توانمندسازی همکاری: داده‌ها، اعتماد و آینده مشترک بین بخش دولتی و خصوصی

توانمندسازی همکاری: داده‌ها، اعتماد و آینده مشترک بین بخش دولتی و خصوصی

چکیده

این مقاله به بررسی اهمیت فزاینده همکاری بین بخش‌های دولتی و خصوصی در استفاده از داده‌ها برای تصمیم‌گیری‌های آگاهانه در حوزه‌های توسعه اقتصادی، توسعه نیروی کار و آموزش عالی می‌پردازد. با توجه به چالش‌های کنونی مانند نرخ پایین پاسخگویی نظرسنجی‌ها، عدم اعتماد به داده‌ها و حجم بالای اطلاعات، نیاز به رویکردهای نوین و راه‌حل‌های مشارکتی بیش از پیش حس می‌شود [۱, ۴, ۶, ۹]. از طریق بررسی ابتکاراتی مانند مبادله داده‌های شغل و استخدام (Jedex) و پلتفرم آرکانزاس لانچ (Arkansas Launch)، این مقاله نشان می‌دهد که چگونه می‌توان از طریق استانداردسازی داده‌ها، استفاده از هوش مصنوعی، و طراحی کاربرمحور، ارزش افزوده مستقیم برای افراد، کارمندان و کسب‌وکارها ایجاد کرد [۳, ۶, ۱۲, ۱۴]. هدف نهایی، عبور از مدل‌های سنتی سیاست‌گذاری مبتنی بر شواهد به یک پارادایم جدید است که در آن داده‌ها به عنوان توانمندساز اصلی برای ایجاد فرصت‌ها و رشد اقتصادی عمل می‌کنند [۱۸, ۱۹].

مقدمه

در دنیای امروز که با عدم قطعیت فزاینده‌ای مواجه است، نیاز به تصمیم‌گیری‌های مبتنی بر شواهد، حیاتی‌تر از همیشه به نظر می‌رسد [۱]. برای بیش از ۲۵ سال، مرکز رقابت‌پذیری اقتصادی منطقه‌ای (CREC)، بر استفاده از شواهد برای هدایت تصمیم‌گیری‌ها در پیوند توسعه اقتصادی، توسعه نیروی کار و آموزش عالی تمرکز کرده است [۱]. کن پی، مدیر CREC و مجری این پنل، اشاره می‌کند که در گذشته، “شواهد” اغلب به معنای داستانی بود که توسط کسی روایت می‌شد یا آنچه در آن لحظه در ذهن کسی بود [۱]. اما اکنون، نیاز به بازسازی و تفکر مجدد در مورد چگونگی جایگاه کار ما در این دنیای نامطمئن وجود دارد [۱].

این بحث با حضور سه متخصص برجسته در زمینه داده و همکاری آغاز می‌شود: جیسون تیشکو، معاون ارشد سیاست‌ها و برنامه‌ها در اتاق بازرگانی ایالات متحده؛ نیکول آیفیل، معاون مدیر داده در بنیاد گیتس؛ و رابرت مک‌کو، مدیر ارشد داده ایالت آرکانزاس [۱, ۲]. همه آنها بر این باورند که داده یک بخش واقعاً حیاتی از کاری است که انجام می‌دهند و جزء مأموریت آنها شده است [۲]. این مقاله با تکیه بر دیدگاه‌ها و تجربیات این کارشناسان، چالش‌ها، فرصت‌ها و راه‌حل‌های نوآورانه در زمینه همکاری دولتی و خصوصی برای استفاده موثرتر از داده‌ها را بررسی می‌کند.

چشم‌انداز در حال تحول داده و تصمیم‌گیری

از شواهد روایی تا بینش‌های مبتنی بر داده

کن پی خاطرنشان می‌کند که حوزه کاری آنها در ابتدا، شواهد را به عنوان یک داستان یا آنچه در ذهن افراد بود تعریف می‌کرد [۱]. با این حال، نیاز به ساخت مجدد و تفکر دوباره در مورد جایگاه ما در دنیای نامطمئن که توسط مارک (سخنران قبلی) مطرح شد، ضروری است [۱]. جیسون تیشکو در اتاق بازرگانی ایالات متحده، بر هدایت نوآوری در سیستم آموزش و نیروی کار کشور از طریق استفاده از داده‌های بهتر و توسعه محصولات و خدمات تمرکز دارد [۱]. نیکول آیفیل در بنیاد گیتس، کارش بر بهبود دسترسی به داده‌ها برای کمک به افراد کم‌درآمد جهت بهبود وضعیت زندگی‌شان از طریق دسترسی به آموزش پس از متوسطه و هدایت منابع محدودشان به سمت نتایج مؤثرتر متمرکز است [۲]. رابرت مک‌کو، مدیر ارشد داده آرکانزاس، نیز بر بهبود ظرفیت آرکانزاس برای اشتراک‌گذاری، تحلیل و استفاده از داده‌های اداری ایالت برای حل مشکلات معنادار تأکید دارد [۲]. همه آنها موافقند که داده یک بخش بسیار حیاتی از کارشان است و بخشی از مأموریت آنها شده است [۲]. این تغییر دیدگاه از روایت‌های شخصی به داده‌های عینی، ستون فقرات همکاری‌های فعلی را تشکیل می‌دهد.

