كيفية إنشاء المخططات الرادارية في R (مع أمثلة)

تُعد عملية التمثيل البصري للبيانات متعددة المتغيرات (Multivariate Data Visualization) ركيزة أساسية في التحليل الإحصائي الحديث واستكشاف البيانات المعقدة في شتى العلوم، ولا سيما في القياس النفسي، والعلوم السلوكية، وإدارة الموارد البشرية، والتقييم المؤسسي. في خضم التدفق الهائل للبيانات الكمية، يواجه الباحثون والمحللون تحدياً معرفياً يتمثل في كيفية تلخيص ملفات التعريف (Profiles) متعددة الأبعاد لكائن أو فرد أو مجموعة إحصائية ضمن إطار بصري واحد يتسم بالشمولية والوضوح وسهولة التفسير. هنا تبرز المخططات الرادارية (Radar Charts)، المعروفة أيضاً بمخططات شبكة العنكبوت (Spider Charts) ومخططات النجمة (Star Charts)، كأداة هندسية بصرية فريدة تُسقط المتغيرات الكمية على محاور قطبية متساوية التباعد تنطلق من مركز مشترك.

تعتبر بيئة البرمجة الإحصائية R البيئة الأكاديمية والمهنية الأكثر مرونة وقوة لتطوير هذه المخططات وتخصيصها. بفضل المنظومات البرمجية المتطورة مثل حزمة fmsb المتخصصة، والنظام الرسومي المتقدم ggplot2، وحزم الإسقاط القطبي الحديثة مثل ggradar والمكتبات التفاعلية كـ Plotly، يستطيع الباحث صياغة أشكال بيانية ذات جودة نشر عالمية تتوافق بدقة مع المعايير الأكاديمية والصرامة الإحصائية. تتيح هذه الأدوات إمكانية تحويل المصفوفات الرقمية المعقدة إلى بروفايلات بصرية تكشف التماثلات، الفجوات، ونقاط التميز أو القصور عبر مختلف الأبعاد المقاسة.

يهدف هذا الدليل المرجعي الشامل إلى تفكيك كافة الجوانب النظرية، الرياضية، والبرمجية لإنشاء المخططات الرادارية في لغة R خطوة بخطوة. سنغطي الأسس المعرفية والتاريخية لهذه المخططات، البنية الصارمة لتنظيم البيانات، الشروط الهيكلية في حزمة fmsb، التفاصيل الدقيقة للتخصيص الجمالي واللوني، تطبيقات متقدمة في علم النفس والقياس السلوكي، المقارنات الجماعية والتدخلات القبلية والبعدية، الانتقال إلى نظام ggplot2 وcoord_polar، الحلول الإحصائية للتطبيع والتقييس (Normalization and Standardization)، التحويلات التفاعلية، ومعالجة التحيزات الإدراكية والمحددات المنهجية التي تحكم هذا النوع من الرسوم البيانية، وصولاً إلى دراسة حالة تجريبية مكتملة قابلة لإعادة الإنتاج العلمي.

1. مقدمة إلى المخططات الرادارية وأهميتها في التمثيل البياني للبيانات متعددة المتغيرات

1.1 مفهوم المخطط الراداري (مخطط العنكبوت) وتاريخه

المخطط الراداري هو أداة عرض رسومية ثنائية الأبعاد صُممت لتمثيل مصفوفات البيانات متعددة المتغيرات التي تحتوي على ثلاثة متغيرات كمية مستمرة أو رتبية على الأقل. يعتمد المخطط على نظام الإحداثيات القطبية (Polar Coordinate System)، حيث تنبثق عدة محاور خطية شعاعية (Radii) من نقطة مركزية مشتركة تمثل الصفر أو الحد الأدنى للقياس، وتتجه نحو المحيط الخارجي بزوايا متساوية هندسياً تحسب وفق المعادلة الزاوية θ = 360° / k، حيث تمثل k عدد المتغيرات المدرجة في التحليل. يتم رسم قيمة كل متغير كنقطة تقع على المحور الشعاعي المخصص له، ثم تُربط هذه النقاط المتجاورة بخطوط مستقيمة لتشكيل مضلع نجمي أو دائري مغلق يمثل البروفايل الكلي للكائن المقاس.

تعود الجذور التاريخية للمخططات الشعاعية إلى أواخر القرن التاسع عشر؛ حيث يُنسب الاستخدام الرائد للتمثيلات القطبية إلى عالمة الإحصاء والتمريض البريطانية فلورنس نايتينجيل (Florence Nightingale) في عام 1858 من خلال مخططها الشهير “مخطط وردة نايتينجيل” (Coxcomb Chart) لتوثيق أسباب الوفيات في الجيش البريطاني. وفي عام 1877، طور الجغرافي والإحصائي الألماني جورج فون ماير (Georg von Mayr) نماذج أولية لما يُعرف بمخططات النجمة لتمثيل التوزيعات متعددة السمات. تطورت هذه الأشكال لاحقاً في منتصف القرن العشرين تحت مسميات عدة مثل “مخطط شبكة العنكبوت” (Spider Chart) لكون الخطوط المتداخلة الدائرية والمحاور الشعاعية تشبه نسيج العنكبوت، ومخطط “كفيات” (Kiviat Diagram) المستخدم على نطاق واسع في هندسة الحواسيب وتقييم كفاءة الأنظمة والبرمجيات.

من الناحية الرياضية، يقوم المخطط الراداري بعملية تحويل دالي من الفضاء الإقليدي متعدد الأبعاد R^k إلى الفضاء ثنائي الأبعاد R² عبر إسقاط شعاعي زاوي. بالمقارنة مع المخططات الشريطية (Bar Charts) أو الخطية التقليدية (Line Charts)، يتميز المخطط الراداري بقدرته على الحفاظ على مفهوم الدائرية والاتصال الهيكلي بين المتغيرات، مما يمنح الباحث رؤية كلية فورية (Gestalt Perception) للنمط العام للشخصية أو الأداء، بدلاً من تجزئة الانتباه عبر أعمدة شريطية منفصلة تفقد الترابط البُعدي الداخلي.

1.2 مجالات الاستخدام والتطبيقات في القياس النفسي والعلوم السلوكية

تحظى المخططات الرادارية بأهمية استثنائية في مجالات القياس النفسي (Psychometrics) والعلوم السلوكية والعصبية؛ نظراً لأن الظواهر النفسية بطبيعتها تركيبية ومتعددة الأبعاد لا يمكن اختزالها في مؤشر أحادي. يُعد تمثيل بروفايلات الشخصية الفردية أحد أبرز هذه التطبيقات، كما هو الحال في نموذج العوامل الخمسة الكبرى للشخصية (Big Five Personality Traits)، واختبارات الميول المهنية، ومقاييس الذكاءات المتعددة لغاردنر، ومصفوفات الذكاء العاطفي. يتيح المخطط للأخصائي النفسي رسم بصمة الشخصية وتحديد التوازن أو التباين بين سمات مثل العصابية، الانبساط، الانفتاح، المقبولية، ويقظة الضمير في مضلع بصري موحد.

في علم النفس الإكلينيكي والطب النفسي، توفر المخططات الرادارية وسيلة بصرية متفوقة لمقارنة ملفات الأعراض المرضية لمجموعات إكلينيكية مختلفة (مثل مرضى الاكتئاب الجسيم مقابل مرضى القلق المعمم أو اضطراب الوسواس القهري) عبر مقاييس التشخيص النفسي المتعددة كأبعاد مقياس SCL-90-R أو مصفوفات MMPI. كما تُستخدم بشكل منهجي في تقييم فاعلية التدخلات العلاجية النفسية والدوائية عبر مقارنة البروفايل العَرَضي للمريض في مرحلة ما قبل العلاج (Pre-test) ومرحلة ما بعد العلاج (Post-test) ومرحلة المتابعة، حيث يُظهر الانكماش الموضعي لمساحة المضلع نحو المركز دليلاً بصرياً ساطعاً على تراجع شدة الأعراض السريرية.

علاوة على ذلك، في علم النفس الصناعي والتنظيمي (Industrial-Organizational Psychology)، تُعد هذه المخططات المعيار الذهبي في تقييم الكفاءات السلوكية الوظيفية بنظام التقييم 360 درجة (360-degree feedback)، حيث يتم وضع تقييم الموظف لذاته جنباً إلى جنب مع تقييمات المديرين، الزملاء، والمرؤوسين عبر محاور القيادة، التواصل، العمل الجماعي، حل المشكلات، والابتكار، مما يكشف بدقة نقاط العمى السلوكي وفجوات التطوير المهني.

