识别具有地方相关性且可采取行动的复杂问题：方法设计及其在澳大利亚一个社区的应用 Therese Riley、Amy Mowle、Bojana Klepac、Téa O’Driscoll、Kirsten Moegerlein 和 Melinda Craike

《Systems》：Identifying Locally Relevant and Actionable Complex Problems: Method Design and Application in One Australian Community Therese Riley, Amy Mowle, Bojana Klepac, Téa O’Driscoll, Kirsten Moegerlein and Melinda Craike

　　摘要：目前，人们正在通过应用系统科学来努力解决复杂问题。这包括使用方法与社区利益相关者“共同探究”，并绘制系统图谱，以从多个角度理解复杂问题的本质。然而，从对系统的洞察到采取行动一直更具挑战性。在本文中，我们描述了一种识别“相关”且“可行动”的本地问题的方法，其目标是实现基于地方的系统变革。第一阶段包括通过初步的系统扫描、可视化系统映射和社区研讨会来探索已知的系统信息。下一阶段是通过社区研讨会和因果循环图的发展来探索本地问题和模式。我们认为，应识别出与社区利益相关者直接相关且能够在本地采取行动的复杂问题及其根本原因。我们的方法既不僵化也不规定性。通过配置上述系统方法，它提供了一种探究路径，使问题识别能够从与系统复杂性的互动中产生。我们展示了我们的方法及其在一个澳大利亚社区中的应用，并邀请研究人员在寻求基于地方系统变革的不同社区中应用、调整和完善这种方法。

1. 引言
目前，有大量的研究和实践努力试图通过应用系统科学来解决复杂问题，这些领域包括暴力预防[1]、儿童肥胖[2]、无家可归[3]和慢性病预防[4]等。总体而言，这种方法的理由是，过分强调个体行为改变干预措施的做法牺牲了一种更系统的变革方法——即关注那些使“棘手”或复杂问题持续存在的复杂系统[5,6,7]。研究表明，系统方法（如系统映射或群体模型构建）可以通过描述系统来帮助利益相关者理解其复杂性，为采取行动做准备[8]。同样，研究团队与各种利益相关者合作，应用基于社区的系统动态来识别可能的“干预途径”[9]（第1页）或“行动领域”[10]（第3页）。然而，尽管在描述复杂系统的方法上取得了相当大的进展，但从洞察到行动的飞跃仍然具有挑战性[11]。一些研究从复杂问题（如儿童肥胖）开始，通过多样化的利益相关者进行系统映射，然后识别行动领域，并监测集体行动随时间的变化，显示出有希望的结果（见[10]）。然而，一些复杂问题可能对研究人员或社区利益相关者来说并不明显，这表明需要关注复杂问题的识别。事实上，绘制复杂系统图谱可以揭示出一些既具有深刻背景又此前看不见的“其他”问题。特别是在多元利益相关者参与系统分析的过程中，不同的利益相关者会带来他们独特的视角[12,13]。例如，在Riley等人（2021年）和Riley等人（2023年）关于地方社区慢性病预防的研究中，社区合作伙伴将领导力和协作实践相关的问题确定为需要解决的系统性问题，以改进预防工作[4,14]。这表明，虽然可预防的慢性病问题是研究的动力，但它并不是导致该社区慢性病的紧迫的根本问题，也不是在地方层面上最相关的问题。那么，哪些方法最适合识别既可由当地社区采取行动又与其相关的问题呢？

我们的研究目标是设计并实施一个识别本地相关且可行动的复杂问题的过程。我们描述了一个过程，其起点不是特定的问题或解决方案，而是系统本身，特别是教育或就业系统。我们认为，从系统入手可以识别出那些新兴的、具有地方背景且对社区利益相关者更有意义的问题。重要的是，这种方向增加了后续行动在社区背景下可行的可能性。在这里，“相关”和“可行动”指的是那些对社区利益相关者在背景上具有重要意义并且可以通过当地嵌入的参与者产生影响的问题。通过地方行动，我们指的是位于系统内的多部门组织影响资源分配和政策实践制定等结构条件的能力。重要的是，相关性和可行动性的裁决者是社区利益相关者，他们对该地方系统动态的生活经验具有优先权。这里与软系统方法论（SSM）有相似之处，后者侧重于探索“问题情境”，以确定理想且可行的行动方案[15]（第15页）和[16页）。然而，我们的方法有所不同：我们强调的是问题识别过程，而不是问题解决。我们认为，问题往往是由社区外部的参与者定义的，而在地方系统中优先考虑问题识别是应对复杂挑战的基础步骤。

本文分为四个部分。首先，我们简要描述了我们的研究及其社区背景。然后，我们根据两个关键问题概述了我们的方法论：目前对系统了解多少？系统中存在哪些问题和模式？最后，我们讨论了我们的结果对于识别既本地“相关”又“可行动”的复杂问题的意义，以及实现基于地方的系统变革的目标。