چالش‌های جمع‌آوری داده‌های سنتی: نظرسنجی‌ها و اعتماد

یکی از بزرگترین چالش‌های فعلی، نرخ پایین پاسخگویی به نظرسنجی‌ها است که به گفته مارک (سخنران قبلی)، “بسیار ضعیف” است [۴]. جیسون تیشکو این موضوع را تأیید می‌کند و بیان می‌کند که اتاق بازرگانی این روند را پیگیری کرده است [۶]. این وضعیت، نیاز به تفکر در مورد راه‌های جایگزین برای جمع‌آوری اطلاعات را برجسته می‌کند تا داده‌ها قابل اعتمادتر شوند [۶]. جیسون از Jedex (مبادله داده‌های شغل و استخدام) به عنوان نمونه‌ای از این راه‌حل‌ها نام می‌برد که تلاش می‌کند از داده‌های نظرسنجی به داده‌های اداری منتقل شود و این اطلاعات را به صورت امن‌تر و به موقع‌تر از خود کارفرمایان از طریق APIها به دست آورد [۶]. او تأکید می‌کند که این رویکرد نه تنها منجر به داده‌های بهتر با هزینه کمتر می‌شود، بلکه داده‌های به موقع‌تر، کامل‌تر و قابل مقایسه‌تر را نیز فراهم می‌کند [۷].

عدم اعتماد به داده‌ها یک مانع بزرگ دیگر است [۶]. جیسون معتقد است که بخش زیادی از این بی‌اعتمادی، “به حق” به دست آمده است [۷]. داده‌ها می‌توانند برای خوب یا بد استفاده شوند و داده‌ها در دست افراد نادرست می‌توانند چیز بدی باشند [۷]. بنابراین، ایجاد سیستم‌های جمع‌آوری و گزارش‌دهی داده بهتر که اعتماد را بهبود می‌بخشند، بسیار مهم است [۷]. مشکلات درک عمومی از مفاهیمی مانند “حاشیه خطا” در نظرسنجی‌هایی مانند بررسی جامعه آمریکایی، منجر به این می‌شود که مردم اعداد را متغیر ببینند و به آنها اعتماد نکنند [۷, ۸]. این چالش زمانی تشدید می‌شود که تلاش می‌کنیم داده‌ها را سریع‌تر ارائه دهیم، زیرا “سریع‌تر” لزوماً به معنای “بهتر” نیست [۸]. به عنوان مثال، نرخ‌های واریانس در برخی از اعداد اشتغال گزارش شده آنقدر معنی‌دار هستند که می‌توانند نشان‌دهنده افزایش قابل توجه شغل یا از دست دادن شغل باشند، که این ابهام برای کاربران نهایی گیج‌کننده است [۸].

معضل “داده‌های زیاد” و قابلیت استفاده

نیکول آیفیل اشاره می‌کند که بنیاد گیتس به دنبال حرکت فراتر از صرف دسترسی به داده‌ها و اطمینان از قابل استفاده بودن آنها است [۸]. او می‌گوید یکی از موانع بزرگ این است که اغلب داده‌های زیادی در دسترس است [۹]. معلمان، که یکی از بزرگترین حوزه‌های سرمایه‌گذاری بنیاد گیتس در بخش آموزش هستند، اغلب ابزارها، داشبوردها و راه‌های جدیدی برای تعامل با دانش‌آموزان دریافت می‌کنند و مشکل اصلی، زمان لازم برای یادگیری آن ابزار جدید در طول روز است [۹]. این مشکل در آژانس‌های دولتی و دپارتمان‌ها نیز مشاهده می‌شود [۹]. در اینجا، ابتکارات و شبکه‌هایی مانند Coleridge (برنامه‌ای که این پنل در چارچوب آن برگزار می‌شود) و سایر همکاری‌ها، راه‌های بسیار مؤثری برای اشتراک‌گذاری اطلاعات و دانش هستند [۹].

