یادگیری ماشین نشان می‌دهد کدام حوزه‌های پژوهشی غنا بیشترین خروج استعدادها را تجربه می‌کنند
غنا بیش از آنکه پژوهشگران صاحب آثار علمی را جذب کند، آن‌ها را از دست می‌دهد؛ آن هم در حوزه‌هایی که یک اقتصاد دانش‌بنیان در حال توسعه بیش از هر چیز به حفظ نیروی متخصص در آن‌ها نیاز دارد. پژوهشی تازه که در مجله Discover Data منتشر شده است، با بررسی ۱۴ سال سابقه انتشار مقالات در پایگاه‌های اسکوپوس و وب آو ساینس، جابه‌جایی بین‌المللی استعدادهای پژوهشی غنا را ردیابی، دسته‌بندی و پیش‌بینی کرده است. یافته‌ها از افزایش خروج خالص پژوهشگران حکایت دارند؛ روندی که از سال ۲۰۱۲ به بعد به‌شدت شتاب گرفته است.
این پژوهش به سرپرستی مفتاو حسین و با مشارکت پژوهشگرانی از جمله امانوئل آهِنِه و عیسیفو دامبا کانزونی انجام شد. محققان در مجموع ۵۱ هزار رکورد انتشار علمی مربوط به سال‌های ۲۰۰۷ تا ۲۰۲۰ استخراج کردند که ۲۹ هزار مورد از اسکوپوس و ۲۲ هزار مورد از مجموعه اصلی وب آو ساینس به دست آمده بود. پس از حذف ۱۲ هزار و ۲۴۰ رکورد تکراری موجود در هر دو پایگاه، ۳۸ هزار و ۷۶۰ رکورد برای تحلیل باقی ماند. موارد تکراری بر اساس یکسان بودن شناسه دیجیتال مقاله (DOI) و دست‌کم دو مشخصه فراداده‌ای دیگر، مانند نام نویسنده اول، عنوان مقاله، شماره استاندارد بین‌المللی پیایندها (ISSN) یا سال انتشار، شناسایی شدند. پژوهشگران افرادی را بررسی کردند که در این بازه زمانی به مؤسسات غنایی وابسته بودند و دست‌کم دو اثر منتشر کرده بودند. در این روش، هر رکورد نویسندگی به‌عنوان یک داده در نظر گرفته شد که فرد را به یک مؤسسه و یک کشور مرتبط می‌کرد.
انتخاب این بازه زمانی هدفمند بود. از حدود سال ۲۰۰۷، بسیاری از دانشگاه‌های آفریقا استفاده از شناسه‌های دیجیتال استاندارد، مانند شناسه پژوهشگر ORCID و شناسه نویسنده اسکوپوس، را آغاز کردند. این شناسه‌ها تشخیص هویت نویسندگان و پیگیری وابستگی سازمانی آن‌ها در مؤسسات و کشورهای مختلف را بسیار آسان‌تر کرد. پایان دوره بررسی در سال ۲۰۲۰ نیز برای جلوگیری از تأثیر تحریف‌کننده همه‌گیری کووید-۱۹ تعیین شد؛ بحرانی که جابه‌جایی دانشگاهی، تأمین مالی و انتشار آثار علمی را در سراسر جهان مختل کرد. افزون بر این، دوره ۱۴ ساله امکان بررسی روندهای بلندمدت و شناسایی تغییرات مهم در مسیر حرفه‌ای پژوهشگران را فراهم می‌کرد.
پژوهشگران با بررسی تغییر کشور محل وابستگی سازمانی هر فرد از نخستین تا جدیدترین مقاله او، محققان را در چهار گروه قرار دادند: مهاجران خروجی، یعنی افرادی که فعالیت دانشگاهی خود را در غنا آغاز کرده و در پایان به مؤسسه‌ای در خارج از این کشور وابسته بوده‌اند، یا میان دو کشور غیر از غنا جابه‌جا شده‌اند؛ مهاجران ورودی، یعنی افرادی که فعالیت خود را خارج از غنا آغاز کرده و اکنون از طریق یک مؤسسه غنایی مقاله منتشر می‌کنند؛ مهاجران بازگشتی، یعنی کسانی که فعالیت خود را در غنا آغاز کرده، از کشور خارج شده و سپس بازگشته‌اند؛ و پژوهشگران بدون جابه‌جایی بین‌المللی که وابستگی سازمانی آن‌ها در تمام دوره در غنا باقی مانده است.