2. 方法论
图1总结了我们的方法以及指导我们方法论方向的两个问题的作用。我们使用脚而不是箭头来表示我们的方法论旅程。然后，我们详细描述了每种方法，借鉴了一系列与指导复杂性知情探究所需的多元主义类型一致的理论和方法传统[26]。边界设定是系统工作的一个组成部分[27]。在我们的方法的每个阶段，都会做出边界决策，并在以下各部分中进行反思。图底部的箭头表示研究的下一阶段，该阶段将在其他地方报告。

2.1. 目前对系统了解多少？
2.1.1. 初步系统扫描——综合数据和设定边界
系统扫描的目的是根据地点或地理区域（邻里或社区）以及正在调查的问题来构建复杂系统的图景[4]。系统扫描已被用于收集相关数据，以探索社区和组织层面的问题。例如，Able Change框架为社区提供了工具和资源，以探索系统内的“深层结构”[28]（第512页）。其他研究表明，基于系统的扫描可以帮助设定系统边界[29]。许多与系统扫描相关的工具和技术都是从一开始就为与社区利益相关者的共同探究而设计的[13,28]。然而，由于时间限制、可行性或弱势社区的“咨询疲劳”[30]（第250页），这并不总是可能的。COVID-19大流行限制了面对面的合作机会，导致研究团队独立进行了初步系统扫描。研究团队设定了初步扫描中应包括和排除的内容，在寻求社区利益相关者的观点和经验之前收集和整理数据。通过这种方式，我们通过设计和约束设定了边界。通过这次系统扫描，我们设计了与教育和就业相关的“内部”人口特征，包括心理健康，因为它与教育和就业结果相关[31,32]，以及通过社区咨询数据获得的年轻人的声音和社区资产，如教育和就业项目和服务。时间和可用性的限制意味着我们排除了与关键利益相关者的主要数据收集，例如调查和访谈，从而限制了系统扫描中包含的视角范围。我们的目的是向社区利益相关者展示基于现有数据所了解的情况，然后邀请他们添加自己的观点，挑战所呈现的内容，并探究当地系统（如下所述）。

2.2. 数据收集
我们利用公开可用的数据进行了初步系统扫描。这些数据在表1中进行了描述。

2.3. 数据综合研讨会
每个数据集都根据其方法论方法进行了分析或总结（见上表1），并在当时涉及整个研究团队的数据综合研讨会上进行了讨论。每个研究团队成员至少负责一个数据集。在研讨会之前，研究团队成员被要求根据元民族志方法论[4,34,35]得出的以下敏感性问题来考虑数据集：
- 数据之间有何关联？
- 数据集中出现了哪些主题、隐喻或问题？
- 这些数据集如何与我们的调查重点相关？
- 每个数据集的发现如何相互关联或提供信息？
- 这些数据（主题、问题、隐喻）之间有何联系？
- 是否存在更高层次的主题？
- 缺少了什么？
- 从综合中得出的总体“论点”或模型是什么？

在研讨会上，数据和见解根据以下路径类别或子系统进行了分类：
- 背景因素
- 中学（7-12年级）
- 从中学到就业的路径
- 从中学到进一步教育的路径
- 从进一步教育到就业的路径
- 就业
- 心理健康和福祉
- 跨领域主题

研究团队成员被要求针对每个路径类别或子系统做出“数据陈述”。在这里，定量和定性数据并列在一起，以及这些数据为研究团队提出的问题。系统图的开发
系统图是一种图表或视觉表示方法，用于展示研究者、实践者或社区感兴趣的因素或变量之间的动态相互关系[36]。系统图通过群体模型构建、基于社区的系统动力学和丰富图像等技术来表示系统行为的复杂性（参见[36,37,38,39,40,41,42,43]）。在参与式系统研究的丰富图像传统基础上，“Pathways in Place–VU”系统图的目的是展示已知的系统信息，并邀请利益相关者添加他们的观点和经验。丰富图像能够以一种可视化的方式呈现情况的复杂性，从而提供一个“入口点”，进入这个具有多方面的复杂系统[39]（第2页）。丰富图像鼓励在共同探究过程中产生多种解释，这与“Pathways in Place–VU”项目所基于的共创原则是一致的[44]。在系统图的开发过程中，我们采用了“两个认知循环”[39]（第2页）。首先，我们通过解释和将数据转化为图像和隐喻，将其放入系统图的初步版本中。其次，我们邀请利益相关者向系统图的初步版本中添加他们的解释、观点和见解[39]（见第2.4节）。

