يمثل تحليل أشجار التصنيف والانحدار (Classification and Regression Trees – CART) أحد أبرز الأساليب الإحصائية غير المعلمية القائمة على خوارزميات تعلم الآلة، والتي أحدثت نقلة نوعية في منهجيات البحث السلوكي والتشخيص الإكلينيكي المعاصر. ينطلق هذا الأسلوب الاستكشافي والتنبؤي من قدرته الفائقة على نمذجة العلاقات المعقدة، واللاخطية، والتفاعلات عالية الرتبة بين المتغيرات النفسية، دون الحاجة إلى تبني افتراضات مسبقة حول التوزيع الاعتدالي للبيانات أو العلاقات الخطية المتعامدة التي تفترضها النماذج الكلاسيكية. وفي سياق القياس النفسي والطب النفسي، يتيح تحليل CART للباحثين والممارسين تفكيك التباين الظاهري في الاضطرابات السلوكية المعقدة وتصنيف الأفراد إلى مجموعات فرعية متجانسة إكلينيكياً بدقة تفسيرية عالية تشبه مسارات اتخاذ القرار البشري.
الجذور التاريخية والتطور الإبستمولوجي لنموذج CART
تعود الجذور المعرفية لتحليل أشجار التصنيف والانحدار إلى الربع الأخير من القرن العشرين، وتحديداً إلى العمل التأسيسي الرائد الذي قدمه علماء الإحصاء ليو بريمان (Leo Breiman)، وجيروم فريدمان (Jerome Friedman)، وريتشارد أولشن (Richard Olshen)، وتشارلز ستون (Charles Stone) عام 1984 من خلال مؤلفهم الكلاسيكي "Classification and Regression Trees". جاء تطوير هذا النموذج استجابة للقصور المنهجي الذي واجهته الإحصاءات الاستدلالية التقليدية في التعامل مع البيانات الحسابية المعقدة، وتعدد المتغيرات التفسيرية ذات التوزيعات غير المنتظمة، وتفشي مشكلة التعدد الخطي العالي (Multicollinearity) في العلوم السلوكية والطبية. وقد سعت الخوارزمية منذ نشأتها إلى ردم الفجوة بين الدقة الرياضية الصارمة وبين قابلية النتائج للتأويل البصري والمفاهيمي المباشر.
قبل ظهور نموذج CART، كانت العلوم النفسية تعتمد بصورة شبه حصرية على نماذج الانحدار الخطي المتعدد، وتحليل التمايز، والتحليل العاملي، وهي أدوات تفترض ثبات أثر المتغير المستقل عبر جميع مستويات المتغيرات الأخرى، وهو افتراض نادراً ما يتحقق في الواقع الإنساني والظواهر النفسية المعقدة. على سبيل المثال، فإن تأثير الصدمة النفسية في الطفولة على احتمالية الإصابة بالاكتئاب في مرحلة الرشد لا يعمل بمعزل عن الاستعداد الوراثي، والدعم الاجتماعي، والسمات المزاجية، بل يتشابك في منظومة تفاعلية شرطية وغير خطية. وفر نموذج CART إطاراً إبستمولوجياً جديداً ينظر إلى الظاهرة النفسية كشجرة قرارات متفرعة تعتمد فيها دلالة أي متغير على السياق الذي تحدده المتغيرات السابقة في مسار التشعب.
مع تصاعد الثورة المعلوماتية وتراكم البيانات الضخمة (Big Data) في بحوث التصوير العصبي، والجينوم السلوكي، والسجلات الصحية الإلكترونية، شهد تحليل CART نهضة استثنائية في مطلع الألفية الثالثة. لم يعد النموذج مجرد تقنية إحصائية هامشية، بل تحول إلى ركيزة أساسية فيما يُعرف بـ "الطب النفسي الدقيق" (Precision Psychiatry) وعلم النفس الحسابي (Computational Psychology). لقد أتاح هذا التطور للباحثين الانتقال من مستوى التعميمات الإحصائية الواسعة على مستوى العينة ككل إلى مستوى التفصيل التشخيصي الذي يحدد بروفايلات دقيقة للمرضى تسترشد بها بروتوكولات التدخل العلاجي المصممة خصيصاً وفق سمات الفرد.
