چکیده
ریاضیات معمولاً دانشی برای کمّیسازی، اندازهگیری و محاسبه تلقی میشود؛ اما نقش آن در مطالعه و درمان پدیدههای روانشناختی بسیار گستردهتر از استفاده از چند مقیاس و نمره است. در رواندرمانی، مفاهیم ریاضی میتوانند دستکم در چهار سطح به کار گرفته شوند: بهعنوان زبان استعاری برای ارتقای استدلال بالینی، بهعنوان ابزار اندازهگیری و تحلیل داده، بهعنوان چارچوبی برای مدلسازی فرایندهای روانشناختی و تغییر در طول زمان، و در سطح پیشرفتهتر، بهعنوان بخشی از سامانههای تصمیمگیری و پیشبینی. با این حال، این چهار سطح از نظر اعتبار تجربی، قابلیت انتقال به عمل بالینی و میزان نیاز به اعتبارسنجی یکسان نیستند.
هدف مقاله حاضر ارائه یک چارچوب انتقادی برای فهم کاربرد ریاضیات در رواندرمانی است. در این چارچوب، میان «ریاضیات بهمثابه استعاره»، «ریاضیات بهمثابه ابزار پژوهش» و «ریاضیات بهمثابه فناوری بالینی معتبرشده» تمایز گذاشته میشود. مفاهیمی مانند تابع، احتمال، بیز، خطا، بهینهسازی، نظریه بازی، نظریه اطلاعات، فراکتال و غیرخطیبودن میتوانند برای توسعه زبان مفهومی درمانگر مفید باشند، اما استفاده از آنها بهتنهایی شواهدی برای اثربخشی یک مداخله ایجاد نمیکند. در مقابل، روشهایی مانند آمار، اندازهگیری پیامد، پایش معمول پیامدها، مدلهای طولی، تحلیل سریهای زمانی و برخی مدلهای پویای محاسباتی دارای کاربرد مستقیم پژوهشی و در موارد مشخص، کاربرد بالینی هستند.
مقاله استدلال میکند که ارزش اصلی ریاضیات برای رواندرمانی نه در تبدیل انسان به عدد، بلکه در افزایش انضباط معرفتشناختی درمانگر است: تمایز مشاهده از تفسیر، پذیرش عدمقطعیت، آزمون فرضیههای بالینی، توجه به تغییرات زمانی، استفاده مسئولانه از بازخورد و آمادگی برای اصلاح مدل ذهنی. نتیجه نهایی این است که ریاضیات زمانی برای رواندرمانی سودمند است که جایگزین تجربه انسانی نشود، بلکه کیفیت پرسش، اندازهگیری، استدلال و تصمیمگیری درباره آن تجربه را ارتقا دهد.
کلیدواژهها
ریاضیات (Mathematics)، رواندرمانی (Psychotherapy)، مدلسازی (Modeling)، احتمال (Probability)، عدمقطعیت (Uncertainty)، استدلال بیزی (Bayesian Reasoning)، نظریه تصمیم (Decision Theory)، نظریه بازی (Game Theory)، نظریه سیستمها (Systems Theory)، سیستمهای پویا (Dynamical Systems)، غیرخطیبودن (Nonlinearity)، بازخورد (Feedback)، مراقبت مبتنی بر اندازهگیری (Measurement-Based Care)، پایش معمول پیامدها (Routine Outcome Monitoring)، تحلیل شبکه (Network Analysis)، روانپزشکی محاسباتی (Computational Psychiatry)، علوم شناختی (Cognitive Science)، تغییر رواندرمانی (Psychotherapy Change)، تصمیمگیری بالینی (Clinical Decision-Making)، خطای اندازهگیری (Measurement Error)
مقدمه
رواندرمانی در نگاه نخست ممکن است قلمرویی دور از ریاضیات به نظر برسد. موضوع رواندرمانی تجربه زیسته، هیجان، معنا، رابطه، حافظه، هویت، تصمیمگیری و تغییر است؛ در حالی که ریاضیات با ساختار، مقدار، رابطه، احتمال، الگو و محاسبه سروکار دارد. اما این دو حوزه در یک نقطه اساسی به یکدیگر نزدیک میشوند: هر دو با مسئله فهم و پیشبینی پدیدههای پیچیده مواجهاند.
رواندرمانگر نیز مانند هر پژوهشگر دیگری با داده ناقص، مشاهدههای چندمعنایی، تغییرات زمانی، خطای اندازهگیری، عدمقطعیت و روابط متقابل میان متغیرها مواجه است. تفاوت مهم آن است که موضوع این شناخت یک انسان است؛ انسانی که خود دارای ذهن، معنا، اراده، زمینه اجتماعی و ظرفیت تغییر است. بنابراین، هر انتقالی از ریاضیات به رواندرمانی باید همزمان دو شرط را رعایت کند: از نظر ریاضی و تجربی معتبر باشد و از نظر بالینی و اخلاقی با ماهیت انسان سازگار بماند.
در سالهای اخیر، این پیوند از سطح استعاره فراتر رفته است. مراقبت مبتنی بر اندازهگیری به یک حوزه رسمی در عمل حرفهای روانشناسی تبدیل شده است و انجمن روانشناسی آمریکا در سال ۲۰۲۵ برای آن دستورالعمل حرفهای منتشر کرده است. پژوهشهای مربوط به پایش معمول پیامدها نیز نشان دادهاند که جمعآوری منظم داده و بازخورد دادن آن به درمانگر و مراجع میتواند در شرایط مشخص پیامدهای درمانی را بهبود دهد.
در سوی دیگر، پژوهش درباره سیستمهای پویا، مدلهای غیرخطی، تحلیل شبکه و روشهای محاسباتی در حال گسترش است. با این حال، همین گسترش یک خطر معرفتشناختی ایجاد میکند: هرچه زبان ریاضی جذابتر شود، احتمال آنکه استعاره با مکانیسم علمی و مدل پژوهشی با مداخله بالینی اشتباه گرفته شود بیشتر میشود.
بنابراین پرسش اصلی این مقاله این نیست که «آیا میتوان از ریاضیات در رواندرمانی استفاده کرد؟» پاسخ این پرسش روشن است: بله. پرسش مهمتر این است که «کدام بخش از ریاضیات، با چه هدفی، در چه سطحی، با چه شواهدی و تحت چه محدودیتهایی میتواند وارد رواندرمانی شود؟»
۱. مسئله اصلی: ریاضیات دقیقاً در کدام سطح وارد رواندرمانی میشود؟
برای جلوگیری از اغراق، باید میان چهار سطح تمایز گذاشت.
سطح نخست، کاربرد استعاری است. در این سطح، یک مفهوم ریاضی برای سازماندهی تفکر درمانگر به کار میرود، بدون آنکه واقعاً محاسبه ریاضی انجام شود. برای مثال، مفهوم تابع میتواند به درمانگر یادآوری کند که یک واکنش هیجانی به یک علت منفرد وابسته نیست و از تعامل فرد، موقعیت، تفسیر، تاریخچه و زمینه ناشی میشود.
سطح دوم، کاربرد اندازهگیری و آماری است. در اینجا ریاضیات واقعاً در تولید و تحلیل داده وارد میشود. سنجش شدت نشانهها، تحلیل تغییر، برآورد خطای اندازهگیری و بررسی تغییر قابل اعتماد از این دستهاند.
سطح سوم، مدلسازی است. در این سطح، روابط میان متغیرها یا تغییرات آنها در طول زمان بهصورت رسمی مدل میشوند. مدلهای طولی، مدلهای پویای غیرخطی، مدلهای شبکهای و برخی مدلهای محاسباتی در این قلمرو قرار میگیرند.
سطح چهارم، استفاده تصمیمیار و پیشبینانه است. در اینجا مدل ریاضی یا محاسباتی تلاش میکند درباره احتمال پیامد، انتخاب درمان، تغییر آینده یا پاسخ فرد به مداخله اطلاعات ارائه کند. این سطح از نظر بالینی حساستر است و نیازمند اعتبارسنجی خارجی، بررسی سوگیری، قابلیت تفسیر، ارزیابی سود و زیان و شواهد کاربردی است.
نکته بنیادی این است که وجود یک مدل ریاضی در سطح سوم یا چهارم، به خودی خود به معنای آمادهبودن آن مدل برای استفاده در اتاق درمان نیست.
۲. ریاضیات بهمثابه زبان استعاری برای تفکر بالینی
نخستین و شاید کمخطرترین کاربرد ریاضیات در رواندرمانی، استفاده از آن برای توسعه زبان تفکر است.
