كيفية حساب كابا فلايس في إكسل

تُعد موثوقية القياس واتساق التقييمات أحد الأركان الجوهرية في العلوم السلوكية والنفسية والطبية؛ حيث يعتمد اتخاذ القرارات الإكلينيكية والتشخيصية على مدى تطابق أحكام الخبراء والملاحظين عند فحص نفس الحالات أو الظواهر. وفي كثير من الأحيان، يواجه الباحثون تحدياً منهجياً عندما تتضمن دراساتهم أكثر من مقيمين اثنين يُطلب منهم تصنيف عينة من المفحوصين ضمن فئات اسمية محددة. وهنا تبرز الحاجة إلى مقاييس إحصائية متقدمة تتجاوز نسب الاتفاق البسيطة التي قد تعطي انطباعاً خادعاً بالتوافق نتيجة عوامل الصدفة والتخمين العشوائي.

يمثل معامل كابا فلايس (Fleiss’ Kappa) الامتداد الرياضي والمنهجي الأكثر رصانة للتعامل مع التوافق بين المقيمين المتعددين (Inter-Rater Reliability) للبيانات الفئوية. يتيح هذا المعامل للباحثين تفكيك نسب الاتفاق الكلية واستبعاد التوافق المحتمل حدوثه بالصدفة المجردة، مما يوفر تقديراً دقيقاً وموضوعياً لدرجة الاتساق بين الملاحظين في سياقات التشخيص النفسي، وتصميم الاختبارات السيكومترية، وتقييم جودة الرعاية الصحية، وتحليل المحتوى النوعي في العلوم الاجتماعية.

ورغم توافر حزم إحصائية متخصصة، فإن فهم الآلية الرياضية وتنفيذ حسابات كابا فلايس خطوة بخطوة داخل برنامج مايكروسوفت إكسل (Microsoft Excel) يمنح الباحثين والأكاديميين فهماً عميقاً لبنية البيانات وطبيعة المؤشرات السيكومترية الفرعية. يقدم هذا الدليل الشامل تفكيكاً نظرياً ورياضياً وتطبيقياً كاملاً لمعامل كابا فلايس، مستعرضاً المعادلات الجبرية، وبناء مصفوفات التكرارات، وصياغة الدوال الرياضية في إكسل، وطرق اختبار الدلالة الإحصائية وتفسير النتائج وفق المعايير العالمية المعتمدة.

1. مقدمة نظرية حول معامل كابا فلايس (Fleiss’ Kappa) في القياس النفسي

1.1 مفهوم ومقاصد كابا فلايس في الأبحاث النفسية

يُعرَّف معامل كابا فلايس في حقل القياس النفسي والتقييم السريري بأنه مقياس إحصائي لامعلمي صُمم خصيصاً لتقدير درجة الاتفاق والموثوقية بين مجموعة تتألف من ثلاثة مقيمين أو أكثر يقومون بتصنيف عدد من المفردات أو الحالات ضمن متغيرات فئوية اسمية (Nominal Categorical Variables) أو رتبية (Ordinal). تنبع أهمية هذا المعامل من كونه لا يكتفي بحساب التوافق الظاهري الخام، بل يقوم بنمذجة رياضية لاحتمالية حدوث هذا التوافق بمحض الصدفة الإحصائية الناتجة عن التوزيعات الهامشية للفئات، ومن ثم استبعاد هذا الأثر العشوائي لتقديم مؤشر نقي عن الموثوقية الحقيقية.

في الأبحاث النفسية والتشخيص الإكلينيكي، تتسم الأدوات والاضطرابات بدرجة عالية من التعقيد والتداخل، مثل تقييم اضطرابات الشخصية أو تحديد درجات الاكتئاب والذهان؛ حيث يقرأ الأطباء النفسيون والأخصائيون الإكلينيكيون نفس الأعراض السلوكية بأنماط معرفية قد تتفاوت بناءً على خلفياتهم المهنية. يوفر كابا فلايس إطاراً كمياً صارماً يسمح للجان التحكيمية والمؤسسات العلاجية بالتحقق من أن التوافق بين الأطباء يعكس استقراراً في المحكات التشخيصية للأداة المقترحة وليس مجرد تخمين مشترك أو انحياز ناتج عن شيوع فئة تشخيصية معينة داخل العينة المفحوصة.

يمتد دور هذا المعامل في الدراسات السلوكية والنفسية المقارنة ليشمل مجالات تحليل المحتوى، وترميز السلوك الإنساني في جلسات العلاج النفسي، وتقييم المقابلات البنيوية. فعندما يقوم فريق بحثي بملاحظة تسجيلات فيديو لتفاعلات أسرية وترميز أنماط التواصل إلى فئات مثل (إيجابي، سلبي، محايد)، فإن استخدام كابا فلايس يضمن أن التوافق بين الملاحظين يتجاوز الحدود العشوائية للصدفة، مما يمنح البيانات النوعية المحولة إلى كمية موثوقية علمية رصينة تؤهلها للدخول في نماذج التحليل الإحصائي المتقدمة كالانحدار ونمذجة المعادلات البنائية.

1.2 السياق التاريخي وتطور مقاييس التوافق

تعود الجذور التاريخية لمقاييس التوافق بين المقيمين إلى منتصف القرن العشرين؛ حيث كان الباحثون يعتمدون في البداية على نسبة الاتفاق البسيطة (Percentage Agreement)، والتي سرعان ما أثبتت عجزها المنهجي نظراً لتضخيمها للثبات، خاصة عند انخفاض عدد الفئات أو تركز التوزيع في فئة واحدة. استجابةً لهذا القصور، قدم عالم الإحصاء والقياس النفسي جاكوب كوهين (Jacob Cohen) عام 1960 معامله الشهير المعروف باسم كابا كوهين (Cohen’s Kappa)، والذي أحدث نقلة نوعية من خلال ضبط عامل الصدفة، غير أن هذا المعامل ظل قاصراً على الحالات التي تتضمن مقيمين اثنين فقط وثابتين عبر جميع المفحوصين.

في عام 1971، نشر عالم الإحصاء الحيوي جوزيف فلايس (Joseph L. Fleiss) ورقته البحثية التأسيسية التي قدم فيها تعميماً وتطويراً رياضياً شاملاً لنموذج كوهين، مما أتاح قياس التوافق بين أي عدد ثابت من المقيمين لكل حالة خاضعة للدراسة. تميز نموذج فلايس بقدرته الفريدة على استيعاب تصاميم البحوث المعقدة التي تتضمن لجان تحكيمية موسعة، بل وتلك التي لا يُشترط فيها أن يكون نفس المقيمين هم من يقيّمون كل مفردة، طالما أن عدد المقيمين لكل حالة يظل ثابتاً، وهو ما منح المعامل مرونة تشغيلية فائقة في الدراسات الميدانية الكبرى.

أصبح كابا فلايس منذ ذلك الحين ركيزة أساسية في القياس السيكومتري الحديث وتصميم الاختبارات والمقاييس النفسية والتربوية. وتعتمد عليه الجمعية الأمريكية لعلم النفس (APA) والمنظمات الصحية العالمية في توثيق الصدق الظاهري والمحتوى للأدوات التشخيصية الجديدة ومراجعة أدلة التشخيص الإحصائي للاضطرابات النفسية (DSM)، حيث يُشترط إثبات درجات موثوقية متقدمة بين فرق الفحص المستقلة قبل اعتماد أي فئة تشخيصية جديدة في الممارسة الإكلينيكية المعيارية.

1.3 نطاق قيم المعامل والمدى الرقمي

يتراوح المدى الرياضي النظري لقيم معامل كابا فلايس من القيم السالبة وحتى القيمة القصوى الموجبة +1.00. تمثل القيمة +1.00 حالة التوافق التام والمطلق (Perfect Agreement) بين جميع المقيمين عبر كافة الحالات والفئات المدروسة، وهي حالة نادرة التحقق عملياً في الدراسات النفسية والسلوكية ولكنها تشكل الحد الأقصى للمعيار الرياضي. في المقابل، تشير القيمة 0.00 إلى انعدام التوافق التام، مما يعني أن نسبة الاتفاق الملاحظة بين المقيمين لا تزيد إطلاقاً عما يمكن توقعه بموجب الصدفة الإحصائية البحتة.

