند.

در این زمینه، گفت‌و‌گو با کارشناسانی که در مرز میان علوم اجتماعی و علوم داده حرکت می‌کنند، می‌تواند چشم‌انداز‌های تازه‌ای پیش روی ما بگذارد. این افراد قادرند از دل اعداد و گراف‌ها، روایت‌های اجتماعی بسازند و نشان دهند که چگونه می‌توان عدالت را به زبان داده ترجمه کرد.

در همین راستا، با آریا جوکار، کارشناس تحلیل کلان‌داده‌های شبکه‌های اجتماعی، به گفت‌و‌گو نشستیم. او در این مصاحبه، به تبیین ویژگی‌های عدالت شهری از منظر داده‌های اجتماعی پرداخته، شاخص‌هایی نو برای سنجش آن ارائه کرده و ضمن اشاره به محدودیت‌ها و سوگیری‌های الگوریتمی، افق‌های پیش رو برای تحقق عدالت شهری در پرتو کلان‌داده‌ها را ترسیم کرده است.

همزاد دیجیتال، آیینه‌ای زنده از شهر

از نگاه شما، عدالت شهری را چطور می‌توان به زبان داده‌ها و شاخص‌های کمی توضیح داد؟

به عنوان کسی که در مرز میان کد‌های محاسباتی و نظریه‌های اجتماعی حرکت می‌کند، معتقدم که داده‌های کلان، به‌ویژه داده‌های ارگانیک و انسانیِ شبکه‌های اجتماعی، می‌توانند به یک «گوشی پزشکی اجتماعی» برای تشخیص نبض عدالت در کالبد شهر تبدیل شوند. اما این ابزار، تنها در دست متخصصی که هم زبان داده را بفهمد و هم از پیچیدگی‌های جامعه آگاه باشد، کارآمد خواهد بود.

از دیدگاه جامعه‌شناختی، عدالت شهری صرفا به توزیع منابع فیزیکی خلاصه نمی‌شود، بلکه شامل «حق به شهر» یعنی حق مشارکت، دیده‌شدن و تعلق‌خاطر است. داده‌های اجتماعی به ما اجازه می‌دهند این ابعاد کیفی را به شاخص‌های کمی تبدیل کنیم.

شاخص «صدای شنیده‌شده»: با تحلیل حجم و محتوای گفت‌و‌گو‌های شهروندان در پلتفرم‌هایی مانند توییتر یا کانال‌های تلگرامی محلی، می‌توانیم بسنجیم که شکایت‌ها و مطالبات کدام مناطق شهری بیشتر در فضای عمومی بازتاب می‌یابد و به گوش مدیران می‌رسد.

شاخص «سرمایه اجتماعی دیجیتال»: با تحلیل گراف ارتباطات بین کاربران در یک محله، می‌توان انسجام و پیوند‌های اجتماعی را سنجید. اینکه آیا شبکه‌های اجتماعی به ایجاد پل‌های ارتباطی بین گروه‌های مختلف کمک می‌کنند (سرمایه اجتماعی پل‌زننده) یا صرفا اجتماعات ایزوله و همگن را تقویت می‌کنند (سرمایه اجتماعی پیونددهنده)؟ این شاخص مستقیما به تاب‌آوری اجتماعی یک منطقه مرتبط است.

شاخص «بازنمایی نمادین»: با تحلیل داده‌های مکانی از اینستاگرام، می‌توان دید که کدام محلات به عنوان مراکز مطلوب فرهنگی، تفریحی و اجتماعی بازنمایی می‌شوند و کدام محلات در نقشه ذهنی و دیجیتال شهر نامرئی یا لکه ننگ هستند. این «بی‌عدالتی نمادین» بر هویت و ارزش املاک یک منطقه تاثیر مستقیم دارد.

تحلیل داده‌های بزرگ چه نشانه‌هایی از نابرابری فضایی و اجتماعی در شهر آشکار می‌کند؟

تحلیل کلان‌داده‌های اجتماعی، شکاف‌هایی را عیان می‌کند که در آمار‌های رسمی پنهان می‌مانند. این داده‌ها زیست‌جهان شهروندان را منعکس می‌کنند.

جغرافیای عواطف: با استفاده از تحلیل احساسات بر روی محتوای مکانی، می‌توان «نقشه‌های خشم»، «نقشه‌های ترس» یا «نقشه‌های شادی» شهر را ترسیم کرد. این نقشه‌ها اغلب نشان می‌دهند که احساس ناامنی، نارضایتی از خدمات عمومی یا اضطراب اقتصادی، به شکلی نامتناسب در محلات کم‌برخوردار متمرکز شده است.

پژواک دیجیتال اعیان‌نشینی: قبل از آنکه قیمت مسکن در یک محله کارگری سر به فلک بکشد، نشانه‌های آن در شبکه‌های اجتماعی ظاهر می‌شود. با رصد تغییرات در واژگان (مثلا افزایش کلماتی مانند کافه گالری، بوتیک، آرتیزان) و تحلیل تصاویر به اشتراک گذاشته‌شده، می‌توان فرآیند تغییر بافت فرهنگی و اجتماعی یک محله را پیش از وقوع کامل آن شناسایی کرد.

