مقياس F1 مقابل الدقة: أيهما يجب أن تستخدم؟

تعتبر عملية تقييم النماذج التنبؤية إحدى الركائز الأساسية في دورة حياة مشاريع تعلم الآلة (Machine Learning) والإحصاء التطبيقي، إذ لا تقتصر جودة النموذج الرياضي على قدرته على معالجة البيانات التدريبية فحسب، بل تتحدد بمدى كفاءته وموثوقيته عند تعميمه على بيانات جديدة وغير مرئية. وفي خضم التوسع الهائل في استخدام خوارزميات التصنيف عبر مختلف القطاعات الحيوية، مثل التشخيص الطبي، والتحليل النفسي والسلوكي، والكشف عن الاحتيال المالي، يبرز تساؤل جوهري يشغل بال الباحثين والممارسين: ما هو المقياس الإحصائي الأكثر تعبيراً عن الأداء الحقيقي للنموذج؟

تاريخياً، كان مقياس الدقة الإجمالية (Accuracy) هو الخيار التلقائي والبديهي لقياس كفاءة المصنفات، نظراً لبساطته الحسابية وسهولة إدراكه وتفسيره لصناع القرار غير المتخصصين. إلا أن التطبيقات المعاصرة سرعان ما كشفت عن ثغرات منهجية خطيرة ترافق الاعتماد الحصري على هذا المقياس، لا سيما في البيئات التي تتسم بعدم التوازن الإحصائي بين الفئات (Class Imbalance) أو تلك التي تتباين فيها تكاليف الأخطاء التنبؤية بشكل حاد. هنا نشأت الحاجة إلى مقاييس مركبة أكثر عمقاً، وكان في مقدمتها مقياس F1 (F1 Score)، الذي يوفق حسابياً بين متطلبات الدقة الإيجابية وقدرة الاسترجاع الشامل للحالات المستهدفة.

يقدم هذا المرجع الأكاديمي الشامل تحليلاً بنيوياً ومقارناً بين مقياس الدقة التقليدية ومقياس F1، مستعرضاً الأسس الرياضية والنظرية الكامنة وراء كل منهما، وكيفية تفكيك مصفوفة الالتباس الإحصائية لتحديد مواطن القوة والضعف في النماذج الخوارزمية. كما يتناول المقال دراسات حالة عملية ونماذج تطبيقية من العلوم السلوكية والطبية، واضعاً بين يدي الباحث دليلاً منهجياً متكاملاً لاختيار المقياس الأمثل وفقاً لطبيعة البيانات وتكلفة القرار المتخذ بناءً على المخرجات التنبؤية.

1. مقدمة شاملة لمقاييس تقييم نماذج التصنيف الإحصائي

1.1 مفهوم جودة النماذج في مهام التصنيف الخوارزمي

تمثل النمذجة التنبؤية في مهام التصنيف الثنائي (Binary Classification) والمتعدد (Multi-class Classification) عملية استدلالية تسعى إلى رسم دالة رياضية قادرة على تعيين متجه السمات المدخلة إلى فئة محددة مسبقاً من فئات الهدف المنفصلة. تتطلب هذه العملية صياغة أهداف واضحة لا تقتصر على مجرد تصغير دوال الخسارة أثناء التدريب، بل تمتد لتشمل التحقق الصارم من استقرار الخوارزميات وصحة الفرضيات الإحصائية في ظل ظروف عدم اليقين. إن تقييم جودة النماذج لا يمكن فصله عن السياق التطبيقي الذي تُنشر فيه تلك النماذج، حيث تتداخل دقة التنبؤ مع اعتبارات الفعالية التشغيلية والمخاطر المترتبة على الانحياز المنهجي.

تتجلى التحديات المنهجية الكبرى عند محاولة اختزال الأداء التنبؤي المعقد في قيمة عددية مفردة دون مراعاة البنية التوزيعية للبيانات. فاختيار مقياس تقييم غير ملائم قد يمنح الباحثين شعوراً زائفاً بالأمان، مما يؤدي إلى اعتماد نماذج تفشل كلياً في رصد الأنماط الحرجة. يختلف التصنيف الإحصائي اختلافاً جوهرياً عن مهام الانحدار (Regression)؛ فبينما تتعامل مقاييس الانحدار مثل متوسط مربعات الخطأ مع مسافات مستمرة، تعتمد مقاييس التصنيف كلياً على مصفوفة التداخل لتفكيك القرارات المنفصلة وتقييم احتمالية وقوع الأخطاء النوعية بمختلف تصنيفاتها.

1.2 الخلفية التاريخية لتطور مقاييس الأداء الإحصائي

تعود الجذور الأولى لمقياس الدقة التقليدي (Accuracy) إلى بدايات الإحصاء الحيوي والقياسات النفسية في أواخر القرن التاسع عشر وأوائل القرن العشرين، حيث كانت التجارب تعتمد غالباً على عينات مضبوطة ومتساوية الحجم بين المجموعات التجريبية والضابطة. في مثل هذه البيئات المتوازنة، كان حساب نسبة التجارب الناجحة كافياً لتقديم صورة دقيقة عن فعالية الفرضية المختبرة. ومع ذلك، أدى ظهور الحرب العالمية الثانية وتطور أنظمة الرادار إلى نشأة نظرية كشف الإشارات (Signal Detection Theory)، والتي وضعت الأسس الأولى للتمييز بين الإشارات الحقيقية والضوضاء المحيطة، مسلطة الضوء على مخاطر الإنذارات الكاذبة والإشارات المفقودة.

في سبعينيات القرن العشرين، ومع بزوغ علم استرجاع المعلومات (Information Retrieval)، واجه الباحثون مثل سيسيل فان ريجسبيرجين (C. J. van Rijsbergen) معضلة استخراج الوثائق ذات الصلة من بين آلاف الوثائق غير المهمة. قاد هذا القصور الرياضي لمقياس الدقة المجرد إلى ابتكار مقياس F، وتحديداً درجة F1، كمتوسط توافقي يجمع بين نقاء الاسترجاع وشموليته. ومع التحول المعاصر نحو القياسات السلوكية الحسابية والتشخيص الطبي الرقمي، أصبح توظيف هذه المقاييس المعقدة ضرورة حتمية لضمان أمان ودقة الخوارزميات التشخيصية في البيئات الإكلينيكية والاجتماعية.

1.3 طبيعة المفاضلة بين مقياس F1 ومقياس الدقة (Accuracy)

ترتكز المفاضلة بين مقياس F1 ومقياس الدقة على طبيعة الفرضيات الإحصائية التي يسعى الباحث إلى اختبارها وحساسية كل مقياس للتوزيع الاحتمالي للبيانات. يختبر مقياس الدقة فرضية عامة تفترض أن جميع الأخطاء متكافئة في الأهمية، وأن التوزيع التكراري للفئات في المجتمع الإحصائي متجانس، مما يجعله مقياساً محايداً بشكل أعمى تجاه هوية الفئة المتنبأ بها. في المقابل، يتبنى مقياس F1 فرضية موجهة تفترض أن إحدى الفئات (وهي الفئة الإيجابية غالباً) تحمل أهمية تحليلية أو تكلفة إخفاق أعلى من الفئة السلبية، مما يجعله شديد الحساسية لنقاء التنبؤات الإيجابية واكتمالها.

