التنميط (علم المعلومات)

يمكن تصنيف الملفات الشخصية وفقًا لطريقة إنشائها ( فياض، بياتيتسكي-شابيرو ، وسميث، 1996 ) ( زارسكي ، 2002-2003 ) . من جهة، يمكن إنشاء الملفات الشخصية عن طريق اختبار ارتباط مفترض. يُطلق على هذا النوع من التنميط اسم التنميط من أعلى إلى أسفل أو التعلم الخاضع للإشراف . وهو مشابه لمنهجية البحث العلمي التقليدي، إذ يبدأ بفرضية ويتضمن اختبار صحتها. وتكون نتيجة هذا النوع من التنميط هي التحقق من صحة الفرضية أو دحضها. ويمكن أيضًا الحديث عن التنميط الاستنتاجي. من جهة أخرى، يمكن إنشاء الملفات الشخصية من خلال استكشاف قاعدة بيانات، باستخدام عملية استخراج البيانات لاكتشاف أنماط في قاعدة البيانات لم تكن مفترضة مسبقًا. وهذا، بطريقة ما، يتعلق بإنشاء فرضية: إيجاد ارتباطات لم يتوقعها المرء أو حتى يفكر فيها. بمجرد استخراج الأنماط، ستدخل في الحلقة - الموضحة أعلاه - وسيتم اختبارها باستخدام بيانات جديدة. وهذا ما يسمى بالتعلم غير الخاضع للإشراف .

هناك أمران مهمان فيما يتعلق بهذا التمييز. أولاً، يبدو أن خوارزميات التعلم غير الخاضع للإشراف تسمح ببناء نوع جديد من المعرفة، لا يعتمد على فرضيات يضعها الباحث، ولا على علاقات سببية أو تحفيزية، بل يعتمد حصراً على الارتباطات العشوائية. ثانياً، يبدو أن خوارزميات التعلم غير الخاضع للإشراف تسمح ببناء نوع استقرائي من المعرفة لا يتطلب تبريراً نظرياً أو تفسيراً سببياً ( كوسترز، 2004 ) .

يزعم بعض الباحثين أنه إذا نجح تطبيق الملفات الشخصية القائمة على التعرف العشوائي المحوسب على الأنماط، أي إذا سمح بتنبؤات موثوقة بالسلوكيات المستقبلية، فإن التفسير النظري أو السببي لهذه الأنماط يصبح غير ذي أهمية ( أندرسون، 2008 ) . مع ذلك، فإن فكرة أن الخوارزميات "العشوائية" توفر معلومات موثوقة لا تعني بالضرورة أن هذه المعلومات محايدة. ففي عملية جمع البيانات وتجميعها في قاعدة بيانات (الخطوات الثلاث الأولى من عملية بناء الملف الشخصي)، تُحوّل الأحداث الواقعية إلى بيانات قابلة للقراءة آليًا . ثم تُجهز هذه البيانات وتُنقى لتسهيل معالجتها حاسوبيًا. ولا بد من تحديد أي تحيز محتمل في هذه المراحل، وكذلك في اختيار الخوارزميات المُطورة. ومن غير الممكن استخراج جميع الارتباطات الخطية وغير الخطية الممكنة من قاعدة البيانات، مما يعني أن التقنيات الرياضية المُطورة للبحث عن الأنماط ستحدد الأنماط التي يمكن العثور عليها. في حالة التنميط الآلي، لا ينشأ التحيز المحتمل من التحيز الفطري أو ما يسميه علماء النفس بالنمطية، بل من التقنيات الحاسوبية المستخدمة في الخطوات الأولية للعملية. وتكون هذه التقنيات غير مرئية في الغالب للأشخاص الذين تُطبق عليهم هذه التنميطات (لأن بياناتهم تتطابق مع بيانات المجموعات ذات الصلة).

يجب تصنيف الملفات الشخصية وفقًا لنوع الموضوع الذي تشير إليه. قد يكون هذا الموضوع فردًا أو مجموعة من الأفراد. عندما يُنشأ ملف شخصي باستخدام بيانات شخص واحد، يُطلق على ذلك اسم "الملف الشخصي الفردي" ( جاكيه-شيفيل، 2008 ) . يُستخدم هذا النوع من الملفات الشخصية لاكتشاف الخصائص المميزة لفرد معين، لتمكين التعرف عليه بشكل فريد أو تقديم خدمات مُخصصة. مع ذلك، غالبًا ما تعتمد الخدمات المُخصصة أيضًا على الملفات الشخصية الجماعية، والتي تسمح بتصنيف الشخص كنوع معين من الأشخاص، استنادًا إلى حقيقة أن ملفه الشخصي يتطابق مع ملف شخصي تم إنشاؤه بناءً على كميات هائلة من البيانات حول أعداد هائلة من الأشخاص الآخرين. يمكن أن يشير الملف الشخصي الجماعي إلى نتيجة استخراج البيانات من مجموعات البيانات التي تخص مجتمعًا قائمًا يعتبر نفسه كذلك، مثل جماعة دينية، أو نادٍ للتنس، أو جامعة، أو حزب سياسي، وما إلى ذلك. في هذه الحالة، يمكنه وصف أنماط سلوك غير معروفة سابقًا أو خصائص أخرى لهذه المجموعة (المجتمع). يمكن أن يشير مصطلح "الملف التعريفي للمجموعة" أيضًا إلى فئة من الأشخاص لا يشكلون مجتمعًا، ولكنهم يتشاركون أنماطًا سلوكية أو خصائص أخرى غير معروفة سابقًا ( كوسترز، 2004 ) . في هذه الحالة، يصف الملف التعريفي للمجموعة سلوكيات محددة أو خصائص أخرى لفئة معينة من الأشخاص، مثل النساء ذوات العيون الزرقاء والشعر الأحمر، أو البالغين ذوي الأذرع والأرجل القصيرة نسبيًا. وقد يُلاحظ وجود ارتباط بين هذه الفئات والمخاطر الصحية، والقدرة على الكسب، ومعدلات الوفيات، ومخاطر الائتمان، وما إلى ذلك.

