كيفية إنشاء وتفسير منحنى ROC في برنامج SPSS

يحتل تحليل منحنى خصائص تشغيل المستقبِل (Receiver Operating Characteristic Curve – ROC Curve) مكانة مركزية في الإحصاء التطبيقي، القياس النفسي، والعلوم الطبية الحيوية؛ بوصفه الأداة المعيارية الذهبية لتقييم القدرة التمييزية للاختبارات التشخيصية والنماذج التنبؤية الثنائية. يواجه الباحثون في العلوم السلوكية والطبية تحدياً دائماً يتمثل في المفاضلة بين دقة أدوات الفرز وحساسيتها، إذ لا يكفي الاعتماد على مقاييس الدقة الكلاسيكية مثل النسبة المئوية للتصنيف الصحيح، والتي تتأثر بشدة بمعدلات انتشار الظاهرة وانحياز العينة. يوفر تحليل ROC إطاراً متكاملاً يتجاوز قيود نقاط القطع الثابتة ليرسم خريطة بيانية شاملة للعلاقة التبادلية بين الإيجابيات الحقيقية والإيجابيات الكاذبة عبر كامل نطاق درجات القياس.

يتيح برنامج الحزم الإحصائية للعلوم الاجتماعية (IBM SPSS Statistics) بيئة برمجية وحسابية متقدمة لتنفيذ هذا النوع من التحليلات بدقة فائقة، بدءاً من رسم المنحنيات ومقارنتها، وصولاً إلى استخراج المؤشرات المعقدة مثل المساحة تحت المنحنى (Area Under the Curve – AUC) والخطأ المعياري، وفترات الثقة المقاربة، وجداول الإحداثيات التفصيلية. تتجلى القوة الحقيقية لتحليل ROC في قدرته على تحويل المخرجات الاحتمالية المعقدة الناتجة عن نماذج الانحدار اللوجستي الثنائي (Binary Logistic Regression) أو الدرجات الخام للمقاييس السيكومترية إلى قرارات تصنيفية عيادية واضحة وقابلة للتطبيق العملي.

يهدف هذا الدليل المرجعي الشامل إلى تقديم معالجة أكاديمية وتطبيقية متعمقة لكيفية إنشاء وتفسير منحنى ROC داخل بيئة برنامج SPSS وفق أحدث الممارسات المنهجية. سنستعرض عبر هذا المقال الأسس النظرية المستمدة من نظرية كشف الإشارة، المفاهيم الإحصائية الحاكمة كالحساسية والنوعية ومصفوفة الارتباك، آليات الضبط الإجرائي والبرمجي للبيانات، المعايير الدقيقة لتحديد النقطة الفاصلة المثلى (Optimal Cutoff Point) عبر مؤشر يودن (Youden’s Index)، وتوثيق المخرجات بجداول ورسوم بيانية احترافية تتوافق تماماً مع متطلبات النشر العلمي وفق دليل الجمعية الأمريكية لعلم النفس (APA 7th Edition).

1. مقدمة شاملة لمنحنى خصائص تشغيل المستقبِل (ROC Curve)

1.1 التعريف النظري والتاريخي لمنحنى ROC

تعود الجذور التاريخية لمنحنى خصائص تشغيل المستقبِل إلى حقبة الحرب العالمية الثانية، وتحديداً في سياق نظرية كشف الإشارة (Signal Detection Theory). طُوّر هذا المفهوم الرياضي من قبل مهندسي الرادار الأمريكيين والبريطانيين عقب الهجوم على بيرل هاربر عام 1941، حيث برزت الحاجة الملحة للتمييز بين إشارات الرادار الناتجة عن الطائرات المعادية الحقيقية (الإشارة) وتلك الناتجة عن أسراب الطيور أو التشويش الجوي (الضوضاء). كان المشغل أو “المستقبِل” البشري يواجه معضلة مستمرة في ضبط حساسية الجهاز؛ فزيادة الحساسية تؤدي إلى رصد كافة الأهداف ولكنها ترفع من وتيرة الإنذارات الكاذبة، في حين يؤدي خفضها إلى تفويت أهداف حقيقية. استُخدم مصطلح “خصائص تشغيل المستقبِل” لوصف الاستجابة الديناميكية للمنظومة التمييزية عند مستويات عتبة مختلفة.

انتقل هذا الإطار النظري خلال عقدي الخمسينيات والستينيات من القرن الماضي إلى علم النفس التجريبي والقياس الحسي الفيزيقي (Psychophysics) بفضل أبحاث تانر وسويتس (Tanner & Swets, 1954)، حيث وظف لدراسة الكيفية التي يتخذ بها العقل البشري قرارات تمييزية تحت ظروف عدم اليقين. ومع مطلع السبعينيات، أدرك علماء الوبائيات والإحصاء الحيوي القيمة الاستثنائية لهذا المنحنى في تقييم دقة الاختبارات التشخيصية الطبية، لا سيما في مجالات الأشعة وعلم الأورام والطب المختبري (Lusted, 1971)، ليصبح لاحقاً الركيزة الأساسية لتقييم جودة النماذج الاحتمالية في تعلم الآلة والذكاء الاصطناعي والإحصاء التطبيقي الحديث.

من الناحية الرياضية والهندسية، يمثل منحنى ROC أداة بصرية ثنائية الأبعاد تُرسم في المستوى الإحداثي الديكارتي، حيث يمثل المحور الرأسي (Y-axis) معدل الإيجابية الحقيقية أو الحساسية (Sensitivity)، بينما يمثل المحور الأفقي (X-axis) معدل الإيجابية الكاذبة (1 – Specificity). تكمن القوة الجوهرية للمنحنى في تلخيص أداء المصنف التشخيصي عبر كافة نقاط القطع المحتملة دفعة واحدة، وتوفير مقياس كمي متكامل للأداء العام مجسداً في المساحة المحصورة تحت المنحنى (AUC)، مما يجعله معياراً حاسماً في تقييم مدى ملاءمة النماذج التنبؤية مثل نماذج الانحدار اللوجستي الثنائي.

1.2 مبررات استخدام منحنى ROC في التحليل الإحصائي

تنبع الضرورة المنهجية لاستخدام منحنى ROC من القصور البالغ الذي تشهده المقاييس الإحصائية التقليدية عند تقييم أدوات القياس والتصنيف. يعتمد التقييم الكلاسيكي عادة على حساب مؤشرات الدقة التشخيصية عند نقطة قطع مفردة ومحددة مسبقاً (Single Cutoff Point)، وهو ما يؤدي إلى تضليل تحليلي كبير؛ إذ قد يظهر الاختبار أداءً ممتازاً عند عتبة معينة ويفشل تماماً عند عتبات أخرى قريبة منها. يتيح تحليل ROC للباحث الإحصائي تجاوز هذا القيد الهيكلي من خلال تقديم تقييم شامل ومستمر للأداء التمييزي للمتغير المستمر عبر كافة التقسيمات التجزيئية الممكنة دون افتراض مسبق لنقطة القطع المثالية.

تتمثل الميزة الاستثنائية الثانية لمنحنى ROC في استقلاليته المنهجية والنسبية عن معدل انتشار الظاهرة (Prevalence Independence). في الدراسات الطبية والسلوكية، تتأثر مقاييس الدقة الشائعة مثل القيمة التنبؤية الإيجابية (Positive Predictive Value – PPV) والقيمة التنبؤية السلبية (Negative Predictive Value – NPV) ونسبة الدقة الكلية (Accuracy Rate) بشكل مباشر بنسبة وجود الحالة في المجتمع المدروس. فعلى سبيل المثال، إذا كان انتشار اضطراب نفسي نادر الحدوث بنسبة 1%، فإن أي نموذج يتوقع سلبية كافة الحالات سيحقق دقة كلية تصل إلى 99%، وهي نسبة مضللة تخفي فشلاً ذريعاً في كشف الحالات الإيجابية. في المقابل، تُشتق الحساسية والنوعية اللتان تُبنى عليهما إحداثيات ROC من مجموعات الحالات الإيجابية والسلبية ككيانات منفصلة، مما يجعل شكل المنحنى وقيمة AUC معياراً موضوعياً خالصاً يعكس الكفاءة الذاتية لأداة القياس بصرف النظر عن التركيبة التوزيعية للعينة.

علاوة على ذلك، يتيح المنحنى إمكانية نمذجة وفهم المفاضلة المستمرة (Trade-off) بين الحساسية والنوعية، مما يمنح متخذ القرار في المجال السريري أو البحثي مرونة كاملة في تعديل حساسية الاختبار بناءً على التكلفة المادية والإنسانية المترتبة على أخطاء التصنيف، وهو ما يعزز الانتقال بالنتائج الإحصائية من مجرد أرقام مجردة إلى تطبيقات عيادية واضحة ومقننة.

1.3 ارتباط منحنى ROC بنماذج الانحدار اللوجستي

يمثل الانحدار اللوجستي الثنائي (Binary Logistic Regression) الأسلوب الإحصائي الأكثر شيوعاً لدراسة العلاقة بين مجموعة من المتغيرات التنبؤية المستقلة (سواء كانت كمية أو فئوية) ومتغير تابع ثنائي التصنيف (مثل: وجود الاضطراب مقابل عدم وجوده). تنتج معادلة الانحدار اللوجستي قيماً احتمالية مستمرة تقع حصراً في النطاق بين [0 و 1]، تمثل احتمال انتماء الحالة إلى الفئة المستهدفة. هنا تحديداً يبرز الدور المحوري لمنحنى ROC كأداة لا غنى عنها لتحويل هذه الاحتمالات التنبؤية المستمرة (Predicted Probabilities) إلى تصنيفات ثنائية تشخيصية دقيقة.

تعتمد معظم البرمجيات الإحصائية افتراضياً على عتبة احتمالية ثابتة مقدارها (0.50) لتصنيف الحالات؛ فإذا كان الاحتمال المحسوب أكبر من 0.50 تُصنف الحالة كإيجابية، وإذا كان أقل تصنف كسلبية. ومع ذلك، نادراً ما تكون هذه العتبة الافتراضية هي المثلى في الواقع العملي، خصوصاً في حالات البيانات غير المتوازنة أو عندما تتفاوت تكلفة الخطأ التشخيصي. يُمكّن منحنى ROC الباحث من اختبار كافة العتبات الاحتمالية الممكنة بين 0 و 1، ورسم منحنى يوضح كفاءة النموذج الانحداري ككل في التمييز بين المجموعتين.