تنعكس هذه المفاضلة بشكل مباشر على استراتيجيات نشر النماذج في البيئات الحساسة للأخطاء؛ فالاعتماد على الدقة في سيناريوهات الكشف عن الأمراض النادرة قد يؤدي إلى اعتماد نماذج عاجزة عملياً رغم تحقيقها نسب دقة تتجاوز 99%. ومن ثم، فإن الاختيار بين هذين المقياسين ليس تفضيلاً حسابياً مجرداً، بل هو قرار منهجي يحكمه التوازن الدقيق بين حتمية تجنب الإنذارات الزائفة وخطورة تفويت الحالات الحرجة في التطبيق العملي الواقعي.

2. الفهم الرياضي والنظري لمقياس الدقة (Accuracy)

2.1 الصيغة الرياضية لمقياس الدقة وحساب الاحتمالية الإجمالية

يُعرَّف مقياس الدقة رياضياً بأنه نسبة عدد التنبؤات الصحيحة كلياً إلى العدد الإجمالي للحالات التي تمت معالجتها بواسطة النموذج المصنف. في فضاء التصنيف الثنائي، يتم التعبير عن هذه العلاقة جبرياً من خلال جمع حالات الإيجابيات الحقيقية (True Positives – TP) والسلبيات الحقيقية (True Negatives – TN)، وقسمة الناتج على المجموع الكلي للعينات الذي يشمل كافة مكونات مصفوفة الالتباس:

Accuracy = (TP + TN) / (TP + TN + FP + FN)

من المنظور الاحتمالي، تمثل الدقة دالة الاحتمال الهامشي لكون التنبؤ الخوارزمي متطابقاً مع الحالة الفعلية للظاهرة عبر كامل الفضاء العيني، أي P(Y_hat = Y). تقع القيمة المعيارية لهذا المقياس ضمن النطاق المغلق [0, 1]، حيث يشير الصفر إلى الفشل التام للنموذج في تقديم أي تنبؤ صحيح، بينما يمثل الواحد الصحيح (أو 100%) التطابق التام والمثالي بين المخرجات المصنفة والحقائق الميدانية.

2.2 الافتراضات الإحصائية الكامنة وراء استخدام مقياس الدقة

يستند مقياس الدقة إلى حزمة من الافتراضات الإحصائية الصارمة التي نادراً ما تتحقق بالكامل في البيانات الواقعية غير المصطنعة. أول هذه الافتراضات هو التماثل الهيكلي لتوزيع الفئات، حيث يفترض المقياس ضمناً أن نسبة حدوث الفئة المستهدفة تتقارب بشكل كبير مع نسبة حدوث الفئة المقابلة في المجتمع الإحصائي (أي توازن يقارب 50% لكل فئة في التصنيف الثنائي).

أما الافتراض الثاني والأكثر خطورة، فهو التساوي التام في التكلفة والخسارة المترتبة على ارتكاب خطأ النوع الأول (Type I Error) المتمثل في الإيجابيات الكاذبة، وخطأ النوع الثاني (Type II Error) المتمثل في السلبيات الكاذبة. يعامل مقياس الدقة الخطأ التشخيصي الذي قد يودي بحياة مريض بسبب تفويت ورم خبيث بنفس الوزن الرياضي الممنوح لخطأ إجراء فحص تأكيدي إضافي لشخص سليم، وهو ما يمثل قصوراً بنيوياً في البيئات التشخيصية الواقعية.

2.3 مزايا مقياس الدقة وحدوده المنهجية

تتمثل الميزة الكبرى لمقياس الدقة في وضوحه المفاهيمي والحدسي؛ فهو يقدم مؤشراً إحصائياً بسيطاً ومباشراً يمكن فهمه وتداوله بسهولة بين الباحثين وصناع القرار دون الحاجة إلى تعمق في التفاصيل الرياضية المعقدة لنظرية الاحتمالات. كما يظل مقياساً عالي الكفاءة وموثوقاً في تقييم الخوارزميات عندما تكون مجموعات البيانات متوازنة تماماً وتكون تكاليف الأخطاء متناظرة عبر جميع الفئات محل الدراسة.

وعلى النقيض من ذلك، ينهار مقياس الدقة منهجياً عند تطبيقه على مجموعات بيانات غير متوازنة، وهي الظاهرة المعروفة باسم “مفارقة الدقة” (Accuracy Paradox). في مثل هذه الحالات، يمكن لنموذج غير عقلاني يتنبأ دائماً بالفئة السائدة أن يحقق درجة دقة مرتفعة للغاية قد تتجاوز 95%، في حين أنه عاجز بنيوياً عن اكتشاف أي حالة من الفئة المستهدفة، مما يجعله أداة مضللة تؤدي إلى إخفاء العيوب الكارثية في الخوارزمية.

3. بنية مصفوفة الالتباس (Confusion Matrix) ومكوناتها الأساسية

3.1 تفكيك عناصر مصفوفة الالتباس الثنائية

تمثل مصفوفة الالتباس (Confusion Matrix) البنية التحتية والأساس الرياضي الذي تُشتق منه كافة مقاييس الأداء في مهام التصنيف الخوارزمي. تتألف المصفوفة الثنائية من شبكة رباعية تتقاطع فيها التنبؤات الخوارزمية مع القيم الحقيقية المرصودة في الواقع الميداني، متيحة للباحث تحليلاً دقيقاً لكل نوع من أنواع القرارات الإحصائية الصادرة عن النموذج.

• الإيجابيات الحقيقية (True Positives – TP): الحالات التي تنبأ فيها النموذج بوجود الظاهرة المستهدفة بدقة وتطابق تام مع الواقع الإكلينيكي أو الميداني.
• السلبيات الحقيقية (True Negatives – TN): الحالات التي تنبأ فيها النموذج بغياب الظاهرة بنجاح، مؤكداً سلامة المفحوص أو خلو السجل من النمط المستهدف.
• الإيجابيات الكاذبة (False Positives – FP): الحالات السليمة التي صنفها النموذج خطأً على أنها إيجابية، وهو ما يُعرف في الإحصاء الاستدلالي بخطأ النوع الأول (Type I Error).
• السلبيات الكاذبة (False Negatives – FN): الحالات الإيجابية الفعلية التي فشل النموذج في رصدها واعتبرها سالبة، وهو ما يمثل خطأ النوع الثاني (Type II Error).