1.3 المزايا الإدراكية والتحليلية للمخططات الرادارية

تستند القوة التحليلية للمخطط الراداري إلى مبادئ علم النفس الإدراكي ونظرية معالجة المعلومات البصرية (Visual Information Processing). يمتلك الجهاز البصري البشري قدرة فطرية متقدمة على التعرف على التناظر الهندسي والأشكال الإجمالية (Holistic Shapes) بسرعة تتجاوز معالجة الأرقام النصية والجداول الرياضية. من خلال دمج عدة محاور في شكل مغلق، يتيح المخطط للمحلل استيعاب التوازن النسبي بين الأبعاد دفعة واحدة، وتحديد ما إذا كان الملف المقاس متوازناً كروياً أو مشوهاً نحو سمة معينة.

تسهم المخططات الرادارية في إبراز نقاط القوة والضعف (Strengths and Weaknesses) بشكل بديهي؛ فالبروزات الخارجية الحادة تشير مباشرة إلى تفوق أو ارتفاع حرج في بعد محدد، بينما الانخسافات والانبعاجات نحو المركز تشير إلى مواطن قصور تستدعي التدخل. هذه الميزة تقلل العبء المعرفي (Cognitive Load) الواقع على متخذ القرار أو الطبيب المعالج الذي يحتاج إلى تشخيص سريع للحالة دون الغوص في مصفوفات الارتباط أو جداول المتوسطات الحسابية المطولة.

بالإضافة إلى ذلك، تلعب هذه المخططات دوراً حيوياً كجسر اتصالي فعّال لنقل نتائج الأبحاث الإمبيريقية المعقدة إلى فئات المستفيدين غير المتخصصين؛ كالمرضى، مديري الشركات، والمعلمين. إن تقديم بروفايل مقروء بوضوح يعزز من فهم العميل لنتائجه السلوكية ويدعم التحالف العلاجي والدافعية للتغيير، شريطة الالتزام بالقواعد الإحصائية السليمة في بناء المخطط وتجنب التشويه البصري الناتج عن التلاعب بالنطاقات والمقاييس.

2. المتطلبات الأساسية وإعداد بيئة العمل البرمجية في لغة R

2.1 تثبيت وتحميل الحزم البرمجية الأساسية

للبدء في بناء المخططات الرادارية وتخصيصها في R، يجب تجهيز بيئة العمل الإحصائية عبر تثبيت واستدعاء مجموعة من الحزم المتخصصة المتاحة على مستودع CRAN الرسمي. الحزمة المركزية الكلاسيكية المعتمدة في هذا السياق هي حزمة fmsb (Functions for Medical Statistics Book with cross-cultural study applications) التي طورها البروفيسور ميناتو ناكازاوا، والتي تحتوي على دالة radarchart() الأكثر مرونة في ضبط الهياكل الهندسية للمخططات الرادارية.

بالإضافة إلى fmsb، يتطلب إعداد وتنظيف المصفوفات متعددة المتغيرات توظيف منظومة tidyverse الحديثة، وتحديداً حزمتي dplyr للتلاعب بالجداول وحساب المتوسطات وحزمة tidyr لإعادة تشكيل البيانات بين النسق العريض والنسق الطولي. كما يُنصح بتثبيت حزمة ggradar المخصصة لبناء المخططات الرادارية اعتماداً على قواعد رسوم ggplot2، إلى جانب حزمة scales للتحكم في مقاييس النسب المئوية، وحزمة plotly لتصدير الرسوم في نسق تفاعلي.

يتم تنفيذ عمليات التثبيت والاستدعاء داخل بيئة RStudio عبر تنفيذ الأوامر البرمجية التالية:

# تثبيت الحزم البرمجية الأساسية من مستودع CRAN
install.packages("fmsb")
install.packages("tidyverse")
install.packages("scales")
install.packages("plotly")
# تثبيت حزمة ggradar من مستودع GitHub إذا دعت الحاجة
if (!require("devtools")) install.packages("devtools")
devtools::install_github("ricardo-bion/ggradar")
# استدعاء الحزم في جلسة العمل الحالية
library(fmsb)
library(tidyverse)
library(scales)
library(plotly)
library(ggradar)

يجب التأكد من توافق إصدارات الحزم مع إصدار R المستخدم (يفضل R 4.1.0 فما فوق) لضمان استقرار الدوال الرسومية وتفادي أخطاء استيراد الخطوط والمحارف الرسومية.

2.2 ضبط المعايير الجمالية وبيئة الرسوم (Graphical Parameters)

تعتمد محركات الرسوم الأساسية في R (Base R Graphics) على دالة التحكم في المعلمات par()، وهي الدالة المسؤولة عن ضبط هوامش اللوحة الرسومية، نسب الأبعاد، اتجاه المحاور، ولوحات الألوان. عند العمل مع المخططات الرادارية في حزمة fmsb، فإن ضبط الهوامش يُعد خطوة حرجة للغاية؛ حيث إن أسماء المتغيرات النصية تقع خارج الإطار الدائري للمخطط، وفي حال كانت الهوامش الافتراضية ضيقة، ستتعرض التسميات للاقتطاع (Clipping) خارج حدود اللوحة.

يتم ضبط هوامش الرسم باستخدام المعامل mar = c(bottom, left, top, right) داخل دالة par()، حيث يُوصى بتخصيص قيم متساوية ومريحة مثل par(mar = c(2, 2, 3, 2)) لتوفير مساحة كافية للعناوين الفرعية والمحاور الجانبية. كما يمكن ضبط لوحة الألوان الأساسية وتفعيل خطوط النظام التي تدعم المحارف الأبجدية وتنسيقات النشر المتقدمة.

# تهيئة بيئة الرسوم وضبط الهوامش لتفادي اقتطاع النصوص
par(mar = c(2.5, 2.5, 3.5, 2.5), pty = "s") # pty = "s" تضمن توليد إطار مربع متماثل
# إعداد لوحة ألوان أكاديمية متوافقة مع متطلبات التباين اللوني (ColorBrewer)
palette_academic <- c("#1F77B4", "#FF7F0E", "#2CA02C", "#D62728", "#9467BD")

تتيح المعلمة pty = "s" فرض إحداثيات رسومية مربعة متساوية الأضلاع (Square Plotting Region)، وهو شرط هندسي بالغ الأهمية لمنع استطالة الدوائر والمضلعات الرادارية لتتحول إلى أشكال بيضاوية مشوهة بصرياً نتيجة لاختلاف نسبة العرض إلى الارتفاع في نافذة العرض.

3. البنية الهيكلية الصارمة للبيانات في حزمة fmsb

3.1 قواعد الصفين الإلزاميين: القيم القصوى والدنيا

تفرض حزمة fmsb بروتوكولاً هيكلياً صارماً لا يقبل التجاوز عند تغذية دالة radarchart() بالبيانات. على عكس معظم دوال R التي تقبل مصفوفة البيانات كما هي وتستنتج النطاقات تلقائياً، تشترط حزمة fmsb أن يحتوي إطار البيانات (Data Frame) المدخل على صفين إلزاميّين في مقدمة المصفوفة قبل إدراج أي بيانات رصدية حقيقية:

• الصف الأول (الصف رقم 1 – Max Bounds): يمثل القيمة العظمى الممكنة نظرياً أو تجريبياً لكل متغير من المتغيرات المقاسة. تحدد هذه القيم أطراف المحاور الشعاعية الخارجية للمخطط.
• الصف الثاني (الصف رقم 2 – Min Bounds): يمثل القيمة الصغرى الممكنة لكل متغير مقاس، وتحدد هذه القيم نقطة المركز الشعاعي للمخطط.

إن الإخفاق في إضافة هذين الصفين، أو عكس ترتيبهما (وضع الأدنى قبل الأقصى)، يؤدي إما إلى توقف تنفيذ الدالة وإطلاق أخطاء برمجية فورية، أو توليد مخططات رادارية مقلوبة هندسياً تعطي انطباعات بصرية مضللة تماماً. يضمن التحديد الدقيق للصفين بقاء كافة البيانات الملاحظة ضمن المجال الرياضي [Min, Max]، ويحفظ النسب التناسبية الصحيحة للمضلعات المرسومة.

3.2 تنظيم الأعمدة والصفوف الحاملة للبيانات الفعلية

بعد تثبيت صفي الحدود القصوى والدنيا، تأتي مرحلة هيكلة الأعمدة والبيانات الملاحظة. يتم تنظيم كل متغير مراد تمثيله على محيط المخطط في عمود مخصص (Column)، ويجب أن تكون كافة هذه الأعمدة من النوع الرقمي الخالص (Numeric or Double). إن وجود أي عمود نصي أو تصنيفي (Factor/Character) داخل مصفوفة fmsb سيتسبب في فشل دالة الرسم، ولذلك يجب استبعاد الأعمدة المعرّفة (مثل رقم المشارك أو كود الحالة) وتخزينها كعناوين للصفوف (Row Names).