يعد تحليل ROC المعيار الأساسي لتقييم الملاءمة التمييزية (Discriminative Ability) للنماذج اللوجستية، متجاوزاً اختبارات جودة التوفيق التقليدية مثل اختبار هوسمر-ليمشو (Hosmer-Lemeshow Test) ومؤشرات التباين المفسر (R-Square Pseudo). ومن خلال رسم منحنيات ROC لعدة نماذج لوجستية متداخلة أو متنافسة على نفس المخطط البياني في SPSS، يستطيع الباحث مقارنة القدرة التنبؤية للنموذج البسيط مقابل النموذج المتعدد، والتحقق مما إذا كانت إضافة متغيرات تنبؤية جديدة ترفع بشكل جوهري من كفاءة النموذج في كشف الحالات المستهدفة.

2. المفاهيم الإحصائية الأساسية المرتبطة بتحليل منحنى ROC

2.1 الحساسية (Sensitivity) ومعدل الإيجابية الحقيقية

تُعرّف الحساسية (Sensitivity) رياضياً وإحصائياً بأنها الاحتمال الشرطي لأن يُعطي الاختبار التشخيصي نتيجة إيجابية شريطة أن تكون الحالة مصابة بالفعل بالظاهرة أو الاضطراب المدروس. وتعرف الحساسية في أدبيات الإحصاء باسم “معدل الإيجابية الحقيقية” (True Positive Rate – TPR). تُحسب الحساسية وفق المعادلة الرياضية التالية: الحساسية = الحالات الإيجابية الحقيقية / (الحالات الإيجابية الحقيقية + الحالات السلبية الكاذبة). تمثل هذه النسبة قدرة الاختبار على اكتشاف المرضى أو الأفراد المستهدفين دون تفويتهم.

في التمثيل البياني لمنحنى ROC، تُسقط قيم الحساسية دائماً وبصورة معيارية على المحور الرأسي أو محور الصادات (Y-axis)، حيث يتدرج هذا المحور من القيمة (0.0) في الأسفل إلى القيمة (1.0) أو (100%) في الأعلى. كلما اقترب المنحنى من الحافة العلوية للإطار البياني، دل ذلك على أن الاختبار يمتلك حساسية فائقة وقدرة على التقاط الغالبية العظمى من الحالات الإيجابية عند درجات قطع مختلفة.

تكتسب الحساسية أهمية سريرية ونفسية استثنائية في مجالات الفرز الأولي (Screening) والأزمات الحادة؛ فعلى سبيل المثال، عند بناء مقياس للكشف عن خطورة السلوك الانتحاري أو الكشف المبكر عن الأورام السرطانية، يكون الهدف السريري الأساسي هو تفادي النتائج السلبية الكاذبة (False Negatives) بأي ثمن. فالحالة السلبية الكاذبة هنا تعني إخبار مريض يعاني من خطورة انتحارية شديدة بأنه سليم وتجاوز مرحلة الخطر، مما يحرمه من التدخل العلاجي المنقذ للحياة. لذلك، يُفضل الباحثون في مثل هذه السياقات نقاط القطع التي تضمن أعلى حساسية ممكنة، حتى لو كان ذلك على حساب زيادة معتدلة في الإيجابيات الكاذبة.

2.2 النوعية (Specificity) ومعدل الإيجابية الكاذبة

تُعرّف النوعية (Specificity) بأنها الاحتمال الشرطي لأن يُعطي الاختبار التشخيصي نتيجة سلبية شريطة أن تكون الحالة غير مصابة في الواقع وخالية تماماً من الظاهرة المستهدفة. وتُسمى أيضاً “معدل السلبية الحقيقية” (True Negative Rate – TNR). تُحسب النوعية بالمعادلة: النوعية = الحالات السلبية الحقيقية / (الحالات السلبية الحقيقية + الحالات الإيجابية الكاذبة). تعكس النوعية الدقة التمييزية للاختبار في استبعاد الأصحاء والأسوياء ومنع تصنيفهم كمرضى أو مضطربين خطأً.

يرتبط المفهوم المباشر المستخدم في بناء المحور الأفقي لمنحنى ROC بمعدل الإيجابية الكاذبة (False Positive Rate – FPR)، والذي يمثل رياضياً المكمل الرياضي للنوعية، أي: معدل الإيجابية الكاذبة = (1 – النوعية) أو (1 – Specificity). تُمثل قيمة (1 – النوعية) نسبة الأفراد غير المصابين الذين صُنّفوا خطأً على أنهم إيجابيون بواسطة الاختبار عند نقطة قطع محددة. يُسقط هذا المعدل على المحور الأفقي أو محور السينات (X-axis)، ممتداً من القيمة (0.0) في أقصى اليسار إلى القيمة (1.0) في أقصى اليمين.

تبرز الأهمية التشخيصية لرفع النوعية وخفض معدل (1 – Specificity) في المواقف الإكلينيكية التي يترتب فيها على النتيجة الإيجابية الكاذبة تداعيات كارثية؛ كإخضاع المريض لإجراءات جراحية خطيرة، أو استخدام أدوية نفسية ذات آثار جانبية سامة وحادة، أو تعرض الشخص لوصمة اجتماعية ونفسية قاسية. يسعى النموذج المثالي إلى التحرك أفقياً بالقرب من الصفر (أعلى نوعية ممكنة) مع الصعود رأسياً نحو الواحد الصحيح (أعلى حساسية ممكنة).

2.3 مصفوفة الارتباك (Confusion Matrix) ومكوناتها

تُشكل مصفوفة الارتباك (Confusion Matrix)، والتي تُعرف أيضاً في التحليل السريري بجدول التوافق المزدوج (2×2 Contingency Table)، البنية التحتية الأساسية التي تُشتق منها كافة الحسابات الإحصائية لتحليل منحنى ROC. تتألف المصفوفة من أربع خلايا ناتجة عن التقاطع المتبادل بين الحالة التشخيصية الفعلية للأفراد (المعيار المرجعي الذهبي: مصاب / غير مصاب) وتصنيف الاختبار المقترح (إيجابي / سلبي) عند نقطة قطع معينة.

تتضمن الخلايا الأربع العناصر التشخيصية التالية بدقة:

• الإيجابي الحقيقي (True Positive – TP): الحالات المصابة بالاضطراب فعلياً والتي نجح الاختبار في تصنيفها كحالات إيجابية بشكل صحيح.
• السلبي الحقيقي (True Negative – TN): الحالات السليمة غير المصابة فعلياً والتي نجح الاختبار في تصنيفها كحالات سلبية بشكل صحيح.
• الإيجابي الكاذب (False Positive – FP): وتُعرف أيضاً بخطأ النوع الأول (Type I Error)؛ وهي الحالات السليمة غير المصابة ولكن الاختبار صنفها خطأً كحالات إيجابية.
• السلبي الكاذب (False Negative – FN): وتُعرف بخطأ النوع الثاني (Type II Error)؛ وهي الحالات المصابة بالاضطراب فعلياً ولكن الاختبار فشل في كشفها وصنفها كحالات سلبية.

عند تعديل نقطة القطع (Cutoff Point) لدرجات الاختبار المستمر، تتحرك الحالات التكرارية ديناميكياً بين هذه الخلايا الأربع؛ فخفض نقطة القطع يؤدي بالضرورة إلى زيادة خلايا TP و FP وتناقص خلايا TN و FN، في حين أن رفع نقطة القطع يُحدث أثراً معاكساً تماماً. يقوم تحليل منحنى ROC في SPSS بحساب مصفوفة ارتباك افتراضية لكل قيمة مفردة مسجلة في مجموعة البيانات، واستخراج إحداثي الحساسية وإحداثي (1 – النوعية) لكل مصفوفة، ثم ربط هذه النقاط معاً لتشكيل الخط البياني المستمر للمنحنى.

3. تطبيقات منحنى ROC في القياس النفسي والعلوم السلوكية

3.1 التحقق من الصدق التمايزي للمقاييس النفسية

يمثل الصدق التمايزي (Discriminant / Known-Groups Validity) ركناً جوهرياً في التحقق من الكفاءة السيكومترية لأدوات القياس النفسي، حيث يشترط في المقياس النفسي المقنن أن يمتلك القدرة على التمييز بدقة إحصائية واضحة بين فئات مجتمعية معروفة بتباينها في السمة المقاسة، كالتمييز بين الأفراد الأسوياء والمراجعين الإكلينيكيين المشخصين باضطراب ما. يوفر منحنى ROC برهاناً سيكومترياً تجريبياً حاسماً لا يقتصر على إثبات وجود فروق ذات دلالة إحصائية في المتوسطات (عبر اختبار t مثلاً)، بل يحدد المدى الكمي لقدرة درجات المقياس على فرز الأفراد بدقة.

يُستخدم تحليل ROC بشكل واسع في معايرة وتقنين مقاييس الاكتئاب مثل قائمة بيك للاكتئاب (BDI-II) ومقاييس القلق مثل مقياس جاد-7 (GAD-7) ومقاييس الصدمة؛ لتحديد العتبات السريرية الفاصلة التي تفصل بين المستويات الخفيفة والمتوسطة والشديدة للاضطراب. فبدلاً من الاعتماد على تقسيمات اعتباطية أو رتب مئينية غير مستندة إلى محك خارجي، يوفر منحنى ROC نقطة قطع مدعومة بالأدلة التجريبية تضمن التوازن بين كشف الحالات الإكلينيكية الحقيقية وتجنب المبالغة في التشخيص.

يمتد هذا التطبيق الحيوي إلى بطاريات التقييم النيوروسيكولوجي المعرفي (Neuropsychological Assessment)، مثل فحص الحالة العقلية المصغر (MMSE) وتقييم مونتريال المعرفي (MoCA). يُمكّن تحليل ROC علماء النفس العصبي من تحديد دقة هذه الأدوات في الكشف المبكر عن التدهور المعرفي المعتدل (MCI) أو الخرف المبكر (Dementia) بالمقارنة مع عينات الشيخوخة الطبيعية، وتحديد الدرجة الدقيقة التي تدق عندها ناقوس الخطر السريري لبدء البرامج التأهيلية.

3.2 المفاضلة بين أدوات القياس التشخيصية المختلفة

في الممارسة البحثية والعيادية، يواجه المتخصصون وفرة في أدوات القياس المتاحة لتقييم نفس المتغير النفسي أو السلوكي؛ مما يفرض الحاجة العلمية لإجراء مقارنات موضوعية لاختيار الأداة الأفضل أداءً. يتيح تحليل منحنيات ROC المتعددة المقارنة المباشرة بين استبانات التقرير الذاتي (Self-Report Inventories)، وقوائم التقدير الملاحظاتية (Observer Rating Scales)، والمقابلات التشخيصية شبه المقننة المقاسة على نفس عينة الدراسة في مواجهة المعيار التشخيصي النهائي المستند إلى الدليل التشخيصي والإحصائي للاضطرابات النفسية (DSM-5-TR).

