دليل شامل: التصميم العاملي 2×3

تُعد المنهجية التجريبية الركيزة الأساسية التي يقوم عليها صرح المعرفة العلمية المعاصرة، لا سيما في العلوم السلوكية والإنسانية وعلم النفس، حيث تتجلى الظواهر المدروسة بتعقيد ديناميكي متشابك يندر فيه أن ينفرد متغير تجريبي واحد بصياغة السلوك البشري أو توجيهه. لعقود خلت، هيمنت النظرة الاختزالية أحادية المتغير على التفكير البحثي؛ فكان الباحثون يعمدون إلى تثبيت جميع الشروط التجريبية لدراسة أثر عامل وحيد على استجابة محددة. ومع ذلك، أثبت الواقع الإكلينيكي والمعرفي والاجتماعي قصور هذا النموذج الخطي المبسط في استيعاب التفاعلات التآزرية والتنافرية التي تميز النظم الحية والظواهر النفسية المعقدة.

من هذا المنطلق المنهجي، نشأت التصاميم التجريبية العاملية (Factorial Designs) لتشكل نقلة نوعية في فلسفة التحليل الإحصائي وبناء النماذج النظرية. ومن بين هذه النماذج، يحظى التصميم العاملي 2×3 (2×3 Factorial Design) بمكانة بارزة واستثنائية؛ إذ يمثل نقطة التوازن المثالية بين الكفاءة المنهجية، والقدرة التحليلية على رصد العلاقات غير الخطية، واستكشاف الظواهر التفاعلية الدقيقة التي لا يمكن للتجارب البسيطة الكشف عنها بأي حال من الأحوال. إن دمج متغير ثنائي المستويات مع متغير ثلاثي المستويات في مصفوفة تجريبية واحدة يوفر إطاراً تحليلياً ثرياً يجمع بين دراسة التدخلات النوعية والجرعات التدرجية في آن واحد.

يهدف هذا الدليل المرجعي الشامل إلى تقديم تفكيك منهجي، إحصائي، وإجرائي متكامل للتصميم العاملي 2×3، مستهدفاً الباحثين، وطلاب الدراسات العليا، وعلماء النفس، والمحللين الإحصائيين. وسيتناول الدليل البنية الهيكلية للنموذج، والأسس الرياضية لتحليل التباين ثنائي الاتجاه (Two-Way ANOVA)، وكيفية حساب التأثيرات الرئيسية البسيطة والتفاعلية، وتطبيقاته عبر الحزم الإحصائية المتقدمة، وصولاً إلى معايير التوثيق الأكاديمي الصارمة وفق الإصدار السابع لجمعية علم النفس الأمريكية (APA 7). سنخوض في هذا الدليل رحلة معرفية عميقة تضمن استيعاباً تطبيقياً ونظرياً لا غنى عنه في ترسانة أي باحث تجريبي.

1. مقدمة وأساسيات التصميم العاملي 2×3 في البحث العلمي

1.1 مفهوم التصميم العاملي وتطوره في المنهجية التجريبية

يقوم التصميم التجريبي العاملي على فكرة إجرائية متقدمة مفادها اختبار تأثير متغيرين مستقلين (عاملين) أو أكثر في تجربة متكاملة واحدة، بحيث يُختبر كل مستوى من مستويات العامل الأول بالتوازي والتداخل مع جميع مستويات العوامل الأخرى. تعود الجذور الفلسفية والتطبيقية لهذا التصميم إلى الإسهامات الرائدة للإحصائي وعالم الوراثة البريطاني رونالد فيشر (Sir Ronald A. Fisher) خلال عشرينيات وثلاثينيات القرن العشرين في محطة “روثامستد” الزراعية، قبل أن تتلقفها العلوم النفسية والسلوكية لتحدث ثورة معرفية حقيقية.

تكمن القيمة المضافة للتصاميم العاملية في قدرتها على محاكاة الواقع البيولوجي والنفسي المتشابك. ففي دراسة السلوك الإنساني، نادراً ما تعمل المتغيرات بمعزل عن بعضها البعض؛ فالسمات الشخصية تتفاعل باستمرار مع الضغوط البيئية، ونوع التدخل الإكلينيكي يتأثر جوهرياً بمستوى شدة الاضطراب لدى المريض. وفر الانتقال من المنطق أحادي المتغير إلى النموذج العاملي وسيلة صارمة رياضياً لرصد ما يُعرف بـ التأثير التفاعلي (Interaction Effect)، والذي يعكس الكيفية التي يتغير بها تأثير متغير مستقل معين على المتغير التابع استناداً إلى المستوى الذي يتخذه متغير مستقل آخر، وهو ما يعجز التجريب الخطي المعزول عن تقديره مهما تكررت المحاولات.

علاوة على ذلك، تتميز المنهجية العاملية بزيادة الصدق البيئي (Ecological Validity) للدراسات؛ إذ تتيح قياس استجابة الأفراد داخل بيئات تجريبية ديناميكية تقترب من تعقيدات حياتهم اليومية، مما يمنح الاستنتاجات العلمية قدرة تنبؤية وتفسيرية أوسع بكثير من النتائج المستقاة من التجارب المجزأة والمبسطة اصطناعياً.

1.2 البنية الهيكلية لنموذج 2×3 وتوليد الخلايا التجريبية

يُشير التعبير الرياضي “2×3” بدقة إلى التركيب الهيكلي للعوامل التجريبية؛ حيث يمثل الرقم الأول (2) العامل المستقل الأول (Factor A) المكون من مستويين متمايزين (Two Levels)، بينما يعبر الرقم الثاني (3) عن العامل المستقل الثاني (Factor B) المكون من ثلاثة مستويات مستقلة (Three Levels). وتؤدي عملية الضرب الحسابي لمستويات العوامل (2 × 3) إلى توليد مصفوفة تجريبية تتألف من 6 خلايا تجريبية فريدة (Experimental Cells)، تمثل كل خلية منها ظرفاً علاجياً أو تصنيفياً مركباً ومستقلاً يجمع بين توليفة محددة من مستويات العاملين.

يلعب المتغير التابع (Dependent Variable) في هذا النموذج دور المحور القياسي الذي تُقاس عليه استجابات المشاركين الخاضعين لتلك الشروط الستة؛ ولذلك يُشترط فيه أن يكون متغيراً كمياً مستمراً (مقاساً على مقياس فئوي أو نسبي) حتى تتطابق البيانات مع المتطلبات البارامترية لتحليل التباين. يمكن تلخيص بنية توزيع المشاركين أو الشروط على الخلايا التجريبية في الجدول الهيكلي التالي:

المتغير المستقل الأول (Factor A)	المتغير المستقل الثاني (Factor B)
	المستوى الأول ($B_1$)	المستوى الثاني ($B_2$)	المستوى الثالث ($B_3$)
المستوى الأول ($A_1$)	الخلية 1 ($A_1B_1$)	الخلية 2 ($A_1B_2$)	الخلية 3 ($A_1B_3$)
المستوى الثاني ($A_2$)	الخلية 4 ($A_2B_1$)	الخلية 5 ($A_2B_2$)	الخلية 6 ($A_2B_3$)

يتيح هذا الترتيب المنهجي للباحث إمكانية فحص ثلاثة أسئلة بحثية منفصلة ولكنها متكاملة ضمن تجربة واحدة: ما هو الأثر المستقل للعامل الأول؟ وما هو الأثر المستقل للعامل الثاني؟ وهل يتفاعل العاملان معاً لإحداث تأثير مركب يتجاوز مجموع أثريهما المستقلين؟

1.3 المقارنة المنهجية بين التصاميم الأحادية والتصميم العاملي 2×3

عندما يرغب باحث في دراسة تأثير متغيرين مستقلين (أحدهما ثنائي والآخر ثلاثي) باستخدام النهج أحادي المتغير التقليدي، فإنه يضطر إلى تصميم تجربتين منفصلتين تماماً: التجربة الأولى لفحص العامل الثنائي، والتجربة الثانية لفحص العامل الثلاثي. ينطوي هذا الأسلوب المجزأ على إهدار فادح في الموارد البشرية والمالية والزمنية؛ حيث يتطلب تجنيد عينتين منفصلتين من المفحوصين، مما يرفع حجم العينة الكلي المطلوب دون داعٍ.

أما على صعيد الكفاءة الإحصائية، فإن التصميم العاملي 2×3 يحقق ما يسميه الإحصائيون “استخداماً مزدوجاً للبيانات”؛ فجميع المشاركين في الخلايا الست يُستخدمون في آن واحد لحساب التأثير الرئيسي للعامل الأول، ونفس المشاركين يُستخدمون لتقييم التأثير الرئيسي للعامل الثاني، بالإضافة إلى استخدامهم لتقييم التفاعل. يترجم هذا الدمج إلى زيادة درجات الحرية لتباين الخطأ، مما يعزز القوة الإحصائية (Statistical Power) للاختبار، ويجعل الكشف عن الفروق الحقيقية أكثر حساسية ودقة.