تبدأ البيانات الفعلية للحالات الفردية أو المجموعات الإحصائية من الصف الثالث فصاعداً. يمكن لإطار البيانات أن يحتوي على صف واحد للملاحظات (لرسم حالة فردية) أو عدة صفوف (لرسم ومقارنة مجموعات متعددة). يجب أن تعكس أسماء الأعمدة (Column Names) مصطلحات علمية دقيقة ومختصرة؛ لتفادي تداخل النصوص الطويلة على أطراف شبكة الرسم.

يوضح الجدول التالي النموذج الهيكلي المعتمد للبيانات داخل حزمة fmsb لمقياس خماسي الأبعاد:

ترتيب الصف في الإطار	دلالة الصف	البعد 1 (E)	البعد 2 (A)	البعد 3 (C)	البعد 4 (N)	البعد 5 (O)
الصف 1	الحد الأقصى المعياري (Max)	100	100	100	100	100
الصف 2	الحد الأدنى المعياري (Min)	0	0	0	0	0
الصف 3	الحالة الفردية الأولى (Case 1)	78	65	88	42	90
الصف 4	الحالة الفردية الثانية (Case 2)	55	82	60	75	68

3.3 تحويل وتجهيز إطارات البيانات (Data Frames) آلياً

في التطبيقات الواقعية، تأتي البيانات الخام على شكل جداول لا تحتوي على صفي الحدود القصوى والدنيا. لذلك، يتطلب التحليل الأكاديمي كتابة دوال أوتوماتيكية تقوم بدمج حدود المقاييس مع البيانات الملاحظة باستخدام دوال الربط الرأسي مثل rbind()، مع التحقق البرمجي من سلامة الأنواع البيانية وخلوها من القيم المفقودة (Missing Values – NAs) التي قد تؤدي إلى حدوث انقطاعات غير مرغوبة في المضلعات الرادارية.

فيما يلي كود R عملي يوضح كيفية أتمتة هذه العملية بالكامل:

# 1. إنشاء مصفوفة البيانات الملاحظة (بيانات افتراضية لثلاثة مشاركين)
raw_data <- data.frame(
 Neuroticism = c(45, 60, 30),
 Extraversion = c(75, 50, 85),
 Openness = c(85, 70, 90),
 Agreeableness = c(65, 80, 55),
 Conscientiousness = c(90, 65, 75)
)
rownames(raw_data) <- c("Participant_A", "Participant_B", "Participant_C")
# 2. تحديد متجهات الحدود القصوى والدنيا للمقياس (من 0 إلى 100)
max_boundaries <- c(100, 100, 100, 100, 100)
min_boundaries <- c(0, 0, 0, 0, 0)
# 3. دمج صفوف الحدود مع مصفوفة البيانات باستخدام دالة rbind
fmsb_ready_data <- rbind(
 max_boundaries,
 min_boundaries,
 raw_data
)
# تعيين أسماء معيارية للصفين الأولين
rownames(fmsb_ready_data)[1:2] <- c("Max_Limit", "Min_Limit")
# معاينة البنية البرمجية المكتملة
str(fmsb_ready_data)

تضمن هذه الصياغة البرمجية استيفاء الشروط البنيوية لـ fmsb بسلاسة، مما يمهد الطريق لتنفيذ دوال الرسم دون أخطاء runtime غير متوقعة.

4. الدليل التطبيقي خطوة بخطوة لإنشاء مخطط راداري أساسي

4.1 بناء مصفوفة البيانات التجريبية لحالة فردية

لتوضيح الآلية التطبيقية لإنشاء أول مخطط راداري، سنقوم ببناء مصفوفة تقييم نفسي لحالة فردية واحدة خضعت لاختبار التقييم السلوكي الشامل عبر ستة أبعاد: (المرونة، القيادة، التواصل، التحليل، الابتكار، والعمل الجماعي). يفترض المقياس درجات تتراوح بين 0 كحد أدنى و 20 كحد أقصى.

# تعريف أسماء الأبعاد السلوكية
behavioral_traits <- c("Resilience", "Leadership", "Communication", 
 "Analytical", "Innovation", "Teamwork")
# بناء إطار بيانات يحتوي على الحدود القصوى والدنيا ودرجات الحالة الفردية
single_case_df <- data.frame(
 matrix(
 c(
 20, 20, 20, 20, 20, 20, # الصف 1: الحد الأقصى
 0, 0, 0, 0, 0, 0, # الصف 2: الحد الأدنى
 16, 14, 18, 12, 17, 15 # الصف 3: درجات الحالة الفردية
 ),
 nrow = 3,
 byrow = TRUE
 )
)
# تسمية الأعمدة والصفوف
colnames(single_case_df) <- behavioral_traits
rownames(single_case_df) <- c("Max", "Min", "Individual_A")
# فحص البيانات
print(single_case_df)

تُظهر المصفوفة السابقة أن الحالة الفردية تمتلك درجات مرتفعة في بعدي التواصل (18/20) والابتكار (17/20)، بينما سجلت أدنى درجة في البعد التحليلي (12/20)، وهو التباين الذي سيتكفل المخطط الراداري بإبرازه بوضوح فوري.

4.2 تنفيذ دالة radarchart الأساسية وتفسير المخرجات

بعد تجهيز المصفوفة، يتم استدعاء دالة radarchart() الأساسية وتمرير إطار البيانات إليها مباشرة. تقوم الدالة بإنشاء الهيكل الشعاعي تلقائياً ورسم المضلع الممثل للحالة الفردية.

# رسم المخطط الراداري الافتراضي للحالة الفردية
radarchart(single_case_df)

عند تنفيذ الكود الافتراضي، يُولد محرك R رسماً يتألف من شبكة مضلعة متحدة المركز تتضمن المحاور الشعاعية الستة المنبثقة من المركز، مع وجود خط أسود رفيع يربط قيم الحالة الفردية على المحاور. ومع أن هذا الرسم الافتراضي يفي بالغرض الأولي لنقل توزيع البيانات، إلا أنه يفتقر إلى الجاذبية البصرية والوضوح التفسيري المطلوب في التقارير الأكاديمية والممارسات المهنية؛ حيث تبدو خطوط الشبكة شديدة الرتابة، وتغيب الألوان المميزة ومؤشرات المحاور الدقيقة.

4.3 التحكم في مستويات شبكة المخطط وعناوين المحاور

تتيح دالة radarchart() مجموعة واسعة من المعاملات التقنية للتحكم في تفاصيل الشبكة وتنسيقات المحاور:

• seg (Segments): لتحديد عدد الحلقات أو المستويات الداخلية لشبكة العنكبوت. القيمة الافتراضية هي 4، ولكن يمكن زيادتها إلى 5 أو 10 لتسهيل قراءة القيم الفردية بدقة.
• vlabels (Variable Labels): متجه نصي لتعديل أو تخصيص عناوين المحاور الظاهرة على الأطراف، في حال الرغبة بتضمين مسميات عربية أو شروح إضافية.
• vlcex (Variable Label Character Expansion): معامل نسبي للتحكم في حجم خط تسميات المحاور (مثلاً vlcex = 1.1 لتكبير الخط).
• caxislabels و axislabcol: للتحكم في قيم وألوان أرقام القياس المكتوبة على المحور الرأسي المرجعي للشبكة.
• pty (Plot Type): لتحديد شكل الشبكة (دائري أو مضلع منتظم).

يوضح المثال التالي كيفية تحسين المخطط الأساسي عبر تطبيق هذه المعاملات المتقدمة:

# تخصيص مستويات الشبكة وعناوين المحاور
radarchart(
 single_case_df,
 seg = 5, # تقسيم الشبكة إلى 5 مستويات متساوية
 vlabels = c("المرونة", "القيادة", "التواصل", "التحليل", "الابتكار", "العمل الجماعي"),
 vlcex = 1.1, # تكبير حجم خط مسميات المتغيرات
 caxislabels = seq(0, 20, length.out = 6), # تسميات مقياس المحور
 axislabcol = "gray40", # لون أرقام مقياس المحور
 axistype = 1 # إظهار أرقام المقياس على المحور الرأسي
)

5. تخصيص المظهر الجمالي والهندسي للمخطط الراداري

5.1 تخصيص خطوط ومساحات البيانات (Polygon Customization)

لتحويل المخطط الراداري من شكله الخام إلى رسم احترافي عالي الجودة، يجب تخصيص خصائص المضلع البياني ذاته (Polygon Properties). يشمل ذلك لون خط الحدود الخارجية، سمك الخط، نوع التقطيع، ونمط تعبئة المساحة الداخلية للمضلع بالشفافية اللونية المناسبة لمنح الرسم وزناً بصرياً متناسقاً.