الأسس المنهجية والرياضية لخوارزمية CART
تعتمد خوارزمية CART على مبدأ رياضي محوري يُعرف باسم "التجزئة الثنائية التكرارية" (Recursive Binary Partitioning). تبدأ العملية عند العقدة الجذرية (Root Node)، والتي تضم العينة الكلية للمفحوصين، حيث يقوم النظام بفحص جميع المتغيرات التنبؤية المتاحة وجميع نقاط القطع الممكنة لكل متغير لاختيار التقسيم الأمثل الذي يفصل البيانات إلى مجموعتين فرعيتين (عقدتين وليدتين). تتكرر هذه العملية التجزئية باستمرار على كل عقدة فرعية بصورة مستقلة، مما يؤدي إلى توليد هيكل شجري متسلسل يتعمق تدريجياً حتى يتم الوصول إلى معايير توقف محددة سلفاً أو الوصول إلى العقد النهائية التي تسمى الأوراق (Terminal Leaves).
تختلف معايير المفاضلة الرياضية لاختيار أفضل تجزئة بحسب طبيعة المتغير التابع المستهدف؛ ففي حالات "أشجار التصنيف"، حيث يكون المتغير التابع فئوياً (مثل: وجود اضطراب ما بعد الصدمة مقابل غيابه)، تستخدم الخوارزمية في المقام الأول "مؤشر جيني لعدم النقاء" (Gini Impurity Index) أو إنتروبيا المعلومات (Entropy). يقيس مؤشر جيني درجة التجانس داخل العقدة؛ حيث تهدف الخوارزمية في كل خطوة إلى تقليل عدم النقاء إلى أقصى حد ممكن وصولاً إلى عقد فرعية نقية تماماً تحتوي فقط على أفراد ينتمون إلى فئة تشخيصية واحدة. يُحسب مؤشر جيني للعقدة عبر طرح مجموع مربعات الاحتمالات النسبية لكل فئة من الرقم واحد، مما يضمن رياضياً تفضيل التقسيمات التي تفرز مجموعات متمايزة بوضوح.
أما في سياق "أشجار الانحدار"، حيث يكون المتغير التابع كمياً متصلاً (مثل: درجات حدة القلق المقاسة بمقياس بيك، أو زمن الرجع في المهام المعرفية)، فإن الخوارزمية تعتمد على تقليل "مجموع مربعات الخطأ" (Sum of Squared Errors – SSE) أو التباين داخل العقد. تبحث الخوارزمية هنا عن المتغير التنبؤي ونقطة القطع التي تنتج عنها مجموعتان تكون فيهما القيم الملاحظة أقرب ما يمكن إلى المتوسط الحسابي لكل مجموعة فرعية. يتمثل الناتج النهائي في شجرة انحدار تقدم تنبؤاً رقمياً محدداً عند كل ورقة نهائية يمثل المتوسط الحسابي للمفحوصين المصنفين داخل تلك الورقة، مما يوفر تقديراً كمياً دقيقاً ومقترناً بمسار تحليلي مفسر بصرياً بالكامل.
