MỘT TUYÊN NGÔN: NĂM CÁCH ĐỂ ĐẢM BẢO CÁC MÔ HÌNH PHỤC VỤ XÃ HỘI
Các chính sách ứng phó với đại dịch nêu bật cách các dự đoán cần phải minh bạch và khiêm tốn để mời gọi cái nhìn sâu sắc chứ không phải đổ lỗi.
Andrea Saltelli, Gabriele Bammer, Isabelle Bruno, Erica Charters, Monica Di Fiore, Emmanuel Didier, Wendy Nelson Espeland, John Kay, Samuele Lo Piano, Deborah Mayo, Roger Pielke Jr, Tommaso Portaluri, Theodore M. Porter, Arnald Puy, Ismael Rafols, Jerome R. Ravetz, Erik Reinert, Daniel Sarewitz, Philip B. Stark, Andrew Stirling, Jeroen van der Sluijs & Paolo Vineis
Minh họa bởi David Parkins
Đại dịch COVID-19 minh họa hoàn hảo sự vận hành của khoa học đã thay đổi ra sao khi các vấn đề về tình trạng khẩn cấp, những thách thức, giá trị xung đột nhau — trong thời ‘hậu bình thường’.
Trước đại dịch coronavirus, các nhà thống kê đã tranh luận về việc làm thế nào để ngăn ngừa các sai trái như việc hiểu sai ý nghĩa thống kê của giá trị p, nhất là khi điều này có khả năng ảnh hưởng lên chính sách[1]. Hiện nay, kỹ thuật mô hình hóa trên máy tính đang rất được quan tâm, nhờ các chính trị gia trình bày chính sách của mình như thể được dẫn dắt bởi ‘khoa học’[2]. Các nhà nghiên cứu hiện vẫn chưa thể đưa ra số liệu chính xác, đáng tin cậy về bất kỳ khía cạnh trọng yếu nào của đại dịch. Những ẩn số đã biết gồm tỷ lệ phổ biến, tỷ lệ tử vong và tỷ lệ lây nhiễm của vi rút trong cộng đồng dân cư. Có rất ít ước tính về số ca bệnh không có triệu chứng, và chúng biến đổi rất đa dạng. Chúng ta thậm chí còn biết ít hơn về tính lây nhiễm theo mùa và cơ chế hoạt động của hệ miễn dịch, chưa kể đến tác động của các biện pháp giãn cách xã hội trong các cộng đồng đa dạng và phức tạp.
Các mô hình toán học đưa ra những con số không đáng tin cậy cao khi dự đoán số ca nhiễm, số người nhập viện và tử vong trong các kịch bản khác nhau trong tương lai. Thay vì đưa ra quan điểm dựa trên các mô hình, những đối thủ chính trị thường dùng chúng để hỗ trợ những vấn đề chính trị đã được định sẵn từ trước. Nhằm đảm bảo các dự đoán không tiếp tay cho một mục đích chính trị, những người lập mô hình, người ra quyết định và công dân cần thiết lập các chuẩn mực xã hội mới. Những người lập mô hình không được đưa ra dự đoán với độ tin cậy cao hơn mức mà các mô hình của họ đáng có; và các chính trị gia không được phép đùn đẩy trách nhiệm giải trình những chọn lựa của họ sang các mô hình2,[3].
Điều này rất quan trọng bởi khi được sử dụng thích hợp, các mô hình phục vụ xã hội cực kỳ hiệu quả: có lẽ quen thuộc nhất là mô hình dự báo thời tiết. Các mô hình này được hoàn thiện qua việc kiểm định hàng triệu dự báo với thực tế. Vì vậy, có nhiều cách truyền tải dự đoán tới nhiều dạng người dùng khác nhau, từ Hệ thống Kỹ thuật số Dự báo Thời tiết biển |Digital Marine Weather Dissemination System| cho tàu hàng trên biển đến các dự báo hàng giờ do trang weather.com thu thập. Những người đi du lịch dã ngoại, giám đốc điều hành hãng hàng không và ngư dân đều biết các đầu ra của việc mô phỏng hóa về cơ bản là không đáng tin cậy cũng như biết cách đưa ra các quyết định dựa vào dự báo.
