ترکیب SEM و یادگیری ماشین با شبکه عصبی ANN + مثال پژوهشی

چرا روش‌های آماری سنتی به تنهایی کافی نیستند؟

در سال‌های اخیر حجم داده‌های تولیدشده در حوزه‌های مختلف به‌طور چشمگیری افزایش یافته است. پژوهشگران، مدیران و تصمیم‌گیران دیگر تنها به دنبال توصیف داده‌ها نیستند؛ بلکه می‌خواهند روابط بین متغیرها را بهتر درک کنند و در عین حال بتوانند رخدادهای آینده را نیز با دقت بیشتری پیش‌بینی نمایند. به همین دلیل، استفاده از روش‌های تحلیلی پیشرفته بیش از گذشته مورد توجه قرار گرفته است.

روش‌های آماری سنتی نقش مهمی در توسعه دانش علمی داشته‌اند و همچنان در بسیاری از پژوهش‌ها مورد استفاده قرار می‌گیرند. با این حال، این روش‌ها در مواجهه با داده‌های حجیم، روابط غیرخطی و الگوهای پیچیده گاهی با محدودیت‌هایی روبه‌رو می‌شوند. برای مثال، ممکن است یک مدل آماری بتواند رابطه بین چند متغیر را توضیح دهد، اما در پیش‌بینی دقیق رفتار آینده عملکرد مطلوبی نداشته باشد.

چرا پژوهشگران از ترکیب SEM و یادگیری ماشین استفاده می‌کنند؟

از سوی دیگر، الگوریتم‌های یادگیری ماشین توانایی بالایی در کشف الگوهای پنهان و انجام پیش‌بینی‌های دقیق دارند، اما اغلب نمی‌توانند به‌روشنی توضیح دهند که چرا یک رابطه یا نتیجه خاص به وجود آمده است. به همین دلیل پژوهشگران به جای انتخاب یکی از این دو رویکرد، به سمت ترکیب آن‌ها حرکت کرده‌اند تا از مزایای هر دو بهره‌مند شوند.

یکی از محبوب‌ترین رویکردهای ترکیبی در سال‌های اخیر، استفاده همزمان از مدل‌سازی معادلات ساختاری (SEM) و یادگیری ماشین (Machine Learning) است. در این رویکرد، SEM به پژوهشگر کمک می‌کند روابط میان متغیرها و سازه‌های پنهان را شناسایی و اعتبارسنجی کند، در حالی که الگوریتم‌های یادگیری ماشین، به‌ویژه شبکه‌های عصبی مصنوعی (ANN)، از این اطلاعات برای انجام پیش‌بینی‌های دقیق‌تر استفاده می‌کنند. به بیان ساده، SEM به پرسش «چرا؟» پاسخ می‌دهد و یادگیری ماشین به پرسش «چه اتفاقی خواهد افتاد؟».

در این مقاله با مفهوم ترکیب SEM و یادگیری ماشین، نقش شبکه‌های عصبی مصنوعی (ANN) در این رویکرد، روش‌های رایج پیاده‌سازی و مهم‌ترین کاربردهای آن آشنا خواهیم شد.

در ویدیوی زیر توضیحات و مزایای این روش ترکیبی آموزش داده شده است.

اگر با مفاهیم اولیه مدل‌سازی معادلات ساختاری آشنا نیستید، پیشنهاد می‌کنیم ابتدا مقاله «مدلسازی معادلات ساختاری؛ مفاهیم اولیه به زبان ساده» را مطالعه کنید تا درک بهتری از مباحث مطرح‌شده در این مقاله داشته باشید.

مدل‌سازی معادلات ساختاری (SEM) چیست و چه کاری انجام می‌دهد؟

مدل‌سازی معادلات ساختاری یا SEM (Structural Equation Modeling) یکی از روش‌های پیشرفته تحلیل داده است که برای بررسی روابط بین متغیرها و آزمون مدل‌های مفهومی مورد استفاده قرار می‌گیرد. این روش به پژوهشگر کمک می‌کند تا علاوه بر بررسی روابط مستقیم، تأثیرات غیرمستقیم میان متغیرها را نیز تحلیل کند.