به گفته نیکول، بسیاری از ما (غیرمتخصصان داده) “وقت اضافی برای عمیق شدن به اندازه رابرت در تمام داده‌ها را نداریم” [۹]. بنابراین، یکی از فضاهای راه‌حل که آنها به آن فکر می‌کنند، درهایی است که هوش مصنوعی مولد (generative AI) باز می‌کند [۹]. با وجود نگرانی‌های مربوط به اعتماد، هوش مصنوعی فرصت‌های متعددی برای صرفه‌جویی در زمان قابل توجه در درک و پردازش داده‌ها و اطلاعات فراهم می‌کند [۹]. جالب اینجاست که طبق نظرسنجی Pew، دانش‌آموزان سیاه‌پوست و لاتینکس، بیشتر از دانش‌آموزان سفیدپوست از محصولات هوش مصنوعی مولد استفاده می‌کنند [۹]. این نشان می‌دهد که ابزارهایی مانند هوش مصنوعی می‌توانند نقش مهمی در ارائه اطلاعات به روشی قابل دسترس‌تر برای طیف وسیعی از کاربران، به ویژه جوانان، ایفا کنند [۱۰].

راه‌حل‌های پیشگام: پر کردن شکاف‌های داده و ایجاد اعتماد

Jedex: یک مشارکت دولتی-خصوصی برای تحول داده‌ها

یکی از نوآورانه‌ترین رویکردها برای رفع چالش‌های داده، ابتکار Jedex (مبادله داده‌های شغل و استخدام) است [۳]. جیسون تیشکو توضیح می‌دهد که Jedex بر پیشبرد استانداردهای داده و فناوری برای سوابق شغل و استخدام که توسط خود کارفرمایان نگهداری می‌شوند، تمرکز دارد [۳]. هدف اصلی این است که نحوه اشتراک‌گذاری این اطلاعات با ذی‌نفعان مختلف، به ویژه آژانس‌های دولتی و فدرال، به طور بنیادی تغییر یابد [۳].

Jedex به دنبال حل مشکلات عمیق مرتبط با هزینه و بار جمع‌آوری داده‌ها از کارفرمایان است [۱۱]. جیسون توضیح می‌دهد که بیش از ۱۵۰ گزارش احتمالی وجود دارد که یک کارفرما ممکن است در مورد داده‌های شغل و استخدام با آنها مواجه شود [۱۱]. تنها در سیستم بیمه بیکاری (UI)، ۵۳ سیستم مختلف وجود دارد که هیچ مدل داده استاندارد مشترکی ندارند [۱۱]. این بدان معناست که شرکت‌هایی با چندین مرکز، باید گزارش‌ها را سفارشی‌سازی کنند، که بار مالی و زمانی زیادی را به همراه دارد [۱۱]. این امر باعث می‌شود که جامعه تجاری “واکنشی انعکاسی از ‘نه بیشتر’ و ‘لابی علیه آن'” داشته باشد [۱۱].

Jedex یک مدل داده استاندارد شده و APIهای مشترک را پیشنهاد می‌کند که به اشتراک‌گذاری داده‌ها به روشی مدرن‌تر، کامل‌تر، به موقع‌تر، قابل مقایسه‌تر و کم‌هزینه‌تر و کم‌بارتر را امکان‌پذیر می‌سازد [۱۲]. این رویکرد نه تنها برای جامعه تجاری که داده‌ها را به اشتراک می‌گذارد، بلکه برای خود دولت که داده‌ها را جمع‌آوری و تحلیل می‌کند نیز مفید است [۱۲]. این یک “راه سوم” را ارائه می‌دهد که مشارکت دولتی-خصوصی است، برخلاف مدل‌های صرفاً فدرال یا ایالتی [۱۲]. رابرت مک‌کو تأیید می‌کند که آرکانزاس در ابتکار Jedex مشارکت دارد و یکی از ایالت‌های آزمایشی است، زیرا او به قابلیت همکاری ملی اعتقاد دارد و نمی‌خواهد “سیلوی بزرگ‌تر خاص آرکانزاس” بسازد [۱۳]. این رویکرد به دنبال یافتن یک “زبان مشترک” با کارفرمایان است و ارزش افزوده مستقیم برای آنها دارد، نه اینکه صرفاً یک کار اضافی باشد [۱۴].

