د كوهين: التعريف، الاستخدام والأمثلة

تُعد مسألة قياس الظواهر وتحديد الفروق بدقة حجر الزاوية في العلوم الإنسانية، السلوكية، والطبية الحيوية. لعقود طويلة، انحصر التقييم الإحصائي للنتائج التجريبية في إطار اختبار الفرضية الصفرية (Null Hypothesis Significance Testing – NHST) والاعتماد شبه المطلق على القيمة الاحتمالية (p-value). ومع ذلك، كشفت الممارسة العلمية الرصينة أن الوصول إلى دلالة إحصائية (مثل $p < 0.05$) لا يخبر الباحث بأي شيء عن الحجم الفعلي للفارق أو القيمة التطبيقية للظاهرة المدروسة، بل يشير فقط إلى احتمالية أن تكون البيانات المرصودة قد نشأت بمحض الصدفة في ظل فرضية العدم. من هنا برزت الحاجة الماسة إلى مقاييس كمية تعبر عن جوهر التأثير وقوته بصرف النظر عن حجم العينة المستخدمة في الاختبار.

يمثل معامل د كوهين (Cohen’s d) أحد أبرز وأشهر مقاييس حجم الأثر القياسية (Standardized Effect Size) في الإحصاء الاستدلالي. يُنسب هذا المعامل إلى عالم الإحصاء والقياس النفسي الأمريكي جاكوب كوهين (Jacob Cohen)، الذي وضع أسسه النظرية والتطبيقية لتمكين الباحثين من قياس المسافة المعيارية بين متوسطات المجموعات بوحدات الانحراف المعياري. يتيح هذا المقياس للعلماء تجاوز القيود المفروضة باختلاف وحدات القياس الأصلية للأدوات والمقاييس النفسية، مما يجعل المقارنة المباشرة بين الدراسات المتنوعة أمراً ممكناً، ويوفر قاعدة صلبة لتحليلات التراكم المعرفي والتحليل التلوي (Meta-Analysis).

يهدف هذا المقال الأكاديمي الشامل إلى استعراض معامل د كوهين بعمق استثنائي وتفصيل منهجي، بدءاً من خلفيته التاريخية وسياقه الفلسفي ضمن حركة إصلاح الممارسات البحثية، مروراً بصيغه الرياضية والإحصائية في مختلف التصاميم التجريبية، وطرائق تفسيره واشتقاق فترات الثقة غير المركزية له، وصولاً إلى تطبيقاته العملية في برمجيات التحليل الإحصائي الحديثة ومقارنته بالمقاييس البديلة. يقدم المقال دليلاً مرجعياً متكاملاً للباحثين والأكاديميين وطلاب الدراسات العليا لضمان تطبيق وتفسير هذا المقياس وفق أعلى معايير الجودة والشفافية العلمية.

1. مقدمة شاملة حول حجم الأثر الإحصائي ومفهوم د كوهين (Cohen’s d)

1.1 الخلفية التاريخية لنشأة معامل د كوهين وتطوره

شهد النصف الثاني من القرن العشرين مراجعات نقدية حادة للمنهجيات الإحصائية المتبعة في العلوم السلوكية والاجتماعية. برز اسم العالم جاكوب كوهين (Jacob Cohen) كواحد من رواد القياس النفسي الذين أدركوا مبكراً مكامن الخلل في الممارسة البحثية السائدة. في حقبتي الستينيات والسبعينيات، لاحظ كوهين أن المجتمع العلمي غرق في ما أسماه لاحقاً بـ “عبادة القيمة الاحتمالية”؛ حيث كان الباحثون يعتبرون الوصول إلى قيمة احتمالية أقل من 0.05 بمثابة صك براءة لفرضياتهم، متجاهلين حقيقة رياضية بديهية: وهي أن أي فارق تافه بين مجموعتين يمكن أن يصبح ذا دلالة إحصائية إذا ما زاد حجم العينة بدرجة كافية.

في كتابه التأسيسي الرائد Statistical Power Analysis for the Behavioral Sciences المنشور في طبعته الأولى عام 1969 ثم طبعته الموسعة عام 1988، صاغ كوهين مفاهيم قوة الاختبار الإحصائي وحجم الأثر بطريقة متكاملة. رأى كوهين أن العلم لا يتقدم بمجرد إثبات أن الفارق “لا يساوي صفراً”، بل يتطور من خلال قياس “كم يبلغ هذا الفارق” وتحديد مقداره العيادي أو التربوي أو السلوكي. مثّل هذا الطرح ثورة هادئة حوّلت التركيز من مجرد رفض الفرضية الصفرية إلى الاستدلال القائم على قوة العلاقة وتقدير الحجم الفعلي للتباين المفسر والفروق بين المجموعات.

امتد تأثير إسهامات كوهين ليشمل كافة فروع العلوم الإنسانية والبيولوجية، حيث وفر إطاراً موحداً سمح للباحثين بتخطيط دراساتهم وتحديد أحجام العينات مسبقاً بناءً على الحجم المتوقع للأثر المطلوب كشفه، مما أسهم في بناء علم تراكمي يعتمد على المقارنات المعيارية المباشرة.

1.2 المفهوم الأساسي لد كوهين كمعيار قياسي موحد

يُعرف معامل د كوهين (Cohen’s d) رياضياً ومفهومياً بأنه مقياس معياري يعبر عن الفرق بين متوسطي مجموعتين مستقلتين (أو قياسين مترابطين) مقسوماً على الانحراف المعياري المجمع للبيانات. يكمن جوهر هذا المفهوم في تحويل الفروق الخام، المقاسة بوحدات قد تختلف من دراسة لأخرى (مثل درجات اختبار ذكاء، أو ميليمترات زئبقية لقياس ضغط الدم، أو نقاط على مقياس ليكرت للاكتئاب)، إلى مقياس لا بعدي (Dimensionless Metric) يعتمد على وحدة الانحراف المعياري المشترك.

تتمثل الفائدة الكبرى لهذا التحويل المعياري في إلغاء قيود وحدات القياس الأصلية؛ فلو افترضنا أن باحثاً طبق برنامجاً علاجياً للاكتئاب باستخدام مقياس بيك (BDI) وحصل على انخفاض قدره 5 درجات، بينما طبق باحث آخر برنامجاً مماثلاً باستخدام مقياس هاملتون (HAM-D) وحصل على انخفاض قدره 3 درجات، فإنه يستحيل المقارنة المباشرة بين الرقمين (5 و 3). غير أنه عند حساب قيمة د كوهين لكلا البرنامجين وتوحيد النتيجة بوحدات الانحراف المعياري، يتضح بدقة أي البرنامجين كان أكثر فاعلية، مما يفتح الباب للمقارنة المنهجية المنضبطة.

علاوة على ذلك، يؤدي د كوهين دوراً محورياً في الفصل التام بين الأهمية الإحصائية (Statistical Significance) والأهمية العملية أو العيادية (Practical Significance). فقد تُظهر دراسة أجريت على 50,000 مريض أن دواءً جديداً يخفض ضغط الدم الانقباضي بمقدار 0.5 ملم زئبق بقيمة احتمالية فائقة الدلالة ($p < 0.0001$)، لكن قيمة د كوهين ستكون بالغة الصغر ($d = 0.04$)، مما يشير إلى أن الفارق تافه من الناحية السريرية ولا يبرر استخدام الدواء الجديد وتكلفته أو أعراضه الجانبية.

1.3 أهمية د كوهين في حركة إصلاح الممارسات البحثية النفسية

في العقد الأول من الألفية الثالثة، اجتاحت العلوم النفسية والطبية ما عُرف بـ أزمة التكرار وإعادة الإنتاج (Replication Crisis)، حيث فشلت محاولات إعادة إنتاج نتائج مئات الدراسات التجريبية الكلاسيكية المنشورة في كبريات الدوريات العلمية. كشفت التحليلات المتعمقة أن السبب الجوهري وراء هذه الأزمة يكمن في الاعتماد على عينات صغيرة ذات قوة إحصائية ضعيفة، مقترنة بممارسات التلاعب بالقيمة الاحتمالية لاصطياد الدلالة الإحصائية (p-hacking).

