[Mohsen Omidvar]

مدل پردازش هیوریستیک و سیستماتیک (به انگلیسی: Heuristic-Systematic Model of Information Processing) یکی از نظریه‌های دو-فرایندی در زمینهٔ متقاعد سازی است که شِلی چِیکِن (Shelly Chaiken) آن را ارایه داده‌است. طبق این نظریه، تغییر نگرش را می‌توان با دو نوع فرایند مختلف از پردازش اطلاعات به وجود آورد: پردازش هیوریستیک، و پردازش سیستماتیک.
در پردازش سیستماتیک، فرد به محتوای پیام دقت می‌کند و به آن زیاد فکر می‌کند. این نوع پردازش به احتمال بیشتر، زمانی مورد استفاده قرار می‌گیرد که پیام‌ها، اهمیت یا مناسبت شخصی برای فرد گیرندهٔ پیام دارند، هنگامی که فرد، از قبل، نگرش‌هایی قوی نسبت به موضوع پیام دارد، و هنگامی که فرد بشدت نیاز دارد که فعالیت ذهنی انجام دهد.

در پردازش هیوریستیک به تلاش ذهنی و توجه نسبتاً اندکی نیاز دارد. افرادی که به یک پیام ترغیب کننده زیاد علاقه‌مند نیستند (یا در بارهٔ آن زیاد اطلاعات ندارند)، از هیوریستیک‌ها (میانبُرهای ذهنی) ساده استفاده می‌کنند (مثلاً «آمار که دروغ نمی‌گویند»، «هر چه باشد طرف متخصص است»، یا «آدم‌هایی مثل من همیشه حق دارند یا حرف صحیح را می‌زنند»).
[font=Tahoma, 'Iranian Serif', 'Noto Kufi Arabic', 'Droid Arabic Naskh', 'Iranian Sans', 'DejaVu Sans', serif]رابطهٔ بین پردازش هیوریستیک و سیستماتیک در درون نظریهٔ هیوریستیک-سیستماتیک :
[/font]
[font=Tahoma, 'Iranian Serif', 'Noto Kufi Arabic', 'Droid Arabic Naskh', 'Iranian Sans', 'DejaVu Sans', serif][font=Tahoma, 'Iranian Sans', 'DejaVu Sans', 'Noto Kufi Arabic', 'Droid Arabic Kufi', sans-serif]وقتی که یک پیام مبهم است، گیرندگان پیام معمولاً به پردازش هیوریستیک می‌پردازند. این پردازش هیوریستیک ممکن است روی پردازش سیستماتیک بعدی، تأثیر بگذارد، و نگرش‌هایی ایجاد کند که با معانی و مفاهیم حاصل از پردازش هیوریستیک اولیه، مطابقت داشته باشند.
[/font][/font]

[Mohsen Omidvar]

