الإحصاء وتحليل البياناتالبرمجة بلغة R

التحقق المتقاطع بمقدار K في لغة R (خطوة بخطوة)

دليل أكاديمي شامل يشرح كيفية تطبيق التحقق المتقاطع بمقدار K (K-Fold Cross Validation) في لغة R خطوة بخطوة لتقييم النماذج الإحصائية بدقة.

تاريخ النشر

تُعد عملية بناء النماذج الإحصائية والتنبؤية في بيئة البرمجة الإحصائية R حجر الزاوية في الأبحاث الأكاديمية والتطبيقية المعاصرة. ومع تزايد تعقيد البيانات وتعدد أبعادها، بات التحدي الجوهري الذي يواجه الباحثين ومحللي البيانات هو ضمان قدرة النموذج على “التعميم” (Generalization) على بيانات جديدة ومستقلة لم تدخل في عملية التدريب والتقدير الأولي، بدلاً من الاكتفاء بحفظ البيانات التدريبية وتحقيق دقة وهمية تنحدر فور تطبيقها في الواقع العملي.

يمثل أسلوب التحقق المتقاطع بمقدار K (K-Fold Cross-Validation) أحد أكثر الأساليب المنهجية رصانة وكفاءة في معالجة هذه المعضلة الإحصائية. فهو يقدم إطاراً رياضياً صارماً لإعادة توزيع العينات (Resampling)، مما يسمح بتقييم استقرار النموذج التنبؤي وقياس خطأ التعميم الحقيقي بأقل قدر ممكن من التحيز والتباين. ومن خلال توظيف مكتبات لغة R المتقدمة، يستطيع الباحث تحويل النظريات الإحصائية المعقدة إلى بروتوكولات تحليلية قابلة للتكرار وتتوافق مع أرفع معايير النشر الأكاديمي.

يهدف هذا الدليل الشامل والمفصل إلى تفكيك تقنية التحقق المتقاطع بمقدار K خطوة بخطوة، بدءاً من الجذور النظرية والرياضية العميقة، مروراً بالتطبيقات السلوكية والنفسية، ووصولاً إلى التنفيذ البرمجي المتقدم عبر لغة R باستخدام الأسلوب الأساسي (Base R)، والحزم الاحترافية الرائدة مثل حزمة caret ومنظومة tidymodels الحديثة، مع استعراض دقيق لأفضل الممارسات المنهجية لتفادي الوقوع في فخاخ تسريب البيانات والأخطاء التحليلية الشائعة.

جدول المحتويات

1. مقدمة نظرية حول التحقق المتقاطع (Cross-Validation) وأهميته الإحصائية

1.1 مفهوم التحقق المتبادل وتعريفه الإحصائي

يُعرَّف التحقق المتقاطع (Cross-Validation) في الأدبيات الإحصائية بأنه أسلوب منهجي لإعادة سحب العينات (Resampling Method) يهدف إلى تقييم القدرة التنبؤية للنماذج الإحصائية وخوارزميات التعلم الآلي على مجموعات بيانات مستقلة. ينبثق هذا الأسلوب من الحاجة الملحة للتغلب على ظاهرة فرط التخصيص (Overfitting)، وهي الحالة التي يتعلم فيها النموذج الأنماط الدقيقة والضجيج العشوائي (Noise) المتواجد داخل عينة التدريب، مما يجعله عاجزاً عن التعميم على بيانات خارجية جديدة تنتمي إلى نفس المجتمع الإحصائي.

يكمن الجوهر الإحصائي للتحقق المتبادل في التمييز الصارم بين خطأ التدريب (Training Error) وخطأ الاختبار الحقيقي (Test Error). إن تقييم النموذج بناءً على البيانات التي استُخدمت في تقدير معلماته يؤدي حتماً إلى تفاؤل مفرط وتقدير متحيز نحو الانخفاض لمعدلات الخطأ، وهو ما يُعرف في القياس الإحصائي بـ “الخطأ الظاهري” (Apparent Error). يتدخل التحقق المتقاطع لكسر هذا التحيز من خلال محاكاة عملية الاختبار الواقعية، حيث يتم تقسيم البيانات المتاحة بطريقة تضمن تقييم النموذج دائماً على بيانات لم يسبق له “رؤيتها” أثناء مرحلة التقدير.