3.2 دور مصفوفة الالتباس كحجر أساس للتقييم الموضوعي

يسمح الاعتماد على مصفوفة الالتباس بتجاوز النظرة السطحية للأرقام التلخيصية المجردة والانتقال نحو التحليل النوعي العميق للقرارات الخوارزمية. فبدلاً من الاكتفاء بمعرفة نسبة التنبؤات الإجمالية الصحيحة، تتيح المصفوفة للباحث تشريح بنية الخطأ وتحديد ما إذا كان الخلل يكمن في فرط الحساسية وما يتبعه من إنذارات كاذبة، أو في القصور عن التقاط الإشارات الحرجة.

علاوة على ذلك، تعمل المصفوفة كمنصة للاشتقاق الرياضي لطيف واسع من المعدلات الإحصائية المتقدمة والشرطية. فمن خلال دمج خاناتها المختلفة، يمكن استخراج مقاييس مثل الحساسية النوعية (Sensitivity)، والنوعية (Specificity)، ومعدل الإيجابيات الكاذبة (Fall-out)، ومعدل الاكتشاف الإيجابي، مما يمنح الباحثين رؤية بانورامية حول سلوك الخوارزمية تحت مختلف ظروف التشغيل والبيئات التجريبية.

3.3 تطبيقات مصفوفة الالتباس في تحليل السلوك والبيانات المعقدة

تتجلى الأهمية التطبيقية لمصفوفة الالتباس في الأبحاث النفسية والعلوم السلوكية، حيث تتخذ المخرجات التنبؤية طابعاً حساساً يرتبط بالسلوك البشري والأنماط الإدراكية. فعند بناء نماذج للكشف عن الاضطرابات السلوكية أو تقييم استجابات الأفراد في بيئات العمل المعقدة، تتيح المصفوفة تمثيل هذه الاستجابات كمصفوفة قرارات تفصل بين الأنماط السلوكية النموذجية والانحرافات المعيارية.

تساعد المصفوفة في كشف الانحيازات المنهجية التي قد تكتسبها الخوارزميات من بيانات التدريب التاريخية؛ مما يمكن المختصين من حساب التكاليف المالية والنفسية والاجتماعية المترتبة على كل تصنيف خاطئ بدقة. إن توفير هذه البيانات الكمية المفصلة يُعد شرطاً مسبقاً لا غنى عنه قبل إقرار أي تدخل وقائي أو علاجي مبني على التوصيات الخوارزمية في المؤسسات العلاجية والتربوية.

4. مقاييس الدقة الإيجابية (Precision) والحساسية (Recall): الأساس النظري لمقياس F1

4.1 مقياس الدقة الإيجابية (Precision) ودقة التنبؤ الإيجابي

يُعرف مقياس الدقة الإيجابية (Precision) في الأدبيات الإحصائية بأنه القيمة التنبؤية الإيجابية (Positive Predictive Value)، ويعبر عن نسبة الحالات التي كانت إيجابية بالفعل في الواقع من بين جميع الحالات التي توقع النموذج أنها إيجابية. يتم التعبير عن هذا المقياس رياضياً بالمعادلة التالية:

Precision = TP / (TP + FP)

تركز الدقة الإيجابية على الإجابة عن سؤال جوهري: “عندما يقرر النموذج أن هذه الحالة إيجابية، ما مدى احتمالية أن يكون هذا التنبؤ صحيحاً؟”. تكتسب الدقة الإيجابية أهمية قصوى في السياقات التي تترتب فيها تكاليف باهظة على الإنذارات الكاذبة (FP)؛ فعلى سبيل المثال، في خوارزميات ترشيح البريد العشوائي (Spam Detection) أو التشخيصات التي تتطلب تدخلاً جراحياً عالي الخطورة، يكون نقاء التنبؤ الإيجابي أولوية قصوى لضمان عدم إلحاق الضرر بالأفراد السليمين.

4.2 مقياس الحساسية أو الاسترجاع (Recall / Sensitivity)

يمثل مقياس الحساسية أو الاسترجاع (Recall)، والذي يُطلق عليه أيضاً معدل الإيجابيات الحقيقية (True Positive Rate) أو الحساسية الإكلينيكية (Sensitivity)، نسبة الحالات الإيجابية الفعلية التي استطاع النموذج اكتشافها والتعرف عليها بنجاح من بين كافة الحالات الإيجابية الموجودة في العينة. وتُصاغ علاقته الرياضية كما يلي:

Recall = TP / (TP + FN)

يجيب هذا المقياس عن السؤال المعاكس: “من بين جميع الحالات الإيجابية الموجودة فعلياً في الواقع، كم حالة نجح النموذج في التقاطها؟”. تبرز الحاجة الماسة لتعظيم قيمة الاسترجاع في التطبيقات الطبية الوقائية وأنظمة السلامة الحيوية، مثل الكشف المبكر عن الأورام السرطانية الخبيثة أو رصد الإشارات التحذيرية لانهيار المنظومات الميكانيكية؛ حيث يكون تفويت حالة واحدة حقيقية (FN) كارثياً ولا يمكن تعويضه بأي دقة إيجابية مرتفعة.

4.3 معضلة المفاضلة بين الدقة الإيجابية والاسترجاع (Precision-Recall Trade-off)

تخضع العلاقة بين الدقة الإيجابية والاسترجاع لقانون حتمي من المفاضلة الإحصائية (Trade-off) تحكمه عتبة القرار (Decision Threshold) المعتمدة داخل النموذج المصنف. فعند ضبط العتبة لتكون متشددة وصارمة، لن يُصدر النموذج حكماً إيجابياً إلا عند توفر يقين احتمالي عالٍ جداً؛ مما يؤدي تلقائياً إلى رفع الدقة الإيجابية وتقليل الإنذارات الكاذبة، ولكن على حساب التضحية بالاسترجاع وزيادة السلبيات الكاذبة.

وبالمثل، إذا خُفِّضت عتبة القرار ليصبح النموذج متساهلاً في إصدار الأحكام الإيجابية، فإن الاسترجاع سيرتفع ليقترب من الشمولية التامة، ولكن ذلك سيرافقه طوفان من الإنذارات الكاذبة وتراجع حاد في الدقة الإيجابية. ونظراً لأن تحسين أحد المقياسين يؤدي في أغلب الأحيان إلى تدهور المقياس الآخر، ظهرت ضرورة إحصائية ملحة لابتكار مقياس تركيبي يوفق بين هذين البعدين المتنافسين في رقم قياسي واحد، وهو ما قاد إلى ولادة مقياس F1.