المعاملات الأساسية لتخصيص المضلع في حزمة fmsb هي:

• pcol (Polygon Color): يحدد لون خط المضلع الخارجي (يمكن استخدام أسماء الألوان مثل "navy" أو أكواد Hex مثل "#1F77B4").
• pfcol (Polygon Fill Color): يحدد لون تعبئة المساحة المحصورة داخل المضلع. يُنصح بشدة باستخدام دالة rgb(red, green, blue, alpha) لتمرير قيمة الشفافية alpha (تتراوح بين 0 للشفاف التام و1 للمصمت التام، وعادة ما تكون القيمة بين 0.2 و0.4 مثالية).
• plwd (Polygon Line Width): سمك خط حدود المضلع، ويُفضل اختيار قيمة بين 2 و3 لضمان وضوحه عند الطباعة.
• plty (Polygon Line Type): نوع الخط (1 للمتصل، 2 للمتقطع، 3 للمنقط).
• pty و pdensity: معاملات إضافة نقاط الالتقاء وتظليل المضلع بنقوش هندسية.

# تخصيص خطوط وتعبئة مضلع الحالة الفردية
radarchart(
 single_case_df,
 seg = 5,
 pcol = "#2B5C8F", # لون خط أزرق غامق احترافي
 pfcol = rgb(43/255, 92/255, 143/255, alpha = 0.35), # تعبئة بلون متطابق مع شفافية 35%
 plwd = 2.5, # زيادة سمك الخط الخارجي
 plty = 1, # خط متصل
 pty = 16, # إضافة نقاط تقاطع مصمتة
 cglcol = "gray75", # لون خطوط الشبكة الخلفية
 cglty = 1, # شبكة بخطوط متصلة رفيعة
 cglwd = 0.8
)

5.2 تنسيق شبكة الخلفية والمحاور الشعاعية (Grid Customization)

تلعب الشبكة العنكبوتية والمحاور الشعاعية دور الإطار المرجعي الذي تُقاس عليه البيانات، ولذلك فإن هندستها الجمالية تحمي القارئ من التشتت البصري. في كثير من الأحيان، تؤدي الشبكات السوداء القاتمة إلى طمس البيانات، بينما الشبكات الخفيفة المنسقة بدقة تمنح الرسم عمقاً احترافياً.

تتحكم المعاملات التالية في خصائص الشبكة:

• cglcol (Circular Grid Line Color): لون الحلقات الدائرية أو المضلعة للشبكة الداخلية. يفضل استخدام درجات الرمادي الفاتح (مثل "grey80" أو "#E0E0E0").
• cglty (Circular Grid Line Type): نمط خط الشبكة (القيمة 3 تنتج خطوطاً منقطة خفيفة تزيد من جمالية الرسم).
• cglwd (Circular Grid Line Width): سمك خط الشبكة الداخلية (يفضل أن يكون بين 0.6 و 1).
• axistype: يحدد طريقة عرض المحاور ومحاذاة التسميات الرقمية (القيمة 0 تخفي الأرقام، 1 تظهر الأرقام على المحور الرأسي فقط، 2 تظهر الأرقام على كافة المحاور).

5.3 إضافة العناوين والوسائل التوضيحية ومربعات التفسير

يتطلب النشر الأكاديمي والمهني إثراء المخطط بالعناوين الوصفية والملاحظات الإيضاحية. على الرغم من أن دالة radarchart() تقبل معامل title لإدراج عنوان رئيسي، إلا أن استخدام دالة title() التابعة للغة R الأساسية بعد استدعاء دالة الرسم يوفر تحكماً أدق في موقع العنوان، حجمه، ولونه.

# بناء مخطط متكامل مع عناوين وحواشي توضيحية
par(mar = c(2, 2, 4, 2)) # حجز مساحة علوية كافية للعنوان الرئيسي
radarchart(
 single_case_df,
 seg = 5,
 pcol = "#1B9E77",
 pfcol = scales::alpha("#1B9E77", 0.3),
 plwd = 2.5,
 cglcol = "grey70",
 cglty = 3,
 cglwd = 1,
 axistype = 1,
 axislabcol = "grey30",
 vlcex = 1.1
)
# إضافة العنوان الرئيسي والعنوان الفرعي
title(
 main = "بروفايل الكفاءات السلوكية للحالة الفردية (A)",
 sub = "المصدر: تقرير التقييم السلوكي ربع السنوي - معيار القياس (0 - 20)",
 cex.main = 1.3,
 col.main = "#1A1A1A",
 cex.sub = 0.85,
 col.sub = "gray40"
)

6. إنشاء مخططات رادارية متعددة الفئات لمقارنة المجموعات

6.1 هيكلة البيانات للمقارنة بين حالتين أو مجموعتين مختلفتين

تتجلى القوة الحقيقية للمخططات الرادارية عند توظيفها في مقارنة بروفايلات مجموعتين أو حالتين مختلفتين على نفس الإطار الهندسي؛ مثل مقارنة متوسطات درجات مجموعتين تجريبية وضابطة، أو مقارنة أداء قائدين تنفيذيين، أو تقييم حالة مرضية عبر الزمن. لتحقيق ذلك في حزمة fmsb، يتم إدراج صفوف إضافية تمثل المجموعات المراد مقارنتها مباشرة بعد صفي الحدود القصوى والدنيا.

# تجهيز بيانات مقارنة بين مجموعتين (المجموعة التجريبية مقابل المجموعة الضابطة)
comparison_data <- data.frame(
 matrix(
 c(
 100, 100, 100, 100, 100, # الصف 1: الحد الأقصى
 0, 0, 0, 0, 0, # الصف 2: الحد الأدنى
 82, 74, 90, 68, 85, # الصف 3: المجموعة التجريبية (Experimental)
 60, 65, 55, 72, 50 # الصف 4: المجموعة الضابطة (Control)
 ),
 nrow = 4,
 byrow = TRUE
 )
)
colnames(comparison_data) <- c("Focus", "Memory", "Processing_Speed", "Spatial", "Verbal")
rownames(comparison_data) <- c("Max", "Min", "Experimental_Group", "Control_Group")

6.2 رسم وتراكب المضلعات المتعددة وضبط الشفافية البصرية

عند رسم مضلعات متعددة فوق بعضها البعض (Overlaid Polygons)، يجب تمرير متجهات (Vectors) للألوان وخصائص الخطوط إلى معلمات الدالة radarchart() بحيث يتطابق طول المتجه مع عدد المجموعات المقارنة (في مثالنا: عنصران للمجموعتين). يُعد ضبط الشفافية عبر المعامل pfcol أمراً حاسماً هنا؛ إذ إن استخدام ألوان مصمتة بدون شفافية سيؤدي حتماً إلى قيام المضلع الأكبر بحجب المضلع الأصغر بالكامل، مما يفقد الرسم قيمته المقارنة.

# إعداد متجهات التنسيق اللوني للمجموعتين
group_colors <- c("#E41A1C", "#377EB8") # أحمر للتجريبية، أزرق للضابطة
group_fills <- c(scales::alpha("#E41A1C", 0.25), scales::alpha("#377EB8", 0.25))
line_types <- c(1, 2) # خط متصل للتجريبية، خط متقطع للضابطة
# رسم المخطط المقارن المتراكب
radarchart(
 comparison_data,
 seg = 5,
 pcol = group_colors,
 pfcol = group_fills,
 plwd = 2.5,
 plty = line_types,
 pty = c(16, 17), # دائرة للتجريبية، مثلث للضابطة
 cglcol = "grey75",
 cglty = 3,
 vlcex = 1.05
)

6.3 إدارة وسيلة الإيضاح المتقدمة للمجموعات المتعددة

لا يكتمل المخطط المقارن متعدد المجموعات دون وسيلة إيضاح (Legend) دقيقة تُترجم الألوان والرموز وأنماط الخطوط. في بيئة R الأساسية، يتم استدعاء دالة legend() مباشرة بعد دالة الرسم، مع تحديد إحداثيات موضعها الجغرافي بعناية (مثل "topright" أو "bottomright") لتجنب تداخل صندوق الإيضاح مع أطراف المضلعات الرادارية.

