کار در پلتفرم‌های دیجیتال در ایتالیا: نتایج یک تحلیل یادگیری ماشینی و توضیح‌پذیر

عنوان: کار در پلتفرم‌های دیجیتال در ایتالیا؛ آنچه یادگیری ماشینی و XAI می‌گویند

مقدمه

در چند سال اخیر، پلتفرم‌های دیجیتال کاری (مثل تحویل غذا، رانندگی درخواست‌محور، کارهای آزاد آنلاین) سهم قابل‌توجهی از بازار کار در کشورهای مختلف پیدا کرده‌اند. این پدیده پرسش‌هایی درباره کیفیت کار، ثبات درآمد، و تأثیرات اجتماعی-اقتصادی ایجاد کرده است. مطالعه‌ای که در PLOS One (۲۰۲۶) منتشر شده، با استفاده از داده‌های رسمی سرشماری/نظرسنجی‌های سال‌های ۲۰۱۸ و ۲۰۲۱ در ایتالیا و با بهره از ابزارهای پیشرفته یادگیری ماشینی (ML) و هوش مصنوعی توضیح‌پذیر (XAI)، به نحوه توزیع کار پلتفرمی و عوامل پیش‌بینی‌کننده آن پرداخته است. هدف این مقاله در «پزشک سایت» توضیح یافته‌ها با رویکردی علمی، بررسی محدودیت‌ها، و تبیین پیامدهای مرتبط با سلامت و وضعیت اجتماعی است — بدون ادعای درمانی یا توصیه بالینی قطعی.

خلاصه سریع برای خواننده

• تحلیل داده‌های ایتالیا (۲۰۱۸ و ۲۰۲۱) نشان می‌دهد کار پلتفرمی پدیده‌ای ناهمگن و طبقه‌ای است، نه تجربه‌ای یکسان برای همه.
• بخش قابل‌توجهی از افراد کار پلتفرمی را به‌عنوان مکانیسم جبرانی برای جبران درآمد ناکافی یا اشتغال نامطمئن می‌پذیرند.
• بر خلاف تصور رایج، آسیب‌پذیری اقتصادی بیشتر در میان افراد مسن‌تر یا افراد با سابقه شغلی تثبیت‌شده دیده می‌شود تا صرفاً جوانان.
• کار پلتفرمی با ویژگی‌های اشتغال غیراستاندارد همراه است: قراردادهای ناپایدار، عدم امنیت اقتصادی و شکاف‌های جنسیتی.
• در دوره کووید-۱۹، پلتفرم‌ها نقش بالشتک موقتی برای افراد بیکار یا در فشار اقتصادی را ایفا کردند، اما ریسک‌های ساختاری را کاهش ندادند.
• یادگیری ماشینی و XAI کمک کردند الگوهای پیچیده را کشف کنند، اما برهم‌کنش‌ها و روابط علی را ثابت نمی‌کنند.

چه داده‌ها و روش‌هایی استفاده شد؟

محققان از داده‌های رسمی نظرسنجی‌های ملی ایتالیا در سال‌های ۲۰۱۸ و ۲۰۲۱ استفاده کردند. این داده‌ها شامل اطلاعات جمعیت‌شناختی (سن، جنسیت، منطقه جغرافیایی)، شغلی (نوع قرارداد، ساعات کار، وضعیت اشتغال) و اقتصادی (سطح درآمد، تجربه بیکاری) بودند. از روش‌های پیشرفته یادگیری ماشینی برای پیش‌بینی احتمال مشارکت در کار پلتفرمی و کشف الگوهای زیرمجموعه‌ای از کارگران پلتفرم استفاده شد. افزون بر مدل‌های پیش‌بینی، از روش‌های XAI برای توضیح عوامل موثر در تصمیم مدل‌ها بهره گرفته شد تا قابلیت تفسیر و شناسایی عوامل کلیدی افزایش یابد.

یافته‌های اصلی

پلتفرم‌کاری یک گروه واحد نیست

نتایج نشان می‌دهد که کارگران پلتفرم ترکیبی از گروه‌های گوناگون‌اند: از شاغلان جوان موقتی تا افراد مسن‌تر یا افرادی که در مشاغل سنتی با درآمد نزولی یا ساعات کم کار روبرو شده‌اند. بنابراین نباید کلیشه «همه جوانان بیکار روی پلتفرم کار می‌کنند» را پذیرش کرد.