5. الفهم الرياضي والهندسي لمقياس F1 (F1 Score)

5.1 المتوسط التوافقي (Harmonic Mean) والسبب الرياضي لاختياره

يمثل مقياس F1 الصيغة الرياضية للمتوسط التوافقي (Harmonic Mean) بين مقياس الدقة الإيجابية (Precision) ومقياس الاسترجاع (Recall). ولإدراك عبقرية هذا الاختيار، تجدر المقارنة بين المتوسطات الرياضية الكلاسيكية: المتوسط الحسابي (Arithmetic Mean)، والمتوسط الهندسي (Geometric Mean)، والمتوسط التوافقي. في حين يسمح المتوسط الحسابي للقيم المرتفعة بالتعويض الكامل عن القيم المنخفضة، يتميز المتوسط التوافقي بخاصية فريدة تتمثل في معاقبة التفاوت الحاد وانحياز النتيجة نحو القيمة الأقل بين المتغيرين.

تُشتق الصيغة الرياضية لمقياس F1 مباشرة من تعريف مقلوب المتوسط التوافقي للمقلوبات، لتأخذ الصورة الجبرية المبسطة التالية:

F1 Score = 2 * (Precision * Recall) / (Precision + Recall)

تضمن هذه الصياغة ألا يحقق النموذج درجة F1 مقبولة إلا إذا كان أداؤه متوازناً ومتقدماً في كلا المقياسين معاً. فإذا حقق نموذج ما دقة إيجابية كاملة (1.0) واسترجاعاً متدنياً يقارب الصفر، فإن المتوسط الحسابي سيعطي تقييماً خادعاً بقيمة 0.5، بينما يسحق المتوسط التوافقي هذه النتيجة لتقترب من الصفر، عاكساً بدقة الفشل الوظيفي للنموذج.

5.2 التحليل السلوكي لمنحنى مقياس F1

يُظهر التحليل الهندسي لمنحنى مقياس F1 في فضاء ثنائي الأبعاد (Precision vs. Recall) أن المقياس يصل إلى قيمته العظمى المطلقة (1.0) فقط عند نقطة التقاء الدقة الإيجابية المثالية بالاسترجاع الكامل (1.0 لكليهما). ويتميز سلوك المقياس بالانحدار الشديد كلما اقتربت إحدى القيمتين من الصفر، مما يجعله بمثابة صمام أمان رياضي يمنع الخوارزميات من التلاعب بنتائج التقييم عبر التضحية بأحد الجانبين لصالح الآخر.

من الخصائص البنيوية البارزة في مقياس F1 أنه يتجاهل تماماً خانة السلبيات الحقيقية (True Negatives) في معادلته الحسابية، مركزاً اهتمامه المباشر والحصري على الفئة الإيجابية المستهدفة. يجعل هذا التصميم المنهجي من درجة F1 مؤشراً منيعاً ضد التضخم الإحصائي الناتج عن وفرة الحالات السلبية في مجموعات البيانات الكبيرة والمنحرفة، حيث لا تتأثر النتيجة بمدى ضخامة فئة السلبيات الحقيقية في مصفوفة الالتباس.

5.3 تفسير درجات مقياس F1 في الدراسات التطبيقية

يتطلب تفسير نتائج مقياس F1 في الأبحاث التطبيقية معايير دقيقة تختلف باختلاف طبيعة المجال المعرفي ومستوى تعقيد المسألة التصنيفية. وبشكل عام، تعتبر درجة F1 التي تتجاوز 0.8 مؤشراً على أداء متفوق واستقرار خوارزمي متقدم في الأوساط الأكاديمية والمهنية، بينما تُعد الدرجات التي تتراوح بين 0.6 و0.8 مقبولة في البيئات المعقدة التي تعاني من ضوضاء عالية في البيانات أو ندرة شديدة في الفئات.

أما في مهام التصنيف متعدد الفئات (Multi-class Classification)، فيتم تكييف حساب مقياس F1 عبر استراتيجيات تجميعية مختلفة لتوفير تقييم إجمالي شامل للنموذج. تشمل هذه الطرق حساب F1 لكل فئة بشكل منفصل كمسألة ثنائية (One-vs-Rest)، ثم دمج النتائج باستخدام المتوسط الكلي المباشر (Macro-averaging) لمنح أوزان متساوية لكافة الفئات، أو عبر المتوسط المرجح بحجم العينة (Weighted-averaging) لمراعاة التوزيع التكراري لكل فئة في مجتمع الدراسة.

6. مقارنة تفصيلية بين مقياس F1 والدقة (F1 Score vs. Accuracy)

6.1 أوجه التشابه التقنية والاختلافات الجوهرية

يشترك مقياس F1 ومقياس الدقة في كونهما أداتين كميتين معياريتين تهدفان إلى تقييم جودة النماذج الخوارزمية في مهام التصنيف، وتستمدان مدخلاتهما الرياضية حصراً من عناصر مصفوفة الالتباس. كما يتطابق المقياسان في نطاق القيم المعيارية التي تتراوح بين الصفر كحد أدنى والواحد الصحيح كأقصى أداء ممكن. إلا أن أوجه التشابه تتوقف عند هذه الحدود الشكلية لتبدأ سلسلة من الاختلافات الهيكلية العميقة.

يكمن الاختلاف الجوهري الأول في طريقة معاملة فئة السلبيات الحقيقية (True Negatives)؛ فبينما تُعد هذه الفئة جزءاً أساسياً من بسط ومقام معادلة الدقة، يتم استبعادها كلياً من بنية مقياس F1. يترتب على هذا التباين حساسية جذرية لتغير نسب الفئات في مجتمع العينة؛ إذ ينهار مقياس الدقة ويفقد استقراره الإحصائي وقدرته التمييزية بمجرد انحراف توازن البيانات، في حين يحافظ مقياس F1 على دقته التحليلية ورصده الصارم لكفاءة النموذج في معالجة الفئة المستهدفة.

6.2 جدول المقارنة المعيارية للأداء في سيناريوهات مختلفة

يوضح الجدول المقارن التالي الفروق التشغيلية والمنهجية بين المقياسين عبر سيناريوهات تجريبية وتطبيقية متنوعة:

المعيار المنهجي	مقياس الدقة (Accuracy)	مقياس F1 (F1 Score)
البيانات المتوازنة (50% / 50%)	ممتاز ومباشر ويعكس الأداء الكلي بدقة متناهية.	دقيق جداً ويتطابق سلوكه عموماً مع الدقة.
البيانات غير المتوازنة (مثلاً 99% / 1%)	مضلل إحصائياً وتحدث فيه “مفارقة الدقة”.	متفوق ويكشف فوراً عجز النموذج عن رصد الفئة النادرة.
تضمين السلبيات الحقيقية (TN)	يدخل في الحساب بشكل مباشر في البسط والمقام.	مستبعد تماماً ولا يؤثر في حساب المعادلة.
حساسية تكلفة الأخطاء	يفترض تساوي التكلفة بين خطأ النوع الأول والثاني.	يوازن بدقة بين خطأ النوع الأول والثاني دون السلبيات.
سهولة التفسير لصناع القرار	بديهي وسهل الشرح للغاية لكافة المستويات الإدارية.	يتطلب فهماً لمفهوم المتوسط التوافقي والدقة والاسترجاع.