# إضافة وسيلة إيضاح مفصلة واحترافية
legend(
 x = "topright",
 legend = c("المجموعة التجريبية (N=45)", "المجموعة الضابطة (N=42)"),
 col = group_colors,
 pt.bg = group_fills,
 pch = c(16, 17),
 lty = line_types,
 lwd = 2.5,
 bty = "n", # إخفاء حدود الصندوق الخارجية لمظهر أكثر نظافة
 cex = 0.9, # تحجيم الخط
 text.col = "gray20"
)
title(main = "مقارنة البروفايل المعرفي العصبي بين المجموعتين التجريبية والضابطة", cex.main = 1.2)

7. تطبيقات متقدمة في القياس النفسي والتقييم السلوكي

7.1 نمذجة بروفايل اختبار الشخصية (نموذج العوامل الخمسة الكبرى)

يُمثل نموذج العوامل الخمسة الكبرى للشخصية (NEO-PI-R / Big Five) تطبيقاً نموذجياً للمخططات الرادارية. يقيس هذا النموذج خمسة أبعاد عريضة هي: العصابية (Neuroticism)، الانبساط (Extraversion)، الانفتاح على الخبرة (Openness to Experience)، المقبولية (Agreeableness)، وتفاني الضمير (Conscientiousness). يتم التعبير عن الدرجات عادة بالدرجات التائية المعيارية (T-scores) بمتوسط حسابي قدره 50 وانحراف معياري قدره 10، حيث يمتد النطاق المعياري النمطي بين 20 و 80.

# بناء بروفايل العوامل الخمسة الكبرى بالدرجات التائية (T-Scores)
big5_data <- data.frame(
 Neuroticism = c(80, 20, 68),
 Extraversion = c(80, 20, 42),
 Openness = c(80, 20, 75),
 Agreeableness = c(80, 20, 38),
 Conscientiousness = c(80, 20, 62)
)
rownames(big5_data) <- c("Max_T", "Min_T", "Client_Profile")
# رسم بروفايل العميل مقارنة بالمتوسط المعياري التائي (T = 50)
radarchart(
 big5_data,
 seg = 6, # حلقات تمثل 20, 30, 40, 50, 60, 70, 80
 pcol = "#7570B3",
 pfcol = scales::alpha("#7570B3", 0.3),
 plwd = 3,
 cglcol = "grey80",
 vlcex = 1.1
)
title(main = "بروفايل العوامل الخمسة للشخصية (T-Scores) للعميل (س)", cex.main = 1.2)

يُظهر المخطط الناتج مباشرة أن العميل يمتلك بروفايلاً يتسم بارتفاع ملحوظ في سمة الانفتاح على الخبرة والعصابية، مع انخفاض واضح في المقبولية والانبساط، وهو ما يوفر للأخصائي النفسي تشخيصاً نسقياً سريعاً للشخصية يساعد في صياغة خطة التدخل الإرشادي.

7.2 تقييم نتائج التدخل العلاجي (القياس القبلي والبعدي)

في أبحاث العلاج النفسي القائم على الأدلة (Evidence-Based Psychotherapy)، يحتاج الباحث إلى توضيح حجم التغير الإكلينيكي في شدة أعراض الاضطراب النفسي قبل وبعد تطبيق برنامج العلاج المعرفي السلوكي (CBT). يتيح المخطط الراداري عرض أبعاد متعددة للأعراض (مثل: القلق العام، الاكتئاب، الأعراض الجسدية، الأفكار الوسواسية، التجنب الاجتماعي) في رسم موحد.

# مصفوفة درجات شدة الأعراض قبل وبعد التدخل العلاجي (مقياس 0 - 100)
cbt_outcome <- data.frame(
 Generalized_Anxiety = c(100, 0, 85, 30),
 Depressive_Mood = c(100, 0, 78, 25),
 Somatic_Symptoms = c(100, 0, 65, 20),
 Obsessive_Thoughts = c(100, 0, 70, 35),
 Social_Avoidance = c(100, 0, 80, 40)
)
rownames(cbt_outcome) <- c("Max", "Min", "Pre_Treatment", "Post_Treatment")
# رسم القياس القبلي والبعدي
radarchart(
 cbt_outcome,
 seg = 5,
 pcol = c("#D95F02", "#1B9E77"),
 pfcol = c(scales::alpha("#D95F02", 0.3), scales::alpha("#1B9E77", 0.4)),
 plwd = 2.5,
 plty = c(1, 1),
 cglcol = "grey75"
)
legend(
 "topright",
 legend = c("القياس القبلي (Pre-CBT)", "القياس البعدي (Post-CBT)"),
 col = c("#D95F02", "#1B9E77"),
 pch = 15,
 bty = "n",
 cex = 0.95
)
title(main = "تراجع حدة الأعراض النفسية بعد تطبيق برنامج العلاج المعرفي السلوكي", cex.main = 1.15)

يبرز الرسم هنا بصرياً الانكماش الكلي لمضلع الأعراض (تقلص المساحة الخضراء مقارنة بالمساحة البرتقالية السابقة)، مما يوفر مؤشراً بصرياً واضحاً على التحسن الشامل لدى الحالة في كافة المحاور المقاسة.

7.3 مقارنة البروفايل النفسي بين العينات الإكلينيكية والمجموعات الضابطة

عند دراسة الفروق الإحصائية بين عينة مرضية (مثل مرضى الفصام أو اضطراب ثنائي القطب) وعينة ضابطة من الأصحاء على اختبارات الوظائف التنفيذية العصبية (Neuropsychological Executive Functions)، يُستخدم المخطط الراداري لعرض المتوسطات البُعدية مع إمكانية تمييز الأبعاد التي حققت دلالة إحصائية (p < 0.01).

تُمكن هذه المقارنة الباحثين من تحديد النطاقات الإدراكية المصابة بدقة (مثل الذاكرة العاملة والمرونة المعرفية) مقارنة بالنطاقات المحفوظة جزئياً، مما يدعم رسم خرائط القصور المعرفي بدقة متناهية تسهم في تصميم برامج إعادة التأهيل العصبي الموجهة.

8. إنشاء المخططات الرادارية باستخدام ggplot2 ونظام الإحداثيات القطبية

8.1 تحويل البيانات إلى التنسيق الطولي (Long Format)

بينما تعتمد حزمة fmsb على التنسيق العريض (Wide Format) مع صفي الحدود، تتبع منظومة ggplot2 فلسفة “قواعد البيانات النحوية للرسوم” (Grammar of Graphics)، والتي تشترط تحويل البيانات إلى التنسيق الطولي (Long/Tidy Format). في هذا التنسيق، يمثل كل صف ملاحظة وحيدة لمتغير معين وقيمته ومجموعته.

لتحقيق ذلك، نستخدم دالة pivot_longer() من حزمة tidyr. بالإضافة إلى ذلك، يتطلب بناء مضلع مغلق داخل ggplot2 تكرار النقطة الأولى في نهاية السلسلة لكل مجموعة لضمان ربط الضلع الأخير بالضلع الأول هندسياً دون انقطاع.

# 1. إنشاء مصفوفة بيانات بنسق عريض
df_wide <- data.frame(
 Group = c("Clinicians", "Researchers"),
 Empathy = c(85, 60),
 Logic = c(65, 95),
 Creativity = c(70, 80),
 Systematics = c(60, 90),
 Communication = c(90, 65)
)
# 2. تحويل البيانات إلى التنسيق الطولي
df_long <- df_wide %>%
 pivot_longer(
 cols = -Group,
 names_to = "Dimension",
 values_to = "Score"
 )
# 3. إغلاق المضلع برمجياً بربط النقطة الأخيرة بالنقطة الأولى
df_closed <- df_long %>%
 group_by(Group) %>%
 do(rbind(., .[1, ])) %>%
 ungroup()
print(head(df_closed, 6))

8.2 توظيف دالة coord_polar لبناء المخطط الشعاعي

في ggplot2، يتم بناء المخطط الراداري عبر رسم خطوط ومضلعات اعتيادية باستخدام geom_polygon() و geom_path() ثم تطبيق التحويل القطبي باستخدام دالة coord_polar(theta = "x")، والتي تقوم بلف المحور الأفقي السيني (X-axis) ليصبح محيطاً دائرياً مغلقاً.

