نوع مقاله : مقاله پژوهشی
نویسندگان
1 دانشجوی دکتری گروه مدیریت، واحد چالوس دانشگاه آزاد اسلامی، چالوس، ایران
2 دانشیار گروه مدیریت، واحد چالوس دانشگاه آزاد اسلامی، چالوس، ایران
3 استاد گروه مدیریت، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران
چکیده
کلیدواژهها
موضوعات
عنوان مقاله [English]
نویسندگان [English]
Introduction
The increasing integration of Artificial Intelligence (AI) governance into social sectors, particularly non-profit organizations, has made algorithms a core component of management processes for aid allocation, needs assessment, and project prioritization. This evolution, while enhancing efficiency, introduces challenges such as algorithmic bias, opacity in decision-making, accountability issues, and potential privacy violations (Sari, 2025: 128; Barnes, 2025: 2). Often, these processes manifest as “shadow governance,” where algorithms invisibly influence organizational decisions, potentially perpetuating inequality or eroding public trust (Aizenberg et al., 2025: 921). Since AI systems are trained on historical data, there is a risk of reinforcing existing biases and leading to unintentional discrimination in resource distribution (Morse et al., 2020: 2; Akter et al., 2021: 2).
While most research has focused on AI applications in fields like education and policy (Yuanyuan, 2024: 105; Rakowski & Kowaliková, 2024: 2), the examination of algorithmic governance within charitable organizations remains limited (Furendal, 2023: 4). Consequently, the central research problem is to understand how algorithmic governance shapes the opportunities and threats of shadow management in non-profits and to identify the necessary mechanisms to enhance transparency, accountability, and fairness in this process. The study aims to provide a conceptual framework for the ethical management of this phenomenon. Its significance lies in mitigating bias risks and bolstering public trust, though the study is limited by a scarcity of empirical studies in this domain.
Methodology
This research employed an exploratory mixed-methods approach across two stages to analyze the role of algorithmic governance in charitable organizations’ decision-making and to elucidate the opportunities and threats of shadow management. The first stage involved a systematic meta-synthesis of credible academic sources from English (Web of Science, Scopus, Google Scholar, ScienceDirect) and Persian (SID, Noormags, Civilica, Elmnet) databases. From 142 initial articles, 60 English and 6 Persian sources were selected for final analysis after rigorous screening based on title, abstract, quality, and content relevance. This meta-synthesis identified key dimensions, components, and indicators of algorithmic governance’s opportunities and threats, culminating in a comprehensive, multidimensional conceptual framework.
The findings from the meta-synthesis informed the design of the data collection instrument for the second, qualitative stage. A semi-structured questionnaire, based on the identified dimensions and components, was developed for expert interviews. These interviews aimed to gather specialized perspectives on the opportunities and threats of shadow management emerging from the expansion of algorithmic governance. This approach revealed hidden aspects of the phenomenon by integrating theoretical foundations with expert experiences. Accordingly, the opportunities and threats of shadow management in charities were investigated using thematic analysis with the participation of 10 experts (professors of public administration and specialists in ethics, governance, and algorithmic management). Data were collected through in-depth, focused interviews, analyzed via open, axial, and selective coding, and the reliability of the analysis was confirmed.
Findings
In the first stage, this study utilized meta-synthesis and the systematic screening of 66 peer-reviewed sources to develop a comprehensive framework of the dimensions, components, and indicators of algorithmic governance. The findings reveal that algorithmic governance presents a complex duality of capacity and risk. Opportunities include enhanced transparency and accountability, improved data and model performance, elevated employee experience, increased organizational agility, and optimized decision-making. Conversely, associated threats involve data quality issues, model errors, algorithmic bias, ethical and privacy violations, psychological stress, and operational security risks. This framework provided the foundation for designing the data collection instrument and the subsequent thematic analysis.
In the second stage, thematic analysis of expert interviews identified the opportunities and threats of “shadow management” within algorithmic governance in charitable organizations. Results demonstrate that the intelligent application of data and algorithms can transform charities from traditional intermediaries into active social governance agents by empowering independent decision-making, fostering synergy with state entities, producing field-based knowledge, and strengthening social capital. However, structural threats were also identified, such as the surreptitious redesign of decision-making processes, monopolization of data interpretation, mission drift, the reproduction of inequality, erosion of accountability, and weakened organizational learning. Ultimately, while shadow management may enhance agility and innovation, it poses significant challenges to the sustainability and legitimacy of charitable organizations if robust governance mechanisms are absent. The final conceptual model is presented in Figure 1.
Figure 1. Final Model of the Threats and Opportunities of Shadow Management Considering Algorithmic Governance
Discussion and Conclusion
The findings of this study indicate that algorithmic governance in charitable organizations is a dual-faceted phenomenon that can simultaneously create pathways for enhanced efficiency, equity, and agility, while also enabling the emergence of shadow management and structural threats. Within the proposed framework, we identified opportunities such as strengthened decision-making capacities, the production and use of reliable data, the development of fairness-oriented algorithms, and enhanced institutional collaboration. Conversely, threats such as the weakening of formal decision-making processes, data monopolization, erosion of accountability, reproduction of inequalities, and technological lock-in demonstrate that the unregulated application of algorithms may jeopardize organizational integrity and legitimacy. Accordingly, it is essential for charities to adopt a balanced approach that leverages the transformative potential of data and algorithms while preventing hidden and informal decision-making mechanisms. Based on the results, it is recommended that charities and policymaking bodies develop a framework for responsible algorithmic governance, including standards for transparency, bias auditing, meaningful human oversight, and data protection.
Despite the systematic design of this study, its focus was primarily at the organizational level and based on a limited number of experts, with less attention paid to cultural, legal, and technological contextual factors. Therefore, future research should employ quantitative methods and causal modeling to test these relationships, conduct cross-country comparative studies, and examine the role of regulatory bodies in mitigating threats and reinforcing opportunities. Field-based investigations into employees’ interactions with algorithms and studies on small and community-based charities may further enrich the literature in this domain.
کلیدواژهها [English]
- مقدمه و بیان مسأله
با گسترش روزافزون هوش مصنوعی (AI) در حوزههای مختلف اجتماعی، از جمله فعالیتهای خیریه و بشردوستانه، سازمانهای خیریه با چالشهای اخلاقی و مدیریتی جدیدی مواجه شدهاند. استفاده از الگوریتمها در فرایندهایی مانند تخصیص کمکها، ارزیابی نیازمندان، اولویتبندی پروژهها و تصمیمگیریهای راهبردی، مسائلی مهم در حوزۀ شفافیت، سوگیری، حریم خصوصی و مسئولیتپذیری ایجاد کرده است (Sari, 2025: 128). حکمرانی الگوریتمی که معمولاً به صورت مدیریت سایه ظاهر میشود، به معنای قدرت نامرئی و غیررسمی الگوریتمها در هدایت تصمیمهاست که فرصتهایی را برای افزایش کارایی و دسترسی به کمکها فراهم میکند، اما همزمان، تهدیدهایی مانند بازتولید نابرابریها و کاهش اعتماد عمومی را به همراه دارد (Aizenberg et al., 2025: 921; Akter et al., 2021: 2). در بخش خیریه که معمولاً بر پایۀ ارزشهای اخلاقی و اجتماعی بنا شده است، سیستمهای هوش مصنوعی بر اساس دادههای تاریخی آموزش میبینند و ممکن است سوگیریهای موجود را تقویت کنند که این امر ممکن است به تبعیض ناخواسته در تخصیص منابع منجر شود (Morse et al., 2020: 2; Akter et al., 2021: 2). علاوه بر این، با وجود پیچیدگی الگوریتمها و ماهیت جعبهسیاه آنها، شفافیت کاهش مییابد و پاسخگویی دشوار میشود (Sari, 2025: 128; Zhong et al., 2025: 3). پایش دادههای شخصی ذینفعان نیز نگرانیهای جدی در حوزۀ حریم خصوصی ایجاد میکند (Akter et al., 2021: 3; Shi & Xing, 2025: 2) و اتکای بیش از حد به تصمیمهای خودکار ممکن است استقلال انسانی و قضاوت اخلاقی را در فعالیتهای خیریه کاهش دهد (El Arab et al., 2025: 13).
حکمرانی الگوریتمی یعنی تصمیمهای اجرایی (انتخاب پروژه، اولویتبندی دریافتکننده، ارزیابی عملکرد و ...) به طور سیستماتیک توسط مدلها و داشبوردها هدایت شود، نه فقط مدیران انسانی (Zhang et al., 2025: 4; Keegan & Meijerink, 2025: 396; Stark & Vanden Broeck, 2024: 5). در ترکیب انسان-الگوریتم، بخشی از پاسخگویی به داشبوردها و معیارهای کمّی منتقل میشود؛ این امر ممکن است اختیار لایههای میانی و امنیت روانی کارکنان را کاهش دهد و نوعی پاسخگویی در سایه بسازد که در آن، قدرت واقعی در منطق شاخصهاست، نه ساختار رسمی (Barnes, 2025: 149; Stark & Vanden Broeck, 2024: 2). در سطح کل سازمان، استفادۀ غیررسمی از ابزارهای هوش مصنوعی خارج از چارچوبهای مصوب به عنوان هوش مصنوعی سایه[1] توصیف شده است؛ یعنی کارمندان از ابزارها برای تصمیمهای حساس (برای مثال، غربال کمکگیرندگان) استفاده میکنند، بدون اینکه این استفاده در سیاستها، ناظر و ممیزی منعکس شده باشد (Ross et al., 2025: 2).
برای مقابله با این چالشها، سازمانهای خیریه میتوانند از اصول اخلاق سازمانی بهره ببرند، مانند ایجاد چارچوبهای حاکمیت اخلاقی، مدیریت ذینفعان، شفافسازی تصمیمهای الگوریتمی، حفظ نظارت انسانی و آموزش کارکنان (Schultz & Seele, 2022: 101; Salehi, 2025: 233; Aizenberg et al., 2025: 921). پژوهش حاضر، با تمرکز بر فرصتها و تهدیدهای ایجادشده به واسطۀ حکمرانی الگوریتمی در تصمیمگیری خیریهها، فرصتها و تهدیدهای مدیریت سایه را بررسی و الگویی برای تعادل نوآوری فناورانه با مسئولیت اخلاقی پیشنهاد میکند. این رویکرد میتواند به تقویت اعتماد و عدالت در فعالیتهای خیریه کمک کند؛ جایی که قدرت نامرئی الگوریتمها روابط قدرت و ارزشهای ادراکی را بازتعریف میکند (Shaw, 2025: 118). بدون تعبیۀ پیشدستانۀ اخلاق در ساختار الگوریتمی، پیامدهایی مانند تثبیت سوگیریها و کاهش اعتماد ذینفعان اجتنابناپذیر خواهند بود (De Cremer & McGuire, 2022: 35; Liu et al., 2025: 345).