6.3 المغالطات الإحصائية الشائعة عند المقارنة بين المقياسين

تسود في بعض الأوساط التقنية مغالطة إحصائية تفترض أن مقياس F1 يتفوق دائماً وبشكل مطلق على مقياس الدقة في جميع الحالات والتطبيقات. هذا التعميم يفتقر للدقة المنهجية؛ ففي الحالات التي تكون فيها الفئة السلبية ذات أهمية إكلينيكية مساوية للفئة الإيجابية، ويكون حجم العينات متوازناً، يوفر مقياس الدقة تقييماً أكثر شمولاً واتساعاً لأداء النظام ككل مقارنة بمقياس F1 الذي يقصي السلبيات الحقيقية من حسابه.

تتمثل المغالطة الثانية في الاعتماد الأعمى على الأرقام المجردة لكلا المقياسين مع إغفال فحص معايرة الاحتمالات (Probability Calibration) الخاصة بالنموذج. فالمقاييس المشتقة من مصفوفة الالتباس تعتمد على عتبة قطع صلبة، وقد تخفي وراءها درجات يقين مهتزة للنموذج التنبؤي، مما يؤكد ضرورة اقتران هذه المقاييس بتحليلات المنحنيات الاحتمالية والتحقق المتقاطع لضمان موثوقية النتائج الإحصائية واستقرارها عبر الزمن.

7. معضلة عدم توازن البيانات (Class Imbalance Problem) وتأثيرها على المقاييس

7.1 مفارقة الدقة (Accuracy Paradox) وتضليل التقييم

تُعرف مفارقة الدقة (Accuracy Paradox) بأنها الحالة الإحصائية التي يفشل فيها مقياس الدقة الإجمالية في تمثيل الكفاءة الحقيقية للمصنف الخوارزمي، بل ويزداد فيها التقييم العددي للدقة كلما أصبح النموذج أكثر سذاجة وتجرداً من الفائدة العملية. تنشأ هذه الظاهرة عندما يتجاوز حجم إحدى الفئات في المجتمع الإحصائي حاجز 95% أو 99% من إجمالي العينات، وهو النمط السائد في مهام مثل الكشف عن الاحتيال المالي، وتشخيص الأمراض الوراثية النادرة، واكتشاف محاولات الاختراق السيبراني.

لتوضيح هذه المعضلة حسابياً، لنفترض قاعدة بيانات تحتوي على 10,000 سجل طبي، من بينها 100 حالة إصابة بمرض خطير (1%) و9,900 حالة سليمة (99%). إذا بُني نموذج تنبؤي “ساذج” تمت برمجته مسبقاً لتصنيف جميع الحالات بلا استثناء على أنها “سليمة”، فإنه سيحقق دقة إجمالية مذهلة تصل إلى 99% (9900/10000). ورغم هذه الدقة الهائلة، فإن النموذج يمثل فشلاً مطلقاً وعديم الفائدة التشخيصية؛ لأنه عجز عن اكتشاف أي مصاب من الفئة الإيجابية، وهي الفئة التي صُمم النموذج بالأساس من أجل رصدها وإنقاذ حياتها.

7.2 تفوق مقياس F1 في كشف أداء الفئات النادرة

يتجلى التفوق المنهجي لمقياس F1 في قدرته الفورية على فضح النماذج الساذجة وتعريتها إحصائياً في ظل عدم توازن البيانات. فإذا طبقنا معادلة F1 على النموذج الساذج المذكور في المثال السابق، سنجد أن الإيجابيات الحقيقية تساوي صفراً (TP = 0)، وبالتالي تصبح الدقة الإيجابية صفراً والاسترجاع صفراً، مما يقود مقياس F1 إلى الانهيار التام ويسجل القيمة 0.0، معبراً بدقة وبلا مواربة عن الانهيار الوظيفي الكامل للنموذج.

يمنح مقياس F1 الباحثين أداة صارمة تركز الضوء على الفئة النادرة ذات الأهمية القصوى، متجاوزاً الضوضاء الناتجة عن الكتل الضخمة من البيانات السلبية. وبذلك، يصبح المقياس وسيلة مثالية لمعايرة التوازن الدقيق بين القدرة على رصد الحالات الاستثنائية وتجنب إطلاق الإنذارات الكاذبة المرهقة للمنظومات التشغيلية.

7.3 تقنيات معالجة عدم التوازن وتأثيرها على قراءات المقاييس

للتعامل مع معضلة عدم التوازن الإحصائي، يتبع علماء البيانات مسارات خوارزمية متعددة تؤثر بشكل مباشر على قراءات المقاييس الإحصائية واستقرارها. تشمل هذه الأساليب تقنيات إعادة أخذ العينات مثل التخفيض المتعمد لعينات الفئة السائدة (Undersampling)، أو الإفراط في أخذ عينات الفئة النادرة (Oversampling)، إلى جانب الخوارزميات المتقدمة لتوليد البيانات الاصطناعية مثل تقنية SMOTE (Synthetic Minority Over-sampling Technique).

تؤدي هذه المعالجات إلى تعديل التركيبة البنيوية لمصفوفة الالتباس الناتجة عن الاختبار؛ إذ يؤدي استخدام أوزان الفئات (Class Weights) في دوال الخسارة إلى إجبار الخوارزمية على إيلاء اهتمام أكبر للأخطاء في الفئات النادرة. ينعكس ذلك على هيئة ارتفاع ملحوظ في مقياس F1 والاسترجاع، يقابله غالباً انخفاض طفيف ومحسوب في مقياس الدقة الكلية، وهو تراجع مقصود ومطلوب لخدمة الهدف التطبيقي والبحثي النهائي.

8. دراسة حالة عملية وحسابية: مقارنة النتائج بين الدقة ودرجة F1

8.1 توصيف البيانات وبناء مصفوفة الالتباس لنموذج انحدار لوجستي

لتجسيد الفروق الحسابية بين المقياسين بشكل عملي دقيق، نستعرض دراسة حالة واقعية تركز على استخدام نموذج الانحدار اللوجستي (Logistic Regression) للتنبؤ باحتمالية اختيار لاعبي كرة السلة الجامعية في مسودة دوري المحترفين الأمريكي (NBA Draft). شملت عينة الدراسة 400 لاعب من النخبة الجامعية، حيث جرى تقييم مهاراتهم البدنية والبيومترية لفرز المؤهلين للاحتراف (الفئة الإيجابية) عن غير المؤهلين (الفئة السلبية).

