كيفية إنشاء مخطط الصندوق الأفقي في إكسيل

تُعد عملية استكشاف البيانات الكمية وتحليلها بصرياً ركيزة لا غنى عنها في الأبحاث السلوكية والعلوم الاجتماعية المعاصرة. فعند دراسة الظواهر النفسية المعقدة، مثل قياس الاستجابات العاطفية، والوظائف المعرفية، ومستويات القلق، وسرعة اتخاذ القرار المعجمي، يواجه الباحث تحدياً جوهرياً يتمثل في طبيعة التوزيعات الاحتمالية للبيانات التجريبية، والتي نادراً ما تتبع التوزيع الطبيعي المعياري بدقة تامة. هنا تبرز القيمة المنهجية لمخطط الصندوق والشاربين بوصفه أداة إحصائية بصرية بالغة الرصانة، تختزل توزيع الدرجات عبر مقاييس النزعة المركزية والتشتت دون إغفال التفرطح أو الالتواء أو القيم المتطرفة.

وعلى الرغم من التطور التقني الهائل في برمجيات التحليل الإحصائي، يظل برنامج ميكروسوفت إكسيل (Microsoft Excel) المنصة الأكثر استخداماً وانتشاراً بين الأكاديميين والممارسين لإدارة البيانات وتحليلها المبدئي. إلا أن الباحثين في العلوم النفسية يواجهون قيداً برمجياً مزعجاً في الحزم القياسية لإكسيل؛ حيث تقتصر أداة مخطط الصندوق التلقائية على التوجيه الرأسي فقط، مما يفرض تحديات بصرية وتنسيقية كبرى عند مقارنة مجموعات تجريبية متعددة، أو عند التعامل مع مسميات المقاييس السيكومترية الطويلة والمعقدة. يتطلب التغلب على هذا التحديد فهماً هندسياً دقيقاً لكيفية بناء مخطط صندوق أفقي مخصص عبر دمج المخططات الشريطية التراكمية مع أشرطة الخطأ الرياضية.

يقدم هذا الدليل المرجعي الشامل تفصيلاً رياضياً وتطبيقياً خطوة بخطوة لهندسة وتصميم مخطط الصندوق الأفقي الاحترافي داخل بيئة ميكروسوفت إكسيل، متوافقاً مع أرقى معايير النشر الأكاديمي الصادرة عن جمعية علم النفس الأمريكية (APA). سنستعرض الأساس النظري الخماسي للرسم، مروراً بالهيكلة المتقدمة للجداول المرجعية، وصياغة الدوال الرياضية الدقيقة، وصولاً إلى المعالجات التنسيقية المتقدمة وتفسير المخرجات السيكومترية بدقة منهجية واضحة.

1. مقدمة نظرية حول مخطط الصندوق الأفقي وأهميته في القياس النفسي

1.1 ماهية مخطط الصندوق والشاربين ودوره في تلخيص التوزيعات

يمثل مخطط الصندوق والشاربين (Box-and-Whisker Plot) أحد أبرز إسهامات التحليل الاستكشافي للبيانات (Exploratory Data Analysis – EDA) في الإحصاء الحديث، وهو التمثيل البياني الذي ابتكره عالم الإحصاء الأمريكي جون توكي (John Wilder Tukey) خلال سبعينيات القرن العشرين، لتقديم ملخص بصري فوري ومتين لخصائص المتغيرات الكمية المستمرة. يعتمد المخطط في جوهره على تقسيم البيانات المرصودة إلى مناطق مئينية محددة، تتيح للباحث استيعاب معالم المجتمع الإحصائي المسحوب منه دون الحاجة إلى افتراض اعتدالية التوزيع مسبقاً.

وتتجلى أهمية التوجيه الأفقي للمخطط، مقارنة بالنمط العمودي التقليدي، عند تحليل البيانات السريرية والتجريبية التي تتضمن مقارنة مجموعات علاجية متعددة؛ مثل مقارنة مجموعة ضابطة بعدة مجموعات تتلقى تدخلاً دوائياً أو سلوكياً معرفياً. فعندما تُعرض المجموعات على المحور الرأسي وتمتد أشرطة الاستجابة على المحور الأفقي، يصبح الفحص البصري لحركة الوسيط والانتشار الربيعي أكثر راحة لمنظومة الإدراك البصري البشري، التي تميل بطبيعتها إلى تتبع الفروق الامتدادية الأفقية في مستويات الأداء السلوكي والزمني.

علاوة على ذلك، يمتلك مخطط الصندوق قدرة استثنائية على كشف التماثل (Symmetry) والالتواء (Skewness) والتفرطح (Kurtosis) الكامن في درجات الاختبارات النفسية. فإذا كان التوزيع ملتفاً نحو اليمين (التواء إيجابي)، ينزاح خط الوسيط تلقائياً نحو قاعدة الصندوق السفلى (أو اليسرى في المخطط الأفقي)، بينما يستطيل الشارب المعاكس دالاً على ذيل طويل من الاستجابات المرتفعة، وهو ما يرصده الباحثون دورياً في أزمنة الرجع واستجابات المهام اللغوية المعقدة (Keuleers et al., 2011).

1.2 مبررات استخدام الاتجاه الأفقي في البحوث السلوكية والاجتماعية

تفرض الطبيعة الخاصة للمتغيرات في البحوث النفسية والاجتماعية متطلبات تصميمية محددة. فالأدوات السيكومترية تشتمل غالباً على مسميات تفصيلية للأبعاد المقاسة؛ كأن يحمل المتغير اسماً مثل “مقياس تنظيم الانفعال المعرفي: بعد إعادة التقييم الإيجابي”، أو “زمن الاستجابة الحركية تحت وطأة الإجهاد الحاد”. يؤدي استخدام المخطط العمودي في هذه الحالات إلى تكدس النصوص على المحور الأفقي، واضطرار الباحث إلى تدوير العناوين بزاوية مائلة تجعل قراءتها عسيرة ومجهدة، أو اللجوء إلى اختصارات رقمية مبهمة تضعف شفافية العرض البياني.

يتيح التوجيه الأفقي وضع هذه التسميات الطويلة والمعقدة على المحور الرأسي بمحاذاة أفقية طبيعية ومريحة، مما يدعم القراءة المباشرة من اليمين إلى اليسار أو من اليسار إلى اليمين دون أي انقطاع إدراكي. كما أن المحور الأفقي يصبح مخصصاً لدرجات المقياس الفعلية أو وحدات الزمن؛ وهو ما يحاكي المنطق الطبيعي لخطوط الأداء الزمني والدرجات المعيارية المستمرة، حيث تتطابق الزيادة في السمة المقاسة مع الحركة نحو اليمين، متناغمة مع نماذج الإدراك البصري للأطر المرجعية المكانية (Hoffman et al., 2015).

يتوافق هذا التنسيق أيضاً مع المعايير الصارمة لدليل النشر الصادر عن جمعية علم النفس الأمريكية (APA Style Manual)، والذي يشدد على ضرورة جعل الأشكال التوضيحية قائمة بذاتها، واضحة الدلالة، وخالية من الحشو البصري. وتتطلب تقارير الحالات الفردية والتصاميم التجريبية المتداخلة تحليلاً بصرياً ممنهجاً يتيح تقييم اتجاهات البيانات ومستويات التشتت داخل المجموعات عبر جلسات التدخل المتتالية بدقة لا توفرها المخططات البيانية العمودية المكتظة (Ledford et al., 2017).