کاربرد الگوریتم تأمین مالی مبتنی بر پیوندهای اجتماعی[2] در پلتفرمهای خیریهمحور به سبک یک پلتفرم تأمین مالی جمعیِ غیرمتمرکز برای حمایت از پروژههای عمومی دیجیتال، با تکیه بر ایدۀ حکمرانی باز توزیع یارانه بر اساس پیوندهای اجتماعی و مطلوبیتهای نوعدوستانه بهجای صرف تعداد یا مبلغ کمکهای انفرادی، توانسته است نسبت به تأمین مالی کلاسیک، به بهبود رفاه اجتماعی و افزایش عدالت در توزیع منابع میان پروژهها منجر شود (Miller et al., 2025: 108). همچنین، بهکارگیری همزمان بلاکچین و یادگیری ماشین در تخصیص منابع خیریه، با استفاده از قراردادهای هوشمند برای شفافیت و قفلشدن قواعد و الگوریتمها برای تشخیص تقلب، تطبیق اهداکننده و پیشبینی موفقیت کمپینها، موجب افزایش شفافیت و ردیابی تراکنشها، کاهش تقلب و بهبود کارایی تخصیص و تطبیق نیازمندان شده است (Raphael, 2025: 2; Lakshmanan et al., 2024: 849). طراحی ساختارهای تعهد مالی دیجیتال (مانند تعهد سخت یا همراه با ضربالاجل) میتواند ریسک نکول در جمعآوری کمکهای مردمی را به طرزی معنادار کاهش دهد و پایداری مالی پروژههای خیریه را تقویت کند (عباسنیا و عبدی، ۱۴۰۴: 141). در کنار این موارد، الگوریتمهایی که به قضاوت و جمعبندی در خصوص چگونگی جمعآوری کمکها و همچنین فرایند راستیآزمایی اختصاص دارند، توانستهاند درخواستهای جعلی را کاهش دهند و اعتماد اهداکنندگان را حفظ کنند؛ هرچند همچنان نیازمند نظارت انسانی و پیشبینی پروتکلهای اعتراض و بازبینی هستند (Vasuki, 2025: 4). البته تبلیغات رسانهای و برندسازی دیجیتال مؤسسههای خیریه از طریق مراحل آغاز تا بلوغ و توجه به عوامل سازمانی، اجتماعی و فناورانه، میتواند اعتماد اهداکنندگان و مددجویان را افزایش دهد و پیامدهایی مثبت برای سازمان و جامعه ایجاد کند (کیاکجوری و چریانی زنجانی، ۱۴۰۳: 91؛ صاحبالداری و همکاران، ۱۴۰۴: 199).
حکمرانی الگوریتمی که خیریهها از آن بهره میگیرند، به صورت مدیریت سایه عمل میکند که تصمیمگیری را از حوزۀ انسانی به مدلهای محاسباتی پنهان منتقل میکند (Martin, 2019: 837; Jarrahi et al., 2021: 3). این وضعیت چالشهایی مانند سازوکارهای عدم پاسخگویی شفاف، واگذاری مسئولیت تصمیمگیری به الگوریتم توسط مدیران و ابهام الگوریتمی ایجاد میکند (Benlian et al., 2022: 827; Morse et al., 2020: 2). سوگیری الگوریتمی در خیریهها میتواند عدالت در تخصیص کمکها را تهدید کند و گروههای آسیبپذیر را در معرض تبعیض قرار دهد (Akter et al., 2021: 3; Gupta et al., 2022: 3). پژوهشهای پیشین بر جنبههای کلان حکمرانی هوش مصنوعی تمرکز داشتهاند، مانند کاربردها در سلامت (اقتدار و همکاران، 1402: 273)، آموزش (Yuanyuan, 2024: 105) و سیاست (Rakowski & Kowaliková, 2024: 2)، اما کمتر به نقش الگوریتمها در تصمیمگیری خیریهها و تهدیدهای مدیریت سایه توجه کردهاند (دهقانی و همکاران، 1404: 2؛ قاسمی، 1400: 3؛ Furendal, 2023: 4).
فقدان مدلی بومی برای ارتقای اخلاق و بهرهوری در بهرهگیری از حکمرانی الگوریتمی در خیریهها شکافی آشکار در ادبیات ایجاد کرده است؛ جایی که سازوکارهای شفافیت، عدالت الگوریتمی و نظارت انسانی نادیده گرفته شدهاند (Carrillo, 2020: 3; Jensen et al., 2020: 4). پژوهش حاضر این خلأ را پر میکند و بر طراحی الگویی تمرکز دارد که رابطۀ میان شفافیت، پاسخگویی و فرهنگ سازمانی را در مواجهه با مدیریت سایه تبیین کند (Hunkenschroer & Luetge, 2022: 978; Schmitt, 2024: 127; Hernández-Lugo, 2024: 8). این الگو میتواند فرصتها و تهدیدهای نوآوری الگوریتمی را در برابر ارزشهای والای خیریه نمایان کند تا فقط به فرصتی برای تقویت عدالت و اعتماد تبدیل شود (Leicht-Deobald et al., 2022: 3; Liao, 2023: 3). بر این اساس، این پژوهش به دنبال ارائۀ مدلی شامل فرصتها و تهدیدهای حکمرانی الگوریتمی و در پی آن، ارائۀ فرصتها و تهدیدهای مدیریت سایهای است که در پی حکمرانی الگوریتمی در تصمیمگیری خیریهها به وجود آمده است.
2- ادبیات پژوهش
1-2 حکمرانی الگوریتمی در تصمیمگیری سازمانهای غیرانتفاعی
حکمرانی الگوریتمی در تصمیمگیری سازمانهای غیرانتفاعی، به ویژه خیریهها، به معنای ادغام سیستمهای هوش مصنوعی در فرایندهای کلیدی مانند تخصیص منابع، ارزیابی نیازمندان و راهبردهای جمعآوری کمک است که میتواند از یک سو، شفافیت را کاهش دهد و سوگیریهای موجود را تقویت کند و از سوی دیگر، کارایی، سرعت و دقت تصمیمگیری را افزایش دهد و امکان تخصیص بهینهتر منابع را فراهم کند. بر اساس پژوهشهای موجود، الگوریتمها در کنار ارتقای کارایی بیش از حد، معمولاً بر پایۀ دادههای تاریخی آموزش میبینند که ممکن است سوگیریهای اجتماعی را بازتولید کنند که این امر ممکن است به تبعیض ناخواسته در توزیع کمکها منجر شود (Aizenberg et al., 2025: 922; Akter et al., 2021: 3). در بخش خیریه، حکمرانی الگوریتمی میتواند تصمیمگیری را از قضاوت انسانی به سمت مدلهای محاسباتی سوق دهد؛ جایی که در کنار قابلیتهایی که در بهبود و تسریع تصمیمگیری به همراه دارد، پیچیدگی الگوریتمها شفافیت را کاهش میدهد و مسئولیتپذیری را مبهم میکند (Sari, 2025: 129; Zhong et al., 2025: 2).
در سازمانهای خیریه، حکمرانی الگوریتمی فرصتهایی برای بهینهسازی فراهم میکند، مانند پیشبینی نیازهای جامعه یا هدفگیری دقیقتر کمکها، اما تهدیدهایی مانند کاهش استقلال انسانی و افزایش وابستگی به فناوری را نیز به همراه دارد (El Arab et al., 2025: 2; Shi & Xing, 2025: 3). پژوهشها نشان میدهند بهکارگیری الگوریتمها در تصمیمگیری سازمانی میتواند از یک سو، دقت تحلیلی، سرعت پردازش دادهها و انسجام تصمیمها را افزایش دهد، اما اتکای بیش از حد به الگوریتمها میتواند قضاوت حرفهای را فرسوده کند و تصمیمگیری را به فرایندی مکانیکی تبدیل کند (De Cremer & McGuire, 2022: 35; Liu et al., 2025: 343). در رابطه با سازمانهای خیریه، این دوگانگی اهمیت طراحی چارچوبهای اخلاقی و نظارتی را برجسته میکند تا بهرهگیری از نوآوریهای فناورانه در عین حفظ ارزشهای انسانی و مسئولیت اجتماعی صورت گیرد (Schultz & Seele, 2022: 101; Salehi, 2025: 234).
2-2 مدیریت سایه و چالشهای مدیریتی در بخش خیریه
مدیریت سایه در بخش خیریه به معنای ساختارهای قدرت نامرئی و غیررسمی است که تصمیمگیری را خارج از چارچوبهای رسمی هدایت میکند و با حکمرانی الگوریتمی میتواند به شکلی جدید از کنترل پنهان تبدیل شود (Morse et al., 2020: 3). در خیریهها، این مدیریت میتواند در پشت پرده از طریق الگوریتمهای جعبهسیاه که روابط قدرت را بازتعریف میکنند، تقویت شود و به تثبیت سوگیریهای تاریخی و کاهش اعتماد منجر شود (: 2 Akter et al., 2021: 3; Gupta et al., 2022). بدون نظارت انسانی، الگوریتمها میتوانند کنترلگری را تشدید و روابط کاری را غیرشخصی کنند (Noponen, 2019: 44; Tursunbayeva, 2024: 118).
چالشهای مدیریتی در مدیریت سایۀ خیریهها شامل ابهام در پاسخگویی و کاهش شفافیت هستند؛ جایی که الگوریتمها تصمیمها را بدون توضیح قابل فهم اتخاذ و کارکنان را در برابر نتایج آسیبپذیر میکنند (Liao, 2023: 3; Martin, 2019: 837). برای مقابله، سازمانهای خیریه به رویکردهای پیشبینانه نیاز دارند که اخلاق را در طراحی الگوریتم ادغام کنند و نقشهایی مانند رئیس ارشد هوش مصنوعی را برای پلزنی بین فناوری و مسئولیت اجتماعی ایجاد کنند (Hunkenschroer & Luetge, 2022: 979; Schmitt, 2024: 2). کاهش تصدیگری دولت و تشکیل شورای ملی تعاون میتواند هماهنگی و نظارت بر فعالیتهای خیریه را بهبود بخشد و از مدیریت سایه جلوگیری کند (کیاکجوری، ۱۴۰۳: 185). این امر میتواند عدالت سازمانی را تقویت و از تهدیدهای سایه جلوگیری کند (Hernández-Lugo, 2024: 4; Kandasamy et al., 2025: 1077).