# بناء المخطط الراداري باستخدام منظومة ggplot2
ggplot(df_closed, aes(x = Dimension, y = Score, group = Group, color = Group, fill = Group)) +
 geom_polygon(alpha = 0.25, size = 1.2) +
 geom_point(size = 3) +
 coord_polar(theta = "x") +
 scale_y_continuous(limits = c(0, 100), breaks = seq(0, 100, by = 20)) +
 scale_color_manual(values = c("#E7298A", "#1F78B4")) +
 scale_fill_manual(values = c("#E7298A", "#1F78B4")) +
 theme_minimal() +
 theme(
 axis.title = element_blank(),
 panel.grid.major = element_line(color = "grey80", linetype = "dashed"),
 axis.text.x = element_text(size = 11, face = "bold", color = "grey20"),
 legend.position = "bottom"
 ) +
 labs(title = "مقارنة المهارات المهنية باستخدام ggplot2 (الإسقاط القطبي)")

8.3 بناء مخططات حديثة باستخدام حزمة ggradar

تُعد حزمة ggradar إضافة متميزة مبنية خصيصاً فوق ggplot2 لتجاوز التعقيدات اليدوية للإسقاط القطبي وتوفير مظهر عصري جاهز بجودة المنصات التحليلية العالمية. تشترط حزمة ggradar تطبيع كافة المتغيرات لتتراوح قيمها بدقة بين 0 و 1، وأن يكون العمود الأول مخصصاً لمسميات المجموعات.

# تجهيز البيانات لحزمة ggradar وتطبيعها بين 0 و 1
df_radar_scaled <- df_wide %>%
 mutate(across(-Group, ~ .x / 100)) # قسمة الدرجات على 100 لتصبح بين 0 و 1
# رسم المخطط الراداري باستخدام ggradar
ggradar(
 df_radar_scaled,
 values.radar = c("0%", "50%", "100%"),
 grid.min = 0, grid.mid = 0.5, grid.max = 1,
 group.line.width = 1.2,
 group.point.size = 3,
 group.colours = c("#00AFBB", "#FC4E07"),
 background.circle.colour = "white",
 gridline.mid.colour = "grey85",
 legend.title = "المجموعة المهنية",
 legend.text.size = 10
)

تتفوق ggradar في سهولة الاستخدام وتنسيق الشبكة الدائرية المتناسقة تلقائياً، وتُعد خياراً مثالياً لإعداد الرسوم الرادارية في العروض التقديمية والمنشورات الحديثة.

9. معالجة البيانات المعقدة وتقنيات التقييس والتحجيم الإحصائي

9.1 تقنيات التطبيع (Normalization) والتقييس (Standardization)

أحد أكبر التحديات المنهجية في بناء المخططات الرادارية يظهر عندما تختلف وحدات القياس أو النطاقات العددية بين المتغيرات المقاسة؛ مثل دمج متغير مقاس من (1 إلى 5) مع متغير آخر مقاس من (0 إلى 1000). إن تمثيل هذه المتغيرات الخام على نفس المخطط يؤدي إلى انكماش المتغيرات ذات النطاق الصغير نحو نقطة الصفر وتضخم المتغيرات الكبيرة، مما يفقد الرسم توازنه المنطقي.

لحل هذه المعضلة الإحصائية، يجب تطبيق أحد أسلوبين قبل الرسم:

• التطبيع بمقياس الحدين الأدنى والأقصى (Min-Max Normalization): تحويل قيم كل متغير لتصبح محصورة بدقة بين [0, 1] وفق المعادلة: X_norm = (X – X_min) / (X_max – X_min).
• التقييس الإحصائي (Z-Score Standardization): تحويل القيم إلى درجات معيارية بمتوسط صفر وانحراف معياري واحد: Z = (X – μ) / σ، ثم تحويلها إلى درجات تائية موجبة (T-Scores: T = 50 + 10Z) لضمان عدم وجود قيم سالبة تعقد الرسم القطبي.

# دالة برمجية مخصصة لتطبيع المصفوفات بمقياس Min-Max
min_max_scaler <- function(data_matrix) {
 apply(data_matrix, 2, function(x) {
 (x - min(x, na.rm = TRUE)) / (max(x, na.rm = TRUE) - min(x, na.rm = TRUE))
 })
}
# تطبيق التطبيع على مصفوفة بيانات خام غير متجانسة
raw_heterogeneous <- data.frame(
 Reaction_Time_ms = c(250, 400, 180), # نطاق بالمللي ثانية
 Accuracy_Percent = c(95, 80, 88), # نطاق مئوي
 Likert_Score = c(4.5, 3.2, 5.0) # مقياس ليكرت خماسي
)
normalized_data <- as.data.frame(min_max_scaler(raw_heterogeneous))
print(normalized_data)

9.2 التعامل مع المتغيرات المعكوسة (Reverse-Coded Variables)

في مقاييس القياس النفسي والاستبيانات السلوكية، تتضمن العديد من الأدوات بنوداً أو أبعاداً سلبية معكوسة الاتجاه؛ مثل تضمين بعد “الإرهاق النفسي” أو “الاندفاعية” ضمن مصفوفة تقيس “الصحة النفسية العامة” أو “الصلابة القيادية”. إذا تم رسم المتغير المعكوس بقيمته الأصلية، فإن البروز الخارجي على المحور سيعكس في الواقع نتيجة سلبية، بينما البروز على باقي المحاور يعكس نتيجة إيجابية، مما يشوش التفسير الكلي للشكل الهندسي.

يجب عكس درجات هذه المتغيرات برمجياً قبل دمجها في المخطط بحيث يشير الاتجاه الخارجي نحو المحيط دائماً إلى “الأداء الأفضل” أو “الحالة المرغوبة”، وذلك عبر المعادلة: X_rev = (Max + Min) – X، مع التوثيق المنهجي الصريح لهذا الإجراء في عنوان المحور أو الحواشي السفلية (مثلاً: “الاستقرار الانفعالي (معكوس العصابية)”).

9.3 التعامل مع القيم الشاذة والمتطرفة (Outliers)

تؤثر القيم المتطرفة والشاذة بشكل كبير على شكل المضلع الراداري؛ إذ إن وجود قيمة شاذة مرتفعة جداً قد يجبر الباحث على توسيع الحد الأقصى للمحور، مما يتسبب في انكماش خطوط باقي الحالات نحو المركز واختفاء الفروق الدقيقة بينها. للتعامل مع هذا التحدي، يُوصى إحصائياً بتطبيق أسلوب “التشذيب أو التحجيم الإحصائي” (Winsorization)، حيث يتم استبدال القيم المتطرفة التي تتجاوز المئين 95 أو تقل عن المئين 5 بالقيم المعيارية المقابلة لتلك الحدود قبل الشروع في بناء المخطط.

10. إنشاء لوحات مقارنة متقدمة ومخططات رادارية تفاعلية

10.1 تصميم لوحات رادارية متعددة النوافذ (Faceted Small Multiples)

عندما يزداد عدد المجموعات المقارنة عن 3 أو 4 مجموعات، يصبح تراكب المضلعات في مخطط راداري واحد سبباً رئيسياً للازدحام البصري وانعدام المقروئية. في هذه الحالة، توصي أفضل ممارسات التمثيل البياني بتطبيق مبدأ “النوافذ الصغيرة المتعددة” (Faceted Small Multiples)، حيث يتم إنشاء شبكة متجاورة من المخططات الرادارية المنفصلة، بحيث يُخصص مخطط مستقل لكل حالة أو مجموعة، مع توحيد مقاييس المحاور بدقة عبر كافة النوافذ لإتاحة مقارنة بصرية عادلة وموضوعية.

في بيئة R الأساسية، يتم تقسيم لوحة الرسم باستخدام المعامل mfrow داخل دالة par():

# ضبط مصفوفة الرسوم لعرض 4 مخططات متجاورة (2 صف × 2 عمود)
par(mfrow = c(2, 2), mar = c(2, 2, 3, 2))
# مصفوفة بيانات نموذجية لأربعة أفراد
candidates <- data.frame(
 Technical = c(100, 0, 90, 60, 80, 50),
 Leadership = c(100, 0, 40, 85, 70, 95),
 Teamwork = c(100, 0, 70, 90, 85, 60),
 Communication = c(100, 0, 60, 75, 90, 80),
 Innovation = c(100, 0, 85, 65, 75, 90)
)
colors <- c("#1B9E77", "#D95F02", "#7570B3", "#E7298A")
names <- c("المرشح 1: تقني متخصص", "المرشح 2: قائد تنفيذي", "المرشح 3: منسق علاقات", "المرشح 4: مطور مبتكر")
# حلقة تكرارية لتوليد الرسوم الأربعة المتجاورة
for (i in 1:4) {
 sub_df <- rbind(candidates[1:2, ], candidates[i + 2, ])
 radarchart(
 sub_df,
 seg = 4,
 pcol = colors[i],
 pfcol = scales::alpha(colors[i], 0.3),
 plwd = 2,
 cglcol = "grey80",
 vlcex = 0.95
 )
 title(main = names[i], cex.main = 1.05, col.main = "gray10")
}
# إعادة تعيين نافذة الرسوم إلى الوضع الافتراضي
par(mfrow = c(1, 1))

10.2 تحويل المخططات الرادارية إلى مخرجات تفاعلية باستخدام Plotly

يتيح تحويل المخططات الرادارية إلى وسائط تفاعلية ديناميكية عبر حزمة plotly للمستخدم استكشاف القيم الرقمية الدقيقة بمجرد تمرير الفأرة (Hover Tooltips)، وإمكانية إخفاء أو إظهار مجموعات محددة بنقرة زر واحدة داخل المتصفح، مما يجعلها مثالية للدمج داخل لوحات التحكم المؤسسية (Dashboards) وتطبيقات R Shiny.