چشم‌انداز آرکانزاس: فعال‌سازی ارزش داده برای افراد

رابرت مک‌کو، مدیر ارشد داده آرکانزاس، ۲۴ سال سابقه در خدمات عمومی ایالت آرکانزاس دارد و تمام این مدت را صرف مدیریت داده‌ها و گردآوری آنها برای حمایت از سیاست‌ها و عملکرد کرده است [۵]. او از پایان زنجیره تأمین داده شروع کرد و سپس به ابتدای آن (جمع‌آوری داده) حرکت کرد تا کیفیت را بهبود بخشد، و از اصول Six Sigma در تولید الهام گرفت [۵]. هدف کنونی آنها فعال‌سازی ارزش داده‌ها برای ساکنان، کارفرمایان و جوامع فردی است [۵].

آرکانزاس از مکانیزم‌های جدید جمع‌آوری داده مانند Jedex، مدیریت خط لوله استعداد و مبادله ملی نیروی کار برای از بین بردن عدم قطعیت استفاده می‌کند [۵]. رابرت تأکید می‌کند که مردم به صورت کامل به آنها مراجعه می‌کنند، نه به صورت قطعه‌قطعه، بنابراین باید تمام منابع مالی و داده‌ها را با هم جمع کنند تا یک اکوسیستم داده ایجاد شود [۵].

آرکانزاس دو ابتکار کلیدی را برای فعال‌سازی ارزش داده‌ها دنبال می‌کند: ۱. سیستم ارجاع و نتایج یکپارچه (Integrated Referral and Outcome System): این سیستم که از ابتکارات قبلی Coleridge ناشی شده است، به کارکنان ایالت کمک می‌کند تا از داده‌های یکپارچه برای هدایت شیوه‌های ثبت‌نام مشترک و ارائه خدمات یکپارچه و عملی استفاده کنند [۵]. ۲. آرکانزاس لانچ (Arkansas Launch): این پلتفرم یک دیدگاه فردی‌شده را با استفاده از هوش مصنوعی بر روی سیستم داده یکپارچه ایالتی ارائه می‌دهد [۶]. هدف آن ارائه راهنمایی، توصیه‌ها و پشتیبانی شخصی‌سازی شده به هر ساکن، هر کارفرما، و هر ارائه‌دهنده آموزش و هر دانش‌آموز است [۶]. جیسون تیشکو، آرکانزاس لانچ را به عنوان “گواهی” بر این امر می‌داند که داده‌ها صرفاً برای سیاست‌گذاری مبتنی بر شواهد جمع‌آوری نمی‌شوند، بلکه یک رابط کاربری ایجاد می‌کنند که کارفرمایان و کارمندان می‌توانند به داده‌ها دسترسی پیدا کنند تا تصمیمات خوبی برای فرصت‌های خود بگیرند [۱۴]. این شامل یافتن شغل یا مسیر آموزشی مرتبط با آنها می‌شود [۱۴].

رویکرد آرکانزاس از طراحی کاربرمحور (user-centered design) شروع می‌شود [۱۸]. آنها کارگاه‌هایی با حضور وزرای کابینه، قانون‌گذاران، و شرکای بشردوستانه برگزار کردند تا ابتدا چشم‌انداز، شخصیت‌ها، موانع و نیازهای آنها را تعریف کنند [۱۸]. سپس، اهداف دو ساله تعیین شد و بر اساس آن، داده‌های مورد نیاز شناسایی و جمع‌آوری شدند [۱۸].

نقش بنیاد گیتس: تغییر سیستمی و داده به عنوان توانمندساز

بنیاد گیتس، همانطور که نیکول آیفیل توضیح می‌دهد، بر اطمینان از اینکه همه افراد شایسته یک زندگی سالم و پربار هستند، تمرکز دارد [۴]. در حوزه ایالات متحده، کار آنها شامل آموزش و تحرک اقتصادی است [۴]. بنیاد به تغییر سیستمی متعهد است، که اساساً به معنای حذف نژاد، قومیت و وضعیت اجتماعی-اقتصادی به عنوان پیش‌بینی‌کننده‌های موفقیت دانش‌آموزان است [۴]. موفقیت در اینجا به معنای کسب یک مدرک ارزشمند و اطمینان از حرکت موفقیت‌آمیز یادگیرندگان و کارمندان در مسیر آموزش و نیروی کار است [۴].