3-2 فرصتها و تهدیدهای ادغام هوش مصنوعی در تصمیمگیری خیریه
فرصتهای ادغام هوش مصنوعی در تصمیمگیری خیریه شامل افزایش کارایی در تخصیص کمکها و پیشبینی نیازها هستند؛ جایی که الگوریتمها میتوانند دادههای بزرگ را تحلیل و نوآوری را با مسئولیت اخلاقی متوازن کنند (Akter et al., 2021: 3; Kapate et al., 2025: 2). دیجیتالیشدن خدمات خیریه همراه با شمول مالی، اثر تعاملی منفی و معناداری بر فقر چندبُعدی دارد و میتواند به کاهش متوسط ۱۲درصدی فقر و همافزایی در سیاستهای مداخلۀ اجتماعی هوشمند کمک کند (کاظمی نجفآبادی، ۱۴۰۴: 187). پژوهشها نشان میدهند چارچوبهای حاکمیت اخلاقی میتوانند شفافیت را افزایش دهند و اعتماد را در بخش خیریه تقویت کنند (Aizenberg et al., 2025: 921; Schultz & Seele, 2022: 99). این ادغام میتواند سازمانهای خیریه را به سمت تصمیمگیری دادهمحور سوق دهد و عدالت را در توزیع منابع بهبود بخشد (Jarrahi et al., 2021: 2; Benlian et al., 2022: 827). تهدیدهای این ادغام شامل بازتولید سوگیری الگوریتمی و کاهش پاسخگویی هستند که میتوانند در خیریهها به تبعیض در کمکرسانی منجر شوند (Morse et al., 2020: 3; Akter et al., 2021: 3). پیچیدگی الگوریتمها میتواند شفافیت را کاهش دهد و کارکنان را به تبعیت منفعلانه سوق دهد که این امر تهدیدی برای اخلاق سازمانی است (De Cremer & McGuire, 2022: 35; Leicht-Deobald et al., 2022: 73). برای کاهش تهدیدها، آموزش مستمر و ممیزی الگوریتمها ضروری است تا سازمانهای خیریه بدون افتادن در دام مدیریت سایه و فقط با جذب فرصتهای آن بتوانند از فرصتها بهره ببرند (Liao, 2023: 5).
4-2 مروری بر پیشینۀ پژوهش
پژوهشهای خارجی بر حکمرانی الگوریتمی، مدیریت سایه و چالشهای اخلاقی هوش مصنوعی در بخش عمومی تأکید دارند و فرصتها و تهدیدهای تصمیمگیری الگوریتمی را تحلیل میکنند. لیو[3] و همکاران (2025) با روش ترکیبی، نشان دادند مدیریت الگوریتمی از طریق مالکیت روانشناختی، پنهانسازی دانش را افزایش میدهد که این امر ممکن است به مدیریت سایه منجر شود. آراگانی[4] و همکاران (2025) با پیمایش و تحلیل کیفی، فرصتهای هوش مصنوعی در تقویت دموکراسی را بررسی و همزمان، چالشهای عدالت و اخلاق را برجسته میکنند. باتلر[5] (2025) با تحلیل حقوقی، اصل عدم تفویض اختیار را در مواجهه با تصمیمگیری الگوریتمی ناسازگار میداند و خطر کاهش پاسخگویی را هشدار میدهد. همچنین، خاماس[6] و همکاران (2025) با مدلسازی ساختاری، رهبری سایه را به عنوان سازوکاری موازی برای نفوذ توصیف میکنند که شفافیت را تهدید میکند. این مطالعات بیشتر به بخش دولتی اختصاص دارند و کمتر به سازمانهای خیریه توجه کردهاند، اما تهدیدهای سوگیری الگوریتمی و کاهش شفافیت را برجسته میکنند که میتواند به مدیریت سایه در تصمیمگیری خیریهها تعمیم یابد.
پژوهشهای داخلی عمدتاً بر نقش هوش مصنوعی در حکمرانی و سیاست عمومی تمرکز دارند و چالشها و فرصتهای آن را در زمینههای دولتی بررسی میکنند. برای مثال، ابوذری (۱۴۰۲) هوش مصنوعی را به عنوان ابزاری برای قدرت نرم در سیاست عمومی معرفی میکند و پیشنهاد میدهد دولتها برای کارآمدی حکمرانی از آن بهره ببرند. همچنین، قاسمی (۱۴۰۰) با تحلیل توصیفی-تحلیلی، بر تطبیق هوش مصنوعی با ارزشهای جامعه و هشدار نسبت به وابستگی فناورانه تأکید دارد، در حالی که روشن و همکاران (۱۴۰۰) با فراترکیب، کاربرد هوش مصنوعی در بخش دولتی را بررسی میکنند و بر سیاستگذاری اخلاقی برای ارتقای خدمات عمومی تمرکز دارند. این پژوهشها بیشتر به جنبههای کلان حکمرانی اشاره دارند و کمتر به حکمرانی الگوریتمی در سازمانهای غیرانتفاعی مانند خیریهها توجه کردهاند، اما چالشهای اخلاقی و شفافیت را برجسته میکنند که ممکن است به فرصتها و تهدیدهای مدیریت سایه مرتبط باشند.
در مجموع، پیشینۀ پژوهشهای داخلی و خارجی بر کاربرد هوش مصنوعی در حکمرانی عمومی، چالشهای اخلاقی، سوگیری الگوریتمی و سازوکارهای سایه تمرکز دارد، اما بیشتر به بخش دولتی محدود است و جنبههای خاص سازمانهای غیرانتفاعی مانند خیریهها را نادیده میگیرد. پژوهشهای داخلی مانند قاسمی (۱۴۰۰) و روشن و همکاران (۱۴۰۰) بر سیاستگذاری اخلاقی تأکید دارند، در حالی که خارجیها مانند لیو و همکاران (2025) و خاماس و همکاران (2025) تهدیدهای موجود در حکمرانی الگوریتمی و مدیریت سایه را بررسی میکنند، اما هیچ کدام به طور مستقیم به تهدیدها و فرصتهای موجود در تصمیمگیری در خیریهها در عصر حکمرانی الگوریتمی اشاره نمیکنند. این شکاف پژوهشی ضرورت بررسی نقش حکمرانی الگوریتمی در تصمیمگیری خیریهها را برجسته میکند؛ جایی که فرصتهای بهینهسازی توزیع کمکها با تهدیدهای مدیریت سایه مانند کاهش شفافیت و سوگیری در برابر نیازمندان همراه است و پژوهش حاضر با تمرکز بر این حوزه، خلأ موجود را پر میکند.
3- روش پژوهش
در این پژوهش، با هدف واکاوی نقش حکمرانی الگوریتمی در تصمیمگیری خیریهها و تبیین فرصتها و تهدیدهای مدیریت سایه، از یک رویکرد ترکیبی و اکتشافی در دو مرحله بهره گرفته شد. در مرحلۀ نخست پژوهش، به منظور شناسایی ابعاد و مؤلفههای فرصتها و تهدیدهای حکمرانی الگوریتمی در سازمانها، از روش فراترکیب به صورت نظاممند استفاده شد. در این راستا، جستوجوی منابع علمی در پایگاههای بینالمللی شامل Web of Science، Scopus، Scholargoogle و Sciencedirect و نیز پایگاههای فارسی مانند SID، Noormags، Civilica و Elmnet انجام شد. در مرحلۀ شناسایی اولیه، در مجموع، ۱۴۲ منبع علمی استخراج شدند (شکل 1). پس از غربالگری اولیه بر اساس عنوان، ۱۰۵ مقاله باقی ماندند که چکیدۀ آنها بررسی شد. در ادامه، با اعمال معیارهای ورود و خروج پژوهش، از جمله ارتباط مستقیم با موضوع حکمرانی الگوریتمی، دسترسی به متن کامل، کیفیت علمی مناسب و ارتباط دقیق با موضوع، تعداد منابع کاهش یافت. در نهایت، ۶۶ منبع شامل ۶۰ مقالۀ انگلیسی و ۶ منبع فارسی به عنوان مطالعات واجد شرایط انتخاب و برای تحلیل نهایی در فراترکیب استفاده شدند. تحلیل محتوای این متون با استفاده از رویکرد تحلیل اهمیت-عملکرد و تکنیک کدگذاری موضوعی انجام شد که به استخراج چارچوب فرصتها و تهدیدهای حکمرانی الگوریتمی منجر شد. خروجی این مرحله ترسیم تصویری جامع از ساختار چندبُعدی فرصتها و تهدیدهای حکمرانی الگوریتمی بود. یافتههای حاصل از مرحلۀ فراترکیب (جدول 3) مبنای طراحی ابزار گردآوری دادهها در مرحلۀ کیفی دوم پژوهش قرار گرفت. برای این منظور، بر اساس ابعاد و مؤلفههای استخراجشده از تحلیل متون، یک پرسشنامۀ نیمهساختاریافته تدوین شد تا از طریق مصاحبه با خبرگان، دیدگاههای تخصصی آنان با هدف شناسایی و تبیین فرصتها و تهدیدهای شکلگیری مدیریت سایه در پرتو گسترش حکمرانی الگوریتمی جمعآوری شوند تا از طریق تلفیق مبانی نظری و تجربیات خبرگان، ابعاد پنهان این پدیده در سازمانهای خیریه آشکار شوند. در همین راستا، فرصتها و تهدیدهای مدیریت سایه در سازمانهای خیریه شناسایی شدند. این بخش با بهکارگیری روش تحلیل مضمون و از طریق مشارکت ۱۰ خبره شامل اساتید حوزۀ مدیریت دولتی و صاحبنظران دارای سابقۀ اجرایی و پژوهشی چشمگیر در زمینۀ اخلاق، حکمرانی و مدیریت الگوریتمی انجام شد (جدولهای 4 و 5). جدول (1) مشخصات کلی این افراد را بر اساس رشتۀ تخصصی، سابقۀ کاری و حوزۀ پژوهشی ارائه میکند.