بعد تدريب النموذج واختباره على بيانات التحقق المستقلة، تم تفكيك النتائج الميدانية وصياغة مصفوفة الالتباس وفق الأرقام الحقيقية التالية:

• الإيجابيات الحقيقية (TP): 120 لاعباً مؤهلاً تم التنبؤ باحترافهم بنجاح.
• الإيجابيات الكاذبة (FP): 70 لاعباً غير مؤهل صنفهم النموذج خطأً كمرشحين للاحتراف.
• السلبيات الكاذبة (FN): 40 لاعباً مؤهلاً فشل النموذج في رصدهم وتوقع عدم احترافهم.
• السلبيات الحقيقية (TN): 170 لاعباً غير مؤهل صنفهم النموذج بنجاح كغير محترفين.
• إجمالي العينة الكلية (N): 120 + 70 + 40 + 170 = 400 لاعب.

8.2 الخطوات الحسابية التفصيلية لحساب الدقة الإيجابية والاسترجاع والدقة

نبدأ بتنفيذ الحسابات الرياضية المنهجية خطوة بخطوة لاستخراج المؤشرات التأسيسية التي تُبنى عليها المقاييس المركبة:

أولاً: حساب الدقة الإيجابية (Precision):
Precision = TP / (TP + FP)
Precision = 120 / (120 + 70) = 120 / 190 ≈ 0.6316 (63.16%)
الدلالة: تعني هذه النتيجة أنه من بين كل 100 لاعب رشحهم النموذج للاحتراف، كان هناك حوالي 63 لاعباً فقط يستحقون هذا الترشيح، بينما كان الباقون إنذارات كاذبة استهلكت موارد التقييم دون جدوى.

ثانياً: حساب الاسترجاع أو الحساسية (Recall):
Recall = TP / (TP + FN)
Recall = 120 / (120 + 40) = 120 / 160 = 0.7500 (75.00%)
الدلالة: نجح النموذج في التقاط 75% من إجمالي المواهب المؤهلة فعلياً للاحتراف، في حين فوت 25% من اللاعبين المستحقين وصنفهم بالخطأ كغير مؤهلين.

ثالثاً: حساب الدقة الكلية (Accuracy):
Accuracy = (TP + TN) / N
Accuracy = (120 + 170) / 400 = 290 / 400 = 0.7250 (72.50%)
الدلالة: قدم النموذج إجمالي أحكام صحيحة (إيجابية وسلبية معاً) بنسبة 72.5% عبر كامل مجتمع العينة المدروسة.

8.3 حساب درجة F1 وتفسير التباين في النتائج

نقوم الآن بتطبيق معادلة المتوسط التوافقي لحساب مقياس F1 بناءً على قيمتي الدقة الإيجابية والاسترجاع المستخرجين أعلاه:

F1 Score = 2 * (Precision * Recall) / (Precision + Recall)
F1 Score = 2 * (0.6316 * 0.7500) / (0.6316 + 0.7500)
F1 Score = 2 * (0.4737) / (1.3816) = 0.9474 / 1.3816 ≈ 0.6857 (68.57%)

عند مقارنة درجة F1 (68.57%) بمقياس الدقة الكلية (72.50%)، يبرز تباين مفاهيمي هام يستوجب التحليل الدقيق. نلاحظ أن درجة F1 انخفضت بحوالي 4 نقاط مئوية عن الدقة العامة؛ ويرجع هذا الانخفاض إلى حساسية المتوسط التوافقي للتراجع الحاد في الدقة الإيجابية (63.16%) الناجم عن العدد الكبير للإيجابيات الكاذبة (70 حالة). فبينما غطت وفرة السلبيات الحقيقية (170 حالة) على هذا العجز ورفعت الدقة الكلية، فإن مقياس F1 قدم تقييماً واقعياً وصارماً يوضح أن كفاءة النموذج في ملاحقة الفئة المستهدفة أقل بريقاً مما توحي به الدقة الإجمالية المجردة.

9. التطبيقات النفسية والسلوكية ونماذج التشخيص: متى نستخدم كل مقياس؟

9.1 نماذج الكشف عن الاضطرابات النفسية النادرة والحرجة

في مجالات القياس النفسي (Psychometrics) والطب النفسي الحاسوبي، تواجه النماذج التنبؤية تحديات أخلاقية وإحصائية بالغة التعقيد عند محاولة رصد السلوكيات عالية الخطورة وقليلة التكرار الإحصائي، مثل التنبؤ بمخاطر الإقدام على الانتحار أو التنبؤ بالنوبات الذهانية الحادة لدى مرضى الفصام. في مثل هذه البيئات العلاجية الحرجة، يمثل الاعتماد على مقياس الدقة الإجمالية خطأً منهجياً فادحاً يهدد السلامة العامة.

تكمن التكلفة الإنسانية والعلاجية في تفويت مريض يمر بأزمة انتحارية حادة (سلبي كاذب – FN)، وهو ما قد يقود إلى الوفاة المباشرة؛ بينما يقتصر خطأ الإنذار الكاذب (إيجابي كاذب – FP) على تقديم دعم نفسي مكثف أو إجراء تقييم إكلينيكي معمق لشخص غير معرض لخطر داهم. هنا يصبح مقياس F1 — مع تفضيل صيغه المعدلة التي ترفع وزن الاسترجاع — هو الأداة المنهجية الواجبة لضمان أقصى درجات الحيطة في التشخيصات النفسية الحرجة.

9.2 نماذج الفحص السلوكي الشامل والتصنيف النفسي العام

على النقيض من الحالات الحرجة النادرة، تتجه اختبارات القياس السلوكي والتربوي العام إلى دراسة سمات الشخصية وأنماط التفكير المعرفي التي تتوزع بشكل متوازن أو تتبع التوزيع الطبيعي المعياري (Gaussian Distribution) في المجتمع، مثل تصنيف الأفراد وفق الأبعاد الخمسة الكبرى للشخصية (Big Five) أو اختبارات الميول والجاهزية المهنية في المؤسسات التعليمية والشركات.

في هذه السيناريوهات المتوازنة، يكون تصنيف الفرد ضمن سمة “الانبساطية” أو “الانطوائية” مساوياً تماماً في القيمة والأهمية لتصنيفه في الاتجاه المعاكس، دون ترتب أضرار وجودية على أخطاء التصنيف الفردية. هنا يثبت مقياس الدقة (Accuracy) كفاءته التامة كأداة تقييم موثوقة ومباشرة، موفراً تقييماً شاملاً لقدرة الاستبيانات والاختبارات النفسية على رسم الملامح السلوكية العامة للأفراد بدقة متكافئة عبر مختلف الفئات.

9.3 التنبؤ بالامتثال العلاجي والسلوكيات الإدمانية

يحتل التنبؤ بانتكاس المرضى في برامج علاج الإدمان وإعادة التأهيل النفسي موقعاً وسطاً يتطلب موازنة دقيقة بين الدقة الإيجابية والاسترجاع. تعاني بيانات الانتكاس غالباً من عدم توازن إحصائي ملحوظ، حيث ينجح جزء من المتعالجين في التعافي بينما ينتكس آخرون في فترات متفاوتة، مما يجعل نمذجة هذا السلوك تحدياً تشخيصياً يستدعي تدخلاً سريعاً ومدروساً.