والأهم من ذلك، أن التصاميم الأحادية تعاني من عجز بنيوي كامل عن اكتشاف التأثيرات التفاعلية؛ فإذا كان أثر العلاج النفسي فعالاً فقط في حالات الاكتئاب الحاد وغير مجدٍ في الاكتئاب الطفيف، فإن التجربة الأحادية للعلاج ستظهر متوسط أثر عام مشوهاً ومضللاً قد يؤدي إلى استنتاجات خاطئة تماماً. يوفر تصميم 2×3 حماية منهجية ضد هذا التشويه، معززاً الصدق الداخلي (Internal Validity) عبر عزل مصادر التباين غير المفسرة وتضمينها داخل النموذج الإحصائي المعياري.

2. المكونات الأساسية للتصميم العاملي 2×3 في علم النفس

2.1 المتغير المستقل الثنائي (Two-Level Variable)

يمثل المتغير المستقل الأول (Factor A) في تصميم 2×3 عاملاً تصنيفياً أو تجريبياً يتضمن مستويين متمايزين ومتقابلين. في الدراسات النفسية والسلوكية، يمكن أن يكون هذا المتغير تصنيفياً بطبيعته (Organismic/Attribute Variable) مثل الجنس (ذكور مقابل إناث)، أو الفئة العمرية (شباب مقابل كبار السن)، أو تجريبياً بحتاً (Manipulated Variable) يتم التحكم فيه تعيينياً بواسطة الباحث، مثل نوع التدخل العلاجي (علاج سلوكي معرفي مقابل قائمة الانتظار، أو دواء تجريبي مقابل علاج وهمي Placebo).

يشترط في بناء المستويين التجريبيين للمتغير الثنائي التمايز الإجرائي التام والتعريف الدقيق؛ بحيث لا يكون هناك أي تداخل دلالي أو إجرائي بينهما. يجب أن يتم التحقق من صحة التلاعب التجريبي (Manipulation Check) لضمان أن الفروق الملاحظة بين المستويين تعود حصراً إلى طبيعة العامل وليس إلى متغيرات دخيلة مرتبطة بتنفيذ التجربة. على سبيل المثال، إذا كان المتغير الثنائي هو “حالة التحفيز المالي” (مكافأة مالية مقابل بدون مكافأة)، يجب التأكد من إدراك المشاركين في المستوى الأول لقيمة الحافز بشكل موحد قبل بدء قياس المتغير التابع.

2.2 المتغير المستقل الثلاثي (Three-Level Variable)

يتألف المتغير المستقل الثاني (Factor B) من ثلاثة مستويات محددة، ويشكل القلب النابض لقوة هذا التصميم؛ حيث يتيح للباحثين تجاوز الافتراضات الخطية البسيطة والولوج إلى استكشاف العلاقات غير الخطية والمنحنية (Non-linear and Curvilinear Relationships). في علم النفس، غالباً ما تمثل المستويات الثلاثة تدريجاً كمياً أو رتبياً، مثل مستويات القلق التجريبي (منخفض، معتدل، مرتفع)، أو فترات الحرمان من النوم (صفر ساعة، 12 ساعة، 24 ساعة)، أو جرعات التدخل المعرفي (جلسة واحدة، 3 جلسات، 6 جلسات).

إن إدراج المستوى الثالث يمنح التجربة قدرة تشخيصية فريدة لا يوفرها التصميم 2×2. فوفقاً لقانون “يركيس-دودسون” (Yerkes-Dodson Law) الشهير في علم النفس، يؤدي الاستثارة أو الضغط النفسي المنخفض إلى أداء ضعيف، بينما يؤدي الضغط المعتدل إلى الأداء الأمثل، ثم ينحدر الأداء بشدة عند الضغط المرتفع. لو استخدم الباحث مستويين فقط (منخفض ومرتفع)، لتوصل إلى استنتاج خاطئ بأن الضغط لا يؤثر على الأداء نظراً لتقارب نتائج الطرفين، بينما يكشف المستوى الأوسط طبيعة المنحنى الجرسي الحقيقي بدقة متناهية.

2.3 المتغير التابع ومحددات القياس النفسي

يُعرف المتغير التابع (Dependent Variable) بأنه السلوك، أو العمليات المعرفية، أو الاستجابات الفسيولوجية التي يقيسها الباحث لتقييم تأثير التوليفات التجريبية للمتغيرات المستقلة. ونظراً لاعتماد هذا التصميم على النماذج الإحصائية المعلمية (Parametric Statistics)، يُشترط في المتغير التابع أن يُقاس بمستوى قياس كمي مستمر، سواء كان مقياس مسافة (Interval Scale) كدرجات اختبارات الذكاء ومقاييس الشخصية، أو مقياس نسبة (Ratio Scale) مثل أزمنة الرجع (Reaction Times)، أو معدلات ضربات القلب، أو عدد الأخطاء المرتكبة في مهمة معرفية.

تتطلب الدقة المنهجية إخضاع أدوات قياس المتغير التابع لاختبارات صارمة للصدق (Validity) والثبات (Reliability). ينبغي اختيار أدوات ذات حساسية كافية لرصد الفروق الطفيفة بين الخلايا التجريبية، مع العمل الجاد على تقليص خطأ القياس العشوائي والمنهجي عبر معايرة الأجهزة، وتوحيد ظروف تطبيق الاختبارات، وضبط العوامل البيئية المحيطة كالإضاءة، والضوضاء، ودرجة حرارة غرفة المختبر التجريبي.

2.4 شروط ضبط وتوزيع الخلايا التجريبية الست

تتطلب مصفوفة الخلايا الست المنبثقة عن تصميم 2×3 ضبطاً إجرائياً دقيقاً لضمان تحقيق مبدأ التصميم المتوازن (Balanced Design)، والذي يعني تساوي عدد المشاركين ($n$) في كل خلية من الخلايا الست. يمنح التوازن العددي قوة إحصائية متينة للنموذج ويجعل الاختبارات الإحصائية أكثر مقاومة (Robust) لأي انتهاكات طفيفة لافتراض تجانس التباينات عبر المجموعات.

يتعين على الباحث وضع بروتوكولات صارمة لمنع حدوث التلوث التجريبي (Experimental Contamination)؛ فلا يجوز للمشارك أن يخضع لأكثر من شرط تجريبي إذا كان التصميم بين المجموعات، ويجب الفصل التام بين المشاركين لمنع انتقال المعلومات أو تبادل الخبرات حول طبيعة المهام المطلوبة. كما يقتضي الضبط المنهجي تحديد الإجراءات المعيارية لكل خلية بدقة تشغيلية كاملة تتيح إمكانية تكرار التجربة (Replication) من قِبل باحثين آخرين بنفس المعايير والمحددات.

3. أنواع التأثيرات الإحصائية في التصميم 2×3

3.1 التأثير الرئيسي للمتغير الثنائي (Main Effect of Factor A)

يُعرف التأثير الرئيسي للمتغير المستقل الثنائي بأنه الأثر المباشر والمستقل للعامل A على المتغير التابع، بعد تحييد وتجاهل مستويات العامل الثاني B تحليلياً. إحصائياً، يُقاس هذا التأثير عبر مقارنة المتوسطات الهامشية (Marginal Means) للمستويين $A_1$ و $A_2$. يُحسب المتوسط الهامشي لكل مستوى عن طريق تجميع ودمج بيانات الخلايا الثلاث التابعة له عبر المستويات الثلاثة للعامل B وقسمتها على إجمالي عدد الأفراد في هذا المستوى.

يتم تقييم الدلالة الإحصائية للتأثير الرئيسي للعامل الثنائي باستخدام اختبار النسبة الفائية ($F\text{-test}$)، حيث ترتبط درجات الحرية لهذا العامل بمستوياته ($df_A = a – 1 = 2 – 1 = 1$). تشير القيمة الفائية الدالة إحصائياً عند مستوى دلالة ($\alpha = .05$) إلى وجود فرق جوهري حقيقي بين المستوى الأول والمستوى الثاني للعامل A لا يمكن عزوه للصدفة العشوائية، بغض النظر عن تأثيرات العامل B.

3.2 التأثير الرئيسي للمتغير الثلاثي (Main Effect of Factor B)

يمثل التأثير الرئيسي للعامل المستقل الثلاثي الأثر الشامل لهذا المتغير عبر مستوياته الثلاثة ($B_1, B_2, B_3$) بعد تجميع ودمج مستويي العامل A وحساب المتوسطات الهامشية الثلاثة المقابلة. تبلغ درجات الحرية لهذا العامل درجتين ($df_B = b – 1 = 3 – 1 = 2$). تختبر الفرضية الصفرية هنا ما إذا كانت جميع المتوسطات الهامشية الثلاثة متساوية في المجتمع الإحصائي ($\mu_{B1} = \mu_{B2} = \mu_{B3}$).