在第一个认知循环中，我们与一位视觉设计师（KM）密切合作，该设计师参加了数据综合研讨会，并收到了一份简报，其中描述了系统图的目的以及相关数据，以便展示研讨会中的关键发现和见解。我们没有使用图表来表示数据及其相互联系（如方框和箭头），而是选择使用隐喻性图像来描述数据的复杂性（问题、经验和统计数据），并在下一个认知循环中邀请多种解释。我们选择视觉方法作为基于艺术的方法类别，因为它们可以代表Brimbank教育和就业系统中存在的“多重主观现实”[45]（第958页），同时也能引发社区利益相关者的进一步解读。这样，视觉方法本质上是多元化和动态的，并且与系统理论一致。然而，我们的方法不同于软系统方法论中传统使用的丰富图像。在SSM中，丰富图像通常由利益相关者自己生成，他们会对包含的内容做出边界判断[15]。相比之下，通过聘请视觉设计师并使用隐喻作为结构工具，这些边界决策是由研究团队做出的。这种方法在其他研究中也有应用[4]。

2.3. 社区研讨会——样本
通过“Pathways in Place利益相关者登记册”（之前提到过）确定了有目的的利益相关者样本。利益相关者是通过Pathways in Place–VU团队的公共网站和/或专业网络识别的。利益相关者登记册是一个“动态文档”，通过专业网络、滚雪球抽样和网络搜索不断更新。2022年2月至3月期间，我们扫描了该登记册，寻找专门为Brimbank的年轻人提供教育、就业或心理健康支持的人士。从完成利益相关者登记册到社区研讨会举行之间已经过去了一段时间。因此，我们通过专业网络、网络搜索和滚雪球抽样将更多利益相关者添加到登记册中。

从2022年3月开始，我们向与Brimbank的年轻人（15-24岁）合作、促进其心理健康、教育和/或就业的利益相关者发送电子邮件，邀请他们参加研讨会。收到邮件的参与者被鼓励将研讨会邀请转发给对这些领域感兴趣的人，包括年轻人。遗憾的是，由于COVID-19对学校研究的限制，当时无法邀请维多利亚州教育部门的员工参加研讨会。因此，没有教师或中学工作人员被邀请参加。

2.4. 社区研讨会第一阶段——质疑和向系统图中添加数据
研讨会越来越多地被用于共同探究的目的，即邀请来自系统各个方面的利益相关者共同参与和探究[4,46,47]。例如，基于社区的系统动力学采用了群体模型构建活动，旨在捕捉多样化的观点和解释[48]。社区研讨会第一阶段的目的是从各种社区利益相关者那里向系统图中添加数据、经验和见解。这些研讨会旨在鼓励对所呈现数据的反思，使社区利益相关者能够贡献见解和观点，同时保持对整个系统图（即整个系统的视野）。我们努力捕捉利益相关者对教育和就业系统的心理模型[49]，包括他们对年轻人和更广泛社区的看法。

共举办了六场在线研讨会。这些研讨会经过许可进行了录音，录音被用来补充研讨会期间收集的数据。研究团队成员以促进者（TR）、记录员（AM）和支持者（BK/MC）的身份参与了研讨会。整个研讨会期间使用了MIRO Web版本的电子白板软件。关于MIRO在研讨会中的使用示例，请参见[50]。表1详细描述了研讨会的设计。

表1. 第一阶段研讨会的设计：质疑和向系统图中添加数据
这些研讨会是在线进行的。系统图连同与障碍物、指示标志等相关的图像一起导入电子白板软件MIRO中。在介绍和承认原住民土地之后，我们进行了一项旨在反思认知偏见的活动。设计系统图的视觉设计师创建了代表六种认知偏见的插图，包括群体思维、从众效应和刻板印象[51]。然后，我们要求参与者提名三种与他们自身实践相关的偏见，以及他们在他人实践中观察到的三种偏见。这提供了一个机会，让我们反思我们如何看待周围的世界。接下来是对系统图的引导式游览。首席促进者（TR）描述了地图的每个部分，解释了数据和图像。引导式游览结束后，参与者被邀请反思地图并指出可能缺失的内容。（AM）为小组做记录，随着参与者分享他们的观点，向系统图中添加数据和图像。当所有参与者都没有更多内容可添加时，研讨会进行了总结，感谢他们的参与，并描述了后续步骤。

2.5. 系统中存在哪些问题和模式？
在从社区利益相关者那里收集到有关Brimbank教育和就业路径的现有信息后，下一阶段涉及探索当地的问题和模式。

2.5.1. （重新）完善系统图
这一阶段的目的是添加数据并开发一个更全面的系统图版本，反映社区利益相关者的观点和经验。第一阶段进行的每场研讨会都生成了一个系统图版本，其中包含代表参与者见解和观点的数字便签以及音频记录。一名研究人员（TR）在现场对便签进行了主题分析，根据它们在地图中的位置考虑每个数据点。这一分析步骤的重点是为主题总结每场研讨会的数据，以便汇总和比较六场研讨会中出现的主题。这最终形成了一份第二份简报，其中包含了第一阶段研讨会中最相关的主题、见解和观点。随后，研究团队和视觉设计师进行了几天的迭代式插图和讨论，最终得到了为第二阶段准备的改进版系统图。

