شهدت مناهج البحث العلمي في العقد الأخير تحولاً جذرياً نحو استثمار البيانات النصية بوصفها مصدراً غنياً بالمعلومات التي تعكس السلوك البشري، والأنماط المعرفية، والحالات الوجدانية. وفي هذا السياق، تطور حقل التحليل الكمي للنصوص ليصبح جسراً حيوياً يربط بين معالجة اللغات الطبيعية الحاسوبية وميادين القياس النفسي والاجتماعي. وتعد لغة البرمجة الإحصائية آر (R Project for Statistical Computing) البيئة المثلى لتطبيق هذه التحليلات، نظراً لثرائها بالبنى البرمجية المتخصصة في التعامل مع المتجهات الحسابية والمصفوفات البيانية المعقدة بكفاءة رياضية متناهية ودقة توثيقية عالية.
يمثل حساب عدد الكلمات داخل السلاسل النصية إحدى اللبنات التأسيسية التي لا غنى عنها في أي خط معالجة بياني يبدأ بالنص الخام وينتهي بالنمذجة الإحصائية التنبؤية. ورغم بساطة هذا الإجراء ظاهرياً من المنظور البشري المعتاد، إلا أن ترجمته حاسوبياً تطرح جملة من الإشكالات المعقدة المتصلة بطبيعة المحارف، والفواصل البيضاء، والتفاوت اللغوي الصرفي، لا سيما عند معالجة لغات ذات خصوصية معقدة مثل اللغة العربية. إن التحديد الدقيق لما يشكل “كلمة” برمجياً يتطلب فهماً متعمقاً للبنية المعمارية للنصوص وكيفية تمثيلها في الذاكرة الحاسوبية عبر المعايير الموحدة للترميز.
يهدف هذا الدليل المرجعي الموسع إلى تقديم معالجة أكاديمية شاملة ومفصلة لتقنيات حساب عدد الكلمات في لغة آر، بدءاً من الأدوات الكلاسيكية المدمجة في النظام الأساسي، مروراً بالحزم المتخصصة في المعالجة الدولية المتقدمة، ووصولاً إلى الفلسفة الحديثة للبرمجة المتسقة ضمن فضاء البيانات المرتبة. وسيتناول الدليل بالتفصيل الجوانب الرياضية والبرمجية المقارنة، والتعامل مع الحالات الحدية الحرجة، وتطبيقات القياس النفسي والسلوكي، مع استعراض شامل للأكواد البرمجية المصممة لضمان موثوقية النتائج وقابليتها للتكرار الأكاديمي الصارم.
1. مقدمة شاملة لمعالجة النصوص وحساب الكلمات في لغة آر (R)
1.1 أهمية التحليل الكمي للنصوص في الأبحاث والقياس النفسي
يعد قياس الكثافة اللفظية وطول الاستجابات النصية أحد المؤشرات السلوكية البارزة في التشخيص النفسي والتقييم السريري. ففي دراسات الشخصية والمقابلات الإكلينيكية غير المقيدة، لا يعكس عدد الكلمات المستخدمة من قبل المفحوص مجرد القدرة على صياغة الجمل، بل يُعتبر متغيراً حيوياً يرتبط ارتباطاً مباشراً بظواهر نفسية معقدة مثل الطلاقة اللغوية، ومستوى الاستثارة العاطفية، والجهد المعرفي المبذول في بناء الاستجابة. فالمرضى الذين يعانون من اضطرابات وجدانية، كالاكتئاب الشديد، غالباً ما يظهرون تراجعاً ملحوظاً في حجم المفردات المنتجة وقصراً في أطوال الإجابات، وهو ما يُعرف في الأدبيات الإكلينيكية بالفقر اللفظي أو تباطؤ التفكير واللغة. وعلى النقيض من ذلك، فإن نوبات الهوس أو الاضطرابات الفصامية قد تقترن بالإسهاب اللفظي المفرط والتدفق غير المتماسك للأفكار، مما يجعل الحصر الكمي للكلمات نقطة انطلاق جوهرية لتشخيص الخلل المعرفي.
علاوة على ذلك، يمثل تحويل الاستجابات النصية المفتوحة من بيانات نوعية غير مهيكلة إلى متغيرات عددية مدخلاً أساسياً لتطبيق خوارزميات التحليل الإحصائي المتقدمة. فمن خلال دمج عدد الكلمات كمتغير وسيط أو معدّل في نماذج الانحدار الخطي أو نماذج المعادلات البنائية، يستطيع الباحثون السلوكيون التحكم إحصائياً في تأثير “طول الاستجابة” عند تقييم أبعاد أخرى كالمشاعر السلبية أو الكلمات الدالة على القلق. إن إغفال هذا المتغير الكمي الأولي قد يقود إلى استنتاجات مضللة؛ حيث قد يُعزى ارتفاع تردد كلمات انفعالية معينة لدى مفحوص ما إلى حدة انفعالاته، بينما يكون السبب الحقيقي مجرد إسهابه العام في استخدام الكلمات مقارنة بأقرانه. ومن ثم، فإن أتمتة هذه العملية عبر لغة آر توفر الدقة والسرعة اللازمتين لمعالجة آلاف الاستجابات النصية بموثوقية إحصائية بالغة.
1.2 نظرة عامة على التقنيات الثلاث الرئيسية لعد الكلمات في بيئة R
توفر بيئة الحوسبة الإحصائية آر ثلاثة مسارات تقنية رئيسية لإنجاز مهمة حساب الكلمات، يتفاوت كل منها في درجة تعقيده وسرعته الحسابية وتبعيته البرمجية. يتمثل المسار الأول في استخدام الأدوات المدمجة في النظام الأساسي للنواة البرمجية، والمعروفة اصطلاحاً باسم Base R. يعتمد هذا الأسلوب الكلاسيكي على دوال التقطيع النصي التقليدية مثل دالة تقطيع السلاسل النصية ودوال حساب أطوال الكائنات المشتقة. وتتميز هذه الطريقة باستقلالها التام عن أي حزم خارجية، مما يضمن استمرارية تشغيل الأكواد لعقود طويلة دون القلق من مشكلات عدم التوافق الناتجة عن تحديثات المكتبات البرمجية، فضلاً عن خفة وزنها البرمجي في البيئات الخادومية المقيدة.
أما المسار الثاني فيعتمد على استغلال القدرات المتطورة لحزمة الحوسبة النصية الدولية المسماة stringi، والتي طُوّرت لتقديم حلول معيارية متقدمة مبنية مباشرة على مكتبة المكونات الدولية لليونيكود (ICU). تستند هذه الحزمة إلى بنية تحتية مكتوبة بلغة سي بلس بلس، مما يمنحها تفوقاً حاسوبياً خارقاً في السرعة وإدارة الذاكرة، وقدرة استثنائية على تمييز حدود الكلمات وفق المعايير المعجمية الصارمة، متجاوزة الاعتماد الساذج على المسافات البيضاء. بينما يتجسد المسار الثالث في حزمة السلاسل النصية stringr التابعة لمنظومة البيانات المرتبة المعروفة بـ Tidyverse، والتي تُعد واجهة برمجة تطبيقات حديثة ومبسطة، مصممة لتحقيق التناسق الإدراكي وقابلية القراءة البشرية، وتتكامل بسلاسة تامة مع مشغلات الأنابيب البرمجية المتقدمة لتمكين الباحثين من بناء خطوط معالجة مرئية وسلسة.
1.3 إعداد بيئة العمل البرمجية واستيراد المكتبات الأساسية
لتطبيق خوارزميات الحساب النصي بكفاءة واحترافية، تتطلب الممارسة المنهجية إعداد بيئة العمل المتكاملة RStudio وتثبيت الحزم المطلوبة بصورة معيارية تمنع أي تضارب محتمل في الوظائف البرمجية. يتم تثبيت الحزم الأساسية عبر مستودع شبكة الأرشيف الشاملة للغة آر (CRAN) باستخدام الأوامر البرمجية القياسية، مع ضرورة التحقق الدوري من تحديثها لضمان الاستفادة من أحدث التحسينات الخوارزمية الخاصة بمعالجة ترميزات النصوص الدولية. كما ينبغي ضبط إعدادات ترميز الحروف العالمي الموحد UTF-8 داخل جلسة العمل البرمجية، تفادياً لتشوه المحارف عند استيراد البيانات متعددة اللغات، لا سيما الحروف العربية الحساسة للتشكيل والوصل الصرفي.
فيما يلي الكود البرمجي الأولي لتهيئة بيئة التحليل، والتأكد من تثبيت الحزم واستدعائها، وضبط التشفير، يليه بناء عينة بيانات محاكاة تتضمن استجابات سيكولوجية واقعية متفاوتة الطول والتعقيد:
# التحقق من تثبيت واستدعاء المكتبات البرمجية الأساسية
required_packages <- c("stringi", "stringr", "tidyverse")
new_packages <- required_packages[!(required_packages %in% installed.packages()[,"Package"])]
if(length(new_packages)) install.packages(new_packages)
library(stringi)
library(stringr)
library(dplyr)
# تأكيد ضبط بيئة النظام على التشفير العالمي الموحد UTF-8
Sys.setlocale("LC_CTYPE", "en_US.UTF-8")
# إنشاء متجه نصي يحاكي استجابات نفسية لمفحوصين في استبيان إكلينيكي
clinical_responses <- c(
"أشعر بالهدوء والسكينة اليوم، وأفكاري واضحة للغاية.",
"القلق... يسيطر على تفكيري باستمرار، لا أستطيع التركيز!",
"لا أعلم. ربما أحتاج إلى مزيد من الوقت للتعبير.",
"" # استجابة فارغة لاختبار الحالات الحدية الحرجة
)
# فحص البنية الأولية للمتجه النصي
str(clinical_responses)
يضمن هذا الكود التأسيسي استقرار المعالجة البرمجية عبر مختلف منصات التشغيل (ويندوز، وماك، ولينكس)، كما يوفر مصفوفة نصية لاختبار مدى مرونة الدوال البرمجية في معالجة علامات الترقيم المتطرفة والسلاسل الفارغة التي قد تؤدي إلى انهيار الخوارزميات غير المحكمة.