مفهوم تابع میتواند نمونه مناسبی باشد. در زبان بالینی، به جای تصور اینکه «موقعیت خاصی مستقیماً اضطراب ایجاد میکند»، میتوان بهصورت مفهومی در نظر گرفت که واکنش فرد حاصل تعامل موقعیت، برداشت، تاریخچه یادگیری، وضعیت جسمانی، منابع مقابلهای و زمینه اجتماعی است.
ارزش این استعاره در محاسبه نیست؛ در جلوگیری از سادهسازی است.
دو فرد ممکن است با رویدادی تقریباً یکسان مواجه شوند و پاسخهای کاملاً متفاوتی نشان دهند. بنابراین، یک رویداد بیرونی بهتنهایی برای توضیح رفتار کافی نیست. این نگاه با بخش بزرگی از ادبیات شناختی و فرایندمحور روانشناسی سازگار است، اما نباید آن را با یک معادله تجربی برای پیشبینی رفتار اشتباه کرد.
همین نکته درباره مفاهیمی مانند خطا، ریشهیابی، بهینهسازی، بیشبرازش و پایداری نیز صادق است. این مفاهیم میتوانند پرسشهای بالینی بهتری تولید کنند، اما تا زمانی که به متغیرهای عملیاتی و داده معتبر متصل نشدهاند، استعاره باقی میمانند.
بنابراین، «استفاده از زبان ریاضی» با «استفاده علمی از مدل ریاضی» یکی نیست.
۳. احتمال و عدمقطعیت: شاید بنیادیترین درس ریاضیات برای درمانگر
یکی از ارزشمندترین مفاهیم ریاضی برای تفکر بالینی، احتمال است.
درمانگر تقریباً هیچگاه با قطعیت کامل کار نمیکند. در آغاز درمان، درباره علت مشکل، عوامل نگهدارنده، ظرفیت تغییر، خطر، پاسخ به درمان و آینده فرد اطلاعات کامل وجود ندارد. در نتیجه، بسیاری از تصمیمهای بالینی در شرایط عدمقطعیت اتخاذ میشوند.
مراجع ممکن است بگوید: «اگر او پاسخ پیام من را ندهد، یعنی رابطه تمام شده است.»
درمانگر میتواند به جای ورود فوری به بحث درباره درست یا غلط بودن این نتیجه، ساختار احتمالی آن را بررسی کند: این برداشت بر چه شواهدی استوار است؟ پیش از این رویداد، احتمال پایان رابطه از دید فرد چقدر بوده است؟ چه شواهدی آن احتمال را افزایش میدهد و چه شواهدی کاهش میدهد؟
این نوع پرسش بهویژه در کار با نگرانی، فاجعهسازی و عدم تحمل عدمقطعیت میتواند مفید باشد. ادبیات پژوهشی نیز عدم تحمل عدمقطعیت را با طیفی از مشکلات روانشناختی مرتبط دانسته و اثرگذاری رواندرمانی بر آن را بررسی کرده است.
اما یک هشدار مهم وجود دارد: عددسازی کاذب.
اگر مراجع بگوید «احتمال اینکه همسرم مرا ترک کند ۷۰ درصد است»، این عدد فقط زمانی ارزش تحلیلی دارد که واقعاً بیانگر یک برآورد احتمالی باشد. تبدیل هر احساس، ترس یا شهود به عدد، آن را علمی نمیکند.
عدد دقیق میتواند کاملاً نادقیق باشد.
درمانگر باید از «دقت ظاهری» پرهیز کند؛ زیرا یکی از خطرهای استفاده نابالغ از ریاضیات، جایگزینکردن عدمقطعیت واقعی با عددی ساختگی است.
۴. استدلال بیزی و هنر اصلاح باورها
استدلال بیزی چارچوبی ریاضی برای بهروزرسانی باورها در پرتو شواهد جدید است. مدلهای بیزی در علوم شناختی برای مطالعه ادراک، یادگیری، استدلال و تصمیمگیری بهطور گسترده مورد استفاده قرار گرفتهاند.
در رواندرمانی، منطق آن میتواند بهعنوان یک چارچوب مفهومی ارزشمند باشد.
فرض کنید فرد باور دارد: «اگر اشتباه کنم، دیگران مرا طرد خواهند کرد.»
درمانگر میتواند بررسی کند که این باور بر چه تجربههایی ساخته شده، چه شواهدی از آن حمایت میکنند و چه تجربههایی با آن ناسازگارند. سپس به جای درخواست تغییر ناگهانی باور، فرایند بهروزرسانی آن بررسی شود.
این رویکرد با یک اصل مهم رواندرمانی سازگار است: باورها معمولاً فقط با استدلال منطقی تغییر نمیکنند؛ تجربه، هیجان، رابطه، یادگیری و زمینه نیز در تغییر آنها نقش دارند.
بنابراین، «تفکر بیزی» را نباید با «اجرای درمان بیزی» یکی دانست. در حال حاضر، استفاده از مدلهای بیزی در علوم شناختی و روانپزشکی محاسباتی یک حوزه علمی جدی است، اما انتقال مستقیم آنها به تکنیک استاندارد رواندرمانی نیازمند شواهد مستقل درباره اثربخشی بالینی است.
۵. نظریه تصمیم و انتخاب در شرایط عدمقطعیت
نظریه تصمیم چارچوبی برای بررسی انتخابها در شرایطی است که پیامدها، احتمالها و ارزشها همزمان اهمیت دارند.
این مفهوم برای رواندرمانی جذاب است، زیرا بسیاری از مسائل مراجعان در اصل مسائل تصمیمگیریاند: ماندن یا ترک یک رابطه، تغییر شغل، مهاجرت، مواجهه با یک ترس، افشای یک راز، ادامه یا پایان یک مسیر درمانی و مانند آن.
اما تصمیم خوب فقط تصمیمی نیست که بالاترین احتمال موفقیت را داشته باشد. ارزش شخصی پیامد نیز اهمیت دارد.
برای یک فرد، امنیت مالی ممکن است ارزش بسیار بالایی داشته باشد؛ برای فرد دیگر، استقلال یا معنا اهمیت بیشتری داشته باشد. بنابراین تصمیم بالینی نباید صرفاً بهینهسازی یک شاخص مانند کاهش اضطراب باشد.
این موضوع به مفهوم تصمیمگیری مشترک نیز نزدیک میشود. ادبیات رواندرمانی بر اهمیت مشارکت مراجع در تصمیمهای درمانی تأکید کرده است، زیرا انتخاب درمان بدون توجه به ترجیحات، انتظارات و ارزشهای فرد میتواند به خطاهای تصمیمگیری منجر شود.
در نتیجه، نظریه تصمیم در رواندرمانی بیش از آنکه ابزاری برای «محاسبه بهترین انتخاب» باشد، میتواند چارچوبی برای تفکیک احتمال، پیامد، ارزش و عدمقطعیت فراهم کند.
۶. نظریه بازی و فهم رابطه
نظریه بازی مطالعه تصمیمها و رفتارهایی است که پیامد آنها به رفتار دیگران وابسته است.
از این منظر، بسیاری از الگوهای بینفردی را نمیتوان با مطالعه یک فرد بهتنهایی فهمید.
در یک زوج ممکن است یکی انتقاد کند، دیگری دفاعی شود، افزایش دفاع موجب افزایش انتقاد شود و افزایش انتقاد موجب عقبنشینی بیشتر شود. در اینجا هر رفتار هم «پاسخ» است و هم «محرک رفتار بعدی».
این نگاه برای زوجدرمانی بسیار مهم است، اما باید با دقت بیان شود: هر چرخه تعاملی الزاماً یک بازی ریاضی به معنای دقیق کلمه نیست.
ارزش نظریه بازی در اینجا بیشتر در تغییر واحد تحلیل است؛ از «فرد مشکلدار» به «الگوی تعامل».
با این حال، نگاه سیستمی نباید مسئولیت فردی را محو کند. در روابطی که خشونت، تهدید، اجبار یا کنترل شدید وجود دارد، تقارن مصنوعی میان دو طرف میتواند خطرناک باشد. یک چرخه تعاملی ممکن است وجود داشته باشد، اما مسئولیت و قدرت میان دو نفر لزوماً برابر نیست.
بنابراین، نظریه بازی برای فهم تعامل مفید است؛ نه برای توزیع خودکار تقصیر یا مسئولیت.