1.3 مقارنة بين الدعم الأصلي في إكسيل والحاجة إلى البناء اليدوي للأفقي

شهدت حزمة برمجيات ميكروسوفت أوفيس تحديثات متلاحقة أضافت دعماً مدمجاً للرسوم البيانية الإحصائية، ومن بينها خيار مخطط الصندوق (Box and Whisker). ومع ذلك، فإن هذا الخيار المدمج يعاني من محدودية هندسية جوهرية؛ إذ صُمم ليعمل حصرياً في المسار العمودي، مع غياب كامل لأي زر أو خيار تحويلي يسمح بتدوير المخطط إلى الاتجاه الأفقي. يشكل هذا القصور عائقاً مباشراً أمام الباحثين الراغبين في تبني المخططات الأفقية في أطروحاتهم العلمية وأوراقهم المحكمة المنشورة عبر بيئة إكسيل.

ينشأ الحل الأكاديمي والمهني لهذه المعضلة من خلال إعادة بناء المخطط يدوياً بالاعتماد على “المخطط الشريطي التراكمي” (Stacked Bar Chart)، مقروناً بتوليف دقيق لأشرطة الخطأ الرياضية المخصصة (Custom Error Bars). لا يقتصر هذا المدخل الهندسي على مجرد كونه حيلة للالتفاف على غياب الأداة الأصلية، بل يمنح الباحث في الحقيقة مستوى متقدماً واستثنائياً من التحكم والسيادة المنهجية على تفاصيل الرسم كافة، وهو ما تفتقر إليه الأداة الآلية المغلقة.

فمن خلال البناء اليدوي، يمتلك الباحث حرية مطلقة في تحديد خوارزميات حساب الربيعيات، وتنسيق سماكة الحدود، والتحكم المنفصل في تلوين نصفي الصندوق لإبراز موقع الوسيط بصرياً، وتعديل قيم الشوارب لتطابق بدقة فترات الثقة أو الانحرافات المعيارية أو حدود توكي المحددة بـ 1.5 مضروبة في المدى الربيعي، متجاوزاً بذلك التناقضات الحسابية الشهيرة التي تقع فيها البرمجيات الجاهزة عند استخراج المئينيات الإحصائية.

2. ملخص الأرقام الخمسة: الأساس الرياضي لبناء المخطط

2.1 تحديد القيمة الصغرى والربيع الأول (Q1)

يرتكز مخطط الصندوق والشاربين في جوهره المعرفي على “ملخص الأرقام الخمسة” (Five-Number Summary)، وهو نظام اختزالي ابتكره جون توكي لتوصيف التوزيعات الإحصائية اعتماداً على المراتب الرتبية بدلاً من المعالم البارامترية الحساسة للتشوهات. تبدأ هذه المنظومة بتحديد القيمة الصغرى غير الشاذة (Minimum non-outlier value)، وهي أدنى درجة مرصودة للاستجابة النفسية تقع داخل الحدود المقبولة للتوزيع، وتُعد ركيزة الشارب السفلي أو الأيسر في المخطط الأفقي.

تلي القيمة الصغرى محطة الربيع الأدنى أو الربيع الأول ($Q_1$ – First Quartile)، وهو القيمة العددية التي تفصل أدنى 25% من درجات العينة المرصودة عن بقية البيانات المرتفعة، ما يجعله مطابقاً تماماً للمئين الخامس والعشرين ($P_{25}$). في القياس النفسي العصبي ودراسات النوم والأداء المهني، يعكس الربيع الأول الحد الفاصل الذي يقع دونه الأفراد ذوو الكفاءة المنخفضة أو الأداء البطيء (Fekedulegn et al., 2020).

من الناحية الهندسية لإنشاء المخطط الشريطي، يحدد الربيع الأول نقطة الانطلاق الفعلية لبداية الكتلة المجسمة للصندوق. فالمسافة الممتدة من نقطة الصفر على المحور الأفقي إلى قيمة الربيع الأول تشكل الأساس غير المرئي الذي يستند إليه الهيكل، بحيث تبدأ كتلة الصندوق الملونة بالظهور بدءاً من إحداثي $Q_1$ صعوداً، محققة بذلك التجسيد المكاني لكتلة البيانات المركزية.

2.2 حساب الوسيط والربيع الثالث (Q3)

يشكل الوسيط ($Q_2$ / Median) المحور الارتكازي للنزعة المركزية في التحليل اللابارامتري، حيث يمثل النقطة التي تقسم مصفوفة الدرجات المرتبة تصاعدياً إلى نصفين متساويين تماماً: 50% من الدرجات تقع دونه، و50% تقع أعلاه. تكمن القوة العلمية للوسيط في متانته الفائقة (Robustness)؛ إذ لا يتأثر مطلقاً بالقيم الشاذة أو الانحرافات الحادة الناتجة عن تشتت انتباه المفحوصين أو أخطاء التسجيل اللحظية، بخلاف المتوسط الحسابي التقليدي الذي ينجرف سريعاً نحو الأطراف المتطرفة.

أما الربيع الأعلى أو الربيع الثالث ($Q_3$ – Third Quartile)، فهو المقياس الذي يعزل أدنى 75% من البيانات عن أعلى 25% منها، ليمثل النظير المئيني الخامس والسبعين ($P_{75}$). يحدد هذا الربيع نهاية الكتلة الصندوقية للمتغير المدروس، مما يجعل الصندوق في مجمله محتوياً على الكتلة البنائية الوسطى للمفحوصين بنسبة 50% كاملة، وهو النطاق الذي يطلق عليه مجتمع الباحثين منطقة التركيز الإحصائي للظاهرة السلوكية.

في بناء المخطط الأفقي داخل إكسيل، لا يتم رسم الصندوق ككتلة واحدة مصمتة، بل يجري شطره هندسياً إلى شريحتين متلاصقتين: الشريحة الأولى تمتد من الربيع الأول حتى الوسيط، والشريحة الثانية تمتد من الوسيط حتى الربيع الثالث. يضمن هذا التقسيم إبراز خط الوسيط تلقائياً كحد فاصل يوضح تماثل أو التواء النصفين المركزيين داخل العينة التجريبية بدقة متناهية.