نتایج چشمگیر است. از مجموع ۳۸ هزار و ۷۶۰ پژوهشگر شناسایی‌شده، ۵۸٫۱ درصد، معادل ۲۲ هزار و ۵۱۹ نفر، نشانه‌هایی از مهاجرت بین‌المللی داشتند؛ در مقابل، ۴۱٫۹ درصد، معادل ۱۶ هزار و ۲۴۰ نفر، جابه‌جایی بین‌المللی ثبت‌شده‌ای نداشتند. در میان پژوهشگران جابه‌جاشده، ۴۵ درصد، معادل ۱۷ هزار و ۴۴۲ نفر، از غنا خارج شده بودند، در حالی که تنها ۱۳٫۱ درصد، معادل ۵ هزار و ۷۷ نفر، وارد این کشور شده یا به آن بازگشته بودند. از گروه دوم، تنها ۵٫۸ درصد فعالیت حرفه‌ای خود را در خارج از غنا آغاز کرده بودند و ۷٫۳ درصد نیز پژوهشگرانی بودند که ابتدا در غنا فعالیت داشتند، سپس کشور را ترک کردند و در ادامه بازگشتند.
تراز خالص مهاجرت پژوهشگران در سال ۲۰۱۲ منفی شد و تا سال ۲۰۲۰ در همین وضعیت باقی ماند. غنا بین سال‌های ۲۰۰۷ تا ۲۰۱۱ در مجموع تراز مهاجرتی مثبتی داشت و این شاخص در سال ۲۰۰۹ به اوج خود، یعنی مثبت ۲۶٫۷ نفر به ازای هر هزار پژوهشگر، رسید. در همان سال، علوم سلامت با مثبت ۱۳٫۸ نفر بیشترین ورود خالص پژوهشگران را ثبت کرد. پس از آن، علوم زیستی با مثبت ۶، علوم اجتماعی با مثبت ۴٫۱، علوم فیزیکی با مثبت ۲ و پژوهش‌های چندرشته‌ای با مثبت ۰٫۸ قرار داشتند. از سال ۲۰۱۲، روند معکوس شد و نرخ خالص مهاجرت در سال‌های ۲۰۱۹ و ۲۰۲۰ به کمتر از منفی ۳۰ نفر به ازای هر هزار پژوهشگر رسید. سال ۲۰۲۰ شدیدترین موج خروج در کل دوره بررسی‌شده را به ثبت رساند. نویسندگان این نتایج را نشانه خروج قابل‌توجه استعدادهای پژوهشی می‌دانند که در سال‌های پایانی این دوره شدت بیشتری گرفته است.
تحلیل حوزه‌های تخصصی تصویر دقیق‌تری از این روند ارائه کرد. بر اساس شاخص پشتیبانی، یعنی سهم تراکنش‌های داده‌ای حاوی هر حوزه، بیشترین خروج پژوهشگران غنایی در رشته پزشکی ثبت شد: ۴ هزار و ۴۸۳ پژوهشگر، معادل ۲۵٫۷ درصد. علوم کشاورزی و زیستی با ۲ هزار و ۵۸۱ نفر، معادل ۱۴٫۸ درصد، و علوم اجتماعی با هزار و ۹۳۶ نفر، معادل ۱۱٫۱ درصد، در رتبه‌های بعدی قرار گرفتند. علوم محیط‌زیست، علوم رایانه، بیوشیمی، ژنتیک و زیست‌شناسی مولکولی، کسب‌وکار، مدیریت و حسابداری و مهندسی نیز از آستانه ۳ درصدی این شاخص فراتر رفتند.
در سطح حوزه‌های کلی علمی، علوم سلامت با ۲۸٫۹ درصد بیشترین سهم را از خروج پژوهشگران داشت و علوم زیستی با ۲۴٫۱ درصد در رتبه بعدی قرار گرفت. بااین‌حال، در همین رشته‌ها جریان معکوسی نیز مشاهده شد: از میان ۵ هزار و ۷۷ پژوهشگری که به غنا بازگشتند یا به این کشور مهاجرت کردند، ۳۳٫۹ درصد، معادل هزار و ۷۲۱ نفر، در رشته پزشکی فعالیت داشتند و ۱۹٫۵ درصد، معادل ۹۹۰ نفر، در علوم کشاورزی و زیستی مشغول بودند. نویسندگان این وضعیت را نوعی «جذب معکوس مغزها» در دل روند کلی فرار مغزها توصیف می‌کنند.