Ở đây chúng tôi trình bày một tuyên ngôn về cách thực hành tốt nhất để lập mô hình toán học một cách có trách nhiệm. Nhiều nhóm trước chúng tôi đã mô tả những cách tốt nhất để áp dụng những hiểu biết sâu sắc từ việc mô hình hóa vào các chính sách, bao gồm cả dịch bệnh[4](xem thêm Thông tin bổ sung). Chúng tôi chắt lọc ra 5 nguyên tắc đơn giản để giúp xã hội đạt được chất lượng thiết thực từ việc mô hình hóa.
Lưu ý đến các giả định
Đánh giá độ bất trắc và độ nhạy. Các mô hình thường được đưa vào từ những ứng dụng khác, làm lơ việc các giả định hợp lý trong hoàn cảnh này có thể vô nghĩa trong hoàn cảnh khác. Các mô hình phù hợp với rủi ro hạt nhân dân sự |civil nuclear risk| có thể không đánh giá đầy đủ được rủi ro địa chấn |seismic risk|. Một độ chênh khác xảy ra khi các mô hình đòi hỏi các giá trị đầu vào vốn không có thông tin đáng tin cậy. Ví dụ, có một mô hình từng được dùng ở Vương quốc Anh để hướng dẫn chính sách giao thông lại phụ thuộc vào việc phỏng đoán có bao nhiêu hành khách trên mỗi chiếc xe hơi trong ba thập kỷ tới[5].
 |
| Chính sách: 20 mẹo để diễn giải các tuyên bố khoa học |
Một cách để hạn chế vấn đề này là thực hiện các phân tích độ nhạy và độ bất trắc toàn diện. Trong thực tế, điều đó đồng nghĩa với việc cho phép tất cả mọi thứ đều không chắc chắn — các biến, các mối quan hệ toán học và các điều kiện biên — biến thiên đồng thời trong lúc mô hình tính ra phạm vi của các dự đoán. Việc này thường cho thấy độ bất trắc trong các dự đoán thực chất lớn đáng kể hơn khẳng định ban đầu. Ví dụ, một phân tích của ba người chúng tôi (A. Saltelli, A.P., S.L.P.) đề xuất ước tính về đất trồng được tưới tiêu trong tương lai thay đổi gấp hơn 5 lần khi các mô hình hiện tại tích hợp đúng cách những bất trắc về tỷ lệ tăng dân số trong tương lai, mở rộng diện tích tưới tiêu và mối quan hệ về mặt toán học giữa chúng với nhau[6].
Tuy nhiên, các phân tích độ nhạy và độ bất trắc toàn diện này thường không được thực hiện. Bất cứ ai dựa vào mô hình để tìm kiếm nhận thức sâu sắc phải yêu cầu tiến hành các phân tích này, kết quả kiểm định cũng phải được trình bày đầy đủ và dễ tiếp cận.
Lưu tâm đến sự kiêu ngạo
Tính phức hợp có thể là kẻ thù của tính xác đáng. Hầu hết các nhà lập mô hình đều nhận thức được có sự đánh đổi giữa tính hữu dụng của một mô hình và độ rộng mà mô hình cố gắng đạt được. Tuy nhiên, nhiều người bị quyến rũ bởi ý tưởng tăng tính phức hợp giúp phản ánh thực tại chính xác hơn. Khi được đưa vào càng nhiều hiện tượng, một mô hình có thể cho kết quả càng khớp với dữ liệu đào tạo, song những người lập mô hình phải trả giá. Các dự đoán thường trở nên kém chính xác. Khi thêm nhiều tham số, độ bất trắc sẽ tăng lên (hiệu ứng chuỗi bất trắc), và sai số có thể tăng cao đến nỗi các dự đoán trở nên vô dụng.
Tính phức hợp của một mô hình không phải lúc nào cũng là dấu hiệu cho khả năng nắm bắt hiệu quả các đặc điểm quan trọng. Trong trường hợp lây nhiễm HIV, mô hình đơn giản tập trung vào việc quan hệ bừa bãi hóa ra lại đáng tin cậy hơn một mô hình rắc rối dựa trên tần suất quan hệ tình dục5. Tương tự, khám phá về sự hiện hữu của ‘sự kiện siêu lây lan’ và người ‘siêu lây nhiễm’ với COVID-19 cho thấy một đặc điểm truyền bệnh không lường trước được có thể khiến các nhà phân tích kinh ngạc đến nhường nào.