2.3 القيمة العظمى والمدى الربيعي (IQR)

تكتمل معالم الملخص الخماسي بتعيين القيمة العظمى غير الشاذة (Maximum non-outlier value)، والتي تمثل أقصى درجة سجلها المفحوصون وتقع ضمن السياق العام للتوزيع، معبرة عن نهاية امتداد الشارب الأيمن في المخطط الأفقي. تتكامل هذه القيم لإنتاج المدى الربيعي (Interquartile Range – $\text{IQR}$)، والذي يُعرّف رياضياً بالمعادلة البسيطة:

$$\text{IQR} = Q_3 – Q_1$$

يعد المدى الربيعي المقياس المعياري الأكثر كفاءة لتشتت الاستجابات السيكومترية؛ حيث يمثل الطول الإجمالي للصندوق مستبعداً ربعي الأطراف المضللة. وبناءً على التأسيس النظري لجون توكي، يُستخدم المدى الربيعي لصياغة “أسوار الفرز” (Tukey’s Fences)؛ حيث تُحدد الأسوار الداخلية عند المسافة الإحصائية المشتقة:

$$\text{Inner Fences} = [Q_1 – 1.5 \times \text{IQR},; Q_3 + 1.5 \times \text{IQR}]$$

بينما تُعرف الأسوار الخارجية بالمدى الأكثر اتساعاً:

$$\text{Outer Fences} = [Q_1 – 3.0 \times \text{IQR},; Q_3 + 3.0 \times \text{IQR}]$$

تُصنف أي درجة تقع خارج الأسوار الداخلية كقيمة شاذة معتدلة (Mild Outlier)، في حين تُصنف الدرجات الواقعة خارج الأسوار الخارجية كقيم متطرفة حادة (Extreme Outlier). وتستقر الممارسة المنهجية المعتمدة على عدم مد الشوارب إلى الأسوار الافتراضية، بل إلى القيم الفعلية الملاحظة المجاورة (Adjacent Values)، مما يمنح الشوارب دور الحارس الإحصائي الذي يكشف الحدود الطبيعية لانتشار الظاهرة ويفضح الشذوذ الرقمي بوضوح.

3. الخطوة الأولى: إعداد وتنظيم البيانات الخام في ورقة العمل

3.1 هيكلة مصفوفة البيانات التجريبية بطريقة معيارية

تبدأ الممارسة المخبرية السليمة داخل ميكروسوفت إكسيل بتهيئة ورقة عمل منظمة ومفهرسة بعناية لاحتواء البيانات الخام الناتجة عن الاختبارات النفسية. تتطلب المعايير المنهجية ترتيب درجات المشاركين في أعمدة منفصلة، يحمل كل منها ترويسة واضحة ومحددة تصف المجموعة التجريبية أو المتغير المقاس، مثل “المجموعة الضابطة (Control)”، “العلاج السلوكي المعرفي (CBT)”، و”العلاج باليقظة الذهنية (Mindfulness)”.

يجب ترميز المتغيرات السيكومترية المعقدة، كدرجات مقاييس القلق ونوبات الهلع أو أزمنة التعرف على الكلمات، بأرقام حقيقية مستمرة وموحدة المقاييس، مع تجنب خلط النصوص مع الأرقام داخل خلايا البيانات الخام لتفادي أخطاء الحساب اللاحقة. إن فحص سلامة البيانات قبل البدء في التحليل يُعد التزاماً بحثياً لا غنى عنه، لضمان خلو المصفوفة من أخطاء الإدخال المطبوع والفراغات غير المنطقية، التي قد تنشأ عند تصدير البيانات من منظومات جمع الاستجابات الرقمية (Sharma et al., 2019).

ينصح بوضع البيانات الخام في جدول بيانات معرف برمجياً داخل إكسيل عبر الضغط على اختصار لوحة المفاتيح الموحد، مما يسهل استدعاء النطاقات الحسابية ديناميكياً وتوسيعها تلقائياً عند إضافة مشاركين جدد للدراسة السريرية دون الحاجة لتعديل صيغ المعادلات الإحصائية يدوياً.

3.2 تصميم جدول وسيط للمؤشرات الإحصائية المرجعية

يستحيل ربط المخطط الشريطي التراكمي مباشرة بالأعمدة الخام للبيانات، إذ يتطلب المنطق الهندسي للرسم وجود طبقة وسيطة من البيانات المنظمة التي تختزل الأرقام الخام في صورة قيم الملخص الخماسي لكل مجموعة على حدة. لذلك، يتعين على الباحث تخصيص مساحة مستقلة في ورقة العمل لبناء “الجدول الإحصائي المرجعي”.

يتم تنظيم هذا الجدول بوضع أسماء المجموعات التجريبية كعناوين للأعمدة أو الصفوف، ثم تخصيص خمس خانات لكل مجموعة مخصصة لحساب المؤشرات الخمسة: الحد الأدنى، والربيع الأول ($Q_1$)، والوسيط ($Q_2$)، والربيع الثالث ($Q_3$)، والحد الأقصى. يضمن التنسيق الرصين لهذا الجدول استخدام مراجع الخلايا النسبية والمطلقة (مثل استخدام رمز الدولار لتثبيت مصفوفات البيانات الخام) مرونة استثنائية عند سحب المعادلات عبر مجموعات الدراسة المتعددة.

كما يُستحسن إدراج عمود إضافي لتوصيف المقاييس ووحداتها المعتمدة (مثل: ملي ثانية، أو الدرجة الخام من 100)، مما يرسخ الإطار المرجعي لعملية الحساب ويسهل التحقق التدقيقي للنتائج من قِبل الباحثين الزملاء أو المراجعين الأكاديميين قبل الانتقال إلى مرحلة هندسة المخطط.

4. الخطوة الثانية: حساب قيم التلخيص الخماسي باستخدام دوال إكسيل

4.1 تطبيق دوال الحد الأدنى والوسيط والحد الأقصى

يوفر إكسيل منظومة متكاملة من الدوال الإحصائية الجاهزة لاستخراج معالم التوزيع بدقة حاسوبية فائقة. لاستخراج أدنى درجة مقاسة للمشاركين في متغير سلوكي معين، نعتمد على الدالة الرياضية البسيطة:

=MIN(A2:A100)

حيث يمثل النطاق الافتراضي الممتد من الخلية A2 إلى A100 درجات المفحوصين، لتعيد الدالة فورياً أصغر قيمة عددية مرصودة غير معزولة خارج حدود التجربة.

لحساب نقطة المنتصف التوزيعي أو الركيزة المركزية للعينة، يتم تطبيق دالة الوسيط الحسابي:

=MEDIAN(A2:A100)

تقوم هذه الدالة بفرز السلسلة تلقائياً، واستخراج القيمة الوسطى إن كان حجم العينة فردياً، أو حساب المتوسط الحسابي للقيمتين المركزيتين إن كان العدد زوجياً، مما يضمن تقديراً منيعاً للنزعة المركزية لا يلين أمام وجود أفراد سجلوا أزمنة استجابة غير اعتيادية نتيجة لشرود ذهني مؤقت أثناء الفحص.

أما لتعيين أقصى أداء أو أقصى درجة مرصودة في الاختبار النفسي، فتُستخدم الدالة الرياضية المقابلة:

=MAX(A2:A100)

وهي تمثل السقف العلوي المقاس للمتغير السلوكي. تشكل هذه الدوال الثلاث الركائز الخارجية والمفصلية التي يتأسس عليها هيكل الصندوق والشوارب اللاحقة.

4.2 صياغة دوال الربيعيات المتقدمة في إكسيل

عند الشروع في استخراج الربيعين الأول والثالث، يبرز تمييز منهجي دقيق ينبغي لكل باحث الإحاطة بأبعاده؛ حيث يتيح إكسيل صيغتين مختلفتين للربيعيات: دالة QUARTILE.INC ودالة QUARTILE.EXC. يستند هذا التمايز إلى الاختلافات الحسابية الموثقة في الأدبيات الإحصائية حول أسلوب تقدير المئينيات المتقطعة (Hyndman & Fan, 1996).