عندما تكون النسبة الفائية المحسوبة للعامل الثلاثي دالة إحصائياً ($p < .05$)، فإن هذا يشير إلى وجود فرق معنوي واحد على الأقل بين اثنين من المتوسطات الهامشية الثلاثة. ونظراً لأن العامل يضم ثلاثة مستويات، فإن اختبار F الكلي (Omnibus F-test) لا يحدد موقع هذا الفرق بدقة؛ مما يفرض منهجياً وإحصائياً الانتقال إلى مرحلة المقارنات البعدية (Post-Hoc Tests) لمقارنة الأزواج المحددة ($B_1$ مقابل $B_2$، $B_1$ مقابل $B_3$، و $B_2$ مقابل $B_3$) وتحديد الاتجاه الرياضي للفروق بدقة متناهية.

3.3 تأثير التفاعل (Interaction Effect: A × B)

يُعد تأثير التفاعل الجوهرة الإحصائية والمنهجية للتصميم العاملي، وهو يمثل الحالة التي يختلف فيها اتجاه أو مقدار أثر أحد المتغيرين المستقلين على المتغير التابع باختلاف مستويات المتغير المستقل الآخر. بصيغة رياضية، يعني التفاعل أن الفروق بين خلايا $A_1$ عبر مستويات B ليست متساوية مع الفروق بين خلايا $A_2$ عبر نفس المستويات، وتكون درجات الحرية لتأثير التفاعل حاصل ضرب درجات حرية العاملين ($df_{AB} = (a – 1) \times (b – 1) = 1 \times 2 = 2$).

ينطوي التفاعل على أهمية نظرية بالغة؛ فهو يعبر عن الحدود والشروط التي تعمل ضمنها الظواهر النفسية. عندما يثبت إحصائياً وجود تفاعل دال ($A \times B$)، تصبح القاعدة التحليلية الصارمة هي منح أولوية التفسير للتفاعل وتجميد أو توخي الحذر الشديد في تفسير التأثيرات الرئيسية؛ إذ تصبح التأثيرات الرئيسية العامة مضللة وغير ممثلة للواقع بسبب اعتماد أثر كل متغير على سياق المتغير الآخر. ينقسم التفاعل عموماً إلى تفاعل ترتيبي (Ordinal) وتفاعل تقاطعي (Disordinal)، ولكل منهما دلالات نفسية وتفسيرية مختلفة تماماً.

4. التنويعات المنهجية لتطبيق التصميم العاملي 2×3

4.1 تصميم بين المجموعات (Between-Subjects 2×3 Factorial Design)

في هذا التنويع الكلاسيكي، يتم تعيين عينات مستقلة ومختلفة تماماً من المشاركين في كل خلية من الخلايا الست للتصميم التجريبي؛ أي أن المشارك الواحد يخضع لشرط تجريبي واحد فقط طوال فترة الدراسة. إذا افترضنا تعيين 20 مشاركاً في كل خلية، فإن إجمالي العينة المطلوبة للدراسة سيكون $6 \times 20 = 120$ مشاركاً مستقلاً.

تتمثل الميزة الكبرى للتصميم بين المجموعات في القضاء التام على التأثيرات الناتجة عن تعاقب المهام؛ فلا وجود لتأثيرات الممارسة (Practice Effects)، أو الإرهاق (Fatigue Effects)، أو انتقال أثر التدخل من معالجة لأخرى (Carryover Effects). ومع ذلك، يتمثل العيب الأساسي في الحاجة إلى أعداد كبيرة من المشاركين، بالإضافة إلى زيادة التباين الناجم عن الفروق الفردية العشوائية بين المشاركين في الخلايا المختلفة، مما يستلزم اعتماد إجراءات صارمة للتعيين العشوائي لضمان التكافؤ الأولي للمجموعات.

4.2 تصميم داخل المجموعات (Within-Subjects / Repeated Measures 2×3)

في المقابل، يخضع كل مشارك في تصميم القياسات المتكررة لجميع الظروف والتوليفات التجريبية الست في أوقات وجلسات مختلفة؛ أي أن كل فرد يمر بالخلايا الست ($A_1B_1, A_1B_2, A_1B_3, A_2B_1, A_2B_2, A_2B_3$) ويتم تسجيل استجابته للمتغير التابع في كل ظرف منها.

يوفر هذا التصميم كفاءة اقتصادية وإحصائية هائلة؛ حيث يمكن إجراء الدراسة بأكملها باستخدام 20 أو 30 مشاركاً فقط، مع قدرة فائقة على تقليص تباين الخطأ نظراً لأن كل مشارك يعمل كضابط ومقارن لنفسه (Self-Control)، مما يعزل أثر الفروق الفردية تماماً. لكن التحدي الجوهري يكمن في مخاطر الترتيب والتعب والحمل اللاحق؛ مما يفرض استخدام تقنيات متطورة مثل الموازنة المقابلة (Counterbalancing) أو استخدام مصفوفات “المربع اللاتيني” (Latin Square) لتدوير ترتيب الشروط التجريبية بين المشاركين بشكل عشوائي ومنظم.

4.3 التصميم المختلط (Mixed 2×3 Factorial Design)

يمثل التصميم المختلط (المعروف أيضاً باسم Split-Plot Factorial Design) دمجاً هجيناً بين النوعين السابقين؛ حيث يكون أحد المتغيرين المستقلين عاملاً بين المجموعات (Between-Subjects Factor) والآخر عاملاً داخل المجموعات (Within-Subjects Factor). على سبيل المثال، قد يمثل المتغير الثنائي عاملاً بينياً مثل الجنس (ذكور مقابل إناث) أو الفئة التشخيصية (مرضى مقابل أصحاء)، في حين يمثل المتغير الثلاثي عاملاً داخلياً يقاس عبر الزمن (قبل التدخل، بعد التدخل مباشرة، بعد 3 أشهر من المتابعة).

يُعد هذا النموذج من أكثر التصاميم انتشاراً في الدراسات الإكلينيكية والتربوية لتقييم فعالية البرامج التدريبية والعلاجية عبر الزمن. ومع ذلك، يتطلب هذا التصميم معالجات إحصائية خاصة للتعامل مع انتهاك افتراض الكروية (Sphericity) للقياسات المتكررة باستخدام تعديلات مثل “جرينهاوس-جايسر” (Greenhouse-Geisser) أو “هوين-فيلت” (Huynh-Feldt)، بالإضافة إلى فحص تجانس مصفوفات التباين والتباين المشترك عبر اختبار “بوكس إم” (Box’s M Test).

5. التخطيط التجريبي وإجراءات الضبط المنهجي

5.1 صياغة الفرضيات الإحصائية في نموذج 2×3

يتضمن التصميم العاملي 2×3 صياغة واختبار ثلاث مجموعات مستقلة من الفرضيات الإحصائية الصفرية ($H_0$) والبديلة ($H_1$)، وتغطي كل مجموعة سؤالاً بحثياً محدداً بدقة متناهية:

• الفرضية الخاصة بالتأثير الرئيسي للعامل A:
  
  الفرضية الصفرية ($H_{01}$): $\mu_{A1} = \mu_{A2}$ (لا توجد فروق ذات دلالة إحصائية بين متوسطي مستويي العامل A).
  
  الفرضية البديلة ($H_{11}$): $\mu_{A1} \neq \mu_{A2}$ (يوجد فرق ذو دلالة إحصائية بين متوسطي مستويي العامل A).
• الفرضية الخاصة بالتأثير الرئيسي للعامل B:
  
  الفرضية الصفرية ($H_{02}$): $\mu_{B1} = \mu_{B2} = \mu_{B3}$ (لا توجد فروق ذات دلالة إحصائية بين المتوسطات الهامشية لمستويات العامل B الثلاثة).
  
  الفرضية البديلة ($H_{12}$): على الأقل يوجد متوسطان من المتوسطات الهامشية للعامل B غير متساويين.
• الفرضية الخاصة بتأثير التفاعل ($A \times B$):
  
  الفرضية الصفرية ($H_{03}$): التأثير المشترك للتفاعل يساوي صفراً؛ أي أن الفرق $(\mu_{A1Bj} – \mu_{A2Bj})$ ثابت ومتساوٍ لجميع مستويات $j = 1, 2, 3$.
  
  الفرضية البديلة ($H_{13}$): يوجد تفاعل دال إحصائياً؛ أي أن أثر مستويات العامل A يختلف باختلاف مستويات العامل B.

يجب أن تستند صياغة الفرضيات البديلة إلى أطر نظرية متماسكة، وتحديد ما إذا كانت الفرضيات موجهة (Directional) بناءً على دراسات استكشافية سابقة أو غير موجهة في حال استكشاف مسارات بحثية جديدة.

5.2 التعيين العشوائي وضبط المتغيرات الدخيلة

يشكل التعيين العشوائي (Random Assignment) حجر الزاوية في بناء الصدق الداخلي للتصميم العاملي بين المجموعات. يتضمن هذا الإجراء منح كل مشارك في العينة فرصة متكافئة إحصائياً للالتحاق بأي خلية من الخلايا الست للتجربة عبر استخدام مولدات الأرقام العشوائية الحاسوبية، مما يضمن توزيع الفروق الفردية والسمات الديموغرافية والشخصية بالتساوي بين المجموعات، وبالتالي إبطال مفعولها كمتغيرات مربكة (Confounding Variables).