جدول 1. معرفی خبرگان مشارکتکننده در بخش تحلیل مضمون ناشی از فرصتها و تهدیدهای مدیریت سایه در تصمیمگیری خیریهها
Table 1. Introduction of experts participating in the thematic analysis of opportunities and threats arising from shadow management in charitable decision‑making
|
کد خبره |
رشتآ تحصیلی/تخصص علمی |
سابقۀ کار اجرایی/مدیریتی |
حوزههای پژوهشی و تخصصی |
|
خبرۀ 1 |
مدیریت دولتی |
15 سال تجربۀ مدیریتی در بخش دولتی |
حکمرانی، سیاستگذاری عمومی |
|
خبرۀ 2 |
مدیریت فناوری اطلاعات |
12 سال تجربه در پروژههای فناوری و داده |
فناوریهای دیجیتال، الگوریتمها |
|
خبرۀ 3 |
مدیریت دولتی |
18 سال تجربه در نهادهای عمومی |
حکمرانی و عدالت سازمانی |
|
خبرۀ 4 |
سیاستگذاری عمومی |
10 سال کار اجرایی در حوزۀ تصمیمسازی |
سیاستگذاری فناورانه |
|
خبرۀ 5 |
مدیریت دولتی-خطمشیگذاری |
14 سال تجربۀ مشاورۀ سازمانی |
اخلاق حرفهای، رفتار سازمانی |
|
خبرۀ 6 |
مدیریت دولتی |
20 سال مدیریت در سازمانهای عمومی |
حکمرانی و شفافیت |
|
خبرۀ 7 |
علوم داده و هوش مصنوعی |
8 سال فعالیت در حوزۀ الگوریتمها |
حکمرانی الگوریتمی |
|
خبرۀ 8 |
مدیریت دولتی-خطمشیگذاری |
12 سال فعالیت حرفهای در نهادهای اجتماعی |
اخلاق فناوری، تحلیل سیاست |
|
خبرۀ 9 |
مدیریت دولتی-خطمشیگذاری |
22 سال سابقۀ مدیریتی |
سیاستگذاری اجتماعی |
|
خبرۀ 10 |
مدیریت فناوری اطلاعات |
9 سال تجربه در حوزۀ دیجیتال |
تحول دیجیتال و الگوریتمها |
در واقع، مرحلۀ فراترکیب در این پژوهش صرفاً با هدف مرور ادبیات انجام نشد، بلکه به عنوان مبنای مفهومی و چارچوب اولیه برای مرحلۀ کیفی دوم پژوهش به کار گرفته شد؛ به این معنا که ابعاد، مؤلفهها و شاخصهای استخراجشده از تحلیل نظاممند متون در حوزۀ حکمرانی الگوریتمی به عنوان چارچوب هدایتگر برای طراحی پرسشنامۀ نیمهساختاریافته مصاحبه استفاده شدند. به بیان دیگر، نتایج فراترکیب نقش «لنز تحلیلی» را ایفا کرد که از طریق آن، مصاحبهها با خبرگان هدایت و ساماندهی شدند تا مشخص شود این مؤلفههای نظری در بستر واقعی سازمانهای خیریه چگونه میتوانند زمینهساز شکلگیری فرصتها یا تهدیدهای مدیریت سایه شوند. بر این اساس، دادههای حاصل از مصاحبهها در فرایند تحلیل مضمون کدگذاری شد و مضامین پایه، سازماندهنده و فراگیر با اتکا به همان چارچوب مفهومی اولیه استخراج شدند. به این ترتیب، مرحلۀ تحلیل مضمون تهدیدها و فرصتهای مدیریت سایه با در نظر گرفتن حکمرانی الگوریتمی نه به صورت مستقل، بلکه در امتداد و تکمیل نتایج مرحلۀ فراترکیب عمل کرده و پیوند میان ادبیات نظری حکمرانی الگوریتمی و تجربۀ خبرگان در حوزۀ تصمیمگیری خیریهها را برقرار کرده است. مشارکتکنندگان با توجه به مدل حکمرانی الگوریتمی استخراجشده، شواهد، تجربیات و دیدگاههای خود را دربارۀ پیامدهای مدیریت سایه در بستر خیریهها ارائه کردند. دادههای حاصل از مصاحبههای عمیق و متمرکز، پس از ثبت و گردآوری، مراحل کدگذاری باز، محوری و انتخابی را طی کردند و مضامین اصلی مرتبط با فرصتها و تهدیدها استخراج و دستهبندی شدند. برای اطمینان از پایایی و توافق میان کدگذاریها، ضریب کاپای کوهن محاسبه شد که مقدار 796/0 نشاندهندۀ قابلیت اتکای زیاد در فرایند تحلیل است. در نهایت، تلفیق یافتههای مرحلۀ فراترکیب و تحلیل مضمون چارچوبی تحلیلی از نقش حکمرانی الگوریتمی در تصمیمگیری خیریهها ارائه داد که در آن، همزمان فرصتهای نوظهور و تهدیدهای مدیریت سایه در این عرصه مورد توجه قرار گرفتهاند.
4- یافتههای پژوهش
در مرحلۀ نخست پژوهش که با هدف ارائۀ چارچوب فرصتها و تهدیدهای حکمرانی الگوریتمی در سازمانها انجام شد، از روش فراترکیب استفاده شد. در این مرحله، فرایند انتخاب و غربالگری منابع به صورت گامبهگام و نظاممند مطابق شکل (1) دنبال شد.
|
کل مقالههای بررسیشده: 77 |
|
تعداد منابع ردشده: 10 |
|
تعداد منابع ردشده: 29 |
|
تعداد منابع ردشده: 37 |
|
کل چکیدۀ غربالشده: 105 |
|
کل مقالههای انتخابشده: 66 |
|
کل عناوین بررسیشده: 142 |
شکل 1. چگونگی غربال مقالات به منظور فراترکیب مقالات مرتبط با حکمرانی الگوریتمی
Figure 1. The screening process of articles for the meta-synthesis of studies related to algorithmic governance
طبق جدول (2)، مولفههای اصلی از طریق تحلیل اهمیت- عملکرد محتوای تحقیق از منابع زیر به صورت کدبندی برداشت شده است.
جدول 2. توصیف منابع فراترکیب ارائۀ چارچوب فرصتها و تهدیدهای حکمرانی الگوریتمی
Table 2. Description of the meta-synthesis sources for developing the framework of opportunities and threats of algorithmic governance
|
کد |
نویسنده |
سال |
کد |
نویسنده |
سال |
کد |
نویسنده |
سال |
|
L1 |
Vaghasia et al. |
L21 |
Radanliev et al. |
L41 |
Ryan & Stahl |
|||
|
L2 |
Peringa et al. |
L22 |
Singhal et al. |
L42 |
Deldjoo et al. |
|||
|
L3 |
Wang et al. |
L23 |
El Mestari et al. |
L43 |
Tran & Oh |
|||
|
L4 |
Piedra-Cascón et al. |
L24 |
Ortega-Bolaños et al. |
L44 |
Stepin et al. |
|||
|
L5 |
Michelucci & Venturini |
L25 |
Sachan et al. |
L45 |
Fukuda‐Parr & Gibbons |
|||
|
L6 |
Daily et al. |
L26 |
Glavin et al. |
L46 |
Wieringa |
|||
|
L7 |
Baron et al. |
L27 |
Mensah |
L47 |
Raji et al. |
|||
|
L8 |
Al-Dulaimi & Mohammed |
L28 |
Pentyala |
L48 |
Bastopcu & Ulukus |
|||
|
L9 |
Marmolejo-Ramos et al. |
L29 |
Pagano et al. |
L49 |
Xu et al. |
|||
|
L10 |
Cappelli & Di Marzo Serugendo |
L30 |
Herm et al. |
L50 |
Lin et al. |
|||
|
L11 |
Pokhidnia |
L31 |
Cooper & Marques-Silva |
L51 |
Sampson et al. |
|||
|
L12 |
Moon & Ahn |
L32 |
Corso et al. |
L52 |
Martin |
|||
|
L13 |
Loreti & Visani |
L33 |
Chung & Lee |
L53 |
Jobin et al. |
|||
|
L14 |
Munch et al. |
L34 |
Ding et al. |
L54 |
Selbst & Barocas |
|||
|
L15 |
Lim et al. |
L35 |
Izza et al. |
L55 |
Yazdani et al. |
|||
|
L16 |
El Koshiry et al. |
L36 |
Kim & Routledge |
L56 |
Veale at al. |
|||
|
L17 |
Shannaq et al. |
L37 |
De Bruijn et al. |
L57 |
Wachter et al. |
|||
|
L18 |
Akinrinola et al. |
L38 |
Green |
L58 |
Clark et al. |
|||
|
L19 |
Folorunso et al. |
L39 |
Van Giffen et al. |
L59 |
Arslanturk et al. |
|||
|
L20 |
Farayola et al. |
L40 |
Langer & Landers |
L60 |
Diakopoulos |
|||
|
P1 |
دهقانی و همکاران |
P3 |
ناصرمقدسی |
P5 |
ستارند |
|||
|
P2 |
اقتدار و همکاران |
P4 |
زواری |
P6 |
خرمشاد |
شاخصهای استخراجشده از فراترکیب مطالعات پیشین در دو دستۀ اصلی فرصتها و تهدیدهای حکمرانی الگوریتمی طبقهبندی شدند. فرصتها بیانگر پیامدهای مثبت و ظرفیتهای بهبود عملکرد سازمانی ناشی از بهکارگیری سیستمهای الگوریتمی هستند، در حالی که تهدیدها به ریسکهای اخلاقی، اجتماعی و مدیریتی مرتبط با استفاده از این سیستمها اشاره دارند. بر این اساس، کدهای منابع استخراجی به صورت جدول (3) نمایش داده شدند.