۷. نظریه سیستمها و عبور از فردگرایی افراطی
نظریه سیستمها بر روابط متقابل، وابستگی اجزا و نقش زمینه تأکید میکند.
در رواندرمانی، این نگاه کمک میکند یک نشانه را از محیط آن جدا نکنیم.
افسردگی یک فرد ممکن است با خواب، رابطه زوجی، تعارض خانوادگی، فشار اقتصادی، محیط شغلی، انزوای اجتماعی، فعالیت بدنی و الگوهای اجتنابی تعامل داشته باشد.
این بدان معنا نیست که «سیستم» علت همه چیز است. بلکه به این معناست که رفتار و تجربه انسانی اغلب در شبکهای از روابط شکل میگیرد.
این رویکرد با خانوادهدرمانی و رویکردهای سیستمیک ارتباط تاریخی دارد و در نظریه سیستمهای پویا به سطح دقیقتری توسعه یافته است. در این چارچوب، تغییر حاصل تعامل مستمر فرد با محیط و تغییرات درونی و بیرونی سیستم است.
۸. سیستمهای پویا و تغییر بهعنوان یک فرایند زمانی
یکی از مهمترین نقاط اتصال ریاضیات و رواندرمانی، مطالعه تغییر در طول زمان است.
رواندرمانی یک رویداد نیست؛ فرایند است.
یک نمره پیش از درمان و یک نمره پس از درمان اطلاعاتی درباره ابتدا و انتها میدهد، اما الزاماً درباره مسیر میان آنها اطلاعات کافی ارائه نمیکند.
ممکن است فرد در ابتدا تغییر کمی داشته باشد، سپس افت کند، بعد پیشرفت سریع نشان دهد و در نهایت به سطحی نسبتاً پایدار برسد.
نظریه سیستمهای پویا این امکان را فراهم میکند که تغییر نه بهعنوان خطی از نقطه A به نقطه B، بلکه بهعنوان تحول یک سیستم در طول زمان مطالعه شود.
پژوهشهای نظری و تجربی در رواندرمانی این دیدگاه را بهطور جدی بررسی کردهاند و تغییر رواندرمانی را فرایندی پویا، پیچیده و دارای تعامل میان ثبات و تغییر دانستهاند.
یک مرور نظاممند نیز نشان داده است که روشهای سیستمهای پویا و نظریه پیچیدگی در پژوهش رواندرمانی واقعاً مورد استفاده قرار گرفتهاند، هرچند بخش قابل توجهی از این مطالعات بر دادههای با بسامد بالا، مطالعات موردی و پویاییهای درونجلسهای متمرکز بودهاند. این نکته نشان میدهد که حوزه در حال رشد است، اما هنوز فاصله قابل توجهی میان مدلسازی پژوهشی و کاربرد روتین بالینی وجود دارد.
۹. غیرخطیبودن تغییر
یکی از مهمترین آموزههای سیستمهای پویا این است که تغییر الزاماً خطی نیست.
در رواندرمانی نمیتوان فرض کرد که هر جلسه مقدار ثابتی از بهبود ایجاد میکند.
ممکن است فرد در چند جلسه تغییر کمی نشان دهد و سپس پس از یک تجربه، بینش، تغییر رابطهای یا یادگیری رفتاری، تغییر قابل توجهی مشاهده شود. برعکس، ممکن است فرد پس از پیشرفت اولیه دچار نوسان یا افت موقت شود.
پژوهش درباره تغییر غیرخطی و ناپیوسته در رواندرمانی نشان داده است که فرض تغییر تدریجی و یکنواخت همیشه با دادههای فرایند درمان سازگار نیست.
این نتیجه یک پیام بالینی مهم دارد: یک نقطه زمانی نامطلوب را نباید بهتنهایی معادل شکست درمان دانست.
اما عکس این گزاره نیز درست است. غیرخطیبودن نباید بهانهای برای توجیه هر عدم پیشرفت باشد.
اگر درمان ماهها بدون تغییر قابل توجه ادامه پیدا کند، «پیچیدگی سیستم» پاسخ کافی نیست. داده باید درمانگر را وادار کند صورتبندی، هدف، رابطه درمانی، مداخله یا حتی تناسب درمان را دوباره بررسی کند.
۱۰. بازخورد و نظریه کنترل: نقطهای که استعاره به کاربرد نزدیک میشود
نظریه کنترل چارچوبی ریاضی برای مطالعه سیستمهایی است که بر اساس تفاوت میان وضعیت فعلی و وضعیت مطلوب، اطلاعات را دریافت و رفتار خود را تنظیم میکنند.
این مفهوم در نگاه اول برای رواندرمانی بسیار جذاب است، زیرا درمان نیز شامل هدفگذاری، مشاهده، مداخله و ارزیابی مجدد است.
با این حال، باید از یک اشتباه مفهومی پرهیز کرد: مراجع «سیستم تحت کنترل درمانگر» نیست.
بنابراین نظریه کنترل را نباید برای توجیه کنترل انسان به کار برد. ارزش آن بیشتر در مفهوم بازخورد است.
در مراقبت مبتنی بر اندازهگیری، اطلاعات مربوط به وضعیت مراجع بهطور منظم جمعآوری میشود، با مراجع و درمانگر در میان گذاشته میشود و میتواند در تصمیمهای بعدی وارد شود. این دقیقاً نمونهای از جایی است که ایده ریاضی بازخورد با یک فناوری بالینی واقعی پیوند میخورد. انجمن روانشناسی آمریکا در دستورالعمل سال ۲۰۲۵، مراقبت مبتنی بر اندازهگیری را حوزهای از شایستگی حرفهای معرفی کرده است.
فراتحلیل لامبرت و همکاران نیز نشان داده است که پایش و بازخورد پیشرفت میتواند پیامدهای درمانی را بهبود دهد و بهویژه برای افرادی که در معرض پیامد ضعیفتر هستند اهمیت داشته باشد.
مرورهای جدیدتر نیز نشان میدهند که ارزش پایش معمول پیامدها فقط در جمعآوری داده نیست؛ سه مرحله مهم شامل جمعآوری داده، بازخورد و تطبیق درمان است. بنابراین «اندازهگیری بدون استفاده از اطلاعات برای تصمیمگیری» معادل کامل مراقبت مبتنی بر اندازهگیری نیست.
۱۱. آمار: روشنترین کاربرد مستقیم ریاضیات
اگر بخواهیم یک حوزه را بهعنوان روشنترین کاربرد مستقیم ریاضیات در رواندرمانی معرفی کنیم، آمار در صدر قرار میگیرد.
رواندرمانگر پژوهشگر باید بتواند تفاوت میان میانگین و تغییر فردی، همبستگی و علیت، اندازه اثر و معناداری آماری، خطای اندازهگیری و تغییر واقعی، و برآورد نقطهای و عدمقطعیت را درک کند.
این موضوع در سطح فردی نیز اهمیت دارد.
کاهش نمره یک مقیاس از یک نقطه به نقطه دیگر الزاماً به معنای تغییر واقعی نیست. ابزار اندازهگیری خطا دارد. به همین دلیل، مفهوم تغییر قابل اعتماد مطرح شد تا مشخص شود آیا تغییر مشاهدهشده میتواند از خطای اندازهگیری متمایز باشد. چارچوب جیکوبسون و تروکس یکی از پایههای مهم این رویکرد است.
در نتیجه، درمانگر حرفهای نباید صرفاً بپرسد «آیا نمره کاهش یافته است؟» بلکه باید بپرسد «این تغییر تا چه حد قابل اعتماد است، چه معنایی دارد و آیا در تجربه و عملکرد فرد نیز بازتاب یافته است؟»
در اینجا نیز عدد بهتنهایی کافی نیست.
۱۲. مراقبت مبتنی بر اندازهگیری و تبدیل عدد به گفتوگو
مراقبت مبتنی بر اندازهگیری نمونهای برجسته از کاربرد مستقیم و نسبتاً تثبیتشده کمّیسازی در رواندرمانی است.
اما حتی این حوزه نیز نباید به «عددگرایی بالینی» تبدیل شود.
یک نمره افسردگی، رابطه درمانی نیست. یک نمره اضطراب، تمام تجربه اضطراب فرد نیست. تغییر در یک شاخص، لزوماً به معنای بهبود در همه حوزههای زندگی نیست.
ارزش اندازهگیری زمانی افزایش مییابد که داده به گفتوگو تبدیل شود.