2. المفاهيم النظرية لتحديد حدود الكلمات والبنى النصية
2.1 تعريف الكلمة اصطلاحياً وبرمجياً في معالجة اللغات الطبيعية
يثير المفهوم الدلالي للكلمة جدلاً واسعاً في حقل اللسانيات الحاسوبية، إذ يختلف التعريف النظري المجرد للكلمة بوصفها وحدة لغوية صغرى ذات معنى مستقل، عن التعريف البرمجي الصرفي المعتمد على المحددات المكانية داخل النصوص الرقمية. فمن المنظور البرمجي التقليدي، تُعرّف الكلمة على أنها أي تتابع متصل من المحارف الأبجدية الرقمية المحصور بين فاصلين أبيضين (White-spaces) أو علامات ترقيمية معينة. ومع ذلك، فإن هذا التعريف التقني الميكانيكي يتجاهل الفروق الدقيقة بين الوحدات اللفظية الإملائية السطحية (Orthographic Words) والوحدات الدلالية المعجمية (Lexemes)، مما يفرض تحديات كبيرة على دقة النمذجة الحاسوبية.
تتعقد المسألة بصورة مضاعفة عند إدراج علامات الترقيم والأقواس والشرطات المتصلة ضمن السياق النصي. فالشرطة الواصلة في اللغات اللاتينية (مثل: self-esteem) قد تُعامل برمجياً ككلمة مفردة أو ككلمتين منفصلتين استناداً إلى طبيعة الخوارزمية المطبقة ونمط التعبيرات النمطية المعتمد. وفي معالجة اللغات الطبيعية، يُطلق مصطلح “الوحدات اللفظية المستقلة” أو الرموز الدلالية (Tokens) على الكيانات اللغوية المستخلصة بعد عزل علامات الترقيم وتوحيد المسافات. وتعتبر مرحلة توليد هذه الوحدات (Tokenization) الخطوة المنهجية الأكثر حساسية؛ حيث يتوقف عليها نجاح التحليلات الكمية اللاحقة، مثل احتساب التكرارات، وتحديد الأوزان الدلالية، وبناء مصفوفات المصطلحات والمستندات.
2.2 التحديات التقنية في تجزئة النصوص وتحديد الكلمات
تواجه عمليات التجزئة النصية الآلية عوائق برمجية متعددة تنتج عن الطبيعة الفوضوية للبيانات النصية الخام الناتجة عن الكتابة البشرية الحرة. وتتصدر مشكلة الفواصل البيضاء غير المنتظمة هذه التحديات؛ حيث يميل المفحوصون في استمارات الاستبيان المفتوحة إلى كتابة مسافات مزدوجة أو ثلاثية غير مقصودة بين المفردات، فضلاً عن إدراج مسافات بادئة ومسافات ختامية في نهايات الفقرات. وإذا لم تُعالج هذه الفواصل الزائدة بدقة، فإن الخوارزميات الساذجة ستقوم باحتساب الفراغات البينية بوصفها كلمات مستقلة فارغة، مما يؤدي إلى تضخم زائف في القيم الإحصائية لعدد الكلمات الإجمالي.
إلى جانب ذلك، تطرح الرموز التعبيرية (Emojis) والرموز الرياضية المدمجة تحدياً تقنياً حرجاً في التحليل المعاصر لنصوص وسائل التواصل والمحادثات الإكلينيكية الرقمية. فالرموز التعبيرية مثل الأوجه الانفعالية لا تتكون برمجياً من مسافات بيضاء، ولكنها قد تحمل دلالات نفسية مساوية للكلمات، واختلاف الخوارزميات في تصنيفها كأحرف أو كعلامات ترقيم يغير مخرجات الحساب الكمي. ويتجلى هذا التحدي بأقصى درجاته عند مقارنة اللغات اللاتينية باللغات السامية كالفرعية العربية؛ حيث تفتقر اللغات الشرق آسيوية (مثل الصينية واليابانية) تماماً إلى المسافات الفاصلة بين الكلمات، بينما تدمج اللغة العربية حروف الجر وأدوات العطف والضمائر المتصلة بالكلمة الأصلية برباط خطي متصل، مما يجعل الفصل المعتمد على المسافات حصراً يعكس تمثيلاً منقوصاً للعدد الفعلي للوحدات المفهومية.
3. الطريقة الأولى: حساب الكلمات باستخدام دوال لغة آر الأساسية (Base R)
3.1 آلية عمل الدالتين strsplit وlengths في تقسيم النصوص
يقوم النهج الكلاسيكي لحساب الكلمات في بيئة Base R على تشريح السلسلة النصية وتفكيكها إلى مصفوفة من العناصر الفرعية باستخدام دالة تقسيم النصوص strsplit، ومن ثم إخضاع الناتج لدالة القياس العددي المتجهي lengths. وظيفياً، تستقبل دالة strsplit متجهاً نصياً ومحدداً للفصل (Split delimiter) قد يكون مسافة بيضاء بسيطة أو تعبيراً نمطياً معقداً، وتقوم بتفكيك كل عنصر في المتجه إلى قائمة (List) تحتوي على متجهات فرعية تضم الكلمات المفصولة. ومن الأهمية بمكان إدراك أن مخرجات هذه الدالة تظل دائماً كائناً من فئة القوائم (list class)، وهو ما يستدعي استخدام أدوات قياس قادرة على فحص القوائم المتعددة بكفاءة.
وهنا يبرز الفارق الجوهري بين استخدام دالة الطول الفردية length ودالة الأطوال المتجهية lengths (بصيغة الجمع). ففي حال استخدام length(strsplit(x, " "))، ستكون النتيجة الحتمية هي القيمة الرقمية (1)، لأن الدالة تقيس طول كائن القائمة الرئيسي الخارجي فقط ولا تنفذ إلى المتجه الداخلي الفعلي المحتوي على المفردات المقسمة. في المقابل، صُممت دالة lengths خصيصاً للمرور على كافة عناصر القائمة الداخلية وحساب طول كل متجه فرعي بدقة حاسوبية فائقة وسرعة معالجة عالية مكتوبة بنواة لغة سي، مما يتيح استخراج العدد الدقيق للمقاطع النصية الناتجة عن التقسيم لكل سلسلة نصية مدخلة دون الحاجة إلى كتابة حلقات تكرارية مكلفة حاسوبياً.
3.2 تطبيق عملي: حساب الكلمات في سلسلة نصية فردية عبر Base R
لتطبيق هذا الأسلوب على استجابة نصية محددة خالية من التعقيدات التركيبية الشاذة، نستعرض الكود البرمجي التالي الذي يوضح الخطوات الإجرائية التفصيلية لكيفية تحويل النص إلى قائمة مقطعة، ثم استخلاص الناتج الكمي المباشر عبر Base R مع تتبع مخرجات كل مرحلة في الذاكرة الحسابية:
# تعريف سلسلة نصية إكلينيكية مفردة
single_text <- "يعاني المريض من نوبات قلق متكررة تزداد حدتها ليلاً"
# تطبيق دالة التقطيع باستخدام المسافة البيضاء البسيطة كفاصل
split_result <- strsplit(single_text, split = " ")
# استعراض البنية الداخلية للمخرجات في القائمة
print(split_result)
# حساب عدد الكلمات عبر دالة lengths المناسبة للقوائم
word_count_base <- lengths(split_result)
# طباعة النتيجة العددية النهائية
cat("عدد الكلمات الإجمالي في الجملة هو:", word_count_base, "n")
عند تنفيذ هذا الكود، تُظهر مخرجات R أن الكائن split_result عبارة عن قائمة تحتوي على متجه نصي من ثمانية عناصر يمثل كل منها كلمة مستقلة تفصل بينها مسافة واحدة. وتقوم دالة lengths بإرجاع القيمة الصحيحة (8). ورغم وضوح هذا الأسلوب وقوته التعبيرية في الجمل المنظمة والمثالية، إلا أن نجاحه يظل رهيناً بالانتظام التام للفواصل البيضاء، وهو ما نادراً ما يتحقق في البيانات الميدانية الواقعية.
3.3 محدودية الطريقة التقليدية وأوجه القصور المحتملة
تنطوي الطريقة الساذجة المعتمدة على الفاصل الميكانيكي split = " " على ثغرات برمجية بنيوية تجعلها شديدة الخطورة عند التطبيق المباشر في الأبحاث العلمية. وتتمثل الثغرة الأولى في ظاهرة “الحساب الزائد” (Overcounting) الناتجة عن تتابع الفواصل البيضاء؛ فإذا احتوت الجملة على مسافتين متتاليتين نتيجة خطأ مطبعي من الكاتب، ستقوم دالة strsplit بإنشاء عنصر نصي فارغ تماماً بقيمة "" بين المسافتين، وستعتبره دالة lengths كلمة قائمة بذاتها، مما يرفع العدد المحسوب زيفاً عن الحقيقة اللغوية للمتن.
أما القصور الثاني فيكمن في عجز هذا الفاصل عن تنقية النص من علامات الترقيم الملتصقة؛ فالكلمات التي تلحق بها فواصل لغوية أو نقاط ختامية (مثل: “قلق،” أو “ليلاً.”) سيتم التقاطها متضمنة تلك الرموز كجزء لا يتجزأ من السلسلة المحرفية للكلمة. ورغم أن هذا الالتصاق قد لا يفسد العدد الإجمالي للكلمات في الجملة البسيطة، إلا أنه يفسد تماماً الخطوات التحليلية اللاحقة إذا أردنا حصر الكلمات الفريدة (Unique words) أو حساب معدل تنوع المفردات (Type-Token Ratio)؛ حيث ستُعامل الكلمة النقية والكلمة المقترنة بنقطة كرمزين مختلفين كلياً في الذاكرة الحسابية للغة آر، مما يفرض ضرورة إدماج خطوات تنظيف مسبقة.
4. التعامل المتقدم مع دالة strsplit والتعبيرات النمطية في Base R
4.1 استخدام الفواصل المنتظمة Regex لمعالجة المسافات المتعددة
لتجاوز القصور البنيوي في المعالجة الساذجة للفواصل، تتيح لغة Base R دمج قوة التعبيرات النمطية الصارمة (Regular Expressions) ضمن معامل التقسيم لدالة strsplit. إن استخدام الرمز النمطي المتقدم "\s+" يشكل نقلة نوعية في موثوقية الخوارزمية؛ حيث يشير الرمز \s إلى أي محرف ينتمي لفئة الفواصل البيضاء (ويشمل المسافة الأفقية المعتادة، وعلامة الجدولة الأفقية Tabs المرموز لها بـ t، ومحرف الانتقال لسطر جديد المرموز له بـ n)، في حين تعمل إشارة الزائد + كمكمم تكراري يعني “ظهور محرف فاصل واحد أو أكثر بتتابع مستمر”.
بفضل هذا النمط الرياضي المحكم، إذا تتابعت عشر مسافات متتالية بين كلمتين، فإن الخوارزمية تدمجها وتتعامل معها رياضياً كفاصل لاهوتي أحادي صلب، مما يمنع توليد أي عناصر فارغة داخل القائمة الناتجة. يوضح المثال البرمجي التالي الفارق الجوهري في الدقة الرياضية بين استخدام المسافة الفردية الميكانيكية والفاصل النمطي المتقدم على جملة تعاني من تشوهات واضحة في التنسيق البيني وعلامات الجدولة:
# جملة تجريبية مشوهة بفواصل بيضاء متعددة وعلامات جدولة
distorted_text <- "أشعر بالإرهاقttالشديدnاليوم"
# التقطيع الساذج بالمسافة الفردية
naive_count <- lengths(strsplit(distorted_text, split = " "))
# التقطيع المتقدم بالتعبير النمطي الشامل لكافة الفراغات
robust_count <- lengths(strsplit(distorted_text, split = "\s+"))
# مقارنة المخرجات
cat("العد بالفاصل الساذج:", naive_count, "n")
cat("العد بالتعبير النمطي المتقدم:", robust_count, "n")
يظهر التحليل الإحصائي لهذه المخرجات أن التقسيم الساذج يرجع أرقاماً متضخمة وغير حقيقية نتيجة حساب الفراغات المتكررة ومحارف الجدولة، بينما ينجح التعبير النمطي "\s+" في حصر الكلمات الأربع الفعلية للجملة بنقاء تام ودون أي انحياز ميكانيكي زائف.
4.2 تنظيف أطراف النصوص باستخدام دالة trimws قبل التقسيم
حتى مع استخدام التعبير النمطي المتقدم "\s+"، تبقى هناك ثغرة قاتلة تتجسد في “المسافات البادئة والختامية” (Leading and Trailing White-spaces). فإذا بدأت السلسلة النصية بمسافة فارغة قبل الكلمة الأولى، فإن خوارزمية strsplit تعتبر موقع البداية فاصلاً وتقوم بإنشاء عنصر نصي فارغ في الموقع الأول من المتجه، مما يرفع عدد الكلمات بمقدار كلمة واحدة زائفة. ولإحباط هذا السلوك البرمجي غير المرغوب فيه، يجب تمرير النص إجبارياً عبر دالة التشذيب الطرفي trimws (Trim White-space) قبل إرساله لمحرك التقطيع.
تقوم دالة trimws بإزالة أي فراغات أو محارف تحكم تتواجد في الحواف المتطرفة للنص مع الإبقاء على الفواصل الداخلية سليمة تماماً. ويمكن بناء خط معالجة برمجي متكامل ومغلف داخل دالة مخصصة تضمن الدقة الإحصائية المطلقة في بيئة Base R، مع معالجة الحالات الحرجة مثل السلاسل الفارغة التي ينبغي أن تُرجع القيمة (0) بدلاً من القيمة (1) التي قد ترجعها الدوال غير المحصنة:
# بناء دالة معيارية محكمة لحساب الكلمات في Base R
count_words_base_robust <- function(text_vector) {
# التحقق من نوع المدخل وضمان كونه متجهاً نصياً
text_vector <- as.character(text_vector)
# تنظيف الحواف الطرفية باستخدام trimws
cleaned_text <- trimws(text_vector)
# معالجة شرطية للحالات الفارغة وتطبيق التقسيم المتقدم
sapply(cleaned_text, function(item) {
if (is.na(item) || item == "") {
return(0L)
} else {
tokens <- unlist(strsplit(item, split = "\s+"))
return(length(tokens))
}
}, USE.NAMES = FALSE)
}
# اختبار الدالة المخصصة على نصوص معقدة وحالات حدية
test_strings <- c(" صباح مشرق مليء بالأمل ", "", " ", "كلمة_واحدة")
count_words_base_robust(test_strings)
تثبت هذه الدالة المصاغة بعناية قدرتها على إرجاع القيم الدقيقة: 4 كلمات للجملة الأولى، وصفر للسلاسل الفارغة أو المحتوية على فراغات بيضاء فقط، وكلمة واحدة للمفردة المعزولة، موفرة بذلك أداة متكاملة وذاتية الاستكفاء دون الاعتماد على أي موارد خارجية.
5. الطريقة الثانية: استخدام حزمة stringi المتخصصة (stri_count_words)
5.1 الميزات المعمارية لحزمة stringi في معالجة المحارف الدولية
تمثل حزمة stringi المعيار البرمجي الأكثر تطوراً ورسوخاً لمعالجة النصوص داخل بيئة R الإحصائية. ترتكز المعمارية البرمجية للحزمة على محرك مكتبة المكونات الدولية لليونيكود المعيارية (International Components for Unicode – ICU)، وهي المكتبة البرمجية المرجعية التي تعتمدها كبرى الشركات التقنية العالمية لإدارة النصوص وتوطين البرمجيات. وبفضل هذه النواة المكتوبة بلغة C++، توفر الحزمة دقة متناهية لا تُضاهى في تمييز الفروق الدقيقة للرموز التشفيرية عبر أكثر من مئة لغة إنسانية، متجاوزة أوجه القصور التقليدية لبيئات التحليل الإحصائي القديمة.
إن الميزة الأكثر حسماً في خوارزميات stringi هي قدرتها على تحديد “حدود الكلمات الحقيقية” استناداً إلى المعيار الدولي المعقد (Unicode Standard Annex #29 – Unicode Text Segmentation). فبدلاً من الاعتماد الساذج على المسافات المحرفية البسيطة أو محارف s التي تفشل في مواجهة اللغات غير المفصولة بفواصل بيضاء، أو تلك التي تخلط بين علامات الترقيم والكلمات، يحلل محرك ICU السياق المورفولوجي والمحرفي الشامل للنص لاستنباط الحدود الطبيعية للكلمات، مما يجعلها الخيار المطلق للأبحاث اللغوية المعمقة ومشاريع التنقيب في النصوص الضخمة والبيانات البيولوجية والسيكولوجية المكثفة التي تتطلب سرعة فائقة واستهلاكاً حاسوبياً أمثل للذاكرة.
5.2 تطبيق عملي: استخدام دالة stri_count_words خطوة بخطوة
تقدم حزمة stringi دالة متخصصة ومصممة مباشرة لتحقيق هدف العد النصي وهي دالة stri_count_words. تلغي هذه الدالة المباشرة الحاجة المعقدة للمرور بمرحلتين وسيطتين (التقسيم إلى قائمة ثم حساب الطول)، حيث تستقبل المتجه النصي مباشرة وتقوم بمسح مسارات الذاكرة بآلية السي بلس بلس فائقة السرعة، ثم تُرجع متجهاً عددياً صحيحاً يحمل العدد الدقيق للكلمات لكل عنصر نصي معزولاً عن أي تأثير لعلامات الترقيم المجاورة.
نستعرض فيما يلي كوداً برمجياً عملياً يوضح تطبيق الدالة المباشر على سلسلة استجابات سريرية تحتوي على تداخلات كثيفة بين الكلمات وعلامات الترقيم الملتصقة والأقواس، مع بيان سلاسة البنية التركيبية مقارنة بالأكواد التقليدية:
# استدعاء مكتبة stringi المتخصصة
library(stringi)
# نموذج نصي يحتوي على علامات ترقيم معقدة، فواصل عليا، وأقواس
complex_clinical_text <- c(
"العلاج (المعرفي-السلوكي) أثبت كفاءته؛ هل توافق على ذلك؟!",
"مستويات القلق: مرتفعة جداً... مع تشتت ذهني مستمر.",
"Patient's self-report indicated: no significant distress."
)
# تنفيذ الحساب المباشر للكلمات
word_counts_stri <- stri_count_words(complex_clinical_text)
# عرض النتائج في سياق جدولي توضيحي
data.frame(
النص_المفحوص = complex_clinical_text,
عدد_الكلمات = word_counts_stri
)
يُظهر فحص مخرجات الكود كيف استطاعت دالة stri_count_words بنجاح استبعاد الأقواس، وعلامات الاستفهام، والتعجب، والنقاط المتتابعة، والفواصل المنقوطة تلقائياً ودون الحاجة إلى كتابة تعبيرات نمطية يدوية معقدة لحذفها. لقد تم استخلاص الكلمات الحقيقية بدقة لغوية متناهية، مما يبرهن على تفوق الحزمة من حيث سهولة التركيب النحوي والاكتفاء البرمجي.
5.3 تخصيص المحددات اللغوية وإعدادات التوطين (Locales)
تتميز خوارزمية stri_count_words بمرونة فريدة تتجلى في معامل التوطين اللغوي locale، والذي يسمح بتخصيص خوارزميات تجزئة النصوص وقواعد تحديد حدود الكلمات وفق الخصائص المعجمية المعتمدة في لغة جغرافية معينة. فالسياق الثقافي واللساني يفرض قواعد متفاوتة لمعاملة الكلمات الموصولة بشرطة أو الرموز الصوتية، واستدعاء محدد توطين لغوي صحيح يحمي الباحث من الأخطاء التي تنشأ عند تطبيق قواعد اللغة الإنجليزية الافتراضية على نصوص مكتوبة بلغات شرقية أو سامية.
علاوة على ذلك، تبدي حزمة stringi اقتداراً تقنياً منقطع النظير في إدارة النصوص ثنائية الاتجاه (Bi-directional texts) التي تتداخل فيها الكلمات العربية المكتوبة من اليمين إلى اليسار مع مصطلحات تقنية أو طبية مكتوبة بالحروف اللاتينية من اليسار إلى اليمين. ففي المقابلات النفسية، كثيراً ما يدمج الأطباء والمفحوصون مصطلحات تشخيصية إنجليزية (مثل: “يعاني من الـ Panic Attacks الحادة”)؛ وهنا تعمل الحزمة على رصد الحدود المعجمية للمصطلحات اللاتينية والعربية بالتوازي دون أي خلل في موضع المؤشر النصي، مما يحفظ الدقة الرياضية للتكرارات النصية المستخرجة.
6. الطريقة الثالثة: استخدام حزمة stringr والتعبيرات النمطية (str_count)
6.1 فلسفة حزمة stringr والتكامل مع منظومة Tidyverse
تستند فلسفة حزمة stringr إلى رؤية المهندس البرمجي هادلي ويكهام وفريق تطوير بيئة Tidyverse، والهادفة إلى إعادة هيكلة وتوحيد واجهات برمجة التطبيقات في لغة آر لتصبح متسقة ومنطقية وقابلة للتنبؤ الإدراكي. ففي النظام الأساسي Base R، تتسم أسماء دوال النصوص بالتباين الإملائي وتفاوت ترتيب المعاملات (فحيناً يكون النص هو المعامل الأول وحيناً يكون النمط التعبيري هو الأول)، في حين تبدأ كافة دوال stringr بالسابقة الموحدة str_، ويكون المتجه النصي دائماً هو المعامل الإدخالي الأول بلا أي استثناء، مما يتيح تكاملاً انسيابياً مع مشغلات الأنابيب البرمجية الحديثة مثل |> و %>%.
تجدر الإشارة من الناحية المعمارية إلى أن حزمة stringr لا تعيد اختراع خوارزميات المعالجة النصية من الصفر، بل هي بمثابة طبقة تغليف وتنسيق فائقة الأناقة (Wrapper Layer) مبنية فوق محرك حزمة stringi شديد القوة. تهدف هذه الطبقة إلى التضحية ببعض الخيارات التقنية فائقة الدقة وغير الشائعة التي توفرها stringi، لصالح تقديم واجهة عمل مبسطة، وتسميات معيارية متناغمة، وصيغ أسهل للحفظ والتطبيق اليومي، مما جعلها الخيار المفضل السائد بين علماء البيانات ومحللي الإحصاء الحيوي على مستوى العالم.
6.2 تطبيق عملي: عد الكلمات باستخدام دالة str_count والنمط ‘w+’
تستخدم حزمة stringr دالة عامة لعد الأنماط هي str_count. وعلى خلاف الدالة المباشرة في stringi، فإن str_count تتطلب صراحة تمرير نمط تعبيري يحدد ما يُراد حسابه. ولحساب الكلمات، نعتمد على التعبير النمطي الحسابي "\w+"؛ حيث يرمز التعبير \w (Word Character) إلى أي محرف ينتمي إلى الكلمات الأبجدية أو الأرقام إضافة إلى شرطة التسطير السفلية، وتفيد علامة + تتابع هذه المحارف لتشكل كتلة بنائية واحدة.
يقدم الكود البرمجي الموضح أدناه تطبيقاً عملياً لحساب الكلمات في متجه نصي إكلينيكي، مع إبراز كيفية توظيف مشغل الأنابيب البرمجي الحديث |> لتحقيق انسيابية منطقية خالية من تداخل الأقواس الرياضية المعقدة:
# استدعاء مكتبة stringr الحديثة
library(stringr)
# متجه نصوص يحاكي تدويناً ذاتياً لمشاعر القلق
mood_diary <- c(
"اليوم: تحسنت شهيتي بشكل ملحوظ مقارنة بالأمس.",
"نوبة هلع مفاجئة استمرت لنحو 15 دقيقة تقريباً!",
"درجة التوتر تقدر بـ 8 من 10 اليوم."
)
# تطبيق الحساب باستخدام التعبير النمطي للكلمات عبر مشغل الأنابيب
word_counts_tidy <- mood_diary |>
str_count(pattern = "\w+")
# طباعة النتائج في هيكل بياني منظم
tibble(
السجل_النومي = mood_diary,
عدد_الكلمات_المحسوبة = word_counts_tidy
)
توضح النتائج أن النمط "\w+" نجح في عزل علامات الترقيم (كعلامات التعجب والنقاط والنقطتين فوق بعضهما)؛ إلا أن فحصاً دقيقاً لسطر السجل الثاني والثالث يكشف ظاهرة منهجية هامة: وهي أن الأرقام المستقلة مثل “15” و “8” و “10” تم احتسابها ككلمات بموجب هذا النمط، نظراً لأن فئة محارف الكلمات الرياضية تضم الأرقام بطبيعتها البنيوية. وإذا كان الهدف البحثي هو قياس الكلمات اللفظية الخالصة دون الأرقام الصرفة، فإن ذلك يقتضي تعديلاً مخصصاً للنمط النمطي.
6.3 تعديل الأنماط النمطية لحالات سياقية مخصصة
يبرز التفوق الحقيقي لحزمة stringr عند الحاجة إلى تطويع خوارزميات العد لتناسب فروضاً علمية شديدة التحديد والتعقيد. فإذا رغب الباحث في استبعاد الأرقام الحسابية الصرفة من حصر المفردات والتركيز فقط على التعبيرات اللغوية البشرية، يمكن تعديل النمط البرمجي ليعتمد على فئات الحروف الصرفة عبر النمط "\b[[:alpha:]]+\b" أو النمط الحسابي المخصص للنصوص العربية متعددة النطاقات "[\p{L}]+"، حيث تعبر \p{L} في محركات اليونيكود عن أي حرف أبجدي بصرف النظر عن لغته الأصلية، مستبعدة الأرقام والرموز.
كما يمكن تعديل النمط لمعالجة الاختصارات الإكلينيكية المعقدة (مثل: DSM-5 أو Ph.D.) والمصطلحات الموصولة بشرطة؛ بحيث تُحسب ككيان لغوي موحد بدلاً من تقسيمها تعسفياً إلى شظايا مجتزأة. يبين الكود المتقدم التالي كيفية بناء هذا النمط النمطي المخصص لاقتناص الكلمات الحقيقية واستبعاد الأرقام المستقلة في آن واحد:
# نص يجمع بين المصطلحات النفسية والرموز الرقمية الصرفة
mixed_text <- "طبق الأخصائي مقياس BDI-II في عام 2023 وحصل المفحوص على 24 درجة."
# عد الكلمات شاملاً الأرقام عبر النمط القياسي
count_standard <- str_count(mixed_text, "\w+")
# عد الكلمات اللغوية فقط واستبعاد الأرقام المعزولة تماماً
count_words_only <- str_count(mixed_text, "(*UCP)\b[\p{L}\p{Pd}]+\b")
# إيضاح الفارق بين الطريقتين
cat("العدد القياسي (مع الأرقام):", count_standard, "n")
cat("العدد النقي (استبعاد الأرقام والرموز الصرفة):", count_words_only, "n")
يقدم المعامل المتقدم (*UCP) أمراً صريحاً لمحرك التعبيرات النمطية بتفعيل خصائص اليونيكود الكاملة لحدود الكلمات، مما يتيح معالجة الحروف والشرطات المتصلة بدقة، مع إسقاط الأرقام الحسابية غير الدالة على ثراء لغوي بشري.
7. تطبيق الطرق الثلاث على متجهات النصوص (Vectors) وإطارات البيانات (Data Frames)
7.1 حساب الكلمات عبر متجهات نصوص متعددة العناصر في خطوة واحدة
تتمتع لغة R بخاصية برمجية رفيعة المستوى تُعرف بـ “المعالجة المتجهية” (Vectorization)، والتي تعني قدرة الدوال الحسابية على استقبال مصفوفات أو متجهات تحتوي على ملايين العناصر النصية، ومعالجتها بالكامل دفعة واحدة دون الحاجة إلى كتابة حلقات تكرارية بطيئة (مثل for-loops). وتتفاوت الطرق الثلاث في سلوكها المتجهي، لا سيما عند مواجهة التحديات الكلاسيكية لقواعد البيانات الحقيقية: مثل السلاسل النصية الفارغة ("") أو القيم المفقودة نهائياً المرموز لها برمجياً بـ NA.
يوضح المثال البرمجي المقارن التالي تطبيق التقنيات الثلاث جنباً إلى جنب على متجه إكلينيكي متنوع الحالات، لاستكشاف كيفية استجابة كل خوارزمية للشروط الحدية والمخرجات المتجهية المتولدة:
# إنشاء متجه نصي غير متجانس يحوي قيماً مفقودة وحالات شاذة
patient_records <- c(
"استجابة منتظمة وطبيعية تماماً للمقابلة الأولى.",
NA,
"",
" ",
"جلسة علاجية رقم 12: تحسن سلوكي ملحوظ."
)
# 1. تطبيق Base R المحسن عبر الدالة المخصصة
base_counts <- count_words_base_robust(patient_records)
# 2. تطبيق حزمة stringi المتخصصة
stri_counts <- stri_count_words(patient_records)
# 3. تطبيق حزمة stringr الحديثة
stringr_counts <- str_count(patient_records, "\w+")
# مقارنة المخرجات المتجهية جنباً إلى جنب
data.frame(
السجل = ifelse(is.na(patient_records), "<قيمة مفقودة>", patient_records),
Base_R = base_counts,
stringi = stri_counts,
stringr = stringr_counts
)
يكشف التحليل المنهجي لهذه المقارنة عن اتساق حزمتي stringi و stringr في إعادة القيمة المفقودة NA عندما يكون المدخل مفقوداً، وهو تصرف سليم رياضياً يمنع تلوث الإحصاءات الوصفية. كما تحافظ الحزمتان على إرجاع الصفر الحقيقي للسلاسل الفارغة أو المكونة من فراغات فقط، مما يؤكد أمانهما الحسابي التام في المعالجة المتجهية المباشرة.
7.2 دمج عد الكلمات داخل أعمدة إطارات البيانات باستخدام dplyr
في مشاريع البحث الإحصائي الفعلية، نادراً ما تُعالج النصوص كمتجهات معزولة؛ بل تأتي مضمنة كأعمدة نصية داخل جداول وإطارات بيانات كبرى (Data Frames or Tibbles) تقترن بمتغيرات ديموغرافية وسلوكية أخرى كالعمر، والجنس، والمجموعة التجريبية. وتعد مكتبة dplyr الأداة القياسية الأكثر فعالية لإجراء المعالجات الجدولية وإضافة المتغيرات الكمية المشتقة.
يوضح الكود التالي كيفية إنشاء إطار بيانات بحثي متكامل يحاكي استجابات تجريبية لمجموعتين سريريتين، وتوليد عمود جديد لعدد الكلمات باستخدام دالة mutate، تليها معالجات تجميعية متقدمة باستخدام group_by و summarise لاستخلاص الفروق الكمية بين المجموعات:
# بناء إطار بيانات تجريبي للبحوث السلوكية
study_data <- tibble(
subject_id = 101:106,
treatment_group = rep(c("العلاج المعرفي", "مجموعة الضبط"), each = 3),
open_reflection = c(
"أصبحت أدرك التشوهات المعرفية التي كانت تعيق تفكيري وتسبب لي الخوف المستمر.",
"تحسن طفيف في النوم.",
"أشعر براحة كبيرة بعد تطبيق تقنيات التنفس العميق والتعرض التدريجي للمخاوف.",
"لا تغيير.",
"نفس الأعراض السابقة مستمرة معي يومياً دون انقطاع.",
"أشعر بالتعب العام والإنهاك."
)
)
# دمج خوارزمية عد الكلمات واستخراج المؤشرات الإحصائية المجمعة
analyzed_data <- study_data |>
# إضافة عمود كمي لطول الاستجابة اللفظية
mutate(word_count = stri_count_words(open_reflection)) |>
# التجميع الإحصائي بحسب فئة التدخل العلاجي
group_by(treatment_group) |>
# استخراج المتوسطات والانحرافات المعيارية للأطوال اللفظية
summarise(
عينة_المفحوصين = n(),
متوسط_الكلمات = mean(word_count, na.rm = TRUE),
الانحراف_المعياري = sd(word_count, na.rm = TRUE),
أدنى_طول = min(word_count, na.rm = TRUE),
أقصى_طول = max(word_count, na.rm = TRUE)
)
# طباعة ملخص التحليل الإحصائي المجمع
print(analyzed_data)
يتيح هذا البناء البرمجي المتناسق للباحث استخلاص دلائل كمية مباشرة حول أثر نوع التدخل العلاجي على حجم التعبير اللفظي؛ حيث يمكن ملاحظة ارتفاع متوسط عدد الكلمات لدى مفحوصي العلاج المعرفي مقارنة بمجموعة الضبط، وهو ما يشكل متغيراً حاسماً في تقييم مدى تفاعل العينة مع البروتوكول العلاجي.
7.3 تطبيق الدوال عبر عائلات Apply والبرمجة الوظيفية مع purrr
إلى جانب خطوط أنابيب dplyr، تتيح لغة R استخدام أدوات البرمجة الوظيفية الصارمة (Functional Programming) لمعالجة الأعمدة والقوائم النصية المعقدة. وتعتبر عائلة دوال apply التقليدية، ودوال حزمة purrr الحديثة، الأسلوب المنهجي المعتمد لضمان النمطية البرمجية (Type-safety)، حيث يُحدد مسبقاً نوع القيمة المعادة من الدالة لمنع أي تحولات غير مقصودة في أنماط البيانات أثناء الحساب المكثف.
يوضح المثال التالي مقارنة وظيفية بين استخدام دالة sapply الكلاسيكية ودالة map_int من حزمة purrr لتطبيق عمليات حساب الكلمات على هياكل البيانات النصية، مع الحفاظ على شفافية الكود وقابليته العالية للصيانة وإعادة الاستخدام في المنظومات البرمجية الكبيرة:
# استدعاء حزمة البرمجة الوظيفية purrr
library(purrr)
# مصفوفة قائمة معقدة تحوي نصوص الملاحظات اليومية
diary_list <- list(
day1 = "استيقظت باكراً مع شعور ملحوظ بالنشاط والرغبة في الإنجاز.",
day2 = "يوم هادئ ومستقر نسبياً دون أي ضغوط خارجية طارئة.",
day3 = "واجهت صعوبة مؤقتة في التركيز ولكن تغلبت عليها تدريجياً."
)
# التطبيق باستخدام دالة sapply الكلاسيكية
counts_apply <- sapply(diary_list, stri_count_words)
# التطبيق باستخدام دالة map_int الصارمة نمطياً من purrr
counts_purrr <- map_int(diary_list, stri_count_words)
# التحقق من تطابق النواتج والنمط البياني الصارم
identical(counts_apply, counts_purrr)
is.integer(counts_purrr)
تضمن دالة map_int إعادة متجه من الأرقام الصحيحة الصرفة حصراً (integers)؛ فإذا حدث أي خطأ برمجي غير متوقع أدى إلى إعادة قيمة نصية أو كسرية، فإن الدالة توقف التنفيذ فوراً وتحذر الباحث، مما يوفر طبقة حماية فائقة لمنع تسرب الأخطاء الصامتة إلى النماذج الإحصائية النهائية.
8. تطبيقات نفسية وسلوكية: تحليل استجابات المفحوصين والنصوص الإكلينيكية
8.1 حساب عدد الكلمات في استبيانات الشخصية والمقاييس المفتوحة
يمثل استخراج عدد الكلمات في المقاييس السيكولوجية ذات الأسئلة المفتوحة أداة منهجية متطورة للتحقق من صدق الاستجابات ونقاء البيانات الميدانية. ففي بحوث الشخصية القائمة على نموذج العوامل الخمسة الكبرى (Big Five)، أثبتت الدراسات الأمبريقية وجود ارتباط دال إحصائياً وموجب بين سمة “الانبساطية” (Extraversion) ومعدل الكلمات المكتوبة في الأسئلة المفتوحة؛ حيث يميل الأفراد الانبساطيون بطبيعتهم المعرفية والانفعالية إلى الإسهاب التفصيلي واستخدام مخزون لغوي أكبر للتعبير عن ذواتهم وسياقاتهم الاجتماعية.
في المقابل، يؤدي احتساب عدد الكلمات وظيفة رقابية حاسمة في استبعاد المشاركين غير الجادين (Careless Responders) في الاستبيانات الإلكترونية الموزعة عبر الإنترنت. فالمستجيب الذي يقدم إجابات أحادية الكلمة (مثل: “نعم”، “لا”، “تمام”) على أسئلة مقالية تتطلب تفكيراً متعمقاً، يعكس انخفاضاً حاداً في الدافعية والجهد المعرفي المبذول. ويمكن للباحث توظيف كود برمجي شرطي لفلترة وتصفية هذه الحالات تلقائياً بناءً على عتبة عددية دنيا (Cut-off threshold)، كاستبعاد أي استجابة يقل طولها عن عشر كلمات، لضمان متانة التحليلات العاملية والمسارية اللاحقة.
8.2 تحليل اليوميات والملاحظات الإكلينيكية في العلاج النفسي
في سياق التدخلات السريرية الطولية (Longitudinal Clinical Interventions)، يشكل تتبع الكثافة اللفظية في الملاحظات واليوميات الذاتية للمرضى أداة ديناميكية لتقييم التقدم العلاجي والجمود المعرفي. فالمرضى الذين يمرون بمراحل اكتئابية حادة يظهرون غالباً ظاهرة “التقوقع اللفظي”، حيث تتسم نصوصهم بالاقتضاب والتكرار الدائري لعدد محدود جداً من الكلمات المرتبطة بالعجز واليأس. ومع تقدم مسار العلاج النفسي وظهور بوادر التحسن الإكلينيكي، يتسع المدى التعبيري وتزداد أطوال الفقرات المكتوبة تدريجياً، مما يعكس استعادة الحيوية المعرفية والطلاقة التعبيرية.
علاوة على ذلك، يتيح حساب الكلمات جنباً إلى جنب مع حساب عدد الجمل استخراج مؤشر تركيبي بالغ الأهمية هو “معدل الكلمات لكل فكرة أو جملة” (Words per Sentence Ratio). ويُستخدم هذا المؤشر الإحصائي الكمي في تقييم مدى التماسك التركيبي والتشتت الذهني؛ فالأطوال الجملية المفرطة بصورة شاذة قد تؤشر على تشتت الوعي وعجز المريض عن وضع حدود فاصلة بين الأفكار المنطقية، بينما تشير الجمل المجتزأة بشدة إلى الحصر المعرفي والقلق الدفاعي الحاد، وهو ما يدعم التشخيص الطبي بمؤشرات لغوية موضوعية قابلة للقياس الكمي الدقيق.
8.3 معالجة وتحليل نصوص التقييم الإسقاطي وتداعي المعاني
تحظى المقاييس الإسقاطية، مثل اختبار تفهم الموضوع (Thematic Apperception Test – TAT) واختبارات تداعي الكلمات الحرة، بمكانة كلاسيكية مرموقة في سبر أغوار الدوافع اللاشعورية والتنظيم المعرفي الداخلي. وفي هذه الاختبارات، يُطلب من المفحوص تأليف قصة درامية حرة بناءً على بطاقات مصورة غامضة. ويشكل الحجم اللفظي الكلي للقصة الناتجة متغيراً أساسياً في التقييم النفسي السيكودينامي؛ حيث يرتبط القصر الشديد في الاستجابة اللفظية بآليات الدفاع النفسي القائمة على الكبت والإنكار والتحفظ الدفاعي تجاه الفاحص، في حين تعكس الاستجابات الغنية بالكلمات قدرة على الاستبصار الإسقاطي وحرية الحركة التخيلية.
ويستعرض الكود البرمجي المتقدم التالي كيفية بناء مصفوفة متكاملة لمعالجة نصوص اختبارات تفهم الموضوع لعدة مفحوصين؛ حيث يقوم الكود بحساب عدد الكلمات، وحساب زمن الاستجابة بالنسبة لعدد الكلمات (معدل سرعة إنتاج الكلمة في الثانية)، ودمجها مع المقاييس الإكلينيكية لاستخراج مؤشر التحفظ النفسي الموضوعي:
# بيانات محاكاة لاختبار تفهم الموضوع (TAT)
tat_data <- tibble(
patient_id = paste0("PT-", 1001:1004),
card_id = "Card_1",
response_time_seconds = c(120, 45, 180, 60),
narrative_story = c(
"هذا الفتى ينظر إلى الكمان بتردد عميق، يخشى الفشل في تلبية توقعات والده الصارمة، لكنه يشعر برغبة داخلية قوية في إثبات ذاته وتحدي الظروف.",
"طفل ينظر إلى آلة كمان. لا يعرف ماذا يفعل بها.",
"أرى صراعاً مريراً بين الواجب والرغبة الحرة، هذه الآلة الموسيقية تجسد القيود العائلية المفروضة عليه منذ نعومة أظفاره وهو يحاول الهروب من مصيره المحتوم.",
"مجرد صبي متعب يريد النوم بدلاً من ممارسة الموسيقى."
)
)
# بناء المؤشرات السيكومترية المتقدمة المشتقة من الحجم اللفظي
tat_clinical_metrics <- tat_data |>
mutate(
# استخراج الحجم اللفظي الدقيق
word_volume = stri_count_words(narrative_story),
# حساب معدل التدفق اللفظي (كلمة لكل ثانية)
words_per_second = round(word_volume / response_time_seconds, 3),
# تصنيف استجابة المريض بناءً على الطول اللفظي ومعدل التدفق
defensiveness_index = case_when(
word_volume < 15 ~ "تحفظ دفاعي شديد (عزوف)",
word_volume >= 15 & words_per_second > 0.15 ~ "تدفق لفظي طبيعي وتفاعل إيجابي",
TRUE ~ "إسهاب بطيء مقترن بجهد استرجاعي معاق"
)
)
# استعراض المصفوفة الإكلينيكية الناتجة
tat_clinical_metrics |>
select(patient_id, word_volume, words_per_second, defensiveness_index)
تحول هذه المصفوفة الاستجابات الذاتية النوعية المعقدة إلى متغيرات كمية ومؤشرات تصنيفية تدعم التشخيص السريري، وتزود المعالج النفسي برؤية إحصائية قابلة للمقارنة والتوثيق عبر مراحل العلاج المتلاحقة.
9. معالجة الحالات الخاصة والحواف النصية المعقدة (Edge Cases)
9.1 التعامل مع السلاسل النصية الفارغة والقيم المفقودة (NA)
تمثل “الحالات الحدية” المأزق الأكبر الذي يهدد استقرار البرمجيات والخوارزميات التحليلية في علوم البيانات. وتتصدر السلاسل النصية الفارغة ("") والسلاسل المكونة حصرياً من مسافات بيضاء (" ") والقيم المفقودة غير المعرفة (NA) قائمة هذه الحالات. ففي حال تطبيق الدالة الكلاسيكية strsplit(x, " ") على سلسلة فارغة، فإنها تُرجع متجهاً بطول عنصر واحد يحتوي على سلسلة فارغة، وعند حساب طوله عبر length أو lengths فإن النتيجة تكون (1) بشكل مضلل للغاية؛ حيث يُسجل للنص الخالي من الكلمات احتواؤه على كلمة واحدة زائفة.
ولتفادي هذا الخطأ الحسابي المنهجي، تبرز ضرورة تطبيق مبادئ “البرمجة الدفاعية” (Defensive Programming). وتعتبر دالة stri_count_words نموذجاً برمجياً يحتذى به في هذا المضمار؛ إذ تم تصميمها داخلياً لترجع القيمة (0) فور مواجهة أي نص خالٍ من الأحرف الفعلية، وترجع NA الصريحة عند مواجهة القيمة المفقودة دون أي تزييف رياضي للبيانات. يوضح الاختبار المقارن التالي هذه السلوكيات الحرجة:
# متجه اختبار الحالات الحدية الصعبة
edge_cases <- c(
empty_string = "",
only_spaces = " ",
na_value = NA_character_,
single_char = "أ"
)
# مقارنة مباشرة لردود الأفعال الخوارزمية
data.frame(
الحالة = names(edge_cases),
المدخل = edge_cases,
التقسيم_الساذج = lengths(strsplit(edge_cases, " ")),
stringi_الذكي = stri_count_words(edge_cases),
stringr_النمطي = str_count(edge_cases, "\w+")
)
تثبت المخرجات بالأدلة الرقمية أن التقسيم الساذج في Base R يرتكب خطأ إرجاع القيمة (1) للحالات الفارغة، بينما تُظهر stringi ومحرك stringr الموثوقية الرياضية المتطابقة مع المنطق البحثي السليم بإرجاع الصفر الصحيح والقيمة المفقودة على التوالي.
9.2 إدارة النصوص متعددة الأسطر والفقرات الكبيرة ومحارف التحكم
عند التعامل مع استجابات نصية مطولة أو تقارير طبية منسوخة من سجلات إلكترونية، يواجه المحلل تداخلاً كثيفاً لمحارف التحكم الخاصة بالأنظمة الحاسوبية المختلفة، مثل محرف الانتقال للسطر الجديد في أنظمة يونكس ولينكس المرموز له بـ n، ومحرف الإرجاع المزدوج في أنظمة مايكروسوفت ويندوز المرموز له بـ rn. وتؤدي هذه المحارف وظيفة الفصل البصري للأسطر، إلا أن بعض محركات التعبيرات النمطية القديمة قد تعجز عن مطابقة الكلمات عبر الأسطر المتعددة إذا لم يُضبط علم المعالجة متعددة الأسطر (Multiline Flag) بشكل صائب.
الحل المنهجي الأمثل للتعامل مع الفقرات الكبيرة يتطلب تطبيع هذه الفواصل السطرية ومحارف التحكم قبل الدفع بالنص إلى خوارزميات العد، أو الاعتماد المباشر على stri_count_words التي تتجاهل محارف التحكم السطرية وتتعامل مع المتن النصي كوحدة هيدروليكية واحدة مستمرة. كما يمكن في تحليلات التماسك النصي تجزئة النص المطول أولاً إلى فقرات فرعية باستخدام strsplit(text, "n+")، ومن ثم تطبيق دوال حساب الكلمات على كل فقرة على حدة لإنشاء متجه كمي يوضح التوزيع النسبي للأطوال اللفظية عبر أقسام المقابلة الإكلينيكية المتتابعة.
9.3 الكلمات المحتوية على فواصل علوية ورموز خاصة وتشكيل
تشكل الفواصل العليا وعلامات التشكيل والتطويل الحافة الأكثر التباساً في علوم اللغة الحاسوبية. ففي النصوص الأكاديمية متعددة اللغات، تظهر الكلمات الإنجليزية ذات الفاصلة العليا (مثل: don’t أو patient’s). وإذا استُخدم التعبير النمطي الحرفي البسيط "\w+"، فإنه سيعامل الفاصلة العليا كرمز غير حرفي ويقوم بتمزيق الكلمة الواحدة إلى جزأين مستقلين (“don” و “t”)، مما يرفع عدد الكلمات بزيادة وهمية قدرها 100% لتلك المفردة المحددة.
أما في سياق اللغة العربية، فإن وجود الحركات التشكيلية (الضمة، الفتحة، الكسرة، التنوين، السكون، والشدة) وكذلك محرف التطويل أو الكشيدة الممتدة (ـ) يفرض متطلبات برمجية خاصة. فمحارف التشكيل تمثل علامات تشكيلية فرعية (Combining Marks) ترتبط بالحرف الأصلي دون أن تشكل حروفاً مستقلة. ورغم أن حزمة stringi تتفهم هذا الاندماج الصرفي تلقائياً بفضل توافقها مع معايير اليونيكود، إلا أن التعبيرات النمطية اليدوية في Base R قد تتعثر إذا لم تُصمم بعناية. ويبين الكود التالي كيفية صياغة تعبير نمطي متقدم يتعامل مع الفواصل العليا والكلمات الموصولة بنجاح تام:
# نصوص متعددة اللغات تحوي فواصل عليا وكلمات مركبة
multilingual_text <- "The patient couldn't recall his well-being score بدقة."
# العد الساذج بالتعبير النمطي القياسي (يقطع الكلمات)
naive_word_split <- str_extract_all(multilingual_text, "\w+")[[1]]
# العد المتقدم الذي يعامل الفاصلة العليا والشرطة كجزء من بنية الكلمة
advanced_word_split <- str_extract_all(multilingual_text, "[\p{L}]+(?:['’\-][\p{L}]+)*")[[1]]
# مقارنة المخرجات اللفظية المستخرجة
cat("التقطيع الساذج (تمزيق don't و well-being):n")
print(naive_word_split)
cat("التقطيع اللغوي السليم:n")
print(advanced_word_split)
تثبت النتائج أن النمط المتقدم نجح في الحفاظ على كلمة “couldn’t” و “well-being” ككتل لفظية موحدة ذات معنى سيكولوجي ولغوي مكتمل، متفادياً تضخيم العد الكمي الناتج عن القصور النمطي الساذج.
10. مقارنة الأداء والسرعة الحاسوبية (Benchmarking) بين الطرق الثلاث
10.1 تصميم تجربة معيارية لقياس زمن التنفيذ باستخدام microbenchmark
عند الانتقال من معالجة عينات استطلاعية محدودة إلى مشاريع الأبحاث الوطنية الكبرى التي تضم مئات الآلاف من الاستجابات النصية وسجلات المرضى الممتدة لعقود، تصبح الكفاءة الحاسوبية، وسرعة المعالجة، واستهلاك الذاكرة العشوائية (RAM) عوامل حاكمة في المفاضلة المنهجية بين التقنيات البرمجية. ولتقييم هذه الفروق تقييماً علمياً منضبطاً، نلجأ إلى حزمة المقارنة المعيارية الدقيقة microbenchmark، والتي تختبر زمن التنفيذ بأجزاء المليون من الثانية عبر تكرار تشغيل الأكواد مئات المرات متتالية لاستخراج مقاييس التشتت الإحصائي (المتوسط، الوسيط، الأدنى، الأقصى).
صُممت التجربة المعيارية الموضحة في الكود التالي عبر توليد مصفوفة محاكاة ضخمة تضم عشرة آلاف فقرة نصية مركبة، تدمج بين الجمل الطويلة والقصيرة، وعلامات الترقيم، والأرقام، لتوفير بيئة اختبار إجهاد (Stress Test) عادلة وصارمة تقارن أداء كل من: الدالة المحصنة في Base R، ودالة stri_count_words من مكتبة stringi، ودالة str_count من حزمة stringr:
# استدعاء حزمة قياس الأداء الميكروي
library(microbenchmark)
# توليد عينة بيانات نصية محاكاة ضخمة (10,000 استجابة)
set.seed(42)
corpus_sample <- rep(c(
"العلاج السلوكي المعرفي يعتبر من التدخلات الفعالة لعلاج اضطرابات القلق والاكتئاب.",
"Patient reports high level of daily stress and severe insomnia symptoms.",
"تحسن طفيف... لا يزال التوتر مستمراً في بيئة العمل اليومية.",
"A brief 15-minute relaxation exercise was successfully completed."
), times = 2500)
# تنفيذ المقارنة المعيارية وتكرار التجربة 50 مرة لكل دالة
benchmark_results <- microbenchmark(
Base_R_Robust = count_words_base_robust(corpus_sample),
Stringi_Library = stri_count_words(corpus_sample),
Stringr_Tidyverse = str_count(corpus_sample, "\w+"),
times = 50L,
unit = "ms" # القياس بالميللي ثانية
)
# استعراض ملخص النتائج الإحصائية للأداء
print(benchmark_results)
10.2 تحليل النتائج المعيارية: متى تتفوق كل طريقة برمجياً؟
يكشف التحليل الإحصائي لمخرجات المقارنة المعيارية عن تفوق حاسم ومطلق لحزمة stringi في مؤشرات السرعة الحاسوبية؛ حيث تسجل في المتوسط زمناً حاسوبياً يقل بعدة أضعاف عن أقرب منافسيها. ويعود هذا التفوق الهندسي إلى أن عمليات المسح المعجمي، وتتبع مؤشرات البايت، وحساب الكلمات داخل stringi تجري بالكامل داخل طبقة لغة C++ المترجمة مسبقاً، ودون الحاجة لتخصيص كائنات وسيطة متعددة في ذاكرة آر، مما يجعلها تتفوق تفوقاً ساحقاً في مشاريع البيانات الضخمة (Big Data) وتطبيقات الحوسبة السحابية المكلفة زمنياً.
في المقابل، تأتي حزمة stringr في المرتبة الثانية من حيث السرعة؛ نظراً لأنها تستدعي محرك stringi في نهاية المطاف، ولكنها تتحمل عبئاً حاسوبياً إضافياً طفيفاً (Overhead) ناتجاً عن التحقق النمطي من المدخلات وإدارة وسائط Tidyverse. أما طريقة Base R المحصنة، فرغم قوتها وتفردها بعدم التبعية البرمجية لأي حزم خارجية، إلا أنها تسجل الزمن الأبطأ نسبياً؛ نظراً لتكاليف تخصيص الذاكرة المصاحبة لدوال القوائم المتعددة وحلقات sapply التكرارية داخل بيئة آر التفسيرية، مما يجعلها أكثر ملاءمة للبيانات الصغيرة أو الحسابات الميدانية الخفيفة والمعزولة عن الاتصال الشبكي.
11. اعتبارات خاصة باللغة العربية والنصوص متعددة اللغات
11.1 طبيعة الكلمة في اللغة العربية وتحديات الصرف والتركيب
تتميز اللغة العربية بخصائص صرفية واشتقاقية بالغة التعقيد تجعل التحديد الحسابي للكلمات يختلف جوهرياً عن اللغات الهندية الأوروبية. وتتمثل المشكلة الكبرى في ظاهرة “السوابق اللصيقة” أو الالتصاق الصرفي (Agglutination)؛ حيث تلتحم حروف المعاني الصغرى مثل واو العطف، وفاء العطف، وباء الجر، وكاف التشبيه، ولام الجر، وأداة التعريف “الـ” ببدايات الأسماء والأفعال دون وجود أي فاصل بيضي. فعبارة مثل “وسيكفيكهم” تتكون إملائياً من كتلة محرفية واحدة محصورة بين فاصلين أبيضين وتُحسب حاسوبياً ككلمة واحدة، بينما هي من المنظور اللساني والتحليلي جملة متكاملة تضم أداة عطف، وحرف استقبال، وفعلاً مضارعاً، وفاعلاً، ومفعولين بهما متصلين.
يفرض هذا الواقع اللغوي تمييزاً دقيقاً بين مستوى “العد الإملائي السطحي” (Orthographic Word Count) ومستوى “العد المفهومي المعجمي” (Lexical Word Count). ففي أبحاث القياس النفسي الأولية، قد يكون العد الإملائي السطحي كافياً ومقبولاً كمؤشر عام على حجم الإنتاج اللفظي؛ إلا أنه في الدراسات اللسانية المتقدمة وتحليل المشاعر الدقيق، يجب أن تتبع عملية الحساب الكمي الأولي خطوات تجذيع (Stemming) وتحليل صرفي عميق (Morphological Analysis) باستخدام أدوات متخصصة، لتفكيك اللواصق واستخراج الجذور الأصلية للكلمات لضمان التقدير الحقيقي للحجم الدلالي للنص العربي.
11.2 ضبط التشفير والمحارف في أنظمة R المختلفة
شهدت معالجة النصوص العربية في لغة آر تاريخياً تحديات مزمنة ناجمة عن تضارب صفحات الترميز بين أنظمة التشغيل؛ لا سيما بيئة مايكروسوفت ويندوز التي كانت تعتمد تقليدياً على تشفير Windows-1256 أو ANSI المحلي، مقارنة بأنظمة يونكس وماك التي تستخدم الترميز العالمي الموحد UTF-8 بصورة قياسية. وهذا التضارب كان يؤدي إلى ظاهرة “تشوه الحروف” أو ما يُعرف بالترميز الفاسد (Mojibake)، حيث تظهر الحروف العربية في صورة رموز لاتينية غير مفهومة ورموز استفهام تعطل خوارزميات العد وتنتج قيماً عددية خاطئة تماماً.
لضمان اتساق النتائج الحسابية بغض النظر عن منصة التشغيل المستضيفة لكود التحليل، توفر حزمة stringi مجموعة من الدوال الرقابية المتقدمة للتحقق من سلامة التشفير وتصحيحه تلقائياً. وتعتبر دالة stri_enc_isutf8 الأداة المثلى لفحص مطابقة المتجهات النصية لمعايير UTF-8، ودالة stri_encode لإعادة تحويل أي تشفير محلي منحرف إلى التشفير العالمي، مما يضمن اتساقاً كاملاً واستقراراً موثوقاً لعمليات التحليل عبر فرق العمل البحثية متعددة المنصات.
12. أفضل الممارسات المنهجية والتوصيات البرمجية المتقدمة
12.1 بناء دالة محكمة ومعيارية لحساب الكلمات في مشاريع التحليل النصي
تتويجاً للمفاهيم الهندسية واللسانية التي استعرضناها، تقتضي الممارسة البرمجية الرصينة في الأبحاث المؤسسية صياغة “دالة معيارية شاملة” (Production-ready Function) تضم داخل بنيتها كافة آليات التحقق الأمني، والتحكم في الخيارات المنهجية، والمعالجة التلقائية للقيم الشاذة والمفقودة. وتتيح هذه الدالة للباحث تحديد ما إذا كان يرغب في استبعاد الأرقام الصرفة من الحساب، أو تحديد المحدد الجغرافي للغة، مع توثيق الأخطاء المحتملة وإرجاع مخرجات شديدة التماسك والنقاء.
فيما يلي الكود البرمجي الكامل للدالة المقترحة والمطورة وفق أرقى معايير كتابة الحزم البرمجية القابلة للنشر وإعادة الإنتاج في بيئة آر:
#' @title دالة شاملة ومعيارية لحساب الكلمات في الأبحاث والبيانات النفسية
#' @param text_data متجه نصي، أو عمود من إطار بيانات يحوي النصوص المراد تحليلها.
#' @param exclude_numbers قيمة منطقية؛ إذا كانت TRUE يتم استبعاد الأرقام الحسابية الصرفة من العد.
#' @param locale_setting المحدد اللغوي المعياري المعتمد في التحليل (الافتراضي en_US).
#' @return متجه عددي صحيح يطابق طول المتجه الأصلي بدقة متناهية.
count_words_advanced <- function(text_data,
exclude_numbers = FALSE,
locale_setting = "en_US") {
# 1. التحقق الأمني الدفاعي من طبيعة المدخلات
if (!is.vector(text_data) && !is.factor(text_data)) {
stop("خطأ منهجي: يجب أن يكون المدخل متجراً أو عاملاً نصياً حصراً.")
}
# تحويل العوامل إن وجدت إلى سلاسل محرفية معيارية
text_data <- as.character(text_data)
# 2. معالجة النصوص في حال الرغبة باستبعاد الأرقام المستقلة
if (isTRUE(exclude_numbers)) {
# إزالة الأرقام الصرفة المستقلة المحاطة بحدود لفظية مع الحفاظ على الحروف
text_data <- stringi::stri_replace_all_regex(
text_data,
pattern = "\b\d+\b",
replacement = ""
)
}
# 3. تطبيق خوارزمية ICU فائقة الدقة عبر stringi
word_counts <- stringi::stri_count_words(
text_data,
locale = locale_setting
)
# 4. المعالجة الدفاعية الصارمة للقيم الفارغة لضمان إرجاع الصفر الحقيقي
word_counts[is.na(text_data)] <- NA_integer_
word_counts[!is.na(text_data) & stringi::stri_isempty(stringi::stri_trim_both(text_data))] <- 0L
return(as.integer(word_counts))
}
# تجربة الدالة المعيارية المتقدمة في سيناريوهات بحثية متنوعة
test_corpus <- c(
"سجل المريض 45 درجة في اختبار القلق المعرفي.",
" ",
NA,
"ملاحظات: نوم مضطرب، وأفكار وسواسية مستمرة."
)
# التنفيذ مع تفعيل خيار استبعاد الأرقام
count_words_advanced(test_corpus, exclude_numbers = TRUE)
12.2 قائمة تحقق الباحث للموثوقية وإمكانية تكرار التجربة (Reproducibility)
تقتضي المنهجية الأكاديمية الصارمة توفير الشفافية الكاملة التي تتيح للباحثين الآخرين إعادة إنتاج التحليلات النصية والحصول على نفس القيم العددية بدقة مطلقة. ولتحقيق هذه الغاية، يجب أن يلتزم الباحث بقائمة تحقق توثيقية تشتمل على الإجراءات التالية:
- توثيق معلومات جلسة العمل الحاسوبية: تشغيل الأمر البرمجي
sessionInfo()وتضمينه كملحق في التقارير العلمية لتوثيق الإصدار الدقيق للغة R، وإصدارات حزمstringiوstringr، وإصدار مكتبة ICU المدمجة بالنظام. - فحص العينات العشوائية اليدوي: سحب عينة عشوائية ممثلة (Random Sample) تتراوح بين 1% إلى 5% من المتون النصية بعد حساب الكلمات آلياً، وإجراء مراجعة يدوية لها للتأكد من عدم وجود تشوهات صرفية غير متوقعة أو سلوك شاذ في عد الاختصارات اللغوية.
- تثبيت واستقرار بذور التوليد: في حال استخدام أي تقنيات اختيار عشوائي للتحقق أو المعاينة، يجب استخدام دالة
set.seed()لضمان تطابق مسارات التحليل في كل مرة يُعاد فيها تشغيل الأكواد. - الأرشفة التقنية عبر الحواسب التفاعلية: دمج الأكواد التحليلية ضمن وثائق تفاعلية حية باستخدام منصات Quarto أو R Markdown؛ حيث تتيح هذه المنصات ربط الكود البرمجي بمخرجاته الإحصائية في وثيقة ديناميكية نهائية غير قابلة للتلاعب أو الخطأ الإملائي اليدوي.
12.3 ملخص مقارن وخريطة قرار لاختيار الأسلوب الأنسب للمشروع
يوضح الجدول المنهجي المقارن التالي تقييماً شاملاً للمسارات البرمجية الثلاثة التي استعرضها الدليل، مع إبراز معايير السرعة، والدقة المعجمية، والتبعيات البرمجية، وسهولة الاستخدام البشري لمساعدة الباحث على اتخاذ القرار التقني الصائب:
| المعيار التقني | النظام الأساسي (Base R) | حزمة stringi الدولية | منظومة stringr / Tidyverse |
|---|---|---|---|
| السرعة الحسابية | متوسطة إلى منخفضة مع النصوص الضخمة | فائقة السرعة ومثالية (نواة C++) | عالية جداً (أقل قليلاً من stringi) |
| الاعتماديات والتبعيات | معدومة تماماً (مدمجة بالنظام) | تتطلب حزمة stringi الخارجية ومكتبة ICU | تتطلب حزمة stringr وتوابع Tidyverse |
| الدقة في حدود الكلمات | منخفضة (تعتمد على الفواصل البيضاء الصرفة) | متناهية الدقة وفق معايير اليونيكود | دقيقة جداً وتعتمد على النمط النمطي الممرر |
| سهولة القراءة والتركيب | معقدة وتتطلب دوال مساعدة كـ trimws | مباشرة وموجزة (stri_count_words) | سلسة وبديهية ومتكاملة مع مشغل الأنابيب |> |
| إدارة اللغات المعقدة | محدودة وتتطلب تعبيرات نمطية مخصصة | استثنائية وتدعم التوطين Locales | ممتازة مع تفعيل خصائص Unicode النمطية |
خريطة القرار المنهجي:
إذا كان مشروعك ينتمي إلى فئة “الأنظمة الإنتاجية الحساسة” التي تتطلب استقلالاً كاملاً وخلوّاً تاماً من أي مكتبات خارجية قابلة للتحديث أو الانهيار المستقبلي، فإن النهج الموصى به هو استخدام Base R المحصن عبر التعبيرات النمطية ودالة trimws. أما إذا كنت تجري أبحاثاً سيكومترية أو لسانية مكثفة تعتمد على بيانات نصية ضخمة بمئات الآلاف من الفقرات متعددة اللغات، فإن حزمة stringi تمثل الخيار التقني الأوحد الذي يضمن السرعة الخارقة والدقة المعجمية المطلقة. في حين تظل حزمة stringr هي التوصية الذهبية للتحليلات الإحصائية اليومية المعتادة، والاستكشاف البياني السريع لعلماء النفس والبيانات الذين يتبنون فلسفة Tidyverse التفاعلية المرتبة.
إن الانتقال من الحساب الكمي الأولي لعدد الكلمات إلى استخلاص المعاني النفسية العميقة يمثل الأفق المستقبلي الواعد لعلوم السلوك الحاسوبية؛ حيث يفتح هذا المؤشر الأولي الباب مشرعاً نحو تطبيق نماذج التحليل الدلالي الكامن (Latent Semantic Analysis)، وتعدين المشاعر، والنمذجة الموضوعية المتقدمة التي ترتقي بالبحث العلمي من مجرد إحصاء الرموز إلى سبر أغوار الفكر الإنساني.
المراجع
American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
Gagolewski, M. (2022). stringi: Fast and portable character string processing in R. Journal of Statistical Software, 103(4), 1–59. https://doi.org/10.18637/jss.v103.i04
Pennebaker, J. W., Boyd, R. L., Jordan, K., & Blackburn, K. (2015). The development and psychometric properties of LIWC2015. University of Texas at Austin. https://hdl.handle.net/2152/31333
R Core Team. (2023). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. https://www.r-project.org/
Unicode Consortium. (2023). Unicode Standard Annex #29: Unicode text segmentation. Unicode Consortium. https://www.unicode.org/reports/tr29/
Wickham, H. (2019). Advanced R (2nd ed.). Chapman and Hall/CRC. https://doi.org/10.1201/9781351201315
Wickham, H., Çetinkaya-Rundel, M., & Grolemund, G. (2023). R for data science: Import, tidy, transform, visualize, and model data (2nd ed.). O’Reilly Media. https://r4ds.hadley.nz/