استجابةً لهذه الأزمة، شكلت جمعية علم النفس الأمريكية (American Psychological Association – APA) فرقة عمل متخصصة في الاستدلال الإحصائي (Task Force on Statistical Inference – TFSI). جاءت توصيات الفرقة قاطعة بضرورة الإبلاغ الإلزامي عن مقاييس حجم الأثر وفترات الثقة المرافقة لها لكل نتيجة إحصائية أساسية، مؤكدة أن القيمة الاحتمالية وحدها لا تكفي للحكم على صحة الفرضيات أو جودة النتائج البحثية.

من جانب آخر، يُعد معامل د كوهين العمود الفقري لمنهجيات التحليل التلوي (Meta-Analysis)؛ فهو المقياس الأساسي الذي يستخدمه الباحثون لتجميع وتلخيص نتائج العشرات أو المئات من الدراسات المستقلة المنشورة حول ظاهرة معينة عبر عقود من الزمن. من خلال حساب د كوهين لكل دراسة، يمكن استخراج “متوسط حجم الأثر الموزون”، مما يتيح التوصل إلى استنتاجات علمية رصينة تتجاوز عيوب الدراسات الفردية وتحسم الجدل القائم حول فاعلية التدخلات السلوكية والعلاجية.

2. التعريف الرياضي والإحصائي لمعامل د كوهين

2.1 الصيغة الرياضية العامة ومكونات المعادلة

تستند المعادلة الجبرية العامة لمعامل د كوهين لمقارنة مجموعتين مستقلتين إلى حساب الفارق بين متوسط العينة الأولى ($M_1$) ومتوسط العينة الثانية ($M_2$)، مقسوماً على التشتت الكلي المشترك بين المجموعتين والمتمثل في الانحراف المعياري المجمع ($SD_{pooled}$). تُكتب المعادلة الرياضية بصيغتها الكلاسيكية على النحو التالي:

$$d = \frac{M_1 – M_2}{SD_{pooled}}$$

يتكون هذا التركيب الرياضي من عنصرين جوهريين:

• البسط ($M_1 – M_2$): يمثل الفرق المطلق أو الاتجاهي بين متوسطي المجموعتين (كالفرق بين المجموعة التجريبية والمجموعة الضابطة). يُعبر هذا الفرق عن المسافة الخطية بين مركزي التوزيعين للبيانات المقاسة.
• المقام ($SD_{pooled}$): يمثل مقياس التشتت المرجعي المشترك الذي تُقاس بناءً عليه تلك المسافة. يعمل هذا المقام كمسطرة قياس معيارية لتحجيم الفارق وتجريده من وحدات القياس الخام الأصلية.

إذا كانت قيمة $d = 1.0$، فهذا يعني رياضياً أن الفرق بين متوسط المجموعة التجريبية ومتوسط المجموعة الضابطة يعادل انحرافاً معيارياً كاملاً واحداً من تشتت الدرجات داخل المجتمع المدروس، مما يشير إلى تباعد جوهري وواضح بين المجموعتين.

2.2 مفهوم الانحراف المعياري المجمع (Pooled Standard Deviation)

يُمثل الانحراف المعياري المجمع ($SD_{pooled}$) الركيزة الحسابية الأكثر دقة في معادلة د كوهين. بما أن المقارنة تجري بين مجموعتين مستقلتين تمتلك كل منهما تبايناً خاصاً بها ($SD_1^2$ و $SD_2^2$)، فإنه لا يصح رياضياً جمع الانحرافين المعياريين أو أخذ متوسطهما الحسابي البسيط، بل يجب حساب “التباين المجمع” كمتوسط موزون بأوزان درجات الحرية لكل عينة، ثم استخراج الجذر التربيعي له.

تُصاغ معادلة الانحراف المعياري المجمع لعينتين مستقلتين على النحو التالي:

$$SD_{pooled} = \sqrt{\frac{(n_1 – 1)SD_1^2 + (n_2 – 1)SD_2^2}{n_1 + n_2 – 2}}$$

حيث تمثل $n_1$ و $n_2$ أحجام العينات في المجموعتين الأولى والثانية على التوالي، بينما تمثل $SD_1^2$ و $SD_2^2$ تباين كل مجموعة، ويمثل المقدار $(n_1 + n_2 – 2)$ مجموع درجات الحرية المشتركة. تفترض هذه المعادلة الإحصائية تحقق شرط تجانس التباين (Homogeneity of Variance)، أي أن التباين في المجتمعين الأصليين متساوٍ تقريباً. في حال انتهاك هذا الفرض بشدة، تبرز معالجات رياضية بديلة سنتطرق إليها لاحقاً.

2.3 الخصائص الإحصائية لمعامل د كوهين

يتميز معامل د كوهين بمجموعة من الخصائص الرياضية والإحصائية الفريدة التي تجعله أداة استدلالية غاية في المرونة والدقة:

• الاتجاهية والقطبية (Directionality): يمكن لمعامل د كوهين أن يتخذ قيماً موجبة أو سالبة تماشياً مع ترتيب طرح المتوسطات في البسط. فإذا كان متوسط المجموعة التجريبية أعلى من الضابطة ($M_E > M_C$) يكون $d$ موجباً، والعكس صحيح. يشير الاتجاه السالب فقط إلى اتجاه التأثير وليس إلى ضعفه أو صغره.
• غياب الحدود الرياضية القصوى (Open-ended Metric): على عكس معاملات الارتباط (مثل بيرسون $r$) التي تنحصر قيمها بدقة بين$-1$ و $+1$، فإن مقياس د كوهين مقياس مفتوح نظرياً من $-\infty$ إلى $+\infty$. ومع ذلك، في التطبيقات السلوكية والنفسية العملية، نادراً ما تتجاوز القيم نطاق $-3.0$ إلى $+3.0$.
• الحساسية للتشتت الداخلي: يتأثر د كوهين بشدة بمقدار التباين الداخلي؛ فحتى لو كان الفرق بين المتوسطين ثابتاً، فإن انخفاض الانحراف المعياري المجمع يؤدي تلقائياً إلى تضخيم قيمة $d$، بينما يؤدي التشتت العالي وغير المنضبط للدرجات إلى خفض قيمة$d$ وتقليص حجم الأثر المرصود.

3. الأسس النظرية والفروق الجوهرية بين الدلالة الإحصائية وحجم الأثر

3.1 مقارنة نقدية بين القيمة الاحتمالية (P-Value) ود كوهين

يكمن التباين الجوهري بين القيمة الاحتمالية ($p$) ومعامل د كوهين ($d$) في طبيعة السؤال العلمي الذي يجيب عنه كل مقياس. تجيب القيمة الاحتمالية عن السؤال التالي: “ما هو احتمال الحصول على بيانات متطرفة بهذا القدر أو أكثر، إذا كانت الفرضية الصفرية صحيحة تماماً؟”. في المقابل، يجيب د كوهين عن سؤال مختلف وأكثر جوهرية: “ما هو الحجم والوزن الفعلي للفارق أو الأثر الملاحظ في العينة بوحدات معيارية؟”.

تتسم القيمة الاحتمالية بحساسية مفرطة لحجم العينة ($N$)؛ إذ تُحسب قيمة الاختبار التائي ($t$) من خلال حاصل ضرب حجم الأثر في الجذر التربيعي لحجم العينة ($t = text{Effect Size} times sqrt{N}$). هذا يعني أنه مع عينة عملاقة تتكون من ملايين المشاهدات، ستكون أصغر الفروق الميكروسكوبية ذات دلالة إحصائية فائقة ($p < 0.001$). في المقابل، يقدم د كوهين تقديراً مستقلاً نسبياً عن حجم العينة لقوة الظاهرة؛ فالفارق التافه سيظل محتفظاً بقيمة$d$ ضئيلة جداً حتى لو بلغت العينة مئات الآلاف.

يقود الخلط بين المفهومين إلى مغالطات بحثية كارثية، حيث يقع بعض الباحثين في فخ افتراض أن قيمة $p = 0.00001$ تعني أن التدخل النفسي أو العلاجي حقق أثراً خارقاً، في حين أن الفحص المعياري لحجم الأثر $d$ قد يكشف أن التأثير ضئيل ولا يستحق التطبيق في الواقع العملي.

3.2 تفسير التداخل بين التوزيعات (Distribution Overlap)

من الناحية الهندسية والتوزيعية، يمثل د كوهين المسافة الفاصلة بين قمتي منحنيين توزيعيين طبيعيين متطابقين في الشكل والتباين. كلما زادت قيمة $d$، ابتعد المنحنيان عن بعضهما وتناقصت مساحة التداخل بين توزيع المجموعة الأولى وتوزيع المجموعة الثانية.