تساعد هذه المقارنة الباحثين في تحديد المقياس الأنسب لأغراض الفرز والمسح الأولي واسع النطاق (Screening)، والذي يتطلب مقياساً يمتلك مساحة تحت المنحنى (AUC) فائقة مع قدرة عالية على رفع الحساسية، مقابل المقاييس المعدة للتأكيد التشخيصي المعمق (Confirmatory Diagnosis) التي تتطلب نوعية مرتفعة للغاية لتفادي العلاجات غير الضرورية.

إلى جانب الكفاءة السيكومترية، يدعم تحليل ROC اتخاذ قرارات متوازنة تستند إلى اقتصاديات القياس الإكلينيكي (Cost-Effectiveness). فإذا أظهر التحليل الإحصائي المقارن أن استبانة قصيرة مكونة من 10 بنود تحقق مساحة تحت المنحنى (AUC = 0.88) لا تختلف بدلالة إحصائية عن بطارية تشخيصية معقدة مكونة من 90 بنداً وتستغرق ساعتين للتطبيق (AUC = 0.90)، فإن القرار الأكاديمي والمهني يميل نحو اعتماد الأداة الأقصر توفيراً للوقت والجهد النفسي للمفحوص والباحث على حد سواء دون التضحية بالدقة التشخيصية.

3.3 مراعاة الخصائص السيكومترية لعينة الدراسة

تتأثر دقة ومسار منحنى ROC بالخصائص السيكومترية والديموغرافية لعينة الدراسة تأثراً بالغاً؛ إذ يؤدي عدم تجانس العينة (Sample Heterogeneity) أو وجود تباينات حادة في التكوين العمري والتعليمي والجنسي إلى انزياح المنحنى وتغير دلالة نقاط القطع. ففي القياس المعرفي والنفسي، ترتبط الدرجات ارتباطاً وثيقاً بسنوات التعليم والخلفية الثقافية، مما يعني أن نقطة القطع المثلى المشتقة لعينة من كبار السن ذوي التعليم المحدود قد تختلف جذرياً عن نقطة القطع لنفس الاختبار لدى فئة شابة متعلمة.

يتطلب التحليل الدقيق فحص حساسية المقياس عبر الفئات الفرعية وضبط المتغيرات الديموغرافية والوسيطة. يمكن تحقيق ذلك داخل SPSS من خلال إجراء تحليلات ROC طبقية (Stratified ROC Analysis) عبر تفعيل خيار تقسيم الملف (Split File) بناءً على المتغير الديموغرافي (كالنوع الاجتماعي أو الفئات العمرية)، لمقارنة مسارات المنحنيات واستخراج معايير تقنين منفصلة لكل فئة سكانية.

يجب على الباحثين الحذر الشديد من انحياز الانتقاء (Spectrum Bias أو Selection Bias)؛ والذي يحدث عندما تُبنى عينة الدراسة من حالات مرضية شديدة الاضطراب ومجموعة مقارنة مفرطة في الصحة والخلو من أي أعراض طفيفة. يؤدي هذا التباين المصطنع إلى تضخيم غير واقعي للمساحة تحت المنحنى (AUC)، وظهور الاختبار بأداء خيالي ينخفض بشكل دراماتيكي عند تطبيقه في البيئات العيادية الحقيقية حيث تتداخل الحالات الحدية والغامضة.

4. متطلبات البيانات وإعداد ملف العمل في برنامج SPSS

4.1 تحديد طبيعة المتغيرات المطلوبة للتحليل

يتطلب تنفيذ تحليل منحنى ROC داخل برنامج SPSS توفر هيكل بيانات محدد بدقة يستند إلى متغيرين رئيسيين يمثلان طرفي المعادلة التشخيصية: متغير الحالة الفعلي ومتغير الاختبار التنبؤي. يجب إعداد هذين المتغيرين وفق شروط برمجية وإحصائية صارمة لضمان استقرار التحليل وسلامة المخرجات الناتجة.

المتغير الأول هو متغير الحالة (State Variable): وهو المعيار المرجعي التشخيصي أو ما يُعرف بالمحك الذهبي (Gold Standard). يشترط في هذا المتغير أن يكون متغيراً فئوياً ثنائياً حقيقياً (Dichotomous Variable) يقسم عينة الدراسة بدقة إلى مجموعتين غير متداخلتين: المجموعة الإيجابية (الحالات الحاملة للسمة، المصابين، أو الأفراد ذوي الخطورة العالية) والمجموعة السلبية (الحالات السليمة، الأسوياء، أو المجموعة الضابطة). يتم ترميز هذا المتغير برمجياً بقيمتين رقميتين (عادة 1 للإيجابي و0 للسلبي).

المتغير الثاني هو متغير الاختبار (Test Variable): وهو المقياس أو الأداة التنبؤية المراد فحص كفاءتها التشخيصية. يشترط في متغير الاختبار أن يكون متغيراً كمياً متصلاً مقاساً على مستوى المسافة أو النسبة (Scale/Continuous)، مثل الدرجة الكلية على استبانة نفسية، أو تركيز مادة حيوية في الدم، أو الاحتمالات التنبؤية المشتقة من نموذج انحدار لوجستي. كما يقبل إجراء التحليل في SPSS المتغيرات الرتبوية (Ordinal Variables) ذات الفئات المتعددة المتدرجة كخيارات مقياس ليكرت خماسي أو سباعي النقاط.

يتعين على الباحث التعامل المنهجي المسبق مع القيم المفقودة (Missing Values)؛ إذ يستبعد إجراء ROC في SPSS الحالات التي تتضمن قيماً مفقودة في أي من المتغيرين تلقائياً (Listwise Deletion). قد يؤدي ارتفاع نسبة القيم المفقودة إلى تناقص القوة الإحصائية للاختبار وظهور انحيازات غير مقصودة، مما يفرض استخدام تقنيات التعويض المناسبة مثل التعويض المتعدد (Multiple Imputation) إذا كانت البيانات مفقودة عشوائياً قبل البدء بالتحليل.

4.2 إدخال وترميز البيانات بطريقة صحيحة داخل SPSS

تبدأ المعالجة التقنية داخل برنامج SPSS بتهيئة نافذة عرض المتغيرات (Variable View) لضمان التحديد الدقيق لخصائص القياس وتجنب الأخطاء البرمجية الشائعة التي تعيق التحليل.

تتمثل خطوات الضبط والترميز المنهجي في النقاط التالية:

• تسمية المتغيرات (Name & Label): منح متغير الاختبار اسماً واضحاً مثل Depression_Score مع كتابة التسمية التوضيحية الكاملة في حقل Label (مثال: الدرجة الكلية لمقياس بيك للاكتئاب)، وتسمية متغير الحالة باسم صريح مثل Diagnosis_Status (التشخيص العيادي النهائي).
• ترميز قيم متغير الحالة (Values): النقر على حقل Values لمتغير الحالة وتحديد التسميات الرقمية والوصفية بدقة متناهية: القيمة 0 تمثل “مجموعة غير المصابين / الأسوياء” (Control / Healthy)، والقيمة 1 تمثل “مجموعة المشخصين سريرياً / المصابين” (Clinical / Depressed).
• ضبط مستوى القياس (Measure): تحديد مستوى قياس متغير الاختبار على خيار Scale (أو Ordinal إذا كان درجات رتبية)، وضبط مستوى قياس متغير الحالة على خيار Nominal. يضمن هذا التحديد تعامل خوارزميات SPSS مع البيانات بشكل صحيح.
• التحقق من التوجيه المنطقي للدرجات: التأكد من أن ارتفاع درجات متغير الاختبار يتوافق مع زيادة شدة السمة أو احتمالية الانتماء للحالة الإيجابية. فإذا كان المقياس يقيس “التوافق النفسي” والهدف هو تشخيص “سوء التوافق”، يجب عكس الدرجات حسابياً (Reverse Coding) بحيث تشير الدرجات المرتفعة إلى سوء التوافق لضمان التوافق المنطقي للمنحنى.

4.3 الفحص الاستكشافي للبيانات قبل إجراء التحليل

يعد الفحص الاستكشافي الأولي للبيانات مرحلة منهجية إلزامية قبل الشروع في توليد منحنى ROC في SPSS، حيث يسهم في الكشف عن التوزيعات الاحتمالية والخلل الإحصائي المحتمل الذي قد يؤثر على قوة التمييز.

ينبغي للباحث الانتقال إلى قائمة Analyze ثم Descriptive Statistics واختيار Explore، ونقل متغير الاختبار إلى قائمة Dependent List ومتغير الحالة إلى قائمة Factor List. يتيح هذا الإجراء استخراج مقاييس النزعة المركزية والتشتت (المتوسط الحسابي، الوسيط، الانحراف المعياري، والمدى الربيعي) لكل مجموعة من مجموعتي الحالة على حدة. ينبغي أن يظهر الفحص الاستكشافي تبايناً منطقياً أولياً بين متوسطات المجموعتين؛ حيث يُتوقع أن يكون متوسط درجات المجموعة الإيجابية أعلى بصورة واضحة من متوسط المجموعة السلبية في المتغيرات ذات العلاقة الطردية بالاضطراب.

يتضمن الفحص الاستكشافي فحص المخططات الصندوقية (Boxplots) والرسوم البيانية للجذر والورقة لاكتشاف القيم المتطرفة والشاذة (Outliers). قد تتسبب القيم المتطرفة الشديدة الناتجة عن أخطاء إدخال البيانات في تشويه حسابات الرتب ونقاط القطع المتطرفة للمنحنى. بالإضافة إلى ذلك، يجب التحقق من حجم العينة الكلي وحجم كل فئة فرعية، والتأكد من توفر حجم عينة كافٍ في المجموعة الأقل تكراراً لتأمين قوة إحصائية كافية تمكن من رفض الفرضية الصفرية القائلة بأن المساحة تحت المنحنى تعادل 0.50 بدقة موثوقة.