في الحالات التي يمتلك فيها الباحث متغيراً خارجياً معروفاً بقوة تأثيره على المتغير التابع (مثل معدل الذكاء في دراسة معرفية)، يُفضل استخدام التوزيع العشوائي الطبقي (Stratified Random Assignment) أو أسلوب المجموعات المتناظرة (Matched Groups) لضمان توزيع متكافئ تام لهذا المتغير عبر الخلايا الست. ولتجنب الانحياز المعرفي والتوقعات المتبادلة، يجب تطبيق بروتوكول التعمية المزدوجة (Double-blind Procedure)؛ بحيث يجهل كل من المشارك والباحث الميداني المنفذ للتجربة الفرضية البحثية والخلية المحددة التي يتبع لها المفحوص.

5.3 حساب حجم العينة والقوة الإحصائية (Power Analysis)

يُعد التقدير القبلي لحجم العينة (A Priori Power Analysis) ضرورة علمية حتمية لتفادي الوقوع في خطأ النوع الثاني (Type II Error – $\beta$) المتمثل في الفشل في اكتشاف تأثير حقيقي موجود بالفعل. يوصى بإجراء هذا الحساب باستخدام برنامج المعايرة الإحصائية الشهير G*Power عبر تحديد اختبار Two-Way ANOVA تحت عائلة اختبارات $F\text{-tests}$.

يتطلب التحليل تحديد المعايير الأربعة الأساسية بدقة: مستوى الدلالة المرغوب ($\alpha = .05$)، والقوة الإحصائية المستهدفة المعيارية ($1 – \beta = .80$ أو $.95$)، ودرجات حرية التأثير المراد قياسه ($df = 2$ للتفاعل والعامل الثلاثي)، وحجم التأثير المتوقع وفق مقياس كوهين ($f$). يُصنف كوهين حجم التأثير إلى: صغير ($f = 0.10$)، متوسط ($f = 0.25$)، وكبير ($f = 0.40$). يُظهر الجدول التالي تقديراً لحجم العينة الكلي المطلوب في تصميم 2×3 بين المجموعات لتوليد قوة إحصائية ($1 – \beta = .80$) عند ($\alpha = .05$) باختلاف حجم الأثر المتوقع:

حجم التأثير المتوقع (Cohen’s f)	الوصف النوعي لحجم الأثر	إجمالي حجم العينة المطلوب ($N$)	حجم العينة التقريبي لكل خلية ($n$)
$f = 0.10$	تأثير صغير (Small Effect)	964 مشاركاً	~ 161 مشاركاً
$f = 0.25$	تأثير متوسط (Medium Effect)	158 مشاركاً	~ 27 مشاركاً
$f = 0.40$	تأثير كبير (Large Effect)	66 مشاركاً	~ 11 مشاركاً

يكشف هذا الجدول بوضوح أن الكشف عن التفاعلات الطفيفة يتطلب أحجام عينات ضخمة تتجاوز قدرات الدراسات المحدودة، مما يبرز أهمية البناء النظري الرصين قبل الشروع في جمع البيانات.

6. التحليل الإحصائي: تحليل التباين ثنائي الاتجاه (Two-Way ANOVA)

6.1 الافتراضات الإحصائية لتطبيق Two-Way ANOVA

لكي تكون الاستدلالات الرياضية المستخلصة من نموذج تحليل التباين ثنائي الاتجاه صحيحة وموثوقة، يجب التحقق الصارم من استيفاء البيانات لسلسلة من الافتراضات البارامترية الأساسية:

• استقلالية الملاحظات (Independence of Observations): أن تكون استجابة أي مشارك مستقلة تماماً عن استجابات سائر المشاركين الآخرين، وهو افتراض منهجي يُعالج بالتصميم الصارم والتوزيع العشوائي.
• التوزيع الطبيعي للبواقي (Normality of Residuals): أن تتبع قيم المتغير التابع أو البواقي (Residuals) التوزيع الطبيعي داخل كل خلية من الخلايا الست. يتم فحص ذلك إحصائياً عبر اختبار “شابيرو-ويلك” (Shapiro-Wilk Test) وبصرياً عبر مخططات التوزيع الاحتمالي الطبيعي (Q-Q Plots).
• تجانس التباينات (Homogeneity of Variances): أن تكون تباينات المتغير التابع متساوية إحصائياً عبر الخلايا التجريبية الست ($\sigma_1^2 = \sigma_2^2 = … = \sigma_6^2$). يتم فحص هذا الافتراض بواسطة اختبار “ليفين” (Levene’s Test for Equality of Variances). إذا كانت قيمة $p > .05$، فإن الافتراض متحقق.
• مستوى القياس المستمر: أن يكون المتغير التابع مقاساً بمستوى مسافة أو نسبة كمية مستمرة.

في حال حدوث انتهاكات جوهرية لافتراض التجانس مع عدم توازن العينات، يمكن اللجوء إلى تحويلات البيانات الرياضية (مثل التحويل اللوغاريتمي أو تحويل الجذر التربيعي)، أو تطبيق نماذج تحليل التباين المعززة للتباين اللامتجانس (Welch’s ANOVA) أو الاعتماد على أساليب إعادة المعاينة التكرارية (Bootstrapping).

6.2 تفكيك تباين البيانات ومجموع المربعات (Sums of Squares)

تقوم النظرية الرياضية لاختبار ANOVA على التفكيك الكلي للتباين الإجمالي في البيانات ($SS_{\text{Total}}$) إلى مصدرين أساسيين: التباين بين المجموعات ($SS_{\text{Between}}$) والتباين داخل المجموعات المنسوب للخطأ العشوائي ($SS_{\text{Within}}$ أو $SS_{\text{Error}}$). وفي تصميم 2×3، يُفكك التباين بين المجموعات بدوره إلى ثلاثة مكونات مستقلة ومتعامدة (Orthogonal):

$$SS_{\text{Total}} = SS_A + SS_B + SS_{AB} + SS_{\text{Error}}$$

حيث تُحسب هذه المكونات وفق الصيغ الرياضية التالية (بافتراض التوازن العددي $n$ مشارك في كل خلية، بإجمالي أفراد $N = a \times b \times n = 2 \times 3 \times n$):

• مجموع مربعات العامل الثنائي ($SS_A$): يقيس انحراف المتوسطات الهامشية للمستويين عن المتوسط العام:
  $$SS_A = b \cdot n \sum_{i=1}^{a} (\bar{X}_{i\cdot} – \bar{X}_{\cdot\cdot})^2, \quad df_A = a – 1 = 1$$
• مجموع مربعات العامل الثلاثي ($SS_B$): يقيس انحراف المتوسطات الهامشية للمستويات الثلاثة عن المتوسط العام:
  $$SS_B = a \cdot n \sum_{j=1}^{b} (\bar{X}_{\cdot j} – \bar{X}_{\cdot\cdot})^2, \quad df_B = b – 1 = 2$$
• مجموع مربعات التفاعل ($SS_{AB}$): يقيس التباين الخاص بالخلايا بعد استبعاد التأثيرين الرئيسيين:
  $$SS_{AB} = n \sum_{i=1}^{a} \sum_{j=1}^{b} (\bar{X}_{ij} – \bar{X}_{i\cdot} – \bar{X}_{\cdot j} + \bar{X}_{\cdot\cdot})^2, \quad df_{AB} = (a – 1)(b – 1) = 2$$
• مجموع مربعات الخطأ ($SS_{\text{Error}}$): التباين غير المفسر داخل كل خلية:
  $$SS_{\text{Error}} = \sum_{i=1}^{a} \sum_{j=1}^{b} \sum_{k=1}^{n} (X_{ijk} – \bar{X}_{ij})^2, \quad df_{\text{Error}} = N – ab = N – 6$$

يتم بعد ذلك استخراج متوسط المربعات (Mean Squares – MS) بقسمة كل مجموع مربعات على درجات حريته الخاصة ($MS = SS / df$). وأخيراً، يتم حساب النسبة الفائية ($F\text{-ratio}$) لكل مصدر تباين عبر قسمة متوسط المربعات الخاص به على متوسط مربعات الخطأ ($MS_{\text{Error}}$):

$$F_A = \frac{MS_A}{MS_{\text{Error}}}, \quad F_B = \frac{MS_B}{MS_{\text{Error}}}, \quad F_{AB} = \frac{MS_{AB}}{MS_{\text{Error}}}$$

6.3 قراءة وتفسير جدول مخرجات تحليل التباين

يُلخص جدول تحليل التباين (ANOVA Table) مخرجات الحسابات السابقة بصورة مصفوفية قياسية تتيح للباحث قراءة النتائج واتخاذ القرارات الإحصائية بيسر وسرعة. يوضح الجدول التالي الهيكلية المعيارية لجدول ANOVA في تصميم عاملي 2×3 مع بيانات افتراضية توضيحية ($N = 120$ مشاركاً، $n = 20$ لكل خلية):