روش اصلی این پژوهش، استخراج قواعد انجمنی است؛ روشی داده‌کاوانه که از تحلیل سبد خرید در بازار الهام گرفته شده و در این مطالعه برای بررسی داده‌های کتاب‌سنجی به کار رفته است. هر تراکنش، تاریخچه کامل انتشارات یک نویسنده را از سال ۲۰۰۷ تا ۲۰۲۰ در بر می‌گرفت و تغییرات کشور محل وابستگی سازمانی و حوزه تخصصی او را ثبت می‌کرد. الگوریتم آپریوری (Apriori) مجموعه‌داده‌های پرتکرار و قواعد قدرتمندی را تولید کرد که از حداقل آستانه‌های تعیین‌شده برای پشتیبانی و اطمینان فراتر می‌رفتند.
هر قاعده با چهار معیار استاندارد ارزیابی شد: پشتیبانی که فراوانی وقوع مجموعه داده را نشان می‌دهد؛ اطمینان که احتمال مشاهده نتیجه یک قاعده را در صورت برقرار بودن شرط آن مشخص می‌کند؛ ضریب ارتقا (Lift) که هم‌وقوعی مشاهده‌شده را با مقداری که در صورت استقلال متغیرها انتظار می‌رود مقایسه می‌کند؛ و ضریب اتکا (Conviction) که میزان ناسازگاری قاعده با فرض استقلال را ارزیابی می‌کند. ضریب ارتقای بیشتر از یک نشان‌دهنده ارتباط مثبت میان رشته و مقصد مهاجرت است، در حالی که مقدار کمتر از یک از ارتباط منفی حکایت دارد.
این قواعد مقصدهای اصلی پژوهشگران غنایی را نیز مشخص کردند. قاعده «پزشکی به ایالات متحده» ضریب اطمینان ۰٫۴۳۹ داشت؛ به این معنا که احتمال مهاجرت پژوهشگران پزشکی غنایی به ایالات متحده، بر اساس این قاعده، ۴۳٫۹ درصد بود. ضریب ارتقای این رابطه ۱٫۲۸۸ و ضریب اتکای آن ۱٫۱۷۵ بود که از ارتباط مثبت در حد متوسط حکایت می‌کند. در مورد مهاجرت پژوهشگران پزشکی به بریتانیا، ضریب اطمینان تنها ۱۲٫۶ درصد بود؛ بااین‌حال، بریتانیا تنها مقصد دیگری بود که برای این رشته احتمال مهاجرت معناداری داشت.
در حوزه علوم رایانه، ضریب اطمینان مهاجرت به ایالات متحده به ۳۹٫۴ درصد رسید و برای علوم اجتماعی نیز این رقم ۳۸ درصد بود. ضرایب ارتقای این دو رابطه به‌ترتیب ۱٫۱۵۴ و ۱٫۱۱۵ محاسبه شدند. بااین‌حال، یکی از قواعد برخلاف روند عمومی بود: رابطه میان علوم کشاورزی و زیستی و مهاجرت به ایالات متحده ضریب ارتقای ۰٫۵۷۲ و ضریب اتکای ۰٫۸۱۸ داشت که نشان‌دهنده همبستگی منفی است.
در جریان مهاجرت به غنا نیز قوی‌ترین ارتباط به حوزه بیوشیمی، ژنتیک و زیست‌شناسی مولکولی و ایالات متحده مربوط می‌شد. ضریب ارتقای این رابطه ۲٫۷۲۹، ضریب اتکا ۲٫۰۵۶ و ضریب اطمینان آن ۶۲٫۵ درصد بود. این یافته نشان می‌دهد که شمار زیادی از پژوهشگران غنایی فعال در این حوزه‌ها، پیش از آنکه در سوابق علمی غنا ظاهر شوند، فعالیت حرفه‌ای خود را در ایالات متحده آغاز کرده بودند. در سطح کشورها نیز ایالات متحده و بریتانیا مهم‌ترین کشورهای مبدأ، مسیر عبور و مقصد در میان مهاجران خروجی، مهاجران ورودی و مهاجران بازگشتی بودند. چین، آفریقای جنوبی، آلمان، کانادا و نیجریه نیز به‌طور مکرر در این الگوها دیده شدند.
تیم پژوهشی برای پیش‌بینی روندهای آینده از مدل‌سازی سری‌های زمانی در محیط یادگیری ماشین کم‌کدنویسی پای‌کرِت (PyCaret) استفاده کرد. تمرکز این مرحله بر دو حوزه‌ای بود که بالاترین نرخ مهاجرت خروجی را داشتند: پزشکی و علوم کشاورزی و زیستی. ویژگی‌های ورودی مدل به سال و رشته تحصیلی محدود شدند. داده‌ها به دو بخش آموزش، شامل ۶۵ درصد مجموعه، و آزمون، شامل ۳۵ درصد آن، تقسیم شدند. برای حفظ ترتیب زمانی، سال‌های مربوط به داده‌های آزمون پس از بازه زمانی داده‌های آموزش قرار داشتند.