Một ví dụ điển hình về tính phức hợp vượt mức là mô hình từng được Bộ Năng lượng Hoa Kỳ |US Department of Energy| sử dụng để đánh giá rủi ro trong xử lý chất thải phóng xạ tại kho lưu trữ Núi Yucca [bang Nevada, Hoa Kỳ]. Được gọi là tổng hệ thống thẩm định chất lượng, mô hình này gồm 286 mô hình con với hàng ngàn tham số. Các nhà quản lý giao cho nó nhiệm vụ dự đoán độ an toàn trong “một triệu năm”. Tuy nhiên, biến then chốt duy nhất — thời gian để nước thấm xuống tầng lưu trữ dưới lòng đất — là không đáng tin cậy với biên độ sai số lên tới 103, dẫn tới kích cỡ của mô hình không còn hợp lý[7].
Tăng tính phức hợp thường cũng đặt dấu chấm hết cho nghiên cứu. Thay vào đó, mục tiêu phải là tìm mức cân bằng tối ưu có sai số.
Hơn nữa, những người được đào tạo về xây dựng các mô hình thường không được luyện tập hoặc được khuyến khích làm các phân tích dạng này. Trong khi một kỹ sư xây dựng bị khiển trách nếu cầu sập, các mô hình khác thường được phát triển bởi các nhóm lớn và sử dụng vòng phản hồi phức tạp đến mức không thể tìm ra người phải chịu trách nhiệm nếu các dự đoán sai lầm vô cùng nghiêm trọng.
Lưu ý đến việc định khung
Phù hợp với mục đích và ngữ cảnh. Kết quả từ các mô hình ít nhất sẽ phản ánh phần nào những mối quan tâm, các hướng tiếp cận ngành và những thiên kiến của các nhà phát triển. Chẳng một mô hình nào phục vụ được mọi mục đích cả.
Các nhà lập mô hình biết rằng việc lựa chọn các công cụ sẽ ảnh hưởng, thậm chí là quyết định, kết quả phân tích, vì vậy kỹ thuật không bao giờ mang tính trung lập. Ví dụ, mô hình GENESIS về xói mòn bờ biển từng được Quân đoàn Kỹ sư Hoa Kỳ sử dụng để hỗ trợ đánh giá chi phí — lợi ích cho các dự án bảo tồn bãi biển. Mô hình chi phí — lợi ích không thể dự đoán đúng thực tế cơ chế xói mòn bãi biển do sóng hoặc hiệu quả của việc bồi đắp nhân tạo. Mô hình này rất dễ bị thao túng nhằm tạo thêm chứng cứ cho rằng một số dự án công trình biển là có ích7. Một đánh giá hợp lý hơn hẳn sẽ xem xét các sự kiện giông bão cực đoan chi phối quá trình xói mòn như thế nào.
Các phương pháp tiếp cận chung để đánh giá chất lượng cần đi kèm với cam kết chung về tính minh bạch. Ví dụ về các thuật ngữ hứa hẹn độ chính xác rõ ràng bao gồm: “chi phí - lợi ích”, “lợi ích kỳ vọng”, “lý thuyết ra quyết định”, “đánh giá vòng đời”, “dịch vụ hệ sinh thái” và “chính sách dựa trên chứng cứ”. Tuy nhiên, tất cả chúng đều giả định trước bộ giá trị quy chuẩn về những yếu tố cần được chú trọng — đối với một số người là tính bền vững, với người khác là năng suất hoặc lợi nhuận3,[8]. Những người lập mô hình không nên che giấu các giá trị chuẩn tắc trong các lựa chọn của họ.