یکی از مهم‌ترین ویژگی‌های SEM، توانایی آن در تحلیل متغیرهای پنهان است. متغیرهای پنهان مفاهیمی هستند که به‌طور مستقیم قابل اندازه‌گیری نیستند و معمولاً از طریق چندین شاخص یا سؤال سنجیده می‌شوند. برای مثال، رضایت مشتری، کیفیت خدمات یا وفاداری مشتری از جمله سازه‌هایی هستند که به‌صورت مستقیم مشاهده نمی‌شوند.

علاوه بر این، SEM ابزاری قدرتمند برای آزمون فرضیه‌های پژوهش محسوب می‌شود. پژوهشگران می‌توانند با استفاده از این روش بررسی کنند که آیا روابط پیش‌بینی‌شده در مدل مفهومی آن‌ها توسط داده‌های واقعی تأیید می‌شود یا خیر.

اگر قصد دارید با مفاهیم، اجزا و مراحل اجرای این روش بیشتر آشنا شوید، پیشنهاد می‌کنیم مقاله «مدلسازی معادلات ساختاری؛ مفاهیم اولیه به زبان ساده» را مطالعه کنید.

یادگیری ماشین چیست و چه تفاوتی با SEM دارد؟

یادگیری ماشین (Machine Learning) شاخه‌ای از هوش مصنوعی است که به سیستم‌ها امکان می‌دهد از داده‌ها یاد بگیرند و بدون برنامه‌ریزی صریح، الگوها و روابط موجود در داده‌ها را شناسایی کنند. هدف اصلی بسیاری از الگوریتم‌های یادگیری ماشین، ارائه پیش‌بینی‌های دقیق بر اساس داده‌های گذشته است.

برخلاف SEM که عمدتاً برای تبیین روابط و آزمون فرضیه‌ها استفاده می‌شود، یادگیری ماشین بیشتر بر پیش‌بینی تمرکز دارد. به عبارت دیگر، SEM تلاش می‌کند توضیح دهد چرا یک پدیده رخ می‌دهد، در حالی که یادگیری ماشین تلاش می‌کند پیش‌بینی کند چه اتفاقی در آینده خواهد افتاد.

برای مثال، در حوزه بازاریابی یک مدل SEM می‌تواند نشان دهد که کیفیت خدمات چگونه بر رضایت و وفاداری مشتری تأثیر می‌گذارد. اما یک الگوریتم یادگیری ماشین می‌تواند با استفاده از داده‌های مشتریان پیش‌بینی کند که کدام مشتریان احتمال بیشتری برای خرید مجدد دارند.

به همین دلیل، SEM و یادگیری ماشین را نباید رقیب یکدیگر دانست؛ بلکه این دو رویکرد می‌توانند در کنار هم تصویری کامل‌تر از داده‌ها ارائه دهند؛ یکی برای درک روابط و دیگری برای پیش‌بینی نتایج.

ترکیب SEM و یادگیری ماشین

در سال‌های اخیر پژوهشگران حوزه‌های مدیریت، مهندسی صنایع، علوم رفتاری و حتی بازاریابی، به طرف روش‌هایی روی آورده‌اند که قدرت تحلیل نظری مدل‌های علّی (SEM) را با توان پیش‌بینی یادگیری ماشین (ML) تلفیق کند.این رویکرد جدید، مرز بین مدل‌سازی تئوریک و تحلیل داده‌محور را از میان برداشته و به شکل حیرت‌انگیزی باعث افزایش اعتبار و قدرت پیش‌بینی مدل‌های تحقیق شده است.