تتجلى الأهمية الكبرى لهذا الأسلوب في المواقف البحثية التي تتسم بمحدودية حجم العينة، حيث يكون جمع بيانات إضافية باهظ التكلفة أو غير ممكن عملياً، كما هو الحال في التجارب الطبية والمسوح النفسية والسلوكية المعقدة. بدلاً من هدر جزء ثمين من العينة في مجموعة اختبار ثابتة لا تُستغل في بناء النموذج، يعمل التحقق المتقاطع على تدوير البيانات بكفاءة تتيح استخدام كافة المشاهدات لأغراض التدريب والتقييم معاً، مما يرفع من الكفاءة الإحصائية للتقديرات المستخرجة.

1.2 مقارنة بين التحقق المتقاطع وطريقة التقسيم التقليدي (Holdout Validation)

تعتمد الطريقة الكلاسيكية للتقييم، والمعروفة باسم أسلوب الاحتجاز أو التقسيم التقليدي (Holdout Method)، على تقسيم مجموعة البيانات لمرة واحدة فقط إلى جزأين: مجموعة التدريب (مثل 70%) ومجموعة الاختبار (مثل 30%). ورغم بساطة هذا الأسلوب وسرعته الحسابية، إلا أنه يعاني من عيوب منهجية خطيرة، يأتي في مقدمتها التباين العالي (High Variance) في تقدير خطأ الاختبار؛ إذ تتقلب نتائج التقييم بشكل حاد بناءً على الكيفية العشوائية التي انقسمت بها البيانات.

تتفاقم هذه المشكلة عندما تحتوي العينة على قيم متطرفة أو شاذة (Outliers) أو عندما تتوزع الفئات غير المتوازنة بصورة غير متكافئة بين قسمي التدريب والاختبار. فإذا وقعت الحالات الصعبة أو غير النمطية بمحض الصدفة داخل مجموعة الاختبار، فإن مقاييس الأداء ستُظهر تدهوراً غير حقيقي للنموذج، والعكس صحيح إذا تركزت المشاهدات النمطية السهلة في الاختبار. هذا الاعتماد الحرج على “ضربة الحظ” في التقسيم الأحادي يجعل استنتاجات الباحث هشة وغير قابلة لإعادة الإنتاج.

يحل التحقق المتقاطع بمقدار K هذه الإشكالية حلاً جذرياً من خلال التدوير المنهجي، حيث يُجري تقييمات متعددة عبر طيات مختلفة ثم يأخذ متوسط النتائج، مما يؤدي إلى “تنعيم” التباين العشوائي وتقليص أثر التقلبات الناتجة عن التقسيم الفردي. ورغم أن هذا الإجراء يتطلب موارد حوسبية إضافية نظراً لتدريب النموذج K مرة بدلاً من مرة واحدة، إلا أن المفاضلة الحسابية تصب تماماً في صالح التحقق المتقاطع في ظل توفر المعالجات الحاسوبية الحديثة، لما يوفره من تقديرات متزنة وموثوقة إحصائياً تمثل الأداء المتوقع للنموذج بأعلى درجات الدقة.

1.3 السياق الأكاديمي والبحثي لاستخدام التحقق المتقاطع

شهدت معايير النشر العلمي في المجلات الأكاديمية المحكمة في مجالات العلوم الاجتماعية، والنفسية، والطب الحيوي تحولاً جوهرياً نحو التشدد في متطلبات التحقق من صحة النماذج الإحصائية. لم يعد مقبولاً في الأبحاث الرصينة الاعتماد على معاملات التحديد التقليدية ($R^2$) المحسوبة على عينة الدراسة بأكملها دون إثبات صلاحيتها التعميمية، نظراً لأن هذه المؤشرات تتضخم تلقائياً بزيادة عدد المتغيرات التفسيرية بصرف النظر عن قيمتها التنبؤية الحقيقية.