وضع كوهين مفاهيم إحصائية دقيقة لوصف هذا التداخل، عُرفت بمعاملات عدم التداخل (Measures of Non-Overlap):

• مقياس $U_1$: يمثل النسبة المئوية للمساحة الكلية التي يغطيها كلا التوزيعين ولا تتداخل بينهما. عندما تكون $d = 0$، يكون $U_1 = 0%$، وعندما ترتفع $d$ إلى $0.8$، تصبح نسبة عدم التداخل الكلية $47.4%$.
• مقياس $U_3$ (نسبة الأفراد المتفوقين): يمثل النسبة المئوية لأفراد المجموعة التجريبية الذين تتجاوز درجاتهم متوسط المجموعة الضابطة. إذا كانت $d = 0$، فإن $U_3 = 50%$، مما يعني عدم وجود أي ميزة للمجموعة التجريبية. أما إذا بلغت $d = 0.8$، فإن $U_3$ تقفز إلى نحو $79%$، أي أن $79%$ من الأفراد الذين تلقوا التدخل أصبحوا أفضل من متوسط أفراد المجموعة الضابطة.
• احتمالية التفوق (Probability of Superiority – PS): وتُعرف أيضاً بـ Common Language Effect Size (CLES)، وهي احتمالية أن يكون شخص تم اختياره عشوائياً من المجموعة التجريبية ذا درجة أعلى من شخص تم اختياره عشوائياً من المجموعة الضابطة. عندما تبلغ $d = 0.5$، تصبح هذه الاحتمالية حوالي $64%$.

3.3 تحليل القوة الإحصائية (Power Analysis) وعلاقته بد كوهين

ترتبط القوة الإحصائية للاختبار ($1 – beta$) بعلاقة رياضية وثيقة لا تنفصم بحجم الأثر$d$. تُعرف القوة الإحصائية بأنها احتمالية رفض الفرضية الصفرية بنجاح عندما تكون خاطئة بالفعل في الواقع (أي القدرة على اكتشاف الأثر الحقيقي الموجود وتجنب الخطأ من النوع الثاني Type II Error).

تتفاعل أربعة متغيرات رياضية في معادلة القوة الإحصائية:

1. مستوى الدلالة المقبول ($\alpha$).
2. قوة الاختبار المطلوبة ($1 – beta$) والتي يُحدد المعيار المقبول لها غالباً بـ $0.80$ أو $80%$.
3. حجم العينة الكلي ($N$).
4. حجم الأثر المتوقع ($d$).

لا يمكن إجراء تحليل القوة الإحصائية القبلي (A Priori Power Analysis) لتحديد حجم العينة المطلوب للدراسة دون افتراض قيمة تقديرية لمعامل د كوهين مستمدة من الأدبيات السابقة أو الدراسات الاستطلاعية. إذا كان حجم الأثر المتوقع صغيراً ($d = 0.2$)، فإن الباحث يحتاج إلى عينة ضخمة تقارب 788 مشاركاً لاكتشافه بقوة 80%، بينما إذا كان الأثر كبيراً ($d = 0.8$)، تكفي عينة صغيرة قوامها 52 مشاركاً فقط للوصول إلى نفس القوة الإحصائية. يؤدي تجاهل تقدير د كوهين مسبقاً إلى إجراء دراسات ضعيفة القوة (Underpowered Studies) محكوم عليها مسبقاً بالفشل في رصد الظواهر الحقيقية.

4. طرق ومعادلات حساب د كوهين في التصاميم البحثية المختلفة

4.1 حساب د كوهين للعينات المستقلة (Independent Samples)

في تصاميم المجموعات المستقلة بين الأفراد (Between-Subjects Designs)، يقارن الباحث بين مجموعتين منفصلتين تماماً من المشاركين. يعتمد شكل المعادلة الحسابية على مدى تساوي أحجام المجموعتين:

أولاً: حالة تساوي أحجام العينات ($n_1 = n_2$):
عندما يتساوى عدد المشاركين في المجموعتين، تتبسط معادلة الانحراف المعياري المجمع لتصبح الجذر التربيعي لمتوسط التباينين البسيط:

$$SD_{pooled} = \sqrt{\frac{SD_1^2 + SD_2^2}{2}}$$

ومن ثم تُحسب قيمة $d$ مباشرة بقسمة الفرق بين المتوسطين على هذا الانحراف الناتج.

ثانياً: حالة عدم تساوي أحجام العينات ($n_1 \neq n_2$):
عندما تختلف أحجام المجموعات، يجب استخدام المعادلة العامة الموزونة بدرجات الحرية كما وضحناها سابقاً لمنع العينة الأكبر أو الأصغر من تشويه تقدير التشتت المشترك:

$$SD_{pooled} = \sqrt{\frac{(n_1 – 1)SD_1^2 + (n_2 – 1)SD_2^2}{n_1 + n_2 – 2}}$$

يتطلب التطبيق السليم لهذه المعادلات التحقق المسبق من التوزيع الطبيعي للبيانات وتجانس التباين عبر اختبار ليفين (Levene’s Test)؛ حيث يضمن تحقق هذه الفروض أن $SD_{pooled}$ يمثل بأمانة تشتت البيانات في المجتمع الأصلي.

4.2 حساب د كوهين لتصاميم القياسات المتكررة والعينات المترابطة (Paired Samples)

يثير حساب حجم الأثر في تصاميم القياسات المتكررة (Within-Subjects or Repeated Measures Designs)، كالتي تقيس أداء المشاركين قبل التدخل وبعده (Pre-test vs Post-test)، جدلاً منهجياً مهماً حول الانحراف المعياري الواجب اعتماده في المقام. هناك طريقتان رئيسيتان لمعالجة هذه التصاميم:

1. معامل د كوهين القائم على درجات الفروق ($Cohen’s d_z$):
يُحسب بقسمة متوسط الفروق الفردية بين القياسين ($\bar{D}$) على الانحراف المعياري لتلك الفروق ($SD_{diff}$):

$$d_z = \frac{\bar{D}}{SD_{diff}} = \frac{M_{post} – M_{pre}}{SD_{diff}}$$

يرتبط $d_z$ مباشرة باختبار “ت” للعينات المترابطة ($d_z = \frac{t}{\sqrt{n}}$)، لكن عيبه الأساسي يكمن في أنه يتضخم كلما كان الارتباط ($r$) بين القياس القبلي والبعدي قوياً، مما يجعله غير قابل للمقارنة المباشرة مع أحجام الأثر المستخرجة من العينات المستقلة.

2. معامل د كوهين للقياسات المتكررة المعدل بارتباط القياسين ($Cohen’s d_{rm}$):
لحل مشكلة التضخم وتسهيل المقارنة مع تصاميم العينات المستقلة في أبحاث التحليل التلوي، يُفضل استخدام معادلة تأخذ في الاعتبار معامل ارتباط بيرسون ($r$) بين القياسين القبلي والبعدي والانحراف المعياري المجمع للنقاط الأصلية:

$$d_{rm} = \frac{M_{post} – M_{pre}}{\sqrt{SD_{pre}^2 + SD_{post}^2 – 2 \cdot r \cdot SD_{pre} \cdot SD_{post}}} \times \sqrt{2(1 – r)}$$

كما يمكن الاعتماد على الانحراف المعياري للقياس القبلي فقط كمعيار موحد أساسي ($d = \frac{M_{post} – M_{pre}}{SD_{pre}}$)، وهو أسلوب منهجي ممتاز لتجنب تأثر تباين المجموعة بتدخلات البرنامج التجريبي.

4.3 حساب د كوهين لعينة واحدة مقارنة بقيمة معيارية ثابتة (One-Sample)

في بعض السيناريوهات البحثية، يحتاج الباحث إلى مقارنة متوسط عينة تجريبية واحدة ($M$) بقيمة ثابتة محددة مسبقاً تمثل معياراً وطنياً أو متوسط مجتمع معروف أو نقطة حياد نظرية ($mu_0$).

تُصاغ معادلة د كوهين للعينة الواحدة بصورة مبسطة جداً:

$$d = \frac{M – \mu_0}{SD}$$

حيث يمثل $SD$ الانحراف المعياري البسيط لدرجات العينة المدروسة. يُستخدم هذا التطبيق بكثرة في معايرة الاختبارات النفسية المقننة، كما في فحص ما إذا كان متوسط ذكاء عينة من الطلاب الموهوبين يختلف اختلافاً جوهرياً عن المتوسط الوطني المعياري لدرجات الذكاء البالغ 100 نقطة بانحراف معياري قدره 15 نقطة.