5. دليل خطوة بخطوة: إنشاء منحنى ROC عبر واجهة SPSS

5.1 الوصول إلى نافذة التحليل المخصصة

يوفر برنامج SPSS واجهة مستخدم رسومية (GUI) متكاملة ومصممة خصيصاً لإجراء تحليلات ROC بموثوقية عالية وسهولة إجرائية. لبدء التحليل، اتبع المسار القياسي التالي من شريط القوائم الرئيسي أعلى نافذة البرنامج:

انقر على قائمة Analyze (تحليل)، ثم توجه بمؤشر الفأرة نحو الخيار الفرعي Classify (تصنيف)، ومن القائمة المنسدلة الناتجة انقر على الخيار ROC Curve… (منحنى خصائص تشغيل المستقبِل). في الإصدارات الحديثة من SPSS (الإصدار 28 وما بعده)، قد تجد أيضاً خياراً متقدماً إضافياً باسم ROC Analysis يتيح حسابات مقارنة متقدمة للعينات المزدوجة والمستقلة، إلا أن خيار ROC Curve التقليدي يظل الأداة القياسية الأكثر رسوخاً وشمولاً لمعظم التطبيقات التشخيصية والبحثية.

بمجرد النقر على هذا الخيار، ستظهر لك نافذة الحوار الرئيسية المعنونة باسم ROC Curve، والتي تحتوي في جانبها الأيسر على قائمة تضم كافة المتغيرات المتاحة في ملف البيانات النشط، وفي جانبها الأيمن الحقول المخصصة لتعيين متغيرات التحليل وضبط معالم المخرجات المطلوبة.

5.2 تعيين المتغيرات داخل مربعات الحوار

تتطلب نافذة حوار ROC Curve في SPSS نقل وتعيين المتغيرات في الحقول المخصصة بدقة إجرائية بالغة لضمان إجراء الحسابات في مسارها الصحيح:

اتبع الخطوات المتسلسلة التالية:

• تعيين متغير الاختبار (Test Variable): حدد المتغير الكمي المستمر أو الرتبي المراد تقييم كفاءته التشخيصية (مثل: Depression_Score) من القائمة اليسرى، ثم انقر على زر السهم الموجه نحو حقل Test Variable لنقله. (يمكنك نقل أكثر من متغير كمي واحد في آن واحد إذا كنت ترغب في مقارنة عدة اختبارات معاً).
• تعيين متغير الحالة (State Variable): حدد المتغير الفئوي الثنائي الذي يمثل المحك التشخيصي الحقيقي (مثل: Diagnosis_Status) وانقله بالنقر على السهم الخاص بحقل State Variable.
• تحديد قيمة الحالة الفعلية (Value of State Variable): بمجرد نقل متغير الحالة، ستلاحظ تفعيل الحقل النصي الموجود أسفله مباشرة والمسمى Value of State Variable. اكتب في هذا الحقل القيمة الرقمية الدقيقة التي تمثل “الحالة الإيجابية” أو وجود الاضطراب في ترميز بياناتك (وهي عادة القيمة 1). يؤدي الخطأ في كتابة هذه القيمة إلى فشل التحليل أو احتساب الحالات السليمة كحالات موجبة وتشويه النتائج بالكامل.

5.3 إنشاء المنحنى باستخدام كود الأوامر الإحصائية (SPSS Syntax)

يفضل الباحثون المحترفون والمحللون الإحصائيون استخدام محرر الأوامر البرمجية (SPSS Syntax Editor) لتنفيذ التحليلات؛ لما يوفره من سرعة فائقة، دقة متناهية، وقابلية كاملة لتوثيق التحليل وتكرار التجربة البحثية (Reproducibility) في أي وقت لاحق بمجرد إعادة تشغيل الكود.

يتميز الهيكل البرمجي الأساسي لأمر ROC في نافذة Syntax بالبساطة والمرونة. يتكون الكود القياسي للتحليل الشامل من الصيغة التالية المكتوبة كنص تنفيذي:

تبدأ الصيغة بكتابة الأمر الأساسي ROC متبوعاً باسم متغير الاختبار (مثال: Depression_Score) ثم كلمة BY ثم اسم متغير الحالة وقيمتها الإيجابية بين قوسين Diagnosis_Status (1). يتبع ذلك مجموعة من المحددات والأوامر الفرعية المسبوقة بشرطة مائلة لتخصيص المخرجات:

• الأمر الفرعي /PLOT=CURVE(REFERENCE): يُلزم البرنامج برسم منحنى ROC وتضمين الخط المرجعي القطري ذي زاوية 45 درجة في المخطط البياني.
• الأمر الفرعي /PRINT=SE COORDINATES: يوجه البرنامج لحساب الخطأ المعياري وفترات الثقة للمساحة تحت المنحنى (SE)، وطباعة جدول إحداثيات نقاط القطع التفصيلية للمنحنى (COORDINATES).
• الأمر الفرعي /CRITERIA=CUTOFF(INCLUDE) TESTPOS(LARGE) CI(95) DISTRIBUTION(FREE): يحدد تضمين نقاط القطع، واعتبار الدرجات الأكبر دليلاً على الحالة الإيجابية، وضبط فترة الثقة عند 95% باستخدام الطريقة اللامعلمية غير المقيدة بتوزيع (Non-parametric Distribution-Free).

يمكنك توليد هذا الكود تلقائياً بالنقر على زر Paste داخل نافذة التحليل، ليُنقل الكود فوراً إلى نافذة Syntax، حيث يمكنك تظليله والضغط على أيقونة التشغيل الخضراء (Run Selection) لتنفيذ التحليل.

6. تحديد وضبط خيارات التحليل المتقدمة في SPSS

6.1 تفعيل الخيارات البيانية الإضافية

تحتوي نافذة تحليل ROC Curve في SPSS على قسم خاص بخيارات العرض البياني يقع أسفل نافذة الحوار تحت عنوان Display. يوفر هذا القسم خيارين محوريين يجب ضبطهما بعناية لتحقيق الفهم البصري المتكامل لأداء الاختبار:

الخيار الأول هو ROC Curve: وهو الخيار الافتراضي الذي يجب التأكد دائماً من تفعيله عبر وضع علامة الاختيار في المربع المجاور له. يعمل هذا الخيار على توليد الرسم البياني المتجهي الذي يربط بين معدل الإيجابية الحقيقية ومعدل الإيجابية الكاذبة لكافة عتبات القياس.

الخيار الثاني شديد الأهمية هو With diagonal reference line (مع الخط المرجعي القطري): يجب تفعيل هذا المربع دائماً في كافة الأبحاث والدراسات العلمية. يقوم هذا الأمر برسم خط متقطع قطري ينطلق من النقطة (0,0) في الزاوية السفلية اليسرى ليصل إلى النقطة (1,1) في الزاوية العلوية اليمنى للمخطط البياني بزاوية هندسية مقدارها 45 درجة.

تكمن الأهمية المنهجية للخط المرجعي القطري في كونه يمثل المعيار البصري للأداء العشوائي الصرف (Chance Line)؛ أي مستوى التمييز الذي يمكن الحصول عليه عبر رمي قطعة نقود عشوائية لتحديد تشخيص المفحوصين دون أي فائدة من الاختبار. كلما ارتفع منحنى الاختبار الفعلي وتباعد رأسياً نحو الأعلى واليسار بعيداً عن هذا الخط المرجعي، كان ذلك دليلاً بيانياً قاطعاً على تفوق الأداء التشخيصي للاختبار على مستوى الصدفة المجردة.

6.2 طلب الجداول الإحصائية المرافقة

لا يكتمل التقييم الإحصائي والتشخيصي بمجرد الحصول على الشكل البياني وحده، بل يستلزم استخراج مصفوفة من الجداول الإحصائية التقديرية الحيوية عبر تفعيل مربعات الاختيار في قسم Display داخل نافذة ROC في SPSS.

يجب تفعيل الخيار Standard error and confidence interval: يؤدي تفعيل هذا المربع إلى إدراج جدول إحصائي متقدم للمساحة تحت المنحنى (Area Under the Curve) يشتمل على قيمة الخطأ المعياري المقارب (Asymptotic Standard Error) لتقدير المساحة، بالإضافة إلى حساب الحدين الأدنى والأعلى لفترة الثقة الإحصائية (Asymptotic 95% Confidence Interval). يساعد هذا الجدول في إثبات دقة التقدير النقطي للمساحة وتقديم برهان إحصائي صارم على عدم وقوع الأداء ضمن النطاق العشوائي.

كما ينبغي تفعيل خيار Coordinate points of the ROC Curve (نقاط إحداثيات منحنى ROC): يعد هذا الجدول الناتج الأداة الميدانية الأهم للممارس العيادي والباحث السيكومتري؛ حيث يعرض جدولاً تفصيلياً مطولاً يحتوي على كافة نقاط القطع المحتملة لمتغير الاختبار، وأمام كل نقطة قطع قيمتا الحساسية (Sensitivity) ومعدل الإيجابية الكاذبة (1 – Specificity) المقابلتان لها بدقة رقمية تصل لثلاث خانات عشرية. يُعتمد على هذا الجدول لاحقاً لاستخراج نقطة القطع المثلى للاختبار وتحديد العتبات السريرية المعتمدة.

6.3 التعامل مع اتجاه العلاقة التوزيعية للدرجات

يتضمن الجزء السفلي من نافذة حوار ROC Curve خياراً تقنياً حرجاً يؤثر بشكل جذري على آلية الحساب الرياضي، وهو قسم Test Result Direction (اتجاه نتيجة الاختبار)، والذي يحتوي على خيارين محددين:

الخيار الأول (وهو الافتراضي): Larger test result indicates more positive test (النتيجة الأكبر للاختبار تشير إلى اختبار أكثر إيجابية). يُستخدم هذا الخيار في الغالبية العظمى من المقاييس النفسية والطبية حيث تعني الدرجة المرتفعة على المقياس وجود أعراض أكثر حدة أو احتمالية أعلى للإصابة بالاضطراب (مثل مقاييس الاكتئاب، درجات مقياس القلق، أو مستويات المؤشرات الحيوية للالتهاب).

الخيار الثاني: Smaller test result indicates more positive test (النتيجة الأصغر للاختبار تشير إلى اختبار أكثر إيجابية). يجب تحويل التحديد يدوياً إلى هذا الخيار إذا كانت طبيعة أداة القياس تفترض أن النقصان أو الدرجات المتدنية هي التي تدل على المرض أو الحالة المستهدفة؛ ومثاله الأبرز مقاييس القدرات العقلية والوظائف النيوروسيكولوجية (مثل اختبار MMSE حيث تدل الدرجة المنخفضة على الخرف)، أو مقاييس التوافق الزواجي وجودة الحياة حيث يشير انخفاض الدرجة إلى الاضطراب وسوء التوافق.