يوفر التحقق المتقاطع إطاراً موحداً لاختبار الفرضيات المعقدة والتحقق من استقرار المعلمات المقدرة (Parameter Stability). فعندما تتقارب قيم الأداء عبر مختلف الطيات التجريبية، يكتسب الباحث ثقة إحصائية قوية بأن العلاقات المكتشفة بين المتغيرات تمثل ظواهر حقيقية مستقرة وليست وليدة الصدفة الإحصائية أو فرط التخصيص المرتبط بخصائص العينة المحددة. هذه الممارسة تقلل بشكل جذري من “التحيز التأكيدي” (Confirmation Bias) وتمنع تضخيم حجم التأثيرات (Effect Sizes).

علاوة على ذلك، يمثل التحقق المتقاطع جزءاً أصيلاً من معايير جمعية علم النفس الأمريكية (APA) والمبادرات الدولية الموجهة نحو تعزيز قابلية التكرار العلمي (Scientific Reproducibility). فهو يضمن للمحكمين والقراء أن النتائج الإحصائية المصاغة لا تعكس مجرد توافق وصفي داخل حدود البيانات المجمعة، بل تشكل دليلاً تنبؤياً صالحاً للتطبيق في سياقات أوسع ومجموعات سكانية متباينة.

2. الأساس الرياضي والمنهجي لأسلوب التحقق المتقاطع بمقدار K

2.1 خطوات خوارزمية K-Fold بالتفصيل

تنطلق خوارزمية التحقق المتقاطع بمقدار K من إجراء تقسيم عشوائي أولي لمجموعة البيانات الكلية $D$، المكونة من $N$ من المشاهدات، إلى $K$ من المجموعات الفرعية أو “الطيات” (Folds) المتساوية الحجم تقريباً، والتي نرمز لها بـ $F_1, F_2, dots, F_K$. يُشترط في هذا التقسيم أن تكون الطيات متنافية وغير متداخلة، بحيث تحقق المعادلتين الإحصائيتين:

$$F_i \cap F_j = \emptyset \quad \forall i \neq j$$

$$\big\cup_{k=1}^K F_k = D$$

عقب إتمام التقسيم الهيكلي، تبدأ الخوارزمية بروتوكولاً تكرارياً يتألف من $K$ دورة تدريبية واختبارية متتالية. في كل دورة $k$ (حيث $k in {1, 2, dots, K}$)، يتم احتجاز الطية $F_k$ لتكون بمثابة مجموعة الاختبار والتحقق (Holdout Validation Fold)، في حين تُدمج الطيات المتبقية البالغ عددها $K-1$ لتشكل مجموعة التدريب النشطة $D setminus F_k$. يُدرب النموذج الإحصائي حصرياً على هذه الطيات المدمجة لتقدير معلماته، دون السماح لأي معلومة من الطية $F_k$ بالتأثير على عملية التدريب.

بمجرد الانتهاء من ملاءمة النموذج في الدورة $k$، يتم تمرير مشاهدات الطية المحتجزة $F_k$ إلى النموذج لإنتاج التنبؤات وحساب مقياس الخطأ المحدد مسبقاً، وليكن $E_k$. تستمر هذه العملية التدويرية حتى تُستخدم كل طية من الطيات الـ $K$ كمجموعة اختبار مستقلة مرة واحدة ودقيقة واحدة. وفي الخطوة الختامية، تقوم الخوارزمية بتجميع الأخطاء الناتجة من كافة الدورات وحساب المتوسط الإجمالي، ليمثل هذا الناتج التقدير النهائي غير المتحيز لأداء النموذج التنبؤي.