5. معايير تفسير قيم د كوهين وفقا لإطار جاكوب كوهين المرجعي

5.1 المستويات المرجعية الكلاسيكية لحجم الأثر

حرص جاكوب كوهين في كتاباته على تزويد الباحثين بقواعد إرشادية وتجريبية (Heuristics / Conventional Benchmarks) لتفسير وتوصيف حجم الأثر الناتج في العلوم السلوكية. قسّم كوهين التأثيرات إلى ثلاثة مستويات أساسية:

• أثر صغير (Small Effect: $d = 0.2$): يمثل فارقاً حقيقياً لكنه طفيف للغاية ويصعب ملاحظته بالعين المجردة في الممارسة السريرية أو السلوكية اليومية دون اللجوء إلى أدوات قياس دقيقة وتحليلات إحصائية. يقابل هذا الأثر تداخلاً هائلاً بين المجموعتين، ويشبه في الواقع فرق الطول بين الفتيات في عمر 15 عاماً والفتيات في عمر 16 عاماً.
• أثر متوسط (Medium Effect: $d = 0.5$): يمثل فارقاً ملحوظاً وظاهراً للعين الخبيرة والباحث الممارس في الميدان. يُعد هذا المستوى ذا أهمية بالغة في معظم التدخلات النفسية والتربوية، ويناظر تقريباً الفارق في الطول بين الإناث والذكور البالغين في مجتمع ما.
• أثر كبير (Large Effect: $d = 0.8$ فما فوق): يشير إلى فارق جوهري وحاسم يُحدث تغييراً جذرياً في توزيع الظاهرة، بحيث يكون التأثير واضحاً وجلياً لأي ملاحظ عادي دون حاجة إلى تدقيق إحصائي مكثف. يمثل هذا المستوى فارقاً شاسعاً يشبه الفارق في الطول بين المراهقين في سن 13 عاماً والبالغين في سن 18 عاماً.

5.2 التوسيعات المعاصرة لتصنيف كوهين (Sawilowsky Benchmarks)

مع تطور الأبحاث في مجالات البيانات الضخمة، والتدخلات الطبية الدقيقة، وعلم النفس العصبي، وجد الباحثون أن تصنيفات كوهين الثلاثية الكلاسيكية تضيق عن استيعاب التأثيرات المتطرفة صغراً أو كبراً. اقترح الإحصائي شلومو ساويلوفسكي (Shlomo Sawilowsky, 2009) توسيعاً معيارياً لقواعد كوهين ليتضمن المستويات التالية:

• أثر صغير جداً (Very Small: $d = 0.01$): يُرصد هذا الحجم في الدراسات الوبائية ودراسات التعدين في البيانات الضخمة (Big Data) حيث تكون العينات بمئات الآلاف، ويكون الأثر ذا مغزى إحصائي فقط دون تطبيق عملي مباشر.
• أثر صغير (Small: $d = 0.20$): المعيار الكلاسيكي لكوهين.
• أثر متوسط (Medium: $d = 0.50$): المعيار الكلاسيكي لكوهين.
• أثر كبير (Large: $d = 0.80$): المعيار الكلاسيكي لكوهين.
• أثر كبير جداً (Very Large: $d = 1.20$): يعبر عن تحسن هائل ونادر الحدوث في معظم الأبحاث الاجتماعية، لكنه قد يظهر في البرامج المكثفة والموجهة فردياً.
• أثر ضخم (Huge: $d = 2.0$ فما فوق): يشير إلى تباين مطلق واستثنائي بين المجموعتين؛ حيث تتفوق المجموعة التجريبية على أكثر من 97% من المجموعة الضابطة، ويُسجل عادة في التدخلات الطبية والجراحية الحاسمة لإنقاذ الحياة أو استعادة وظائف عصبية مفقودة.

5.3 سياقية التفسير وأهمية المجال البحثي المحدد

حذر كوهين نفسه مراراً وتكراراً من التطبيق الأعمى والجامد لهذه العتبات الرقمية، مشدداً على أن “حجم الأثر نسبي بطبيعته ويعتمد تماماً على السياق العلمي والعملي للمجال المدروس”. إن قراءة الأرقام بمعزل عن طبيعة المشكلة المدروسة يوقع الباحث في أحكام قاصرة.

في مجال الصحة العامة والطب الوقائي، قد يكون أثر صغير جداً ($d = 0.10$ أو $d = 0.20$) لتدخل دوائي جديد (مثل تناول الأسبرين يومياً للوقاية من النوبات القلبية) ذا قيمة لا تقدر بثمن لأنه يعني إنقاذ حياة عشرات الآلاف من البشر سنوياً عند تطبيقه على مستوى الملايين. في المقابل، إذا كان باحث يختبر فاعلية برنامج باهظ التكاليف لتدريب الذاكرة يستغرق 200 ساعة تدريبية، فإن تحقيق أثر بقيمة $d = 0.20$ يُعتبر فاشلاً اقتصادياً وتطبيقياً ولا يبرر هدر الموارد والوقت.

لذا، فإن الممارسة المنهجية الفضلى تقتضي مقارنة قيمة $d$ المحسوبة بمتوسط أحجام الأثر المرصودة تاريخياً في الأبحاث المشابهة ضمن نفس الحقل التخصصي الدقيق (Context-Dependent Benchmarking)، بدلاً من الركون الحصري للقواعد العامة الصماء.

6. استخدامات وتطبيقات د كوهين في البحوث النفسية والعلوم السلوكية

6.1 تقييم فاعلية التدخلات والعلاجات النفسية (Clinical Psychology)

يُعد معامل د كوهين المعيار الذهبي في أبحاث علم النفس الإكلينيكي والعلاج النفسي التجريبي لتقييم كفاءة البروتوكولات العلاجية. في التجارب المنضبطة المعشاة (Randomized Controlled Trials – RCTs)، يُستخدم المقياس لمقارنة فاعلية برامج مثل العلاج المعرفي السلوكي (CBT)، أو العلاج بالقبول والالتزام (ACT)، مقابل مجموعات التحكم (كقوائم الانتظار، أو العلاج الوهمي Placebo، أو الرعاية المعتادة).

على سبيل المثال، عند علاج اضطراب الاكتئاب الجسيم، تشير الدراسات إلى أن بروتوكولات CBT تحقق عادة حجوم أثر تتراوح بين $d = 0.60$ و $d = 0.90$ مقارنة بقوائم الانتظار. كما يُستخدم د كوهين لتقييم التغير الإكلينيكي الفردي ذي المعنى (Clinically Meaningful Change)، حيث يسمح للأطباء النفسيين بتحديد ما إذا كان التحسن الملاحظ في المريض يعكس تعافياً حقيقياً ينقله من فئة المرض إلى فئة الأصحاء مقارنة بالتشتت الطبيعي للمجتمع السليم.

6.2 الدراسات المعرفية وعلم النفس العصبي التجريبي

في أبحاث علم النفس المعرفي والعلوم العصبية، تطبق مقاييس د كوهين بكثافة لقياس الفروق الدقيقة في الوظائف التنفيذية، وسرعة معالجة المعلومات، والأداء على المهام الحاسوبية الدقيقة مثل مهمة ستروب (Stroop Task) أو مهام الانتباه المستمر والذاكرة العاملة (Working Memory Tasks).

يسمح د كوهين لعلماء الأعصاب بتحديد مقدار التدهور الإدراكي الحادث لدى مرضى الزهايمر أو المصابين برضوض الدماغ الرضحية (TBI) مقارنة بالأقران الأصحاء بوحدات معيارية مستقرة؛ فعلى سبيل المثال، قد يبلغ الفارق في زمن الاستجابة الحركية $d = 1.15$ انحرافاً معيارياً، مما يؤكد حدوث بطء إدراكي حاد. كما يوظف المقياس لتقييم مدى نجاح برامج التدريب الذهني والتأهيل العصبي في تحفيز المرونة العصبية واستعادة القدرات المفقودة بعد السكتات الدماغية.