مصدر التباين (Source)	مجموع المربعات ($SS$)	درجات الحرية ($df$)	متوسط المربعات ($MS$)	قيمة ($F$)	مستوى الدلالة ($p\text{-value}$)	$\eta_p^2$ الجزئي
العامل A (نوع العلاج)	145.20	1	145.20	18.45	< .001	0.139
العامل B (شدة الاكتئاب)	312.80	2	156.40	19.87	< .001	0.258
التفاعل ($A \times B$)	88.50	2	44.25	5.62	.005	0.090
الخطأ (Error / Within)	897.40	114	7.87	–	–	–
الإجمالي المصحح (Total)	1443.90	119	–	–	–	–

تتم قراءة الجدول بالبدء من صف التفاعل ($A \times B$)؛ حيث تشير قيمة $F(2, 114) = 5.62, p = .005$ إلى وجود تفاعل دال إحصائياً عند مستوى دلالة أقل من $.01$، مع حجم أثر جزئي ($\eta_p^2 = 0.090$) يمثل تأثيراً متوسطاً إلى كبير. ورغم أن التأثيرين الرئيسيين للعاملين A و B دالان إحصائياً أيضاً ($p < .001$)، فإن وجود التفاعل يمنع تفسيرهما بشكل سطحي مستقل، ويفرض مباشرة الانتقال إلى إجراء تحليل التأثيرات البسيطة.

7. التحليلات التتبعية والاختبارات البعدية (Post-Hoc Analysis)

7.1 تحليل التأثيرات البسيطة الرئيسية (Simple Main Effects)

يُمثل تحليل التأثيرات البسيطة الرئيسية (Simple Main Effects Analysis) الخطوة الإحصائية الإلزامية عندما يسفر اختبار ANOVA عن تفاعل دال إحصائياً ($A \times B$). يهدف هذا التحليل إلى تفكيك التفاعل المعقد عبر فحص أثر متغير مستقل واحد عند مستوى محدد ومفرد من مستويات المتغير المستقل الآخر بشكل معزول.

في نموذج 2×3، يمكن إجراء التحليل باتجاهين مكملين لبعضهما:

• أثر العامل الثنائي A عند كل مستوى من مستويات العامل الثلاثي B: يتضمن ذلك إجراء ثلاثة اختبارات $F$ بسيطة (أو اختبارات $t$ للمجموعات المستقلة): أثر A عند المستوى $B_1$، وأثر A عند المستوى $B_2$، وأثر A عند المستوى $B_3$. يكشف هذا التحليل أين تتمايز فاعلية المستويين $A_1$ و $A_2$ بالتحديد عبر درجات المتغير B.
• أثر العامل الثلاثي B عند كل مستوى من مستويي العامل الثنائي A: يتضمن ذلك إجراء اختباري تحليل تباين أحادي (One-Way ANOVA) منفصلين: أثر B داخل المجموعة $A_1$، وأثر B داخل المجموعة $A_2$.

عند إجراء اختبارات التأثيرات البسيطة المتعددة، يجب تطبيق تصحيح إحصائي لمستوى الدلالة (مثل تصحيح بونفيروني Bonferroni Adjustment) لتفادي تضخم معدل الخطأ من النوع الأول الناجم عن تكرار الاختبارات الإحصائية على نفس البيانات.

7.2 المقارنات المتعددة للمتغير الثلاثي (Multiple Pairwise Comparisons)

في الحالات التي يظهر فيها التأثير الرئيسي للعامل الثلاثي دلالة إحصائية في غياب التفاعل الدال، أو عند فحص التأثير البسيط للعامل الثلاثي عند مستوى محدد من العامل الثنائي، تبرز الحاجة المنهجية لإجراء المقارنات البعدية الثنائية (Pairwise Comparisons) لتحديد أي من المستويات الثلاثة تختلف عن بعضها تحديداً ($B_1$ مقابل $B_2$، $B_1$ مقابل $B_3$، $B_2$ مقابل $B_3$).

تتعدد الاختبارات البعدية المستخدمة تبعاً لأهداف الباحث وطبيعة البيانات:

• اختبار توكي للفرق ذي الدلالة الحقيقية (Tukey’s HSD): يُعد الخيار المعياري والأكثر كفاءة وقوة عند إجراء جميع المقارنات الثنائية الممكنة بين المجموعات متساوية الحجم، مع الحفاظ الدقيق على معدل الخطأ المتراكم للأسرة التجريبية ($\alpha_{\text{family}} = .05$).
• تصحيح بونفيروني (Bonferroni Correction): يتميز بصرامة عالية ويُفضل استخدامه عند الرغبة في إجراء عدد محدود ومحدد مسبقاً من المقارنات المخططة (Planned Contrasts)، وذلك بقسمة $\alpha$ على عدد المقارنات ($k$): $\alpha_{\text{altered}} = \alpha / k$.
• اختبار شيفيه (Scheffé Test): يمثل الاختبار الأكثر تحفظاً وحذراً على الإطلاق، ويُستخدم عادة عند إجراء مقارنات معقدة تتضمن دمج عدة مجموعات في طرف مقابل مجموعة أخرى، ويتحمل الانتهاكات الطفيفة لافتراضات التباين.

7.3 تقدير حجم التأثير (Effect Size Estimation)

لم يعد التقرير عن مستوى الدلالة الإحصائية ($p\text{-value}$) كافياً في الأبحاث النفسية المعاصرة؛ إذ يعكس $p$ احتمالية حدوث البيانات تحت الفرضية الصفرية ويتأثر بشدة بحجم العينة، في حين يقيس حجم التأثير (Effect Size) القوة العملية والحجم الحقيقي للظاهرة في المجتمع بمعزل عن حجم العينة. المقياس الأكثر شيوعاً واستخداماً في تصاميم ANOVA هو مربع إيتا الجزئي (Partial Eta Squared – $\eta_p^2$)، ويُحسب بالمعادلة التالية:

$$\eta_p^2 = \frac{SS_{\text{Effect}}}{SS_{\text{Effect}} + SS_{\text{Error}}}$$

يمثل $\eta_p^2$ نسبة التباين في المتغير التابع التي يفسرها التأثير المعني بعد استبعاد تباين التأثيرات التجريبية الأخرى في النموذج. وضع جاكوب كوهين (Jacob Cohen) معايير مرجعية استرشادية لتفسير قيم $\eta_p^2$ في العلوم السلوكية:

• $\eta_p^2 \approx 0.01$: حجم تأثير صغير (Small Effect).
• $\eta_p^2 \approx 0.06$: حجم تأثير متوسط (Medium Effect).
• $\eta_p^2 ge 0.14$: حجم تأثير كبير (Large Effect).

ومع ذلك، يميل الإحصائيون المتقدمون إلى تفضيل مقياس أوميغا المربعة ($\omega^2$) أو أوميغا الجزئية ($\omega_p^2$)؛ نظراً لأن $\eta_p^2$ يُعد تقديراً متحيزاً قليلاً يميل إلى تضخيم حجم الأثر في العينات الصغيرة، بينما تقدم معادلة أوميغا تقديراً غير متحيز يصحح الخطأ باقتطاع التباين المنسوب للخطأ في المجتمع:

$$\omega_p^2 = \frac{SS_{\text{Effect}} – (df_{\text{Effect}} \cdot MS_{\text{Error}})}{SS_{\text{Effect}} + (N – df_{\text{Effect}}) \cdot MS_{\text{Error}}}$$

8. التمثيل البياني والتفسير البصري للنتائج

8.1 رسم وتحليل مخططات التفاعل (Interaction Plots)

تُعد مخططات التفاعل الخطية (Interaction Line Plots) الأداة البصرية الأقوى والأكثر استخداماً لفهم طبيعة التأثير المشترك في تصميم 2×3. يتم تمثيل المتغير الثلاثي (Factor B) عادة على المحور الأفقي ($X\text{-axis}$) بمستوياته الثلاثة ($B_1, B_2, B_3$)، بينما يوضع المتغير التابع على المحور الرأسي ($Y\text{-axis}$)، وتُرسم استجابات المتغير الثنائي (Factor A) كخطين منفصلين ومميزين (مثل خط متصل لـ $A_1$ وخط متقطع لـ $A_2$).