پلتفرم‌کاری به‌عنوان مکانیزم جبرانی

بیشتر موارد مشارکت در پلتفرم‌ها با عدم قطعیت اقتصادی و نیاز به تکمیل درآمد پیوند خورده بود. بسیاری از کارگران پلتفرم از این کار به عنوان راهی برای جبران درآمد ناکافی ناشی از اشتغال ناقص یا قراردادهای غیراستاندارد استفاده می‌کردند.

آسیب‌پذیری نه فقط میان جوانان

تحلیل‌ها نشان داد که گروه‌های آسیب‌پذیر عمدتاً افراد مسن‌تر یا کسانی هستند که قبلاً در مشاغل سنتی فعالیت می‌کرده و با کاهش درآمد یا ساعات کار مواجه شده‌اند. این افراد به‌دنبال راه‌های جایگزین درآمد، از جمله پلتفرم‌ها، رفته‌اند؛ برخلاف انتظار که فقط جوانان به این مسیر می‌چسبند.

نابرابری‌های جنسیتی و قراردادهای ناپایدار

مطالعه ارتباط قابل‌توجهی میان کار پلتفرمی و ویژگی‌هایی چون قراردادهای موقت، فقدان بیمه اجتماعی کامل و شکاف‌های جنسیتی در درآمد و نوع مشاغل یافت. این الگوها با شکنندگیِ موجود در بازار کار غیرمتعارف همخوانی دارد.

نقش کووید-۱۹

دورهٔ پاندمی، به‌ویژه در سال ۲۰۲۰–۲۰۲۱، به‌عنوان یک شتاب‌دهنده عمل کرد: کاهش فرصت‌های شغلی رسمی و فشار اقتصادی، رشد نسبی مشارکت در پلتفرم‌ها را تقویت نمود. پلتفرم‌ها در این دوره برای برخی به‌عنوان «بالشتک موقتی» عمل کردند اما ریشه‌های عدم امنیت شغلی را رفع نکردند.

چرا یادگیری ماشینی و XAI به این مطالعه کمک کرد؟

روش‌های ML توانستند الگوهای پیچیده و تعامل میان متغیرها را شناسایی کنند که در مدل‌های آماری سنتی ممکن است دیده نشوند. اما نکته مهم این است که XAI (هوش مصنوعی توضیح‌پذیر) به محققان امکان داد دلایل پیش‌بینی‌ها را به شکلی قابل‌فهم استخراج کنند؛ مثلاً اینکه کدام ویژگی‌ها (سن، وضعیت اشتغال قبلی، منطقه جغرافیایی) بیشترین وزن را در پیش‌بینی مشارکت در پلتفرم‌ها داشته‌اند. این رویکرد شفافیت بیشتری نسبت به مدل‌های «جعبه سیاه» ارائه می‌دهد.

تفسیر نتایج: ارتباط یا علیت؟

مهم است تفاوت میان همبستگی و علیت را حفظ کنیم. مدل‌های یادگیری ماشینی و داده‌های نظرسنجی نشان‌دهنده ارتباطات قوی میان ویژگی‌های اجتماعی-اقتصادی و مشارکت در کار پلتفرمی هستند، اما این تحلیل‌ها به خودی خود نمی‌توانند اثبات کنند که پلتفرم‌ها سبب تغییرات بلندمدت در سلامت اقتصادی یا وضعیت شغلی می‌شوند. عوامل زمینه‌ایِ دیگری ممکن است هم بر ورود به پلتفرم و هم بر وضعیت اقتصادی تأثیر بگذارند.

این یافته برای بیمار چه معنایی دارد؟

اگرچه موضوع اصلی مطالعه اقتصادی و اجتماعی است، یافته‌ها پیامدهایی روشن برای سلامت عمومی و سلامت شغلی دارند:

• اشتغال ناپایدار و درآمد نامطمئن با استرس مزمن، اضطراب و پیامدهای جسمی مثل اختلالات خواب و بیماری‌های قلبی متصل است؛ بنابراین گسترش کار پلتفرمی به‌عنوان یک مکانیسم جبرانی می‌تواند ریسک‌های سلامت روان و جسم را برای برخی افزایش دهد.
• کسانی که به‌ویژه آسیب‌پذیر هستند—افراد مسن تر، کسانی که فاقد بیمه و پوشش اجتماعی کامل‌اند، یا افرادی با درآمد ناکافی—ممکن است دسترسی ضعیف‌تری به خدمات بهداشتی و حمایتی داشته باشند.
• در دوره‌های بلایا مانند کووید-۱۹، وقتی پلتفرم‌ها به‌عنوان جایگزین موقتی مطرح می‌شوند، گروه‌هایی که به خدمات بهداشتی آسیب‌پذیرند می‌توانند بیشتر در معرض خطر قرار گیرند؛ به‌خصوص اگر فاقد حمایت اجتماعی، امنیت شغلی یا شیوه‌های حمایتی مناسب باشند.