المعادلات الحاكمة لاختيار الانقسام
تتم نمذجة تقليل عدم النقاء رياضياً من خلال حساب التغير في مقياس الشوائب ($\Delta I$) عند تقسيم العقدة ($t$) إلى عقدة يسرى ($t_L$) وعقدة يمنى ($t_R$). يتم صياغة ذلك وفق المعادلة التالية:
$$\Delta I(s, t) = I(t) – [P(t_L) \cdot I(t_L) + P(t_R) \cdot I(t_R)]$$
حيث يمثل $s$ الانقسام المرشح، و$I(t)$ مقياس عدم النقاء للعقدة الأصلية، و$P(t_L)$ و$P(t_R)$ النسبة الاحتمالية لأفراد العينة المتجهين نحو الفرعين الأيسر والأيمن على التوالي. يسعى التحليل إلى العثور على المتغير $X$ ونقطة القطع $c$ التي تجعل قيمة $\Delta I$ عند أقصاها المطلق، وهو ما يضمن استخلاص أقصى قدر من المعلومات الإكلينيكية من كل انقسام يتم اعتماده في المسار الهيكلي للشجرة.
أشجار التصنيف مقابل أشجار الانحدار في التشخيص النفسي
تتفرع منهجية CART إلى مسارين متكاملين يتطابقان مع الطبيعة المزدوجة للبيانات والقياسات النفسية: التصنيف النوعي والتقدير الكمي. تلعب أشجار القرار التصنيفية دوراً محورياً في الفحص التشخيصي الطبقي، حيث يتم توظيفها لحل معضلات التصنيف الفئوي للأمراض وفق المعايير الدولية كالدليل التشخيصي والإحصائي للاضطرابات النفسية (DSM-5). في هذا النطاق، يكون الهدف هو الإجابة عن أسئلة تقييمية حاسمة مثل: "هل المريض معرض لخطر الانتكاس الإدماني أم لا؟" أو "هل يُصنف هذا الطفل ضمن طيف التوحد أم اضطراب التواصل الاجتماعي؟". تبرز قوة أشجار التصنيف هنا في إبراز التسلسل الهرمي للأعراض التشخيصية الأكثر وزناً وحسماً في الفصل بين الفئات الإكلينيكية.
من جانب آخر، تبرز أشجار الانحدار كأداة لا غنى عنها عندما يتعلق التقييم النفسي بمتغيرات متصلة وأبعاد نفسية مستمرة لا يمكن حصرها في خانات قطعية دون فقدان معلومات إحصائية جوهرية. يُستخدم هذا المسار في تقدير مسارات التغير السيكولوجي، مثل التنبؤ بمعدل استجابة المريض لجلسات العلاج السلوكي المعرفي (CBT) عبر التنبؤ بانخفاض درجات مقياس ييل-براون للوسواس القهري (Y-BOCS). كما تُطبق في بحوث علم النفس العصبي لتقدير مستويات التدهور المعرفي لدى كبار السن بناءً على المؤشرات الحيوية، والأداء على اختبارات الذاكرة، والمتغيرات الديموغرافية والاجتماعية المتداخلة.
إن التكامل المنهجي بين النمطين يتيح للباحث النفسي مرونة استثنائية؛ فالباحث لا يقتصر على تحديد مآل الحالة فحسب، بل يمكنه دمج الأسلوبين لتحديد "العتبات الحرجة" (Thresholds). فعلى سبيل المثال، قد تكشف شجرة الانحدار أن الانخفاض في كفاءة النوم لما دون 5.5 ساعات يرتبط بقفزة حادة في درجات الاكتئاب، لتقوم شجرة التصنيف تالياً باستخدام هذه العتبة كمعيار لتحديد الفئات المعرضة لخطر الانتحار، مما يثري الفهم الإكلينيكي ويعزز موثوقية القرارات العلاجية المتخذة.
إشكالية فرط التخصيص واستراتيجيات التقليم (Pruning)
من التحديات البنيوية الكبرى في تطبيق خوارزمية CART ظاهرة "فرط التخصيص" (Overfitting)، حيث تستمر الخوارزمية في تقسيم العينة استجابة لأدق الفروق العشوائية والضوضاء الإحصائية في بيانات العينة الأصلية، مما ينتج شجرة بالغة التعقيد والضخامة ذات فروع مجهرية تنطبق تماماً على بيانات العينة التدريبية ولكنها تفشل بشكل ذريع في التعميم على عينات سريرية جديدة ومستقلة. في البحوث السيكولوجية، يؤدي فرط التخصيص إلى استنتاج علاقات وهمية لا تمثل ديناميات نفسية حقيقية، بل تعكس مجرد تقلبات قياسية عارضة في العينة موضع الدراسة.