مدل‌ها با استفاده از اعتبارسنجی متقاطع پنج‌بخشی آموزش داده و ارزیابی شدند. بهترین مدل به میانگین خطای مطلق ۰٫۰۴۸۹۳ دست یافت و جذر میانگین مربعات خطای آن نیز در همین حدود بود. پیش‌بینی‌های حاصل که تا سال ۲۰۳۰ امتداد یافته‌اند، نشان می‌دهند که فشار ناشی از فرار مغزها در هر دو رشته ادامه خواهد داشت. این نتایج از جمع‌بندی پژوهش حمایت می‌کنند که بر اساس آن، علوم اجتماعی، علوم کشاورزی و زیستی و علوم سلامت بیش از سایر حوزه‌ها در معرض از دست دادن بلندمدت استعدادهای علمی قرار دارند.
نویسندگان یافته‌های خود را با تکیه بر نظریه‌های جاذبه و دافعه، سرمایه انسانی و شبکه‌ها تفسیر می‌کنند. از این منظر، آزمایشگاه‌های کم‌بودجه و محدود بودن فرصت‌های پیشرفت شغلی، پژوهشگران را به ترک کشور سوق می‌دهد؛ در مقابل، امکانات بهتر، تأمین مالی بیشتر و برخورداری از اعتبار حرفه‌ای در مراکز علمی پیشرفته، آن‌ها را جذب می‌کند. شبکه‌های مهاجران و همکاری‌های علمی نیز این جابه‌جایی‌ها را در مسیرهایی نسبتاً پایدار هدایت می‌کنند.
به گفته پژوهشگران، تحلیل‌های پیش‌بینانه از این نوع می‌تواند هشداری زودهنگام در اختیار سیاست‌گذاران قرار دهد و به طراحی اقدامات هدفمند برای حفظ پژوهشگران، تقویت ارتباط با جامعه علمی مهاجران و ایجاد مشوق‌هایی برای بازگشت آن‌ها کمک کند. بااین‌حال، محدودیت‌های مطالعه نیز باید در نظر گرفته شوند. داده‌های کتاب‌سنجی پژوهشگرانی را که در مجلات محلی یا نشریات نمایه‌نشده مقاله منتشر می‌کنند، پوشش نمی‌دهند. همچنین، شناسایی نویسندگان بر اساس نام و وابستگی سازمانی نمی‌تواند دقت کامل را تضمین کند. مدل‌ها نیز انگیزه‌های فردی، سازمانی یا اقتصادی پشت هر جابه‌جایی را بررسی نمی‌کنند و قادر نیستند شوک‌هایی مانند تغییر سیاست‌ها یا بحران‌های جهانی را از پیش پیش‌بینی کنند. نویسندگان تأکید می‌کنند که این چارچوب را می‌توان برای بررسی وضعیت کشورهای دیگری که با پرسش‌های مشابه درباره مقصد استعدادهای پژوهشی خود روبه‌رو هستند، بازتولید کرد.
موضوع پژوهش: تحلیل پیش‌بینانه الگوهای مهاجرت بین‌المللی پژوهشگران غنایی با استفاده از داده‌های کتاب‌سنجی و یادگیری ماشین
عنوان مقاله پژوهشی: تحلیل پیش‌بینانه استوارِ جابه‌جایی بین‌المللی استعدادهای پژوهشی
منبع مقاله: حسین، م.، آهِنه، ا.، حسن، ا. ل. و کانزونی، ع. د. (۲۰۲۶). «تحلیل پیش‌بینانه استوارِ جابه‌جایی بین‌المللی استعدادهای پژوهشی». Discover Data، جلد ۴، شماره ۱، مقاله ۱۶. https://doi.org/10.1007/s44248-026-00110-5
شناسه دیجیتال مقاله (DOI): 10.1007/s44248-026-00110-5
کلیدواژه‌ها: غنا، فرار مغزها، جابه‌جایی پژوهشگران، کتاب‌سنجی، استخراج قواعد انجمنی، یادگیری ماشین، اسکوپوس، وب آو ساینس، نرخ خالص مهاجرت، حفظ استعدادها، علوم سلامت، پیش‌بینی سری‌های زمانی