2.2 الصياغة الرياضية لحساب خطأ التقدير الإجمالي

تعتمد الصياغة الرياضية لحساب خطأ التحقق المتقاطع الإجمالي على دمج مقاييس الفقد المحسوبة عبر كافة المشاهدات. في سياق نماذج الانحدار الخطي والمستمر، يُستخدم متوسط مربع الخطأ (Mean Squared Error – MSE) كمقياس أساسي لجودة التوافق. إذا افترضنا أن $y_i$ هي القيمة الحقيقية للمشاهدة $i$، وأن $\hat{y}_i^{(-k(i))}$ تمثل القيمة المتنبأ بها لتلك المشاهدة باستخدام النموذج الذي تم تدريبه مع استبعاد الطية المحتوية على المشاهدة $i$، فإن خطأ التحقق المتقاطع يُصاغ رياضياً كالتالي:

$$CV_{(K)} = \frac{1}{K} \sum_{k=1}^K MSE_k = \frac{1}{K} \sum_{k=1}^K \left( \frac{1}{n_k} \sum_{i in F_k} (y_i – \hat{y}_i)^2 \right)$$

حيث تمثل $n_k$ عدد المشاهدات داخل الطية $F_k$. وإلى جانب حساب هذا المتوسط، تقتضي الدقة الإحصائية استخراج الخطأ المعياري للتحقق المتقاطع (Standard Error of CV)، والذي يعكس مدى تباين واستقرار أداء النموذج عبر الطيات المختلفة، ويُحسب وفق العلاقة:

$$SE(CV_{(K)}) = \sqrt{\frac{1}{K-1} \sum_{k=1}^K \frac{(MSE_k – CV_{(K)})^2}{K}}$$

ترتبط هذه التقديرات ارتباطاً وثيقاً بمفهوم مفاضلة التحيز والتباين (Bias-Variance Tradeoff). إن اختيار المعلمة $K$ يؤثر تأثيراً مباشراً على هذا التوازن؛ فالقيم الصغيرة لـ $K$ تميل إلى إعطاء تقديرات ذات تحيز أعلى لخطأ الاختبار الحقيقي لأن حجم عينات التدريب في كل دورة يكون أصغر بكثير من الحجم الكلي للعينة الأصلية، لكنها في المقابل تقدم تبايناً أقل في التقدير الإجمالي. أما القيم الكبيرة لـ $K$ فتقلل التحيز لكون حجم بيانات التدريب يقترب من حجم العينة الكلية، لكنها قد تزيد من تباين التقدير الإجمالي نتيجة الارتباط المرتفع بين نماذج التدريب المتداخلة بدرجة كبيرة.

2.3 معايير اختيار القيمة المثلى للمعلمة K

يمثل تحديد القيمة المثلى للمعلمة $K$ قراراً منهجياً حاسماً يستوجب موازنة دقيقة بين الاعتبارات الإحصائية النظرية والتكاليف الحوسبية المتاحة. أجمعت الأدبيات القياسية الرائدة، وبخاصة أطروحات Hastie وTibshirani وFriedman، على أن القيم $K = 5$ و $K = 10$ تمثل الخيار الذهبي والتوفيقي الأمثل في الغالبية العظمى من التطبيقات التجريبية، حيث تحقق أدنى مستويات مجمعة من التحيز والتباين دون إجهاد موارد المعالجة الحاسوبية.

في المقابل، تمثل حالة التحقق بحذف عنصر واحد (Leave-One-Out Cross-Validation – LOOCV) الحد الأقصى الرياضي لهذه الخوارزمية، حيث تُضبط قيمة $K$ لتكون مساوية تماماً لحجم العينة الكلي ($K = N$). في هذا السيناريو، يتم تدريب النموذج على $N-1$ من المشاهدات واختباره على مشاهدة واحدة فقط في كل دورة، وتتكرر العملية $N$ مرة. يمتاز أسلوب LOOCV بانعدام التحيز تقريباً في تقدير الخطأ، غير أنه يعاني من تباين إحصائي مرتفع للغاية نظراً لأن مجموعات التدريب الـ $N$ تكاد تكون متطابقة تماماً، مما يرفع من الارتباط البيني بين مخرجات التنبؤ، فضلاً عن العبء الحسابي الهائل عندما تكون $N$ كبيرة جداً.