جدایی‌گزینی دیجیتال: تحلیل شبکه‌های دوستی و دنبال‌کنندگان نشان می‌دهد که شهروندان تا چه حد در حباب‌های اجتماعی و اقتصادی خود محبوس هستند. آیا ساکنان شمال و جنوب شهر در فضای مجازی با یکدیگر تعامل دارند یا صرفا بازتولیدکننده همان دیوار‌های نامرئی فیزیکی در دنیای آنلاین هستند؟

در آرمان‌شهر، داده‌ها ابزاری برای کنترل نیستند، بلکه وسیله‌ای برای درک عمیق‌تر یکدیگر و ساختن فضایی هستند که در آن هر صدایی، هرچقدر هم ضعیف، شنیده می‌شود

چه مدل‌ها یا روش‌های محاسباتی می‌توانند برای شناسایی و کاهش این نابرابری‌ها مفید باشند؟

مدل‌ها نباید صرفا بهینه‌ساز باشند، بلکه باید ابزاری برای «شبیه‌سازی عدالت» باشند. مدل‌های مبتنی بر عامل با لحاظ کردن عادت‌واره (Habitus) در این مدل‌ها، به جای شبیه‌سازی عاملان عقلانی، می‌توانیم شهروندان دیجیتالی با ویژگی‌های اجتماعی متفاوت طراحی کنیم. سپس می‌توانیم تاثیر یک سیاست (مثلا ایجاد یک مسیر دوچرخه‌سواری) را بر گروه‌های اجتماعی مختلف با سلیقه‌ها و سبک‌های زندگی متفاوت شبیه‌سازی کرده و ببینیم آیا این سیاست، فراگیر است یا تنها به نفع یک طبقه خاص عمل می‌کند.

الگوریتم‌های تخصیص منابع مبتنی بر گفتمان عمومی: به جای تکیه بر معیار‌های سنتی، می‌توان الگوریتمی طراحی کرد که با تحلیل مداوم مطالبات و شکایات عمومی در شبکه‌های اجتماعی، منابع تعمیر و نگهداری شهری (مانند لکه‌گیری آسفالت یا تعمیر روشنایی معابر) را به صورت پویا و بر اساس شدت نیاز ابرازشده تخصیص دهد.

محدودیت‌ها یا سوگیری‌های الگوریتمی در این مسیر را چطور باید کنترل کرد؟

از نگاه من، «سوگیری الگوریتمی» یک باگ فنی نیست، بلکه بازتولید دیجیتال نابرابری‌های ساختاری است. داده‌های اجتماعی مملو از این سوگیری‌ها هستند.

سوگیری بازنمایی: کاربران فعال در توییتر نماینده کل جامعه نیستند. سالمندان، کارگران و اقشار کم‌سواد حضور کمرنگ‌تری دارند. هر مدلی که صرفا بر اساس این داده‌ها ساخته شود، نیاز‌های این گروه‌های خاموش را نادیده می‌گیرد و به نابرابری معرفتی دامن می‌زند.

سوگیری پلتفرم: الگوریتم‌های شبکه‌های اجتماعی برای حداکثر کردن درگیری کاربر طراحی شده‌اند، نه برای بازتاب حقیقت. آنها محتوای جنجالی و احساسی را تقویت می‌کنند. بنابراین، تحلیلی که این منطق پلتفرم را در نظر نگیرد، ممکن است یک مشکل کوچک و پرهیاهو را به یک بحران شهری بزرگ تعبیر کند.

برای کنترل این سوگیری‌ها، باید رویکرد «داده‌محوری انتقادی» اتخاذ کرد، ترکیب تحلیل‌های کمی با روش‌های کیفی مانند مصاحبه و مشاهده میدانی برای راستی‌آزمایی یافته‌ها و درک زمینه اجتماعی داده‌ها. شفافیت الگوریتم و ایجاد کمیته‌های نظارتی متشکل از متخصصان علوم اجتماعی و شهروندان، یک الزام است.

اگر بخواهید آینده‌ای ایده‌آل را تصور کنید، کلان‌داده‌ها چگونه می‌توانند به تحقق عدالت شهری کمک کنند؟

در آینده‌ای ایده‌آل، کلان‌داده‌های اجتماعی شهر را از یک مجموعه هوشمند به یک موجود زنده و آگاه تبدیل می‌کنند. در این شهر برنامه‌ریزی شهری تبدیل به یک گفتگوی مداوم می‌شود، پلتفرم‌های شهری به شهروندان اجازه می‌دهند تا به صورت لحظه‌ای درباره تغییرات محله خود نظر دهند و تحلیل داده‌ها این گفت‌و‌گو‌ها را به بینش‌های عملی برای طراحان شهری تبدیل می‌کند.

داده‌ها به ابزاری برای توانمندسازی حاشیه تبدیل می‌شوند: جوامع محلی به داده‌های مربوط به منطقه خود دسترسی دارند و از آن برای سازماندهی، مطالبه‌گری و ارائه راه‌حل‌های بومی استفاده می‌کنند.

هدف نهایی، بهینه‌سازی تعلق است. موفقیت یک شهر نه با روان بودن ترافیک، بلکه با شاخص‌هایی مانند میزان تعاملات مثبت بین گروه‌های مختلف اجتماعی، کاهش گفتمان نفرت و افزایش حس تعلق و هویت مشترک شهری سنجیده می‌شود.

در این آرمان‌شهر، داده‌ها ابزاری برای کنترل نیستند، بلکه وسیله‌ای برای درک عمیق‌تر یکدیگر و ساختن فضایی هستند که در آن هر صدایی، هرچقدر هم ضعیف، شنیده می‌شود.