اگر نمره یک فرد برخلاف انتظار درمانگر تغییر کند، سؤال مهم این نیست که «چرا عدد خراب شد؟» بلکه این است که «این اطلاعات درباره تجربه اخیر شما چه میگوید؟»
به همین دلیل، حتی منتقدان دستورالعملهای مراقبت مبتنی بر اندازهگیری تأکید کردهاند که داشتن دستورالعمل یا ابزار اندازهگیری بهتنهایی برای ایجاد درمان خوب کافی نیست. استفاده بالینی از داده به مهارت، فرایند، ارتباط و قضاوت حرفهای نیاز دارد.
۱۳. مدلهای طولی و اهمیت فرد بهعنوان یک مسیر، نه یک میانگین
یکی از محدودیتهای روشهای سنتی این است که گاهی تفاوت میان افراد را در میانگین گروهی پنهان میکنند.
دو مراجع ممکن است در پایان درمان دقیقاً یک نمره داشته باشند، اما مسیر رسیدن آنها به آن نمره کاملاً متفاوت باشد.
مدلهای طولی میتوانند تغییرات در طول زمان را بهتر بررسی کنند و امکان مطالعه تفاوتهای فردی در مسیر تغییر را فراهم سازند. روشهای چندسطحی نیز برای مدلسازی دادههای طولی رواندرمانی توسعه یافتهاند.
این تغییر نگاه اهمیت بالینی دارد. پرسش دیگر فقط این نیست که «درمان بهطور متوسط مؤثر است یا نه؟» بلکه این است که «برای چه کسی، در چه شرایطی، با چه مسیری و با چه نوع تغییراتی مؤثر است؟»
این گذار از میانگین گروهی به مسیر فردی یکی از نقاط مهم اتصال روشهای کمی با ایده شخصیسازی درمان است.
۱۴. مدلهای زمانی و رابطه میان علت و پیامد
یکی از چالشهای مهم رواندرمانی این است که متغیرها بهطور همزمان بر یکدیگر اثر میگذارند.
مثلاً آیا کاهش اضطراب باعث افزایش مشارکت اجتماعی میشود یا افزایش مشارکت اجتماعی اضطراب را کاهش میدهد؟
آیا اتحاد درمانی بهتر باعث تغییر میشود یا تغییر اولیه باعث بهبود اتحاد درمانی میشود؟
این نوع پرسشها به روشهای طولی پیچیدهتر نیاز دارند.
مدلهای با وقفه زمانی و روشهای مشابه تلاش میکنند روابط زمانی میان متغیرها را بررسی کنند. این روشها نسبت به تحلیلهای مقطعی برای مطالعه فرایندهای زمانی مناسبترند، اما خود آنها نیز محدودیتهای آماری و تفسیری دارند و نباید بهطور خودکار با علیت یکی گرفته شوند.
بنابراین، زمان اطلاعات جدیدی ایجاد میکند، اما «همراهی در زمان» هنوز مساوی «علت بودن» نیست.
۱۵. تحلیل شبکه و بازاندیشی درباره نشانهها
تحلیل شبکه رویکردی است که در آن متغیرها یا نشانهها بهصورت عناصر مرتبط با یکدیگر بررسی میشوند.
در یک مدل سنتی ممکن است تصور شود که یک اختلال زیربنایی باعث مجموعهای از نشانهها میشود. در رویکرد شبکهای، میتوان پرسید آیا خود نشانهها نیز با یکدیگر تعامل دارند و آیا برخی روابط میان آنها در حفظ الگو نقش دارند.
برای مثال، بیخوابی میتواند خستگی ایجاد کند؛ خستگی میتواند تمرکز را کاهش دهد؛ کاهش تمرکز میتواند عملکرد را مختل کند؛ عملکرد ضعیف میتواند احساس ناکارآمدی ایجاد کند و این وضعیت به نوبه خود خواب را بدتر کند.
این نوع مدلسازی از نظر پژوهشی ارزشمند است و ادبیات تحلیل شبکه در آسیبشناسی روانی به سرعت رشد کرده است. با این حال، کاربرد بالینی آن هنوز با مسائل مهمی مانند پایایی شاخصها، تفاوت میان روابط بینفردی و درونفردی، مقیاس زمانی داده و تمایز همبستگی از علیت مواجه است.
حتی مفهوم «مرکزیترین نشانه» نیز نباید بدون احتیاط به «مهمترین علت» ترجمه شود. نقدهای روششناختی نشان دادهاند که شاخصهای مرکزیّت در برخی شبکههای نشانهای میتوانند تحت تأثیر متغیرهای پنهان یا ساختار داده قرار گیرند.
بنابراین تحلیل شبکه ابزار پژوهشی قدرتمندی است، اما یک نقشه شبکهای را نباید مستقیماً نسخه درمانی تلقی کرد.
۱۶. نظریه اطلاعات و پرسش بالینی خوب
نظریه اطلاعات مطالعه ساختار اطلاعات، عدمقطعیت و انتقال اطلاعات است.
درمانگر دائماً در حال کاهش عدمقطعیت است.
در آغاز درمان، چندین فرضیه درباره مشکل وجود دارد. هر پرسش، مشاهده یا تجربه جدید میتواند برخی فرضیهها را تقویت و برخی دیگر را تضعیف کند.
از این منظر، یک پرسش بالینی خوب لزوماً پرسشی نیست که اطلاعات زیادی تولید کند؛ ممکن است پرسشی باشد که اطلاعاتی متمایزکننده ایجاد کند.
پرسش «چه زمانی ناراحت میشوید؟» ممکن است اطلاعات مفیدی بدهد. اما گاهی پرسش «آخرین باری که برخلاف انتظار خود رفتار کردید چه اتفاقی افتاد؟» اطلاعاتی ایجاد میکند که میان چند فرضیه رقیب تمایز بیشتری ایجاد میکند.
این استفاده بیشتر معرفتشناختی و استعاری است، مگر آنکه در پژوهش با شاخصهای مشخص اطلاعاتی و مدلهای رسمی عملیاتی شود.
بنابراین نباید صرفاً به دلیل استفاده از واژه «اطلاعات» ادعا کرد که نظریه اطلاعات در اتاق درمان مستقیماً اجرا شده است.
۱۷. مدلسازی محاسباتی و روانپزشکی محاسباتی
در سالهای اخیر، حوزه روانپزشکی محاسباتی تلاش کرده است فرایندهای ذهنی و اختلالات روانی را با مدلهای ریاضی و محاسباتی دقیقتر مطالعه کند.
این حوزه از مدلهای احتمالی، یادگیری تقویتی، مدلهای تصمیمگیری، مدلهای پویایی و سایر روشهای محاسباتی استفاده میکند تا ارتباط میان فرایندهای شناختی، مغز، محیط و رفتار را بهتر توضیح دهد.
اهمیت این حوزه برای رواندرمانی در این است که میتواند از توصیف صرف فراتر رود و درباره سازوکارهای احتمالی یادگیری، تصمیمگیری، ارزشگذاری و پیشبینی فرضیههای دقیقتری ارائه کند.
با این حال، فاصله میان «مدل خوب» و «درمان خوب» همچنان بسیار مهم است.
مدلی ممکن است بتواند رفتار خاصی را توضیح دهد، اما هنوز معلوم نباشد که آیا اندازهگیری آن متغیر در کلینیک عملی است، آیا مداخله بر آن متغیر باعث بهبود میشود و آیا مدل در جمعیتها و شرایط مختلف قابل تعمیم است.
پژوهشهای جدید درباره مدلمحورشدن روانپزشکی نیز بر همین ضرورت تأکید دارند: مدلهای محاسباتی برای ترجمه به عمل بالینی باید از نظر تفسیرپذیری، اعتبار، محدودیت داده و کاربرد واقعی ارزیابی شوند.
۱۸. مدلهای محاسباتی یادگیری و آینده رواندرمانی
یکی از مسیرهای آیندهدار، استفاده از مدلهای محاسباتی یادگیری برای مطالعه سازوکار تغییر در رواندرمانی است.
بخش بزرگی از رواندرمانی در نهایت با یادگیری سروکار دارد: یادگیری اینکه یک موقعیت الزاماً تهدیدکننده نیست، یادگیری تحمل هیجان، یادگیری پاسخهای متفاوت، اصلاح انتظارها و تجربه پیامدهای جدید.
پژوهشهای جدید پیشنهاد کردهاند که مدلهای محاسباتی یادگیری میتوانند به فهم دقیقتر برخی فرایندهای تغییر در درمان شناختی ـ رفتاری، از جمله مواجهه و بازسازی شناختی، کمک کنند. با این حال، این حوزه هنوز عمدتاً در مرحله توسعه نظری و پژوهشی قرار دارد و نباید با یک پروتکل درمانی استانداردشده اشتباه شود.