Hãy xem xét giá trị thống kê của mỗi mạng sống, được định nghĩa một cách lỏng lẻo là chi phí để ngăn một người tử vong. Đã có nhiều tranh luận xung quanh việc ấn định mức bồi thường — ví dụ đối với các nạn nhân rơi máy bay. Mặc dù giá trị này có thể góp phần giúp chọn chính sách y tế công cộng tốt nhất, chúng cũng ngụy tạo vẻ ngoài chặt chẽ đến đáng ngờ nhằm che giấu các quyết định mang tính chính trị dưới lớp vỏ kỹ thuật8.
 |
| Coronavirus và COVID-19: Luôn cập nhật |
Cách tốt nhất để tránh trường hợp các mô hình che giấu những giả định, bao gồm cả khuynh hướng chính trị, là một tập hợp các chuẩn mực xã hội. Các chuẩn mực này phải bao gồm cách tạo ra mô hình, đánh giá độ bất trắc của chúng và cách truyền tải kết quả. Nhiều ngành đã có bộ hướng dẫn quốc tế như thế. Theo đó, quy trình phải có sự tham gia của các bên liên quan, đón nhận nhiều quan điểm đa chiều và thúc đẩy tính minh bạch, khả năng lặp lại các kết quả nghiên cứu |replication|, phân tích độ nhạy và độ bất trắc. Bất cứ khi nào một mô hình được áp dụng trong ứng dụng mới với các bên liên quan mới, mô hình đó phải được xác thực và xác chứng lại lần nữa.
Các quy chuẩn hiện có về việc mô hình hóa bệnh truyền nhiễm phản ánh những mối quan ngại này song chưa được áp dụng rộng rãi4. Các phiên bản giản hóa, ngôn từ trong sáng của mô hình có thể cực kỳ quan trọng. Khi một mô hình không còn như một hộp đen nữa, người dùng phải phản ứng đánh giá từng tham số và mối quan hệ giữa chúng. Điều này giúp chúng ta trao đổi về những khung phân tích và giả định khác nhau sẽ tương ứng với những suy luận khác nhau thế nào, chứ không chỉ về một sự diễn giải độc nhất, được giản lược từ một mô hình quá phức tạp. Hoặc ta có thể diễn đạt bằng biệt ngữ như sau: các mô tả định tính của nhiều tập hợp các giả định hợp lý có khi quan trọng không kém các kết quả định lượng trong việc cải thiện nhận thức sâu sắc của những người ra quyết định.
Ví dụ, các mô hình dự báo rủi ro lũ lụt và quản lý nghề cá đều tuân thủ các quy chuẩn trên. Những quy chuẩn này gồm những nhận thức sâu sắc và trực giác của các bên liên quan về những mục đích mong muốn của cả đầu vào lẫn đầu ra.
Chú ý tới các hệ quả
Nỗ lực lượng hoá có thể phản tác dụng. Khi quá đặt nặng số liệu ta có thể đẩy một quy tắc từ gần đúng đến mức hoàn toàn sai lầm. Đôi khi người ta sử dụng chẳng suy xét các kiểm định thống kê thay cho cho óc phán đoán sáng suốt. Nhằm ngụy tạo vẻ an toàn cho những sản phẩm tài chính đầy rủi ro, các mô hình đã góp phần làm trật bánh nền kinh tế toàn cầu trong giai đoạn 2007–085.
Khi con số trở thành trung tâm với một câu chuyện kể súc tích, các giải thích và ước tính khả thi khác có thể biến mất khỏi tầm nhìn. Điều này có thể dẫn đến tự mãn và sự chính trị hóa việc lượng hoá, vì các lựa chọn khác đã bị gạt ra rìa. Trong trường hợp COVID-19, có hàng loạt vấn đề rất khác nhau đang đồng thời thách thức như số giường bệnh chăm sóc đặc biệt sẵn có, công ăn việc làm và quyền tự do công dân, dù cho không thể lượng hoá để đưa các vấn đề này vào các mô hình.