قد تأخذ قيم كابا فلايس اتجاهاً سالباً يقع بين 0.00 و -1.00 في سيناريوهات إحصائية محددة. تحدث القيم السالبة عندما يكون التوافق الملاحظ الفعلي بين المقيمين أقل من التوافق المتوقع حدوثه بموجب الصدفة؛ أي أن هناك نمطاً من الخلاف المنظم أو التناقض الصريح والمستمر بين أحكام المقيمين، كأن يتعمد مقيم تصنيف الحالات التي يراها زميله إيجابية على أنها سلبية بصورة عكسية مستمرة. وفي التطبيقات الإكلينيكية، تُعامل أي قيمة سالبة على أنها مؤشر على فشل ذريع في محكات القياس أو غياب تام للتدريب المشترك بين الفاحصين.

تكمن الأهمية السيكومترية لنقطة الصفر المرجعية في معامل كابا فلايس في توفير خط أساس موضوعي يسمح بمقارنة أداء فرق تشخيصية مختلفة عبر مستشفيات أو بيئات بحثية متباينة. فبدلاً من الانخداع بنسبة اتفاق ظاهري تبلغ 80% في عينة يتركز 80% من أفرادها في فئة تشخيصية واحدة طبيعية، يوضح كابا فلايس أن هذه النسبة قد تعادل قيمة كابا تقارب الصفر، مما يوجه الباحثين إلى إعادة ضبط أدواتهم وتدريب مقيميهم للوصول إلى اتفاق حقيقي مستقل عن تركيبة العينة وشيوع الاضطراب.

2. المقارنة المنهجية بين كابا كوهين وكابا فلايس

2.1 الفروق الجوهرية في بنية البيانات وعدد المقيمين

تتمحور الفروق الجوهرية بين كابا كوهين وكابا فلايس حول تصميم البحث وبنية المصفوفات الإحصائية المستخدمة في التحليل. يقتصر كابا كوهين الكلاسيكي على دراسة التوافق بين مقيمين اثنين فقط (Rater A و Rater B)، ويشترط بقاء هذين المقيمين ثابتين عبر جميع الحالات المفحوصة في العينة، وتُنظم بياناته عادة في جدول توافق مزدوج ذي بعدين ($k \times k$)، حيث تمثل الخلايا التقاطعات المباشرة لاختيارات المقيم الأول مقابل اختيارات المقيم الثاني.

في المقابل، تم تصميم كابا فلايس ليتعامل بمرونة فائقة مع ثلاثة مقيمين فأكثر ($m ge 3$). ولا تتطلب بنية بيانات كابا فلايس مصفوفة تقاطعية ثنائية، بل تعتمد على جدول تكراري شامل يتم فيه تخصيص الصفوف للحالات المفحوصة والأعمدة للفئات التشخيصية المتاحة. تتيح هذه البنية ميزة منهجية كبرى؛ حيث يمكن تطبيق كابا فلايس حتى لو كانت مجموعة المقيمين تتغير من حالة إلى أخرى، بشرط أن يظل إجمالي عدد المقيمين الذين يفحصون كل حالة ثابتاً ($m$)، وهو ما يتناسب تماماً مع بيئات العمل السريري الكبرى كالمستشفيات التي تعمل بنظام المناوبات المتغيرة.

لتوضيح الفروق الهيكلية، يلخص الجدول التالي المقارنة المنهجية بين المعاملين:

وجه المقارنة	كابا كوهين (Cohen’s Kappa)	كابا فلايس (Fleiss’ Kappa)
عدد المقيمين المسموح	مقيمان اثنان فقط ($m = 2$)	ثلاثة مقيمين فأكثر ($m ge 3$)
ثبات هوية المقيمين	يشترط نفس المقيمين لكافة الحالات	يمكن اختلاف المقيمين لكل حالة بشرط ثبات $m$
بنية المصفوفة في إكسل	جدول تقاطعي مزدوج ($k \times k$)	مصفوفة تكرارات الحالات مقابل الفئات ($N \times k$)
طريقة حساب الصدفة	ضرب التكرارات الهامشية للمقيمين	تربيع النسب التراكمية الإجمالية للفئات

2.2 طريقة ضبط عامل الصدفة والافتراضات الإحصائية

يختلف المعاملان في الآلية الرياضية المتبعة لتقدير التوافق المتوقع بالصدفة ($P_e$). في كابا كوهين، يُحسب التوافق بالصدفة عن طريق ضرب الاحتمالات الهامشية لكل مقيم على حدة لكل فئة ثم جمع حوااصل الضرب، مما يفترض أن لكل مقيم تحيزه الهامشي الخاص (Individual Marginal Bias) الذي ينبغي نمذجته بشكل مستقل ومقارنته بالطرف الآخر.

أما في كابا فلايس، فإن التوافق بالصدفة يُحسب عبر تجميع التكرارات الكلية لكل فئة تشخيصية عبر كامل العينة وجميع المقيمين لاستخراج نسبة انتشار موحدة للفئة ($p_j$)، ثم يتم تربيع هذه النسب وجمعها. يعكس هذا النموذج افتراضاً إحصائياً بأن المقيمين يتم اختيارهم عشوائياً من مجتمع أكبر من المقيمين المؤهلين، وأن الميل العام لاختيار فئة معينة هو خاصية مشتركة للمجتمع التشخيصي والظاهرة المقاسة وليس مجرد تحيز فردي لمقيم واحد.

يتأثر كلا المعاملين بما يُعرف في الأدبيات الإحصائية بتأثير التوزيعات غير المتوازنة للعينات (Marginal Prevalence Effects)؛ فعندما تنخفض نسبة انتشار اضطراب نفسي نادر في العينة، يؤدي ذلك إلى تضخيم التوافق المتوقع بالصدفة، مما يضغط قيمة كابا نحو الانخفاض حتى لو كان التوافق الفعلي بين المقيمين مرتفعاً. لذا، يجب على الباحث اختيار المعامل المناسب بدقة وفق طبيعة التصميم؛ فإن كان لديه مقيمان ثابتان يفضل استخدام كوهين أو وزنه المرجح (Weighted Kappa)، أما في وجود لجان تحكيمية متعددة فإن فلايس هو الخيار الأمثل والوحيد رياضياً.

3. الافتراضات والشروط المسبقة لتطبيق معامل كابا فلايس

3.1 شروط مستوى قياس المتغيرات والعينات

يتطلب التطبيق السليم لمعامل كابا فلايس استيفاء مجموعة من الافتراضات الإحصائية المنهجية المتعلقة بطبيعة المتغيرات وتصميم العينة. الشرط الأول والأساسي هو أن تكون البيانات مصنفة وفق مقياس اسمي قطعي ذي فئات محددة بدقة، وأن تكون هذه الفئات شاملة ومانعة للجمع بالكامل (Mutually Exclusive and Exhaustive). يعني ذلك أن كل حالة خاضعة للتقييم يجب أن تُصنف ضمن فئة واحدة فقط دون غيرها، ولا يجوز بأي حال السماح للمقيم باختيار فئتين لنفس الحالة أو ترك الحالة دون تصنيف.

الشرط الثاني يتعلق باستقلالية الحالات والمفردات المفحوصة داخل العينة السريرية؛ إذ يجب أن يتم اختيار كل مريض أو حالة نفسية بشكل مستقل تماماً عن الحالات الأخرى، بحيث لا يؤثر تشخيص حالة معينة على احتمالية تشخيص الحالة التالية. هذا الاستقلال يضمن خلو نموذج كابا من التباين المرتبط بالعنقودية (Clustering Effects) الذي قد يؤدي إلى تشويه الخطأ المعياري وتضخيم الدلالة الإحصائية للمعامل بشكل زائف.