6.3 علم النفس الاجتماعي والتنظيمي

يمتد نطاق تطبيق د كوهين إلى دراسات السلوك البشري في السياقات الاجتماعية والمهنية. في علم النفس الاجتماعي، يُستخدم المقياس لحساب حجم الفروق بين الجنسين في السمات الشخصية والاتجاهات القيمية، أو قياس قوة التحيز الضمني واللاواعي (Implicit Bias) تجاه الأقليات عبر اختبارات الارتباط الضمني (IAT).

أما في علم النفس الصناعي والتنظيمي (I/O Psychology)، فيلعب د كوهين دوراً جوهرياً في تقييم فاعلية برامج التدريب الإداري، وقياس العائد على الاستثمار في الموارد البشرية، وتحليل أثر تبني أنماط القيادة التحويلية على معدلات الرضا الوظيفي والاحتراق النفسي وإنتاجية الموظفين. يساعد هذا المقياس صانعي القرار على تحديد المبادرات الإدارية ذات التأثير الحقيقي والجدوى الاقتصادية العالية وتجنب البرامج التي لا تقدم سوى تحسينات مظهرية طفيفة.

7. تكامل د كوهين مع الاختبارات الإحصائية الشائعة (t-test و ANOVA)

7.1 الربط المباشر مع اختبارات ت (t-tests)

يرتبط معامل د كوهين ارتباطاً جبرياً مباشراً بقيمة الاختبار التائي ($t$)؛ إذ يمكن للباحث اشتقاق قيمة$d$ مباشرة من مخرجات جداول اختبار $t$ حتى وإن لم تكن البيانات الخام متوفرة بين يديه، وذلك بالاعتماد على الصيغ التحويلية التالية:

لعينات المجموعات المستقلة ذات الأحجام المتساوية ($n_1 = n_2 = n$):

$$d = \frac{2t}{\sqrt{df}} = \frac{2t}{\sqrt{2n – 2}}$$

لعينات المجموعات المستقلة ذات الأحجام غير المتساوية:

$$d = t \cdot \sqrt{\frac{1}{n_1} + \frac{1}{n_2}} = t \cdot \sqrt{\frac{n_1 + n_2}{n_1 \cdot n_2}}$$

تساعد هذه المعادلات التحويلية باحثي التحليل التلوي على استخراج قيم د كوهين بدقة متناهية من الدراسات التاريخية القديمة التي كانت تكتفي بنشر قيم $t$ وحجم العينات دون الإبلاغ عن الانحرافات المعيارية المجمعة.

من المهم جداً في هذا السياق فهم حالات التناقض الظاهري بين المؤشرين: فقد تظهر نتائج التحليل الإحصائي قيمة $t$ ذات دلالة إحصائية مرتفعة جداً ($p < 0.001$) نتيجة لضخامة العينة ($N = 10,000$)، بينما تكون قيمة د كوهين المستخرجة بالغة الصغر ($d = 0.05$). وعلى العكس تماماً، قد تسفر دراسة استطلاعية صغيرة ($N = 12$) عن قيمة د كوهين واعدة وكبيرة ($d = 0.75$) ولكن دون وصول قيمة $t$ إلى مستوى الدلالة الإحصائية ($p = 0.12$) بسبب انخفاض القوة الإحصائية، وهو ما يوجه الباحث لضرورة إعادة تكرار الدراسة بعينة أكبر بدلاً من التخلي عن الفرضية الواعدة.

7.2 الاشتقاق والتحويل من تحليلات التباين (ANOVA)

في التصاميم التجريبية المعقدة التي تتضمن مقارنة أكثر من مجموعتين باستخدام تحليل التباين الأحادي (One-Way ANOVA)، يُستخدم عادة معامل إيتا تربيع ($\eta^2$) أو إيتا تربيع الجزئي ($\eta_p^2$) كمقياس لنسبة التباين المفسر الكلي. غير أنه عند الانتقال إلى مرحلة المقارنات البعدية الثنائية (Post-hoc Pairwise Comparisons) لتحديد أي المجموعات تتفوق على الأخرى، يصبح من الضروري حساب د كوهين لكل مقارنة ثنائية على حدة.

يمكن اشتقاق د كوهين للمقارنات البعدية بالاعتماد على متوسط المربعات المتبقي للخطأ داخل المجموعات ($Mean Square Error – MSE$) كبديل أكثر قوة وثباتاً للانحراف المعياري المجمع الثنائي؛ حيث يمثل $\sqrt{MSE}$ التقدير الأفضل للانحراف المعياري المشترك لكافة مجموعات التجربة:

$$d = \frac{M_i – M_j}{\sqrt{MSE}}$$

كما يمكن التحويل الجبري بين قيمة الفارق بين مجموعتين ومقياس إيتا تربيع الجزئي الخاص بتلك المقارنة وفق المعادلة:

$$d = \frac{2\sqrt{\eta_p^2}}{\sqrt{1 – \eta_p^2}}$$

7.3 بناء وتفسير فترات الثقة لحجم الأثر (Confidence Intervals for Cohen’s d)

يُمثل حساب قيمة نقطية واحدة لمعامل د كوهين مجرد تقدير عيني (Point Estimate) قد يتأثر بخطأ المعاينة. لذا، تشدد المعايير المنهجية الحديثة الصادرة عن APA على إلزامية إرفاق مجال ثقة 95% (95% Confidence Interval) حول قيمة $d$.

لا يتبع د كوهين التوزيع الطبيعي المتماثل ولا توزيع $t$ المركزي الكلاسيكي عندما لا تكون الفرضية الصفرية صحيحة ($d \neq 0$)؛ بل يتبع ما يُعرف في الإحصاء الرياضي بـ توزيع ت غير المركزي (Non-central t-distribution) بمعامل لا مركزية ($\lambda = d \sqrt{\frac{n_1 n_2}{n_1 + n_2}}$). يتطلب استخراج حدود الثقة الدقيقة خوارزميات تكرارية متقدمة مدعومة حاسوبياً.

ومع ذلك، يمكن تقريب الخطأ المعياري لمعامل د كوهين ($SE_d$) للعينات الكبيرة باستخدام الصيغة التقريبية التالية:

$$SE_d = \sqrt{\frac{n_1 + n_2}{n_1 \cdot n_2} + \frac{d^2}{2(n_1 + n_2)}}$$

ومن ثم بناء فترة الثقة 95%:

$$95% CI = [d – 1.96 \cdot SE_d, d + 1.96 \cdot SE_d]$$

تعكس فترة الثقة دقة التقدير الإحصائي؛ فإذا كانت فترة الثقة واسعة جداً، مثل $d = 0.60, 95% CI [-0.10, 1.30]$، فإنها تشير إلى عدم يقين هائل يحيط بالنتيجة نظراً لصغر العينة، وتكشف أن الأثر قد يتراوح في الواقع بين انعدام التأثير والتأثير الضخم، مما يستوجب توخي الحذر الشديد في تفسير النتائج.

8. أمثلة عملية وحالات دراسية تطبيقية في علم النفس والطب السلوكي

8.1 دراسة حالة 1: تجربة ضبط عشوائية لتقييم برنامج تقليل التوتر (MBSR)

أجرى فريق بحثي تجربة عشوائية منضبطة لمقارنة فاعلية برنامج “تقليل التوتر القائم على اليقظة الذهنية” (MBSR) مقابل مجموعة ضابطة نشطة تلقت تدريباً عاماً على الاسترخاء. تم قياس مستويات هرمون الكورتيزول في اللعاب (بالميكروغرام/ديسيلتر) بعد مرور 8 أسابيع من التدخل. جاءت البيانات الرقمية للدراسة على النحو التالي:

• المجموعة التجريبية (MBSR): الحجم $n_1 = 30$، المتوسط $M_1 = 12.40$، الانحراف المعياري $SD_1 = 2.10$
• المجموعة الضابطة (Relaxation): الحجم $n_2 = 30$، المتوسط $M_2 = 14.80$، الانحراف المعياري $SD_2 = 2.60$

خطوات الحساب التفصيلية:

1. حساب الانحراف المعياري المجمع ($SD_{pooled}$):

$$SD_{pooled} = \sqrt{\frac{(30 – 1)(2.10)^2 + (30 – 1)(2.60)^2}{30 + 30 – 2}} = \sqrt{\frac{29(4.41) + 29(6.76)}{58}} = \sqrt{\frac{127.89 + 196.04}{58}} = \sqrt{\frac{323.93}{58}} = \sqrt{5.585} \approx 2.363$$

2. حساب قيمة د كوهين ($d$):

$$d = \frac{M_1 – M_2}{SD_{pooled}} = \frac{12.40 – 14.80}{2.363} = \frac{-2.40}{2.363} \approx -1.016$$

التفسير التطبيقي:
حققت مجموعة اليقظة الذهنية انخفاضاً جوهرياً في مستويات الكورتيزول بمقدار $1.02$ انحراف معياري مقارنة بالمجموعة الضابطة. وفقاً لتصنيفات كوهين وساويلوفسكي، يُصنف هذا الأثر بأنه “أثر كبير جداً” ($d > 1.0$)، مما يوفر دليلاً تطبيقياً قوياً على التفوق العيادي لليقظة الذهنية في تنظيم الاستجابة الفسيولوجية للتوتر.