يتأثر القرار النهائي بطبيعة حجم العينة المتاحة؛ ففي العينات الصغيرة جداً (مثل $N < 50$)، يُفضل استخدام $K = 10$ أو حتى اللجوء إلى LOOCV للحفاظ على أكبر قدر ممكن من بيانات التدريب في كل دورة ومنع تدهور جودة المعلمات المقدرة. أما في مجموعات البيانات الضخمة (Big Data) التي تتجاوز مئات الآلاف من المشاهدات، فإن اختيار $K = 5$ أو حتى $K = 3$ يكون كافياً تماماً لتقديم تقديرات دقيقة ومستقرة إحصائياً مع توفير ساعات طويلة من وقت المعالجة البرمجية.

3. تطبيقات التحقق المتقاطع في النمذجة النفسية والسلوكية

3.1 بناء النماذج التنبؤية في القياس النفسي (Psychometrics)

تشهد أبحاث القياس النفسي والعلوم السلوكية المعاصرة نقلة نوعية من الاعتماد الحصري على النماذج التفسيرية إلى تبني النماذج التنبؤية القائمة على الأدلة التجريبية. يُستخدم التحقق المتقاطع في هذا النطاق لتقييم القدرة التنبؤية الخارجية لمقاييس الشخصية، والاستبيانات النفسية، والاختبارات المعرفية. فعند محاولة التنبؤ بمتغيرات سلوكية معقدة—مثل الأداء الوظيفي، أو التحصيل الأكاديمي، أو الاستعداد للاحتراق النفسي—استناداً إلى درجات مقاييس الأبعاد الخمسة الكبرى للشخصية (Big Five)، يضمن التحقق المتقاطع عدم وقوع النموذج في فخ الارتباطات الزائفة الخاصة بعينة التقنين الأولية.

تكمن إحدى المعضلات الشائعة في النمذجة النفسية في ظاهرة “تضخم معاملات الارتباط” (Correlation Inflation) الناتجة عن اختيار المتغيرات بأثر رجعي بناءً على دلالتها الإحصائية داخل نفس العينة ($p\text{-value hunting}$). يقطع التحقق المتقاطع الطريق أمام هذا التضليل المنهجي من خلال التحقق من استقرار معاملات الانحدار وأوزان السمات السلوكية عبر طيات متعددة ومستقلة، مما يوفر تقييماً صادقاً لحجم التأثير التنبؤي الحقيقي للاستبيان في البيئة التطبيقية الواقعية.

كما يلعب هذا الأسلوب دوراً بارزاً في تطوير النسخ المختصرة من المقاييس التشخيصية الطويلة (Short-Form Scales). من خلال تطبيق التحقق المتقاطع أثناء عملية حذف البنود (Item Reduction)، يمكن لعلماء النفس التأكد من أن البنود المختارة تحتفظ بأعلى درجات الصدق التنبؤي والثبات البنائي دون التضحية بالقدرة التعميمية للمقياس على شرائح مجتمعية متنوعة.

3.2 التعامل مع بيانات العلوم السلوكية المعقدة

تتميز بيانات العلوم السلوكية والنفسية بطبيعتها المعقدة؛ إذ غالباً ما تكون متعددة الأبعاد (High-Dimensional)، وتحتوي على مستويات تباين مرتفعة، وتشابكات خطية متعددة (Multicollinearity) بين المتغيرات النفسية الفرعية. عند بناء نماذج الانحدار الخطي أو اللوجستي لدراسة ظواهر مثل الاستجابة للعلاج النفسي، أو احتمالية الانتكاس، أو اضطرابات القلق، يصبح من الضروري ضبط النماذج بطريقة تحمي الاستنتاجات من التخصيص المفرط للعينات العيادية الصغيرة.

يسهم التحقق المتقاطع في تقييم مدى قابلية تعميم نتائج التجارب المعملية الخاضعة للرقابة الصارمة على المجتمع السكاني العام. ففي الدراسات السلوكية، كثيراً ما تتأثر البيانات بخصائص العينة التجريبية (مثل طلاب الجامعات). عبر دمج التحقق المتقاطع مع أساليب المعاينة الطبقية، يستطيع الباحث محاكاة أداء النموذج عبر قطاعات سكانية متباينة وضمان عدم تركز دقة التنبؤ في شريحة فرعية محددة دون غيرها.

علاوة على ذلك، في سياق معالجة النماذج اللوجستية السلوكية ذات المتغيرات الثنائية (مثل: الاستجابة للتدخل السلوكي: نعم/لا)، يوفر التحقق المتقاطع مقاييس واقعية لاحتمالات التصنيف الخاطئ، ويمنع الوقوع في فخ النماذج المفرطة في التفاؤل التي تدعي تحقيق معدلات تشخيص مثالية على ورق العينة التدريبية بينما تفشل تماماً في الميدان الإكلينيكي الحقيقي.

4. إعداد بيئة العمل وتثبيت الحزم البرمجية الأساسية في لغة R

4.1 تهيئة بيئة R و RStudio

تبدأ الخطوة التنفيذية الأولى لأي تحليل إحصائي رصين بتهيئة بيئة الحوسبة الإحصائية في لغة R وبيئة التطوير المتكاملة RStudio. يُنصح دائماً بالتحقق من استخدام أحدث إصدار مستقر من لغة R من خلال تشغيل الأمر R.version.string، لضمان التوافق التام مع التحديثات الأمنية والوظيفية للحزم الإحصائية المتقدمة. كما يجب إعداد دليل العمل المباشر (Working Directory) عبر الدالة setwd() أو تفضيل استخدام مشاريع RStudio (.Rproj) التي تنظم مسارات الملفات والبيانات والمخرجات في بيئة مغلقة ومنظمة.

من الأمور الفنية البالغة الأهمية ضبط ترميز النصوص الافتراضي ليكون بصيغة UTF-8، لتفادي أي مشاكل برمجية عند التعامل مع النصوص والتعليقات باللغة العربية داخل الشيفرة. كذلك، ينبغي تفريغ الذاكرة المؤقتة لبيئة R في بداية جلسة التحليل عبر تنفيذ الأمر rm(list = ls())، لضمان عدم وجود متغيرات أو كائنات سابقة قد تتداخل مع خطوات المعالجة الحالية وتؤثر على النتائج.

يحتل تثبيت “البذرة العشوائية” الأساس المنهجي الأهم لقابلية إعادة الإنتاج والشفافية العلمية (Reproducibility). نظراً لأن خوارزميات التحقق المتقاطع تعتمد على التوليد العشوائي للأرقام أثناء تقسيم البيانات إلى طيات، فإن عدم تثبيت البذرة يؤدي إلى الحصول على تقسيمات مختلفة ونتائج متباينة في كل مرة يتم فيها تشغيل الشيفرة. يتم تحقيق هذا الثبات الإحصائي من خلال استدعاء دالة البذرة العشوائية في مستهل النص البرمجي، على النحو التالي:

set.seed(12345)

4.2 تثبيت واستدعاء المكتبات الإحصائية المطلوبة

توفر بيئة لغة R منظومة بيئية غنية بالحزم الإحصائية المخصصة لتدريب النماذج والتحقق المتقاطع. تأتي في مقدمة هذه الأدوات حزمة caret (اختصار لـ Classification And REgression Training)، والتي تعد المعيار الذهبي الشامل لتوحيد واجهات مئات الخوارزميات الإحصائية وتوفير أدوات دقيقة للتحكم في عمليات التحقق وإعادة العينات وضبط المعلمات الفائقة.