جدول 3. چارچوب ابعاد، مؤلفهها و شاخصهای فرصتها و تهدیدهای حکمرانی الگوریتمی مستخرج از فراترکیب
Table 2. Framework of dimensions, components, and indicators of opportunities and threats of algorithmic governance derived from the meta‑synthesis
|
سازه |
بُعد |
مؤلفه |
شاخص |
منبع |
|
فرصتها |
حکمرانی و شفافیت الگوریتمی |
شفافیت عملکرد الگوریتم |
میزان ارائۀ توضیح دربارۀ تصمیمهای الگوریتم |
L34, L44, L57, L35, L37, L30, L14, L46, L50, L7, L54 |
|
وجود مستندات عملکردی مدل برای کارکنان |
L34, L46, L51, L47, L54, P2, P4 |
|||
|
درصد فرایندهایی که علت تصمیمهایشان توضیحپذیر است |
L34, L44, L31, L35, L30, L50, L7 |
|||
|
پاسخگویی و مسئولیتپذیری |
تعیین مسئول رسمی برای خطاهای الگوریتم |
L60, L52, L36, L46, L8, L47, L13, L54, P6 |
||
|
وجود پروتکل پاسخگویی در خطاها |
L60, L52, L46, L8, L47, L54, P2, P4 |
|||
|
زمان متوسط رسیدگی به شکایتهای ناشی از تصمیمهای الگوریتمی |
L60, L46, L8, L47, L38 |
|||
|
نظارت انسانی |
میزان دخالت انسان در تصمیمهای کلیدی |
L52, L37, L46, L7, L54, P6 |
||
|
درصد تصمیمهای خودکار که نیازمند تأیید انسانی هستند |
L57, L52, L37, L46, L7, L54 |
|||
|
شاخص بازبینی دورهای مدلها |
L34, L46, L51, L47, L54 |
|||
|
اخلاق و مسئولیتپذیری الگوریتمی |
رعایت اصول اخلاقی |
وجود کد اخلاقی برای توسعه/استفاده از الگوریتم |
L53, L45, L22, L24. L10, L27, L11, L41, L18 |
|
|
میزان تطابق با استانداردهای اخلاقی بینالمللی |
L53, L45, L22, L24. L10, L27, L11, L41 |
|||
|
کیفیت داده و مدل |
کیفیت و یکپارچگی داده |
میزان بهروزرسانی دادهها |
L16, L15, L49, L48 |
|
|
استانداردهای امنیت و محرمانگی دادهها |
L16, L19, L20, L20, P2, P4 |
|||
|
عملکرد مدل |
دقت مدل |
L16, L4, L33, L17, P5 |
||
|
پایداری عملکرد در زمانهای مختلف |
L16, L3, L4, L55 |
|||
|
پایش و نگهداری مدل |
فاصلۀ زمانی میان آموزش مجدد مدلها |
L16, L49, L55, L48 |
||
|
زمان پاسخ الگوریتم |
L16, L4, L55, P5 |
|||
|
تأثیر بر کارکنان و فرهنگ سازمانی |
تجربه و رفاه کارکنان |
میزان اعتماد کارکنان به سیستمهای الگوریتمی |
L25, L9, L26, L40, P4 |
|
|
رضایت شغلی در محیط الگوریتمی |
L26, L40 |
|||
|
تعامل کاربر با سیستم |
میزان استفاده |
L24, L25, L40 |
||
|
سهولت استفاده |
L24, L25, L40 |
|||
|
رضایت کاربر از تصمیمهای سیستم |
L25, L9, L26, L40 |
|||
|
کارایی، کارکرد و نتایج کسبوکار |
بهبود عملکرد سازمان |
کاهش هزینههای عملیاتی |
L25, L26, L40 |
|
|
افزایش بهرهوری کارکنان |
L25, L26, L40 |
|||
|
کاهش زمان انجام کارها در فرایندهای الگوریتمی |
L25, L26, L40 |
|||
|
کیفیت تصمیمگیری |
مقایسۀ دقت تصمیمهای انسانی در برابر تصمیمهای الگوریتمی |
L25, L26, L40 |
||
|
درصد تصمیمهای بهینهشده توسط سیستم |
L25, L26, L40 |
|||
|
چابکی و نوآوری سازمانی |
سرعت اجرای تغییرات در الگوریتمها |
L24, L25, L40 |
||
|
تعداد پروژههای نوآورانۀ مبتنی بر هوش مصنوعی |
L24, L25, L40, P1 |
|||
|
میزان اتوماسیون فرایندهای جدید |
L24, L25, L40, P1 |
|||
|
تهدیدها |
ریسکهای کیفیت داده و مدل |
نقص در کیفیت و یکپارچگی داده |
نرخ دادههای ناسازگار یا ناقص |
L16, L58, L17, L59 |
|
خطاهای عملکرد مدل |
نرخ خطا در تصمیمهای حیاتی |
L16, L2, L32, L6 |
||
|
ضعف در پایش و نگهداری مدل |
تعداد هشدارهای ناشی از انحراف داده |
L1, L16, L4, L39, L55, |
||
|
ریسکهای اخلاقی و تبعیض الگوریتمی |
سوگیری و تبعیض الگوریتمی |
تفاوت در رفتار الگوریتم برای گروههای مختلف کاربران یا کارکنان |
L24, L29, L25, L42, L27, L41, L12 |
|
|
امتیازدهی ناعادلانه |
L24, L29, L25, L42, L27, L41, L12, P6 |
|||
|
تعداد موارد مستندشدۀ تبعیض الگوریتمی |
L24, L29, L25, L42, L27, L41, L12 |
|||
|
نقض اصول اخلاقی در کاربرد الگوریتم |
تعداد موارد تخطی از الزامات اخلاقی |
L45, L22, L24, L10, L27, L41 |
||
|
تهدیدهای حریم خصوصی کارکنان |
سطح دسترسی سیستم به دادههای شخصی |
L21, L23, L28, L11, L56, P2 |
||
|
عدم رضایت کارکنان از نحوۀ جمعآوری دادهها |
L9, L26, L40 |
|||
|
عدم مطابقت سیستم با قوانین حفاظت داده |
L21, L23, L28, L11, L56, P2 |
|||
|
پیامدهای منفی مدیریت الگوریتمی بر کارکنان |
فشار روانی ناشی از نظارت الگوریتمی |
میزان استرس ناشی از نظارت خودکار |
L26, L40 |
|
|
تنش در روابط کار در محیط الگوریتمی |
نرخ شکایتهای کارکنان از مدیریت الگوریتمی |
L25, L9, L26, L40 |
||
|
میزان احساس بیعدالتی در سیستم امتیازدهی و نظارت |
L24, L29, L25, L42, L27, L41, L12 |
|||
|
افزایش نرخ ترک خدمت پس از اجرای الگوریتم |
L26, L40 |
لازم است تأکید شود که چارچوب ارائهشده در جدول (3) صرفاً یک مرور ادبیات نبود، بلکه به عنوان چارچوب هدایتگر مصاحبههای نیمهساختاریافته با خبرگان عمل کرد؛ به این معنا که پرسشهای پرسشنامه بر اساس همین ابعاد و مؤلفهها طراحی شدند تا خبرگان ضمن ارزیابی این فرصتها و تهدیدها در سازمانهای خیریه، پیامدهای سطح بالاتری را شناسایی کنند که در ادبیات کمتر بررسی شدهاند. بر اساس یافتههای فراترکیب، مجموعهای جامع از مؤلفهها و شاخصهای مرتبط با ابعاد مختلف حکمرانی الگوریتمی در بخش دولتی استخراج شد. این چارچوب مبنای طراحی پرسشنامۀ نیمهساختاریافتۀ تحلیل مضمون قرار گرفت. بر این اساس، با اتکا به درک دقیق فرصتها و تهدیدهای حکمرانی الگوریتمی، از خلال مصاحبههای خبرگان، مضامین مرتبط با فرصتها و تهدیدهای مدیریت سایه در سازمانهای خیریه، در وضعیتی که این سازمانها تحت تأثیر سازوکارهای حکمرانی الگوریتمی عمل میکنند، استخراج میشوند.
با اتکا به چارچوب مفهومی و مؤلفههای شناساییشده از مرحلۀ فراترکیب، گام بعدی پژوهش به بررسی چگونگی ظهور پدیدۀ مدیریت سایه در بستر خاص سازمانهای خیریه معطوف شد. در راستای تقویت اعتبار یافتههای پژوهش، فرایند انتخاب خبرگان به صورت هدفمند غیراحتمالی و بر اساس معیارهای مشخص انجام شد. همۀ خبرگان دارای مدرک دکتری و عضو هیئتعلمی دانشگاه بودند. معیارهای خبرگی شامل تخصص علمی مرتبط با حوزههای مدیریت، حکمرانی و فناوری؛ سابقۀ قابل ملاحظۀ اجرایی یا مدیریتی در نهادهای عمومی یا اجتماعی؛ فعالیت علمی و پژوهشی در موضوعهای اخلاقی، سیاستگذاری یا حکمرانی الگوریتمی؛ و توانایی ارائۀ تحلیلهای عمیق و نقادانه بودند. بر این اساس، 10 خبرۀ واجد شرایط در پژوهش مشارکت کردند. بنابراین، در گام بعدی و با تکیه بر همین چارچوب مفهومی (جدول 3)، دادههای حاصل از مصاحبههای نیمهساختاریافته با خبرگان به روش تحلیل مضمون کدگذاری شدند تا مشخص شود هر یک از فرصتها و تهدیدهای حکمرانی الگوریتمی در عمل، چگونه و در قالب چه مضامین مرتبط با مدیریت سایه در سازمانهای خیریه ظاهر میشوند.
در این مرحله، با بهکارگیری روش تحلیل مضمون و مشارکت خبرگان یادشده، دادههای کیفی گردآوری و تحلیل شدند تا فرصتهای نهفته در حکمرانی الگوریتمی برای شکلگیری یا تقویت این نوع حکمرانی کشف و دستهبندی شوند. هدف ترسیم نقشهای از امکانات و مجرایی بود که از طریق آن، خیریهها میتوانند، گاه به صورت ناخواسته، نقشهایی فراتر از مأموریت سنتی خود را ایفا کنند. یافتههای این مرحله که در قالب مضامین فراگیر، سازماندهنده و پایه ساختاردهی شدهاند، در جدول (4) ارائه میشوند.