تعتمد دالة QUARTILE.INC (الاشتمالية) على المدى الاحتمالي الممتد بين الصفر والواحد بصورة مغلقة $[0, 1]$، وهي الصيغة الكلاسيكية المتوافقة مع أسلوب جون توكي الأصلي في إدراج أطراف التوزيع عند احتساب الرتب. تُصاغ معادلة الربيع الأول ($Q_1$) كالتالي:

=QUARTILE.INC(A2:A100, 1)

حيث يشير المعامل (1) إلى المطلوب استخراجه وهو الربيع الأدنى (المئين 25). وبالمثل، تُصاغ معادلة الربيع الثالث ($Q_3$) بإسناد المعامل (3):

=QUARTILE.INC(A2:A100, 3)

في المقابل، تستند دالة QUARTILE.EXC (الاستبعادية) إلى مدى احتمالي مفتوح $(0, 1)$ مستبعدة الأطراف المطلقة، وهي الصيغة الشائعة في بعض الحزم الإحصائية المتقدمة كالبرمجيات المتخصصة بنماذج التحليل البارامتري. بالنسبة لأغلب البحوث النفسية والسريرية، يُوصى بالاعتماد الصارم على دالة QUARTILE.INC؛ نظراً لتطابقها الرياضي مع المنطق التأسيسي لمخططات الصندوق واحتفاظها بالاستقرار الحسابي حتى في العينات التجريبية ذات الأحجام المحدودة.

5. الخطوة الثالثة: تحويل الإحصاءات إلى مقاطع تراكبية للمخطط الشريطي

5.1 منطق تفكيك المخطط إلى أجزاء شريطية متتالية

يكمن السر الهندسي لإنشاء مخطط الصندوق الأفقي المخصص في إدراك أن “المخطط الشريطي التراكمي” في إكسيل لا يرسم أشرطة ذات إحداثيات انطلاق مطلقة، بل يقوم بتراصف الأشرطة الأفقية واحداً تلو الآخر؛ بحيث ينطلق كل شريط من النقطة الدقيقة التي ينتهي عندها الشريط السابق له. وبالتالي، لا يمكن استخدام قيم التلخيص الخماسي الخام مباشرة في الرسم، بل يجب تحويلها إلى فروق مسافية نسبية بين المقاييس المتتالية.

يتطلب هذا المنطق تفكيك المخطط الإجمالي لكل مجموعة إلى ثلاثة مكونات شريطية رئيسية:

• شريط الأساس الخفي (Base Segment): ويمثل المسافة الإجمالية الممتدة من نقطة الصفر على المحور الأفقي إلى موقع الربيع الأول ($Q_1$). هذا الشريط هو بمثابة “الحامل الوهمي” الذي سيرفع الصندوق إلى موقعه الإحصائي الصحيح، ويُحسب ببساطة عبر استعارة قيمة الربيع الأول مباشرة:
  $$\text{Base} = Q_1$$
• شريط الصندوق الأيسر (Left Box Segment): ويمثل النصف الأول من كتلة الصندوق الممتدة من الربيع الأول إلى خط الوسيط ($Q_2$). تُحسب مسافة هذا الشريط بطرح الربيع الأول من قيمة الوسيط:
  $$\text{Left Box} = Q_2 – Q_1$$
• شريط الصندوق الأيمن (Right Box Segment): ويمثل النصف الثاني المكمل للصندوق والممتد من خط الوسيط إلى الربيع الثالث ($Q_3$). تُحسب مسافته بطرح الوسيط من الربيع الثالث:
  $$\text{Right Box} = Q_3 – Q_2$$

وعند جمع هذه الأشرطة الثلاثة تراكمياً في الرسم، تتشكل كتلة متلاصقة تبدأ هندسياً من $Q_1$ وتنتهي عند $Q_3$، مع وجود فاصل مادي في المنتصف يجسد موقع الوسيط بدقة حسابية متناهية.

5.2 حساب مسافات الشوارب السفلى والعليا بدقة رياضية

بعد حساب الأجزاء المشكلة لهيكل الصندوق، تتبقى الشوارب الطرفية التي تمثل الامتداد الخارجي لتشتت البيانات نحو الحدين الأدنى والأقصى. نظراً لأننا سنستخدم “أشرطة الخطأ” (Error Bars) لتجسيد هذه الشوارب، فإن أشرطة الخطأ في إكسيل تتطلب إمدادها بطول المسافة المطلوب قطعها بدءاً من نقطة التثبيت، وليس بالقيمة المطلقة للمتغير.

يُبنى الشارب الأيسر أو السفلي (Lower Whisker) انطلاقاً من حافة الربيع الأول ($Q_1$) متجهاً إلى اليسار (بالسالب) نحو الحد الأدنى المرصود. وبناءً عليه، يُحسب طول هذا الشارب بالفارق الرياضي الموجب:

$$\text{Lower Whisker Length} = Q_1 – \text{Minimum}$$

أما الشارب الأيمن أو العلوي (Upper Whisker)، فينطلق من حافة الصندوق الخارجية المتمثلة في الربيع الثالث ($Q_3$) متجهاً إلى اليمين (بالموجب) نحو الحد الأقصى. ويُحسب طول مسافته الإحصائية بالفارق التالي:

$$\text{Upper Whisker Length} = \text{Ma\ximum} – Q_3$$

يتم تنظيم هذه الحسابات في جدول فروق نهائي مجاور لجدول المؤشرات الخمسة، ليكون بمثابة المصفوفة المغذية مباشرة لواجهة إدراج المخططات، مع التأكد المطلق من عدم وجود قيم سالبة في حساب المسافات لتفادي تشوه أشرطة الخطأ.

6. الخطوة الرابعة: إدراج المخطط الشريطي التراكمي وضبط المحاور

6.1 تحديد النطاق وإدراج المخطط الشريطي التراكمي (Stacked Bar)

مع اكتمال جدول الفروق الهندسية، تبدأ مرحلة التوليد البصري الفعلي داخل إكسيل. يقوم الباحث بتحديد النطاق المحتوي على أسماء المجموعات التجريبية أو المتغيرات النفسية، مصحوبة بالأعمدة الثلاثة المخصصة لهيكل الصندوق: شريط الأساس ($Q_1$)، والصندوق الأيسر ($Q_2 – Q_1$)، والصندوق الأيمن ($Q_3 – Q_2$). يجب في هذه المرحلة استبعاد أعمدة الشوارب مؤقتاً، إذ ستُدمج لاحقاً كعناصر مساعدة منفصلة.

عقب التحديد، ينتقل الباحث إلى شريط الأدوات العلوي في إكسيل، ثم يختار تبويب إدراج (Insert)، ومن مجموعة المخططات ينتقل إلى قسم المخططات الشريطية (Bar Charts) ويختار حصرياً شريطي تراكمي ثنائي الأبعاد (2-D Stacked Bar). من الأهمية بمكان التأكيد على اختيار النمط الشريطي الأفقي (Bar) وليس العمودي التراكمي (Column)؛ وذلك لضمان انبثاق الأشرطة من المحور الرأسي وتمتد أفقياً على طول المحور السيني.