این تمایز اهمیت زیادی دارد: مدل محاسباتی میتواند نظریهای درباره سازوکار تغییر باشد، بدون آنکه هنوز مداخلهای بالینی محسوب شود.
۱۹. معادلات دیفرانسیل و تغییر روانشناختی
معادلات دیفرانسیل چارچوبی برای بیان تغییر یک سیستم در طول زمان فراهم میکنند.
در رواندرمانی، استفاده مستقیم از چنین مدلهایی عمدتاً در پژوهش قرار دارد، نه در کار بالینی روزمره.
پژوهشهایی وجود دارند که مدلهای غیرخطی را برای توصیف تعامل میان متغیرهایی مانند پیشرفت درمان، هیجان، انگیزش، بینش و اتحاد درمانی پیشنهاد و با دادههای سری زمانی آزمودهاند.
همچنین مطالعاتی از مدلهای سیستمهای پویا برای بررسی تعامل درمانگر و مراجع استفاده کردهاند.
اهمیت این رویکرد در این است که درمانگر را وادار میکند درباره «نرخ تغییر» و «مسیر تغییر» فکر کند، نه فقط درباره وضعیت نهایی.
اما باید تأکید کرد که وجود یک مدل دیفرانسیلی در یک مقاله پژوهشی به معنای آن نیست که درمانگر باید برای هر مراجع معادله دیفرانسیل حل کند.
کاربرد بالینی مستقیم این روشها هنوز محدود و تخصصی است.
۲۰. غیرخطیبودن، نوسان و نقاط گذار
سیستمهای پیچیده گاهی در دورههایی نسبتاً پایدار باقی میمانند و سپس بهطور سریع وارد وضعیت دیگری میشوند.
پژوهشهای سیستمهای پیچیده در رواندرمانی این امکان را مطرح کردهاند که افزایش نوسان یا تغییر در پویایی یک سیستم ممکن است پیش از برخی گذارهای مهم ظاهر شود. این ایده جذاب است، اما هنوز نباید هر نوسان روانشناختی را «نشانه نزدیکشدن به تحول» دانست.
این تمایز از نظر بالینی مهم است.
«پیچیدگی» نباید به زبان جدیدی برای توضیحدادن هر چیزی تبدیل شود که درمانگر قادر به توضیح آن نیست.
اگر یک مفهوم پیچیدگی نتواند پیشبینی قابل آزمون ایجاد کند، تعریف عملیاتی داشته باشد یا از داده پشتیبانی شود، ارزش آن بیشتر مفهومی است تا تجربی.
۲۱. فراکتال، خودشباهتی و خطر جذابیت استعاره
فراکتال و خودشباهتی از جمله مفاهیمی هستند که بهدلیل جذابیت بصری و مفهومی، بهراحتی وارد زبان روانشناختی میشوند.
ممکن است یک درمانگر بگوید فردی همان الگوی «نزدیکی، ترس، کنترل، تعارض و فاصله» را در چند رابطه تکرار میکند و این الگو «خودشبیه» است.
بهعنوان استعاره، این بیان میتواند مفید باشد.
اما از نظر علمی، تکرار یک الگوی رفتاری بهتنهایی به معنای وجود یک ساختار فراکتالی نیست.
برای ادعای علمی درباره فراکتال یا خودشباهتی باید تعریف ریاضی، روش اندازهگیری، مقیاس تحلیل و شواهد تجربی مشخص وجود داشته باشد.
این مثال یکی از مهمترین درسهای روششناختی مقاله حاضر را نشان میدهد:
هر مفهوم ریاضی جذابی که به تجربه انسانی شباهت دارد، الزاماً یک سازه ریاضی در روان انسان نیست.
۲۲. بیشبرازش و خطر داستانهای بالینی بیش از حد منسجم
یکی دیگر از استعارههای قدرتمند، بیشبرازش است.
در یادگیری ماشین، مدلی که بیش از حد با دادههای موجود تطبیق پیدا میکند ممکن است در توضیح دادههای گذشته عالی باشد، اما در مواجهه با دادههای جدید عملکرد ضعیفی داشته باشد.
در رواندرمانی نیز درمانگر ممکن است داستانی بسیار منسجم درباره مراجع بسازد: «همه مشکلات او ناشی از طردشدگی دوران کودکی است.»
مشکل این نیست که این فرضیه الزاماً غلط است. مشکل این است که ممکن است مدل بهقدری با دادههای موجود سازگار شده باشد که هر داده جدید نیز به نفع آن تفسیر شود.
درمانگر باید از خود بپرسد:
اگر این فرضیه درست نباشد، چه مشاهدهای باید ببینم؟
کدام داده میتواند مرا وادار کند آن را اصلاح کنم؟
آیا رفتارهای جدید مراجع را واقعاً میبینم یا آنها را در داستان قبلی خودم جای میدهم؟
این نوع استفاده از مفهوم بیشبرازش، در حال حاضر عمدتاً استعاری و معرفتشناختی است؛ ارزش آن در افزایش خودانتقادی درمانگر است، نه در ادعای وجود یک «الگوریتم بیشبرازش» در ذهن انسان.
۲۳. بهینهسازی: درمان نباید به حداکثرکردن یک عدد تبدیل شود
بهینهسازی یکی از مفاهیم مهم ریاضی است، اما انتقال نابالغ آن به رواندرمانی میتواند مشکلآفرین باشد.
ممکن است وسوسه شویم که هدف درمان را «حداکثرکردن شادی» یا «حداقلکردن اضطراب» بدانیم.
اما زندگی انسانی چندهدفه است.
کاهش اضطراب ممکن است در کوتاهمدت با کاهش مواجهه با موقعیتهای دشوار حاصل شود، اما همین رفتار میتواند در بلندمدت دامنه زندگی فرد را محدود کند.
افزایش استقلال ممکن است با کاهش وابستگی همراه باشد، اما اگر بدون توجه به نیاز به تعلق باشد، ممکن است هزینهای اجتماعی ایجاد کند.
بنابراین تصمیم درمانی اغلب مسئلهای با چند هدف و محدودیت است.
درمانگر باید میان کاهش نشانه، عملکرد، ارزشهای فرد، کیفیت رابطه، استقلال، معنا، ایمنی و ترجیحات مراجع تعادل برقرار کند.
در نتیجه، رواندرمانی را نمیتوان به بهینهسازی یک تابع هدف ساده تقلیل داد.
انسان «مسئله بهینهسازی» نیست.
۲۴. از اندازهگیری به تصمیمگیری
ارزش اصلی داده زمانی آشکار میشود که بتواند تصمیم را بهبود دهد.
صرفاً اندازهگیریکردن یک مراجع بدون اینکه مشخص باشد این اطلاعات چگونه در درمان استفاده خواهد شد، میتواند به فعالیتی تشریفاتی تبدیل شود.
مراقبت مبتنی بر اندازهگیری زمانی معنادارتر است که چرخهای از سنجش، گفتوگو، تفسیر، تصمیم و ارزیابی مجدد ایجاد کند.
پژوهشهای جدید نیز بر این نکته تأکید دارند که هدف آینده این حوزه باید فراتر رفتن از اثر متوسط و بررسی این موضوع باشد که چه نوع بازخوردی، در چه زمانی، برای چه کسی و در چه زمینهای مفیدتر است.
این تغییر از «جمعآوری داده» به «استفاده هوشمندانه از داده» یکی از مهمترین مراحل بلوغ رویکردهای کمی در رواندرمانی است.
۲۵. تصمیمگیری بالینی و خطر الگوریتمیشدن درمانگر
هرچه مدلهای پیشبینی پیچیدهتر شوند، احتمال استفاده از الگوریتمها برای پیشبینی پاسخ درمانی یا انتخاب مداخله افزایش مییابد.
این حوزه میتواند در آینده بسیار مهم باشد، اما خطرهایی نیز دارد.
مدل ممکن است در جمعیتی خاص آموزش دیده باشد و در جمعیتی دیگر عملکرد ضعیفی داشته باشد.
ممکن است داده آموزشی دارای سوگیری اجتماعی باشد.
ممکن است الگوریتم بتواند پیشبینی کند اما نتواند توضیح دهد چرا.
ممکن است یک پیشبینی آماری درباره گروهها در سطح فردی نادرست باشد.
و مهمتر از همه، احتمال دارد درمانگر به پیشبینی الگوریتمی بیش از تجربه و صدای مراجع اعتماد کند.