نیکول تأکید می‌کند که برای همه اینها، داده یک توانمندساز (enabler) است [۴]. بنیاد اهمیت نه تنها تحقیق، بلکه استفاده از داده‌ها برای تصمیم‌گیری در مؤسسات آموزش عالی، در سیاست‌گذاری ایالتی و در نحوه اتصال سیستم‌های آموزش و نیروی کار که به طور سنتی جدا از هم بوده‌اند را برجسته کرده است [۴]. بنیاد در این زمینه سرمایه‌گذاری‌های قابل توجهی انجام داده است، از جمله حمایت از Coleridge، Jedex، Value Data Collaborative و چارچوب شاخص‌های نیروی کار آموزشی [۴]. رویکرد چارچوب شاخص‌ها، بر تمرکز یک برنامه تحقیقاتی حول مجموعه‌ای از سؤالات حیاتی و درک کم‌ترین مجموعه داده‌ها که می‌توان از سیستم‌های موجود برای گزارش‌دهی استفاده کرد، متمرکز است [۴].

سرمایه‌گذاری بنیاد گیتس بر روی تأمین‌کنندگان داده متمرکز است، زیرا “اینجاست که برای شروع به ارزش دسترسی پیدا می‌کنید” [۲۰]. در این لحظه عدم قطعیت در مورد بودجه و نظرسنجی‌ها، داده‌های اداری همچنان توسط بازیگران ایالتی، تأمین‌کنندگان داده ایالتی، مؤسسات آموزش عالی و خود مناطق آموزش و پرورش تولید می‌شوند [۲۰]. این یک فرصت برای آوردن ایالت‌های بیشتری به میز مذاکره فراهم می‌کند تا ارزش اطلاعات را به اشتراک بگذارند، به ویژه داده‌های نیروی کار برای جمعیت‌هایی که در ایالت‌های خاصی کار و یادگیری نمی‌کنند [۲۱]. این نشان می‌دهد که ارزش اطلاعات فقط در دولت فدرال و رویکرد تجمیع آنها نیست، بلکه در جوامع محلی نیز وجود دارد [۲۱].

بازتعریف ارزش: فراتر از سیاست‌گذاری مبتنی بر شواهد

بحث: داده در مقابل داستان

کن پی یک سوال تحریک‌آمیز مطرح می‌کند که در آن یک سیاست‌گذار گفته است: “داده مهم نیست، داستانی که گفته می‌شود مهم است.” [۱۵]. نیکول آیفیل، که مدرک خود را در آمار دارد، با این جمله موافق نیست و می‌گوید “شما نمی‌توانید بدون داده داستانی بسازید” [۱۵]. او توضیح می‌دهد که مشکل این است که اغلب افراد می‌خواهند داده را “در جعبه‌ای از متخصصان داده” قرار دهند و اجازه دهند آنها “در سرزمین داستان ماجراجویی‌های سرگرم‌کننده” داشته باشند [۱۵]. اما اینها “چیزهای جداگانه نیستند” [۱۵]. داستان‌هایی که می‌گوییم یا در مورد تجربیات زندگی خود می‌فهمیم، “متکی بر اطلاعاتی هستند که در طول روزها و ماه‌ها و هفته‌ها دریافت می‌کنیم” [۱۵].

چالش این است که متخصصان داده اغلب داستان‌های خود را با “۵۰۰ پاورقی” و جزئیات فنی پیچیده ارائه می‌دهند که ارزش اطلاعات به اشتراک گذاشته شده را پنهان می‌کند [۱۶]. نیکول مثالی می‌زند: “این واقعیت که در یک سال معین کمتر از نیمی از افرادی که تحصیلات دانشگاهی را شروع می‌کنند به دنبال مدرک لیسانس هستند؛ اکثریت دانشجویان سال اول به دنبال گواهی‌نامه یا مدرک کاردانی هستند.” [۱۶]. اما داستان‌هایی که در رسانه‌ها می‌شنویم، این است که “همه با مدرک لیسانس شروع کرده‌اند و این کاملاً اشتباه است” [۱۶]. این نشان‌دهنده یک عدم ارتباط بین اطلاعات زیربنایی و نحوه بسته‌بندی آن برای افراد است [۱۶].

برای حل این مشکل، نیکول پیشنهاد می‌کند که باید ذینفعان (beneficiaries) در اتاق حضور داشته باشند [۱۶]. “در غیاب حضور ذینفعان در اتاق برای بحث در مورد اینکه چه چیزی از ابزاری مانند لانچ (Launch) بهره‌مند خواهم شد، لحظه را از دست خواهید داد.” [۱۶]. بنابراین، داستان‌ها نیازمند همان سطح مشارکت از سوی جمع‌آوری‌کنندگان اطلاعات و کسانی که واقعاً تحت تأثیر نتایج قرار می‌گیرند هستند [۱۶]. داده باید بر روی تأثیر تمرکز کند، نه صرفاً بر مشاهدات [۱۷]. بسیاری از افراد (مانند جوانان فرصت از دست داده) در هیچ یک از سیستم‌های فعلی ما نیستند، و بدون اطلاعات کافی در مورد آنها، نمی‌توان مشکلاتشان را بیان کرد یا از آنها حمایت کرد [۱۷].