يسمح التحليل البصري للخطوط باستخلاص استنتاجات فورية دقيقة:

• الخطوط المتوازية تماماً (Parallel Lines): تدل بصرياً على غياب التفاعل الإحصائي؛ مما يعني أن الفرق بين مستويي العامل A ثابت وموحد عبر جميع مستويات العامل B.
• الخطوط غير المتوازية ولكن غير المتقاطعة (Ordinal Interaction): تشير إلى وجود تفاعل ترتيبي؛ حيث يتسع الفرق بين المجموعتين أو يضيق عبر مستويات B، لكن ترتيب الأفضلية بين $A_1$ و $A_2$ يظل ثابتاً في نفس الاتجاه.
• الخطوط المتقاطعة تماماً (Disordinal / Cross-over Interaction): تمثل التفاعل التقاطعي الأكثر إثارة للاهتمام؛ حيث يتفوق المستوى $A_1$ على $A_2$ عند المستوى $B_1$، بينما ينعكس النمط تماماً ليتفوق $A_2$ على $A_1$ عند المستوى $B_3$. في هذه الحالة، تفقد التأثيرات الرئيسية أي معنى تفسيري مستقل.

تقتضي المعايير الأكاديمية الصارمة تزويد كل نقطة في الرسم البياني بـ أشرطة الخطأ (Error Bars) التي تمثل إما الخطأ المعياري للمتوسط ($\pm 1 \text{ SEM}$) أو فاصل الثقة 95% ($95% \text{ CI}$) لإبراز الدقة التقديرية لكل متوسط خلية.

8.2 المخططات الشريطية المركبة والخرائط الحرارية

إلى جانب الرسوم الخطية، تُستخدم المخططات الشريطية المجمعة (Clustered Bar Charts) بكفاءة عالية لعرض متوسطات الخلايا الست جنباً إلى جنب؛ حيث تُجمع كل ثلاثة أشرطة تمثل مستويات العامل الثاني تحت كل مستوى من مستويي العامل الأول، أو العكس، مع تظليل لوني متمايز وأشرطة خطأ واضحة.

كما برز في السنوات الأخيرة استخدام الخرائط الحرارية (Heatmaps) في الدراسات النفسية والعصبية المتقدمة التي توظف تصاميم 2×3؛ حيث يتم تمثيل الخلايا الست في شبكة مصفوفية ثنائية الأبعاد ($2 \times 3$)، وتُعطى كل خلية كثافة لونية متدرجة (تدرج حراري من البارد إلى الساخن) تعكس قيمة المتوسط الحسابي للخلية. توفر الخرائط الحرارية إدراكاً حسياً سريعاً للأنماط والكتل التفاعلية داخل البيانات الكبيرة.

8.3 أخطاء التفسير البصري الشائعة وكيفية تجنبها

ينطوي التفسير البصري للرسوم البيانية على منزلقات وأخطاء شائعة قد تقود الباحث إلى استنتاجات مضللة ما لم تكن مؤطرة بالتحقق الإحصائي الصارم:

• الوهم البصري للتقاطع: افتراض وجود تفاعل بمجرد رؤية خطوط غير متوازية بصرياً على الرسم دون التأكد من أن قيمة $p$ لتأثير التفاعل في جدول ANOVA دالة إحصائياً؛ فالانحرافات البصرية الطفيفة قد تكون ناتجة ببساطة عن خطأ المعاينة العشوائي.
• بتر المحور الرأسي (Scale Truncation): يؤدي تضييق نطاق المحور الرأسي $Y$ وتكبير التدريج بشكل مفرط إلى تضخيم الفروق الهامشية الضئيلة وتصويرها كتفاعلات ضخمة، في حين يؤدي توسيع النطاق بشكل مبالغ فيه إلى تسطيح فروق حقيقية ذات مغزى. يجب دائماً اختيار مدى منطقي وواقعي للمحاور يتناسب مع التباين الطبيعي للمتغير.
• تجاهل أشرطة الخطأ: إهمال فحص التداخل بين فواصل الثقة؛ فإذا كانت أشرطة الخطأ للخلايا تتداخل بشكل واسع وكبير، فإن الفروق البصرية الظاهرة تفتقر غالباً إلى القوة الإحصائية الحقيقية.

9. دراسات حالة وأمثلة تطبيقية في علم النفس

9.1 دراسة إكلينيكية: نوع العلاج وشدة الاكتئاب

أجرى فريق بحثي في علم النفس الإكلينيكي دراسة تجريبية لاختبار فعالية التدخلات العلاجية في خفض أعراض الاكتئاب وفق تصميم عاملي 2×3 بين المجموعات. تكونت التجربة من:

• المتغير المستقل الأول (العامل الثنائي): نوع التدخل العلاجي بمستويين (علاج سلوكي معرفي CBT مقابل علاج دوائي بمثبطات استرداد السيروتونين الانتقائية SSRI).
• المتغير المستقل الثاني (العامل الثلاثي): مستوى شدة الاكتئاب الأولي قبل التدخل بمستويات ثلاثة (طفيف، متوسط، حاد).
• المتغير التابع: درجة التحسن في الأعراض مقاسة بمقياس بيك للاكتئاب (BDI-II) بعد 12 أسبوعاً من العلاج.

أظهرت نتائج تحليل التباين Two-Way ANOVA تأثيراً رئيسياً دالاً لشدة الاكتئاب ($F(2, 114) = 24.15, p < .001$)، وتأثيراً رئيسياً غير دال لنوع العلاج ($F(1, 114) = 0.85, p = .358$). ومع ذلك، كشف التحليل عن تفاعل تقاطعي بالغ الدلالة بين نوع العلاج وشدة الاكتئاب ($F(2, 114) = 14.80, p < .001, \eta_p^2 = 0.206$).

عند إجراء تحليل التأثيرات البسيطة، اتضح تفوق العلاج السلوكي المعرفي بشكل جوهري على العلاج الدوائي في حالات الاكتئاب الطفيف ($p = .002$)، بينما لم تظهر فروق دالة بينهما في الاكتئاب المتوسط ($p = .420$)، في حين تفوق العلاج الدوائي باكتساح على السلوكي المعرفي في حالات الاكتئاب الحاد ($p < .001$). يوضح هذا المثال كيف أنقذ التصميم العاملي الباحثين من استنتاج خاطئ بأن نوع العلاج غير مهم، وقدم دليلاً إكلينيكياً حاسماً لتخصيص البروتوكولات العلاجية وفق شدة الحالة (Tailored Psychotherapy).

9.2 دراسة في علم النفس المعرفي: الحرمان من النوم وصعوبة المهمة

في مختبر علم النفس المعرفي العصبي، تم تصميم تجربة لدراسة تأثير استنزاف الموارد التنفيذية للدماغ وفق نموذج 2×3 مختلط:

• العامل بين المجموعات (الثنائي): حالة النوم بمستويين (نوم طبيعي 8 ساعات مقابل حرمان كامل من النوم ليلة كاملة 24 ساعة).
• العامل داخل المجموعات (الثلاثي): صعوبة مهمة الانتباه التنفيذي المتواصل بمستويات ثلاثة (مهمة بسيطة ذات حمل منخفض، مهمة متوسطة، مهمة معقدة ذات حمل إدراكي مرتفع).
• المتغير التابع: زمن الرجع بالمللي ثانية (Reaction Time in ms) في الاستجابات الصحيحة.

أسفرت النتائج عن تفاعل تآزري دال إحصائياً ($p < .001$). أظهرت التأثيرات البسيطة أنه في المهمة البسيطة، كان الفارق في زمن الرجع بين المحرومين من النوم والأصحاء ضئيلاً جداً وغير دال سريرياً. ولكن مع تزايد صعوبة المهمة، تدهور زمن رجع المحرومين من النوم بشكل متسارع وغير خطي مقارنة بأقرانهم؛ مما أثبت نظرية أن الحرمان من النوم يستنزف تحديداً وظائف القشرة الجبهية المسؤولة عن المهام المعقدة، بينما تظل العمليات الحسية الأساسية مقاومة للتعب المؤقت.

9.3 دراسة في علم النفس التنظيمي: أسلوب القيادة والضغط الوظيفي

فحصت دراسة في السلوك التنظيمي أثر التفاعل بين النمط الإداري وبيئة العمل على الاحتراق النفسي للعاملين في شركات التكنولوجيا وفق تصميم 2×3 بين المجموعات:

• العامل الأول (الثنائي): نمط القيادة الإدارية (قيادة تحويلية ملهمة Transformational مقابل قيادة تبادلية تعاقدية Transactional).
• العامل الثاني (الثلاثي): مستوى ضغط العمل المدرك (ضغط منخفض، ضغط معتدل، ضغط مرتفع ومواعيد تسليم حرجة).
• المتغير التابع: مؤشر الإجهاد الانفعالي والاحتراق الوظيفي مقاساً بمقياس “ماسلاك” (MBI).

كشفت النتائج عن تفاعل وقائي (Buffering Interaction Effect)؛ حيث تساوت مستويات الاحتراق الوظيفي في ظل القيادتين عندما كان ضغط العمل منخفضاً، ولكن عند ارتفاع الضغوط إلى المستويات القصوى، أظهر الموظفون الخاضعون للقيادة التحويلية معدلات احتراق أقل بكثير وبفارق دال إحصائياً عن أولئك الخاضعين للقيادة التبادلية. وفرت هذه النتيجة توصيات تطبيقية لإدارات الموارد البشرية بضرورة تبني القيادة التحويلية كاستراتيجية وقائية في بيئات العمل عالية الضغوط.