يساعد استخدام مقياس F1 مديري المراكز العلاجية على الموازنة الدقيقة بين قدرة الخوارزمية على رصد المتعالجين المعرضين للانتكاس لمنحهم رعاية استباقية، وبين تجنب فرط الإنذارات الكاذبة التي قد تؤدي إلى إرهاق الكادر الطبي واستنزاف الموارد العلاجية المحدودة للمؤسسة. يتيح ضبط هذا المقياس بناء منظومة دعم إكلينيكي تتوافق مع القدرة الاستيعابية الفعلية للمنشأة النفسية دون التضحية برعاية الحالات الأشد خطورة.

10. التكاليف غير المتماثلة للأخطاء (Asymmetric Cost of Errors) وصنع القرار

10.1 تحليل مصفوفة التكاليف والمنافع الإحصائية

في التطبيقات الواقعية، نادراً ما تتساوى تكلفة الوقوع في خطأ النوع الأول (FP) مع تكلفة خطأ النوع الثاني (FN)، وهو المفهوم المعروف في الأدبيات الإحصائية باسم “التكاليف غير المتماثلة للأخطاء” (Asymmetric Cost of Errors). تتطلب النمذجة الاقتصادية والاجتماعية الرشيدة دمج التكاليف المادية والنفسية والقانونية داخل معادلات تقييم المصنفات، وتجاوز المقاييس المجردة التي تتعامل مع الأرقام بحيادية مصطنعة.

يعاني مقياس الدقة من عجز بنيوي في استيعاب هذا التباين؛ إذ يتعامل مع كافة الأخطاء بتكلفة متطابقة (Cost = 1 لكل خطأ بصرف النظر عن موقعه في المصفوفة). يترتب على ذلك أن النموذج المحسن لتعظيم الدقة قد يتخذ قرارات كارثية من المنظور العملي لمجرد تقليل عدد الأخطاء الإجمالي، حتى لو كانت تلك الأخطاء القليلة المرتكبة تفرض تكلفة تعادل أضعاف تكلفة الأخطاء التي تم تفاديها.

10.2 تعديل أوزان القرار وفق السياق التطبيقي

تتطلب إدارة المخاطر الخوارزمية تحديد أي نوعي الخطأ يمثل التهديد الأكبر للمنظومة التطبيقية:

• سياقات تفوق تكلفة الإيجابية الكاذبة (FP > FN): تبرز في قرارات توجيه الاتهامات الجنائية الخوارزمية، أو قرارات إدراج المرضى في بروتوكولات علاجية تجريبية تنطوي على سمية عالية؛ حيث يؤدي الخطأ هنا إلى وصم بريء أو تعريض شخص غير مصاب لخطر صحي محقق.
• سياقات تفوق تكلفة السلبية الكاذبة (FN > FP): تتجلى في أنظمة الكشف عن التهديدات الإرهابية، وفحص الأمتعة في المطارات، وتشخيص الأورام الخبيثة القاتلة؛ حيث يؤدي تفويت التهديد إلى خسائر لا يمكن تداركها.

عندما تتباين التكاليف، يصبح مقياس الدقة عديم الجدوى تماماً، ويبرز مقياس F1 كبديل مرن يمكن إعادة ضبطه ومعايرته (عبر معاملات الترجيح) لتفضيل المسار الأقل كلفة وحماية النظام من التداعيات الوخيمة للأخطاء غير المتكافئة.

10.3 اتخاذ القرارات القائمة على الأدلة الإحصائية

يُمثل الانتقال من الأرقام الرياضية المجردة إلى بروتوكولات التدخل التنفيذي جوهر عملية اتخاذ القرار القائم على الأدلة. يجب ألا تُقبل الخوارزميات التنبؤية في اللجان الأخلاقية والطبية لمجرد تحقيقها درجات مرتفعة على مقياس تقييم عام، بل يتعين إخضاعها لاختبارات حساسية صارمة تثبت ملاءمتها للمعايير التشغيلية المعتمدة.

يتطلب هذا النهج الموازنة المنهجية بين الكفاءة الخوارزمية وحماية حقوق الأفراد المفحوصين، وضمان الشفافية الكاملة في توضيح أسباب تفضيل مقياس F1 أو الدقة أمام متخذي القرار غير التقنيين، مما يضمن اتساق السياسات المؤسسية مع النتائج الرياضية المحققة على أرض الواقع.

11. المتغيرات المتقدمة لمقياس F1 والبدائل التقييمية التكميلية

11.1 مقياس F-Beta وتعديل الأوزان النسبية

يعد مقياس F-Beta (F_β Score) الامتداد الرياضي الأكثر مرونة لمقياس F1 التقليدي؛ حيث يتيح للباحث التحكم الكامل في الوزن النسبي الممنوح لمقياس الاسترجاع مقارنة بمقياس الدقة الإيجابية عبر تعديل المعامل بيتا (β). وتُصاغ العلاقة الجبرية العامة لهذا المقياس كما يلي:

F_β = (1 + β²) * (Precision * Recall) / ((β² * Precision) + Recall)

يتيح هذا التشكيل الرياضي تخصيص التقييم بحسب أولويات التطبيق العملي بدقة متناهية:

• مقياس F2 (β = 2): يمنح الاسترجاع وزناً يعادل ضعف الوزن الممنوح للدقة الإيجابية، ويُستخدم قياسياً في الفحوصات الطبية الإكلينيكية للكشف عن الأوبئة الحادة والحرجة التي تتطلب رصد كافة المصابين بأي ثمن.
• مقياس F0.5 (β = 0.5): يمنح الدقة الإيجابية ضعف وزن الاسترجاع، ويُطبق بفعالية في النظم التوصية التجارية وفلاتر الرسائل الاحتيالية لضمان نقاء المخرجات وتجنب إزعاج المستخدمين بإنذارات زائفة.

11.2 طرق تجميع مقياس F1 في التصنيف متعدد الفئات

عند الانتقال من التصنيف الثنائي إلى النمذجة متعددة الفئات (Multi-class Classification)، تظهر أساليب رياضية متنوعة لتجميع درجات F1 الفردية في مؤشر كلي يعكس أداء النموذج العام بدقة:

• مقياس Macro-F1: يقوم بحساب مقياس F1 لكل فئة بشكل مستقل ومعزول، ثم يستخرج المتوسط الحسابي البسيط لتلك الدرجات. يمنح هذا الأسلوب أوزاناً متساوية تماماً لجميع الفئات بغض النظر عن حجم عيناتها، مما يجعله الخيار الأمثل عند الرغبة في تقييم جودة أداء النموذج في الفئات النادرة والحرجة.
• مقياس Micro-F1: يجمع التكرارات الإجمالية للإيجابيات الحقيقية والإيجابيات الكاذبة والسلبيات الكاذبة عبر كافة الفئات في مصفوفة واحدة ضخمة لحساب مقياس شامل، ويتطابق سلوكه رياضياً مع مقياس الدقة الإجمالية في معظم السيناريوهات.
• مقياس Weighted-F1: يحسب متوسط درجات F1 الفردية بعد ترجيح كل درجة بالحجم النسبي لتكرار تلك الفئة في البيانات التدريبية، مما يوفر مقياساً واقعياً يعكس التوزيع الميداني الحقيقي للمجتمع المدروس.