8.2 دراسة حالة 2: تصميم قياسات قبلية وبعدية لتدريب الذاكرة العاملة لدى الأطفال

قام باحث في علم النفس العصبي المعرفي بتطبيق برنامج محوسب لتدريب الذاكرة العاملة مدته 6 أسابيع على عينة من الأطفال ذوي صعوبات الانتباه ($N = 25$). تم قياس سعة الذاكرة العاملة باستخدام اختبار رقمي مقنن قبل التدريب وبعده، وكانت البيانات كالتالي:

• متوسط القياس القبلي ($M_{pre}$) = 45.20، الانحراف المعياري ($SD_{pre}$) = 8.50
• متوسط القياس البعدي ($M_{post}$) = 52.80، الانحراف المعياري ($SD_{post}$) = 9.10
• معامل ارتباط بيرسون بين القياسين القبلي والبعدي ($r$) = 0.72
• متوسط الفروق الفردية ($\bar{D}$) = 7.60، الانحراف المعياري لدرجات الفروق ($SD_{diff}$) = 6.70

الحساب والتطبيق:

1. حساب معامل الفروق البسيط ($d_z$):

$$d_z = \frac{\bar{D}}{SD_{diff}} = \frac{7.60}{6.70} \approx 1.134$$

2. حساب معامل د كوهين المعدل للقياسات المتكررة المقارن مع العينات المستقلة ($d_{rm}$):

$$SD_{pooled_paired} = \sqrt{8.50^2 + 9.10^2 – 2(0.72)(8.50)(9.10)} = \sqrt{72.25 + 82.81 – 111.38} = \sqrt{43.68} \approx 6.609$$

$$d_{rm} = \frac{52.80 – 45.20}{6.609} \times \sqrt{2(1 – 0.72)} = \frac{7.60}{6.609} \times \sqrt{0.56} = 1.150 \times 0.7483 \approx 0.86$$

التحليل:
يظهر البرنامج التدريبي حجماً أثرياً كبيراً ($d_{rm} = 0.86$)، مما يعكس تحسناً حقيقياً وملموساً في سعة الذاكرة العاملة لدى الأطفال يترجم إيجابياً في أدائهم الأكاديمي اليومي.

8.3 دراسة حالة 3: فحص الفروق بين الجنسين في الذكاء العاطفي

في دراسة مسحية وبائية واسعة النطاق حول مهارات الذكاء العاطفي في بيئة العمل، طبق الباحثون مقياساً مقنناً على عينة عشوائية ضخمة قوامها 20,000 موظف (10,000 ذكور، 10,000 إناث). أسفرت المعالجة الإحصائية عن النتائج التالية:

• الإناث: $M_1 = 101.20$، $SD_1 = 15.00$
• الذكور: $M_2 = 100.30$، $SD_2 = 15.00$

النتائج الإحصائية:
عند إجراء اختبار $t$ للعينات المستقلة، جاءت النتيجة ذات دلالة إحصائية فائقة القوة نظراً لضخامة العينة:

$$t = 4.24, p < 0.0001$$

حساب د كوهين:

$$SD_{pooled} = 15.00$$

$$d = \frac{101.20 – 100.30}{15.00} = \frac{0.90}{15.00} = 0.06$$

تفكيك المغالطة الإحصائية:
لو اعتمد الباحث على القيمة الاحتمالية وحدها ($p < 0.0001$)، لخرج باستنتاج مضلل يدعي وجود "فروق جوهرية وحاسمة بين الجنسين في الذكاء العاطفي". لكن حساب د كوهين كشف أن حجم الأثر تافه وهامشي للغاية ($d = 0.06$) وفقاً لتصنيفات ساويلوفسكي وكوهين (أقل بكثير من عتبة الأثر الصغير $0.20$). يعني هذا أن التوزيعين متطابقان بنسبة تزيد عن 97%، وأن الفروق الفردية داخل الجنس الواحد أضخم بمئات المرات من الفارق الشكلي بين الجنسين، مما يحمي صانعي القرار من بناء سياسات توظيف متحيزة بناءً على دلالة إحصائية زائفة عملياً.

9. كيفية حساب د كوهين باستخدام البرمجيات الإحصائية (SPSS, R, Python)

9.1 الحساب والتفسير في برنامج IBM SPSS Statistics

بدءاً من الإصدار 27 والإصدارات الأحدث، أضاف برنامج IBM SPSS Statistics ميزة الحساب التلقائي لأحجام الأثر ضمن النوافذ الحوارية لاختبارات $t$.

خطوات التنفيذ للعينات المستقلة:
من القائمة الرئيسية، يتم التوجه إلى: Analyze -> Compare Means -> Independent-Samples T Test.
يتم إدراج المتغير التابع في خانة Test Variable(s) ومتغير المجموعة في Grouping Variable. يتم التأكد من تفعيل خيار Estimate effect sizes بشكل افتراضي.

قراءة المخرجات وتفسير الجداول:
يولد البرنامج جدولاً مخصصاً يحمل عنوان Independent Samples Effect Sizes. يتضمن الجدول المقاييس التالية:

• Cohen’s d: يظهر التقدير النقطي للأثر مقسوماً على الانحراف المعياري المجمع القياسي، ومرفقاً بحدود فترة الثقة 95% السفلى (Lower) والعليا (Upper).
• Hedges’ correction: معامل هيجز المصحح للعينات الصغيرة.
• Glass’s delta: المحسوب بالاعتماد على انحراف المجموعة الضابطة فقط.

في الإصدارات القديمة من SPSS (الإصدار 26 وما قبله) والتي كانت تفتقر لهذا الخيار، يتعين على الباحثين استخدام معادلات التحويل اليدوية استناداً إلى قيم $t$ ودرجات الحرية المنشورة في جدول Independent Samples Test، أو استخدام ملفات الماكرو الإحصائية البرمجية.

9.2 الحساب المتقدم باستخدام لغة البرمجة R

توفر بيئة لغة البرمجة الإحصائية R حزماً متخصصة فائقة الدقة لحساب أحجام الأثر، واشتقاق فترات الثقة الدقيقة عبر التوزيع غير المركزي، وبناء الرسوم البيانية التوضيحية.

1. استخدام حزمة effsize:

# تثبيت واستدعاء الحزمة
install.packages("effsize")
library(effsize)
# حساب د كوهين لعينتين مستقلتين
cohen_result <- cohen.d(score ~ group, data = my_data, paired = FALSE)
print(cohen_result)

2. استخدام حزمة MBESS لحساب فترات الثقة غير المركزية الدقيقة:

# حساب فترة الثقة الدقيقة 95%
library(MBESS)
ci_result <- ci.smd(smd = 0.85, n.1 = 30, n.2 = 30, conf.level = 0.95)
print(ci_result)

3. التمثيل البياني للتداخل التوزيعي عبر حزمة ggplot2:
يمكن للباحث كتابة كود مخصص لتوليد منحنيين طبيعيين يعكسان المسافة المعيارية $d$ وإبراز مساحة التداخل المظللة برمجياً لتقديم عرض بصري مقنع لنتائج دراسته في المؤتمرات والمجلات العلمية المحكمة.

9.3 الحساب الإحصائي باستخدام لغة Python

مع الانتشار الواسع للغة Python في علوم البيانات والتعلم الآلي والعلوم العصبية الحاسوبية، توجد العديد من المكتبات المتقدمة لإجراء الحسابات الاستدلالية، وعلى رأسها حزمة Pingouin المتخصصة في الإحصاء النفسي والحيوي.