الشرط الثالث يتمثل في ضرورة ثبات عدد المقيمين ($m$) لكل مفردة من مفردات العينة ($N$). إذا تضمن تصميم البحث 10 حالات خاضعة للتقييم، وكان عدد المقيمين المخصص هو 5 أطباء، فيجب أن يتلقى كل مريض من المرضى العشرة 5 تقييمات تشخيصية دقيقة ومكتملة. وإذا تخلف أحد المقيمين عن تقييم إحدى الحالات، فإن ذلك يؤدي إلى خلل في المقامات الرياضية لمصفوفة فلايس، مما يتطلب استبعاد الحالة أو استخدام أساليب تعويض البيانات المفقودة المتقدمة قبل البدء في الحسابات.

3.2 استقلالية المقيمين والحيادية العلمية

تعتبر استقلالية عملية التقييم حجر الزاوية المنهجي لضمان الصدق الداخلي لمعامل كابا فلايس. يتحقق هذا الشرط بإجراء التقييمات بصورة مستقلة تماماً ومغماة (Blinded Rating Process)؛ حيث يجب عزل كل مقيم عن آراء وتشخيصات زملائه في الفريق، ومنع أي شكل من أشكال التداول أو التشاور الشفهي أو الكتابي أثناء مرحلة جمع البيانات، لتجنب انتقال أثر الامتثال الجماعي أو هيمنة المقيم الأكثر خبرة على آراء الباقين.

يستلزم التحضير السيكومتري الرصين تأهيل وتدريب جميع المقيمين المشاركين على نفس الدليل التشخيصي الموحد، مثل الدليل التشخيصي والإحصائي الخامس للاضطرابات النفسية (DSM-5) أو التصنيف الدولي للأمراض (ICD-11). يهدف هذا التدريب إلى تقليص التباين العشوائي الناتج عن سوء فهم المفاهيم الإجرائية، مما يضمن أن أي خلاف يظهر في قيم كابا يعود إلى صعوبة الحالة السريرية ذاتها وليس إلى تباين في القواعد المرجعية للمقيمين.

أما فيما يخص البيانات المفقودة (Missing Data)، فإن الصيغة الأصلية لمعامل كابا فلايس لا تتحمل وجود خلايا فارغة في مصفوفة الأحكام. وللتعامل المنهجي مع هذه المشكلة، يجب على الباحث فحص أسباب الفقد؛ فإن كان الفقد عشوائياً تماماً (MCAR) وبنسبة ضئيلة جداً، يمكن استبعاد الحالات غير المكتملة لضمان تساوي عدد المقيمين ($m$)، أما إذا كان الفقد كبيراً، فيتعين إعادة جمع البيانات أو الانتقال إلى نماذج التأثيرات المختلطة أو معاملات الاتساق الداخلي المعتمدة على النمذجة الخطية العامة.

4. هيكلة وتنظيم مصفوفة البيانات في مايكروسوفت إكسل

4.1 إعداد جدول التكرارات الخام لكل موضوع وفئة

يبدأ التطبيق العملي لحساب كابا فلايس في مايكروسوفت إكسل بإنشاء مصفوفة بيانات مبوبة تختلف تماماً عن جداول الإدخال الفردية للمقيمين. لا نقوم في هذا الجدول بتسجيل هوية المقيمين، بل نسجل التكرارات التراكمية. يتم تخصيص الصفوف لتمثيل الحالات أو الموضوعات المفحوصة والتي يرمز لعددها بالرمز ($N$)، وتبدأ من الصف رقم 1 حتى الصف$N$ في ورقة العمل.

في المقابل، يتم تخصيص الأعمدة لتمثيل الفئات التشخيصية أو فئات المقياس المستهدفة والتي يرمز لعددها الإجمالي بالرمز ($k$). في كل خلية تتقاطع بين صف الحالة وعمود الفئة، يتم إدخال عدد المقيمين ($n_{ij}$) الذين صنفوا تلك الحالة المحددة ($i$) ضمن تلك الفئة المعينة ($j$). على سبيل المثال، إذا قام 4 أطباء من أصل 5 بتشخيص المريض الأول بأنه يعاني من “الاكتئاب”، وطبيب واحد شخصه بـ “القلق”، يُكتب الرقم 4 في عمود الاكتئاب والرقم 1 في عمود القلق، والأصفار في باقي الأعمدة.

من القواعد الصارمة التي يجب التحقق منها فورياً داخل إكسل هي أن مجموع القيم في كل صف يجب أن يساوي دائماً وبدقة متناهية إجمالي عدد المقيمين المحددين في الدراسة ($m$). يتم التحقق من ذلك بإضافة عمود تحققي مؤقت في نهاية الجدول يحتوي على دالة الجمع =SUM لكامل خلايا الصف، والتأكد من تطابق المجموع عبر كافة الصفوف دون أي استثناء لتجنب أخطاء القسمة الرياضية اللاحقة.

4.2 تنسيق الخلايا وضبط أنواع البيانات

لضمان استقرار العمليات الحسابية ومنع حدوث أخطاء المعالجة الرقمية في إكسل، يتعين ضبط التنسيق الرياضي لكافة خلايا مصفوفة التكرارات. يتم تحديد نطاق البيانات كاملاً وتنسيقه كـ “أرقام صحيحة” (Integers) مع إلغاء المنازل العشرية في نطاق الإدخال الأولي؛ لأن التكرارات تمثل أعداداً مطلقة للمقيمين ولا يمكن أن تتضمن كسوراً في هذه المرحلة من الإدخال.

يُفضل إنشاء صف تجميعي أسفل مصفوفة البيانات يُخصص لحساب المجاميع الكلية لكل فئة تشخيصية عبر كافة الحالات المفحوصة. يُستخدم في هذا الصف دالة =SUM أسفل كل عمود، مما يوفر المجموع التراكمي ($C_j$) الذي يمثل الركيزة الأساسية لحساب الاحتمالات الهامشية ونسب التوافق بالصدفة في المراحل المتقدمة من التحليل الإحصائي.

لتقليل احتمالية الخطأ البشري أثناء إدخال البيانات الضخمة، يُنصح باستخدام ميزة “التحقق من صحة البيانات” (Data Validation) المدمجة في إكسل. يمكن ضبط قيود الإدخال بحيث لا تقبل الخلايا أي أرقام سالبة أو أرقام تزيد عن إجمالي عدد المقيمين ($m$)، مع إمكانية إضافة تنبيه مخصص يظهر للمستخدم في حال تم إدخال رقم يؤدي إلى تجاوز مجموع الصف للعدد المعياري للمقيمين المعتمد في التصميم البحثي.

5. المعادلة الرياضية لمعامل كابا فلايس وتفكيك عناصرها

5.1 الصيغة العامة للمعامل ومكوناته

تستند المعادلة العامة لمعامل كابا فلايس إلى الهيكل المفاهيمي الكلاسيكي لمعاملات التصحيح ضد الصدفة، وتُصاغ رياضياً على النحو التالي:

$\kappa = \frac{\bar{P} – \bar{P}_e}{1 – \bar{P}_e}$

تمثل هذه الصيغة النسبة المئوية للمقدار الفعلي للتوافق الذي تحقق فوق مستوى الصدفة، منسوباً إلى أقصى توافق ممكن كان يمكن تحقيقه فوق مستوى الصدفة. يتكون المعامل من حدين رئيسيين في غاية الأهمية:

• متوسط نسبة التوافق الملاحظ ($\bar{P}$ – Overall Observed Agreement): وهو المتوسط الحسابي لنسب التوافق الفعلي المحسوبة بشكل فردي لكل مفردة من المفردات الخاضعة للتحكيم عبر جميع أزواج المقيمين الممكنة.
• متوسط نسبة التوافق المتوقع بالصدفة ($\bar{P}_e$ – Overall Expected Agreement): وهو حاصل جمع مربعات النسب الإجمالية لانتشار الفئات المختلفة عبر كامل التجربة البحثية، معبراً عن التوافق الذي كان سيحدث حتى لو أصدر المقيمون أحكامهم بصورة عشوائية تماماً ولكن مع الحفاظ على معدلات انتشار الفئات.