10. المزايا المنهجية والتحديات في تصميم 2×3

10.1 المكاسب العلمية والمنهجية للتصميم

يقدم التصميم العاملي 2×3 حزمة متكاملة من المكاسب الاستباقية للبحث العلمي الرصين:

• الكفاءة والاقتصاد المنهجي: تقليل الوقت والتكلفة عبر دمج أهداف بحثية متعددة في تجربة موحدة، واستثمار كل نقطة بيانات لقياس عدة تأثيرات في آن واحد.
• الكشف عن التأثيرات المعدلة (Moderation Effects): اختبار ما إذا كان المتغير الثاني يعمل كمتغير معدل يغير قوة أو اتجاه العلاقة بين المتغير الأول والمتغير التابع، مما يثري النماذج النظرية ويزيدها واقعية.
• تعزيز الصدق الخارجي وقابلية التعميم: عبر اختبار المتغير في سياق يضم مستويات مختلفة من متغير آخر، تصبح النتائج قابلة للتعميم على ظروف بشرية واجتماعية أكثر تنوعاً مقارنة بالتجارب المعزولة اصطناعياً.
• عزل التباين المتبقي: إدراج المتغير الثاني كعامل في النموذج يسهم في إزالة تباينه من تباين الخطأ ($SS_{\text{Error}}$)، مما يخفض المقام في اختبار $F$ ويزيد حساسية وقوة الاختبار لاكتشاف الفروق بين المجموعات.

10.2 التحديات الإحصائية وصعوبات التنفيذ

على الرغم من المزايا المتعددة، يواجه الباحثون تحديات إجرائية وإحصائية معتبرة عند تبني هذا التصميم:

• متطلبات حجم العينة العالية: كما تبين في تحليل القوة الإحصائية، فإن اكتشاف التفاعلات الضعيفة أو الدقيقة يتطلب عينات ضخمة قد تتعذر في الدراسات الإكلينيكية التي تتعامل مع فئات مرضية نادرة.
• تعقيد التفسير النظري: في حال ظهور تفاعلات ثلاثية الأطراف أو تفاعلات غير متوقعة تتناقض مع الأدبيات السابقة، يصبح البناء النظري للتفسير مهمة بالغة التعقيد تتطلب استدلالاً منطقياً عميقاً ومزيداً من التجارب التعقيبية.
• صعوبة التوزيع المتكافئ: الحفاظ على التوازن العددي الصارم في الخلايا الست يمثل تحدياً لوجستياً ميدانياً، لا سيما مع احتمالات اعتذار المشاركين أو استبعاد استجابات غير مكتملة.

10.3 التهديدات الموجهة للصدق التجريبي

يتعرض تصميم 2×3 لمهددات نوعية تستوجب اليقظة المنهجية التامة لحماية الصدق التجريبي للدراسة:

• التسرب التجريبي التفاضلي (Differential Attrition): انسحاب المشاركين بمعدلات متفاوتة بين الخلايا التجريبية (مثل انسحاب مرضى الاكتئاب الحاد من مجموعة العلاج السلوكي الشاق)، مما يؤدي إلى اختلال التوازن وتشويه عشوائية التعيين وظهور فروق زائفة.
• تضخم خطأ النوع الأول ($\alpha$-Inflation): إجراء العديد من الاختبارات البعدية والتأثيرات البسيطة دون تطبيق تصحيحات صارمة يؤدي حتماً إلى تضخم احتمال الرفض الخاطئ للفرضية الصفرية واكتشاف تأثيرات وهمية.
• تلوث الظروف التجريبية: في التصاميم داخل المجموعات، قد تؤدي المعالجات السابقة إلى تغيير دائم في استجابة المفحوص المعرفية، مما يجعل قياس الشروط اللاحقة غير نقي ومتأثراً بالمعالجة الأولى.

11. التطبيق العملي والتحليل باستخدام البرمجيات الإحصائية

11.1 إجراء تحليل 2×3 باستخدام حزمة SPSS

تُعد حزمة SPSS الخيار الأكثر شيوعاً في الأوساط الأكاديمية لإجراء تحليل التباين ثنائي الاتجاه بين المجموعات. يتم تنفيذ التحليل عبر الخطوات الإجرائية التالية:

1. هيكلة البيانات: إنشاء ثلاثة أعمدة في شاشة تعريف المتغيرات (Variable View): العمود الأول للمتغير الثنائي (FactorA: 1 = CBT, 2 = Drug)، والعمود الثاني للمتغير الثلاثي (FactorB: 1 = Mild, 2 = Moderate, 3 = Severe)، والعمود الثالث للمتغير التابع الكمي المستمر (Depression_Score).
2. الوصول لقائمة التحليل: النقر على القوائم: Analyze → General Linear Model → Univariate.
3. تعيين المتغيرات: نقل المتغير التابع إلى صندوق Dependent Variable، ونقل المتغيرين المستقلين (FactorA و FactorB) إلى صندوق Fixed Factor(s).
4. إعداد الرسوم البيانية: النقر على Plots، ونقل FactorB إلى المحور الأفقي (Horizontal Axis) و FactorA إلى الخطوط المنفصلة (Separate Lines)، ثم الضغط على Add واختيار تضمين أشرطة الخطأ (Error Bars).
5. المقارنات البعدية وحجم الأثر: النقر على Post Hoc ونقل العامل الثلاثي FactorB واختيار Tukey. ثم فتح Options وتفعيل خيارات Descriptive statistics و Estimates of effect size و Homogeneity tests.
6. استخراج التأثيرات البسيطة عبر الـ Syntax: نظراً لأن واجهة الأزرار لا تتيح مباشرة اختبار التأثيرات البسيطة للتفاعل، يتم الضغط على Paste لفتح شاشة الأوامر وإضافة التعليمة التالية داخل أمر /EMMEANS:
   
   /EMMEANS=TABLES(FactorA*FactorB) COMPARE(FactorA) ADJ(BONFERRONI)

/EMMEANS=TABLES(FactorA*FactorB) COMPARE(FactorB) ADJ(BONFERRONI)
   
   ثم تشغيل الأمر لتوليد جداول التأثيرات البسيطة المصححة بدقة متناهية.

11.2 تنفيذ التحليل وكتابة الشيفرة البرمجية بلغة R

توفر لغة البرمجة الإحصائية R مرونة وقوة فائقة لا تضاهى في تحليل وتصوير تصاميم 2×3 باستخدام حزم التحليل المعياري الحديثة مثل tidyverse و afex و emmeans و ggplot2. يُوضح المسار البرمجي التالي كيفية بناء التحليل وتوليد الرسوم:

1. تجهيز البيانات وبناء النموذج:

يتم استيراد البيانات وضمان تعريف المتغيرات المستقلة كعوامل تصنيفية (Factors)، ثم استخدام دالة aov_ez() من حزمة afex لتنفيذ تحليل التباين مع حساب أحجام الأثر وفق نمط المربعات من النوع الثالث (Type III Sums of Squares) وهو المعيار الموصى به للتصاميم العاملية:

# تحميل الحزم المطلوبة
library(tidyverse)
library(afex)
library(emmeans)

# بناء نموذج ANOVA ثنائي الاتجاه
model_2x3 <- aov_ez(id = "Subject_ID", dv = "Score", data = my_data,
                    between = c("FactorA", "FactorB"), type = 3)
summary(model_2x3)

2. استخراج التأثيرات البسيطة والمقارنات البعدية:

# حساب التأثيرات البسيطة للعامل A عند كل مستوى من B مع تعديل بونفيروني
simple_A <- emmeans(model_2x3, ~ FactorA | FactorB)
pairs(simple_A, adjust = "bonferroni")

# المقارنات البعدية لـ B عند كل مستوى من A
simple_B <- emmeans(model_2x3, ~ FactorB | FactorA)
pairs(simple_B, adjust = "tukey")

3. بناء مخطط التفاعل التفاعلي باستخدام ggplot2:

ggplot(my_data, aes(x = FactorB, y = Score, color = FactorA, group = FactorA)) +
  stat_summary(fun = mean, geom = "line", linewidth = 1.2) +
  stat_summary(fun = mean, geom = "point", size = 3.5) +
  stat_summary(fun.data = mean_se, geom = "errorbar", width = 0.15) +
  theme_classic(base_size = 14) +
  labs(title = "Interaction Effect in 2x3 Factorial Design",
       x = "Severity Level (Factor B)", y = "Mean Response (DV)", color = "Treatment")

11.3 التطبيق عبر برنامج JASP مفتوح المصدر

يُعد برنامج JASP البديل الحر والمثالي المفتوح المصدر للباحثين؛ حيث يجمع بين واجهة رسومية سهلة للغاية وتوافق كامل مع معايير الجمعية الأمريكية لعلم النفس وتوفير التحليل التكراري الكلاسيكي والتحليل البايزي (Bayesian ANOVA) في آن واحد.