إذا طُبِّقَ ملف تعريف فردي على الفرد الذي استُخرج منه، فهذا يُعدّ تحديدًا مباشرًا لملفات تعريف الأفراد. أما إذا طُبِّقَ ملف تعريف جماعي على فرد تتطابق بياناته مع بيانات الملف، فهذا يُعدّ تحديدًا غير مباشر لملفات تعريف الأفراد، لأن الملف أُنشئ باستخدام بيانات أشخاص آخرين. وبالمثل، إذا طُبِّقَ ملف تعريف جماعي على المجموعة التي استُخرج منها، فهذا يُعدّ تحديدًا مباشرًا لملفات تعريف المجموعات ( جاكيه-شيفيل، 2008 ) . مع ذلك، وبما أن تطبيق ملف تعريف جماعي على مجموعة ما يعني تطبيقه على أفرادها، فمن المنطقي الحديث عن تحديد غير مباشر لملفات تعريف المجموعات، خاصةً إذا كان ملف تعريف المجموعة غير توزيعي.

يمكن أيضًا تقسيم خصائص المجموعات وفقًا لطبيعتها التوزيعية ( فيدر، 1999 ) . تكون خصائص المجموعة توزيعية عندما تنطبق بالتساوي على جميع أفرادها: فمثلاً، جميع العزاب غير متزوجين، أو جميع الأشخاص الذين يحملون جينًا معينًا لديهم فرصة 80% للإصابة بمرض معين. أما الخصائص غير التوزيعية فتكون عندما لا تنطبق بالضرورة على جميع أفراد المجموعة: فمثلاً، مجموعة الأشخاص الذين يحملون رمزًا بريديًا معينًا لديهم متوسط ​​دخل قدره XX، أو فئة الأشخاص ذوي العيون الزرقاء لديهم فرصة 37% للإصابة بمرض معين. تجدر الإشارة إلى أنه في هذه الحالة، تعتمد فرصة الفرد في امتلاك دخل معين أو الإصابة بمرض معين على عوامل أخرى، مثل الجنس، والعمر، والخلفية الاجتماعية للوالدين، والحالة الصحية السابقة، والتعليم. من البديهي أنه باستثناء الخصائص المتكررة كخصائص العزاب، فإن معظم خصائص المجموعات التي يتم إنشاؤها باستخدام تقنيات الحاسوب تكون غير توزيعية. لهذا الأمر تداعيات بعيدة المدى على دقة التنميط الفردي غير المباشر القائم على مطابقة البيانات مع التنميطات الجماعية غير التوزيعية. وبغض النظر عن حقيقة أن تطبيق التنميطات الدقيقة قد يكون غير عادل أو يتسبب في وصم لا مبرر له، فإن معظم التنميطات الجماعية لن تكون دقيقة.

يُعدّ تحليل بيانات المستهلكين أحد أشكال تحليل سلوك العملاء ، حيث تُستخدم بياناتهم لاتخاذ قرارات بشأن الترويج للمنتجات ، وتسعيرها ، والإعلانات المُخصصة . [ ^{6 ] عندما} يكون الهدف هو تحديد شريحة العملاء الأكثر ربحية، يعتمد تحليل سلوك المستهلكين على البيانات الديموغرافية ، وبيانات سلوكهم ، وبيانات المنتجات التي اشتروها، وطريقة الدفع ، والاستبيانات لإنشاء ملفات تعريفية لهم. ولإنشاء نماذج تنبؤية استنادًا إلى قواعد البيانات الموجودة ، تُستخدم طريقة اكتشاف المعرفة في قواعد البيانات (KDD) الإحصائية. تُصنّف KDD بيانات العملاء المتشابهة للتنبؤ بسلوكهم المستقبلي. ومن الطرق الأخرى للتنبؤ بسلوك المستهلكين: الارتباط والتعرف على الأنماط . تصف ملفات تعريف المستهلكين العملاء بناءً على مجموعة من السمات ^{[ 7 ]} ، وعادةً ما يتم تصنيفهم وفقًا للدخل ، ومستوى المعيشة ، والعمر ، والموقع. وقد تتضمن ملفات تعريف المستهلكين أيضًا سمات سلوكية تُقيّم دوافع العميل في عملية اتخاذ قرار الشراء . من الأمثلة المعروفة لملفات تعريف المستهلكين تصنيف موزاييك الجغرافي الديموغرافي للأسر المعيشية من إكسبيريان، وأكورن من CACI ، وبيرسونيكس من أكسيوم . ^{[ 8 ]}

في البيئات المبنية التي تعتمد على الذكاء المحيطي، تحتوي الأشياء اليومية على مستشعرات وأنظمة مدمجة تُمكّنها من التعرف على وجود الأفراد واحتياجاتهم والاستجابة لها. يعتمد الذكاء المحيطي على التنميط الآلي وتصميمات التفاعل بين الإنسان والحاسوب . ^{[ 9 ]} تراقب المستشعرات تصرفات الأفراد وسلوكياتهم، وبالتالي تُولّد البيانات الشخصية وتجمعها وتحللها وتعالجها وتخزنها . من الأمثلة المبكرة للأجهزة الإلكترونية الاستهلاكية المزودة بالذكاء المحيطي تطبيقات الهواتف المحمولة والواقع المعزز والخدمات القائمة على الموقع . ^{[ 10 ]}