بمجرد إدراج الرسم، سيظهر مخطط يتضمن أشرطة ملونة متراصفة أفقياً لكل مجموعة دراسية، حيث تتتالى الأجزاء الثلاثة بألوان افتراضية متباينة يخصصها برنامج إكسيل تلقائياً، لتبدأ من خط الصفر وتتجه نحو اليمين تباعاً.

6.2 تبديل الصفوف والأعمدة لضبط الاتجاه التوزيعي

في كثير من الحالات، وبسبب الطريقة التي يفسر بها إكسيل مصفوفات الجداول، قد يقوم البرنامج تلقائياً بوضع السلاسل الشريطية بصورة معكوسة؛ كأن يدرج المتغيرات في وسيلة الإيضاح (Legend) ويضع المكونات الثلاثة ($Q_1$ والوسيط و$Q_3$) على المحور الرأسي، مما يفسد منطق المقارنة التجريبية المراد تحقيقها.

لتصحيح هذا التوجيه، ينقر الباحث بزر الفأرة الأيمن داخل مساحة المخطط ويختار تحديد البيانات (Select Data Source)، أو يتوجه مباشرة إلى تبويب تصميم المخطط (Chart Design) الذي يظهر تلقائياً في الشريط العلوي. داخل هذه النافذة، يضغط الباحث على زر تبديل الصف/العمود (Switch Row/Column). يعيد هذا الإجراء ترتيب المنظومة، بحيث تستقر أسماء المجموعات البحثية على المحور الرأسي (الصادي)، بينما تُمثل السلاسل الثلاث على المحور الأفقي.

يجب بعد ذلك التحقق البصري من مظهر الأشرطة؛ إذ ينبغي أن يظهر كل متغير سيكومتري في شريط أفقي موحد يتألف من ثلاث قطع متلاصقة: القطعة الأولى تمثل المسافة من الصفر إلى $Q_1$، والقطعة الثانية تمثل النصف الأيسر للصندوق، والقطعة الثالثة تمثل النصف الأيمن. عند هذه النقطة، يكتمل الأساس الهيكلي للمخطط ويصبح جاهزاً للتحول النوعي نحو شكل الصندوق والشاربين.

7. الخطوة الخامسة: تحويل الأشرطة التراكمية إلى هيكل الصندوق والشاربين

7.1 إخفاء شريط الأساس لبدء الصندوق من موضع الربيع الأول

تتمثل الخطوة التحويلية الأولى في التخلص البصري من الشريحة الأولى الممتدة من الصفر إلى الربيع الأول، حتى يبدو الصندوق وكأنه يطفو في الفراغ الإحصائي مستنداً بدقة على حدوده الربيعية الحقيقية. للقيام بذلك، ينقر الباحث نقرة واحدة على السلسلة الأولى (شريط الأساس) في المخطط لتحديد كافة الشرائح الممثلة لها عبر جميع المجموعات.

بعد تحديد السلسلة، يُفتح جزء تنسيق سلسلة البيانات عبر النقر بزر الفأرة الأيمن واختيار تنسيق سلسلة البيانات (Format Data Series)، ثم التوجه إلى أيقونة الدلو الخاصة بـ التعبئة والحدود (Fill & Line). تحت خيارات التعبئة، يتم تفعيل الخيار بلا تعبئة (No fill). وتحت خيارات الحدود، يتم تفعيل الخيار بلا خط (No line) بشكل صارم.

بمجرد تطبيق هذا الإجراء، يختفي شريط الأساس تماماً ويصبح شفافاً غير مرئي، وتتحول كتلة الصندوق المكونة من الشريحتين المتبقيتين إلى هيكل يبدأ فراغياً عند نقطة الربيع الأول ($Q_1$) وينتهي عند الربيع الثالث ($Q_3$)، بينما يمثل خط التماس بين الشريحتين الملونتين موضع الوسيط الإحصائي الدقيق.

7.2 إضافة وتكوين الشارب الأيسر باستخدام أشرطة الخطأ القياسية

لبناء الشارب الأيسر الممتد من الربيع الأول نحو الحد الأدنى، لا نلجأ إلى شريحة الأساس الشفافة، بل نحدد الشريحة الأولى لكتلة الصندوق الظاهرة (شريحة الصندوق الأيسر: $Q_2 – Q_1$). بعد تحديدها بدقة، يتوجه الباحث إلى الزاوية العلوية للمخطط ويضغط على علامة الزائد الخضراء (أو يذهب إلى تبويب تصميم المخطط ثم يختار إضافة عنصر مخطط -> أشرطة الخطأ -> المزيد من خيارات أشرطة الخطأ).

سيقوم إكسيل افتراضياً بإدراج أشرطة خطأ أفقية ورأسية عشوائية. يتعين أولاً تحديد أشرطة الخطأ الرأسية (إن وُجدت) وحذفها عبر مفتاح Delete، والاحتفاظ فقط بأشرطة الخطأ الأفقية. ثم في نافذة تنسيق أشرطة الخطأ (Format Error Bars)، تُطبق الإعدادات المنهجية التالية:

• الاتجاه (Direction): يتم اختيار سالب (Minus) حصرياً، لكي يمتد الشارب من حافة $Q_1$ إلى الخلف نحو القيمة الصغرى.
• نمط النهاية (End Style): يُختار بنهاية طرفية (Cap) لرسم العارضة الرأسية المحددة للحد الأدنى.
• مقدار الخطأ (Error Amount): يُحدد الخيار مخصص (Custom)، ثم يُضغط على زر تحديد القيمة (Specify Value).

في النافذة المنبثقة، تُترك خانة “قيمة الخطأ الموجب” دون تعديل أو تُوضع القيمة صفر، بينما في خانة قيمة الخطأ السالب (Negative Error Value)، يقوم الباحث بتحديد النطاق في جدول الفروق الذي يحتوي على القيم المحسوبة لطول الشارب الأيسر ($Q_1 – \text{Minimum}$). بمجرد الضغط على زر الموافقة، يمتد الشارب الأيسر لكل مجموعة إلى موضع الحد الأدنى الفعلي بدقة متناهية.

7.3 إضافة وتكوين الشارب الأيمن لإكمال المخطط

تكتمل معالم المخطط الهندسية بإضافة الشارب الأيمن العلوي. يقوم الباحث بالنقر لتحديد الشريحة الثانية من الصندوق الظاهر (شريحة الصندوق الأيمن الممتدة من الوسيط إلى الربيع الثالث: $Q_3 – Q_2$). ومن خلال تبويب إضافة عنصر مخطط، يتم تفعيل أشرطة الخطأ واختيار المزيد من خيارات أشرطة الخطأ.