تغییر پارادایم: چه سودی برای کاربران دارد؟

جیسون تیشکو اشاره می‌کند که پارادایمی که تاکنون بر اساس آن عمل کرده‌ایم، “سیاست‌گذاری مبتنی بر شواهد” بوده است [۱۸]. او این سوال را مطرح می‌کند که آیا این بیشتر “آرمان‌گرایانه تا واقعیت” بوده است [۱۸]. او پیشنهاد می‌کند که شاید به پارادایم جدیدی نیاز داریم و راه جدیدی برای تفکر در مورد اینکه چرا این داده‌ها را جمع‌آوری می‌کنیم، چگونه از آنها استفاده می‌کنیم و چه کسی از آنها سود می‌برد، تا یک ارزش پیشنهادی بزرگ‌تر ایجاد شود [۱۹].

رابرت مک‌کو و جیسون تیشکو هر دو بر اهمیت “ارزش پیشنهادی مشترک” تأکید می‌کنند [۱۴]. اگر همه چیز در مورد سیاست‌گذاری مبتنی بر شواهد باشد، این یک ارزش پیشنهادی نسبتاً محدود است [۱۴]. جامعه تجاری ممکن است بپرسد “چه سودی برای من دارد؟” یا “چه سودی برای یادگیرندگان و کارگرانی دارد که قرار است این به آنها کمک کند؟” [۱۴]. جیسون اشاره می‌کند که آرکانزاس لانچ یک نمونه عالی از این است که چگونه می‌توان ارزش را به طور مستقیم‌تر به کارمندان و کارفرمایان رساند [۱۴].

وجود رهبرانی مانند رابرت (مدیر ارشد داده) و مایک راجرز (مدیر ارشد نیروی کار) در آرکانزاس که می‌توانند “جنگل را از درختان ببینند” و محدود به یک سیلو (سازمان) نیستند، بسیار مهم است [۱۴]. این موقعیت‌های رهبری می‌توانند یک ارزش پیشنهادی بزرگ‌تر و موارد استفاده بیشتری را نسبت به یک جمع‌آوری داده یا استفاده واحد مشاهده کنند [۱۴]. وقتی مشخص شود که داده برای چه کسی کار می‌کند – نه فقط سیاست‌گذاران، بلکه مردم و کسب‌وکارها – حمایت بسیار بیشتری به دست خواهد آمد [۱۵].

نیکول آیفیل تأکید می‌کند که یکی از نکات کلیدی این است که گاهی اوقات ذینفعان “افراد داده‌محور نیستند” [۱۷]. رابرت مک‌کو به تجربه خود اشاره می‌کند که “یاد گرفتم به آن‌ها بگویم چه کاری انجام می‌دهد، نه چگونه کار می‌کند.” [۱۸]. این مفهوم “جعبه جادو” به کاربران اجازه می‌دهد تا بر نتایج تمرکز کنند، نه بر پیچیدگی‌های داخلی سیستم [۱۸]. این رویکرد کاربرمحور، که از طراحی پرسوناها و تعیین اهداف موفقیت برای هر جمعیت شروع می‌شود، بسیار قدرتمند بوده است [۱۸].

فرصت‌ها در بحران: فراخوانی برای بازنگری اساسی

محیط کنونی به عنوان یک “بحران وجودی” و فرصت

جیسون تیشکو وضعیت فعلی را یک “بحران وجودی” توصیف می‌کند و می‌گوید “یک بحران یک چیز وحشتناک برای هدر دادن است” [۱۹]. او معتقد است که این یک فرصت برای بازنگری بنیادی در برخی مسائل است [۱۹]. کن پی این نظر را با گفتن اینکه “چیزهایی که روی میز نبودند، اکنون روی میز هستند” تأیید می‌کند [۱۹].

رابرت مک‌کو اشاره می‌کند که آرکانزاس در این تفکر تحول‌آفرین، “دو سال جلوتر” بوده است [۱۹]. فرماندار ساندِرز در اولین جلسه کابینه نیروی کار خود، با این جمله شروع کرد: “نمی‌خواهم بشنوم که ‘این همان کاری است که قبلاً انجام داده‌ایم’. دیگر سیلوها وجود ندارند، همه گزینه‌ها روی میز هستند.” [۱۹]. این به دلیل این است که آرکانزاس در بسیاری از حوزه‌ها، از جمله امنیت غذایی، در رتبه‌های پایینی قرار دارد، که نشان می‌دهد “انجام همان کارهای قبلی کارساز نخواهد بود” [۱۹]. این رویکرد جسورانه، ایالت را قادر ساخته است تا “فراتر از پر کردن شکاف‌ها و بازگشت به جایی که قبلاً بودیم” حرکت کند و برای نیازهای امروز و فردا بازنگری اساسی انجام دهد [۱۹].

راه‌حل‌های ملی، نه لزوماً فدرال

جیسون تیشکو یک “خوش‌بین” است و باور دارد که “ما می‌توانیم چیز بهتری بسازیم.” [۱۹]. او تأکید می‌کند که اکنون “ما به چیزی ملی نیاز داریم، اما لزوماً به معنای فدرال نیست.” [۱۹]. این امکان وجود دارد که این کار “به شیوه دولتی-خصوصی” انجام شود [۱۹]. او معتقد است که می‌توانیم برخی از مشکلات دیرینه مانند نداشتن ابزارهای استاندارد برای تعریف عناصر داده در سیستم بیمه بیکاری (UI) را حل کنیم [۲۰]. او Jedex را به عنوان یک “مثال” از رویکرد جدید می‌بیند که می‌تواند یک “موقعیت استفاده نمونه” برای آنچه جدید می‌تواند به نظر برسد باشد [۲۰]. این یک فرصت برای مدرن‌سازی و تحول بنیادی زیرساخت داده است و اینکه “چه کسی از آن خدمت می‌گیرد” [۲۰].

رابرت مک‌کو بر اهمیت قابلیت همکاری (interoperability) تأکید می‌کند تا “سیلوهای بزرگ‌تر خاص آرکانزاس” ایجاد نشود [۲۳]. او می‌گوید: “مردم حرکت می‌کنند و داده‌ها باید با مردم حرکت کنند.” [۲۳]. ساخت ۵۳ نسخه متفاوت از یک چیز، “کارآمد یا مؤثر نیست” [۲۳]. تقریباً تمام کارهای آرکانزاس به صورت متن‌باز (open source) انجام می‌شود که موفقیت‌های خوبی را به همراه داشته است [۲۳].

نقش هوش مصنوعی در پردازش داده‌ها

همانطور که نیکول آیفیل اشاره کرد، هوش مصنوعی مولد فرصت‌های قابل توجهی برای صرفه‌جویی در زمان در درک و پردازش داده‌ها و اطلاعات فراهم می‌کند [۹]. این می‌تواند به متخصصان کمک کند تا با حجم بالای داده‌ها مقابله کنند و بینش‌های لازم را سریع‌تر به دست آورند [۹]. علاوه بر این، استفاده از ابزارهای هوش مصنوعی توسط دانش‌آموزان نشان‌دهنده لزوم تطبیق شیوه‌های ارائه داده با پلتفرم‌هایی است که کاربران نهایی از آنها استفاده می‌کنند [۱۰]. آرکانزاس لانچ نمونه‌ای از این رویکرد است که از هوش مصنوعی برای ارائه راهنمایی شخصی‌سازی شده استفاده می‌کند [۶].

مشارکت مستقیم جامعه تجاری و ذینفعان

یکی از مهم‌ترین فرصت‌ها، مشارکت مستقیم جامعه تجاری و ذینفعان در فرآیند جمع‌آوری و استفاده از داده‌ها است [۲۱]. جیسون تیشکو این را یک “تغییر پارادایم” و “رویکردی متفاوت” می‌نامد [۲۱]. او از حضور تعداد زیادی از نمایندگان جامعه تجاری در جلسه فعلی ابراز خرسندی می‌کند و می‌گوید: “تصور کنید اگر سال آینده، چند سال دیگر، دست‌های زیادی بالا برود، زیرا اکنون آنها بخشی از گفتگو هستند، آنها مرتبط هستند.” [۲۱]. این نشان می‌دهد که جامعه تجاری می‌تواند یک ذینفع و شریک در این ارزش پیشنهادی مشترک باشد [۲۲].

نیکول آیفیل نیز بر این نکته تأکید می‌کند که اگرچه کارفرمایان “حجم قابل توجهی از داده‌ها و اطلاعات را برای ارائه به بازار کار” دارند، اما “صداها یا حداقل دیدگاهی در مورد نحوه استفاده آنها از این اطلاعات برای تصمیم‌گیری نیز باید بخشی از گفتگوهای جاری باشد.” [۲۲]. این شامل افزایش بازگشت سرمایه و افزایش تعداد کارمندان در ایالت‌های خاص یا مهارت‌ها و مشاغل خاص می‌شود [۲۲].