با این حال، مطالعه تأکید می‌کند که کار پلتفرمی برای برخی افراد می‌تواند گزینه‌ای موقت و سازگارانه باشد؛ یعنی لزوماً «آخرین راهکار» برای همه نیست و در مواردی به بهبود درآمد کوتاه‌مدت می‌انجامد که می‌تواند فشار اقتصادی را برای مدتی کاهش دهد—اما آیا این کاهش فشار بهبود سلامت بلندمدت ایجاد می‌کند هنوز نامعلوم است.

محدودیت‌ها و نکاتی که باید با احتیاط خواند

• نوع مطالعه: تحلیل بر پایه داده‌های نظرسنجی و مدل‌های مشاهده‌ای است؛ بنابراین نتایج همبستگی هستند، نه شواهد علت-معلولی.
• پوشش زمانی: داده‌ها مربوط به سال‌های ۲۰۱۸ و ۲۰۲۱ هستند؛ شرایط پس از ۲۰۲۱ یا تحولات بعدی پلتفرم‌ها ممکن است متفاوت باشد.
• عمومیت‌پذیری: مطالعه بر بستر ایتالیا انجام شده؛ ساختار بازار کار، نظام‌های بیمه‌ای و سیاست‌های اجتماعی در کشورها متفاوت است، بنابراین نتایج را نباید مستقیماً به سایر کشورها تعمیم داد.
• محدودیت‌های داده: داده‌های نظرسنجی ممکن است شامل سوگیری گزارش‌دهی، فقدان برخی متغیرهای موثر (مثل سلامت قبلی، شبکه‌های حمایتی خانوادگی، جزئیات قراردادهای پلتفرمی) و ناتوانی در دنبال‌کردن افراد در طول زمان باشد.
• محدودیت‌های روش‌شناختی ML/XAI: هرچند XAI توضیحات قابل‌فهم‌تری ارائه می‌دهد، اما توضیح مدل لزوماً به معنای تبیین علت‌ها نیست؛ مدل‌ها می‌توانند بر همبستگی‌های قوی اما غیرعلّی تکیه کنند.

کاربردهای بالینی و سیاست‌گذاری (بدون توصیه درمانی قطعی)

برای برنامه‌ریزان حوزه سلامت و سیاست‌گذارانی که نگران پیامدهای اجتماعی بر سلامت هستند، مطالعه چند نکته کلیدی دارد:

• تمرکز بر گروه‌های آسیب‌پذیر شغلی—به‌خصوص افراد مسن‌تر در مشاغل دستخوش کاهش درآمد—برای طراحی برنامه‌های حمایتی و خدمات سلامت روان می‌تواند موثر باشد.
• پیشنهاد می‌شود در ارزیابی سلامت جمعیت از معیارهای اقتصادی و اشتغال غیرمتعارف استفاده شود تا گروه‌های در معرض خطر شناسایی شوند.
• پوشش بیمه‌ای و دسترسی به خدمات اولیه سلامت برای کارگران پلتفرم و افراد با قراردادهای موقت موضوعی کلیدی است که می‌تواند به کاهش پیامدهای منفی سلامت کمک کند.

نظر تحریریه پزشک سایت

تحلیل ارائه‌شده در این مطالعه با بهره از ابزارهای نوین ML و XAI تصویری پیچیده و واقع‌نگر از کار پلتفرمی در ایتالیا ارائه می‌دهد. نکته مهم این است که پلتفرم‌کاری نه کاملاً فرصت‌محور است و نه صرفاً یک استراتژی ناگزیر برای جوانان؛ بلکه مجموعه‌ای از مسیرهای اقتصادی است که در بستر نابرابری‌های بازار کار شکل می‌گیرد. از منظر سلامت، این وضعیت می‌تواند هم فرصت‌های کوتاه‌مدت برای کاهش فشار اقتصادی فراهم کند و هم ریسک‌های ساختاری برای سلامت بلندمدت تولید کند. پیشنهاد تحریریه این است که پژوهش‌های آینده با طراحی‌های طولی و با گنجاندن متغیرهای سلامت و پوشش بیمه‌ای دقیق‌تر وضعیت علت-معلولی را روشن کنند.