تُحذف أي أشرطة خطأ رأسية قد يدرجها البرنامج تلقائياً، ثم يُعاد ضبط خصائص شريط الخطأ الأفقي الجديد في لوحة التنسيق وفق المحددات المعيارية التالية:

• الاتجاه (Direction): يتم اختيار موجب (Plus)، لكي ينطلق الخط من الحافة الخارجية للصندوق ($Q_3$) متجهاً للأمام صوب القيمة العظمى.
• نمط النهاية (End Style): يُحدد بنهاية طرفية (Cap) لتأطير نهاية النطاق العلوي بحاجز بصري قاطع.
• مقدار الخطأ (Error Amount): يُفعل الخيار مخصص (Custom)، ثم يُنقر على تحديد القيمة (Specify Value).

في حقل قيمة الخطأ الموجب (Positive Error Value)، يُحدد الباحث مصفوفة الخلايا التي تم فيها حساب مسافة الشارب الأيمن ($\text{Ma\ximum} – Q_3$)، بينما تُفرغ خانة الخطأ السالب أو تُضبط على الصفر. بالضغط على موافق، تتولد الشوارب اليمنى بدقة بالغة، ليكتمل الهيكل الكامل لمخطط الصندوق والشاربين الأفقي، متضمناً الحد الأدنى، والربيع الأول، والوسيط، والربيع الثالث، والحد الأقصى لكل مجموعة دراسية.

8. الخطوة السادسة: التنسيق الجمالي والأكاديمي للمخطط وفق معايير النشر

8.1 تنسيق كتلتي الصندوق وخط الوسيط الفاصل

بعد استكمال الأبعاد الرياضية والهندسية، يتحول التركيز نحو التهيئة الجمالية والأكاديمية للمخطط؛ إذ إن المخططات الإحصائية الموجهة للنشر في الدوريات العلمية الرصينة يجب أن تخضع لمعايير تصميمية صارمة تضمن وضوح نقل الرسالة البيانية دون تشتيت بصري، وتستوفي متطلبات الطباعة بالأبيض والأسود وتدرجات الرمادي (Grayscale).

يُنصح بتوحيد التعبئة اللونية لكتلتي الصندوق (الأيمن والأيسر) بلون موحد ذي دلالة هادئة؛ مثل درجة خفيفة من الرمادي أو الأزرق الداكن غير المشبع، أو استخدام تباين طفيف بين نصفي الصندوق إذا كان الهدف إبراز تجزئة الوسيط بصرياً. والأهم من ذلك هو تطبيق حدود مصمتة وموحدة (Solid Border) لكلا الجزأين؛ إذ إن تطبيق خط حدودي أسود أو رمادي داكن بسماكة (1 pt إلى 1.5 pt) حول الشريحتين المتلاصقتين سيؤدي تلقائياً إلى رسم خط عمودي داكن في موضع التماس بينهما، وهو ما يمثل تجسيداً أنيقاً وواضحاً لخط الوسيط دون الحاجة لإضافة كائنات رسم خارجية.

كما يجب التحكم في سماكة الأشرطة عبر ضبط خاصية اتساع الفجوة (Gap Width) في لوحة تنسيق السلسلة. فالقيمة الافتراضية في إكسيل (غالباً 150%) تجعل الصناديق تبدو رفيعة ومتباعدة بإفراط؛ لذا يُفضل تخفيض هذه القيمة إلى مدى يتراوح بين 50% إلى 80%. يمنح هذا التعديل الصناديق حجماً مجسماً متزناً، يسهل معه فحص التباينات الداخلية ومقارنة الامتدادات بين المجموعات التجريبية بوضوح إدراكي فائق.

8.2 ضبط سمات الشوارب وعلامات النهاية

غالباً ما يدرج إكسيل أشرطة الخطأ بخطوط رفيعة ولون رمادي باهت يكاد يختفي عند تصغير حجم الشكل داخل المجلات المطبوعة. لمعالجة هذا الخلل، يتعين النقر مباشرة على الشوارب (أشرطة الخطأ المخصصة) للدخول إلى خيارات التنسيق والخط (Line)، واختيار خط مصمت بلون أسود خالص (Black, 100%) أو لون فحمي داكن يطابق حدود الصناديق بدقة.

يجب تعديل عرض الخط (Width) ليصبح متناسقاً مع وزن حدود الصندوق، وعادة ما تكون القيمة المحصورة بين 1 pt إلى 1.25 pt مثالية لتوفير الرؤية الواضحة دون إفراط في السماكة. كما يجب التأكد من ضبط نهايات الخطوط ونقاط التقاطع على النمط الحاد أو المستدير المتناسق.

أما بالنسبة لعلامات النهاية (End Caps)، فينبغي التأكد من ظهورها بوضوح عند طرفي الشاربين؛ إذ تمثل العارضة الرأسية الصغيرة الإحداثي الجغرافي للقيمة القصوى والدنيا. يضفي التنسيق المتماثل للشوارب اليسرى واليمنى توازناً هندسياً راقياً يعكس الجدية الأكاديمية والاحترافية الحسابية في إعداد التقرير الإحصائي.

8.3 تحسين تسميات المحاور والشبكة والخلفية

تشدد إرشادات جمعية علم النفس الأمريكية (APA 7th Edition) على ضرورة تخليص الرسوم البيانية من كل ما يُعرف بـ “حبر الرسم الزائد” (Chartjunk). تطبيقاً لهذا المبدأ، يجب إلغاء خطوط الشبكة الرأسية والأفقية الافتراضية المكتظة، أو الإبقاء فقط على خطوط شبكة عمودية رئيسية باهتة للغاية (تدرج رمادي بنسبة 20% أو أقل) لتسهيل إسقاط درجات المحور الأفقي بالعين المجردة.

يجب إزالة خلفية المخطط عبر ضبط تعبئة منطقة الرسم ومنطقة المخطط على بلا تعبئة (No fill) وبلا إطار خارجي، لضمان اندماج الشكل بسلاسة مع خلفية الصفحة البيضاء في المستند النصي. كما يجب مراجعة خطوط المحاور وأرقامها، وتعيين خط أكاديمي واضح مثل Times New Roman أو Arial بحجم لا يقل عن 10 إلى 11 نقطة للأرقام والمسميات، وبحجم 12 نقطة لعناوين المحاور الرئيسية، مع إبراز نصوص أسماء المجموعات باللون الداكن.

يتعين صياغة عنوان المحور الأفقي بدقة منهجية تعكس اسم المتغير ووحدة القياس المستعملة بوضوح، مثل: “زمن الاستجابة الحركية (بالملي ثانية)” أو “مجموع الدرجات الخام على مقياس بيك للاكتئاب (BDI-II)”. وأخيراً، يتم حذف وسيلة الإيضاح (Legend) التي قد تحتوي على مسميات أشرطة الأساس والصناديق؛ نظراً لأن أسماء المجموعات تظهر بالفعل على المحور الرأسي، مما يجعل وجود وسيلة الإيضاح تكراراً مشتتاً يفتقر إلى الوظيفة التحليلية.

9. تفسير النتائج السيكومترية المستخلصة من المخطط الأفقي

9.1 قراءة موقع الوسيط وتحليل الالتواء في الاستجابات النفسية

يوفر مخطط الصندوق الأفقي المنجز منصة تشخيصية بصرية متطورة لفهم البنية التوزيعية للاستجابات السيكومترية قبل الشروع في الاختبارات الاستدلالية المتقدمة. يبدأ الفحص البصري بملاحظة موضع خط الوسيط داخل الصندوق المركزي؛ فإذا توسط الخط المساحة بدقة متساوية، وكان الشاربان متطابقين في الطول تقريباً، دل ذلك على أن التوزيع النفسي يتسم بالاعتدالية والتماثل، محققاً افتراض التوزيع الطبيعي اللازم للاختبارات البارامترية الكلاسيكية.

أما إذا انزاح خط الوسيط بشكل ملحوظ نحو يسار الصندوق (بالقرب من الربيع الأول $Q_1$)، بينما امتد الشارب الأيمن بمسافة أطول بكثير من نظيره الأيسر، فإن ذلك يشكل دليلاً بصرياً قاطعاً على وجود التواء إيجابي (Positive Skewness) في درجات المفحوصين. يتكرر هذا النمط بانتظام في تجارب التعرف على الكلمات، وأزمنة اتخاذ القرار اللغوي، والمهام الإدراكية المرتبطة بالحمل المعرفي؛ حيث تؤدي أغلبية العينة المهام بسرعة قياسية، في حين تشكل قلة من الأفراد ذيلاً طويلاً من الاستجابات المتأخرة (Keuleers et al., 2010).

وعلى النقيض من ذلك، إذا استقر الوسيط قريباً من الحافة اليمنى للصندوق ($Q_3$) وتمدد الشارب الأيسر، فإن ذلك يعكس التواءً سلبياً (Negative Skewness)، وهو ما يُرصد كثيراً في الاختبارات التي تعاني من “تأثير السقف” (Ceiling Effect)، حيث تكون المهام السلوكية أسهل من قدرات المشاركين، مما يكدس الدرجات عند الحدود القصوى للاختبار.

9.2 المقارنة البصرية بين المجموعات التجريبية والضابطة

تكمن الذروة التحليلية لمخطط الصندوق الأفقي في قدرته الفائقة على إجراء مقارنات فورية ومقنعة بين المجموعات العلاجية المتزامنة، كالمجموعة الضابطة والمجموعات الخاضعة للتدخل. يتحقق الباحث أولاً من درجة التداخل البصري بين الكتل المركزية (IQR) للمجموعات؛ فإذا كانت الصناديق لا تتقاطع أفقياً على الإطلاق، وكان المدى الربيعي للمجموعة التجريبية يقع بأكمله يمين أو يسار المجموعة الضابطة، دل ذلك على وجود تأثير سريري جوهري وملموس للتدخل السلوكي أو العصبي (Wahis et al., 2021).

وتوفر مقارنة اتساع الصناديق تقييماً بصرياً مباشراً لمدى تجانس التباين (Homogeneity of Variance). فالصندوق الضيق والمضغوط يعبر عن تشتت منخفض واتساق وثبات عالٍ في استجابات أفراد تلك العينة، مما يوحي باستجابة علاجية متجانسة ومستقرة، في حين يشير الصندوق العريض والمترامي إلى تباين واسع وفروق فردية حادة بين المشاركين تتطلب مزيداً من التقصي والاستكشاف المتعمق للمتغيرات الوسيطة والمعدلة.

تساعد هذه المؤشرات البصرية الباحث في ترشيد قراراته المنهجية اللاحقة؛ كاختيار استخدام اختبارات الفروق اللابارامترية (مثل اختبار مان-ويتني أو كروسكال-واليس) بدلاً من تحليل التباين الكلاسيكي (ANOVA) إذا كشفت الصناديق عن التواءات حادة وتفاوت هائل في التشتت، مما يحمي الدراسة من الوقوع في أخطاء الاستدلال الإحصائي الشائعة.

10. معالجة التحديات والأخطاء الشائعة والبدائل المتقدمة في إكسيل

10.1 حل مشكلات اتجاه أشرطة الخطأ واختفاء الأجزاء الشفافة

أثناء مراحل التطبيق الهندسي في إكسيل، قد يواجه الباحث بعض المشكلات التقنية المربكة. من أشهر هذه العقبات ظهور أشرطة الخطأ بالاتجاه المعاكس لما هو مخطط له، كأن يمتد الشارب الأيسر نحو داخل الصندوق أو يمتد الشارب الأيمن نحو اليسار مشوهاً كتلة الرسم. ينشأ هذا الخلل غالباً من إسناد قيم الفروق في الحقل الخاطئ بنافذة التخصيص (مثل وضع قيم الشارب الأيسر في خانة الموجب بدلاً من السالب). لعلاج ذلك، يجب فتح نافذة تخصيص أشرطة الخطأ، والتأكد من تحديد الاتجاه المناسب (Minus للأيسر و Plus للأيمن) وتفريغ الحقل المعاكس تماماً.

مشكلة شائعة أخرى تتمثل في حذف شريط الأساس بالكامل عبر الضغط على مفتاح Delete بدلاً من تطبيق خيار “بلا تعبئة”. يؤدي الحذف المباشر إلى انهيار محاذاة الصندوق بالكامل وتراجعه إلى الصفر، مما يفقد المخطط موضعه الإحصائي الصحيح. في حال وقوع هذا الخطأ، يجب التراجع فوراً أو إعادة تحديد مصدر البيانات وإدراج السلسلة مجدداً، ثم الاكتفاء بإلغاء لون التعبئة والحدود لجعلها شفافة وظيفياً مع الإبقاء على وجودها الرياضي كمسند هندسي للصندوق.

كذلك يجب التحقق من خلو أشرطة الخطأ من خيار “النسبة المئوية” (Percentage) أو “القيمة الثابتة” (Fixed Value) الافتراضية التي يطبقها إكسيل تلقائياً، والحرص الدائم على تفعيل خيار “مخصص” وربطه بالخلايا المحسوبة لضمان الدقة العلمية للمخطط وتجنب تشويه البيانات التجريبية.

10.2 التعامل مع القيم الشاذة والمتطرفة في التمثيل اليدوي

يواجه النموذج الشريطي المبني يدوياً في إكسيل قيداً فنياً معلوماً؛ حيث إنه يرسم الشارب ممتداً حتى القيمة القصوى أو الدنيا المدرجة في جدول الفروق دون قدرة تلقائية على تمييز القيم الشاذة وعرضها كنقاط منفصلة كما تفعل البرمجيات المتخصصة. إذا كان هدف البحث يقتضي التمييز الدقيق للقيم الشاذة وفق قاعدة جون توكي ($1.5 \times \text{IQR}$)، يتعين على الباحث اتباع أسلوب تصفية متقدم.

في هذا الإطار، يُعاد احتساب حدود الشوارب لتنتهي عند “القيم المجاورة القصوى والدنيا” التي لا تتجاوز الأسوار، عبر استخدام دالتي IF و MAXIFS أو MINIFS لفرز البيانات. أما القيم المتطرفة والشاذة التي تتجاوز الأسوار، فيمكن تمثيلها بيانياً عبر إضافة سلسلة بيانات جديدة إلى المخطط بتنسيق “مخطط مبعثر” (Scatter Plot) مشترك المحاور، بحيث تُسقط الدرجات الشاذة كنقاط بيانية حرة تطفو على نفس المستوى الأفقي للمجموعة التابعة لها، محاكياً بذلك أدق المخرجات الرسومية المتطورة لبيئات البرمجة الإحصائية مثل لغة R ومكتباتها المتخصصة.