عندما يقترب $\bar{P}$ من الواحد الصحيح مع بقاء $\bar{P}_e$ عند مستوياته العادية، يقترب كابا من 1.00 معبراً عن توافق شبه مثالي، بينما إذا تساوى التوافق الملاحظ تماماً مع التوافق المتوقع بالصدفة ($\bar{P} = \bar{P}_e$)، فإن بسط المعادلة يصبح صفراً، وتكون النتيجة النهائية لكابا هي 0.00 بالضبط.

5.2 التحليل الدقيق لمعادلة التوافق لكل مفردة ($P_i$)

لحساب متوسط التوافق الملاحظ الإجمالي ($\bar{P}$)، يجب أولاً حساب نسبة التوافق الداخلي لكل حالة أو صف على حدة، والتي يُرمز لها بالرمز ($P_i$). تُعرّف $P_i$ بأنها نسبة أزواج المقيمين المتفقين بالفعل على تصنيف الحالة $i$ مقسومة على العدد الكلي لأزواج المقيمين الممكن تشكيلهم من بين $m$ مقيماً، وتُكتب بالصيغة الرياضية التالية:

$P_i = \frac{1}{m(m – 1)} \sum_{j=1}^{k} n_{ij}(n_{ij} – 1)$

وبإعادة الترتيب الجبري لتسهيل برمجتها داخل برمجيات الجداول الممتدة مثل إكسل، يمكن التعبير عنها بصيغة مجموع المربعات المكافئة:

$P_i = \frac{\sum_{j=1}^{k} n_{ij}^2 – m}{m(m – 1)}$

يكشف التفسير المنطقي الرياضي لهذه المعادلة سر طرح القيمة $m$ في البسط؛ حيث إن تربيع تكرار كل فئة $\sum n_{ij}^2$ يتضمن ضرب كل مقيم في نفسه، وهو ما يمثل توافقاً ذاتياً زائفاً يجب إزالته بطرح $m$ (إجمالي عدد المقيمين). أما المقام $m(m-1)$ فهو يمثل التباديل والتوافيق الرياضية لأزواج المقيمين بدون إرجاع. وبمجرد استخراج قيم $P_i$ لجميع الحالات من 1 إلى $N$، يتم حساب متوسطها الحسابي البسيط للحصول على$bar{P}$:

$\bar{P} = \frac{1}{N} \sum_{i=1}^{N} P_i$

5.3 التحليل الدقيق لمعادلة الاحتمالية الهامشية ($p_j$)

يتمثل العنصر الثاني في النموذج الرياضي في حساب الاحتمال الهامشي لكل فئة تشخيصية، والذي يُرمز له بالرمز ($p_j$). يعبر $p_j$ عن النسبة الإجمالية لجميع التقييمات التي صُنفت ضمن الفئة $j$ عبر كامل الدراسة منسوبة إلى العدد الإجمالي الكلي للتقييمات الصادرة من جميع المقيمين لجميع الحالات، وتُحسب وفق المعادلة:

$p_j = \frac{1}{N \cdot m} \sum_{i=1}^{N} n_{ij}$

حيث يمثل $N$ عدد الحالات المفحوصة، و $m$ عدد المقيمين لكل حالة، ويكون حاصل ضربهما ($N \cdot m$) هو الحجم المطلق لجميع القرارات التشخيصية المسجلة في البحث. وتعد القاعدة الرياضية الصارمة التي يجب التحقق منها دائماً هي أن مجموع كافة الاحتمالات الهامشية لجميع الفئات يجب أن يساوي دائماً الواحد الصحيح:

$\sum_{j=1}^{k} p_j = 1.0000$

بعد استخراج قيمة $p_j$ لكل عمود، يتم استخراج نسبة التوافق المتوقع بموجب الصدفة ($\bar{P}_e$) من خلال جمع مربعات هذه الاحتمالات الهامشية:

$\bar{P}_e = \sum_{j=1}^{k} p_j^2$

يعكس هذا المجموع الرياضي نظرية الاحتمالات المستقلة؛ فإذا كان احتمال أن يختار مقيم عشوائي الفئة الأولى هو $p_1$، فإن احتمال أن يختار مقيم عشوائي آخر نفس الفئة بالصدفة المستقلة هو $p_1 \times p_1 = p_1^2$. وبجمع هذه الاحتمالات عبر كافة الفئات المتاحة، نحصل على التوافق الإجمالي المتوقع حدوثه دون أي تنسيق حقيقي بين المحكمين.

6. الخطوات العملية لحساب التوافق الفعلي الملاحظ ($\bar{P}$) في إكسل

6.1 حساب مجموع مربعات الصف لكل حالة

لتطبيق الحسابات في مايكروسوفت إكسل بكفاءة، نبدأ بإنشاء عمود مساعد بجوار مصفوفة التكرارات يحمل اسم “مجموع المربعات” ($\sum n_{ij}^2$). نفترض أن بيانات الفئات التشخيصية للحالة الأولى تقع في النطاق من الخلية B2 إلى الخلية F2 (بافتراض وجود 5 فئات تشخيصية). لحساب مجموع مربعات التكرارات في هذا الصف، نستخدم دالة إكسل الرياضية المباشرة SUMSQ.

تُكتب الصيغة في الخلية G2 على النحو التالي:

=SUMSQ(B2:F2)

تقوم هذه الدالة بتربيع كل قيمة تكرارية داخل الخلايا المحددة وجمع النتائج تلقائياً في خطوة واحدة، مما يغني عن كتابة عمليات الضرب المطولة مثل (B2^2 + C2^2 + D2^2 + E2^2 + F2^2). بعد كتابة المعادلة والتأكد من صحتها في الخلية الأولى، يتم النقر المزدوج على مقبض التعبئة التلقائي لسحب المعادلة وتطبيقها على كامل العمود حتى نهاية الصف $N$.

يجب في هذه المرحلة إجراء تدقيق بصري وحسابي لعدة صفوف عشوائية؛ فإذا كانت الحالة الأولى تحتوي على التكرارات (0, 0, 0, 0, 14)، فإن ناتج دالة SUMSQ يجب أن يكون $14^2 = 196$. وإذا كانت التكرارات موزعة بالتساوي كـ (2, 3, 3, 3, 3)، فإن الناتج يجب أن يكون $4 + 9 + 9 + 9 + 9 = 40$. يضمن هذا التدقيق خلو الجدول من الأخطاء قبل الانتقال إلى الخطوة التالية.

6.2 حساب قيمة $P_i$ لكل صف باستخدام معادلات إكسل

بعد إعداد عمود مجموع المربعات، نقوم بإنشاء عمود إضافي نطلق عليه اسم “التوافق الملاحظ للحالة” ($P_i$). في هذا العمود، سنقوم بتطبيق المعادلة الجبرية لتفكيك التوافق وطرح أثر الذاتية. نفترض أن عدد المقيمين الإجمالي ($m$) مسجل في خلية مرجعية ثابتة، وليكن في الخلية$B$16 بقيمة (14 مقيماً).

تُكتب الصيغة الرياضية في الخلية H2 على النحو التالي:

=(G2 – $B$16) / ($B$16 * ($B$16 – 1))

أو يمكن كتابة الأرقام مباشرة إذا كان عدد المقيمين ثابتاً ومؤكداً عبر الصيغة:

=(G2 – 14) / (14 * 13)

والتي تكافئ رياضياً: =(G2 – 14) / 182.

إن استخدام إشارات التثبيت ($) مع المراجع مثل$B$16 يمثل ممارسة قياسية متقدمة في إكسل تسمح للباحث بتغيير عدد المقيمين لاحقاً في الخلية المرجعية وتحديث كافة العمليات الحسابية تلقائياً. من الضروري جداً التأكد من أن كافة قيم $P_i$ المحسوبة في هذا العمود تقع حصراً ضمن المدى من 0.0000 إلى 1.0000؛ حيث إن ظهور أي قيمة سالبة أو قيمة أكبر من الواحد الصحيح يشير حتماً إلى وجود خطأ في كتابة الأقواس أو في قيمة $m$ المدخلة في المقام.

6.3 استخراج المتوسط العام $\bar{P}$

بعد اكتمال حساب قيم $P_i$ لجميع الحالات المفحوصة في العينة داخل العمود H (من الخلية H2 إلى H11 في عينة مكونة من 10 حالات)، ننتقل إلى حساب المؤشر التجميعي الأول: متوسط نسبة التوافق الملاحظ الإجمالي ($\bar{P}$).

نختار خلية مستقلة في ملخص النتائج (ولتكن الخلية B18) ونكتب فيها دالة المتوسط الحسابي:

=AVERAGE(H2:H11)

تقوم هذه الدالة بجمع كافة قيم التوافق الفردية وقسمتها تلقائياً على عدد الحالات ($N$). يُوصى بضبط تنسيق هذه الخلية لعرض 5 منازل عشرية لضمان دقة العمليات الإحصائية المتسلسلة؛ حيث إن التقريب المبكر قد يؤدي إلى انحرافات تراكمية في معامل كابا النهائي وقيمة الخطأ المعياري.

تُمثل القيمة الناتجة في هذه الخلية نسبة التوافق الإجمالية الفعلية غير المصححة؛ فإذا كانت القيمة مثلاً 0.37802، فهذا يعني أن 37.8% من كافة أزواج التقييمات الممكنة بين الأطباء عبر جميع الحالات كانت متطابقة في الفئة التشخيصية المختارة. ورغم أن هذا الرقم يعطي انطباعاً أولياً عن التوافق، إلا أنه لا يمكن الاعتماد عليه منفرداً في التقرير العلمي دون مقارنته بمستوى الصدفة.

7. الخطوات العملية لحساب التوافق المتوقع بالصدفة ($\bar{P}_e$) في إكسل

7.1 إيجاد المجموع الكلي لأعمدة الفئات وتحديد $p_j$

للانتقال إلى الشق الثاني من معادلة كابا، نبدأ بحساب التكرارات الهامشية لكل فئة عبر كامل العينة. نتوجه إلى الصف المباشر أسفل مصفوفة البيانات، وليكن الصف 12. في الخلية B12 (أسفل عمود الفئة الأولى)، نكتب معادلة الجمع الكلي:

=SUM(B2:B11)

نقوم بسحب هذه المعادلة أفقياً عبر الخلايا C12 و D12 و E12 و F12 لتغطية كافة الفئات التشخيصية. يعبر الرقم الظاهر في كل خلية عن إجمالي عدد المرات التي اختار فيها أي مقيم هذه الفئة المحددة على مدار الدراسة بأكملها.

في الصف التالي (الصف 13)، ننشئ صفاً مخصصاً للاحتمالات الهامشية ($p_j$). يُحسب هذا الاحتمال بقسمة المجموع الكلي للفئة على إجمالي القرارات الصادرة ($N \times m$). فإذا كان عدد الحالات 10 وعدد المقيمين 14، فإن المقام الكلي يكون $10 times 14 = 140$. نكتب في الخلية B13 الصيغة التالية:

=B12 / ($B$15 * $B$16)

حيث تمثل الخلية B15 عدد الحالات $N$ والخلية B16 عدد المقيمين $m$. ثم نسحب الصيغة أفقياً لكافة الفئات حتى الخلية F13.

الخطوة الرقابية الحاسمة هنا هي تطبيق معادلة التحقق في الخلية المجاورة: =SUM(B13:F13). يجب أن تعطي هذه المعادلة الرقم 1.0000 بدقة مطلقة. إذا كان الناتج مختلفاً، يجب مراجعة نطاقات الجمع والتأكد من عدم إسقاط أي عمود أو صف من مصفوفة الإدخال.

7.2 تربيع النسب الهامشية واستخراج التوافق بالصدفة

بمجرد الحصول على صف الاحتمالات الهامشية ($p_j$) المؤكدة، نأتي إلى الخطوة النهائية لحساب التوافق المتوقع بالصدفة ($\bar{P}_e$). تتطلب الصيغة الرياضية تربيع كل نسبة هامشية ثم جمع هذه المربعات معاً لتطبيق صيغة الاحتمالات المستقلة.

في مايكروسوفت إكسل، يمكن تنفيذ هذه العملية بكفاءة فائقة وبطريقتين مختلفتين؛ الطريقة الأولى هي استخدام دالة مجموع المربعات SUMSQ مباشرة على صف النسب الهامشية، فنكتب في الخلية المخصصة لـ $\bar{P}_e$ (ولتكن الخلية B19):

=SUMSQ(B13:F13)

أما الطريقة البديلة المباشرة فتعمل باستخدام صيغ المصفوفات بضرب النطاق في نفسه عبر دالة SUMPRODUCT:

=SUMPRODUCT(B13:F13, B13:F13)

تُعبر القيمة المستخرجة (والتي تكون مثلاً 0.21280) عن حجم التوافق الذي سيتحقق حتماً بين المقيمين بمجرد التخمين العشوائي المستند إلى ميولهم العامة لتوزيع الفئات. وكلما تركزت تقييمات المقيمين في فئة واحدة شائعة جداً، ارتفعت قيمة $\bar{P}_e$ بشكل ملحوظ، مما يفرض تحدياً أكبر على التوافق الملاحظ $\bar{P}$ لإثبات أن الاتفاق بين الأطباء هو اتفاق تشخيصي حقيقي وليس أثراً لانتشار المرض في المجتمع المدروس.

8. حساب معامل كابا النهائي وتطبيق المعادلة الشاملة في إكسل

8.1 دمج القيم وحساب كابا النهائي

بعد استخراج قيمتي التوافق الملاحظ ($\bar{P}$ في الخلية B18) والتوافق المتوقع بالصدفة ($\bar{P}_e$ في الخلية B19)، تكتمل لدينا كافة الأركان اللازمة لحساب معامل كابا فلايس النهائي. نخصص خلية بارزة لنتائج القياس النهائي (ولتكن الخلية B21) ونكتب فيها المعادلة الجوهرية لكابا:

=(B18 – B19) / (1 – B19)

إذا كانت لدينا القيم الرقمية المعيارية التالية: $\bar{P} = 0.37802$ و $\bar{P}_e = 0.21280$، فإن التطبيق الحسابي للمعادلة يكون:

$\kappa = \frac{0.37802 – 0.21280}{1 – 0.21280} = \frac{0.16522}{0.78720} \approx 0.20988$

للباحثين المتقدمين وخبراء التحليل الإحصائي في إكسل، يمكن أيضاً بناء صيغة مصفوفية مركبة أحادية (Single Array Formula) تقوم بحساب كابا فلايس مباشرة من جدول البيانات الخام دون الحاجة لإنشاء أعمدة وسيطة أو صفوف مساعدة. تُكتب الصيغة المتقدمة في حزم إكسل الحديثة (Microsoft 365) بالاعتماد على دوال مثل LET و BYROW على النحو التالي:

=LET(Data, B2:F11, N, ROWS(Data), m, SUM(INDEX(Data,1,)), P_i, (BYROW(Data, LAMBDA(r, SUMSQ(r))) – m)/(m*(m-1)), P_bar, AVERAGE(P_i), p_j, BYCOL(Data, LAMBDA(c, SUM(c)))/(N*m), P_e, SUMSQ(p_j), (P_bar – P_e)/(1 – P_e))

توفر هذه الصيغة الأحادية حلاً برمجياً متقدماً يحمي ورقة العمل من أخطاء العبث بالخلايا الوسيطة وتسمح بنسخ النموذج وتطبيقه على مصفوفات بيانات جديدة بمرونة وسرعة فائقة.

8.2 إنشاء نموذج تفاعلي وقابل لإعادة الاستخدام (Template)

لتحويل ورقة العمل إلى أداة بحثية مستدامة وقابلة لإعادة الاستخدام في مشاريع دراسية متعددة، يُنصح بتطبيق تقنيات بناء النماذج الديناميكية في إكسل. يتضمن ذلك استخدام “النطاقات المسماة” (Named Ranges)؛ حيث يمكن تسمية خلية عدد الحالات بـ Num_Subjects، وخلية عدد المقيمين بـ Num_Raters، ونطاق مصفوفة التكرارات بـ Rating_Matrix. يمنح ذلك المعادلات وضوحاً أكاديمياً يجعل مراجعتها وتدقيقها سهلاً للغاية لأي باحث خارجي.

يُنصح أيضاً بتطبيق أدوات “التنسيق الشرطي” (Conditional Formatting) داخل مصفوفة التكرارات لإنشاء خرائط حرارية بصرية (Heat Maps). يمكن تلوين الخلايا التي تحتوي على تكرارات مرتفعة بلون مميز، وتلوين الصفوف التي تتوزع فيها التكرارات بشكل مشتت بين فئات متعددة بلون تحذيري؛ حيث يسلط هذا التنسيق الضوء فورياً على الحالات الإشكالية التي شهدت خلافاً تشخيصياً حاداً بين الأطباء، مما يوجه الفريق الإكلينيكي لإعادة فحص ملفات هؤلاء المرضى بالتحديد لمناقشة أسباب التباين.

كما يجب قفل وتأمين الخلايا التي تحتوي على المعادلات البرمجية (Lock Formula Cells) وحماية ورقة العمل بكلمة مرور، مع ترك خلايا إدخال التكرارات فقط مفتوحة للباحثين ومساعدي جمع البيانات. يضمن هذا الإجراء الوقائي عدم قيام المستخدمين بحذف الدوال الحسابية المعقدة عن طريق الخطأ أثناء عمليات إدخال البيانات الميدانية المكثفة.

9. تفسير قيم كابا فلايس ومعايير التقييم السيكومتري

9.1 المعايير المرجعية للانديس وكوخ (Landis & Koch)

يمثل التفسير الدلالي لقيمة كابا المحسوبة الخطوة الحاسمة لتحويل الأرقام المجردة إلى أحكام سيكومترية ذات معنى تطبيقي. المعيار الأكثر انتشاراً واعتماداً في الأدبيات الإحصائية والنفسية هو المعيار الإرشادي الذي وضعه العالمان لانديس وكوخ (Landis & Koch, 1977)، والذي يقسم مستويات التوافق إلى ست فئات نوعية رئيسية:

مدى قيمة كابا ($kappa$)	مستوى التوافق والاتساق (Strength of Agreement)	الدلالة المنهجية في القياس النفسي
أقل من 0.00	توافق ضعيف جداً أو منعدم (Poor / Less than chance)	وجود خلاف منظم أو خلل بنيوي في محكات الأداة
0.00 إلى 0.20	توافق طفيف (Slight Agreement)	التوافق لا يتعدى الصدفة إلا بهامش ضئيل جداً وغير مفيد
0.21 إلى 0.40	توافق مقبول (Fair Agreement)	اتساق أولي يصلح للدراسات الاستكشافية المبدئية فقط
0.41 إلى 0.60	توافق متوسط (Moderate Agreement)	مستوى مقبول في البحوث السلوكية والملاحظة الميدانية
0.61 إلى 0.80	توافق جوهري (Substantial Agreement)	اتساق عالي وموثوق يصلح لمعظم الاستخدامات الإكلينيكية
0.81 إلى 1.00	توافق شبه تام (Almost Perfect Agreement)	تطابق استثنائي نادر الحدوث في التقييمات البشرية

وفقاً لمعيار لانديس وكوخ، فإن قيمة كابا المحسوبة في مثالنا السابق ($kappa = 0.2099$) تقع في الحد الأدنى لفئة “التوافق المقبول” (Fair Agreement)، مما يشير إلى أن أداء المقيمين يتجاوز الصدفة بهامش بسيط، ولكنه يظل غير كافٍ للاعتماد عليه كأداة تشخيصية قاطعة في البيئات السريرية الحساسة دون مراجعة وتدريب إضافي.

9.2 معايير فلايس البديلة للأبحاث الإكلينيكية الصارمة

اقترح جوزيف فلايس نفسه معياراً بديلاً أكثر صرامة وملاءمة للأبحاث الطبية والإكلينيكية الحيوية التي لا تحتمل التساهل مع نسب الخطأ والاتفاق الضعيف. يُلخص تقسيم فلايس مستويات الموثوقية في ثلاثة نطاقات رئيسية:

• قيم كابا أقل من 0.40 ($kappa < 0.40$): تُصنف على أنها توافق ضعيف (Poor Agreement)، مما يوجب رفض الأداة أو إعادة صياغة المعايير التشخيصية بالكامل.
• قيم كابا من 0.40 إلى 0.75 ($0.40 le kappa le 0.75$): تُصنف على أنها توافق جيد إلى متوسط (Intermediate to Good Agreement)، وتُعد مقبولة في التقييمات النفسية العامة.
• قيم كابا الأكبر من 0.75 ($kappa > 0.75$): تُصنف كـ توافق ممتاز واستثنائي (Excellent Agreement)، وهو المستوى المطلوب في التشخيصات الطبية الفاصلة مثل تصنيف الأورام أو اتخاذ قرارات الإيداع النفسي القسري.

عند صياغة تقرير النتائج بالأسلوب الأكاديمي المعتمد من قبل الجمعية الأمريكية لعلم النفس (APA Style – 7th Edition)، يجب تضمين قيمة كابا المحسوبة مصحوبة بالخطأ المعياري وفترة الثقة والقيمة الاحتمالية، كأن يُكتب في متن البحث: “أظهرت نتائج تحليل التوافق بين المقيمين لمجموعة مكونة من 14 أخصائياً نفسياً أن معامل كابا فلايس بلغ $kappa = 0.210$، $p < .001$، مما يشير إلى توافق مقبول وفق محكات لانديس وكوخ، ولكنه يصنف كأداء ضعيف بموجب معايير فلايس الصارمة".

10. تقييم الدلالة الإحصائية واختبار الفرضيات لمعامل كابا في إكسل

10.1 حساب الخطأ المعياري والتباين (Standard Error & Variance)

لا يكتمل التحليل السيكومتري الرصين دون التحقق من أن قيمة كابا تختلف جوهرياً عن الصفر من الناحية الإحصائية وليست ناتجة عن تقلبات المعاينة العشوائية. يتطلب ذلك حساب تباين كابا تحت الفرضية الصفرية ($H_0: \kappa = 0$). وتُصاغ معادلة التباين الأصغرية لنموذج فلايس في ظل فرضية العدم على النحو التالي:

$Var(\kappa_0) = \frac{2}{N \cdot m(m – 1)} \cdot \frac{\sum_{j=1}^{k} p_j^2 – \left(\sum_{j=1}^{k} p_j^2\right)^2}{\left(1 – \sum_{j=1}^{k} p_j^2\right)^2}$

وباستخدام الرموز المبسطة التي تم حسابها في إكسل سابقاً ($\bar{P}_e = \sum p_j^2$)، يمكن إعادة كتابة المعادلة في إكسل عبر الصيغة:

$Var(\kappa_0) = \frac{2}{N \cdot m(m – 1)} \cdot \frac{\bar{P}_e – \bar{P}_e^2}{(1 – \bar{P}_e)^2}$

أما الخطأ المعياري ($SE(\kappa_0)$)، فهو الجذر التربيعي الموجب لهذا التباين:

$SE(\kappa_0) = \sqrt{Var(\kappa_0)}$

لتطبيق ذلك في إكسل داخل الخلية B23، نكتب المعادلة التالية:

=SQRT((2 / ($B$15 * $B$16 * ($B$16 – 1))) * ((B19 – B19^2) / (1 – B19)^2))

يوضح هذا التركيب الرياضي بوضوح التأثير المباشر لحجم العينة ($N$) وعدد المقيمين ($m$) على دقة القياس؛ فمع زيادة عدد الحالات أو زيادة عدد المحكمين، يتضخم المقام الرياضي وينكمش الخطأ المعياري بشكل كبير، مما يؤدي إلى تضييق فترات الثقة وزيادة القدرة الإحصائية (Statistical Power) للاختبار.