لمواجهة هذه المعضلة الحسابية، ابتكر بريمان وزملاؤه تقنية متقدمة تُعرف بـ "تقليم التكلفة والتعقيد" (Cost-Complexity Pruning)، والتي تعتمد على تنمية الشجرة في البداية إلى حجمها الأقصى، ثم إخضاعها لعملية تقليم استرجاعية منتظمة لإزالة الفروع والعقد التي تقدم فائدة تنبؤية هامشية لا تبرر تعقيد الشجرة. تُدار هذه العملية عبر دالة رياضية توازن بين خطأ إعادة التقدير وعدد العقد النهائية، من خلال إدخال معامل تعقيد يرمز له بالحرف الإغريقي ألفا ($lpha$). يُعاقب هذا المعامل الشجرة بناءً على حجمها، مما يحفز النموذج على الاحتفاظ بالبنية الأكثر إيجازاً وتفسيرية.
تُعد استراتيجية "التحقق المتقاطع" (Cross-Validation)، وتحديداً التحقق المتقاطع لعشرة أضعاف (10-Fold Cross-Validation)، المعيار الذهبي لتحديد قيمة $lpha$ المثلى في الدراسات النفسية. يتم عبر هذه الآلية تقسيم العينة عشوائياً إلى عشرة أجزاء متساوية، حيث تُدرَّب الشجرة على تسعة أجزاء وتُختبر على الجزء العاشر المتبقي بالتناوب، مما يسمح بحساب معدل الخطأ في التعميم بدقة متناهية. إن اختيار الشجرة المقلمة التي تحقق أقل خطأ تحقق متقاطع، أو تلك التي تقع ضمن مجال خطأ معياري واحد من الشجرة المثلى (قاعدة 1-SE)، يضمن توازناً رفيعاً بين التفسير النفسي البسيط والدقة الإحصائية العالية القابلة للتعميم الإكلينيكي.
معالجة البيانات المفقودة والانقسامات البديلة (Surrogate Splits)
تشكل معضلة "البيانات المفقودة" (Missing Data) تحدياً مزمناً في البحوث النفسية والمسوح الميدانية؛ إذ نادراً ما تكتمل استجابات المفحوصين على مقاييس الشخصية الطويلة، أو سجلات المتابعة الطولية، أو الاستبيانات الحساسة التي تتناول السلوك الانتحاري أو تعاطي المواد المخدرة. في حين تلجأ النماذج الإحصائية التقليدية مثل تحليل الانحدار المتعدد إلى الحذف الكلي للحالات التي تحتوي على قيم مفقودة (Listwise Deletion)—وهو إجراء ينطوي على هدر إحصائي جسيم وتحيز في النتائج—يقدم نموذج CART حلاً منهجياً أنيقاً ومتفرداً يعرف باسم "الانقسامات البديلة" (Surrogate Splits).
تعتمد تقنية الانقسامات البديلة على استغلال الترابطات والتشابهات الكامنة بين المتغيرات التنبؤية المختلفة داخل مصفوفة البيانات. فعندما يتم اختيار متغير نفسي رئيسي لتنفيذ عملية التجزئة عند عقدة معينة (مثل: درجة التعبير عن الغضب)، وتبين أن بعض المفحوصين تنقصهم هذه الدرجة، لا تقوم الخوارزمية باستبعادهم من التحليل، بل تبحث بدلاً من ذلك عن المتغير التنبؤي التالي الأكثر ارتباطاً بالانقسام الأصلي (مثل: درجة الاندفاعية أو العدوانية اللفظية) وتستخدمه كبديل مؤقت لتوجيه أولئك المفحوصين إلى الفرع المناسب داخل الشجرة.