فلسفه ترکیب SEM–ML: تئوری + داده

مدلسازی معادلات ساختاری برای آزمون فرضیه‌ها و روابط بین متغیرها طراحی شده است. مثلاً پژوهشگری می‌تواند فرض کند که:

• نوآوری سازمانی بر عملکرد شرکت اثر مثبت دارد،
• و این اثر از طریق فرهنگ سازمانی تعدیل می‌شود.

SEM با استفاده از داده‌های پرسشنامه، این فرضیه‌ها را در چارچوب نظری خطی و علّی بررسی می‌کند و ضریب مسیرها را به‌دست می‌آورد. اما SEM در بیان روابط پیچیده و غیرخطی محدود است؛ دنیای واقعی همیشه به‌صورت خطی رفتار نمی‌کند!

اینجاست که یادگیری ماشین (Machine Learning) وارد میدان می‌شود.

نقش یادگیری ماشین در مدل ترکیبی

الگوریتم‌های یادگیری ماشین مثل:

• Random Forest
• Neural Networks
• Gradient Boosting Machines (GBM)

طوری طراحی شده‌اند که می‌توانند الگوهای پیچیده، غیرخطی و تعاملی بین متغیرها را خودشان یاد بگیرند به عنوان نمونه، فرض کنیم داده‌های شما از مدل SEM استخراج شده و شامل نمرات متغیرهای پنهان زیر است:

در مدل ترکیبی، ابتدا از SEM برای تخمین روابط علّی بین این سازه‌ها استفاده می‌کنید، سپس نمرات نهفته (Latent Scores) را به الگوریتم یادگیری ماشین می‌دهید تا عملکرد را پیش‌بینی کند. این مرحله دوم باعث افزایش دقت و قدرت مدل می‌شود.

تفاوت رابطه خطی و غیرخطی در مدل ترکیبی

بسیاری از روابط واقعی بین پدیده‌های سازمانی، غیرخطی هستند یعنی افزایش یک عامل همیشه به همان اندازه باعث افزایش خروجی نمی‌شود.

مثلاً افزایش نوآوری تا حدی مفید است، اما بعد از حد خاصی ممکن است باعث آشفتگی شود و عملکرد را کاهش دهد.

SEM که فرض خطی دارد، چنین موضوعی را نمی‌بیند؛ ولی الگوریتم‌های یادگیری ماشین دقیقاً همین رفتار را کشف می‌کنند.

مثال ساده و شهودی:

در مدل SEM (رابطه خطی):

Performance=0.4×Innovation+0.3×Leadership+0.2×Culture 

یعنی اگر نوآوری 1 واحد زیاد شود، عملکرد همیشه 0.4 واحد زیاد می‌شود.

در مدل یادگیری ماشین، ممکن است تابعی مانند زیر به‌دست آید:

Performance=0.4×Innovation−0.1×Innovation²+0.3×Leadership+0.2×Culture 

نتیجه:

• وقتی نوآوری کم است ← عملکرد رشد می‌کند
• وقتی نوآوری خیلی زیاد شود ← عملکرد کمی افت می‌کند (به دلیل بیش‌عملی یا پیچیدگی سازمانی)

یادگیری ماشین با منحنی‌های داده‌ای این الگو را خودش کشف می‌کند، درحالی‌که SEM فقط یک خط مستقیم می‌کشد.

چرا این ترکیب مهم است؟

1. افزایش اعتبار مدل تحقیق: وقتی پیش‌بینی یادگیری ماشین نتایج SEM را تأیید کند، مدل شما هم نظری و هم تجربی معتبر می‌شود.
2. کشف روابط پنهان: ML می‌تواند روابط غیرقابل مشاهده در مدل‌های سنتی را آشکار کند.
3. تحلیل عمیق داده‌های پیچیده: برای داده‌های بزرگ یا دارای تعامل زیاد، SEM به تنهایی کافی نیست اما با ML ترکیب عالی می‌سازد.
4. بهبود قدرت پیش‌بینی مدل‌ها: در مطالعات تجربی، اغلب مشاهده می‌شود که R² مدل ML–SEM حدود 0.5 یا بیشتر است، یعنی 50٪ از واریانس متغیر وابسته توسط مدل ترکیبی توضیح داده می‌شود، در حالی که SEM به‌تنهایی ممکن است 0.4 باشد.