پژوهش در روانپزشکی محاسباتی بر همین تمایز میان مدلهای دادهمحور و مدلهای مبتنی بر سازوکار تأکید میکند و اهمیت اعتبارسنجی و قابلیت تفسیر را برجسته میسازد.
بنابراین الگوریتم باید تصمیمیار باشد، نه جانشین قضاوت بالینی.
۲۶. خطای اندازهگیری و خطای درمانگر
یکی از عمیقترین پیوندهای میان ریاضیات و رواندرمانی مفهوم خطاست.
در اندازهگیری روانشناختی، هیچ نمرهای کاملاً عاری از خطا نیست.
اما خطا فقط ویژگی ابزار نیست.
درمانگر نیز خطا میکند.
ممکن است نشانهای را بیش از حد مهم بداند، دادهای را نادیده بگیرد، فرضیهای را زود قطعی کند یا به دلیل تجربههای قبلی، رفتار مراجع را از پیش تفسیر کند.
از این منظر، مفهوم خطا میتواند یک اصل اخلاقی و معرفتشناختی نیز باشد:
هر مشاهده بالینی امکان خطا دارد.
این اصل به معنای شکاکیت فلجکننده نیست. به معنای داشتن سازوکار اصلاح است.
درمانگر خوب کسی نیست که هرگز خطا نمیکند؛ کسی است که سیستم حرفهای او اجازه میدهد خطا را زودتر ببیند و اصلاح کند.
۲۷. بازخورد نباید به ابزار کنترل تبدیل شود
یکی از خطرهای مهم استفاده از عدد، تبدیل داده به ابزار قدرت است.
اگر درمانگر از نمرهها برای اثبات اینکه «من درست میگویم» استفاده کند، داده دیگر ابزار همکاری نیست.
اگر زوجی از نمره پرسشنامه برای اثبات اینکه «مشکل از توست» استفاده کنند، اندازهگیری به سلاح تبدیل شده است.
اگر مراجع احساس کند هر عددی که ثبت میکند علیه او استفاده خواهد شد، ممکن است صداقت داده کاهش یابد.
بنابراین داده باید بخشی از گفتوگوی درمانی باشد، نه دادگاه درمانی.
در مراقبت مبتنی بر اندازهگیری نیز مشارکت مراجع و ادغام داده با فرایند درمان اهمیت اساسی دارد. پژوهش درباره تجربه درمانگران نشان میدهد که پایش معمول پیامدها میتواند برای کسب اطلاعات بالینی، تطبیق درمان، تسهیل ارتباط و تقویت رابطه استفاده شود؛ بنابراین کاربرد آن صرفاً عددی نیست.
۲۸. ریاضیات و رابطه درمانی
هرچه ریاضیات بیشتر وارد رواندرمانی شود، یک سؤال انسانی مهمتر میشود:
آیا افزایش دقت اندازهگیری ممکن است به کاهش کیفیت رابطه منجر شود؟
پاسخ لزوماً منفی یا مثبت نیست.
داده میتواند رابطه را تقویت کند، اگر به کنجکاوی و گفتوگو کمک کند.
اما میتواند رابطه را تضعیف کند، اگر جای تجربه زیسته را بگیرد.
بنابراین، یک اصل مهم باید حفظ شود:
عدد باید به گفتوگو بازگردد.
اگر یک نمره بالا است، درمانگر باید بتواند بپرسد «این نمره برای شما چه معنایی دارد؟»
اگر نمره پایین است، باید پرسید «آیا این عدد با تجربه شما همخوان است؟»
این همان نقطهای است که روش کمی و پدیدارشناسی تجربه انسانی میتوانند به جای رقابت، یکدیگر را تکمیل کنند.
۲۹. تجربه، داده، مدل و واقعیت یکی نیستند
یکی از مهمترین اصول معرفتشناختی این مقاله این است که چهار سطح باید از یکدیگر جدا بمانند.
تجربه، آن چیزی است که مراجع زندگی میکند.
داده، بخشی از آن تجربه است که به شیوهای خاص مشاهده یا اندازهگیری شده است.
مدل، چارچوبی برای سازماندهی و توضیح داده است.
واقعیت، بسیار گستردهتر از هر مدل است.
اگر مراجع میگوید «من احساس میکنم هیچکس مرا دوست ندارد»، این جمله یک تجربه و گزارش ذهنی مهم است.
اگر او در یک مقیاس افسردگی نمره خاصی میگیرد، این یک داده است.
اگر درمانگر این دو را بر اساس نظریهای خاص تفسیر میکند، آن تفسیر مدل است.
هیچیک از این سه بهتنهایی تمام واقعیت فرد را تشکیل نمیدهد.
این تفکیک، یکی از مهمترین دفاعها در برابر تقلیلگرایی عددی است.
۳۰. ریاضیات و انسان: مسئله تقلیلگرایی
ریاضیات قدرتمند است، اما هر قدرتی یک مرز دارد.
وقتی چیزی را اندازهگیری میکنیم، آنچه قابل اندازهگیری است برجسته میشود.
این موضوع میتواند باعث شود متغیرهایی که بهآسانی سنجیده میشوند، بیش از متغیرهایی که سنجش آنها دشوار است مهم به نظر برسند.
ممکن است شدت نشانه را بهخوبی اندازه بگیریم، اما معنا را دشوارتر اندازه بگیریم.
ممکن است فراوانی تعارض را ثبت کنیم، اما کیفیت تجربه صمیمیت را بهطور کامل در یک عدد خلاصه نکنیم.
ممکن است میزان اضطراب را بسنجیم، اما معنای اضطراب برای یک انسان خاص همچنان نیازمند گفتوگو باشد.
بنابراین آنچه آسانتر اندازهگیری میشود الزاماً مهمترین چیزی نیست که باید فهمیده شود.
۳۱. مرز دقیق میان استعاره و کاربرد مستقیم
برای جلوگیری از سردرگمی، میتوان مرز این دو را با چند معیار مشخص کرد.
یک مفهوم زمانی در سطح استعاری قرار دارد که صرفاً برای روشنکردن یک ایده بالینی استفاده شود و متغیرهای آن بهصورت عملیاتی تعریف نشده باشند.
یک مفهوم زمانی وارد سطح پژوهشی میشود که سازهها تعریف عملیاتی پیدا کنند، داده جمعآوری شود، روش ریاضی یا آماری مشخص باشد و مدل با داده واقعی آزموده شود.
یک روش زمانی میتواند ادعای کاربرد بالینی مستقیم داشته باشد که علاوه بر وجود مدل و داده، شواهدی درباره امکان اجرا، اعتبار، سودمندی، ایمنی، تعمیمپذیری و تأثیر آن بر تصمیم یا پیامد بالینی وجود داشته باشد.
برای مثال، «بیشبرازش» در توضیح صورتبندی بالینی عمدتاً استعاری است.
اما «پایش منظم پیامد با ابزار معتبر و استفاده از بازخورد برای اصلاح درمان» دارای پشتوانه پژوهشی و حرفهای مستقیم است.
«غیرخطیبودن تغییر» هم یک مفهوم نظری و هم موضوع پژوهش تجربی است.
اما «پیشبینی دقیق نقطه عطف درمانی برای هر مراجع بر اساس یک مدل غیرخطی» هنوز ادعایی بسیار قویتر است و نیازمند شواهد بسیار بیشتری خواهد بود.
این مرزبندی برای حفظ اعتبار علمی ضروری است.
۳۲. چه چیزهایی در حال حاضر واقعاً قابل استفادهاند؟
در سطح بالینی، قویترین نمونههای کاربرد کمّی شامل سنجش معتبر، پایش پیامد، ارزیابی تغییر، استفاده از بازخورد و بهرهگیری از داده برای گفتوگوی بالینی هستند.
در سطح پژوهشی، مدلهای طولی، تحلیل سریهای زمانی، مدلهای سیستمهای پویا، تحلیل شبکه و روشهای محاسباتی در حال رشد هستند.
در سطح نظری، مدلهای بیزی، نظریه تصمیم، نظریه بازی، نظریه اطلاعات و مفاهیم پیچیدگی ابزارهای ارزشمندی برای توسعه تفکر درباره شناخت و رفتارند.
در سطح استعاری، مفاهیمی مانند تابع، خطا، بیشبرازش، ریشهیابی، پایداری و فراکتال میتوانند زبان خلاقانهای برای بازاندیشی در فرایند بالینی فراهم کنند.