الحساب المباشر عبر حزمة Pingouin:

import pingouin as pg
# حساب د كوهين مع فترة الثقة 95%
eff = pg.compute_effsize(x=group1_scores, y=group2_scores, eftype='cohen')
ci = pg.compute_esci(stat=eff, nx=len(group1_scores), ny=len(group2_scores), eftype='cohen')
print(f"Cohen's d: {eff:.3f}")
print(f"95% CI: [{ci[0]:.3f}, {ci[1]:.3f}]")
# إجراء اختبار T وحجم الأثر في جدول متكامل
ttest_res = pg.ttest(group1_scores, group2_scores, correction=False)
print(ttest_res[['T', 'p-val', 'cohen-d', 'power']])

تتيح لغة بايثون للباحثين أتمتة حساب أحجام الأثر لمصفوفات هائلة من المتغيرات عبر آلاف المشاركين في أجزاء من الثانية ودمجها مباشرة في خطوط معالجة البيانات المعقدة (Data Pipelines).

10. التحديات والانتقادات والقيود المنهجية المرتبطة باستخدام د كوهين

10.1 مشكلة التحيز في العينات الصغيرة (Small Sample Bias)

على الرغم من القوة المنهجية لمعامل د كوهين، إلا أنه يعاني من قصور رياضي بنيوي يتمثل في التحيز الإحصائي الإيجابي (Upward Bias) في العينات الصغيرة ($N < 20$). يميل معامل د كوهين العيني إلى تضخيم وتقدير حجم الأثر بقيم تفوق حجم الأثر الحقيقي الموجود في المجتمع الأصلي.

ينشأ هذا التحيز من خطأ تقدير تباين المجتمع عند استخدام الانحراف المعياري للعينة في المقام؛ حيث تؤدي درجات الحرية المنخفضة إلى التقليل من شأن التشتت الحقيقي، مما يرفع قيمة الكسر الحسابي. إذا اعتمد الباحث في دراسة استطلاعية قوامها 8 أفراد على قيمة د كوهين ($d = 0.90$)، فإن هذا التقدير يكون مفرط التفاؤل غالباً، ويؤدي إلى فشل محاولات تكرار الدراسة لاحقاً إذا لم يتم تصحيح هذا التحيز رياضياً باستخدام بدائل ملائمة كمعامل هيجز جي ($Hedges’ g$).

10.2 انتهاك الفروض الإحصائية وأثره على دقة المقياس

يتأسس البناء الرياضي لمعامل د كوهين على فرضين حاسمين: التوزيع الطبيعي للبيانات، وتجانس التباين بين المجموعات. يؤدي انتهاك هذه الفروض إلى تشوهات منهجية خطيرة:

• الالتواء والتوزيعات غير الطبيعية (Skewed Distributions): يفقد المتوسط الحسابي كفاءته كمقياس للنزعة المركزية في التوزيعات الملتوية بشدة، مما يجعل البسط في معادلة د كوهين مضللاً ولا يعبر عن موضع الثقل الحقيقي للبيانات.
• الحساسية المفرطة للقيم المتطرفة (Outliers): تؤثر القيم الشاذة المتطرفة بشكل مضاعف على د كوهين؛ إذ تسحب المتوسط نحوها من جهة، وتؤدي إلى تضخيم الانحراف المعياري في المقام من جهة أخرى، مما يفرز قيماً عشوائية مشوهة لحجم الأثر.
• عدم تجانس التباين (Heteroscedasticity): عندما يختلف تباين المجموعة الأولى جذرياً عن تباين المجموعة الثانية (كالضعف أو ثلاثة أضعاف)، يفقد الانحراف المعياري المجمع ($SD_{pooled}$) معناه الرياضي؛ إذ يفشل في تمثيل أي من المجموعتين بأمانة، مما يستوجب استخدام صيغ بديلة تعتمد على انحراف المجموعة الضابطة فقط.

10.3 محدودية المقاييس المعيارية في حالات التباين المصطنع

تتعرض المقاييس المعيارية، وعلى رأسها د كوهين، لانتقادات منهجية عميقة من قبل بعض رواد القياس، نظراً لأن قيمة $d$ تتحدد بمتغيرين مستقلين تماماً: مقدار الفارق الخام في البسط، ومقدار التشتت المقاس في المقام. هذا يعني أن أي عامل يؤثر على المقام سيغير قيمة د كوهين جذرياً حتى لو ظل الفارق الفعلي ثابتاً.

يتجلى هذا القصور في جانبين رئيسيين:

1. ثبات أدوات القياس (Measurement Reliability): تؤدي أدوات القياس الرديئة ذات معامل الثبات المنخفض إلى إدخال خطأ قياس عشوائي ضخم (Measurement Error)، مما يضخم التباين المقاس في المقام بشكل مصطنع ويؤدي إلى تخفيض وانكماش قيمة د كوهين الحقيقية (Attenuation of Effect Size).
2. تقييد المدى (Restriction of Range): إذا أجريت الدراسة على عينة متجانسة جداً (مثل نخبة طلاب كليات الطب المتفوقين)، فإن تشتت البيانات ينخفض بشدة، مما يؤدي إلى تضخيم مصطنع لقيمة د كوهين مقارنة بتطبيق نفس التجربة على عينة من عموم أفراد المجتمع.

لهذه الأسباب، يوصي كبار المنهجيين دائماً بالإبلاغ عن حجم الأثر غير المعياري (Unstandardized Effect Size – أي الفارق الخام بوحداته الأصلية كعدد الساعات أو الدرجات) جنباً إلى جنب مع د كوهين لمنح القارئ صورة متكاملة غير مشوهة.

11. المقارنة بين د كوهين ومقاييس حجم الأثر البديلة

11.1 معامل هيجز جي (Hedges’ g) وتصحيح العينات الصغيرة

لمعالجة مشكلة التحيز الإيجابي لمعامل د كوهين في العينات المحدودة، ابتكر الإحصائي لاري هيجز (Larry Hedges, 1981) معاملاً مصححاً يُعرف بـ هيجز جي (Hedges’ g). يقوم هذا المعامل بضرب قيمة د كوهين في عامل تصحيحي رياضي غير متحيز ($J$ factor) يعتمد على درجات الحرية الكلية ($df = n_1 + n_2 – 2$):

$$J = 1 – \frac{3}{4(df) – 1} = 1 – \frac{3}{4(n_1 + n_2) – 9}$$

$$g = d \times J$$

يتميز معامل هيجز جي بأنه يقدم تقديراً غير متحيز لحجم الأثر في المجتمع الأصلي بغض النظر عن صغر حجم العينة. إذا كانت العينة الكلية تتكون من 10 أفراد ($df = 8$)، فإن معامل التصحيح $J \approx 0.903$، مما يخفض قيمة د كوهين بنحو 10% ويعيدها إلى حجمها الطبيعي. ومع زيادة حجم العينة ($N > 50$)، يقترب معامل $J$ بسرعة فائقة من الرقم 1، وتتطابق قيمتا $d$ و $g$ تماماً. يُعد استخدام $Hedges’ g$ الخيار الإلزامي والأكثر رصانة في أبحاث التحليل التلوي والعلوم الطبية السلوكية.

11.2 معامل جلاس دلتا (Glass’s Delta) لتباين المجموعات غير المتجانسة

اقترح جين جلاس (Gene Glass, 1976) معاملاً بديلاً يُعرف بـ جلاس دلتا ($\Delta$) للتعامل مع الحالات التجريبية التي يُتوقع فيها أن يؤدي التدخل العلاجي أو التجريبي إلى تغيير تشتت المجموعة التجريبية وتعديل تباينها (كما في التدخلات النفسية التي تفيد بعض المرضى بينما تزيد من انتكاس البعض الآخر، مما يرفع تباينهم بشدة).

تعتمد معادلة جلاس دلتا على استخدام الانحراف المعياري للمجموعة الضابطة فقط ($SD_{control}$) في المقام، باعتبارها المرجع النقي الوحيد الذي لم يتأثر بأي تدخل تجريبي خارجي:

$$\Delta = \frac{M_{experimental} – M_{control}}{SD_{control}}$$

يضمن هذا الإجراء عدم تلوث مقام المعادلة بالتباين المصطنع الناتج عن المعالجة التجريبية، ويقدم تقديراً دقيقاً لمدى تباعد المجموعة التجريبية عن معيار المجتمع الطبيعي غير المعالج.