جدول مقایسه SEM و یادگیری ماشین

چرا شبکه عصبی مصنوعی (ANN) در کنار SEM بیشتر استفاده می‌شود؟

در میان الگوریتم‌های مختلف یادگیری ماشین، شبکه عصبی مصنوعی (Artificial Neural Network یا ANN) یکی از پرکاربردترین روش‌ها برای تحلیل داده و پیش‌بینی محسوب می‌شود. این روش با الهام از ساختار مغز انسان طراحی شده و از مجموعه‌ای از نورون‌های به‌هم‌پیوسته تشکیل می‌شود که می‌توانند از داده‌ها یاد بگیرند و الگوهای موجود را شناسایی کنند.

توانایی ANN در مدل‌سازی روابط پیچیده و غیرخطی باعث شده است که در حوزه‌هایی مانند پیش‌بینی رفتار مشتریان، تحلیل ریسک، ارزیابی عملکرد سازمانی، سلامت، بازاریابی و مهندسی کاربرد گسترده‌ای داشته باشد. به همین دلیل، بسیاری از پژوهشگران از این روش برای افزایش دقت پیش‌بینی‌های خود استفاده می‌کنند.

ترکیب SEM و ANN چگونه انجام می‌شود؟

در مطالعات ترکیبی، SEM و ANN نقش‌های مکملی ایفا می‌کنند. در مرحله نخست، مدل‌سازی معادلات ساختاری (SEM) برای اعتبارسنجی سازه‌ها و بررسی روابط میان متغیرها به کار می‌رود. سپس نمرات متغیرهای پنهان استخراج‌شده از SEM به‌عنوان ورودی شبکه عصبی مصنوعی مورد استفاده قرار می‌گیرند.

در مرحله بعد، ANN با استفاده از این داده‌ها الگوهای پیچیده موجود در اطلاعات را شناسایی کرده و پیش‌بینی‌های دقیق‌تری ارائه می‌دهد. به بیان ساده، SEM به پژوهشگر کمک می‌کند بفهمد کدام عوامل اهمیت دارند و چگونه بر یکدیگر تأثیر می‌گذارند، در حالی که ANN از همین عوامل برای پیش‌بینی نتایج آینده استفاده می‌کند.

به همین دلیل، ترکیب SEM و ANN به یکی از رایج‌ترین رویکردهای هیبریدی در پژوهش‌های مدیریتی، مهندسی، بازاریابی و علوم اجتماعی تبدیل شده است.

نمونه‌ای از کاربرد ترکیب SEM و ANN

برای نمونه، رائوت و همکاران (2018) در پژوهشی با عنوان «تحلیل عوامل مؤثر بر پذیرش رایانش ابری با استفاده از رویکرد ترکیبی SEM-ANN-ISM» از یک چارچوب سه‌مرحله‌ای شامل مدل‌سازی معادلات ساختاری، شبکه عصبی مصنوعی و مدل‌سازی ساختاری تفسیری استفاده کردند. نتایج نشان داد عواملی مانند اعتماد، سبک مدیریت، نوآوری فناوری، تحلیل ریسک و ریسک ادراک‌شده امنیت فناوری اطلاعات تأثیر معناداری بر پذیرش رایانش ابری دارند. همچنین شبکه عصبی مهم‌ترین عوامل پیش‌بینی‌کننده را شناسایی کرد و ISM روابط ساختاری و قدرت نفوذ هر عامل را مشخص نمود.