إذا أخطأ الباحث في تحديد هذا الاتجاه (كأن يترك الخيار الافتراضي مع مقياس تعني درجاته المنخفضة وجود المرض)، فإن SPSS سيقوم بحساب المنحنى بصورة معكوسة، مما يؤدي إلى هبوط المنحنى أسفل الخط القطري المرجعي، وظهور قيمة المساحة تحت المنحنى (AUC) بقيمة متدنية للغاية تقل عن (0.50)، وهو ما يعكس خطأً برمجياً في التوجيه وليس ضعفاً حقيقياً في المقياس.

7. تفسير مخرجات الرسم البياني لمنحنى ROC في SPSS

7.1 قراءة البنية التخطيطية للمنحنى

يمثل المخطط البياني لمنحنى ROC الناتج في مخرجات SPSS التجسيد الهندسي الدقيق لكفاءة أداة القياس، ويتطلب تفسيره قراءة واعية لمسار الخط البياني وانحناءاته الهندسية ضمن الفضاء الإحداثي المحصور بين النقطتين (0,0) و (1,1).

تتمثل القاعدة البصرية الذهبية في أن النموذج التشخيصي المثالي يرسم خطاً ينطلق عمودياً من النقطة (0,0) مباشرة نحو الزاوية العلوية اليسرى (0,1) ليحقق حساسية كاملة (100%) عند معدل إيجابية كاذبة يساوي صفراً (نوعية 100%)، ثم يمتد أفقياً باتجاه النقطة (1,1). كلما كان انحناء المنحنى الفعلي للاختبار أكثر حدة وقرباً من تلك الزاوية العلوية اليسرى، دل ذلك على قدرة تمييزية فائقة وجودة استثنائية للمقياس في فرز الحالات الإيجابية عن السلبية بأقل قدر ممكن من التداخل والتصنيف الخاطئ.

في المقابل، إذا كان المنحنى متعرجاً ويتطابق بصورة شبه تامة مع الخط المرجعي القطري المائل بزاوية 45 درجة، فإن هذا يشير إلى أن أداة القياس تفتقر تماماً لأي صدق تمايزي؛ حيث تتساوى احتمالية التصنيف الصحيح مع احتمالية الوقوع في الخطأ العشوائي عند كافة مستويات الدرجات. أما إذا انحدر الخط البياني وسار في المساحة السفلية الواقعة أسفل الخط القطري المرجعي، فإن ذلك يمثل مؤشراً على أداء تمييزي سلبي ناجم حتماً عن خطأ إجرائي في ترميز المتغيرات أو تحديد الاتجاه التوزيعي للدرجات.

7.2 المقارنة البصرية بين منحنيات متعددة

عند تضمين عدة مقاييس أو نماذج تنبؤية في قائمة Test Variable، يقوم برنامج SPSS بإنشاء رسم بياني موحد يضم منحنيات متعددة متباينة الألوان، ومرفقة بدليل إيضاحي (Legend) يربط كل لون باسم الاختبار المقابل له. تتيح هذه المخرجات البصرية إجراء مقارنة كيفية فورية بين كفاءة الأدوات المتنافسة.

يُحكم على اختبار ما بأنه مهيمن تشخيصياً (Dominant) على الاختبارات الأخرى إذا كان منحناه البياني يقع بالكامل فوق منحنيات الاختبارات المنافسة عبر كافة نقاط المحور الأفقي دون أي تقاطع؛ مما يعني تفوقه المستمر في تحقيق أعلى حساسية ممكنة عند أي مستوى محدد من النوعية. تمنح هذه الهيمنة البصرية الباحث ثقة مطلقة في تفضيل هذه الأداة على بقية الأدوات المقارنة في الاستخدام الميداني.

في حالات أخرى شائعة في القياس النفسي والطبي، قد يحدث تقاطع بين المنحنيات (Crossing ROC Curves)؛ حيث يتفوق الاختبار الأول في الجزء الأيسر من الرسم (الذي يتطلب نوعية عالية جداً ومعدل إنذار كاذب منخفض)، بينما يتفوق الاختبار الثاني في الجزء الأيمن والأعلى (الذي يتطلب حساسية مرتفعة لكشف كافة الحالات). يشير هذا التقاطع البصري إلى أن المفاضلة بين الأداتين ليست مطلقة، بل تعتمد على الهدف العيادي المحدد؛ مما يوجه الباحث نحو اختيار أداة معينة لأغراض الفرز العام وأداة أخرى لأغراض التشخيص التأكيدي المتخصص.

7.3 تخصيص المظهر البياني للمنحنى للنشر العلمي

تظهر المخرجات الافتراضية لمنحنى ROC في SPSS بتنسيقات رسومية أولية قد لا تلبي المعايير الصارمة المطلوبة للنشر في المجلات العلمية المحكمة ذات معامل التأثير المرتفع. يوفر محرر الرسوم في SPSS (SPSS Chart Editor) إمكانيات متقدمة لتعديل وتجميل المخطط ليتوافق تماماً مع دليل النشر الأكاديمي (مثل معايير APA 7).

لتحرير الرسم البياني، انقر نقراً مزدوجاً بالزر الأيسر للفأرة على المخطط البياني في شاشة المخرجات (Output Viewer) لفتح نافذة Chart Editor، حيث يمكنك تطبيق التعديلات الجوهرية التالية:

• تعديل الخطوط والألوان: تحويل خلفية الرسم من اللون الرمادي الافتراضي إلى الخلفية البيضاء النقية، وتعديل سمك خط المنحنى إلى سمك أوضح (مثال: 1.5 أو 2 نقطة)، وتغيير ألوان الخطوط إلى التدرج الرمادي (Grayscale) أو الأنماط المتقطعة والمصمتة في حال كانت المجلة تطلب النشر بالطباعة غير الملونة.
• تحرير المحاور وتدريجها: تعديل العناوين النصية للمحاور لتصبح مكتوبة بلغة أكاديمية رصينة (مثل: “الحساسية – معدل الإيجابية الحقيقية” للمحور الرأسي، و”1 – النوعية – معدل الإيجابية الكاذبة” للمحور الأفقي)، وضبط تدريج المحاور ليبدأ حصراً من 0.00 وينتهي عند 1.00 بفاصل تدريجي مقداره 0.20 لكلا المحورين لضمان تناسق أبعاد المربع البياني.
• تصدير الرسم عالي الدقة: بعد إغلاق محرر الرسوم وتطبيق التعديلات، انقر بزر الفأرة الأيمن على الشكل البياني في نافذة المخرجات واختر Export، ثم حدد صيغة التصدير كصورة نقطية عالية الجودة مثل TIFF أو PNG بدقة وضوح لا تقل عن 300 أو 600 DPI (نقطة لكل بوصة)، أو كملف متجهي EPS / PDF لضمان الحفاظ على أعلى درجات النقاء البصري عند الطباعة والنشر.

8. قراءة وتفسير المساحة تحت المنحنى (Area Under the Curve – AUC)

8.1 المعنى الإحصائي لقيمة المساحة AUC

تعتبر المساحة تحت المنحنى (Area Under the Curve – AUC)، والتي يشار إليها أحياناً بالإحصاء التمايزي (c-statistic / concordance index)، المؤشر الكمي الموجز والأكثر أهمية لتقييم الكفاءة العامة للنموذج أو أداة القياس. تعبر قيمة AUC هندسياً عن النسبة المئوية للمساحة الإجمالية المغطاة بالرسم البياني الواقع أسفل منحنى ROC داخل المربع الإحداثي القياسي الذي تبلغ مساحته الإجمالية 1.0 وحدة مربعة (1.0 × 1.0).

من المنظور الإحصائي الاحتمالي، تمتلك قيمة AUC دلالة رياضية عميقة تتطابق رياضياً مع إحصاء مان-ويتني غير المعلمي (Mann-Whitney U Test). تُعرّف AUC بأنها: الاحتمالية الرياضية الشرطية لأن يحصل فرد تم اختياره عشوائياً من المجموعة الإيجابية (المصابة) على درجة في المقياس أعلى من درجة فرد آخر تم اختياره عشوائياً من المجموعة السلبية (السليمة). فعلى سبيل المثال، إذا بلغت قيمة AUC لمقياس اكتئاب ما (0.85)، فإن التفسير الإحصائي الدقيق يقتضي القول: إذا سحبنا مريضاً مكتئباً وشخصاً سليماً عشوائياً، فإن هناك احتمالاً بنسبة 85% بأن تكون درجة المريض المكتئب أعلى من درجة الشخص السليم على هذا المقياس.

يتراوح النطاق النظري المنطقي لقيمة AUC بين 0.50 و 1.00:

• AUC = 1.00: يمثل التمييز المثالي الخالي من أي خطأ (Perfect Discrimination)، حيث تفصل درجات المقياس بين المجموعتين فصلاً مطلقاً دون أي تداخل في التوزيعات التكرارية.
• AUC = 0.50: يمثل غياب أي قدرة تمييزية (No Discrimination)، وهو ما يعادل التصنيف العشوائي البحت المبني على الحظ والصدفة.
• AUC < 0.50: تشير نظرياً إلى أن المقياس يصنف الحالات في الاتجاه المعاكس تماماً للواقع، وهي ناتجة عملياً عن أخطاء برمجية في تحديد التوجيه الاتجاهي للدرجات في خيارات SPSS كما أسلفنا، ويتم تصحيحها بعكس خيار اتجاه الاختبار ليتحول الرقم إلى متممه الرياضي (1 – AUC).

8.2 معايير الحكم الأكاديمي على جودة قيمة AUC

وضعت الأدبيات الإحصائية والسيكومترية المتقدمة (مثل المبادئ المعيارية التي أرساها هوسمر وليمشو، 2013؛ وسويتس، 1988) تصنيفات ومعايير إرشادية مقننة للحكم الأكاديمي والسريري على جودة وقوة قيمة AUC المستخرجة من جدول مخرجات SPSS:

• 0.90 إلى 1.00 (أداء ممتاز / Excellent): يمتلك المقياس قدرة تمييزية استثنائية وفائقة تتيح استخدامه بموثوقية عالية جداً في التشخيص الإكلينيكي الفردي واتخاذ القرارات المصيرية.
• 0.80 إلى 0.89 (أداء جيد جداً / Good): يعكس قدرة تمييزية قوية ومناسبة تماماً لمعظم التطبيقات التشخيصية في العلوم النفسية والسلوكية والمقابلات السريرية.
• 0.70 إلى 0.79 (أداء مقبول / Fair): يمتلك المقياس قدرة تمييزية مقبولة تصلح لأغراض المسح المبدئي والفحص الاستكشافي، ولكنه يحمل نسبة خطأ لا تسمح بالاعتماد عليه منفرداً في التشخيص النهائي.
• 0.60 إلى 0.69 (أداء ضعيف / Poor): قدرة تمييزية متدنية وغير مقنعة إحصائياً، ويعاني المقياس من تداخل كبير بين توزيعات درجات المصابين والأسوياء.
• 0.50 إلى 0.59 (أداء غير مفيد / Fail): تصنيف فاشل لا يختلف جوهرياً عن التخمين العشوائي ويفتقر لأي صلاحية تطبيقية.