چه زمانی باید با پزشک مشورت کرد؟

فقر درآمد یا اشتغال نامطمئن می‌تواند بر سلامت روان و جسم تأثیر بگذارد. در موارد زیر مشورت با پزشک یا ارائه‌دهنده سلامت ضروری است:

• احساس استرس، اضطراب یا افسردگی مداوم که در کار و زندگی روزمره اختلال ایجاد می‌کند.
• اختلالات خواب پیوسته، کاهش اشتها یا تغییرات قابل‌توجه در وزن.
• علائم جسمی جدید یا تشدیدشده (مثل درد قفسه سینه، تنگی نفس، سردردهای مکرر) که ممکن است به استرس یا وضعیت پزشکی زمینه‌ای مربوط باشند.
• در صورت داشتن بیماری مزمن که به مراقبت منظم نیاز دارد و نگرانی از تأمین مالی یا دسترسی به درمان وجود دارد.
• حاملگی یا برنامه‌ریزی بارداری: اگر وضعیت اشتغال نامطمئن است، گفتگو با پزشک و مشاوران پرستاری درباره حمایت‌های لازم مفید است.

پرسش‌های رایج

۱. آیا کار پلتفرمی همیشه برای سلامت بد است؟

خیر. برای برخی افراد، کار پلتفرمی امکان افزایش درآمد کوتاه‌مدت یا انعطاف‌پذیری را فراهم می‌کند که می‌تواند فشار روانی را کاهش دهد. اما برای گروه‌هایی که فاقد پوشش اجتماعی یا درآمد پایدارند، کار پلتفرمی ممکن است ریسک‌های سلامت بلندمدت را افزایش دهد.

۲. آیا جوانان بیشتر در معرض آسیب هستند؟

مطالعه نشان می‌دهد آسیب‌پذیری محدود به جوانان نیست؛ افراد مسن‌تر یا کسانی که درآمدشان از مشاغل سنتی کاهش یافته نیز به‌طور چشمگیری درگیر پلتفرم‌ها شده‌اند.

۳. آیا نتایج این مطالعه برای ایران هم صدق می‌کند؟

این مطالعه مبتنی بر داده‌های ایتالیا است. می‌توان از یافته‌ها برای ایده‌گیری درباره روندها و پیامدها استفاده کرد، اما تفاوت ساختار بازار کار، سیاست‌های اجتماعی و پوشش بیمه‌ای کشورها مانع تعمیم مستقیم است.

۴. آیا یادگیری ماشینی باعث اطمینان کامل از نتایج می‌شود؟

ابزارهای ML و XAI قدرت شناسایی الگوها را افزایش می‌دهند، اما مدل‌ها هنوز مبتنی بر داده‌های مشاهده‌ای‌اند و نمی‌توانند به‌تنهایی روابط علی را ثابت کنند.

۵. چگونه سیاست‌گذاران باید به این یافته‌ها واکنش نشان دهند؟

تمرکز بر ایجاد شبکه‌های حمایتی، گسترش پوشش بیمه‌ای برای کارکنان غیرمتعارف و طراحی برنامه‌های سلامت روانی و اجتماعی برای گروه‌های آسیب‌پذیر از اقدامات محتاطانه و معقول است.

جمع‌بندی کاربردی

• کار پلتفرمی پدیده‌ای ناهمگن است و نمی‌توان برای همه یک نسخه واحد پیچید.
• برای بسیاری، پلتفرم‌ها نقش تکمیلی درآمد را بازی می‌کنند؛ برای برخی دیگر، جایگزین ناامن شغل‌های سنتی شده‌اند.
• از منظر سلامت، گروه‌های فاقد پوشش اجتماعی و دارای درآمد نامطمئن بیشتر در معرض پیامدهای منفی هستند؛ لذا شناسایی و حمایت از این گروه‌ها ضروری است.
• تحقیقات آینده باید طولی باشند، متغیرهای سلامت را بگنجانند و راهکارهای سیاستی را برای کاهش ریسک‌های ساختاری ارزیابی کنند.

منبع

PLOS One. Platform workers not by chance: Exploring the digital labour markets in Italy with machine learning and explainable AI (2026)

مطالب این مقاله فقط برای افزایش آگاهی عمومی است و جایگزین تشخیص یا درمان پزشکی نیست. برای اطلاعات بیشتر، صفحه سیاست پزشکی و سلب مسئولیت پزشک سایت را بخوانید.