اما این چهار سطح نباید با یکدیگر مخلوط شوند.
۳۳. چه چیزهایی هنوز نباید بیش از حد ادعا شوند؟
نباید گفت چون یک مفهوم ریاضی درباره سیستمهای پیچیده است، پس هر پدیده روانشناختی را توضیح میدهد.
نباید گفت چون مدل بیزی در علوم شناختی موفق است، هر مداخله بیزی در رواندرمانی مؤثر است.
نباید گفت چون یک شبکه نشانهای دارای یک گره مرکزی است، آن گره الزاماً بهترین هدف درمانی است.
نباید گفت چون تغییر روانشناختی غیرخطی است، هر نوسان نشانه نزدیکشدن به تحول است.
نباید گفت چون الگوریتم میتواند پیامد را پیشبینی کند، میداند چه چیزی برای فرد بهترین است.
و نباید گفت چون یک مفهوم ریاضی زیباست، پس علمی است.
علمیبودن یک مفهوم به جذابیت آن وابسته نیست؛ به تعریف، اندازهگیری، آزمون، تکرارپذیری، اعتبارسنجی و قابلیت ابطال آن وابسته است.
۳۴. افق آینده: از مدلسازی تغییر تا رواندرمانی شخصیسازیشده
یکی از مهمترین مسیرهای آینده، ترکیب اندازهگیری با مدلسازی زمانی و تصمیمگیری شخصیسازیشده است.
در چنین رویکردی، به جای تکیه صرف بر یک ارزیابی پیش از درمان و یک ارزیابی پس از درمان، میتوان دادههای متعدد و کمفاصلهتری از تجربه فرد جمعآوری کرد و مسیر تغییر را مطالعه نمود.
سپس میتوان پرسید:
کدام متغیر معمولاً پیش از بهبود تغییر میکند؟
چه نوع نوسانی با تغییر مثبت یا منفی همراه است؟
چه زمانی درمان از مسیر مطلوب خارج میشود؟
کدام مداخله برای چه فردی و در چه مرحلهای احتمالاً مناسبتر است؟
و چگونه میتوان این اطلاعات را بدون کاهش استقلال مراجع و بدون جایگزینکردن قضاوت انسانی با الگوریتم به کار گرفت؟
این همان نقطهای است که سیستمهای پویا، مدلهای محاسباتی، دادههای طولی، مراقبت مبتنی بر اندازهگیری و تصمیمگیری مشترک میتوانند به یکدیگر نزدیک شوند.
اما آینده این حوزه باید نه فقط از نظر فنی، بلکه از نظر اخلاقی نیز توسعه یابد.
۳۵. شرط اخلاقی ریاضیات در رواندرمانی
هرچه داده بیشتر شود، مسئولیت بیشتر میشود.
اطلاعات روانشناختی بسیار حساساند. بنابراین جمعآوری، ذخیره، تحلیل و اشتراک آنها باید با اصول محرمانگی، رضایت آگاهانه، حداقلسازی داده، امنیت و شفافیت همراه باشد.
همچنین باید درباره عدالت الگوریتمی و سوگیری داده حساس بود.
مدلی که بر اساس یک جمعیت خاص آموزش دیده است ممکن است برای گروهی دیگر بهخوبی کار نکند.
از این رو، «دقت آماری» و «عدالت بالینی» دو مفهوم یکسان نیستند.
یک مدل ممکن است از نظر پیشبینی آماری عملکرد خوبی داشته باشد اما برای برخی گروهها پیامد نامطلوب ایجاد کند.
بنابراین هر استفاده پیشبینانه از ریاضیات در رواندرمانی باید علاوه بر پرسش «چقدر دقیق است؟» به پرسشهای «برای چه کسانی دقیق است؟»، «در چه شرایطی؟»، «با چه هزینهای؟» و «چه کسی مسئول خطای آن است؟» نیز پاسخ دهد.
۳۶. ریاضیات بهعنوان تمرین تواضع معرفتشناختی
شاید مهمترین ارزش ریاضیات برای رواندرمانگر نه محاسبه باشد و نه پیشبینی؛ بلکه تواضع معرفتشناختی است.
ریاضیات به ما یاد میدهد که میان یک مقدار و برآورد آن، میان داده و مدل، میان احتمال و قطعیت، و میان خطای مشاهده و واقعیت تفاوت بگذاریم.
این درس برای رواندرمانی بسیار مهم است.
درمانگر ممکن است درباره مراجع خود فرضیهای بسیار قانعکننده داشته باشد. اما قانعکنندهبودن با درستبودن یکی نیست.
ممکن است صورتبندی درمانگر با دادههای فعلی سازگار باشد، اما دادههای آینده آن را اصلاح کنند.
مدل خوب مدلی نیست که هر چیزی را توضیح دهد؛ مدلی است که هم بتواند دادهها را سازمان دهد و هم در برابر شواهد ناسازگار قابل اصلاح باشد.
از این منظر، ریاضیات میتواند درمانگر را به یک اصل ساده اما دشوار متعهد کند:
«اگر داده با مدل من سازگار نیست، فقط داده را زیر سؤال نبرم؛ مدل خودم را نیز بررسی کنم.»
۳۷. جمعبندی نهایی
کاربرد ریاضیات در رواندرمانی را نباید با تبدیل تجربه انسانی به عدد اشتباه گرفت.
ریاضیات میتواند چهار نقش متفاوت داشته باشد: زبان استعاری برای توسعه تفکر، ابزار اندازهگیری و تحلیل، چارچوب مدلسازی فرایندهای روانشناختی و ابزار تصمیمگیری و پیشبینی.
اما این چهار نقش از نظر شواهد برابر نیستند.
کاربرد استعاری زمانی ارزشمند است که به پرسش بالینی دقیقتر منجر شود، نه اینکه ظاهر علمی ایجاد کند.
کاربرد آماری زمانی ارزشمند است که اندازهگیری معتبر، خطای اندازهگیری و معنای بالینی داده در نظر گرفته شود.
مدلسازی زمانی ارزشمند است که بتواند روابط و تغییرات زمانی را با داده واقعی آزمون کند.
و کاربرد پیشبینانه زمانی میتواند وارد عمل بالینی شود که مدل از نظر اعتبار، تعمیمپذیری، ایمنی، عدالت، تفسیرپذیری و سودمندی بالینی به اندازه کافی آزموده شده باشد.
در این میان، مراقبت مبتنی بر اندازهگیری یکی از روشنترین نمونههای عبور از کمّیسازی نظری به کاربرد بالینی است؛ در حالی که سیستمهای پویا، تحلیل شبکه و مدلهای محاسباتی در حال توسعه مرزهای پژوهشاند.
در نهایت، ریاضیات نباید رواندرمانی را به مهندسی انسان تبدیل کند.
ارزش واقعی ریاضیات آن است که درمانگر را دقیقتر، صبورتر، آزمونگرتر و آگاهتر از محدودیتهای شناخت خود کند.
ریاضیات به ما نمیگوید انسان چیست.
اما میتواند به ما یاد دهد چگونه درباره انسان، با خطای کمتر و توهم قطعیت کمتر، فکر کنیم.
از این منظر، شاید بالغترین کاربرد ریاضیات در رواندرمانی نه این باشد که انسان را بهتر محاسبه کنیم، بلکه این باشد که درباره او بهتر سؤال بپرسیم.
ریاضیات باید به جای آنکه انسان را به عدد تقلیل دهد، کیفیت استدلال ما درباره انسان را افزایش دهد.
و شاید بتوان کل این رویکرد را در چند اصل خلاصه کرد:
عدد جای تجربه را نمیگیرد.
مدل جای انسان را نمیگیرد.
احتمال جای قطعیت را نمیگیرد.
داده جای معنا را نمیگیرد.
الگوریتم جای قضاوت بالینی را نمیگیرد.
و استعاره جای شواهد را نمیگیرد.
اما وقتی این مرزها حفظ شوند، ریاضیات میتواند یکی از قدرتمندترین زبانهای میانرشتهای برای فهم تغییر روانشناختی باشد؛ زبانی که رواندرمانی را نه کمانسانتر، بلکه از نظر استدلال علمی دقیقتر میکند.
منابع
American Psychological Association. (2025). APA Guidelines on Measurement-Based Care: Professional Practice Guidelines for Measurement-Based Care. American Psychological Association. Approved by the APA Council of Representatives, February 2025.