تتميز الانقسامات البديلة بقدرتها على استرجاع أكبر قدر ممكن من القوة الإحصائية الكامنة في بيانات العينة دون الحاجة إلى اللجوء إلى خوارزميات التعويض الرياضي المصطنع (Imputation) التي قد تشوه العلاقات النفسية التحتية. يتيح ذلك للباحث النفسي الحفاظ على تمثيل الفئات الإكلينيكية الهشة التي غالباً ما تتسم بارتفاع معدلات التغيب أو الامتناع عن ملء بنود الاستبيانات، مما يجعل مخرجات CART ذات اعتمادية وموثوقية بالغة في البيئات السريرية الواقعية المشبعة بالفوضى المعلوماتية وتفاوت الاستجابات.
التطبيقات الإكلينيكية والتشخيصية لنموذج CART في علم النفس
أثبت تحليل CART كفاءة سريرية استثنائية في تقييم وإدارة المخاطر السيكولوجية الحرجة، وفي مقدمتها تقييم مخاطر السلوك الانتحاري وإيذاء الذات. تتميز الظاهرة الانتحارية بتعددية مساراتها وغموض تفاعلاتها العواملية؛ حيث لا يعمل اليأس، أو اضطرابات النوم، أو الصدمات الحياتية، أو تعاطي الكحول كأسباب منفردة، بل تتكامل في متواليات شرطية معقدة. يتيح نموذج CART رسم خرائط مسارية دقيقة تُمكّن الطبيب النفسي في أقسام الطوارئ من فرز المرضى وتصنيفهم فورياً بناءً على سلسلة من الأسئلة الثنائية السريعة والحاسمة، وتحديد العتبات الحرجة التي ترفع احتمالية الإقدام على الانتحار إلى مستويات تستوجب الحجز الإلزامي.
وفي مجال الطب النفسي الدوائي والعلاج النفسي، يوفر CART أداة قوية لبناء "خوارزميات القرار العلاجي التكيفي" (Adaptive Treatment Strategies). يستطيع المعالجون استكشاف البروفايلات النفسية للمرضى الذين لا يستجيبون للعلاج الدوائي المعتاد (مثل مضادات الاكتئاب ثلاثية الحلقات أو مثبطات استرداد السيروتونين الانتقائية)، وتحديد المتغيرات العصبية والنفسية التي ترجح استفادتهم القصوى من التدخلات البديلة كالعلاج المعرفي القائم على التعقل (Mindfulness-Based CBT) أو التحفيز المغناطيسي عبر الجمجمة (TMS)، مما يقود إلى ترشيد الوقت والجهد وتجنيب المريض المعاناة الناجمة عن فترات التجربة والخطأ العلاجية الطويلة.
يمتد التطبيق أيضاً إلى علم نفس الشخصية وعلم النفس المدرسي والنمائي؛ إذ يساعد CART في تفكيك التباين المعقد في صعوبات التعلم واضطراب نقص الانتباه مع فرط النشاط (ADHD). يسمح التحليل بعزل التفاعلات المتشابكة بين كفاءة الذاكرة العاملة، والمناخ الأسري، والمؤشرات الاجتماعية الاقتصادية، وتحديد أي من هذه العوامل يمثل "نقطة التحول" (Tipping Point) التي ينتقل عندها الطفل من مجرد التأخر الدراسي الطفيف إلى التعثر الأكاديمي الحاد والمزمن، مما يتيح بناء استراتيجيات تدخل استباقية وموجهة بدقة في البيئة المدرسية والمنزلية.