چشم‌انداز آینده

در سال‌های آینده، این سیستم می‌تواند متحول شود [۲۳]. رابرت مک‌کو بر تعهد آرکانزاس به قابلیت همکاری تأکید می‌کند، به این معنی که آنها نمی‌خواهند “سیلوی بزرگ‌تری به شکل آرکانزاس” بسازند [۲۳]. داده‌ها باید با افراد حرکت کنند و ساخت ۵۳ نسخه متفاوت از یک چیز کارآمد نیست [۲۳]. بنابراین، آینده شامل:

• زیرساخت داده‌ای مدرن و تحول‌یافته: این زیرساخت باید از طریق مشارکت دولتی-خصوصی و با استفاده از استانداردهای جدید مانند Jedex، به صورت ایمن و به موقع داده‌ها را به اشتراک بگذارد [۲۰].
• قابلیت همکاری ملی: داده‌ها باید بتوانند به راحتی بین ایالت‌ها و بخش‌های مختلف حرکت کنند، با تاکید بر راهکارهای متن‌باز [۲۳].
• ارزش مستقیم برای کاربران نهایی: پلتفرم‌هایی مانند آرکانزاس لانچ که از هوش مصنوعی برای ارائه راهنمایی شخصی‌سازی شده استفاده می‌کنند، نمونه‌ای از این ارزش مستقیم برای ساکنان، کارفرمایان و دانش‌آموزان هستند [۶, ۱۴].
• پایان سیلوها و رویکرد جامع: حرکت از رویکردهای برنامه‌محور به رویکردهای فردمحور، با در نظر گرفتن افراد به عنوان موجودیت‌های کامل، نه تکه‌های جدا از هم [۵, ۱۰].
• افزایش اعتماد: با ارائه داده‌های قابل فهم و از بین بردن پیچیدگی‌های غیرضروری، اعتماد عمومی به داده‌ها افزایش خواهد یافت [۷, ۸].
• رهبری نوآورانه: وجود مدیران ارشد داده و نیروی کار در سطح ایالتی می‌تواند به شکستن سیلوها و ایجاد چشم‌اندازهای بزرگ‌تر کمک کند [۱۴].
• تغییر فرهنگ از “نه” به “بله”: در محیط کنونی که بحران‌ها فرصت‌هایی برای بازنگری ایجاد می‌کنند، تمایل به نوآوری و همکاری افزایش می‌یابد [۱۹, ۲۱].

نتیجه‌گیری

همکاری بین بخش‌های دولتی و خصوصی، یک عامل حیاتی برای تحول نحوه جمع‌آوری، مدیریت و استفاده از داده‌ها است [۱۲]. چالش‌های موجود مانند عدم اعتماد به داده‌ها، پیچیدگی سیستم‌های جمع‌آوری، و حجم بالای اطلاعات، راه‌حل‌های خلاقانه و مشارکتی را ضروری می‌سازد [۶, ۹, ۱۱]. ابتکاراتی نظیر Jedex و آرکانزاس لانچ، نمونه‌های درخشانی از چگونگی پر کردن شکاف‌های داده، کاهش بار بر کارفرمایان، و ایجاد ارزش مستقیم برای کاربران نهایی هستند [۳, ۶, ۱۴].

فراتر از سیاست‌گذاری مبتنی بر شواهد، نیاز به یک پارادایم جدید وجود دارد که بر ارزش مستقیم داده‌ها برای افراد، کارمندان و کسب‌وکارها تمرکز کند [۱۴, ۱۹]. این امر مستلزم ترجمه داده‌های پیچیده به داستان‌های قابل فهم و جذاب و همچنین مشارکت فعال تمامی ذینفعان، از جمله ذینفعان نهایی، در فرآیند طراحی و پیاده‌سازی است [۱۶, ۱۸]. در نهایت، بحران‌های کنونی، فرصتی بی‌نظیر برای بازنگری بنیادی در زیرساخت داده‌ای و حرکت به سوی یک سیستم مدرن، با قابلیت همکاری بالا، متن‌باز و متمرکز بر انسان را فراهم می‌آورد [۱۹, ۲۰, ۲۳]. این همکاری‌های دولتی-خصوصی، بستر را برای آینده‌ای فراهم می‌کنند که در آن داده‌ها به عنوان کاتالیزور اصلی برای توسعه اقتصادی، تحرک نیروی کار و ارتقای آموزش در سراسر کشور عمل خواهند کرد.