تكتسب هذه المعالجة أهمية كبرى في أبحاث الذكاء الاصطناعي، والنمذجة العصبية، وأنظمة كشف النعاس واليقظة السلوكية (Hassan et al., 2025)، وكذا دراسات التدخلات الاستدلالية للنماذج اللغوية الضخمة (Li et al., 2023)؛ حيث تُعد مراقبة الانحرافات الشاذة في أزمنة المعالجة ومعدلات الخطأ أساساً مفصلياً لتقييم كفاءة الخوارزميات وقوة النماذج المعرفية المبنية.

10.3 حفظ المخطط كقالب مخصص وإعادة استخدامه في الدراسات اللاحقة

يتطلب بناء مخطط الصندوق الأفقي المخصص جهداً هندسياً وتنسيقياً مركزاً، ومن غير المقبول علمياً أو عملياً إعادة تكرار كافة هذه الخطوات اليدوية لكل تجربة أو عينة بحثية جديدة. يوفر إكسيل حلاً منهجياً فعالاً لحفظ هذا الجهد عبر خاصية “قوالب المخططات” (Chart Templates).

بعد الانتهاء من التنسيق الأكاديمي الشامل للمخطط وضبط ألوانه وحدوده وسماكة فجواته، ينقر الباحث بزر الفأرة الأيمن على إطار المخطط الخارجي ويختار حفظ كقالب (Save as Template). يُحفظ الملف بصيغة (.crtx) في مجلد القوالب الافتراضي لمايكروسوفت أوفيس تحت اسم وصفي واضح، مثل: APA_Horizontal_BoxPlot.crtx.

في الدراسات والتجارب المستقبلية، يقتصر عمل الباحث على تجهيز جدول الفروق الرياضية بنفس الترتيب الهيكلي، وتحديده، ثم الذهاب إلى إدراج -> المخططات الموصى بها -> كافة المخططات -> القوالب (Templates)، واختيار القالب المحفوظ. سيقوم إكسيل بتوليد المخطط وتنسيقه بالكامل بضغطة زر واحدة، مما يضمن ثباتاً بصرياً موحداً ويوفر ساعات طويلة من العمل المجهد في المشاريع البحثية الضخمة التي تعتمد على مسوحات سيكومترية دورية متعددة العينات والمجتمعات (Pollet & Saxton, 2019).

ولغايات النشر في المجلات العالمية التي تطلب أشكالاً بيانية عالية الدقة (High-DPI لا تقل عن 300 إلى 600 نقطة في البوصة)، يُنصح بعدم أخذ لقطة شاشة عادية للمخطط، بل نسخه ولصقه داخل برنامج مايكروسوفت باوربوينت (PowerPoint) ثم حفظه كصورة متجهة بصيغة (SVG أو PDF أو TIFF عالي الدقة)، مما يحافظ على نقاء الخطوط وجودة التمثيل الهندسي عند تكبير الأشكال وطباعتها في الأوراق العلمية النهائية.

خاتمة

يمثل مخطط الصندوق والشاربين الأفقي أداة لا تقدر بثمن في الترسانة المنهجية للباحث المعاصر في العلوم النفسية والسلوكية والاجتماعية. إن تجاوز محدودية برمجية إكسيل عبر إعادة الهندسة البنائية للمخطط الشريطي التراكمي لا يمنح الباحث حلاً وظيفياً فحسب، بل يرسخ وعياً رياضياً عميقاً بتركيبة الملخص الخماسي، وأسس تشتت التوزيعات الاحتمالية، وأساليب التحليل البصري الرصين للبيانات التجريبية المعقدة.

من خلال اتباع الخطوات المفصلة في هذا الدليل—بدءاً من الفحص الأولي للبيانات الخام، ومروراً بالصياغة الصارمة لدوال الربيعيات، وهندسة الشرائح المتراكبة وأشرطة الخطأ الدقيقة، ووصولاً إلى التنسيق المتوافق مع معايير APA—يستطيع الباحثون إنتاج مخططات إحصائية بالغة الاحترافية، ترتقي بمستوى أوراقهم العلمية ورسائلهم الجامعية، وتضمن نقلاً أميناً، شفافاً، وسلس القراءة لنتائج دراساتهم السيكومترية.

المراجع

• Fekedulegn, D. B., Andrew, M. E., Shi, M., Violanti, J. M., Knox, S. S., & Innes, K. E. (2020). Actigraphy-Based Assessment of Sleep Parameters. Annals of Work Exposures and Health. https://doi.org/10.1093/annweh/wxaa007
• Hassan, O. F., Ibrahim, A. F., Gomaa, A., Makhlouf, M. A., & Hafiz, B. (2025). Real-time driver drowsiness detection using transformer architectures: a novel deep learning approach. Scientific Reports. https://doi.org/10.1038/s41598-025-02111-x
• Hoffman, D. D., Singh, M., & Prakash, C. (2015). The Interface Theory of Perception. Psychonomic Bulletin & Review. https://doi.org/10.3758/s13423-015-0890-8
• Keuleers, E., Diependaele, K., & Brysbaert, M. (2010). Practice Effects in Large-Scale Visual Word Recognition Studies: A Lexical Decision Study on 14,000 Dutch Mono- and Disyllabic Words and Nonwords. Frontiers in Psychology. https://doi.org/10.3389/fpsyg.2010.00174
• Keuleers, E., Lacey, P., Rastle, K., & Brysbaert, M. (2011). The British Lexicon Project: Lexical decision data for 28,730 monosyllabic and disyllabic English words. Behavior Research Methods. https://doi.org/10.3758/s13428-011-0118-4
• Ledford, J. R., Lane, J. D., & Severini, K. E. (2017). Systematic Use of Visual Analysis for Assessing Outcomes in Single Case Design Studies. Brain Impairment. https://doi.org/10.1017/brimp.2017.16
• Li, K., Patel, O., Viégas, F. B., Pfister, H., & Wattenberg, M. P. (2023). Inference-Time Intervention: Eliciting Truthful Answers from a Language Model. neural information processing systems. https://doi.org/10.52202/075280-1797
• Pollet, T. V., & Saxton, T. K. (2019). How Diverse Are the Samples Used in the Journals ‘Evolution & Human Behavior’ and ‘Evolutionary Psychology’?. Evolutionary Psychological Science. https://doi.org/10.1007/s40806-019-00192-2
• Sharma, K., Castellini, C., van den Broek, E. L., Albu‐Schäffer, A., & Schwenker, F. (2019). A dataset of continuous affect annotations and physiological signals for emotion analysis. Scientific Data. https://doi.org/10.1038/s41597-019-0209-0
• Wahis, J., Baudon, A., Althammer, F., Kerspern, D., Goyon, S., Hagiwara, D., et al. (2021). Astrocytes mediate the effect of oxytocin in the central amygdala on neuronal activity and affective states in rodents. Nature Neuroscience. https://doi.org/10.1038/s41593-021-00800-0