مقارنة تحليل CART بالنماذج الإحصائية البارامترية التقليدية
يكتسي تحليل CART قيمة منهجية فارقة عند مقارنته بالنماذج الإحصائية التقليدية المعيارية مثل الانحدار اللوجستي (Logistic Regression) ونمذجة المعادلات البنائية (SEM). تستند النماذج البارامترية التقليدية إلى فرضية العلاقة الخطية الإضافية (Linear Additivity)، وتفترض أن للمتغير وزناً ثابتاً ومستقلاً في تفسير التباين، كما تشترط غياب الارتباط المتعدد، وتماثل التباين، والتوزيع السوي للمتغيرات؛ وهي شروط مثالية يصعب تحقيقها في الواقع النفسي والسلوكي المضطرب. يوضح الجدول المفاهيمي التالي أبرز الفروق الجوهرية بين الأسلوبين:
- طبيعة العلاقات المفترضة: تفترض النماذج الخطية التقليدية علاقات متدرجة ومستقيمة وتأثيرات تراكمية، في حين يمتلك CART قدرة طبيعية على رصد العلاقات اللاخطية والمنحنية والتأثيرات العتبية المعقدة دون أي حاجة للتحويل الحسابي للمتغيرات.
- التفاعلات بين المتغيرات: تتطلب النماذج التقليدية من الباحث تحديد التفاعلات المطلوب اختبارها يدوياً وسلفاً قبل التحليل (مما يولد مشاكل تضخم الخطأ الإحصائي وفقدان درجات الحرية)، بينما يكتشف CART التفاعلات التلقائية عالية الرتبة ذاتياً عبر التسلسل الهرمي للفروع الشجرية.
- الحساسية للقيم الشاذة: تتأثر النماذج التقليدية بصورة حادة بالقيم المتطرفة والشاذة مما يغير مسار خطوط الانحدار ومعاملات المسار، بينما يتسم CART بمناعة فائقة ضد القيم المتطرفة في المتغيرات المستقلة لأن القرارات تستند إلى الرتب ونقاط القطع الفاصلة فقط وليس إلى المقادير المطلقة للقيم.
- التفسيرية والشفافية البصرية: تقدم النماذج البارامترية مخرجات في صورة معاملات بيتا (Beta weights) ونسب أرجحية مجردة يصعب تأويلها مباشرة من قبل الكوادر الإكلينيكية غير الإحصائية، في المقابل يقدم CART رسماً بيانياً تشجيرياً واضحاً يشبه مخططات التدفق التشخيصية السهلة القراءة والاستيعاب الفوري.
ومع ذلك، لا يلغي CART دور النماذج التقليدية، بل يكملها؛ فالنماذج البارامترية تتفوق بشكل ملحوظ عندما تكون العلاقات الظاهراتية خطية بالفعل ومستمرة دون وجود تأثيرات عتبية واضحة، حيث يكون الانحدار الخطي أو اللوجستي أكثر كفاءة وقوة إحصائية في تقدير المعالم بدقة متناهية مقارنة بتقطيع المتغيرات إلى فئات ثنائية متتالية كما تفعل الخوارزميات التشجيرية.
المزايا المنهجية والتحديات الإحصائية في القياس النفسي
من أبرز المزايا المنهجية لتحليل CART في مجال القياس النفسي هي الشفافية المعرفية ونموذج الصندوق الأبيض (White-Box Model) الذي يقدمه، بخلاف خوارزميات الذكاء الاصطناعي شديدة التعقيد مثل الشبكات العصبية الاصطناعية العميقة التي تعمل كـ "صناديق سوداء" مبهمة يستحيل تتبع منطقها التنبؤي إكلينيكياً وأخلاقياً. تمنح أشجار CART المعالج النفسي مبرراً سببياً وتشخيصياً قابلاً للدفاع والمراجعة المنطقية لكل قرار تصنيفي يصدر عن الشجرة، وهو ما يتوافق بشكل تام مع المعايير الأخلاقية المنظمة للممارسة النفسية السريرية المعاصرة.