رایج‌ترین روش ترکیب SEM و یادگیری ماشین

یکی از متداول‌ترین روش‌های ترکیب مدل‌سازی معادلات ساختاری (SEM) و یادگیری ماشین، استفاده از خروجی‌های SEM به‌عنوان ورودی الگوریتم‌های یادگیری ماشین است. این رویکرد تلاش می‌کند از نقاط قوت هر دو روش به‌صورت همزمان بهره ببرد؛ یعنی ابتدا روابط مفهومی و متغیرهای پنهان با SEM شناسایی شوند و سپس از این اطلاعات برای انجام پیش‌بینی‌های دقیق‌تر استفاده شود.

در این روش، پژوهش ابتدا با اجرای مدل SEM آغاز می‌شود. در این مرحله، اعتبار سازه‌ها، روابط بین متغیرها و برازش مدل مورد بررسی قرار می‌گیرد. پس از اطمینان از مناسب بودن مدل، نمره یا مقدار هر متغیر پنهان برای تمامی نمونه‌ها استخراج می‌شود. این مقادیر که با عنوان Latent Variable Scores نیز شناخته می‌شوند، نماینده مفاهیمی هستند که به‌طور مستقیم قابل اندازه‌گیری نبوده‌اند.

در مرحله بعد، این نمرات به‌عنوان متغیرهای ورودی در یک الگوریتم یادگیری ماشین استفاده می‌شوند. الگوریتم‌هایی مانند Random Forest، Neural Network، XGBoost یا Support Vector Machine می‌توانند با استفاده از این اطلاعات، متغیر هدف را با دقت بیشتری پیش‌بینی کنند.

مراحل اجرای این رویکرد

1. جمع‌آوری داده‌ها و طراحی مدل مفهومی
2. اجرای مدل SEM و بررسی برازش مدل
3. استخراج نمرات متغیرهای پنهان
4. استفاده از نمرات استخراج‌شده به‌عنوان داده ورودی
5. آموزش مدل یادگیری ماشین
6. ارزیابی دقت پیش‌بینی مدل

یک مثال ساده

فرض کنید یک شرکت قصد دارد احتمال خرید مجدد مشتریان خود را پیش‌بینی کند. در این مطالعه، متغیرهایی مانند «کیفیت خدمات»، «اعتماد مشتری» و «رضایت مشتری» به‌عنوان سازه‌های پنهان در نظر گرفته شده‌اند.

در گام اول، پژوهشگر با استفاده از SEM بررسی می‌کند که کیفیت خدمات چگونه بر اعتماد و رضایت مشتری تأثیر می‌گذارد و آیا روابط فرض‌شده مورد تأیید قرار می‌گیرند یا خیر.

پس از تأیید مدل، برای هر مشتری نمره‌ای مربوط به سازه‌های «اعتماد» و «رضایت» استخراج می‌شود. سپس این نمرات به‌عنوان ورودی یک الگوریتم Random Forest یا شبکه عصبی (Neural Network) وارد می‌شوند تا احتمال خرید مجدد هر مشتری پیش‌بینی شود.

در واقع SEM به ما کمک می‌کند متغیرهای پنهان و معنادار را از داده‌ها استخراج کنیم و یادگیری ماشین از این اطلاعات برای انجام پیش‌بینی‌های دقیق‌تر بهره می‌گیرد.

مزیت این روش چیست؟

اگر داده‌های خام مستقیماً وارد الگوریتم یادگیری ماشین شوند، ممکن است بخشی از روابط مفهومی موجود در داده‌ها نادیده گرفته شود. اما زمانی که ابتدا SEM اجرا می‌شود، متغیرهای پنهان معتبر و تأییدشده استخراج می‌شوند و مدل یادگیری ماشین به‌جای کار با تعداد زیادی شاخص پراکنده، از اطلاعاتی استفاده می‌کند که قبلاً اعتبار آن‌ها مورد تأیید قرار گرفته است.