Độ chính xác giả tăng cường cảm giác sai lầm về độ tin cậy. Nếu các nhà lập mô hình nói với Vương quốc Anh rằng sẽ có 510.000 người tử vong[9] nếu không có biện pháp chống dịch nào được thực thi, một số người dễ cảm thấy dự báo này đáng tin bởi có tới 2 chữ số có nghĩa trong đó. Thay vào đó, ngay cả các phân tích độ bất trắc hạn chế nhất — chỉ dựa trên một tham số — cũng cho kết quả 410.000–550.000 ca tử vong. Tương tự, Tổ chức Y tế Thế giới dự đoán số ca tử vong ở châu Phi sẽ lên đến 190.000 ca (xem tại go.nature.com/3hdy8kn). Kết quả này tương đương với đoán mò tương lai bằng cách tăng tùy tiện 10% cho 10 biến đầu vào không chắc chắn — như thể chúng thật sự không chắc chắn hệt nhau — mà không dựa trên cơ sở lý thuyết hoặc thực nghiệm nào. Dù các thí nghiệm tưởng tượng là hữu ích, nhưng cũng không nên xem chúng như các dự báo.
Sự kém minh bạch về độ bất trắc sẽ hủy hoại lòng tin. Một thông điệp của lĩnh vực xã hội học về sự lượng hoá[10] đã chứng tỏ các con số chỉ hữu ích khi được tin tưởng8. Việc giải thích đầy đủ vì thế rất quan trọng.
Lưu tâm đến những điều chưa biết
Thừa nhận sự vô tri. Trong phần lớn chiều dài lịch sử triết học phương Tây, tự nhận thức về sự vô tri được coi là một đức tính tốt, là đối tượng xứng đáng để theo đuổi trí tuệ — cái mà triết gia Nicholas ở Cusa ở thế kỷ 15 gọi là sự vô tri được khai ngộ |learned ignorance| (biết là ta không biết), hay docta ignorantia (ngu dốt thông thái). Ngay cả ngày nay, việc trao đổi về những gì chưa biết cũng quan trọng như chia sẻ về điều đã biết. Tuy nhiên, các mô hình có thể che giấu sự vô tri.
Việc không nhận ra điểm này có thể giới hạn một cách giả tạo các tuỳ chọn về chính sách và để ngỏ cửa cho những bất ngờ ngoài mong đợi. Ví dụ, điều bất ngờ là những nguyên thủ quốc gia đã gặp phải, khi các nhà kinh tế học được giao nhiệm vụ tính toán thừa nhận rằng các mô hình của họ — theo thiết kế — không thể dự báo được cuộc suy thoái vừa qua. Tệ hơn nữa, việc xem nhẹ những bất trắc tạo cơ hội cho các chính trị gia trốn tránh trách nhiệm giải trình. Các chuyên gia cần dũng cảm trả lời rằng “không có con số nào để trả lời cho câu hỏi của bạn”, như nhà dịch tễ học của chính phủ Hoa Kỳ Anthony Fauci đã đáp khi bị một nhà chính trị vặn hỏi.
Câu hỏi chứ không phải câu trả lời
Việc sử dụng các mô hình toán học là một cách tuyệt vời để nghiên cứu các vấn đề. Đó cũng là một cách nguy hiểm để khẳng định các đáp án. Đòi hỏi các mô hình về độ tin cậy hoặc sự đồng thuận là một dấu hiệu về những khó khăn khi đưa ra các quyết định gây tranh cãi hơn là một dấu hiệu của một giải pháp, và điều này có thể khuyến khích việc lượng hóa chỉ để thỏa tính hình thức.
Những giả định và hạn chế trong các mô hình phải được đánh giá công khai và trung thực. Quy trình và đạo đức cũng quan trọng không kém năng lực trí tuệ. Theo quan điểm của chúng tôi, để xây dựng một mô hình tốt không thể chỉ trông đợi độc nhất vào các nhà lập mô hình. Đó là một hoạt động xã hội. Phong trào của những người sách động thống kê |statactivism|[*] ở Pháp đã cho thấy cách dùng số liệu để đấu tranh bằng số liệu, chẳng hạn như trong việc lượng hoá nghèo đói và bất bình đẳng[11].
Một hình thức hoạt động xã hội dựa trên mối quan hệ giữa các mô hình và xã hội được đưa ra bởi kỹ sư-doanh nhân ở Mỹ Tomás Pueyo. Ông không phải là nhà dịch tễ học, song ông viết về các mô hình COVID-19 và giải thích dễ hiểu tác động của những bất trắc tới các lựa chọn chính sách.