إضافة إلى ذلك، يتميز CART بقدرته على إدارة الأبعاد العالية والتعامل مع حالات يكون فيها عدد المتغيرات التنبؤية أكبر بكثير من عدد المشاركين في العينة، وهو سيناريو بات مألوفاً في أبحاث الجينوم العصبي وعلم النفس الحيوي. كما تتيح تقنيات الانقسام الثنائي تصنيف المتغيرات ذات المقاييس الاسمية، والترتيبية، والفاصلة، والنسبية جنباً إلى جنب دون الحاجة إلى توحيد المقاييس أو تطبيع درجاتها (Standardization/Normalization)، مما يحافظ على المعنى الإكلينيكي الأصلي لأدوات القياس النفسية المستخدمة.
على الجانب الآخر، تبرز قيود إحصائية حاسمة يجب أخذها بعين الاعتبار عند استخدام هذه المنهجية في البحوث السيكولوجية:
- عدم الاستقرار الهيكلي (Instability/High Variance): تعتبر أشجار القرار الفردية خوارزميات غير مستقرة إحصائياً؛ إذ إن إحداث تغيير طفيف للغاية في عينة البيانات التدريبية قد يقود إلى اختيار متغير انقسام مختلف تماماً عند العقدة الجذرية، مما يؤدي إلى إعادة تشكيل الهيكل العام للشجرة بالكامل وظهور مسارات تشخيصية مغايرة ظاهرياً.
- القصور في رصد التفاعلات الخطية البسيطة: إذا كانت العلاقة الفعلية بين المتغير النفسي والنتيجة الإكلينيكية علاقة خطية ناعمة، يضطر نموذج CART إلى تقسيم المتغير إلى خطوات ثنائية متعددة (Step-wise Approximation)، مما يشوه الطبيعة المتصلة للسمة النفسية ويهدر جزءاً من التباين التفسيري.
- التحيز نحو المتغيرات متعددة المستويات: يميل مؤشر جيني ومعايير التجزئة الحسابية تلقائياً إلى تفضيل المتغيرات التي تمتلك عدداً كبيراً من الفئات أو المتغيرات المتصلة التي تتيح نقاط قطع احتمالية لا نهائية، وذلك على حساب المتغيرات الثنائية (مثل الجنس)، مما يستدعي توخي الحذر عند تفسير الأهمية النسبية للمتغيرات.
التطورات الامتدادية: من الشجرة الفردية إلى غابات القرار والنماذج التجميعية
لتجاوز مشكلة عدم الاستقرار الإحصائي والتباين العالي التي تعاني منها أشجار CART المنفردة، شهدت المنهجية طفرة ارتقائية حاسمة عبر تطوير "نماذج التعلم التجميعي" (Ensemble Learning Methods). قاد ليو بريمان هذا التحول مرة أخرى في عام 2001 عندما ابتكر خوارزمية "الغابات العشوائية" (Random Forests)، والتي تقوم على توليد مئات أو آلاف من أشجار CART المستقلة، حيث يتم تدريب كل شجرة على عينة فرعية مستنسخة عشوائياً بأسلوب الاستبدال (Bootstrapping)، مع تقييد المتغيرات المتاحة عند كل عقدة بمجموعة فرعية عشوائية أيضاً من المتغيرات الكلية.
تُدمج بعد ذلك التنبؤات الصادرة عن جميع الأشجار التابعة للغابة عبر آلية "التصويت الأغلبي" (Majority Voting) في مهام التصنيف، أو "المتوسط الحسابي" في مهام الانحدار. أدى هذا الإجراء التجميعي إلى خفض التباين التنبؤي بشكل هائل دون زيادة التحيز الإحصائي، مما جعل الغابات العشوائية تحقق مستويات فائقة ودقيقة جداً في التنبؤ بالسلوكيات البشرية المعقدة، مثل الكشف المبكر عن احتمالات التراجع المعرفي لدى مرضى الزهايمر بدقة تتجاوز النماذج الفردية بمراحل.