11.3 عائلة مقاييس الارتباط ونسب التباين المفسر (r, R², Eta-squared)

ينقسم علم قياس حجم الأثر إلى عائلتين رئيسيتين:

• عائلة الفروق المعيارية (d-family): وتضم $Cohen’s d$ و $Hedges’ g$ و $Glass’s \Delta$، وتختص بمقارنة المسافات المعيارية بين متوسطات المجموعات.
• عائلة الارتباط ونسب التباين (r-family): وتضم معامل ارتباط بيرسون ($r$)، ومعامل التحديد ($R^2$)، وإيتا تربيع ($eta^2$)، وأوميغا تربيع ($omega^2$)، وتختص بقياس قوة الترابط وتحديد النسبة المئوية لتشتت المتغير التابع التي يفسرها المتغير المستقل.

يمكن التحويل التبادلي الدقيق بين العائلتين لتسهيل المقارنات؛ فالتحويل من د كوهين إلى معامل الارتباط $r$ يجري عبر المعادلة:

$$r = \frac{d}{\sqrt{d^2 + \frac{(n_1 + n_2)^2 – 2(n_1 + n_2)}{n_1 \cdot n_2}}}$$

وعند تساوي أحجام المجموعتين تتبسط المعادلة إلى: $r = \frac{d}{\sqrt{d^2 + 4}}$.

يوضح الجدول المقارن التالي العلاقة المتبادلة بين أبرز مقاييس حجم الأثر وفق المستويات المعيارية الشائعة:

مستوى حجم الأثر	د كوهين (Cohen’s d)	معامل الارتباط (Pearson’s r)	التباين المفسر ($\eta^2 / R^2$)	عدم التداخل ($U_3$)
صغير جداً (Very Small)	0.01 – 0.19	< 0.10	< 1%	50% – 54%
صغير (Small)	0.20	0.10	1.0%	57.9%
متوسط (Medium)	0.50	0.24	5.9%	69.1%
كبير (Large)	0.80	0.37	13.8%	78.8%
كبير جداً (Very Large)	1.20	0.51	26.5%	88.5%
ضخم (Huge)	2.00	0.71	50.0%	97.7%

12. أفضل الممارسات المنهجية وتوصيات جمعية علم النفس الأمريكية (APA) لكتابة ونشر د كوهين

12.1 معايير صياغة وكتابة نتائج د كوهين وفق دليل النشر (APA 7th Edition)

يضع الإصدار السابع من دليل النشر العلمي الصادر عن جمعية علم النفس الأمريكية (APA 7th Edition) معايير طباعية ولغوية صارمة لتوثيق نتائج حجم الأثر داخل المتن وفي الجداول الإحصائية المرفقة:

• التنسيق الطباعي: تُكتب الرموز الإحصائية اللاتينية بأحرف مائلة (Italics)، فيُكتب الرمز $d$ أو $t$ أو $p$ أو $M$ أو $SD$ بخط مائل، بينما تُكتب الأرقام والأقواس بالحجم والخط العادي.
• المنازل العشرية: يجب تقريب قيم د كوهين وفترات الثقة إلى منزلتين عشريتين (أو ثلاث منازل في حال تطلب البحث دقة استثنائية).
• الإبلاغ عن فترات الثقة: يُلزم الدليل بذكر فترة الثقة 95% ملاصقة لقيمة $d$ دائماً بين قوسين معقوفين.

الصيغة النموذجية للنص في تقرير النتائج:
“أظهرت نتائج الاختبار التائي للعينات المستقلة تفوقاً ذا دلالة إحصائية للمجموعة التجريبية ($M = 84.50, SD = 8.20$) مقارنة بالمجموعة الضابطة ($M = 76.20, SD = 8.90$)، مع تسجيل حجم أثر كبير، $t(58) = 3.75, p < .001, d = 0.97, 95% \text{CI} [0.43, 1.50]$."

12.2 تفسير المعنى العلمي والعملي للأثر في مناقشة الدراسة (Discussion)

لا تنتهي مهمة الباحث عند حساب الرقم الرياضي، بل يتعين عليه في قسم المناقشة (Discussion) ترجمة هذا الرقم الإحصائي المجرد إلى مضامين واقعية وحياتية تفيد المتخصصين والممارسين في الميدان. يجب أن تتضمن المناقشة الإجابة عن التساؤلات الجوهرية التالية:

• ما هي التكلفة المادية والزمنية المطلوبة لتحقيق هذا المقدار من التغير المعياري الملاحظ؟
• كيف تقارن قيمة $d$ الحالية بنتائج التدخلات المنافسة الموثقة في الأدبيات المنشورة سابقاً؟
• هل هذا الأثر مستدام على المدى الطويل أم أنه أثر لحظي مؤقت يتلاشى بمرور الوقت؟
• ما هي محددات أداة القياس المستخدمة وهل أثرت درجة ثباتها على انكماش أو تضخيم الأثر؟

تساعد هذه المعالجة النوعية على إغناء البحث وتقديم توصيات تطبيقية رصينة لصانعي السياسات ومتخذي القرار بدلاً من الاكتفاء بالاستنتاجات الإحصائية المقتضبة.

12.3 قائمة التحقق المنهجية للباحثين قبل النشر

لضمان الالتزام بأعلى معايير النزاهة العلمية والشفافية الاستدلالية، ينبغي على كل باحث مراجعة قائمة التحقق المنهجية (Methodological Checklist) التالية قبل إرسال مخطوطته للتحكيم والنشر:

• [ ] هل تم الإبلاغ عن المتوسطات والانحرافات المعيارية وحجم كل عينة بوضوح تام لكل مجموعة؟
• [ ] هل تم اختيار الصيغة الحسابية الصحيحة للانحراف المعياري (مجمع للعينات المستقلة، أو مصحح للارتباط في القياسات المتكررة)؟
• [ ] هل تم فحص افتراضات التوزيع الطبيعي وتجانس التباين والتأكد من خلو البيانات من القيم المتطرفة الشاذة؟
• [ ] هل تم استخدام معامل هيجز المصحح ($g$) في حال كانت أحجام العينات صغيرة ($N < 20$)؟
• [ ] هل تم حساب وإدراج مجال الثقة 95% حول معامل حجم الأثر باستخدام التوزيعات المناسبة؟
• [ ] هل تم الإبلاغ عن أحجام الأثر لكافة الفرضيات والمتغيرات المختبرة (بما فيها الفرضيات غير الدالة إحصائياً) لتجنب انحياز النشر واصطياد النتائج الإيجابية فقط (p-hacking / Cherry-picking)؟
• [ ] هل تم تفسير حجم الأثر في ضوء السياق الموضوعي والتطبيقي للأدبيات السابقة وليس بناءً على الأرقام الصماء فقط؟

خاتمة: مستقبل قياس حجم الأثر في الممارسة البحثية المعاصرة

يمثل معامل د كوهين (Cohen’s d) إحدى أرسخ الركائز المنهجية التي نقلت العلوم النفسية والسلوكية والطبية من مرحلة الاستدلال الثنائي الضيق القائم على ثنائية (دال / غير دال إحصائياً) إلى مرحلة التقدير الكمي الدقيق لقوة الظواهر وحجم الفروق الفعلية. إن فهم وتطبيق هذا المعامل وصيغه المتعددة ليس مجرد استيفاء لمتطلبات النشر الشكلي في الدوريات المصنفة، بل هو التزام علمي وأخلاقي أصيل يسهم في بناء معرفة تراكمية رصينة، ويحصن المجتمع الأكاديمي ضد أزمات التكرار، ويضمن توجيه الموارد البحثية نحو التدخلات والحلول الأكثر فاعلية ونفعاً للمجتمع الإنساني.

المراجع (References)

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). https://doi.org/10.1037/0000165-000
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• Cumming, G. (2014). The new statistics: Why and how. Psychological Science, 25(1), 7–29. https://doi.org/10.1177/0956797613504966
• Glass, G. V. (1976). Primary, secondary, and meta-analysis of research. Educational Researcher, 5(10), 3–8. https://doi.org/10.3102/0013189X005010003
• Hedges, L. V. (1981). Distribution theory for Glass’s estimator of effect size and related estimators. Journal of Educational Statistics, 6(2), 107–128. https://doi.org/10.3102/10769986006002107
• Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology, 4, Article 863. https://doi.org/10.3389/fpsyg.2013.00863
• Sawilowsky, S. S. (2009). New effect size rules of thumb. Journal of Modern Applied Statistical Methods, 8(2), 597–599. https://doi.org/10.22237/jmasm/1257034080
• 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