يجدر بالباحث تكييف هذه المعايير الجامدة بناءً على السياق البحثي وحرجية المجال؛ ففي بعض مجالات القياس النفسي العصبي والتنبؤ بالسلوكيات النادرة والمعقدة، قد تُعد قيمة AUC البالغة (0.75) إنجازاً علمياً وتطبيقياً كبيراً، في حين تشترط فحوصات الدم الوراثية والمؤشرات الحيوية الدقيقة للأورام قيماً لا تقل عن (0.95) لكي تعتمد في الممارسة الطبية.

8.3 تفسير الدلالة الإحصائية ومجالات الثقة لـ AUC

يعرض جدول Area Under the Curve في مخرجات SPSS عدداً من المؤشرات الإحصائية الاستدلالية المرافقة لقيمة المساحة المقدرة، والتي تتطلب قراءة نقدية دقيقة وفق قواعد الاستدلال الإحصائي:

أولاً: اختبار الفرضية الصفرية (Null Hypothesis Test): يختبر البرنامج الفرضية الصفرية الإحصائية القائلة بأن: “المساحة الحقيقية تحت المنحنى في المجتمع الأصلي تساوي 0.50” (أي: H0: AUC = 0.50). يتم تقييم هذه الفرضية من خلال قراءة عمود الدلالة الإحصائية المقاربة المسمى Asymptotic Sig. (أو p-value). إذا كانت القيمة المحسوبة أقل من مستوى الدلالة المعتمد عالمياً (p < .05 أو p < .001)، فإننا نرفض الفرضية الصفرية بثقة، ونستنتج أن المقياس يمتلك قدرة تمييزية حقيقية تتفوق بشكل ذي دلالة إحصائية على مستوى الصدفة المجردة.

ثانياً: مجالات الثقة المقاربة (Asymptotic 95% Confidence Interval): يقدم SPSS الحد الأدنى (Lower Bound) والحد الأعلى (Upper Bound) لفترة الثقة المقدرة للمساحة بنسبة 95%. تشكل فترة الثقة المعيار الإحصائي الأكثر صرامة وموثوقية لتعميم النتائج؛ حيث يجب على الباحث التحقق من عدم احتواء فترة الثقة 95% على القيمة 0.50 بين حديها الأدنى والأعلى. فإذا كان الحد الأدنى لفترة الثقة أكبر من 0.50 (مثال: 95% CI [0.78, 0.92])، دل ذلك على ثبات وقوة القدرة التمايزية للمقياس حتى عند أسوأ السيناريوهات الاحتمالية، في حين يشير امتداد فترة الثقة لتشمل 0.50 (مثال: 95% CI [0.48, 0.74]) إلى عدم استقرار النموذج وضعف حجم العينة أو تشتت الدرجات مما يحول دون إمكانية تعميم قدرته التمييزية.

9. تحديد النقطة الفاصلة المثالية (Optimal Cutoff Point) وإحداثيات المنحنى

9.1 تحليل جدول إحداثيات منحنى ROC في SPSS

يعد جدول Coordinates of the Curve الناتج في مخرجات SPSS المنجم التحليلي الذي يستخرج منه الباحث القرارات الإكلينيكية المعيارية. يتكون هذا الجدول من ثلاثة أعمدة رئيسية مرتبة رأسياً تضم مئات الصفوف التي تمثل كافة القيم الحدية المتسلسلة لمتغير الاختبار:

الأعمدة الثلاثة هي:

• نقطة القطع الإيجابية (Positive if Greater Than or Equal To): يمثل هذا العمود القيم العددية المقترحة لنقاط القطع. تجدر الإشارة إلى أن SPSS يحسب نقاط القطع كمتوسط حسابي بين كل قيمتين متتاليتين متجاورتين في مجموعة البيانات الفعلية (مثال: إذا كانت الدرجات المسجلة هي 14 و 15، فإن نقطة القطع المقترحة في الجدول ستكون 14.50).
• الحساسية (Sensitivity): تمثل نسبة الحالات الإيجابية المصابة التي سيتم كشفها وتصنيفها بشكل صحيح إذا اعتمدنا الدرجة المقابلة كنقطة قطع للاختبار.
• 1 – النوعية (1 – Specificity): تمثل نسبة الحالات السليمة غير المصابة التي سيتم تصنيفها خطأً كإيجابية (الإنذارات الكاذبة) عند اعتماد نقطة القطع المقابلة. لحساب النوعية الحقيقية (Specificity) لكل صف، يقوم الباحث ببساطة بطرح القيمة المكتوبة في هذا العمود من الواحد الصحيح: Specificity = 1 – (1 – Specificity).

عند تتبع الجدول من أعلى إلى أسفل، يلاحظ الباحث بسهولة القانون الديناميكي العكسي للتشخيص: كلما اتجهنا نحو نقاط قطع أعلى، انخفضت الحساسية وتناقصت معها معدلات الإيجابية الكاذبة (أي ارتفعت النوعية)، والعكس صحيح تماماً عند الاتجاه نحو نقاط قطع متدنية. تكمن مهمة الباحث في تحديد الصف الذي يحقق التوازن الاستراتيجي الأمثل بين هذين المؤشرين المتعارضين بحسب الغرض من تطبيق المقياس.

9.2 تطبيق مؤشر يودن (Youden’s Index) رياضياً

يعد مؤشر يودن (Youden’s J statistic)، الذي ابتكره عالم الإحصاء ويليام يودن (Youden, 1950)، الأسلوب الرياضي والموضوعي الأكثر شيوعاً واعتماداً في القياس الطبي والسيكومتري لتحديد النقطة الفاصلة المثالية (Optimal Cutoff Point) على منحنى ROC دون أي انحياز ذاتي من الباحث.

تُعرّف المعادلة الرياضية لمؤشر يودن (J) على النحو التالي:

J = Sensitivity + Specificity – 1

وبما أن جدول إحداثيات SPSS يعرض عمود (1 – Specificity) مباشرة، يمكن صياغة المعادلة مكافئة بالشكل التالي:

J = Sensitivity – (1 – Specificity)

تتراوح القيمة النظرية لمؤشر يودن بين 0 (غياب الفعالية التمييزية) و 1 (التمييز المثالي المطلق). تمثل النقطة الفاصلة المثلى هندسياً تلك النقطة الواقعة على منحنى ROC والتي تمتلك أقصى مسافة رأسية عمودية بعيداً عن الخط القطري المرجعي للأداء العشوائي.

لحساب مؤشر يودن بدقة وتحديد نقطة القطع الفضلى عملياً، يمكن للباحث تصدير جدول إحداثيات المنحنى من SPSS إلى برنامج Microsoft Excel، أو معالجته مباشرة داخل SPSS، وتطبيق الخطوات الإجرائية التالية:

• إنشاء عمود حسابي جديد وتطبيق معادلة مؤشر يودن: بطرح قيم عمود (1 - Specificity) من عمود Sensitivity لكل صف من صفوف الجدول.
• استخدام دالة القيمة العظمى (MAX Function) لتحديد أعلى قيمة عددية ناتجة لمؤشر يودن (J max) في كامل العمود.
• تحديد نقطة القطع المقابلة لأعلى قيمة لـ J؛ فتكون هي “نقطة القطع المثلى رياضياً” التي تضمن تعظيم الحساسية والنوعية معاً بأعلى كفاءة متكافئة ممكنة.

9.3 الموازنة بين كلفة الإيجابية الكاذبة والسلبية الكاذبة

على الرغم من الأناقة الرياضية لمؤشر يودن، إلا أنه يفترض ضمناً فرضية نظرية نادراً ما تتحقق بالكامل في الميدان الإكلينيكي والسلوكي؛ وهي أن تكلفة الخطأ الناتج عن السلبية الكاذبة (FN) تتساوى تماماً مع تكلفة الخطأ الناتج عن الإيجابية الكاذبة (FP)، وأن نسبة انتشار الاضطراب متوازنة. لذلك، يجب ألا يُطبق مؤشر يودن بشكل أعمى، بل يتعين دمجه مع تحليل المنفعة والتكلفة السريرية (Clinical Cost-Benefit Analysis).

في سياقات الفرز النفسي الحرج عالي الخطورة، مثل أدوات تقييم خطورة الإقدام على الانتحار، إيذاء الذات، أو كشف العنف الأسري، تكون التكلفة الإنسانية للسلبية الكاذبة (تفويت حالة انتحارية) فادحة ولا يمكن تعويضها. في مثل هذه الدراسات، يوجه القرار الإحصائي نحو تحديد عتبة قطع منخفضة تقع أسفل نقطة يودن المثالية؛ لضمان رفع الحساسية إلى أقصى حد ممكن (مثال: Sensitivity ≥ 95%)، وقبول زيادة نسبة الإيجابيات الكاذبة كضريبة مقبولة ومبررة لحماية الأرواح وإخضاع كافة الحالات المشكوك فيها للتقييم المعمق.

في المقابل، عندما يُستخدم المقياس لفرز مرشحين لوظائف حساسة (مثل اختيار الطيارين أو القضاة)، أو عند تقييم أهواء تشخيصية يترتب عليها وصمة نفسية مدمرة أو وصف أدوية علاجية شديدة السمية وذات تكلفة مالية باهظة، يميل الباحث نحو رفع عتبة القطع أعلى من نقطة يودن؛ لتعظيم النوعية (مثال: Specificity ≥ 95%) وتقليل معدل الإيجابيات الكاذبة إلى أدنى مستوياته، لضمان ألا يُصنف أي شخص سليم كحالة مرضية إلا في ظل توفر أدلة قاطعة لا تقبل الشك.

10. مقارنة عدة نماذج أو أدوات قياس باستخدام SPSS

10.1 إدخال اختبارات متعددة في نفس نموذج التحليل

يتيح برنامج SPSS ميزة منهجية قوية تُمكّن الباحث من فحص ومقارنة الكفاءة التمييزية لعدة مقاييس نفسية أو نماذج تنبؤية مشتقة في وقت واحد ضمن نفس التحليل ونفس الشروط المنهجية، مما يوفر منصة مقارنة عادلة ومباشرة.