جدول 4. فرصتهای ناشی از مدیریت سایه در تصمیم گیری خیریهها در چارچوب حکمرانی الگوریتمی
Table 4. Opportunities arising from shadow management in charitable decision-making within the framework of algorithmic governance
|
مضمون فراگیر |
مضمون سازماندهنده |
مضمون پایه |
متخصصان پیشنهاددهنده |
|
تعالی مرجعیت خیریه در خدمترسانی عمومی |
توانمندسازی در تصمیمگیری مستقل |
ارائۀ خدمات حمایتی و نیکوکارانۀ مکمل در کنار نظام رفاه رسمی |
خبرۀ 1، خبرۀ 4، خبرۀ 7 |
|
شناسایی سریع نیازهای معیشتی و حمایتی گروههای آسیبپذیر |
خبرۀ 2، خبرۀ 5 |
||
|
تخصیص بهینۀ منابع مالی و کمکهای مردمی بر اساس تحلیل دادهمحور و شواهد عینی |
خبرۀ 1، خبرۀ 3، خبرۀ 6، خبرۀ 8 |
||
|
همافزایی راهبردی با نهادهای حاکمیتی |
ایجاد پلهای ارتباطی مؤثر و شفاف با مدیران دولتی برای انتقال تجربیات میدانی |
خبرۀ 1، خبرۀ 2، خبرۀ 4، خبرۀ 9، خبرۀ 10 |
|
|
تبدیل حمایت مالی هدفمند به ابزاری برای پیشبرد برنامههای مشترک توسعهای |
خبرۀ 5، خبرۀ 7، خبرۀ 3 |
||
|
ارائۀ دادهها و تجربیات میدانی خیریهها برای بهبود سیاستهای حمایتی |
خبرۀ 2، خبرۀ 6، خبرۀ 8، خبرۀ 4، خبرۀ 5، خبرۀ 9 |
||
|
پاسخگویی سریع در شرایط اضطراری |
پرکردن خلأهای تصمیمگیری و خدماترسانی در شرایط بحرانی |
خبرۀ 3، خبرۀ 4 |
|
|
توانمندسازی اجتماعی از طریق داده و فناوری |
تولید و اشتراک دانش میدانی |
ایجاد بانکهای اطلاعاتی از نیازمندان و گروههای آسیبپذیر برای هدفمندکردن کمکهای خیریه |
خبرۀ 1، خبرۀ 6، خبرۀ10 |
|
تعریف و اولویتبندی مسائل حمایتی بر اساس دادههای میدانی خیریهها |
خبرۀ 2، خبرۀ 4، خبرۀ 7 |
||
|
اشتراکگذاری دادههای حمایتی و تجربیات امدادرسانی خیریهها با نهادهای سیاستگذار برای بهبود برنامهریزی |
خبرۀ 5، خبرۀ 6، خبرۀ 8، خبرۀ 9 |
||
|
الگوریتمهای عدالتمحور و شفاف |
اولویتبندی عادلانه و علمی ذینفعان با مدلهای امتیازدهی شفاف |
خبرۀ 1، خبرۀ 2 |
|
|
بهینهسازی تخصیص منابع با تصمیمگیری هوشمند و کاهش خطای انسانی |
خبرۀ 3، خبرۀ 6، خبرۀ 7، خبرۀ 10 |
||
|
افزایش اعتماد عمومی از طریق ارائۀ تصمیمهای مبتنی بر شواهد و قابل راستیآزمایی |
خبرۀ 1، خبرۀ 4، خبرۀ 9، خبرۀ 8 |
||
|
ارتقای ظرفیت تحلیل و برنامهریزی ملی |
کمک به بهبود تحلیل مسائل فقر و آسیب اجتماعی از طریق دادهها و تجربیات خیریهها |
خبرۀ 3، خبرۀ 2، خبرۀ 5، خبرۀ 7 |
|
|
هدایتگری فرهنگی و اخلاقی سازنده |
شکلدهی به افکار عمومی مسئولانه |
آگاهیبخشی عمومی دربارۀ نیازهای واقعی نیازمندان و اولویتهای حمایتی |
خبرۀ 5، خبرۀ 8 |
|
افزایش حساسیت اجتماعی نسبت به فقر و مسائل معیشتی گروههای آسیبپذیر |
خبرۀ 6، خبرۀ 9، خبرۀ 10 |
||
|
ترویج فرهنگ نیکوکاری و مسئولیت اجتماعی در حل مسائل اجتماعی |
خبرۀ 2، خبرۀ 4، خبرۀ 1 |
||
|
تقویت سرمایۀ اجتماعی و اعتماد عمومی |
کسب مشروعیت و اعتماد از سوی جامعه به واسطۀ عملکرد خیرخواهانه و مؤثر |
خبرۀ 7، خبرۀ 3، خبرۀ 8، خبرۀ 10، خبرۀ 1 |
|
|
دعوت به همکاری و مشارکت عمومی از طریق تبیین ارزشهای مشترک |
خبرۀ 8، خبرۀ 4 |
||
|
ترویج مسئولیتپذیری و تعالی رفتاری |
توانمندسازی دریافتکنندگان کمک از طریق برنامههای توسعهای و مهارتآموزی |
خبرۀ 6، خبرۀ 9، خبرۀ 5، خبرۀ 7 |
|
|
ایجاد بسترهای حمایتی که بهتدریج به خوداتکایی و رشد فردی منجر شود |
خبرۀ 3، خبرۀ 5، خبرۀ 1، خبرۀ 9، خبرۀ 10، خبرۀ 2 |
||
|
چابکی نهادی و پاسخگویی پیشگیرانه |
ایجاد ساختارهای حقوقی نوآورانه |
تعریف ساختارهای سازمانی منعطف برای فعالیت مؤثر خیریهها در حوزۀ حمایت اجتماعی |
خبرۀ 4، خبرۀ 10، خبرۀ 6 |
|
شفافسازی و تفکیک مسئولیتها در پروژههای مشارکتی برای افزایش اعتماد |
خبرۀ 8، خبرۀ 3، خبرۀ 8، خبرۀ 5 |
||
|
تصمیمگیری هوشمند و شفاف |
طراحی نظام تصمیمگیری چندلایه با تفکیک وظایف و افزایش دقت |
خبرۀ 6، خبرۀ 9، خبرۀ 4 |
|
|
افزایش قابلیت ردیابی و بازبینی تصمیمها با بهرهگیری از سامانههای هوشمند |
خبرۀ 5، خبرۀ 1، خبرۀ 7، خبرۀ 10 |
||
|
ایجاد فضای آزمون (پایلوت) برای سیاستهای نوآورانه با کمترین هزینۀ اجتماعی |
خبرۀ 1، خبرۀ 3، خبرۀ 2، خبرۀ 5، خبرۀ 10 |
||
|
کاهش نابرابری و تقویت فراگیری اجتماعی |
تمرکز هوشمند بر گروههای هدف |
توجه ویژه و مؤثر به گروههای دارای اولویت اجتماعی با برنامهریزی هدفمند |
خبرۀ 4، خبرۀ 8 |
|
طراحی برنامههای حمایتی خیریهمحور برای مسائل اجتماعی مغفولمانده |
خبرۀ 6، خبرۀ 10، خبرۀ 9 |
||
|
توانمندسازی پایدار جوامع هدف |
گذار از کمکرسانی مقطعی به برنامههای جامع توانمندسازی |
خبرۀ 7، خبرۀ 1، خبرۀ 6، خبرۀ 10 |
|
|
افزایش آگاهی و ظرفیت مطالبهگری ساختاری ذینفعان از طریق مشارکتدهی هدفمند |
خبرۀ 2، خبرۀ 5، خبرۀ 9، خبرۀ 4، خبرۀ 8 |
همانطور که در جدول (4) مشاهده میشود، تحلیل عمیق مضامین کیفی این پژوهش نشان داد حکمرانی الگوریتمی در سازمانهای خیریه صرفاً یک ابزار فناورانه برای پردازش دادهها نیست، بلکه میتواند به عنوان بستری برای ارتقای کیفیت تصمیمگیری، افزایش شفافیت و بهبود کارایی تخصیص منابع در فعالیتهای حمایتی عمل کند. خبرگان مشارکتکننده باور داشتند بهرهگیری هوشمندانه و اخلاقی از داده و الگوریتم میتواند خیریهها را از جایگاه سنتی یک واسطۀ خیرخواه به بازیگرانی راهبردی و تأثیرگذار در عرصۀ حکمرانی اجتماعی تبدیل کند. این فرصتها نه فقط در خدمت ارتقای کارایی و اثربخشی داخلی این سازمانها قرار دارند، بلکه میتوانند به تقویت جامعۀ مدنی، توانمندسازی دولت در تصمیمگیری، کاهش نابرابریها و هدایت مسئولانۀ افکار عمومی منجر شوند. جدول (4) این ظرفیتهای تحولآفرین را در قالب مضامین فراگیر و سازماندهنده ارائه میدهد.
در مقابل فرصتهای شناساییشده، تحلیل مضامین کیفی بهوضوح نشان داد همین سازوکارهای حکمرانی الگوریتمی، در صورت فقدان نظارت و چارچوبهای اخلاقی مناسب، میتوانند به بستری برای شکلگیری مدیریت سایه در فرایندهای تصمیمگیری تبدیل شوند. این تهدیدها ناظر بر خطراتی هستند که گسترش مدیریت سایه در بستر حکمرانی الگوریتمی میتواند برای سلامت نهادی سازمانهای خیریه، شفافیت تصمیمگیری و اعتماد عمومی به این نهادها ایجاد کند؛ حتی اگر این سازوکارها در کوتاهمدت کارآمد به نظر برسند. جدول (5) این تهدیدها را در قالب مضامین فراگیر، سازماندهنده و پایه طبقهبندی و ارائه میکند.
جدول 5. تهدیدهای ناشی از مدیریت سایه در تصمیمگیری خیریهها در چارچوب حکمرانی الگوریتمی
Table 5. Threats arising from shadow management in charitable decision-making within the framework of algorithmic governance
|
مضمون فراگیر |
مضمون سازماندهنده |
مضمون پایه |
مصاحبهشوندگان پیشنهاددهنده |
|
تضعیف حکمرانی رسمی از طریق بازطراحی نامرئی فرایند تصمیمگیری |
حذف تدریجی تصمیمگیری جمعی |
حذف تدریجی تصمیمگیری جمعی |
خبرۀ 2، خبرۀ 5، خبرۀ 7، خبرۀ 9 |
|
حاشیهنشینی نهادهای ناظر راهبردی |
خبرۀ 1، خبرۀ 4، خبرۀ 8 |
||
|
تصاحب تدریجی جهتگیریهای برنامهای توسط سیستمهای ارزیابی و گزارشدهی مالی و عملکردی |
خبرۀ 3، خبرۀ 10 |
||
|
ایجاد ابهام عامدانه در مرجع تصمیم |
چندلایهسازی فرایند تصمیم به گونهای که مسئول نهایی قابل شناسایی نباشد |
خبرۀ 5، خبرۀ 7 |
|
|
ارجاع تصمیمهای چالشبرانگیز به گزارشهای تحلیلی یا ارزیابیهای کارشناسی بیرونی برای کاهش مسئولیت مدیریتی |
خبرۀ 1، خبرۀ 6 |
||
|
تبدیل داده به ابزار نفوذ حکمرانی |
دستکاری اولویتها از طریق داده |
انتخاب گزینشی اطلاعات و آمارهای مربوط به حوزههای حمایتی جذاب برای اهداکنندگان و ایجاد سوگیری |
خبرۀ 5، خبرۀ 7 |
|
حذف یا کمرنگسازی دادههای مربوط به گروههای کمصدا |
خبرۀ 4، خبرۀ 10 |
||
|
انحصار تفسیر داده |
محدودکردن دسترسی به داشبوردها و گزارشهای تحلیلی به حلقهای خاص |
خبرۀ 2، خبرۀ 4، خبرۀ 6 |
|
|
استفاده از زبان فنی برای بستن مسیر پرسشگری سایر ذینفعان |
خبرۀ 2، خبرۀ 3، خبرۀ 6، خبرۀ 8، خبرۀ 9 |
||
|
چرخش خزندۀ مأموریت خیریه |
بازتعریف موفقیت سازمانی |
همارزسازی اثربخشی خیریه با شاخصهای کمّی کوتاهمدت |
خبرۀ 1، خبرۀ 4، خبرۀ 7 |
|
کنارگذاشتن پروژههای پرریسک اما تحولآفرین به دلیل امتیاز الگوریتمی پایین |
خبرۀ 5، خبرۀ 10 |
||
|
تغییر روایت ارزشها |
بازنمایی تصمیمهای الگوریتمی به عنوان عقلانیت اخلاقی |
خبرۀ 2، خبرۀ 3، خبرۀ 6، خبرۀ 10 |
|
|
حاشیهنشینی ارزشهایی مانند کرامت مددجو در گزارشهای رسمی |
خبرۀ 2، خبرۀ 4، خبرۀ 6، خبرۀ 8 |
||
|