# إنشاء مخطط راداري تفاعلي باستخدام plotly
fig <- plot_ly(
 type = 'scatterpolar',
 fill = 'toself',
 mode = 'lines+markers'
)
fig <- fig %>%
 add_trace(
 r = c(85, 90, 75, 60, 80, 85),
 theta = c("الذكاء اللغوي", "الذكاء المنطقي", "الذكاء البصري", "الذكاء الحركي", "الذكاء الاجتماعي", "الذكاء اللغوي"),
 name = 'الطالب (أ)',
 fillcolor = 'rgba(31, 119, 180, 0.3)',
 line = list(color = '#1F77B4', width = 2)
 ) %>%
 add_trace(
 r = c(60, 70, 95, 85, 65, 60),
 theta = c("الذكاء اللغوي", "الذكاء المنطقي", "الذكاء البصري", "الذكاء الحركي", "الذكاء الاجتماعي", "الذكاء اللغوي"),
 name = 'الطالب (ب)',
 fillcolor = 'rgba(255, 127, 14, 0.3)',
 line = list(color = '#FF7F0E', width = 2)
 )
fig <- fig %>%
 layout(
 polar = list(
 radialaxis = list(
 visible = TRUE,
 range = c(0, 100)
 )
 ),
 title = list(text = "مقارنة تفاعلية لأبعاد الذكاءات المتعددة بين طالبين"),
 showlegend = TRUE
 )
# عرض المخطط التفاعلي
fig

11. القيود المنهجية والتحيزات الإدراكية للمخططات الرادارية وكيفية تفاديها

11.1 تأثير ترتيب المتغيرات على مساحة المضلع والشكل الظاهري

على الرغم من الجاذبية البصرية الواسعة للمخططات الرادارية، إلا أنها تنطوي على محدد منهجي وإدراكي بالغ الحساسية يجب على كل باحث إحصائي إدراكه بدقة: إن المساحة الكلية لمضلع المخطط الراداري تتغير جذرياً بتغير ترتيب المتغيرات حول الدائرة، على الرغم من بقاء البيانات الرقمية الأصلية ثابتة تماماً دون أي تغيير.

من الناحية الرياضية، تُحسب مساحة المثلث المكون بين أي محورين متجاورين i و j بالمعادلة: Area = 0.5 × R_i × R_j × sin(2π / k). يتضح من هذه المعادلة أن المساحة الناتجة تعتمد على حاصل ضرب قيم المتغيرين المتجاورين. إذا تم وضع المتغيرات ذات القيم العالية بجوار بعضها البعض، ستتضخم المساحة الكلية للمضلع بشكل هائل؛ أما إذا تم فصل المتغيرات العالية بمتغيرات ذات قيم منخفضة، فستنكمش المساحة الإجمالية بشكل كبير لتشكل مضلعاً مسنناً يشبه النجمة. ونظراً لأن العين البشرية تميل لاشعورياً لتقييم الحجم الكلي بناءً على المساحة السطحية الظاهرة للمضلع (Area Bias)، فإن هذا التغير قد يقود القارئ إلى استنتاجات خاطئة حول تفوق حالة معينة لمجرد أن ترتيب محاورها ساهم في زيادة المساحة.

لتفادي هذا التحيز الإدراكي، يجب الالتزام بالمعايير المنهجية التالية:

• تثبيت ترتيب المحاور بدقة وفق إطار نظري موضوعي ثابت عبر كافة المجموعات والمقارنات.
• ترتيب المتغيرات وفق مصفوفة الارتباط (Correlation Clustering) بحيث تتجاور الأبعاد المترابطة إحصائياً.
• عدم الاعتماد على المساحة كبديل عن قراءة الأطوال الفردية للمحاور، أو تدعيم الرسم بمخططات الإحداثيات المتوازية (Parallel Coordinates Plots) كأداة إسناد مساندة.

11.2 العبء المعرفي والازدحام البصري عند زيادة المتغيرات والمجموعات

تخضع المخططات الرادارية لقيود سيكولوجية تتعلق بحدود سعة الذاكرة العاملة البصرية (Visual Working Memory). يوصي خبراء التمثيل البصري للبيانات بالالتزام بالقواعد التالية لضمان الفاعلية التواصلية:

• عدد المتغيرات الموصى به: يتراوح بين 5 إلى 9 متغيرات كحد أقصى. إن انخفاض المتغيرات عن 3 يحول المخطط إلى مثلث بسيط غير مجدٍ، بينما زيادتها عن 10 يؤدي إلى تقارب المحاور وازدحام التسميات وتداخل التفاصيل الهندسية.
• عدد المجموعات المتراكبة: يجب ألا يتجاوز 3 مجموعات في الرسم الواحد. إن تراكب 4 أو 5 مضلعات بألوان مختلفة يخلق حالة من “التشويش البصري الصاخب” (Visual Clutter)، ويجعل تتبع كل مضلع عبئاً ذهنياً معقداً. في مثل هذه الحالات، يكون التحول إلى لوحات العرض المتعددة (Small Multiples) هو الخيار الأكاديمي الأمثل.

11.3 المعايير الأخلاقية والمنهجية في عرض البيانات النفسية رادارياً

يفرض النشر العلمي والمهني التزاماً صارماً بأخلاقيات تمثيل البيانات وتجنب التضليل الإحصائي (Misleading Visualizations):

• الشفافية في نقطة الصفر والحدود: يجب دائماً أن تبدأ المحاور من نقطة الصفر المنطقية أو الحد الأدنى الحقيقي للمقياس. إن قطع المحاور لتبدأ من قيم مرتفعة مصطنعة لتضخيم الفروق الطفيفة يُعد ممارسة غير أخلاقية تشوه الدلالات الإكلينيكية.
• توحيد المقاييس: لا يجوز مقارنة مخططين متجاورين بمقاييس قصوى مختلفة دون تنبيه القارئ بوضوح بارز.
• الإرفاق الجدولي: يجب أن تصاحب المخططات الرادارية في المجلات العلمية جداول إحصائية تفصيلية تتضمن المتوسطات الحسابية، الانحرافات المعيارية، وفترات الثقة (Confidence Intervals) لضمان الدقة التحليلية وقابلية التحقق التجريبي.

12. دراسة حالة شاملة: تحليل سمات الشخصية من البيانات الخام إلى التصدير الأكاديمي

12.1 استيراد وتجهيز بيانات دراسة نفسية حقيقية

في هذه الدراسة التطبيقية الشاملة، سنقوم بمحاكاة دراسة بحثية مقارنة في علم النفس التنظيمي تبحث في الفروق في سمات الشخصية القيادية بين مجموعتين من المديرين: “مديرو المشاريع التقنية” (Technical Managers) و “مديرو الموارد البشرية” (HR Managers) عبر 6 أبعاد كفاءة مقاسة بمقياس معياري من (0 إلى 100).