لتنفيذ هذه المقارنة المتعددة عبر واجهة SPSS:

• افتح نافذة التحليل عبر المسار: Analyze > Classify > ROC Curve.
• قم بتظليل كافة المتغيرات الكمية المراد مقارنتها في القائمة اليسرى (مثال: مقياس بيك للاكتئاب BDI_Score، مقياس هاملتون للاكتئاب HAMD_Score، ومقياس الاكتئاب والقلق والضغوط DASS_Depression).
• انقل كافة هذه المتغيرات دفعة واحدة إلى حقل Test Variable.
• انقل متغير المعيار الذهبي الموحد إلى حقل State Variable وحدد قيمته الإيجابية في حقل Value of State Variable.
• تأكد من تفعيل كافة خيارات العرض البياني والجداول الإحصائية المرافقة ثم اضغط على OK.

يقوم البرنامج في هذه الحالة بتوليد مخطط بياني متراكب يتضمن منحنى ROC مستقلاً وملوناً لكل مقياس مدرج، إلى جانب جدول موحد للمساحة تحت المنحنى (Area Under the Curve) يشتمل على قيم AUC، والخطأ المعياري، والدلالة الإحصائية، ومجالات الثقة 95% لكافة المقاييس جنباً إلى جنب، مما يتيح قراءة مقارنة سريعة للأداء التمييزي النسبي لكل أداة.

10.2 المقارنة الإحصائية بين قيم AUC المترابطة

عند تقييم مقاييس متعددة طُبقت على نفس العينة من المفحوصين، تكون قيم AUC الناتجة مترابطة إحصائياً (Correlated / Paired AUCs) وليست مستقلة. يكمن القصور المنهجي في إجراءات SPSS الافتراضية (عبر أمر ROC التقليدي) في أنها تقدم فترات ثقة ودلالة إحصائية لكل منحنى بمعزل عن الآخر، ولكنها لا تجري اختباراً إحصائياً مباشراً لاختبار الفروق بين قيم AUC المترابطة للإجابة عن السؤال: “هل الفرق الملاحظ بين AUC للمقياس الأول و AUC للمقياس الثاني دال إحصائياً أم يعود للتباين العيني العشوائي؟”.

لتجاوز هذا القيد، يعتمد الباحثون على الأساليب الإحصائية المتقدمة التالية:

الأسلوب الأول: تطبيق اختبار ديلونج (DeLong’s Test): وهو الأسلوب البارامتري غير المقيد بتوزيع الأكثر موثوقية عالمياً لمقارنة منحنيات ROC المترابطة (DeLong et al., 1988). يمكن تنفيذ اختبار DeLong داخل بيئة SPSS عبر نافذة ROC Analysis المتقدمة المتاحة في الإصدارات الحديثة (SPSS v28+)، أو من خلال تثبيت إضافات برمجية متخصصة قائمة على لغة R (R-Integration Plugin for SPSS) مثل حزمة pROC، والتي تحسب قيمة z والدلالة الإحصائية الدقيقة للفروق بين المساحات تحت المنحنيات المترابطة.

الأسلوب الثاني: مقارنة النماذج عبر الانحدار اللوجستي المتسلسل: عند الرغبة في معرفة ما إذا كانت إضافة أداة قياس جديدة تضيف قدرة تمييزية تزايدية ذات دلالة إحصائية (Incremental Validity) فوق مقياس موجود، يمكن بناء نموذج انحدار لوجستي ثنائي أساسي، ثم بناء نموذج انحدار موسع يضم الأداة الجديدة، ومقارنة الفرق بين قيم AUC للنموذجين إلى جانب اختبار التغير في مربع كاي (Chi-Square Likelihood Ratio Test) للمفاضلة الصارمة بين النماذج التنبؤية.

10.3 تفسير النتائج التفاضلية بين الأدوات المقارنة

يتطلب التفسير العلمي للنتائج التفاضلية بين أدوات القياس قراءة شمولية تدمج الدلالة الإحصائية مع الدلالة الإكلينيكية والعملية:

إذا أظهر التحليل الإحصائي المقارن تفوقاً ذا دلالة إحصائية واضحة لمقياس معين في قيمة AUC (مثال: مقياس A حقق AUC = 0.91 مقابل AUC = 0.82 للمقياس B بفارق دال إحصائياً p < .01)، فإن النتيجة تدعم بقوة اعتماد المقياس A كأداة تشخيصية رئيسية متفوقة قدرتها التمييزية على فرز الحالات بدقة أعلى وتقليل هامش الخطأ الإجمالي.

أما في الحالات التي تسفر فيها المقارنة عن تكافؤ تشخيصي إحصائي (عدم وجود فروق ذات دلالة إحصائية بين قيم AUC لمقياسين أو نموذجين)، فإن القرار السيكومتري ينتقل مباشرة إلى معايير الكفاءة التطبيقية والأعباء القياسية؛ حيث يُفضل المقياس الذي يتسم بالخصائص التالية:
1) عدد بنود أقل يقلل من إجهاد المفحوص ومقاومته للتقييم،
2) سهولة وبساطة في إجراءات التطبيق والتصحيح اليدوي أو الإلكتروني،
3) توافر حقوق استخدام مجانية أو كلفة اقتصادية منخفضة في الميدان السريري،
4) تحقيقه لتوازن أفضل في نقاط القطع من حيث تماثل الحساسية والنوعية بما يلائم الأهداف التطبيقية للمؤسسة.

11. الأخطاء الشائعة والافتراضات المنهجية في تحليل ROC

11.1 الأخطاء الإجرائية في تحديد اتجاه المتغيرات وترميزها

تعد الأخطاء الإجرائية في ترميز البيانات وتحديد اتجاهات المتغيرات من أكثر العثرات المنهجية شيوعاً التي يقع فيها الباحثون المبتدئون عند إجراء تحليل ROC في SPSS، والتي تقود إلى مخرجات مشوهة وتفسيرات علمية خاطئة بالكامل.

يتمثل الخطأ الأول في عكس ترميز متغير الحالة (State Variable Inversion): كأن يقوم الباحث بترميز الشخص السليم برقم 1 والمريض المصاب برقم 0 في نافذة Variable View، ثم يحدد القيمة 1 في نافذة تحليل ROC بوصفها الحالة الإيجابية. يؤدي هذا الخلل إلى قيام البرنامج بحساب حساسية الاختبار على أنها قدرته على كشف الأصحاء ونوعيته على أنها قدرته على كشف المرضى، مما يقلب مفاهيم التحليل ويشوه جداول الإحداثيات ونقاط القطع تماماً.

يتمثل الخطأ الثاني في تجاهل اتجاه درجات مقياس الاختبار (Scale Direction Inversion): يحدث هذا عند استخدام مقاييس سيكومترية مصممة بحيث تدل درجاتها المنخفضة على وجود المرض أو التدهور السلوكي والمعرفي (مثل مقاييس جودة الحياة أو بطاريات الذاكرة)، مع ترك خيار اتجاه الاختبار الافتراضي في SPSS (Larger test result indicates more positive test). يسفر هذا الخطأ عن ظهور منحنى ROC مقلوب بالكامل تحت الخط القطري المرجعي، وحصول الباحث على قيمة مساحة تحت المنحنى متدنية جداً (مثال: AUC = 0.22).

يمكن معالجة هذه المشكلة فوراً بإحدى طريقتين صحيحتين: إما بإعادة فتح نافذة التحليل واختيار Smaller test result indicates more positive test، أو بإعادة حساب الدرجات رياضياً عبر أمر Transform > Compute Variable لإنشاء متغير معكوس الدرجات يضمن توافق الدرجات المرتفعة مع الحالات الإيجابية قبل التحليل.

11.2 تأثير عدم توازن المجموعات (Class Imbalance)

يحدث عدم توازن الفئات أو المجموعات (Class Imbalance Problem) عندما تتفاوت أعداد الحالات الإيجابية والسلبية في عينة الدراسة تفاوتاً هائلاً؛ كأن تتضمن العينة 950 شخصاً سليماً مقابل 50 شخصاً مصاباً بالاضطراب فقط (نسبة انتشار 5%). على الرغم من أن منحنى ROC يتميز نظرياً باستقلاليته عن معدل الانتشار؛ إلا أن اللاتوازن الشديد يفرض تحديات منهجية بالغة التأثير على استقرار تقدير المخرجات.

في حالات اللاتوازن الحاد، قد يعطي منحنى ROC وقيمة AUC تقييماً مفرطاً في التفاؤل والجاذبية (Overly Optimistic Interpretation) حول كفاءة النموذج؛ والسبب في ذلك يعود إلى أن المحور الأفقي يعتمد على معدل الإيجابية الكاذبة المنسوب إلى الحالات السلبية الكثيرة جداً: FPR = FP / (FP + TN). فعندما يكون عدد الأصحاء (TN) كبيراً جداً بالآلاف، فإن حدوث عدد معتبر من الأخطاء الإيجابية الكاذبة (FP = 50 مثلاً) سيظل ينتج عنه معدل FPR صغيراً جداً، مما يجعل المنحنى يبدو قريباً من المحور الرأسي ومساحته مرتفعة، في حين أن الدقة العملية للاختبار في الميدان الفعلي ستكون ضعيفة ومصحوبة بقيمة تنبؤية إيجابية (PPV) متدنية للغاية ومغمورة بالإنذارات الكاذبة.

يوصى منهجياً في مثل هذه الحالات الشديدة بعدم الاكتفاء بمنحنى ROC وحده، بل تعزيزه بحساب منحنى الدقة والاستدعاء (Precision-Recall Curve – PR Curve)، ومراقبة القيمة التنبؤية الإيجابية، واستخدام استراتيجيات المعاينة الإحصائية المتوازنة (مثل تقنيات الاستعيان الفوقي للحالات النادرة SMOTE أو الاستعيان التحتي للحالات الشائعة) لتحقيق استقرار تحليلي أفضل.

11.3 مخاطر الإفراط في التوفيق (Overfitting) وتعميم النتائج

يقع العديد من الباحثين في فخ منهجي جسيم يتمثل في استخراج منحنى ROC، حساب قيمة AUC، وتحديد نقطة القطع المثلى على نفس العينة البحثية المفردة التي استُخدمت لبناء النموذج وتطوير بنود المقياس، ثم الادعاء بقدرة الأداة على العمل بنفس الكفاءة في الميدان العام. يُعرف هذا الخطأ باسم “التفاؤل التحليلي” الناتج عن الإفراط في التوفيق (Overfitting Bias).