بازتولید نابرابری از مسیر تصمیمگیری |
تقویت مزیت بازیگران قدرتمند |
اولویتدهی سیستماتیک به مناطق یا گروههای دارای داده و شبکۀ قویتر |
خبرۀ 3، خبرۀ 9 |
|
تسهیل دسترسی اهداکنندگان بزرگ به مسیرهای اثرگذاری تصمیمها |
خبرۀ 1، خبرۀ 7 |
||
|
نادیدهسازی صداهای حاشیهای |
حذف روایتهای کیفی مددجویان به دلیل ناسازگاری با قالب دادهای |
خبرۀ 1، خبرۀ 3، خبرۀ 9 |
|
|
فرسایش پاسخگویی و اعتماد عمومی |
عادیسازی تصمیمگیری غیرقابل پرسش |
جاافتادن این تصور که سیستم اشتباه نمیکند در فرهنگ سازمانی |
خبرۀ 1، خبرۀ 5، خبرۀ 8 |
|
کاهش تمایل مدیران به توضیح یا دفاع از تصمیمها |
خبرۀ 6، خبرۀ 9 |
||
|
فاصلهگیری ذینفعان |
کاهش مشارکت داوطلبان در فرایند تصمیمسازی |
خبرۀ 3، خبرۀ 4، خبرۀ 10 |
|
|
تردید اهداکنندگان خرد نسبت به عدالت تخصیص منابع |
خبرۀ 3، خبرۀ 6، خبرۀ 7 |
||
|
قفلشدگی حکمرانی در زیرساخت فناورانه |
وابستگی تصمیمی به پلتفرم |
از دست رفتن امکان تصمیمگیری مستقل در نبود سیستم |
خبرۀ 2، خبرۀ 5، خبرۀ 7، خبرۀ 9 |
|
ناتوانی در توقف یا اصلاح تصمیمها به دلیل پیچیدگی فنی |
خبرۀ 1، خبرۀ 8 |
||
|
محدودشدن اختیار راهبردی |
تحمیل مسیرهای از پیش تعریفشدۀ تصمیمگیری توسط نرمافزار |
خبرۀ 3، خبرۀ 6 |
|
|
تهدید سلامت و استقلال سازمانی |
تضعیف یادگیری و قضاوت سازمانی |
تحلیل ظرفیت تحلیلی و قضاوت تخصصی کارکنان به دلیل اتکای بیش از حد به خروجی سیستم |
خبرۀ 4، خبرۀ 6، خبرۀ 8، خبرۀ 9، خبرۀ 10 |
|
نادیدهگرفتن شهود و دانش زمینهای کارکنان قدیمی در تصمیمگیریها |
خبرۀ 1، خبرۀ 2، خبرۀ 5 |
||
|
ایجاد فرهنگ پیروی کورکورانه و اجتناب از مسئولیتپذیری فردی |
خبرۀ 3، خبرۀ 7 |
||
|
مخاطرات امنیتی و عملیاتی |
مخاطرات امنیتی |
آسیبپذیری در برابر حملات سایبری که ممکن است کل عملیات خیریه را مختل کند |
خبرۀ 2، خبرۀ 8 |
|
مخاطرات عملیاتی |
اتکای تصمیمهای حیاتی به سیستمهای ناپایدار یا با قابلیت اطمینان نامشخص |
خبرۀ 5، خبرۀ 7 |
|
|
نقض احتمالی حریم خصوصی دادههای حساس اهداکنندگان و مددجویان |
خبرۀ 1، خبرۀ 3، خبرۀ 4، خبرۀ 6، خبرۀ 9، خبرۀ 10 |
بر این اساس، مدل نهایی تهدیدها و فرصتها به صورت شکل (2) نمایش داده شد.
جدول 6. وضعیت شاخص کاپا و نتایج آمارۀ ضریب توافق کاپای کوهن چالشها و فرصتهای ناشی از مدیریت سایه با در نظر گرفتن حکمرانی الگوریتمی
Table 6. Kappa index status and the results of Cohen’s Kappa agreement coefficient for the challenges and opportunities Arising from shadow management considering algorithmic governance
|
نتایج آماره (ضریب توافق کاپای کوهن) |
مقدار عددی شاخص کاپا |
وضعیت توافق |
|
|
ارزش |
796/0 |
کمتر از 0 2/0 -0 4/0 - 21/0 6/0 - 41/0 8/0 - 61/0 1 - 81/0 |
ضعیف بیاهمیت متوسط مناسب معتبر عالی |
|
تعداد نمونهها |
59 (کد باز) |
||
|
معنیاداری |
0001/0 |
||
با توجه به نتایج جدول (6)، مقدار ضریب توافق کاپای کوهن برابر 796/0 به دست آمد که بر اساس معیارهای تفسیر، نشاندهندۀ سطح توافق بالا و پایایی قابل قبول کدگذاریهاست. همانطور که در جدول (5) مشهود است.
شکل 2. مدل نهایی تهدیدها و فرصتهای ناشی از مدیریت سایه با در نظر گرفتن حکمرانی الگوریتمی
Figure 2. Final model of threats and opportunities arising from shadow management considering algorithmic governance
تهدیدهای ناشی از مدیریت سایه از سطح فرایندهای تصمیمگیری شروع میشوند و تا عمیقترین لایههای مأموریت، ارزشها، اعتماد عمومی و استقلال سازمانی نفوذ میکنند. این یافتهها تصویری هشداردهنده ترسیم میکنند که در آن، کاربست الگوریتمها بدون ملاحظات حکمرانی مناسب نه فقط ممکن است به تضعیف نهادهای رسمی و پاسخگو بینجامد، بلکه در درون خود خیریه نیز به فرسایش سرمایههای انسانی، اخلاقی و اجتماعی آن منجر میشود. این مجموعه تهدیدها مؤید آن است که مدیریت سایه، با وجود دارابودن پتانسیلهای عملگری سریع، در بلندمدت میتواند پایداری و مشروعیت ذاتی بخش خیریه را به مخاطره بیندازد.
5- بحث و نتیجهگیری
پژوهش حاضر با هدف واکاوی نقش حکمرانی الگوریتمی در تصمیمگیری سازمانهای خیریه و تبیین فرصتها و تهدیدهای پدیدۀ مدیریت سایه، با اتخاذ رویکردی ترکیبی و اکتشافی در دو مرحله انجام شد. در مرحلۀ نخست، با استفاده از روش فراترکیب و غربال نظاممند 66 منبع علمی معتبر، ابعاد و مؤلفههای حکمرانی الگوریتمی در سازمانهای خیریه در قالب فرصتها (شامل حکمرانی و شفافیت الگوریتمی؛ عدالت، اخلاق و کاهش سوگیری؛ کیفیت داده و مدل؛ تأثیر بر کارکنان و فرهنگ سازمانی؛ کارایی، کارکرد و نتایج کسبوکار) و تهدیدها (شامل ریسکهای کیفیت داده و مدل؛ ریسکهای اخلاقی و تبعیض الگوریتمی؛ پیامدهای منفی مدیریت الگوریتمی بر کارکنان) دستهبندی شدند. این چارچوب نظری جامع زیرساخت لازم برای ورود به مرحلۀ دوم پژوهش را فراهم آورد و با علم به این چارچوب، پرسشنامۀ نیمهساختاریافتۀ تحلیل مضمون برای استخراج فرصتها و تهدیدهای مدیریت سایه، برآمده از نحوۀ کاربست حکمرانی الگوریتمی تدوین شد و با خبرگان مرتبط مصاحبه انجام شد. در مرحلۀ بعد، با تدوین پرسشنامهای برگرفته از نتایج مرحلۀ نخست، با خبرگان مصاحبۀ باز انجام شد. در این مرحله، از طریق تحلیل مضمون و با مشارکت 10 خبره از حوزههای مدیریت دولتی، فناوری اطلاعات و سیاستگذاری، دادههای کیفی عمیقی گردآوری و تحلیل شدند. پایایی فرایند تحلیل با ضریب کاپای کوهن ۷۹۶/۰ تأیید شد.
خروجی مرحلۀ اول یافتهها استخراج دو دسته از مضامین مرتبط با فرصتهایی بود که حکمرانی الگوریتمی برای خیریهها ایجاد میکند و تهدیدهایی که در صورت عدم نظارت، به پیدایش مدیریت سایه منجر میشوند. یافتههای پژوهش نشان میدهد حکمرانی الگوریتمی در سازمانهای خیریه پدیدهای ذاتاً دوگانه و پارادوکسیکال است. از یک سو، این پدیده میتواند با ایجاد ظرفیتهایی همچون تعالی مرجعیت خیریه در خدمترسانی عمومی، توانمندسازی اجتماعی از طریق داده و فناوری، هدایتگری فرهنگی و اخلاقی سازنده، چابکی نهادی و کاهش نابرابری، این سازمانها را از جایگاه سنتی یک واسطۀ خیرخواه به بازیگرانی راهبردی و تأثیرگذار در عرصۀ حکمرانی اجتماعی تبدیل کند. از سوی دیگر، همین سازوکارها در صورت فقدان چارچوبهای نظارتی، اخلاقی و حقوقی متناسب، به تهدیدهایی جدی برای حاکمیت، مأموریت و مشروعیت این سازمانها تبدیل میشوند. تهدیدهایی مانند تضعیف حکمرانی رسمی، تبدیل داده به ابزار نفوذ، چرخش خزندۀ مأموریت، بازتولید نابرابری، فرسایش پاسخگویی و اعتماد عمومی، قفلشدگی حکمرانی در زیرساخت فناورانه و مخاطرات امنیتی و عملیاتی، تصویری هشداردهنده از آسیبپذیریهای این حوزه ترسیم میکنند. آنچه مدیریت سایه را شکل میدهد، نه خود الگوریتمها، بلکه نحوۀ کاربست آنها در فضایی است که ابهامات حقوقی، عدمتقارن دانشی، نابرابری در دسترسی به داده و فقدان پاسخگویی شفاف، زمینه را برای گذار از کارآمدی عملیاتی به سمت شکلگیری سازوکارهای پنهان و غیررسمی تصمیمگیری فراهم میآورند. تبیین نهایی این پژوهش حاکی از آن است که ما با یک گذار پارادایمی در حکمرانی بخش سوم مواجه هستیم؛ گذاری که در آن، مشروعیت و قدرت عمل بهتدریج از نهادهای رسمی و پاسخگو به سمت بازیگرانی منتقل میشود که از مزیت راهبردی داده و الگوریتم برخوردار هستند، حتی اگر مسئولیتپذیری مستقیم و دموکراتیک آنان به طور کامل تعریف نشده باشد. در این چشمانداز نوظهور، خیریهها به واسطۀ دسترسی بیواسطه به دادههای میدانی، توانایی تحلیل پیشرفته و انعطافپذیری نهادی، میتوانند به مراجعی اثرگذار در تعریف مسائل اجتماعی، اولویتبندی تخصیص منابع و حتی هدایت افکار عمومی تبدیل شوند. این تغییر ماهیت، اگرچه فرصتهایی بیسابقه برای کارآمدی و اثربخشی فراهم میآورد، در عین حال، ضمن گشودن افقهایی جدید برای ارتقای شفافیت، پاسخگویی و عدالت توزیعی، میتواند زمینهساز شکلگیری نگرانیهایی جدید دربارۀ محدودشدن نظارت عمومی، تشدید نابرابریهای دادهای و تضعیف سلامت دموکراتیک در عرصۀ عمومی نیز باشد. از این رو، ضرورت طراحی و استقرار یک حکمرانی الگوریتمی مسئولانه برای خیریهها بیش از پیش آشکار میشود؛ نوعی حکمرانی که ضمن بهرهگیری از ظرفیتهای تحولآفرین داده و الگوریتم، بتواند از طریق مکانیسمهای شفافیتبخشی، نظارت انسانی معنادار، تضمین عدالت و کاهش سوگیری و مشارکتدهی ذینفعان، از بروز تهدیدهای مدیریت سایه جلوگیری کند و این سازمانها را در مسیر ایفای نقشهای نوین خود، به عنوان نهادهایی پاسخگو، اخلاقی و توسعهبخش، هدایت کند.