به همین دلیل، این روش یکی از محبوب‌ترین و پرکاربردترین رویکردهای ترکیب SEM و یادگیری ماشین در حوزه‌هایی مانند مدیریت، بازاریابی، سلامت، آموزش و مهندسی به شمار می‌رود.

ترکیب SEM با سایر روش‌های تحلیلی

اگرچه در سال‌های اخیر ترکیب SEM و یادگیری ماشین مورد توجه بسیاری از پژوهشگران قرار گرفته است،  اما مدل‌سازی معادلات ساختاری قابلیت ترکیب با روش‌های دیگری را نیز دارد. در واقع، پژوهشگران بسته به هدف تحقیق، نوع داده‌ها و ماهیت مسئله از رویکردهای ترکیبی مختلفی استفاده می‌کنند تا بتوانند به نتایج دقیق‌تر و کاربردی‌تری دست یابند. 

در ادامه با دو روش ترکیبی پرکاربرد آشنا می‌شویم.

روش ترکیبی ISM و SEM (معادلات ساختاری)

یکی از رویکردهای رایج در مطالعات مدیریتی و مهندسی، ترکیب مدل‌سازی ساختاری تفسیری (ISM) و مدل‌سازی معادلات ساختاری (SEM) است.

در این روش، ابتدا با استفاده از ISM که یکی از روشهای تصمیم گیری چند معیاره است روابط میان عوامل شناسایی شده و ساختار سلسله‌مراتبی آن‌ها تعیین می‌شود. به عبارت دیگر، ISM مشخص می‌کند کدام عوامل نقش محرک دارند، کدام عوامل تحت تأثیر سایر عوامل قرار می‌گیرند و چگونه روابط میان آن‌ها شکل می‌گیرد.

پس از طراحی ساختار اولیه، مدل حاصل وارد مرحله SEM می‌شود تا روابط شناسایی‌شده با استفاده از داده‌های واقعی مورد آزمون و اعتبارسنجی قرار گیرند. به این ترتیب، ISM در مرحله توسعه مدل مفهومی و SEM در مرحله اعتبارسنجی آماری نقش ایفا می‌کند.

اگر تمایل دارید با مراحل اجرا، مزایا و نحوه پیاده‌سازی این رویکرد بیشتر آشنا شوید، پیشنهاد می‌کنیم مقاله «روش ترکیبی ISM و معادلات ساختاری» را مطالعه کنید.

روش ترکیبی SEM و ANFIS (سیستم استنتاج فازی عصبی)

یکی دیگر از رویکردهای نوین، ترکیب مدل‌سازی معادلات ساختاری (SEM) با سیستم استنتاج فازی عصبی (ANFIS) است. SEM توانایی بالایی در شناسایی و تحلیل روابط میان متغیرها و سازه‌های پنهان دارد، اما در برخی مسائل پیچیده که با عدم قطعیت، ابهام و روابط غیرخطی روبه‌رو هستیم، استفاده از مدل ANFIS می‌تواند عملکرد مدل را بهبود دهد.

در این رویکرد معمولاً ابتدا سازه‌های پنهان و روابط میان آن‌ها با استفاده از SEM شناسایی و اعتبارسنجی می‌شوند. سپس خروجی‌های حاصل از SEM به‌عنوان ورودی سیستم ANFIS مورد استفاده قرار می‌گیرند تا پیش‌بینی یا تصمیم‌گیری با دقت بیشتری انجام شود.

این روش به‌ویژه در حوزه‌هایی مانند مدیریت، بازاریابی، نگهداری و تعمیرات، ارزیابی ریسک و پیش‌بینی رفتار سیستم‌های پیچیده کاربرد فراوانی دارد.

در مقاله‌ای جداگانه با عنوان «روش ترکیبی SEM و ANFIS» به‌طور کامل به ساختار، مراحل اجرا و کاربردهای این رویکرد خواهیم پرداخت. این مقاله در ادامه کامل خواهد شد.