2.5.2. 社区研讨会第二阶段——识别问题和根本原因
社区研讨会第二阶段的目的是邀请利益相关者审视更新后的系统图，但这次的重点是识别当地问题及其根本原因。为了设定研讨会的基调，设计了一个初始活动，使用冰山隐喻来鼓励系统思维，该隐喻表示表面上看到的只是因为下面有东西才可见[5]。

在开场活动之后，参与者被要求审视系统图，识别在当地层面相关且可行动的当地问题，以及这些问题的一些根本原因，根据表2中描述的类别[5,28]。研讨会以协作优先排序被认为与社区相关且可在下一阶段采取行动的当地问题而结束。我们用于筛选出可在下一阶段采取行动的当地问题的标准有三个：首先，当地问题必须在当地社区内可行动；其次，问题必须具有能够加强系统其他领域的根本原因；第三，问题必须获得最多的投票。

表2. 社区研讨会第二阶段的设计：识别问题和根本原因
这些研讨会是在线和现场同时进行的。在介绍研讨会结构、承认原住民土地以及相互介绍之后，我们进行了一个热身冰山活动。参与者被要求思考他们在日常生活中面临的问题及其根本原因，这些原因反映了系统的深层结构（参见[52]）。这些问题体现在以下问题中（改编自[5,28]）：
- 哪些实践、程序或规则使问题持续存在？
- 当地资源的可用性和质量如何加剧了这个问题？
- 人与人之间以及人与组织之间的联系如何导致了这个问题？
- 决策权的分配如何导致了这个问题？
- 哪些根深蒂固的信念促成了这个问题？

在热身活动之后，首席促进者介绍了系统图，并围绕地图描述了数据和图像。系统图被分为四个部分。大约3-4人的小组轮流“处理”每个部分，根据上述问题识别可以采取行动的当地问题及其根本原因。然后将系统图的各个部分组合起来，展示整个地图。鼓励参与者考虑地图上呈现的各种问题，并根据以下问题进行“点投票”[50]：
- 是否有支持来解决这个问题（改变的意愿）？
- 解决这个问题的原因是否会对许多人（组织、年轻人、实践者、家庭）有益？
- 这个问题的原因是否在系统中普遍存在？

社区研讨会第二阶段的结果是识别出一个可以构建因果循环图（CLD）的当地问题，为后续行动做准备。

2.5.3. 因果循环图（CLD）的开发
因果循环图（CLD）是一种系统建模形式，旨在描述和理解驱动系统行为的“反馈结构”[53]。反馈结构反映了多个因素（或变量）之间的非线性间接影响，形成了有助于或阻碍变革努力的模式[17]。通过识别关键因素及其相互关系，我们实际上是在建模问题的局部生态[53]。虽然有许多方法可以对“现实世界”进行建模，但与其他形式的建模不同，正是“循环”成为了比构成循环链的变量更高层次的概念单元[54]（第241页）。重要的是，它使参与者（包括建模者和模型使用者）能够更好地理解系统的哪些方面导致了问题[54]，以及变革的可能性在哪里。这些循环的力量仅与其试图影响的影响相关。正如Meadows所论证的，反馈循环是系统变革的强大干预点[18]。为了我们的目的，创建了CLD（因果循环图）来描述与当地问题相关的反馈结构，并指导项目下一阶段的变革工作。CLD通常是通过小组建模[55]或其他参与式过程构建的。其他人也利用了各种形式的定性数据（如访谈）来构建CLD模型[56]，包括关于利益相关者的“信念、经验和观点”的数据[53]（第283页）。换句话说，CLD可以由社区利益相关者从零开始构建，也可以基于现有的定性和定量数据[54]或研究者的知识[57]来构建。在我们的案例中，我们利用了社区研讨会第二阶段的数据，通过主题分析来确定关键变量。确定变量之间关系的过程基于数据中的明确或隐含的推断[58]，以及系统图上表示的定性和定量数据、研究人员熟悉的文献以及研究者的知识，从而创建了第二阶段社区研讨会后识别出的复杂问题模型。

3. 结果
结果按照我们在图1中概述的方法的每个阶段进行呈现。

3.1. 关于系统的已有了解
初步的系统扫描和随后的数据综合研讨会产生了超过60条数据陈述（其中一些是重复的）。表2展示了数据综合研讨会中提出的数据陈述类型及其对研究团队提出的问题或议题。在研讨会进行时，数据仍在收集和分析中。例如，社区资产映射的数据已经收集并正在进行分析。因此，数据经过检查，并且如果有必要，会将其添加到系统图和研究的第二阶段中。社区人口统计数据也被作为系统图的背景信息来源。