جمعبندی یافتههای پژوهش نشان میدهد حکمرانی الگوریتمی در سازمانهای خیریه پدیدهای دووجهی است که میتواند مسیرهایی متفاوت را برای آیندۀ این نهادها رقم بزند. از یک سو، ظرفیتهای دادهمحور و قابلیتهای تحلیلی الگوریتمها امکان ارتقای کارایی، تقویت توان تصمیمسازی، افزایش عدالت در تخصیص منابع و ایفای نقش مؤثرتر در حل مسائل اجتماعی را فراهم میآورند و خیریهها را از یک کنشگر حمایتی سنتی به بازیگری راهبردی در حکمرانی اجتماعی ارتقا میدهند. از سوی دیگر، همین سازوکارها اگر بدون ملاحظات حکمرانی و نظارت شفاف به کار گرفته شوند، میتوانند به شکلگیری مدیریت سایه، تضعیف فرایندهای رسمی تصمیمگیری، بازتولید نابرابری و فرسایش پاسخگویی و سرمایۀ اجتماعی بینجامند. بر این اساس، بهرهگیری از الگوریتمها در بخش خیریه نیازمند رویکردی متوازن است که ضمن استفاده از فرصتهای تحولآفرین آن، مانع از گسترش پیامدهای پرخطر و پنهان در لایههای مأموریت، ارزشها و اعتماد عمومی شود.
با عنایت به یافتههای پژوهش که نشاندهندۀ ظرفیتهای تحولآفرین و در عین حال، آسیبپذیریهای جدی حکمرانی الگوریتمی در خیریههاست، نخستین گام برای اعتلای این بخش تدوین و استقرار نظام حکمرانی الگوریتمی مسئولانه در سطح ملی و سازمانی است. پیشنهاد میشود نهادهای سیاستگذار مانند سازمان اوقاف و امور خیریه، با همکاری مراکز علمی و فناورانه، نسبت به تدوین منشور اخلاقی و استانداردهای شفاف برای طراحی و بهکارگیری سامانههای الگوریتمی در خیریهها اقدام کنند. این چارچوب باید شامل الزاماتی مانند قابلیت توضیحدهی و شفافیت عملکرد الگوریتم، ممیزی مستمر برای شناسایی و کاهش سوگیریها، تعیین مسئول مشخص برای خطاهای سیستمی و تضمین امنیت و محرمانگی دادههای اهداکنندگان و مددجویان باشد. ایجاد یک نهاد ناظر تخصصی با مشارکت نمایندگان خیریهها، دولت، دانشگاه و جامعۀ مدنی میتواند ضمن پایش مستمر، زمینه را برای همافزایی راهبردی و جلوگیری از حکمرانی موازی و غیرشفاف فراهم آورد.
در سطح سازمانی، به مدیران و متولیان خیریهها توصیه میشود تا به موازات بهرهگیری از فرصتهای الگوریتمی برای افزایش کارایی و اثربخشی، نسبت به توانمندسازی سرمایۀ انسانی خود به طور جدی اقدام کنند. نتایج پژوهش نشان میدهد اتکای بیش از حد به سیستمهای الگوریتمی میتواند به تحلیل ظرفیت قضاوت تخصصی، تضعیف یادگیری سازمانی و حاشیهنشینی دانش زمینهای کارکنان کهنسال منجر شود. بنابراین، ضروری است برنامههای آموزشی مستمر برای ارتقای سواد الگوریتمی کارکنان و مدیران طراحی و اجرا شوند تا آنان بتوانند به عنوان ناظران آگاه و تصمیمگیران نهایی، خروجی سیستمها را با هوشمندی ارزیابی و در موارد ضروری اصلاح کنند. همچنین، بازتعریف فرایندهای تصمیمگیری به گونهای که تعامل پویا و متوازن میان قضاوت انسانی و توصیههای سیستمی برقرار باشد، از جملۀ راهکارهای مؤثر برای حفظ و تقویت ظرفیتهای تحلیلی و اخلاقی درونسازمانی است.
سومین محور پیشنهادی بر تقویت اعتماد عمومی و مشارکت فعال ذینفعان از طریق توسعۀ سامانههای الگوریتمی شفاف، فراگیر و پاسخگو تأکید دارد. یافتهها نشان میدهد اگرچه الگوریتمها میتوانند دقت، چابکی و عدالت تصمیمگیری خیریهها را افزایش دهند، فقدان شفافیت و مشارکت میتواند زمینهساز مدیریت سایه، انحصار داده و تضعیف اعتماد عمومی شود. از این رو، توصیه میشود خیریهها با انتشار گزارشهای دورهای دربارۀ نحوۀ تخصیص منابع و معیارهای اولویتبندی، فرایندهای تصمیمسازی خود را برای ذینفعان قابل پیگیری کنند. همچنین، ایجاد سازوکارهای مشارکتجویانه مانند پنلهای مشورتی و سامانههای بازخورد ضروری است تا روایتهای کیفی و صدای گروههای کمبرخوردار در تصمیمگیری وارد شوند. توجه به کاهش نابرابری دادهای و تضمین بازنمایی منصفانۀ گروههای حاشیهای نیز از عناصر کلیدی این رویکرد است. چنین اقداماتی میتوانند خطرات مدیریت سایه را کاهش دهند، مشروعیت و سرمایۀ اجتماعی خیریهها را تقویت و گذار از کمکرسانی مقطعی به توانمندسازی پایدار و عدالتمحور را امکانپذیر کنند.
یافتههای پژوهش حاضر در خصوص دوگانۀ فرصت-تهدید حکمرانی الگوریتمی و شکلگیری مدیریت سایه با بخشی قابل ملاحظه از ادبیات داخلی و خارجی همراستاست. به ویژه، شناسایی خطر کاهش پاسخگویی و بازطراحی نامرئی فرایند تصمیمگیری با تحلیل حقوقی باتلر (2025) درباره تعارض تفویض تصمیم به الگوریتمها و تضعیف مسئولیتپذیری نهادی همسو است. همچنین، تأکید این پژوهش بر نفوذ تدریجی و موازی سازوکارهای تصمیمیار با یافتههای خاماس و همکاران (2025) دربارۀ رهبری سایه و سازوکارهای نفوذ غیررسمی انطباق دارد. در بُعد رفتاری و سازمانی نیز نتایج مربوط به انحصار داده و پنهانسازی دانش با مطالعۀ لیو و همکاران (2025) همجهت است که نشان دادند مدیریت الگوریتمی میتواند از طریق سازوکارهای روانشناختی به تقویت قدرتهای غیرشفاف منجر شود. از نظر ریسکهای اخلاقی و تبعیض، یافتههای حاضر با تأکید مورس[7] و همکاران (2020) و نیز سلبست و بارکاس[8] (2018) بر سوگیری و پیامدهای ناعادلانۀ تصمیمهای الگوریتمی همراستاست. در ادبیات داخلی نیز تأکید بر ضرورت سیاستگذاری اخلاقی و پرهیز از وابستگی فناورانه در آثار قاسمی (۱۴۰۰) و روشن و همکاران (۱۴۰۰) با بخش تهدیدهای شناساییشده در این پژوهش، به ویژه در زمینۀ قفلشدگی فناورانه و فرسایش قضاوت انسانی، همخوانی دارد. با این حال، نوآوری پژوهش حاضر در انتقال این مباحث از بستر صرفاً دولتی به زمینۀ خاص سازمانهای خیریه و تبیین پیوند آن با پدیدۀ مدیریت سایه نمایان میشود.
پژوهش حاضر با وجود اتخاذ رویکردی نظاممند و ترکیبی، با محدودیتهایی مواجه بوده است که میتوانند مسیر پژوهشهای آتی را روشن کنند. در این پژوهش، سعی شده است تا عمدتاً بر سطح تحلیل سازمانی تمرکز شود. بر این اساس، به نقش متغیرهای زمینهای مانند بسترهای فرهنگی، حقوقی و فناورانۀ کشورها توجه محدودی شده است. پیشنهاد میشود پژوهشهای آتی با رویکردهای کمّی و آزمون مدلهای معادلات ساختاری، روابط علّی میان مؤلفههای حکمرانی الگوریتمی و پیامدهای مدیریت سایه را ارزیابی کنند. همچنین، انجام مطالعات تطبیقی میانکشوری و بررسی نقش نهادهای تنظیمگر در مهار تهدیدها و تقویت فرصتها میتواند افقهایی جدید را بگشاید. علاوه بر این، یافتههای پژوهش حاضر ضرورت بررسی دقیقتر در سطح خرد و نیز تحلیل تعاملات روزمرۀ کارکنان با الگوریتمها را آشکار میکند؛ موضوعی که اگرچه در این مطالعه مطرح شد، واکاوی عمیقتر آن مستلزم انجام پژوهشهای مردمنگارانۀ آتی است. در نهایت، پژوهش در بسترهای خاص مانند خیریههای کوچک و محلی یا خیریههای فعال در بحرانها میتواند به غنای ادبیات نظری و عملی این حوزه بیفزاید.
[1] Shadow AI
[2] Connection-Oriented Quadratic Funding (CO-QF)
[3] Liu
[4] Aragani
[5] Butler
[6] Khamas
[7] Morse
[8] Selbst & Barocas
)