10.2 حساب إحصاءة Z والقيمة الاحتمالية ($p$-value)

نظراً لأن توزيع كابا يقترب من التوزيع الطبيعي المعياري (Standard Normal Distribution) في العينات الكبيرة بموجب مبرهنة النهاية المركزية، يمكن حساب إحصاءة الاختبار المعيارية ($Z$) عبر قسمة معامل كابا على خطئه المعياري الصدفي:

$Z = \frac{\kappa}{SE(\kappa_0)}$

نكتب هذه المعادلة في الخلية B24 في إكسل: =B21 / B23.

لاستخراج القيمة الاحتمالية ($p$-value) المرتبطة باختبار الفرضية الصفرية أحادي الطرف (والذي يختبر ما إذا كان التوافق أكبر من الصفر بطريقة ذات دلالة)، نستخدم دالة التوزيع الطبيعي المعياري التراكمي في إكسل داخل الخلية B25:

=1 – NORM.S.DIST(B24, TRUE)

إذا كانت القيمة الاحتمالية الناتجة أقل من مستوى الدلالة المعياري ($\alpha = 0.05$ أو $\alpha = 0.01$)، فإننا نرفض الفرضية الصفرية ونستنتج بثقة إحصائية أن التوافق الملاحظ بين المقيمين يتجاوز الصدفة بمستوى دال إحصائياً.

كما يمكن بناء حدود فترة الثقة بنسبة 95% لمعامل كابا فلايس ($95% text{ CI}$) لحصر المدى الذي تقع فيه القيمة الحقيقية للمعامل في المجتمع الإحصائي:

• الحد الأدنى لفترة الثقة (Lower Limit): =B21 – (1.96 * B23)
• الحد الأعلى لفترة الثقة (Upper Limit): =B21 + (1.96 * B23)

إذا كان الحد الأدنى لفترة الثقة يظل موجباً وأكبر من الصفر، فإن ذلك يعزز بقوة من مصداقية وثبات التوافق الإكلينيكي المقاس عبر اللجان التحكيمية.

11. التحديات والمفارقات الشائعة عند تطبيق كابا فلايس وحلولها

11.1 مفارقة الانتشار والتحيز (Prevalence & Bias Paradoxes)

تعد “مفارقة الانتشار” (Prevalence Paradox) من أشهر الظواهر الإحصائية المحيرة التي تواجه الباحثين عند تطبيق معاملات كابا؛ حيث يُفاجأ الباحث أحياناً بظهور قيمة كابا منخفضة جداً (مثلاً $kappa = 0.15$) على الرغم من أن نسبة التوافق الملاحظ الفعلي بين المقيمين تتجاوز 90%. تحدث هذه المفارقة عندما تكون الظاهرة النفسية نادرة جداً في العينة، أو عندما يتركز معظم المفحوصين في فئة واحدة طبيعية وتندر الحالات المرضية.

يفسر التحليل الرياضي هذه الظاهرة بأن التوزيع الهامشي غير المتوازن يؤدي إلى تضخيم قيمة التوافق المتوقع بالصدفة ($\bar{P}_e$) لتصل إلى 88% مثلاً، مما يجعل الفارق بين التوافق الفعلي والتوافق المتوقع ضئيلاً جداً في بسط المعادلة. ولتجاوز هذه المفارقة في الأبحاث السيكومترية، يُنصح الباحثون بعدم الاعتماد على معامل كابا بشكل منفرد، بل يجب دعمه بالإبلاغ عن نسب التوافق الإيجابي والسلبي لكل فئة على حدة، أو استخدام مقاييس مكملة مثل معامل التوافق غير المتحيز لجوانكوف ومويست (Gwet’s $AC_1$) المصمم خصيصاً للتعامل مع مفارقات الانتشار الحاد.

تتمثل المفارقة الثانية في “تحيز المقيمين” (Bias Paradox)، والتي تنشأ عندما يكون لدى بعض المقيمين ميل منهجي لاختيار فئة معينة أكثر من زملائهم. يؤدي هذا التباين الهامشي إلى خفض التوافق المتوقع بالصدفة وتضخيم قيمة كابا بشكل مصطنع. يساعد فحص التكرارات الهامشية للأعمدة والصفوف في إكسل على اكتشاف هذه الأنماط التحيزية ومعالجتها من خلال توحيد جلسات المعايرة والتدريب للمحكمين.

11.2 أخطاء شائعة في معادلات وتطبيقات إكسل وطرق تداركها

يقع العديد من الباحثين في أخطاء حسابية متكررة عند تنفيذ مصفوفات كابا فلايس داخل إكسل. الخطأ الأكثر شيوعاً هو الخلط المفاهيمي بين عدد الحالات المفحوصة ($N$) وعدد المقيمين ($m$) في المقامات الحسابية لمعادلات$P_i$ و $p_j$. يؤدي هذا الخلط إلى نتائج رياضية مشوهة تماماً تتجاوز حدود المنطق الإحصائي. ولتدارك ذلك، يجب التأكد دائماً من أن مقام $P_i$ يحتوي حصراً على عدد المقيمين: $m(m-1)$.

الخطأ الثاني يتمثل في نسيان تثبيت مراجع الخلايا باستخدام علامة الدولار ($) عند كتابة الصيغ وسحبها رأسياً أو أفقياً؛ مما يسبب انزياح نطاقات الخلايا المرجعية للقيم الثابتة ($N, m$) ويؤدي لظهور نتائج خاطئة دون أن ينبه إكسل بوجود خطأ برمجي مباشر. يُعالج ذلك بالمراجعة الدقيقة للنطاقات وتثبيت المراجع بدقة قبل التعبئة التلقائية.

الخطأ الثالث هو حدوث خطأ القسمة على صفر (#DIV/0!)، والذي ينشأ عندما يتم تضمين فئة تشخيصية في الجدول دون أن يختارها أي مقيم إطلاقاً عبر كامل العينة، أو عند التعامل مع متغيرات مفقودة. يمكن ضبط ورقة العمل وتحصينها ضد هذه الأخطاء من خلال تغليف المعادلات الحساسة بدالة إكسل الوقائية: =IFERROR(Formula, 0)، مما يضمن استمرار تدفق الحسابات بسلاسة وأمان.

12. دراسة حالة تطبيقية متكاملة: تقييم تشخيصي نفسي في إكسل

12.1 وصف بيانات العينة السريرية وتوزيع المقيمين

لتجسيد كافة المفاهيم النظرية والمعادلات الرياضية السابقة في سياق عملي حي، نستعرض دراسة حالة واقعية مأخوذة من الأدبيات السيكومترية الكلاسيكية لجوزيف فلايس (1971). تتألف الدراسة من عينة إكلينيكية مكونة من 10 مرضى نفسيين ($N = 10$) تم فحصهم وتشخيصهم بشكل مستقل من قبل لجنة طبية موسعة تضم 14 طبيباً وأخصائياً نفسياً ($m = 14$).