هیوریستیك‌ها چیستند ؟
هیوریستیك‌ها عبارتند از معیارها ، روشها یا اصولی برای تصمیم‌گیری بین چندین خط‌مشی و انتخاب اثربخش‌ترین برای دستیابی به اهداف موردنظر . هیوریستیك‌ها نتیجه برقراری اعتدال بین دو نیاز هستند : نیاز به ساخت معیار‌های ساده و در همان زمان توانایی تمایز درست بین انتخاب‌های خوب و بد .
یك هیوریستیك می‌تواند حسابی سرانگشتی باشد كه برای هدایت یك دسته از اقدامات به كار می‌رود . برای مثال ، یك روش مشهور برای انتخاب طالبی رسیده عبارتست از فشار دادن محل اتصال به ریشه از یك طالبی نامزد انتخاب و سپس بو كردن آن محل ؛ اگر بوی آن محل مانند بوی داخل طالبی باشد آن طالبی به احتمال زیاد رسیده است . این قاعده سرانگشتی نه تضمین می‌كند كه تنها طالبی‌های رسیده به عنوان نامزد انتخاب شوند و نه تضمین می‌كند كه طالبی‌های رسیده آزمایش‌شده ، رسیده تشخیص داده شوند اما به هر حال این روش ، اثربخش‌ترین روش شناخته شده است .
به عنوان مثالی دیگر از استفاده هیوریستیك‌ها ، یك استاد بزرگ شطرنج را در نظر بگیرید كه با انتخاب بین چندین حركت ممكن روبرو شده است . وی ممكن است تصمیم بگیرد كه یك حركت خاص ، اثربخش‌ترین حركت خواهد بود زیرا موقعیتی فراهم می‌آورد كه به نظر می‌رسد بهتر از موقعیت‌های حاصل از حركت‌های دیگر باشد . به كارگیری معیار به نظر می‌رسد خیلی ساده‌تر از تعیین دقیق حركت یا حركاتی خواهد بود كه حریف را مجبور به مات كند . این واقعیت كه اساتید بزرگ شطرنج همواره پیروز بازی نخواهند بود نشان دهنده این است كه هیوریستیك‌های آنها انتخاب اثربخش‌ترین حركت را تضمین نمی‌كنند . نهایتا‏ً وقتی از آنها خواسته ‌می‌شود كه هیوریستیك خود را تشریح نمایند آنها فقط توصیفی ناقص از قواعدی ارائه می‌دهند و به نظر خود آنها ، انجام آن قواعد از توصیف آنان ساده‌تر است .
خاصیت هیوریستیك‌های خوب این است كه ابزار ساده‌ای برای تشخیص خط‌مشی‌های بهتر ارائه دهند و در حالی كه به صورت شرطی لازم ، تشخیص خط‌مشی‌های اثربخش را تضمین نمی‌كنند اما اغلب به صورت شرط كافی این تضمین را فراهم ‌آورند . بیشتر مسائل پیچیده نیازمند ارزیابی تعداد انبوهی از حالت‌های ممكن برای تعیین یك جواب دقیق می‌باشند . زمان لازم برای یافتن یك جواب دقیق اغلب بیشتر از یك طول عمر است . هیوریستیك‌ها با استفاده از روش‌هایی كه نیازمند ارزیابی‌های كمتر هستند و جوابهایی در محدودیت‌های زمانی قابل قبول ارایه می‌نمایند ، دارای نقشی اثربخش در حل چنین مسائلی خواهند بود .
●انواع الگوریتم‌های هیوریستیك كدامند ؟
در حالت كلی سه دسته از الگوریتم‌های هیوریستیك قابل تشخیص است:
۱- الگوریتم‌هایی كه بر ویژگی‌های ساختاری مساله و ساختار جواب متمركز می‌شوند و با استفاده از آنها الگوریتم‌های سازنده یا جستجوی محلی تعریف می‌كنند .
۲- الگوریتم‌هایی كه بر هدایت هیوریستیك یك الگوریتم سازنده یا جستجوی محلی متمركز می‌شوند به گونه‌ای كه آن الگوریتم بتواند بر شرایط حساس (مانند فرار از بهینه محلی) غلبه كند . به این الگوریتم‌ها ، متاهیوریستیك گفته می‌شود . 
۳-الگوریتم‌هایی كه بر تركیب یك چارچوب یا مفهوم هیوریستیك با گونه‌هایی از برنامه‌ریزی ریاضی (معمولا روشهای دقیق) متمركز می‌شوند .
هیوریستیك‌های نوع اول می‌توانند خیلی خوب عمل كنند (گاهی اوقات تا حد بهینگی) اما ممكن است در جواب‌های دارای كیفیت پایین گیر كنند . همان طور كه اشاره شد یكی از مشكلات مهمی كه این الگوریتم‌ها با آن روبرو می‌شوند افتادن در بهینه‌های محلی است ، بدون اینكه هیچ شانسی برای فرار از آنها داشته باشند . برای بهبود این الگوریتم‌ها از اواسط دهه هفتاد ، موج تازه‌ای از رویكردها آغاز گردید . این رویكردها شامل الگوریتم‌هایی است كه صریحا یا به صورت ضمنی تقابل بین ایجاد تنوع جستجو (وقتی علائمی وجود دارد كه جستجو به سمت مناطق بد فضای جستجو می‌رود) و تشدید جستجو (با این هدف كه بهترین جواب در منطقه مورد بررسی را پیدا كند) را مدیریت می‌كنند .
این الگوریتم‌ها متاهیوریستیك نامیده می‌شوند . از بین این الگوریتم‌ها می‌توان به موارد زیر اشاره كرد:
بازپخت شبیه‌سازی شده . 
جستجوی ممنوع . 
الگوریتم‌های ژنتیك . 
شبكه‌های عصبی مصنوعی . 
بهینه‌سازی مورچه‌ای یا الگوریتم‌های مورچه .