# 1. استيراد وتوليد مصفوفة البيانات التجريبية
set.seed(2025) # تثبيت العشوائية لضمان تكرارية النتائج
# توليد بيانات 50 مديراً تقنياً و 50 مدير موارد بشرية
tech_managers_raw <- data.frame(
 Strategic_Thinking = rnorm(50, mean = 85, sd = 8),
 Emotional_Intelligence = rnorm(50, mean = 60, sd = 10),
 Conflict_Resolution = rnorm(50, mean = 55, sd = 9),
 Technical_Expertise = rnorm(50, mean = 92, sd = 5),
 Team_Coaching = rnorm(50, mean = 65, sd = 8),
 Decision_Speed = rnorm(50, mean = 80, sd = 7)
)
hr_managers_raw <- data.frame(
 Strategic_Thinking = rnorm(50, mean = 70, sd = 9),
 Emotional_Intelligence = rnorm(50, mean = 90, sd = 6),
 Conflict_Resolution = rnorm(50, mean = 88, sd = 7),
 Technical_Expertise = rnorm(50, mean = 50, sd = 10),
 Team_Coaching = rnorm(50, mean = 86, sd = 6),
 Decision_Speed = rnorm(50, mean = 68, sd = 8)
)
# 2. حساب المتوسطات الحسابية لكل مجموعة وتأطيرها ضمن حدود [0 - 100]
tech_mean <- colMeans(tech_managers_raw)
hr_mean <- colMeans(hr_managers_raw)
# 3. بناء مصفوفة fmsb المعيارية
final_case_study_df <- data.frame(
 rbind(
 rep(100, 6), # الصف 1: الحد الأقصى
 rep(0, 6), # الصف 2: الحد الأدنى
 tech_mean, # الصف 3: متوسط المدير التقني
 hr_mean # الصف 4: متوسط مدير الموارد البشرية
 )
)
colnames(final_case_study_df) <- c(
 "التفكير الاستراتيجي", "الذكاء العاطفي", "إدارة النزاعات",
 "الخبرة الفنية", "تدريب وتطوير الفريق", "سرعة اتخاذ القرار"
)
rownames(final_case_study_df) <- c("Max", "Min", "Tech_Managers", "HR_Managers")

12.2 تنفيذ كود الرسم المتقدم مع كافة التخصيصات الجمالية

سنقوم الآن بصياغة وتنفيذ كود رسومي مكتمل وفق أعلى المعايير الجمالية والأكاديمية للنشر في الدوريات العلمية التابعة لجمعية علم النفس الأمريكية (APA):

# تهيئة بيئة الرسوم وتحديد هوامش مريحة
par(mar = c(2.5, 2.5, 4.5, 2.5), pty = "s")
# لوحة الألوان الاحترافية
academic_colors <- c("#1F78B4", "#33A02C")
academic_fills <- c(scales::alpha("#1F78B4", 0.25), scales::alpha("#33A02C", 0.25))
# تنفيذ دالة المخطط الراداري
radarchart(
 final_case_study_df,
 seg = 5, # 5 مستويات للشبكة (20, 40, 60, 80, 100)
 pcol = academic_colors, # ألوان خطوط المجموعات
 pfcol = academic_fills, # ألوان التعبئة الشفافة
 plwd = 2.8, # سمك الخط
 plty = c(1, 1), # خطوط متصلة واضحة
 pty = c(16, 17), # رموز التقاطع
 cglcol = "grey75", # لون خطوط الشبكة
 cglty = 3, # شبكة منقطة ناعمة
 cglwd = 1, # سمك خط الشبكة
 axistype = 1, # إظهار المقياس الرأسي
 axislabcol = "grey30", # لون أرقام المقياس
 caxislabels = seq(0, 100, by = 20), # قيم المحور المرجعي
 vlcex = 1.05 # حجم تسميات المتغيرات
)
# إضافة وسيلة الإيضاح
legend(
 x = "topright",
 legend = c("مديرو المشاريع التقنية (N=50)", "مديرو الموارد البشرية (N=50)"),
 col = academic_colors,
 pt.bg = academic_fills,
 pch = c(16, 17),
 lwd = 2.8,
 bty = "n",
 cex = 0.9,
 text.col = "grey15"
)
# إضافة العناوين الأكاديمية
title(
 main = "المقارنة البُعدية لبروفايل الكفاءات القيادية بين المديرين التقنيين ومديري الموارد البشرية",
 sub = "ملاحظة: البيانات تمثل المتوسطات الحسابية المقاسة على مقياس معياري (0 - 100)",
 cex.main = 1.15,
 cex.sub = 0.85,
 col.sub = "grey40"
)

12.3 تصدير المخطط بجودة عالية وحفظ المخرجات بصيغ متعددة

يتطلب إرسال المخططات للتحكيم والنشر في المجلات العلمية تصديرها بجودة رسومية فائقة لا تقل عن دقة 300 أو 600 نقطة في البوصة (DPI) لضمان وضوحها التام عند الطباعة، أو حفظها بصيغ متجهة (Vector Formats) كملفات PDF أو SVG التي تحافظ على نقاء الخطوط مهما بلغت درجة التكبير.

# 1. التصدير بصيغة TIFF فائقة الجودة للنشر العلمي (600 DPI)
tiff("Leadership_Profiles_Radar_600DPI.tiff", width = 8, height = 8, units = "in", res = 600, compression = "lzw")
par(mar = c(2.5, 2.5, 4, 2.5), pty = "s")
radarchart(final_case_study_df, seg = 5, pcol = academic_colors, pfcol = academic_fills, plwd = 2.8, cglcol = "grey75", cglty = 3, vlcex = 1.05)
legend("topright", legend = c("Tech Managers", "HR Managers"), col = academic_colors, pch = c(16, 17), lwd = 2.8, bty = "n", cex = 0.9)
title(main = "Leadership Competencies Profile Comparison", cex.main = 1.2)
dev.off()
# 2. التصدير بصيغة المتجهات PDF لضمان قابلية التحجيم التام دون فقدان الجودة
pdf("Leadership_Profiles_Radar_Vector.pdf", width = 8, height = 8)
par(mar = c(2.5, 2.5, 4, 2.5), pty = "s")
radarchart(final_case_study_df, seg = 5, pcol = academic_colors, pfcol = academic_fills, plwd = 2.8, cglcol = "grey75", cglty = 3, vlcex = 1.05)
legend("topright", legend = c("Tech Managers", "HR Managers"), col = academic_colors, pch = c(16, 17), lwd = 2.8, bty = "n", cex = 0.9)
title(main = "Leadership Competencies Profile Comparison", cex.main = 1.2)
dev.off()

خاتمة واستنتاجات شاملة

تُعد المخططات الرادارية في لغة R من أقوى الأدوات البصرية لتمثيل وتحليل البيانات متعددة المتغيرات عند تطبيقها بوعي إحصائي ومنهجي منضبط. لقد استعرض هذا الدليل المتكامل كيفية بناء المخططات من الصفر؛ بدءاً من فهم الأسس الرياضية للإسقاط الشعاعي والزاوي، واستيفاء الشروط الهيكلية الصارمة لصفي الحدود في حزمة fmsb، وصولاً إلى التخصيص الجمالي والهندسي للألوان والمحاور والشبكات الداخلية.

كما تم تسليط الضوء على التطبيقات العملية الواسعة في القياس النفسي والتقييم السلوكي، ومقارنة المجموعات السريرية والضابطة، وتقييم التدخلات العلاجية القبلية والبعدية. وتناول الدليل الحلول المتقدمة باستخدام حزم ggplot2 و ggradar و plotly التفاعلية، إلى جانب الأساليب الإحصائية لتطبيع وتحجيم المتغيرات غير المتجانسة وعكس البنود السلبية ومعالجة القيم المتطرفة.

وأخيراً، يؤكد التحليل المنهجي على ضرورة الحذر من التحيزات الإدراكية المرتبطة بتأثير ترتيب المتغيرات على مساحة المضلع والازدحام البصري، مع الالتزام بأخلاقيات الشفافية العلمية عبر توحيد المقاييس وتدعيم الرسوم بالجداول الرقمية المعيارية. إن إتقان هذه المهارات البرمجية والتحليلية يمنح الباحثين والمحللين قدرة فريدة على تحويل المصفوفات الرقمية المعقدة إلى بروفايلات بصرية احترافية تسهم في تعزيز الفهم ودعم اتخاذ القرار القائم على الأدلة.

المراجع (References)

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Bion, R. (2021). ggradar: Create radar charts using ggplot2 in R (R package version 0.2.0). GitHub. https://github.com/ricardo-bion/ggradar
• Few, S. (2009). Now you see it: Simple visualization techniques for quantitative analysis. Analytics Press.
• Friendly, M. (2008). The golden age of statistical graphics. Statistical Science, 23(4), 502–535. https://doi.org/10.1214/08-STS268
• Nakazawa, M. (2022). fmsb: Functions for medical statistics book with cross-cultural study applications (R package version 0.7.5). CRAN. https://cran.r-project.org/package=fmsb
• R Core Team. (2024). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/
• Sievert, C. (2020). Interactive web-based data visualization with R, plotly, and shiny. Chapman and Hall/CRC. https://doi.org/10.1201/9780429447273
• Wickham, H. (2016). ggplot2: Elegant graphics for data analysis (2nd ed.). Springer-Verlag. https://doi.org/10.1007/978-3-319-24277-4
• Wilkinson, L. (2005). The grammar of graphics (2nd ed.). Springer-Verlag. https://doi.org/10.1007/0-387-28695-0