Chúng tôi không kêu gọi chấm dứt việc lượng hóa, cũng không kêu gọi ủng hộ các mô hình phi chính trị, mà kêu gọi ủng hộ việc công bố đầy đủ và trung thực. Tuân theo 5 điều trên đây giúp giữ vững giá trị của việc lập mô hình toán học. Mỗi ý trong số này đều góp phần vào mục tiêu chung là lọc ra điểm mạnh và giới hạn của các kết quả của mô hình. Bỏ qua 5 điều này thì các dự báo của mô hình chỉ là vỏ bọc cho những mối quan tâm và các giá trị ngầm ẩn. Hãy xây dựng mô hình một cách có trách nhiệm.
Nature 582, 482-484 (2020)
doi: https://doi.org/10.1038/d41586-020-01812-9
THÔNG TIN BỔ SUNG
1. Thông tin thêm và tài liệu tham khảo
Các từ khóa: Giao tiếp, Chính sách, Dịch tễ học
Huỳnh Thị Thanh Trúc & Nguyễn Việt Anh dịch
Nguồn: “Five ways to ensure that models serve society: a manifesto”, Nature, June 24, 2020.
----
Bài có liên quan:
TÀI LIỆU THAM KHẢO [1]
Mayo, D. G. Statistical Inference as Severe Testing (Cambridge Univ. Press, 2018). [2]
Devlin, H. & Boseley, S. ‘Scientists criticise UK government’s ‘following the science’ claim’ (The Guardian, 23 April 2020). [3]
Stirling, A. ‘How politics closes down uncertainty’. Available at https://go.nature.com/3kjvutz. [4]
Behrend, M. R. et al. PLoS Negl. Trop. Dis. 14, e0008033 (2020). [5]
Kay, J. A. & King, M. A. Radical Uncertainty: Decision-making Beyond the Numbers (W. W. Norton & Company, 2020). [6]
Puy, A., Lo Piano, S. & Saltelli, A. Geophys. Res. Lett. 47, e2020GL087360 (2020). [7]
Sarewitz, D., Pielke, R. A. & Byerly, R. Prediction: Science, Decision Making, and the Future of Nature (Island Press, 2000). [8]
Porter, T. M. Trust in Numbers: The Pursuit of Objectivity in Science and Public Life (Princeton Univ. Press, 1996). [9]
Ferguson, N. M. et al. Impact of non-pharmaceutical interventions (NPIs) to reduce COVID-19 mortality and healthcare demand (Imperial College London, 2020). [10]
Espeland, W. N. & Stevens, M. L. Eur. J. Sociol. 49, 401–436 (2008). [11]
Bruno, I., Didier, E. & Vitale, T. Partecipazione e Conflitto 7, 198–220 (2014). [*]
Phải hiểu Statactivisme (sách động thống kê) là một từ mới do chúng tôi sáng tạo vừa như một khẩu hiệu giương lên trong các cuộc đấu tranh, vừa như một khái niệm mô tả được dùng để chỉ những trải nghiệm nhằm giành lại quyền lực giải phóng của các số liệu thống kê (...) Sách động thống kê có một nghĩa rộng và một nghĩa hẹp. Trước tiên thuật ngữ này chỉ tất cả những cách thực hành thống kê được sử dụng để phê phán và tự giải phóng khỏi một uy quyền, bất luận đó là uy quyền nào đi nữa. Các cách thực hành này đã có từ lâu như Luc Boltanski, Alain Desrosières, Luis-Georges Tin và Theodore M. Porter nhắc lại trong cuốn sách này. Nhưng trong một nghĩa thứ hai, hạn hẹp hơn, một số những cách thực hành này đặc biệt thích hợp với những kiểu quyền lực được thực thi trong khuôn khổ của sự cai quản tân tự do, chúng nhằm tự giải phóng ra khỏi sự cai trị đặc thù này” (Statactivisme. Comment lutter avec des nombres do Isabelle Bruno, Emmanuel Didier và Julien Préviaux chủ biên, Paris, 2014, trang 7-8) (BT).
----
Chú thích:
