توزيع برنولي: الأسس الرياضية وتطبيقاته في القياس النفسي والعلوم السلوكية

يشكل توزيع برنولي (Bernoulli Distribution) حجر الزاوية الأساسي في نظرية الاحتمالات والإحصاء الاستدلالي، ويمتد تأثيره المعرفي والتطبيقي ليشكل الركيزة البنيوية التي تستند إليها نماذج القياس النفسي المتقدمة والأبحاث السلوكية المعاصرة. يُعنى هذا التوزيع الاحتمالي المنفصل بدراسة الظواهر والعمليات العشوائية التي لا تحتمل سوى نتيجتين متناقضتين وشاملتين، مثل النجاح أو الفشل، الحضور أو الغياب، والاستجابة الصحيحة أو الخاطئة، مما يجعله الإطار النمذجي الأكثر ملاءمة لمعالجة المتغيرات الثنائية في الاختبارات السيكولوجية. ومن خلال اختزال التعقيد الإنساني الظاهري إلى احتمالات رياضية قابلة للقياس والتحليل، يتيح توزيع برنولي للباحثين تفكيك الاستجابات السلوكية الفردية، وفهم الآليات الإدراكية الكامنة خلف اتخاذ القرار، وبناء أدوات تقييم دقيقة تتمتع بخصائص سيكومترية رصينة.

الأسس الرياضية والنظرية لتوزيع برنولي

يُعرَّف توزيع برنولي بأنه التوزيع الاحتمالي لمتغير عشوائي منفصل، يُرمز له عادة بالرمز $X$، يأخذ القيمة $1$ في حالة تحقق الحدث أو “النجاح” باحتمال مقداره $p$، ويأخذ القيمة $0$ في حالة عدم تحقق الحدث أو “الفشل” باحتمال مقداره $q = 1 – p$. وبناءً على هذا التعريف المنطقي الصارم، ينحصر نطاق المتغير العشوائي في المجموعة الثنائية ${0, 1}$، حيث تمثل المعلمة $p$ (حيث $0 le p le 1$) المعلمة الوحيدة التي تحدد هذا التوزيع تحديداً تاماً، وتجسد في السياق السلوكي احتمالية صدور سلوك محدد أو الإجابة الصحيحة عن مفردة اختبارية ما.

تُصاغ دالة الكتلة الاحتمالية (Probability Mass Function) الخاصة بمتغير برنولي بالصيغة الرياضية التالية: $P(X = x) = p^x (1 – p)^{1 – x}$ لكل $x in {0, 1}$. تعكس هذه المعادلة الأناقة الرياضية للتوزيع، حيث تختزل بصورة جبرية دقيقة الحالتين الممكنتين؛ فعندما تكون $x = 1$، تصبح القيمة مساوية لـ $p$، وحينما تكون $x = 0$، تؤول النتيجة إلى $1 – p$. تكمن أهمية هذه الدالة في كونها تسمح باشتقاق دالة الإمكان (Likelihood Function) التي تُعد جوهرية في تقدير معلمات القدرة والصعوبة في النماذج الإحصائية للقياس النفسي.

أما من زاوية العزوم الإحصائية، فإن التوقع الرياضي أو القيمة المتوقعة لمتغير برنولي تُعطى بالمعادلة $E(X) = p$. يمثل هذا التوقع ببساطة المتوسط الحسابي للظاهرة قيد الملاحظة على المدى الطويل، وهو ما يناظر في القياس السيكولوجي معامل سهولة الفقرة الاختبارية. وفي المقابل، يُحسب التباين (Variance) وفق العلاقة الرياضية $\text{Var}(X) = p(1 – p) = pq$. وتكشف هذه الصيغة عن خاصية بالغة الأهمية؛ إذ يبلغ التباين حده الأقصى عندما تكون $p = 0.5$، وتكون قيمته مساوية لـ $0.25$، مما يعني أن أقصى قدر من عدم اليقين والتشتت في البيانات السلوكية يقع عندما تتكافأ احتماليتا حدوث السلوك وعدم حدوثه.

علاوة على ذلك، تتميز دالة التوليد العزمية (Moment-Generating Function) لتوزيع برنولي بالبساطة التحليلية، إذ تأخذ الشكل $M_X(t) = (1 – p) + pe^t$. وتسهم هذه الخاصية الرياضية في تسهيل دراسة الخصائص التوزيعية للمتغيرات المركبة الناتجة عن جمع عدة متغيرات برنولية، وهو ما يمهد بصورة مباشرة للانتقال إلى التوزيعات الإحصائية الأكثر تعقيداً مثل توزيع ذي الحدين (Binomial Distribution)، والذي يمثل الإطار الأوسع عند تكرار التجربة البرنولية لمرات متعددة ومستقلة.

الجذور التاريخية والتطور الفكري في العلوم السلوكية

تعود الجذور المعرفية لهذا التوزيع إلى عالم الرياضيات السويسري البارز ياكوب برنولي (Jacob Bernoulli)، وتحديداً في مؤلفه التاريخي الفذ “فن التخمين” (Ars Conjectandi) المنشور بعد وفاته عام 1713. في هذا العمل التأسيسي، استكشف برنولي بعمق التجارب العشوائية التي تتضمن خيارين، وصاغ ما يُعرف تاريخياً بـ “محاكمة برنولي” (Bernoulli Trial). ومع أن غايات برنولي الأولى كانت مرتبطة بألعاب القمار وفلسفة عدم اليقين والقضايا القانونية، إلا أن الأسس التي أرساها أحدثت ثورة معرفية شملت لاحقاً العلوم الاجتماعية والإنسانية برمتها.

مع بزوغ فجر علم النفس التجريبي في أواخر القرن التاسع عشر على يد علماء مثل غوستاف فيخنر وفيلهلم فونت، برزت الحاجة الماسة إلى تقنين قياس الإحساس البشري والعتبات الإدراكية. وسرعان ما أدرك رواد علم النفس القياسي (Psychometrics) الأوائل أن الاستجابة للمؤثرات الحسية تمثل في جوهرها تجربة برنولية؛ فالمشارك إما أن يدرك المثير الحسي (استجابة بنعم = 1) أو يفشل في إدراكه (استجابة بلا = 0). هذا التلاقي بين المنطق الرياضي البرنولي وعلم النفس الفيزيائي (Psychophysics) مهد الطريق لتحويل الانطباعات الذاتية إلى مقاييس كمية موضوعية.

خلال النصف الثاني من القرن العشرين، ومع تطور النظرية الكلاسيكية للاختبار (Classical Test Theory – CTT) وانبثاق نظرية استجابة المفردة (Item Response Theory)، انتقل تطبيق توزيع برنولي من كونه مجرد أداة لحساب النسب المئوية إلى نموذج احتمالي بنيوي تتأسس عليه أدق النماذج الرياضية في تشخيص السمات النفسية والقدرات المعرفية. وقد مكّن هذا التطور الفكري الباحثين السلوكيين من الانتقال من مرحلة الوصف الإحصائي البسيط إلى مرحلة النمذجة التفسيرية والاستدلالية لسلوك الأفراد.

تطبيقات توزيع برنولي في القياس النفسي ونظرية استجابة المفردة

في حقل القياس النفسي الحديث، يُنظر إلى كل مفردة من مفردات الاختبارات الثنائية (مثل أسئلة الاختيار من متعدد المصححة بصواب/خطأ، أو مقاييس الشخصية ذات الاستجابة بنعم/لا) بوصفها متغيراً عشوائياً يتبع توزيع برنولي. لا تركز النماذج المعاصرة على الدرجة الكلية للاختبار فحسب، بل تغوص عميقاً في دراسة نمط الاستجابة على مستوى كل مفردة فردية، وهو ما يتطلب صياغة احتمالية صريحة تشتق مباشرة من الخصائص البرنولية للبيانات الثنائية.

يتجلى هذا التطبيق بوضوح استثنائي في نظرية استجابة المفردة، ولا سيما في “نموذج راش” (Rasch Model) والنماذج اللوجستية ثنائية وثلاثية المعلمات. في نموذج راش الأحادي المعلمة، يتم تمثيل استجابة الفرد $i$ على المفردة $j$، والتي يُرمز لها بالمتغير $X_{ij} in {0, 1}$، كمتغير برنولي معتمد على احتمال النجاح $P(X_{ij} = 1 | \theta_i, b_j) = p_{ij}$. وتأخذ هذه الاحتمالية الصياغة اللوجستية الشهيرة التالية:

$$p_{ij} = \frac{e^{\theta_i – b_j}}{1 + e^{\theta_i – b_j}}$$

حيث تمثل $\theta_i$ القدرة الكامنة (Latent Trait) لدى المفحوص، في حين تعبر $b_j$ عن صعوبة المفردة الاختبارية. وبذلك، فإن عملية الاستجابة السيكومترية بأكملها تُختزل رياضياً في دالة توزيع برنولي معلّمة بواسطة الفارق الحسابي بين قدرة الفرد وصعوبة السؤال، مما يوفر قياساً موضوعياً مستقلاً عن عينة التقنين.

علاوة على ذلك، في النماذج الأكثر تعقيداً مثل النموذج اللوجستي ثلاثي المعلمات (3PLM)، والذي يأخذ في الاعتبار عامل التخمين العشوائي ($c_j$) ومعامل التمييز ($a_j$)، يظل المتغير التابع متغيراً برنولياً خالصاً. يتيح هذا الإطار الرياضي إمكانية صياغة دالة الإمكان الكلية لمجموعة من الاستجابات الفردية المستقلة موضعياً عن طريق ضرب احتمالات برنولي الفردية، وهو الإجراء الحسابي الذي تنهض عليه خوارزميات التقدير الإحصائي المعقدة مثل تقدير الإمكان الأعظم الهامشي (Marginal Maximum Likelihood).

النمذجة السلوكية واتخاذ القرار في علم النفس المعرفي

لا يقتصر توظيف توزيع برنولي على القياس السيكومتري فحسب، بل يمتد بقوة ليشمل أبحاث علم النفس المعرفي ونظريات اتخاذ القرار تحت ظروف المخاطرة وعدم اليقين. في التجارب السلوكية المعملية، غالباً ما يُوضع المشاركون أمام مواقف تتطلب الاختيار بين بديلين حادين، مثل قبول رهان مالي أو رفضه، أو الاستجابة لمحفز بصري عابر. تُنمذج هذه الخيارات الثنائية كمتغيرات برنولية مشروطة بمتغيرات مستقلة تجريبية تمثل العبء الإدراكي أو مستوى التحفيز أو طبيعة المكافأة.

في إطار نظرية كشف الإشارة (Signal Detection Theory)، يُطلب من الفرد التمييز بين وجود الإشارة المدمجة في الضوضاء وغيابها. تُعد كل محاكمة تجريبية بمثابة محاكمة برنولية ينتج عنها إما “إصابة” (Hit) أو “إنذار كاذب” (False Alarm). يتيح الافتراض البرنولي الأساسي للباحثين تفكيك استجابات المفحوصين إلى مكونين منفصلين تماماً: الحساسية الحسية التمييزية ($d’$)، وميل الاستجابة أو المحك المعرفي الذاتي ($c$ or $\beta$). هذا الفصل المنهجي ما كان ليتأتى لولا البنية الاحتمالية التي يوفرها توزيع برنولي للمتغيرات الثنائية.

كما يلعب توزيع برنولي دوراً محورياً في النماذج الديناميكية لزمن الاستجابة واتخاذ القرار، مثل نموذج انتشار الانجراف (Drift Diffusion Model – DDM). فعلى الرغم من أن هذه النماذج تتعامل مع متغيرات زمنية مستمرة، إلا أن النتيجة النهائية لعملية التراكم المعرفي هي وصول المسار الحسابي إلى إحدى العتبتين الحديتين (القرار أ أو القرار ب)، وهي نتيجة ثنائية قطعية يتم تفسير احتمال تحققها واستقرارها اعتماداً على معايير مشتقة من منطق برنولي الاحتمالي المتقطع.

الخصائص الإحصائية وتقدير المعلمات في العينات النفسية

يتطلب التحليل الإحصائي السليم للبيانات النفسية المستندة إلى توزيع برنولي فهماً عميقاً لآليات تقدير المعلمة $p$ وخصائص المقدرات الإحصائية المرتبطة بها. عند دراسة عينة عشوائية بسيطة من الأفراد قوامها $n$ مفحوصاً، وتدوين استجاباتهم على فقرة معينة، يُعطى مقدر الإمكان الأعظم (Maximum Likelihood Estimator) لمعلمة برنولي $p$ بالمتوسط الحسابي البسيط للاستجابات:

$$\hat{p} = \frac{1}{n} \sum_{i=1}^n X_i$$

يتمتع هذا المقدر بخصائص إحصائية مرغوبة للغاية؛ فهو مقدر غير متحيز (Unbiased)، مما يعني أن قيمته المتوقعة الرياضية تطابق تماماً المعلمة الحقيقية في المجتمع السلوكي الأصلي، أي $E(\hat{p}) = p$. كما أنه مقدر متسق (Consistent)، إذ يتقارب احتمالياً نحو القيمة الحقيقية كلما ازداد حجم العينة النفسية المدروسة، وهو ما يُعد تطبيقاً مباشراً لـ قانون الأعداد الكبيرة الذي برهن عليه ياكوب برنولي بنفسه.

علاوة على ذلك، يُحسب الخطأ المعياري لمقدر برنولي من خلال المعادلة التالية:

$$\text{SE}(\hat{p}) = \sqrt{\frac{p(1-p)}{n}}$$

توضح هذه الصيغة أن دقة التقدير الإحصائي في الأبحاث السيكولوجية تتأثر بعاملين حاسمين: حجم العينة $n$، والقيمة الذاتية للاحتمال $p$. وعند بناء فترات الثقة (Confidence Intervals) لمعلمة الاستجابة في المقاييس النفسية، غالباً ما يلجأ الباحثون إلى التقريب الطبيعي المستند إلى مبرهنة النهاية المركزية، غير أن هذا التقريب قد ينهار بصورة ملحوظة إذا كانت العينة صغيرة أو كانت قيمة $p$ متطرفة جداً (قريبة من الصفر أو الواحد)، مما يستدعي استخدام بدائل إحصائية متطورة مثل فترة “ويلسون” (Wilson score interval) أو فترة “أغريستي-كول” لضمان دقة الاستدلال النفسي.

العلاقة بين توزيع برنولي والتوزيعات الاحتمالية الأخرى في علم النفس

يمثل توزيع برنولي اللبنة الأولية والوحدة الذرية التي تتخلق منها سلسلة من التوزيعات الاحتمالية الأكثر تعقيداً المستخدمة في التحليل السيكولوجي. لفهم النظم الإحصائية النفسية الشاملة، لا بد من دراسة الوشائج العميقة التي تربط توزيع برنولي بنظرائه من التوزيعات الأخرى، والتي يمكن إيجازها في النقاط التحليلية التالية:

• التوزيع ذو الحدين (Binomial Distribution): ينشأ التوزيع ذو الحدين بصورة مباشرة من تكرار محاكمة برنولي لعدد $n$ من المرات المستقلة وباحتمال نجاح ثابت $p$. في علم النفس، إذا كانت استجابة المفحوص على مفردة واحدة هي متغير برنولي، فإن الدرجة الكلية للطالب في اختبار موضوعي يتكون من $n$ مفردة تتبع توزيعاً ثنائي الحدين، بشرط افتراض استقلال المفردات وتساوي صعوبتها.
• التوزيع متعدد الحدود (Multinomial Distribution): يمثل هذا التوزيع التعميم الرياضي المباشر لتوزيع برنولي عندما يتسع فضاء العينة ليتجاوز خيارين اثنين ليشمل $k$ من الفئات الاستجابية المتبادلة. يظهر هذا بوضوح في بنود مقاييس ليكرت (Likert scales) ذات البدائل المتعددة (مثل: أوافق بشدة، أوافق، محايد، أعارض، أعارض بشدة)، حيث يتحول متغير برنولي الثنائي إلى متغير متعدد الفئات (Categorical/Multinomial).
• التوزيع الهندسي (Geometric Distribution): يرتبط بمتغيرات برنولي عبر حساب عدد المحاولات الفاشلة قبل تحقيق أول نجاح، وهو ما يُستخدم سيكولوجياً في دراسة ظواهر الإصرار والمثابرة، وتجارب التعلم الإجرائي في علم النفس الحيواني والمقارن، حيث يُقاس عدد المحاولات المطلوبة حتى يكتشف الكائن الحي الاستجابة الصحيحة المعززة.
• الانحدار اللوجستي (Logistic Regression): يمثل الجسر الرابط بين المتغير البرنولي التابع والمفسرات النفسية المستمرة أو الفئوية. من خلال استخدام دالة الارتباط اللوجستية (Logit Link Function)، يتم تحويل احتمالية برنولي المقيدة بين $0$ و $1$ إلى مقياس خطي مستمر يمتد من السالب لانهاية إلى الموجب لانهاية، مما يمكن الباحث من التنبؤ باحتمال حدوث سلوك معين استناداً إلى جملة من السمات والخصائص النفسية.