وعلى الرغم من أن هذه النماذج التجميعية المتقدمة (مثل Gradient Boosting Machines و XGBoost المعتمدة أساساً على أشجار الانحدار التكرارية) تتفوق عددياً في القدرة التنبؤية الصرفة، إلا أنها تعود لتضحي بجزء كبير من ميزة "التفسيرية البصرية المباشرة" التي تميز شجرة CART الكلاسيكية الواحدة. ولهذا السبب، تتبنى الأدبيات المنهجية المعاصرة في القياس والتقييم النفسي توجهاً هجيناً؛ حيث تُستخدم النماذج التجميعية للتحقق من أقصى قدرة تنبؤية ممكنة واستخراج "أوزان أهمية المتغيرات" (Variable Importance Metrics)، بينما يُعاد استخدام شجرة CART المقلمة بعناية كواجهة تخطيطية مرئية تُعرض على المعالج النفسي في الميدان لتسهيل التطبيق الإكلينيكي المباشر والآمن.
الخلاصة والآفاق المستقبلية في السيكولوجيا الحسابية
يمثل تحليل أشجار التصنيف والانحدار (CART) تحولاً ابستمولوجياً ومنهجياً عميقاً في دراسة الظواهر السلوكية والاضطرابات العقلية والنفسية، ناقلاً إياها من القيود الصارمة للافتراضات الخطية الكلاسيكية إلى رحابة النمذجة المرنة المتوافقة مع التعقيد الإنساني. إن قدرة هذا الأسلوب على معالجة البيانات غير المتجانسة، ورصد التفاعلات غير الخطية الحرجة، وتجاوز مشكلات البيانات المفقودة، فضلاً عن تميزه بالوضوح البصري المماثل لمنطق التفكير الإكلينيكي الطبيعي، يجعله ركيزة لا غنى عنها في القياس النفسي والتشخيص السريري المعاصر.
ومع تسارع التحول الرقمي وظهور منصات التدخل النفسي القائمة على الهواتف الذكية وأجهزة الاستشعار القابلة للارتداء (Ecological Momentary Assessment)، تبرز أشجار CART كأداة برمجية مثالية لبناء أنظمة دعم القرار الإكلينيكي في الوقت الحقيقي (Real-Time Clinical Decision Support Systems). إن الإلمام المنهجي العميق بأسس هذه الخوارزمية، وموازين تقليمها، ونقاط قوتها ومكامن قصورها، يُعد ضرورة أكاديمية وتطبيقية للباحثين والممارسين النفسيين الراغبين في المساهمة الفاعلة في صياغة مستقبل الطب النفسي الدقيق والارتقاء بجودة التدخلات العلاجية المتمحورة حول الفرد.
المراجع
- Breiman, L., Friedman, J., Olshen, R., & Stone, C. (1984). Classification and Regression Trees. Chapman and Hall/CRC. https://doi.org/10.1201/9781315139470
- Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5-32. https://doi.org/10.1023/A:1010933404324
- Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer. https://doi.org/10.1007/978-0-387-84858-7
- Kuhn, M., & Johnson, K. (2013). Applied Predictive Modeling. Springer. https://doi.org/10.1007/978-1-4614-6849-3
- McArdle, J. J. (2012). Exploratory data mining using recursive partitioning. International Journal of Behavioral Development, 36(2), 158-161. https://doi.org/10.1177/0165025411427142
- Strobl, C., Malley, J., & Tutz, G. (2009). An introduction to recursive partitioning: Rationale, application, and characteristics of classification and regression trees, bagging, and random forests. Psychological Methods, 14(4), 323-348. https://doi.org/10.1037/a0016973
- van der Gaag, M., van den Berg, D., & Ising, H. (2019). Predictive modeling in psychiatric risk assessment using decision trees: Current status and future directions. Schizophrenia Research, 208, 12-19. https://doi.org/10.1016/j.schres.2019.03.015
- Wilkinson, L., & Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54(8), 594-604. https://doi.org/10.1037/0003-066X.54.8.594