11.3 المقاييس البديلة والمكملة: MCC و ROC-AUC و PR-AUC

رغم القوة التحليلية لمقياس F1، إلا أنه يظل ناقصاً لتجاهله خانة السلبيات الحقيقية. هنا يبرز معامل ارتباط ماثيوز (Matthews Correlation Coefficient – MCC) كبديل إحصائي صارم يعتمد على معامل ارتباط بيرسون الثنائي، حيث يدمج الخانات الأربع لمصفوفة الالتباس معاً في قيمة تتراوح بين -1 و +1، مما يجعله أكثر المقاييس موضوعية واستقراراً على الإطلاق في البيئات غير المتوازنة.

بالإضافة إلى ذلك، توفر مقاييس المنحنيات التراكمية أدوات بصرية وحسابية هامة لتقييم أداء المصنفات عبر كافة عتبات القرار الممكنة؛ حيث يظل منحنى المساحة تحت خصائص تشغيل المستقبل (ROC-AUC) معياراً ذهبياً في البيانات المتوازنة، بينما يتفوق منحنى الدقة والاسترجاع (PR-AUC) بشكل حاسم في تقييم النماذج المطبقة على بيانات شديدة الانحراف والندرة الإحصائية.

12. الدليل المنهجي لاختيار المقياس الأمثل: إطار عمل اتخاذ القرار

12.1 مخطط انسيابي منهجي لاختيار المقياس المناسب

لمساعدة الباحثين ومحللي البيانات على اتخاذ قرار منهجي منضبط لاختيار المقياس الأمثل لتقييم نماذجهم، نلخص الخطوات الإرشادية المتسلسلة في إطار العمل التالي:

1. تقييم بنية توازن البيانات: افحص التوزيع التكراري للفئات في عينة الدراسة؛ فإذا كانت البيانات متوازنة بنسب متقاربة، انتقل للخطوة التالية، وإذا كانت غير متوازنة، استبعد مقياس الدقة فوراً.
2. تقييم تماثل تكلفة الأخطاء: حدد التكاليف المترتبة على الإنذارات الكاذبة (FP) مقارنة بالحالات المفقودة (FN)؛ فإذا كانت التكاليف متطابقة والبيانات متوازنة، فإن مقياس الدقة (Accuracy) هو الخيار الأبسط والأمثل.
3. تحديد أولوية الفئة الإيجابية: إذا كانت الفئة الإيجابية نادرة وتفويت الحالات الإيجابية باهظ التكلفة، اعتمد مقياس F1 للتوازن القياسي، أو مقياس F2 لتغليب جانب الاسترجاع والحيطة الإكلينيكية.
4. تقييم الحاجة لشمولية السلبيات: إذا كانت السلبيات الحقيقية ذات قيمة تحليلية محورية في بيانات غير متوازنة، اعتمد معامل ارتباط ماثيوز (MCC) كمعيار مرجعي أساسي إلى جانب منحنى PR-AUC.

12.2 أفضل الممارسات الأكاديمية والبحثية في إعداد تقارير التقييم

تشدد الجمعيات العلمية والمجلات الأكاديمية المحكمة على ضرورة التزام الشفافية والصرامة المنهجية عند كتابة تقارير تقييم النماذج التنبؤية. يجب على الباحثين تجنب الاعتماد الحصري على مقياس إحصائي فردي منفصل، والحرص الدائم على نشر مصفوفة الالتباس الكاملة متضمنة الأرقام الخام والتوزيعات المئوية التفصيلية.

كما يُوصى بتقديم قيم الدقة الإيجابية (Precision) والحساسية (Recall) بشكل مستقل ومفصل إلى جانب درجة F1، لتمكين القارئ من فهم الطبيعة السلوكية للنموذج ونقاط ضعفه التشغيلية. علاوة على ذلك، ينبغي حساب فترات الثقة الإحصائية (Confidence Intervals) واستخدام تقنيات التحقق المتقاطع (Cross-Validation) المتكرر لضمان أن الفروق المرصودة في الأداء الإحصائي ليست ناتجة عن التباين العشوائي في العينات التجريبية.

12.3 خلاصة وتوصيات ختامية للباحثين والمحللين

في الختام، يمثل الاختيار بين مقياس F1 ومقياس الدقة قراراً استراتيجياً ينعكس على موثوقية التطبيقات الذكية وتأثيرها على حياة البشر والمؤسسات. تظل الدقة (Accuracy) مقياساً ممتازاً وبديهياً يحقق أهدافه في البيئات المتوازنة ذات التكاليف المتناظرة، بينما يبرز مقياس F1 كأداة لا غنى عنها في عالم البيانات الواقعية المعقدة التي تتسم بعدم التوازن وتباين مخاطر القرارات.

يتعين على الباحثين في العلوم السلوكية والحاسوبية مواءمة أدواتهم الإحصائية مع الأهداف الإنسانية والعملية لمنظوماتهم، واختبار النماذج على قواعد بيانات خارجية ومستقلة للتحقق من صمودها واستقرارها الرياضي، لضمان بناء أنظمة تنبؤية تجمع بين الدقة الحسابية والمسؤولية الأخلاقية في التطبيق الميداني.

References

• Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861–874. https://doi.org/10.1016/j.patrec.2005.10.010
• Chicco, D., & Jurman, G. (2020). The advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation. BMC Genomics, 21(1), 6. https://doi.org/10.1186/s12864-019-6413-7
• Powers, D. M. (2011). Evaluation: from precision, recall and F-measure to ROC, informedness, markedness and correlation. Journal of Machine Learning Technologies, 2(1), 37–63. https://doi.org/10.48550/arXiv.2010.16061
• Saito, T., & Rehmsmeier, M. (2015). The precision-recall plot is more informative than the ROC plot when evaluating imbalanced datasets. PLOS ONE, 10(3), e0118432. https://doi.org/10.1371/journal.pone.0118432
• Van Rijsbergen, C. J. (1979). Information Retrieval (2nd ed.). Butterworth-Heinemann. http://www.dcs.gla.ac.uk/Keith/Preface.html
• Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825–2830. https://jmlr.org/papers/v12/pedregosa11a.html