التحديات المنهجية والقيود الإحصائية في الأبحاث السيكولوجية

على الرغم من القوة الرياضية والأناقة المنهجية التي يوفرها توزيع برنولي، فإن تطبيقه الصارم في ميدان العلوم النفسية يواجه جملة من التحديات الإبستمولوجية والعملية البالغة الحساسية. ينبع التحدي الأول من افتراض استقلال المحاكمات؛ فالعديد من النماذج الإحصائية تفترض أن كل محاكمة برنولية تجري بمعزل تام عن المحاكمات السابقة واللاحقة. بيد أن السلوك البشري يتسم بالديناميكية والتأثر بالخبرة السابقة، حيث يتعرض المفحوص لتأثيرات الإرهاق (Fatigue)، والممارسة (Practice effects)، وتذبذب الانتباه والدافعية، مما يؤدي إلى انتهاك مبدأ الاستقلال الإحصائي وتوليد ما يُعرف بالارتباط الذاتي بين الاستجابات.

ويتمثل التحدي الجوهري الثاني في إشكالية ثبات المعلمة الاحتمالية $p$. يفترض توزيع برنولي الكلاسيكي ثبات قيمة $p$ خلال التجربة، وهو افتراض نادراً ما يتحقق في الواقع السيكولوجي المرن. فالإنسان كائن متكيف يغير استراتيجياته المعرفية بمرور الوقت استجابةً للتغذية الراجعة، مما يحول المعلمة الثابتة إلى معلمة عشوائية متغيرة تتطلب الانتقال إلى نماذج احتمالية هرمية أو بيزية متقدمة (مثل نماذج بيتا-برنولي Beta-Bernoulli Hierarchical Models) لالتقاط التباين الفردي والفروق البينية الكامنة.

بالإضافة إلى ذلك، فإن محاولة اختزال التعقيد الوجداني والمعرفي الظاهراتي في متغير ثنائي ($0$ أو $1$) تواجه أحياناً انتقادات تتعلق بفقدان المعلومات الحيوية (Loss of Information). فعندما نُجبر المفحوص على الاختيار القسري بين بديلين في استبانة نفسية تقيس الاكتئاب أو القلق، فإننا نتجاهل الشدة النفسية، والتدرج الشعوري، وحالة التردد الوجداني التي لا يمكن لتوزيع برنولي البسيط استيعابها دون الاستعانة ببيانات مكملة مثل أزمنة الرجع وحركات العين والقياسات الفسيولوجية المصاحبة للقرار.

خاتمة واستشراف مستقبلي

في الختام، يتبدى لنا أن توزيع برنولي ليس مجرد صيغة رياضية مجردة انبثقت من نظريات الاحتمالات الكلاسيكية، بل هو أداة فكرية ومنهجية لا غنى عنها في بنية العلوم السلوكية والقياس النفسي. فمن خلال توفيره للنموذج الأساسي لمعالجة النتائج الثنائية، أتاح للباحثين صياغة نظريات دقيقة لاختبار الفرضيات السيكولوجية، وبناء مقاييس اختبارية محكمة قادرة على تقدير السمات الكامنة بدقة متناهية عبر نظرية استجابة المفردة، فضلاً عن تقديم إطار صارم لنمذجة آليات اتخاذ القرار تحت ظروف عدم اليقين المعرفي. ومع دخول علم النفس عصر البيانات الضخمة والنمذجة العصبية المحوسبة، يبقى منطق برنولي حياً وفاعلاً في خوارزميات التعلم الآلي والشبكات العصبية الاصطناعية التي تحاكي في تصنيفاتها الثنائية استجابات العقل البشري، مؤكداً استمرارية دوره كجسر إبستمولوجي يربط بين صرامة الرياضيات المعيارية وسيولة الظاهرة السلوكية الإنسانية.

المراجع

• Bernoulli, J. (1713). Ars conjectandi, opus posthumum. Impensis Thurnisiorum, Fratrum.
• Embretson, S. E., & Reise, S. P. (2000). Item response theory for psychologists. Lawrence Erlbaum Associates Publishers.
• Green, D. M., & Swets, J. A. (1966). Signal detection theory and psychophysics. John Wiley & Sons.
• Lord, F. M. (1980). Applications of item response theory to practical testing problems. Lawrence Erlbaum Associates.
• Rasch, G. (1960). Probabilistic models for some intelligence and attainment tests. Danmarks Paedagogiske Institut.
• Ratcliff, R., & McKoon, G. (2008). The diffusion decision model: Theory and data for two-choice decision tasks. Neural Computation, 20(4), 873–922. https://doi.org/10.1162/neco.2008.12-06-420