تم تصنيف الحالات وفق مقياس تشخيصي مكون من 5 فئات نوعية ($k = 5$) تمثل مستويات وشدة الاضطراب على النحو التالي:

1. الفئة 1: اكتئاب خفيف (Mild Depression)
2. الفئة 2: فصام حاد (Acute Schizophrenia)
3. الفئة 3: اضطراب ثنائي القطب (Bipolar Disorder)
4. الفئة 4: اضطراب قلق عام (Generalized Anxiety)
5. الفئة 5: اضطراب عصابي آخر (Other Neurosis)

يوضح الجدول التطبيقي التالي مصفوفة التكرارات الخام المرصودة من قبل الأطباء الـ 14 لكل حالة من الحالات العشر، بالإضافة إلى أعمدة الحسابات الوسيطة لمجموع المربعات ($\sum n_{ij}^2$) وتوافق الحالة الفردي ($P_i$):

رقم المريض (Subject)	فئة 1	فئة 2	فئة 3	فئة 4	فئة 5	مجموع المقيمين ($m$)	مجموع المربعات ($\sum n_{ij}^2$)	التوافق الملاحظ ($P_i$)
المريض 1	0	0	0	0	14	14	196	1.00000
المريض 2	2	6	3	3	0	14	58	0.24176
المريض 3	0	0	2	10	2	14	108	0.51648
المريض 4	0	3	9	2	0	14	94	0.43956
المريض 5	2	2	8	1	1	14	74	0.32967
المريض 6	7	7	0	0	0	14	98	0.46154
المريض 7	3	2	6	3	0	14	58	0.24176
المريض 8	2	5	3	2	2	14	46	0.17582
المريض 9	6	5	2	1	0	14	66	0.28571
المريض 10	0	2	2	3	7	14	66	0.28571
المجموع الكلي ($C_j$)	22	32	35	25	26	140	–	–
النسبة الهامشية ($p_j$)	0.15714	0.22857	0.25000	0.17857	0.18571	1.00000	–	–
مربع النسبة ($p_j^2$)	0.02469	0.05224	0.06250	0.03189	0.03449	$\sum p_j^2 = 0.21281$	–	–

12.2 تنفيذ الحسابات واستخلاص النتائج الرقمية والتقرير النهائي

بتطبيق الدوال الإحصائية الموضحة في الأقسام السابقة على جدول البيانات التجريبية أعلاه، نستعرض الحسابات التراكمية الدقيقة للوصول إلى المؤشرات النهائية:

• حساب متوسط التوافق الملاحظ ($\bar{P}$):
  $$\bar{P} = \frac{1.00000 + 0.24176 + 0.51648 + 0.43956 + 0.32967 + 0.46154 + 0.24176 + 0.17582 + 0.28571 + 0.28571}{10} = \mathbf{0.37802}$$
• حساب متوسط التوافق المتوقع بالصدفة ($\bar{P}_e$):
  $$\bar{P}_e = 0.02469 + 0.05224 + 0.06250 + 0.03189 + 0.03449 = \mathbf{0.21281}$$
• حساب معامل كابا النهائي ($kappa$):
  $$\kappa = \frac{0.37802 – 0.21281}{1 – 0.21281} = \frac{0.16521}{0.78719} = \mathbf{0.20987} \approx \mathbf{0.210}$$
• حساب الخطأ المعياري وقيمة الاختبار الدلالي:
  $$Var(\kappa_0) = \frac{2}{10 \times 14 \times 13} \cdot \frac{0.21281 – (0.21281)^2}{(1 – 0.21281)^2} = \frac{2}{1820} \cdot \frac{0.16752}{0.61967} = 0.0010989 \times 0.27034 = 0.0002971$$
  $$SE(\kappa_0) = \sqrt{0.0002971} = \mathbf{0.01724}$$
  $$Z = \frac{0.20987}{0.01724} = \mathbf{12.17} \quad (p < .0001)$$

التفسير الإكلينيكي والتوصيات المنهجية: تشير النتائج الرقمية إلى أن قيمة كابا ($kappa = 0.210$) تقع في النطاق الأدنى لمستوى “التوافق المقبول” (Fair Agreement) وفق معايير لانديس وكوخ، وتصنف كـ “توافق ضعيف” (Poor Agreement) بموجب معايير فلايس الإكلينيكية الصارمة. ورغم أن القيمة دالة إحصائياً عند مستوى بالغ الدلالة ($p < .001$) نظراً لكبر حجم العينة وتعدد المقيمين، إلا أن الأهمية العملية للاتساق بين الأطباء تظل متدنية جداً وتكشف عن وجود تباين تشخيصي واسع.

بفحص البيانات التفصيلية، نجد أن التوافق كان تاماً فقط في المريض رقم 1 (حيث أجمع الـ 14 طبيباً على الفئة 5)، بينما شهد المريض رقم 8 والمريض رقم 2 تشتتاً تشخيصياً كبيراً توزع بين أربع فئات مختلفة. توصي الدراسة في ضوء هذه النتائج بضرورة عقد ورش عمل تدريبية موحدة للفريق الطبي لإعادة ضبط المحكات التشخيصية المعتمدة في الدليل، وتحديد الفروق الفاصلة بين الفئات المتداخلة (مثل الفصام والاضطراب ثنائي القطب) لرفع مستوى الموثوقية الإكلينيكية إلى مستويات مقبولة تتجاوز 0.70 قبل اعتماد هذه الأحكام في الخطط العلاجية للمرضى.

خاتمة

يقدم معامل كابا فلايس حلاً سيكومترياً وإحصائياً بالغ القوة والأناقة لقياس موثوقية التوافق بين المقيمين المتعددين للبيانات الفئوية والاسمية؛ حيث ينجح في تجاوز أوجه القصور الهيكلية لنسب الاتفاق البسيطة من خلال نمذجة وإقصاء عامل الصدفة الرياضية بكفاءة عالية. ومن خلال بناء هذا النموذج خطوة بخطوة داخل مايكروسوفت إكسل، تتضح الطبيعة التراكمية للمؤشرات الإحصائية الفرعية، مما يمنح الباحثين فهماً عميقاً لكيفية تفاعل التكرارات الهامشية وتأثيرها على معامل الاتساق النهائي.

إن إتقان حساب كابا فلايس واستيعاب مفارقات الانتشار والتحيز يمثلان مهارة منهجية لا غنى عنها لكل مشتغل في حقول القياس النفسي، والبحث الطبي السريري، وتحليل البيانات السلوكية. ورغم أن البرمجيات الإحصائية الجاهزة تقدم هذه المخرجات بضغطة زر، إلا أن النمذجة اليدوية داخل إكسل تمكن الباحث من اكتشاف مواطن الخلل التشخيصي، وتحليل سلوك المحكمين، وتصميم أدوات قياس عالية الصدق والموثوقية تسهم في ترقية الممارسة العلمية والإكلينيكية الرصينة.

References

• Cohen, J. (1960). A coefficient of agreement for nominal scales. Educational and Psychological Measurement, 20(1), 37–46. https://doi.org/10.1177/001316446002000104
• Fleiss, J. L. (1971). Measuring nominal scale agreement among many raters. Psychological Bulletin, 76(5), 378–382. https://doi.org/10.1037/h0031619
• Fleiss, J. L., Levin, B., & Paik, M. C. (2003). Statistical methods for rates and proportions (3rd ed.). John Wiley & Sons. https://doi.org/10.1002/0471445428
• Gwet, K. L. (2014). Handbook of inter-rater reliability: The definitive guide to measuring the extent of agreement among raters (4th ed.). Advanced Analytics, LLC.
• Landis, J. R., & Koch, G. G. (1977). The measurement of observer agreement for categorical data. Biometrics, 33(1), 159–174. https://doi.org/10.2307/2529310
• McHugh, M. L. (2012). Interrater reliability: The kappa statistic. Biochemia Medica, 22(3), 276–282. https://doi.org/10.11613/BM.2012.031
• Sim, J., & Wright, C. C. (2005). The kappa statistic in reliability studies: Use, interpretation, and sample size requirements. Physical Therapy, 85(3), 257–268. https://doi.org/10.1093/ptj/85.3.257