3.2. 系统图的开发
选择“道路网络”作为系统图的隐喻，这与“Pathways in Place–VU”的“路径”重点一致。道路网络促进了移动和到达某个地方的感觉（即社会流动性），并允许使用一系列叙事手法，如桥梁作为连接方式、绕行路线作为替代路径的指引，路标作为方向的指引，以及路障或护栏作为保护缓冲，防止偏离道路。这一初步的意义构建过程引发了一些问题，包括我们如何概念化地图的“终点”。终点应该是获得就业机会，还是就业只是实现生活中其他目标的手段？通过这种方式，可视化帮助揭示了团队中的一些假设，从而引发了关于我们自身价值观和心智模型[59]的重要讨论，在解释和呈现数据时。

鉴于系统图被设计为我们系统研究的起点，确保地图上有“空白空间”也很重要，这样图像就能传达出空间的概念以及需要更多视角的需求。因此，并非所有来自数据综合阶段的数据都被包含在地图中。为了准备下一阶段的研究，视觉设计师还创建了一些可以在社区研讨会中使用的图像，包括路标、路障、前进标志等。图2展示了最初的Pathways in Place–VU Brimbank系统图。

3.3. 系统图的发展
系统图的开发采用了“道路网络”作为隐喻，这与“Pathways in Place–VU”的“路径”重点一致。道路网络促进了移动和到达某个地方的感觉（即社会流动性），并允许使用一系列叙事手法，如桥梁作为连接方式、绕行路线作为替代路径的指引，路标作为方向的指引，以及路障或护栏作为保护缓冲，防止偏离道路。这一初步的意义构建过程引发了一些问题，包括我们如何概念化地图的“终点”。终点应该是获得就业机会，还是就业只是实现生活中其他目标的手段？通过这种方式，可视化帮助揭示了团队中的一些假设，从而引发了关于我们自身价值观和心智模型[59]的重要讨论。

由于系统图被设计为我们系统研究的起点，确保地图上有“空白空间”也很重要，这样图像就能传达出空间的概念以及需要更多视角的需求。因此，并非所有来自数据综合阶段的数据都被包含在地图中。为了准备下一阶段的研究，视觉设计师还创建了一些可以在社区研讨会中使用的图像，包括路标、路障、前进标志等。图2展示了最初的Pathways in Place–VU Brimbank系统图。

3.4. 社区研讨会第一阶段——质疑和向系统图中添加数据
2022年4月12日至26日期间，共举行了六次在线研讨会，每次研讨会的参与者人数从1人到6人不等，持续时间从大约90分钟到两小时不等。参与者的基本信息见表3。参与者在研讨会前提供了知情同意书，包括同意录音。他们被告知，由于研讨会涉及小组讨论，无法保证保密性，其他参与者可能会在研讨会之外分享他们在会议中表达的观点。这代表了基于小组的数据收集方法（如焦点小组[60]）的固有风险。在线研讨会的数据（音频记录和系统图）被保存在大学服务器上。项目完成后，系统图从MIRO平台删除。所有数据都按照大学的伦理协议进行存储和处理。

这些研讨会最终产生了400多条额外的数据，形式为数字便签。这些额外数据涵盖了从缺失的项目或组织到对系统体验的反思，无论是中学的职业咨询还是服务的碎片化。图3展示了来自一次研讨会的额外数据的范围和数量。颜色代表了促进因素（黄色前进标志）和障碍（红色停止标志、橙色封闭的道路）。以这种方式叠加利益相关者数据，使参与者能够放大查看地图的特定部分，然后再放大以考虑整体情况。正如一位参与者所指出的：“这确实是一种非常酷的信息呈现方式，我从未见过这样的呈现方式……我真的很喜欢就业不是最终目标，而只是实现生活中其他目标的手段。”

3.5. 社区研讨会第二阶段——质疑和向系统图中添加数据
2022年4月12日至26日期间，共举行了六次在线研讨会，每次研讨会的参与者人数从1人到6人不等，持续时间从大约90分钟到两小时不等。参与者的基本信息见表3。参与者在研讨会前提供了知情同意书，包括同意录音。他们被告知，由于研讨会涉及小组讨论，无法保证保密性，其他参与者可能会在研讨会之外分享他们在会议中表达的观点。这代表了基于小组的数据收集方法（如焦点小组[60]）的固有风险。在线研讨会的数据（音频记录和系统图）被保存在大学服务器上。系统图在项目完成后从MIRO平台删除。所有数据都按照大学的伦理协议进行存储和处理。

这些研讨会最终产生了400多条额外的数据，形式为数字便签。这些额外数据涵盖了从缺失的项目或组织到对系统体验的反思，无论是中学的职业咨询还是服务的碎片化。图3展示了来自一次研讨会的额外数据的范围和数量。颜色代表了促进因素（黄色前进标志）和障碍（红色停止标志、橙色封闭的道路）。程序和组织的名称已被去标识化。通过这种方式叠加利益相关者数据，参与者可以放大查看地图的特定部分，然后再放大以考虑整体情况。

3.6. 分析社区研讨会第一阶段的数据
社区研讨会第一阶段的数据由一位研究人员（TR）进行分析。每张带有分层便签的系统图（作为数据点）都被仔细检查。便签被分组并按主题进行总结，同时考虑它们在系统图上的位置。共识别出146个主题，例如工作中缺乏网络和剥削。在这146个主题中，有7个被排除，因为它们已经出现在初始系统图中；另外2个被排除，因为它们不相关；例如，教育改革正在进行中。剩余的主题被进一步分组为62个更高层次的主题，以纳入精炼后的系统图中。

3.7. 系统中存在哪些问题和模式？
3.7.1. （重新）精炼系统图
通过对系统图的修改，包括新增了一个关于“网络和工作经验”的部分，这一主题在数据中非常突出。我们还确定了三个需要在系统图中体现的跨领域主题：污名化和歧视、年轻人的声音以及结构性不平等。精炼后的系统图（见图4）将额外的子主题以独立图像的形式呈现（见示例图5——错误的名字、错误的学校、错误的郊区），或者以情境化的方式呈现，捕捉互动的微观模式（见示例图5——年轻人——决策过程），或者在系统图中以上下文化的方式呈现（见示例图6——不同的起点）。

3.8. 系统中存在的问题和模式
3.8.1. （重新）精炼系统图
通过对系统图的修改，包括新增了一个关于“网络和工作经验”的部分，这一主题在数据中非常突出。我们还确定了三个需要在系统图中体现的跨领域主题：污名化和歧视、年轻人的声音以及结构性不平等。精炼后的系统图（见图4）将额外的子主题以独立图像的形式呈现（见示例图5——错误的名字、错误的学校、错误的郊区），或者以情境化的方式呈现，捕捉互动的微观模式（见示例图5——年轻人——决策过程），或者在系统图中以上下文化的方式呈现（见示例图6——不同的起点）。

3.9. 模拟本地问题：因果循环图
继续使用上述相同的数据集，一位研究人员（TO’D）采用了一种更为“归纳”的方法，将数据集中的主题组织成更高层次的主题。这些主题随后被转化为适合CLD的变量。这一分析和转化过程从变量命名到确认和否定数据点的识别都是深度迭代的。每个数据点都被分配了一个变量。有些变量只被分配了一个数据点，而有些变量被分配了多个数据点（例如，如果评论涉及两个不同的变量）。例如，变量“过时的就业/工作观念”得到了以下三个数据点的支持：“普遍存在的、过时的关于工作和就业的观念”“过时的信念”“依赖旧的工作方式”。从307个数据点中共创建了106个变量。然后，一位研究人员（TO’D）将这些变量映射到STICK-E Version 3（Deakin University）中，并在填充地图的过程中为变量分配了关系（正面或负面）。关系的建立基于数据中的发现（例如，偏见的招聘做法增加了歧视的经历），以及研究人员自己对文献的了解（例如，偏见的招聘做法会降低企业的多样性[62,63]）。结果是一张显示子系统之间众多相互关联关系的密集地图。为了满足我们的需求，我们应用了以下从文献中改编的标准[17,53,54,56]：
- 是否能够识别出主题领域？
- 变量是否“动态”？也就是说，它们是否随时间变化？
- 变量之间的关系是否具有因果关系？根据因果关系的原则[64]。
- 变量/循环是否与我们的目的相关——即它们是否具有行动导向？
- CLD是否完整？

然后，我们为每个子系统（服务、教育、家庭/年轻人和就业/雇主）进行了颜色编码。最终，我们将变量数量减少到仅包含就业/雇主子系统。这是与我们当地问题相关的系统——年轻人缺乏安全和有意义的工作机会。在这个阶段，两位研究人员（TR/TO’D）根据标准检查了每个变量。结果，一些变量被删除，一些被重新命名，还有一些被分为两个独立的变量。这些更改是由一位研究人员（TR）对STICK-E图表进行的，并由另一位研究人员（TO’D）进行了检查。在两位研究人员都对图表的准确性有信心后，其中一位研究人员（TR）将变量分类成不同的主题，并识别出相关的反馈循环[53]。每个反馈循环中的变量和因果关系都是从社区研讨会第二阶段数据中的明确和隐含推断中得出的[58]。在可能的情况下，隐含的推断还参考了研究人员对文献的了解以及更广泛的社区研讨会数据集。隐含推断的普遍使用是由于数据集的性质决定的。这些数据并不是为了创建因果循环图（CLD）而收集的，因此没有直接询问参与者关于系统图中各要素之间的因果关系或影响。例如，关于权利和责任的知识与获取工作经验的知识之间的关系是通过考虑与它们相关的数据陈述来确定的。例如，“缺乏关于什么是安全和稳定就业的知识”以及“年轻人不知道如何获得工作经验”。在这里，我们推断出关于什么是安全和稳定就业的知识会影响关于如何获得工作经验的知识。然后使用Vensim PLE软件版本09030200来展示这些反馈循环，见下图8。实线和箭头表示变量之间的关系是同向变化的；一个变量增加或减少时，另一个变量也会相应增加或减少。虚线和箭头表示变量之间的关系是反向变化的；一个变量增加时，另一个变量会减少，依此类推。图8. 因果循环图。为了确保识别的反馈循环能够反映系统的深层结构，我们将之前确定的系统结构类别[5,28]映射到了反馈循环中。这些在下面的表4中有描述。为了清晰起见，当变量同向变化时，我们描述了它们的增加，而不是同时增加和减少的情况，尽管两者都是可能的。表4. 安全且有意义的工作经验CLD中反馈循环的描述。CLD中的主题反馈循环反映了参与社区研讨会第二阶段的人们的观点和经验。这并不奇怪，其中包括一个关于招聘挑战的反馈循环，因为年轻人抱怨获得就业的困难。如果当地企业和雇主参与了社区研讨会，我们可能会看到反映他们在地方层面运作系统的治理、资源或控制循环。CLD的一个潜在弱点是它们可能难以阅读[40]，这可能会对社区参与和共同探究过程造成挑战。因此，我们重新聘请了同一位视觉设计师（KM）将CLD转化为视觉插图（见图9）。这一过程进一步细化了变量及其描述。然后，视觉化的CLD将由项目下一阶段的行动网络进行审查和必要时的完善。图9. 视觉化的因果循环图（由Kirsten Moegerlein设计：https://www.kirstenmoegerlein.com）。3.4. 下一阶段项目的下一阶段涉及形成Pathways in Place–VU行动网络，共同探究CLD并共同设计实施活动。这将在其他地方进行描述。4. 讨论二十多年前，Hawe、Shiell和Riley主张在社区或基于地方的干预措施的概念化方面进行“根本性的转变”[65]（第1561页）。他们呼吁发展能够更好地理解干预-环境互动并增强干预效果的干预理论[65]。虽然许多公共卫生干预专家接受了这一挑战[6,66,67,68,69]，提出了框架、模型、工具和概念重构来推动该领域的发展，但人们对干预设计的起点——即在复杂系统中可以采取行动的复杂问题的识别——关注较少。通常，问题是在需要采取行动的背景之外定义的。通过从已经了解的系统出发，并应用视觉方法来捕捉关于当地教育和就业系统的多层次和细致的知识，我们立即沉浸在了背景的复杂性中。“背景”被作为起点。使用丰富的图片促进了“整体思维”[15]（第11页）和[16页），而隐喻的使用为探究增添了深度。根据Weichert的观点，隐喻“引导读者达到新的解释，认识到对象之间的新关系，并开启一种充满意义和情感的视野”[70]（第75页）。这正是我们在使用隐喻绘制系统图时的体验。它使我们能够深入地参与我们的探究背景。虽然我们用来收集数据、开发系统图、进行社区研讨会和创建因果循环图的方法并不新颖，但将这些方法配置用于识别具有地方相关性和可操作性的复杂问题是一个重要的贡献。这些方法借鉴了长期以来基于复杂性的方法论，如软系统方法或系统动力学[15,16,48]。我们在设计和促进学习系统的系统传统基础上进行了发展[15,48,71,72]，作为共同探究系统的机会。与SSM不同，我们并没有试图建模个人观点或世界观；相反，我们通过视觉映射过程将这些观点汇集在一起。虽然这种方法使利益相关者能够更好地理解系统中其他人的角色和位置（无论是在社区研讨会中还是在系统图上表示），但它也可能使“缺失的观点”更加不明显。4.1. 边界判断与其他强调吸引多样化利益相关者重要性的系统方法论[2,13,15,48]一致，这种包容性也是我们的意图。然而，在COVID-19大流行的背景下，实现这一点颇具挑战性。因此，我们的社区研讨会中缺少了一些观点，特别是来自当地雇主、行业代表和更多样化的年轻人的观点。由于当时对学校研究的限制，我们也缺乏当地教师、教育工作者和学校员工的代表。这些缺失成为了边界限制，可能使我们对当地问题的识别偏离了教育领域，转向了就业系统。因此，精炼后的系统图中包含的观点反映了那些既经历又目睹了许多系统挑战的年轻人和从业者的经验。如果包括企业和当地产业，可能会增加更多的深度，并在CLD中识别出更多的反馈循环。尽管在其他研究背景下也可能出现类似的边界限制，但我们鼓励采用这种方法的研究人员积极寻求更多样化的利益相关者观点。我们的探究是在全球大流行期间开始的，这场大流行限制了社会活动并在社区中造成了困扰。在这种情况下，我们在几乎没有社区参与的情况下设计了初始系统图，并明确做出了关于包含的数据和探究指导隐喻的边界决定。尽管这与SSM和基于社区的系统动力学的原则有所不同，但它使我们能够在尊重现有教育和就业知识的同时，在图中留出空白空间，表明社区经验和见解是必要且受欢迎的。在时间和访问受到类似限制的研究背景下，这种方法可以为捕捉社区观点的复杂性奠定基础。在没有这些限制的情况下，社区利益相关者可以从一开始就更多地参与边界设定决策，包括隐喻的选择和数据的位置。4.2. 出现一个具有地方相关性和可操作性的问题从系统出发，先了解其复杂性，然后再命名问题，这使得问题能够作为一个与当地相关且基于当地实际情况的问题出现，而不是由社区外部强加的。通过将我们的探究置于社区背景中，我们优先考虑了当地利益相关者的情境知识，从而基于公开可用的数据，使当地问题的识别更加明确和有力。从开发精炼后的系统图（已知的内容）到识别模式和问题，使我们能够在教育和就业系统中共同探究，并识别出与研讨会参与者相关的问题。其他人也指出，为了系统变革的目的，需要将问题的识别和分析问题化，指出人们往往只关注表面问题或症状，而不是将问题固定在位的深层社会结构[12,13]。我们的方法导致识别出一个当地问题，社区利益相关者认为这个问题既与当地社区背景相关，又可以在当地采取行动。我们将地方行动视为多部门组织的职责范围，这些组织最有可能对问题的根本驱动因素产生影响。然而，以这种方式界定地方行动可能会限制社区成员、地方领导者和社区组织者在解决问题方面的作用。然而，重要的是要注意，这只是社区利益相关者识别的一系列复杂地方问题中的一个。研究团队最终根据边界设定标准选择了要继续研究的问题，优先考虑了利益相关者的经验和基于地方的系统变革议程。重要的是，我们深入探讨了通过CLD表现出来的系统因素的因果配置。通过这种方式，反馈循环提供了对导致地方问题的各种因素的更详细描述。使用基于复杂性的参与式方法可以避免陷入只解决表面问题而非根本原因的陷阱[73]，同时也界定了哪些“根本原因”属于地方社区的职责范围。例如，当地社区无法掌握解决贫困问题的杠杆[74]。项目的下一阶段将继续测试我们的假设，即通过我们的方法识别出的地方复杂问题可以有效地采取行动。此外，描述保持年轻人缺乏安全和有意义的工作经验的反馈结构的因果循环图的发展，可能会确保共同设计的行动在系统层面产生影响。在我们的案例中，CLD提供了一种从系统图的混乱和复杂性中“脱身”的途径[75]，为社区层面的行动提供了路径。其他研究团队也使用了CLD来启动干预设计[10]。4.3. 我们的方法及其对领域的贡献我们方法的价值在于其适应性，这取决于探究的重点、社区背景和感兴趣的人群。它认识到对系统的所有认识都是片面的，每个阶段的设计都是为了扩展意义构建和加深理解。关于包括哪些数据和邀请哪些利益相关者的决定是由研究团队做出的边界判断。与SSM类似，我们的方法更应该被理解为一种探究的启发式方法，而不是规定性方法[15]。我们参考了各种文献来指导我们的方法设计。如软系统方法论和基于社区的系统动力学这样的系统方法通常从已识别的问题领域开始建模[48,73,76]，或者采用明确的问题解决导向[15]。在社区内明确识别出复杂问题且当地行动者有能力实施变革的背景下，这样的导向是合理的[10,77]。然而，在系统复杂性掩盖问题本身的情况下，可能需要不同的起点。我们的方法提供了一种途径，使问题识别能够从与系统的互动中产生，而不是从预定义的问题中产生。我们同意复杂性学者们的观点，即在进行问题解决之前，问题定义和分析的重要性[12,15,75]。我们认为，基于本地实际情况并运用系统思维的方法（例如本文所描述的方法配置）能够揭示相关且具有实际意义的问题及其根本原因，并成为协同努力的核心。其目的并非直接解决这些问题，而是将这些问题“融入”到本地系统中，从而降低它们的影响。本着持续学习的精神，我们邀请研究人员在各种不同的背景下应用、调整和完善这种方法。