لتنفيذ تحليل 2×3 في JASP، يتم استيراد ملف البيانات بصيغة CSV، ثم اختيار تبويب ANOVA → Classical ANOVA. يُسحب المتغير التابع إلى خانة Dependent Variable والعاملان إلى خانة Fixed Factors. يولد البرنامج فورياً جدول ANOVA القياسي متضمناً قيم $\eta_p^2$ و $\omega^2$. وبنقرة زر إضافية تحت قسم Descriptive Plots، يُحدد العامل الثلاثي على المحور الأفقي والعامل الثنائي كخطوط منفصلة مع تفعيل فواصل الثقة 95%. كما يوفر قسم Post Hoc Tests وقسم Simple Main Effects مصفوفات المقارنات المصححة الجاهزة مباشرة للنشر العلمي.

12. توثيق وكتابة نتائج التصميم 2×3 وفق دليل أسلوب APA (الإصدار السابع)

12.1 الصياغة النصية القياسية للنتائج الإحصائية

يضع دليل أسلوب الجمعية الأمريكية لعلم النفس (APA 7th Edition) معايير دقيقة لتوثيق نتائج تحليل التباين داخل النص. يجب كتابة الرموز الإحصائية بخط مائل ($F, p, M, SD, \eta_p^2$) مع تحديد درجات حرية التأثير ودرجات حرية الخطأ بين قوسين بعد رمز $F$ مباشرة، وتوثيق قيمة $p$ بدقة حتى ثلاثة أرقام عشرية دون وضع صفر قبل الفاصلة إذا كانت القيمة لا يمكن أن تتجاوز الواحد الصحيح ($p = .003$ وليس $0.003$).

نموذج نصي متكامل لتوثيق النتائج:

“أُجري تحليل تباين ثنائي الاتجاه بين المجموعات 2×3 لفحص أثر نوع التدخل العلاجي (علاج سلوكي معرفي مقابل علاج دوائي) وشدة الاكتئاب الأولية (طفيف، متوسط، حاد) على درجات التحسن في مقياس بيك للاكتئاب. كشفت النتائج عن تأثير رئيسي دال إحصائياً لشدة الاكتئاب، $F(2, 114) = 19.87, p < .001, \eta_p^2 = .258$، بينما لم يكن التأثير الرئيسي لنوع العلاج دالاً إحصائياً، $F(1, 114) = 1.25, p = .266, \eta_p^2 = .011$."

“والأهم من ذلك، أظهرت النتائج وجود تأثير تفاعلي دال إحصائياً بين نوع التدخل وشدة الاكتئاب، $F(2, 114) = 5.62, p = .005, \eta_p^2 = .090$. وتماشياً مع هذا التفاعل الدال، تم إجراء تحليل التأثيرات البسيطة الرئيسية بتطبيق تصحيح بونفيروني. أظهرت التحليلات تفوق العلاج السلوكي المعرفي بشكل دال على العلاج الدوائي في فئة الاكتئاب الطفيف ($M = 24.50, SD = 3.10$ مقابل $M = 18.20, SD = 2.85$، على التوالي؛ $F(1, 114) = 8.95, p = .003, \eta_p^2 = .073$). في المقابل، تفوق العلاج الدوائي بدلالة إحصائية على العلاج السلوكي المعرفي في فئة الاكتئاب الحاد ($M = 28.10, SD = 3.40$ مقابل $M = 20.30, SD = 3.15$؛ $F(1, 114) = 13.45, p < .001, \eta_p^2 = .105$). في حين لم تظهر فروق دالة إحصائياً بين التدخلين في فئة الاكتئاب المتوسط ($p = .680$)."

12.2 تصميم الجداول الإحصائية المعتمدة وفق APA 7

تشترط معايير APA 7 تصميم جداول أنيقة وخالية تماماً من الخطوط الرأسية (No Vertical Lines)، مع الاقتصار فقط على ثلاثة خطوط أفقية رئيسية: خط أعلى ترويسة الجدول، وخط أسفل الترويسة، وخط في أسفل الجدول قبل الملاحظات السفلية. يوضح الجدول التالي نموذجاً قياسياً لعرض المتوسطات والانحرافات المعيارية لتصميم 2×3:

نوع التدخل (Factor A)	شدة الاكتئاب (Factor B)	$n$	$M$	$SD$	95% CI [LL, UL]
علاج سلوكي معرفي (CBT)	طفيف	20	24.50	3.10	[23.05, 25.95]
	متوسط	20	22.10	2.95	[20.72, 23.48]
	حاد	20	20.30	3.15	[18.82, 21.78]
علاج دوائي (SSRI)	طفيف	20	18.20	2.85	[16.86, 19.54]
	متوسط	20	21.80	3.20	[20.30, 23.30]
	حاد	20	28.10	3.40	[26.51, 29.69]

ملاحظة. $N = 120$. $M$ = المتوسط الحسابي؛ $SD$ = الانحراف المعياري؛ $CI$ = فاصل الثقة؛ $LL$ = الحد الأدنى؛ $UL$ = الحد الأعلى.

12.3 مناقشة النتائج وربطها بالدلالات النظرية والتطبيقية

تمثل كتابة قسم المناقشة (Discussion) في دراسات التصميم 2×3 تتويجاً للجهد البحثي؛ حيث يتعين على الباحث تجاوز السرد الرقمي والارتقاء إلى التفسير السيكولوجي والنظري العميق للنتائج. يجب أن تبدأ المناقشة ببيان واضح ومباشر عما إذا كانت البيانات قد دعمت الفرضيات التجريبية المصاغة مسبقاً، مع التركيز الأساسي على نمط التفاعل المكتشف.

ينبغي ربط التفاعلات بالأدبيات السابقة؛ فإذا كان التفاعل تقاطعياً كما في مثال العلاج النفسي، يُناقش ذلك في ضوء النماذج البيولوجية النفسية (Biopsychosocial Models)، موضحاً كيف أن التغيرات الكيميائية الحيوية الحادة في الاكتئاب الشديد تتطلب تدخلاً دوائياً مكثفاً لضبط النواقل العصبية قبل أن تصبح العمليات المعرفية قادرة على الاستفادة من العلاج السلوكي، بينما تكفي إعادة الهيكلة المعرفية في الحالات الخفيفة دون تعريض المريض للآثار الجانبية للأدوية.

يختتم قسم المناقشة باستعراض القيود المنهجية للدراسة (Methodological Limitations) بكل شفافية وموضوعية، مثل حدود حجم العينة، أو استخدام مقاييس التقرير الذاتي، وتقديم توصيات إجرائية واضحة للبحوث المستقبلية (Future Directions) تدعو إلى تمديد التصميم إلى تصاميم ثلاثية العوامل (مثل $2 \times 3 \times 2$) لإدماج متغيرات إضافية كالجنس أو الفئات العمرية.

خاتمة

يُمثل التصميم العاملي 2×3 أداة تجريبية استثنائية وبنية منهجية متقدمة تمنح الباحثين في العلوم النفسية والسلوكية والطبية قدرة فريدة على تفكيك تعقيدات السلوك البشري وسبر أغوار العلاقات التفاعلية غير الخطية. من خلال دمج متغير ثنائي مع متغير ثلاثي المستويات في مصفوفة محكمة من ست خلايا تجريبية، يوفر هذا النموذج كفاءة إحصائية واقتصادية فائقة تتجاوز أوجه القصور البنيوية للتصاميم أحادية المتغير المعزولة.

إن التطبيق الناجح لهذا التصميم يبدأ من التخطيط القبلي الصارم لحجم العينة والقوة الإحصائية، مروراً بالتحقق الدقيق من استيفاء الافتراضات الإحصائية لتحليل التباين ثنائي الاتجاه (Two-Way ANOVA)، وانتهاءً بالتفسير الحذر للتأثيرات البسيطة والتوثيق الأكاديمي الرصين وفق معايير APA 7. ومع تسارع وتيرة التقدم في البرمجيات الإحصائية مفتوحة المصدر والحزم البرمجية المتقدمة في R و JASP، يظل التصميم 2×3 معياراً ذهبياً لا غنى عنه لكل باحث يسعى إلى بناء معرفة علمية رصينة، قابلة للتعميم، وقادرة على الإسهام الحقيقي في فهم الظواهر الإنسانية وتطوير التدخلات التطبيقية الفعالة.

المراجع (References)

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• Faul, F., Erdfelder, E., Lang, A.-G., & Buchner, A. (2007). G*Power 3: A flexible statistical power analysis program for the social, behavioral, and biomedical sciences. Behavior Research Methods, 39(2), 175–191. https://doi.org/10.3758/BF03193146
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Fisher, R. A. (1935). The design of experiments. Oliver and Boyd.
• Keppel, G., & Wickens, T. D. (2004). Design and analysis: A researcher’s handbook (4th ed.). Pearson Prentice Hall.
• Maxwell, S. E., Delaney, H. D., & Kelley, K. (2018). Designing experiments and analyzing data: A model comparison perspective (3rd ed.). Routledge. https://doi.org/10.4324/9781315642956
• Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.