Boswell, J. F., Hepner, K. A., Lysell, K., Rothrock, N. E., Bott, N., Childs, A. W., Douglas, S., Owings-Fonner, N., Wright, C. V., Stephens, K. A., Bard, D. E., Aajmain, S., & Bobbitt, B. L. (2023). The need for a measurement-based care professional practice guideline. Psychotherapy, 60(1), 1–16.
Lambert, M. J., Whipple, J. L., & Kleinstäuber, M. (2018). Collecting and delivering progress feedback: A meta-analysis of routine outcome monitoring. Psychotherapy, 55(4), 520–537.
McAleavey, A. A., de Jong, K., Nissen-Lie, H. A., Boswell, J. F., Moltu, C., & Lutz, W. (2024). Routine Outcome Monitoring and Clinical Feedback in Psychotherapy: Recent Advances and Future Directions. Administration and Policy in Mental Health and Mental Health Services Research, 51, 291–305.
Barkham, M., de Jong, K., Delgadillo, J., & Lutz, W. (2023). Routine outcome monitoring (ROM) and feedback: Research review and recommendations. Psychotherapy Research.
Gelo, O. C. G., & Salvatore, S. (2016). A dynamic systems approach to psychotherapy: A meta-theoretical framework for explaining psychotherapy change processes. Journal of Counseling Psychology, 63(4), 379–395.
Hayes, A. M., Laurenceau, J.-P., Feldman, G., Strauss, J. L., & Cardaciotto, L. (2007). Change is not always linear: The study of nonlinear and discontinuous patterns of change in psychotherapy. Clinical Psychology Review, 27(6), 715–723.
Hayes, A. M., et al. پژوهشهای مرتبط با تغییر غیرخطی و ناپیوسته در رواندرمانی و کاربرد چارچوبهای سیستمهای پویا. مبنای مفهومی بحث حاضر در کنار منابع فوق قرار گرفته است.
van Geert, P. و دیگر پژوهشگران حوزه سیستمهای پویا. ادبیات رشد و تغییر غیرخطی که در توسعه کاربرد سیستمهای پویا در روانشناسی و رواندرمانی مؤثر بوده است.
Baker, A. Z., Peluso, P. R., Freund, R., Diaz, P., & Ghaness, A. (2022). Using dynamical systems mathematical modeling to examine the impact emotional expression on the therapeutic relationship: A demonstration across three psychotherapeutic theoretical approaches. Psychotherapy Research, 32(2), 223–237.
Cioffi, V., et al. (2022). Computational Methods in Psychotherapy: A Scoping Review. International Journal of Environmental Research and Public Health, 19(19), 12358.
Adams, R. A., Huys, Q. J. M., & Roiser, J. P. (2016). Computational Psychiatry: Towards a Mathematically Informed Understanding of Mental Illness. Journal of Neurology, Neurosurgery & Psychiatry, 87(1), 53–63.
Huys, Q. J. M., Maia, T. V., & Frank, M. J. (2016). Computational psychiatry as a bridge from neuroscience to clinical applications. Nature Neuroscience.
Hauser, T. U., Skvortsova, V., De Choudhury, M., & Koutsouleris, N. (2022). The promise of a model-based psychiatry: Building computational models of mental ill health. The Lancet Digital Health, 4(11), e816–e828.
Rescorla, M. (2021). Bayesian modeling of the mind: From norms to neurons. WIREs Cognitive Science, 12(1), e1540.
Griffiths, T. L., Chater, N., Kemp, C., Perfors, A., & Tenenbaum, J. B. (2010). Probabilistic models of cognition: Exploring representations and computation. Trends in Cognitive Sciences.
Chater, N., Oaksford, M., Hahn, U., & Heit, E. (2010). Bayesian models of cognition. WIREs Cognitive Science, 1, 811–823.
Jacobson, N. S., & Truax, P. (1991). Clinical significance: A statistical approach to defining meaningful change in psychotherapy research. Journal of Consulting and Clinical Psychology, 59(1), 12–19.
Bauer, D. J., & Curran, P. J. (2009). Multilevel modeling of longitudinal data for psychotherapy researchers: The basics. Psychotherapy Research.
Lutz, W., et al. پژوهشهای مربوط به بازخورد، پایش معمول پیامد و شخصیسازی درمان که در ادبیات معاصر اندازهگیری و تصمیمگیری بالینی نقش محوری دارند.
Fried, E. I., van Borkulo, C. D., Cramer, A. O. J., Boschloo, L., Schoevers, R. A., & Borsboom, D. (2017). Mental disorders as networks of problems: A review of recent insights. Social Psychiatry and Psychiatric Epidemiology.
Mullarkey, M. C., et al. و دیگر پژوهشگران حوزه شبکههای روانشناختی. ادبیات روششناختی درباره تفاوت شبکههای بینفردی و درونفردی و محدودیتهای استنباط علّی.
McNally, R. J. (2016). Can network analysis transform psychopathology? Behaviour Research and Therapy, 86, 95–104.
Contreras, A., et al. (2019). The Study of Psychopathology from the Network Analysis Perspective: A Systematic Review. Psychopathology.
Bringmann, L. F., et al. (2019). Psychopathological networks: Theory, methods and practice. Behaviour Research and Therapy.
Epskamp, S., Borsboom, D., & Fried, E. I. (2018). Estimating psychological networks and their accuracy: A tutorial paper. Behavior Research Methods.
Park, J., Goode, J., Tompkins, K. A., & Swift, J. K. (2016). Clinical errors that can occur in the treatment decision-making process in psychotherapy. Psychotherapy, 53(3), 257–261.
Zisman-Ilani, Y., et al. ادبیات تصمیمگیری مشترک در سلامت روان و رواندرمانی، با تأکید بر مشارکت مراجع، ترجیحات و شخصیسازی درمان.
Gryesten, J., Kessing, M. L., Moltu, C., Korsbek, L., Poulsen, S. B., & Arnfred, S. (2026). Shared decision-making in ongoing psychotherapy: Negotiating frames, preferences and meaning. Psychotherapy Research.
Näsling, J., Åström, E., Jacobsson, L., & Ljungberg, J. K. (2024). Effect of Psychotherapy on Intolerance of Uncertainty: A Systematic Review and Meta-Analysis. Clinical Psychology & Psychotherapy.
Wampold, B. E., & Miller, S. D. (2023). Measurement-based care professional practice guideline: Fine, but guidelines do not make good therapy. Psychotherapy, 60(1), 17–19.
Vasilchenko, K. F., & Chumakov, E. M. (2023). Current status, challenges and future prospects in computational psychiatry: A narrative review. Consortium Psychiatricum, 4(3), 33–42.
Cramer, A. O. J., et al. ادبیات روششناختی درباره تحلیل شبکه، علیت، متغیرهای پنهان و محدودیتهای شاخصهای مرکزیّت در روانشناسی.
Epskamp, S., et al. (2019). Problems with Centrality Measures in Psychopathology Symptom Networks: Why Network Psychometrics Cannot Escape Psychometric Theory. Multivariate Behavioral Research.
Lutz, W., Rubel, J., Schwarz, B., Schiepek, G., & Stulz, N. و دیگر پژوهشگران. ادبیات مدلسازی پویای فرایند رواندرمانی و استفاده از دادههای با بسامد بالا.
Schiepek, G., Eckert, H., Aas, B., Wallot, S., & Wallot, A. پژوهشهای مرتبط با مدلهای غیرخطی، خودسازمانیابی و تحول در فرایند رواندرمانی.
American Psychological Association. (2025). Evidence-based psychological practice, professional practice guidance, and Measurement-Based Care. American Psychological Association.
نتیجه معرفتشناختی
ریاضیات در رواندرمانی نه یک نسخه درمانی جدید، بلکه مجموعهای از زبانها و ابزارها برای دقیقترکردن مشاهده، اندازهگیری، مدلسازی، تصمیمگیری و فهم تغییر است.
هرجا ریاضیات از این مرز عبور کند و ادعا کند که میتواند خودِ انسان را در یک عدد، الگوریتم یا مدل خلاصه کند، باید با احتیاط جدی مواجه شد.
اما هرجا ریاضیات به درمانگر کمک کند که بین مشاهده و تفسیر، داده و مدل، احتمال و قطعیت، تغییر واقعی و خطای اندازهگیری، و فرضیه و حقیقت نهایی تمایز بگذارد، میتواند به یکی از مهمترین منابع تفکر میانرشتهای در رواندرمانی تبدیل شود.
در نهایت، انسان مسئلهای برای حلکردن نیست؛ اما استدلال ما درباره انسان مسئلهای است که میتوان آن را دقیقتر کرد.