يؤدي استخدام نفس بيانات التطوير في التقييم إلى تفصيل نقاط القطع والوزن التنبئي للنموذج ليتناسب مع الخصائص والتباينات العشوائية الدقيقة لتلك العينة المحددة، مما يؤدي إلى تضخيم زائف لقيمة AUC. وعند تطبيق نفس نقطة القطع المحددة على عينة سكانية جديدة ومستقلة، يلاحظ الباحث تدهوراً حاداً في الحساسية والنوعية وفشلاً في إعادة إنتاج نفس مستويات الدقة.

لتفادي هذا الفخ وضمان قابلية تعميم النتائج والصدق الخارجي (External Validity)، يتعين على الباحثين اتباع الممارسات المنهجية الرصينة التالية:
1) تقسيم العينة عشوائياً إلى عينتين مستقلتين: عينة استكشافية للبناء والمعايرة (Derivation / Training Sample) بنسبة 70% مثلاً، وعينة توكيدية مستقلة للتحقق (Validation / Testing Sample) بنسبة 30% لتطبيق نقاط القطع وفحص ثبات AUC عليها،
2) استخدام أساليب التحقق المتقاطع كتقنية التدريب التبادلي (k-fold Cross-Validation) أو أسلوب إعادة العينات بالحذاء الإحصائي (Bootstrap Resampling) لتقدير فترات ثقة موثوقة للمساحة ونقاط القطع تعكس المجتمع الأصلي بدقة،
3) توثيق حدود تعميم نقاط القطع في متن التقرير والتأكيد على ضرورة معايرتها محلياً عند نقل الأداة إلى بيئات ثقافية أو عيادية متباينة.

12. توثيق وكتابة نتائج منحنى ROC وفق دليل أسلوب APA

12.1 صياغة الفقرة التقريرية للنتائج في المتن الأكاديمي

يتطلب توثيق نتائج تحليل منحنى ROC وفق الدليل الإرشادي لجمعية علم النفس الأمريكية (APA Style – 7th Edition) صياغة تقريرية أكاديمية متماسكة ومكثفة، تتضمن كافة المؤشرات الإحصائية النقطية والاستدلالية، وتصف الكفاءة التمييزية ونقطة القطع بدقة متناهية دون إسهاب إنشائي غير مبرر.

يجب أن تشتمل الفقرة الأكاديمية النموذجية في متن فصل النتائج على العناصر التالية مرتبة منهجياً:

1) تحديد الهدف من التحليل والمتغيرات المستخدمة (متغير الاختبار ومتغير المحك الذهبي)،
2) الإبلاغ عن قيمة المساحة تحت المنحنى (AUC)، متبوعة بقيمة الخطأ المعياري (SE)،
3) توثيق فترة الثقة 95% بدقة بين قوسين معقوفين [الحد الأدنى، الحد الأعلى]،
4) الإبلاغ عن مستوى الدلالة الإحصائية المقارب (p-value)،
5) تحديد نقطة القطع المثلى المختارة بناءً على مؤشر يودن، مع الإبلاغ عن قيم الحساسية (Sensitivity) والنوعية (Specificity) الناتجة عند هذه النقطة.

نموذج تطبيقي للصياغة الأكاديمية وفق معايير APA 7:

“أُجري تحليل منحنى خصائص تشغيل المستقبِل (ROC Curve) لتقييم القدرة التمييزية لدرجات مقياس الاكتئاب في الكشف عن الحالات المشخصة سريرياً باضطراب الاكتئاب الجسيم (MDD). أظهرت النتائج أن المقياس يمتلك قدرة تمييزية ممتازة وذات دلالة إحصائية عالية، حيث بلغت المساحة تحت المنحنى (AUC = .88, SE = .03, 95% CI [.82, .94], p < .001). وبناءً على أقصى قيمة لمؤشر يودن (Youden’s J = .68)، حُددت النقطة الفاصلة المثالية للمقياس عند الدرجة (≥ 18.50)؛ حيث حققت هذه العتبة حساسية تشخيصية بلغت .85 ونوعية بلغت .83، مما يجعلها نقطة القطع الموصى بها لأغراض الفرز العيادي.”

12.2 تصميم جداول النتائج التشخيصية وفق معايير APA 7

يشترط دليل أسلوب APA في نسخته السابعة معايير طباعية وبنائية صارمة لتصميم الجداول الإحصائية؛ حيث تُحظر الخطوط الرأسية الفاصلة بين الأعمدة نهائياً، ويقتصر التصميم على ثلاثة خطوط أفقية رئيسية مصمتة: خط أعلى ترويسة الجدول، خط أسفل الترويسة، وخط فاصل أسفل نهاية الجدول قبل الملاحظات التفسيرية.

يُنظم جدول نتائج إحداثيات ونقاط القطع التشخيصية لمنحنى ROC وفق النموذج الهيكلي الموضح أدناه:

جدول 1: المؤشرات التشخيصية ونقاط القطع لمقياس الاكتئاب عند عتبات قياس مختارة

نقطة القطع (Cutoff)	الحساسية (Sensitivity)	النوعية (Specificity)	1 – النوعية (1 – Spec.)	مؤشر يودن (Youden’s J)
15.50	.94	.68	.32	.62
16.50	.91	.74	.26	.65
18.50*	.85	.83	.17	.68
20.50	.76	.89	.11	.65
22.50	.62	.95	.05	.57

ملاحظة. حجم العينة الكلي N = 350 (المجموعة الإيجابية n = 120، المجموعة الضابطة n = 230). تشير علامة النجمة (*) إلى نقطة القطع المثلى المحسوبة بناءً على أعلى قيمة لمؤشر يودن (J max). تم استخراج القيم باستخدام برنامج IBM SPSS Statistics.

12.3 إدراج وتوثيق المخطط البياني لمنحنى ROC في البحث

عند إدراج الشكل البياني لمنحنى ROC داخل تقرير البحث أو الرسالة العلمية، يجب الالتزام بالمعايير الشكلية والتنسيقية المعتمدة في دليل APA 7:

تتضمن القواعد التوثيقية للشكل البياني ما يلي:

• ترقيم الشكل وعنوانه: يُكتب رقم الشكل في سطر مستقل أعلى الرسم بخط عريض، مثل: شكل 1 (أو Figure 1)، يليه في السطر التالي مباشرة عنوان وصفي مائل وموجز للشكل، مثل: منحنى خصائص تشغيل المستقبِل (ROC) لمقياس الاكتئاب في التمييز بين الحالات الإكلينيكية والضابطة.
• وضوح معالم الشكل: التأكد من كتابة تسميات المحاور بوضوح تام وتضمين وحدات القياس (0.0 إلى 1.0)، وظهور الخط المرجعي القطري متقطعاً بوضوح لتمييزه عن منحنى الاختبار الفعلي.
• ملاحظة أسفل الشكل (Figure Note): يُدرج نص توضيحي أسفل المخطط البياني يبدأ بكلمة ملاحظة (أو Note) بخط مائل، يوضح فيها الباحث دلالة الخطوط المضمنة؛ كأن يكتب: “ملاحظة. يمثل الخط المصمت أداء مقياس الاكتئاب، بينما يمثل الخط المتقطع خط الصدفة المرجعي القطري (AUC = .50). المساحة تحت المنحنى AUC = .88 (95% CI [.82, .94]).”

خاتمة

يمثل تحليل منحنى خصائص تشغيل المستقبِل (ROC Curve) في برنامج SPSS أداة إحصائية ومنهجية بالغة القوة والأهمية؛ حيث يدمج بين الرؤية البصرية الشاملة والتقدير الرياضي الدقيق لتقييم كفاءة الاختبارات التشخيصية والنماذج التنبؤية في العلوم النفسية والسلوكية والطبية. لقد استعرض هذا الدليل المتكامل كيف يتيح المنحنى للباحث تجاوز القيود الصارمة للمقاييس التقليدية، وفهم الديناميكية التبادلية بين الحساسية والنوعية ومصفوفة الارتباك، وحساب المساحة تحت المنحنى (AUC) بوصفها مقياساً موضوعياً مستقلاً عن معدلات الانتشار.

كما بينّا الخطوات التقنية الدقيقة لإعداد البيانات وإجراء التحليل عبر واجهة البرنامج وكود Syntax، وضبط الخيارات الاتجاهية والبيانية المتقدمة، وقراءة مخرجات الجداول الإحصائية لاستخراج النقطة الفاصلة المثلى عبر مؤشر يودن (Youden’s Index) مع مراعاة كلفة القرارات السريرية وسياقاتها التطبيقية. إن التوظيف الواعي والملتزم بالضوابط المنهجية لتحليل ROC، وتفادي أخطاء الترميز وعدم توازن الفئات، والتوثيق الأكاديمي الرصين وفق معايير APA 7th Edition، يضمن للباحثين تقديم دراسات علمية محكمة ذات موثوقية عالية تسهم بفاعلية في تطوير أدوات القياس والارتقاء بجودة القرارات التشخيصية في الميدان العملي.

المراجع (References)

• DeLong, E. R., DeLong, D. M., & Clarke-Pearson, D. L. (1988). Comparing the areas under two or more correlated receiver operating characteristic curves: A nonparametric approach. Biometrics, 44(3), 837–845. https://doi.org/10.2307/2531595
• 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
• Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied Logistic Regression (3rd ed.). John Wiley & Sons. https://doi.org/10.1002/9781118548387
• IBM Corporation. (2021). IBM SPSS Statistics 28 Core System User’s Guide. IBM Corp. https://www.ibm.com/docs/en/spss-statistics
• Lusted, L. B. (1971). Signal detectability and medical decision-making. Science, 171(3977), 1217–1219. https://doi.org/10.1126/science.171.3977.1217
• Swets, J. A. (1988). Measuring the accuracy of diagnostic systems. Science, 240(4857), 1285–1293. https://doi.org/10.1126/science.3287615
• Tanner, W. P., & Swets, J. A. (1954). A decision-making theory of visual detection. Psychological Review, 61(6), 401–409. https://doi.org/10.1037/h0058700
• Youden, W. J. (1950). Index for rating diagnostic tests. Cancer, 3(1), 32–35. <a href="https://doi.org/10.1002/1097-0142(1950)3:13.0.co;2-3″ target=”_blank” rel=”noopener noreferrer”>https://doi.org/10.1002/1097-0142(1950)3:1<32::aid-cncr2820030106>3.0.co;2-3
• Zweig, M. H., & Campbell, G. (1993). Receiver-operating characteristic (ROC) plots: A fundamental evaluation tool in clinical medicine. Clinical Chemistry, 39(4), 561–577. https://doi.org/10.1093/clinchem/39.4.561