Многослойный причинный анализ: на пути к теории «множественного»

Аннотация

Многослойный причинный анализ (causal layered analysis, CLA)  — ключевой метод глубинных исследований будущего (deep futures), рассматриваемых многими экспертами как перспективное направление развития Форсайт-исследований.   С его помощью выявляются скрытые первопричины происходящих событий, создается информационная основа для принятия эффективных решений. 

В статье рассматриваются сущность, характеристики и потенциал этого метода в сопоставлении с концепцией «ризомы» (rhizome), предложенной французскими философами Ж. Делезом и Ф. Гуаттари как способ познания гибридной и множественной природы реальности. В этой связи показано, что многослойный причинный анализ является «методом множественного» — процессной теорией знаний, которая призвана исследовать возникновение новых явлений и построение альтернативных сценариев будущего. При этом деятельность и социальное обучение совершенствуются в ходе понимания социального контекста как многослойного и динамичного. Многослойный анализ представляется идеальным инструментом, позволяющим специалистам по Форсайту наделить стейкхолдеров необходимой информацией для осознания предпочтительных вариантов будущего. В качестве инструмента эпистемологического контроля он выявляет скрытые допущения, которые побуждают к формированию определенного рационализма, используемого при решении проблем.

Концепции имеют эффекты и, следовательно, применение и рефлексия обеспечивают их лучшее понимание. CLA может использоваться в академической сфере для целей таксономии или в прикладных задачах как процессный метод, где он выполняет «педагогические» функции в качестве критического посредника сбалансированного сознания и социального обучения. Тем самым любая изолированная проекция реальности подвергается сомнению, а «множественность», напротив, признается как творческая инверсия заданного контекста. Структура становится гибкой и открытой для трансформации, а действие располагается в структуре так, чтобы модифицировать ее для лучшего отражения оптимальных текущих и будущих возможностей.