لتثبيت الحزم الأساسية المستخدمة في هذا الدليل، يتم تنفيذ الأمر البرمجي في سطر الأوامر:

install.packages(c("caret", "tidyverse", "boot", "MASS", "pROC"))

عقب اكتمال التثبيت، يتم استدعاء المكتبات في جلسة العمل النشطة كالتالي:

library(caret)
library(tidyverse)
library(boot)
library(MASS)
library(pROC)

تتكامل حزمة tidyverse بمكوناتها الشهيرة مثل dplyr للتلاعب بالبيانات وهيكلتها وggplot2 للتمثيل البياني المتقدم مع سير عمل النمذجة، في حين توفر حزمة boot دوال التحقق المتقاطع الكلاسيكية لأنماط النماذج الخطية المعممة، وتتيح حزمة MASS الوصول إلى دوال الانحدار المتقدم والبيانات التجريبية المعيارية.

5. هيكلة مجموعات البيانات وتجهيزها للتحليل في R

5.1 إنشاء واستيراد البيانات التجريبية

يتطلب التحليل الإحصائي السليم تنظيم البيانات في أطر بيانات (Data Frames أو Tibbles) تكون فيها الصفوف معبرة عن المشاهدات أو الأفراد الخاضعين للدراسة، بينما تمثل الأعمدة المتغيرات المستقلة والتابعة. لاستعراض خطوات التحقق المتقاطع عملياً، يمكننا إنشاء مجموعة بيانات تجريبية تحاكي دراسة سلوكية نفسية تهدف إلى التنبؤ بمستوى “الاحتراق النفسي” (Burnout) استناداً إلى متغيرات: “ساعات العمل الأسبوعية” (Work_Hours)، و”مستوى الضغط المدرك” (Stress_Level)، و”مستوى الدعم الاجتماعي” (Social_Support):

set.seed(42)
n <- 300
sim_data <- data.frame(
  Work_Hours = rnorm(n, mean = 40, sd = 8),
  Stress_Level = runif(n, min = 10, max = 50),
  Social_Support = rnorm(n, mean = 25, sd = 5)
)
sim_data$Burnout <- 15 + (0.4 * \sim_data$Work_Hours) + (0.6 * sim_data$Stress_Level) - (0.5 * \sim_data$Social_Support) + rnorm(n, mean = 0, sd = 4)

في التطبيقات الواقعية، يتم استيراد البيانات من مصادر خارجية متعددة باستخدام الدوال المتخصصة. لقراءة ملفات القيم المفصولة بفواصل، تُستخدم دالة read_csv() من حزمة readr، بينما تُستورد ملفات SPSS عبر دالة read_sav() من حزمة haven، وملفات Excel عبر حزمة readxl:

# استيراد البيانات الخارجية
# real_data <- read_csv("psych_research_data.csv")

بمجرد تحميل البيانات، من الضروري فحص الهيكل البنائي والخصائص الإحصائية الأولية للمتغيرات للتأكد من سلامة أنواع البيانات (Data Types) واكتشاف أي خلل مبكر، وذلك باستخدام الدوال الاستكشافية المعيارية:

str(sim_data)
summary(sim_data)

5.2 المعالجة القبلية للبيانات (Data Preprocessing)

تعد مرحلة المعالجة القبلية للبيانات خطوة حاسمة تسبق بناء أي نموذج تنبؤي. تشمل هذه المرحلة التعامل المنهجي مع القيم المفقودة (Missing Values)، حيث يجب فحص نسب الفقد واختيار الاستراتيجية المناسبة إما عبر الاستبعاد أو التعويض الإحصائي (Imputation) مثل التعويض باستخدام الوسيط أو التعويض القائم على خوارزمية الجيران الأقرب (k-NN Imputation).

بالإضافة إلى ذلك، تتطلب معظم النماذج الإحصائية وتحديداً الخوارزميات الحساسة لمقاييس المتغيرات إجراء عمليات التوحيد والتطبيع (Centering and Scaling). يؤدي توسيط المتغيرات (طرح المتوسط الحسابي) وتطبيعها (القسمة على الانحراف المعياري) إلى تحويل المتغيرات لتصبح بمتوسط يساوي الصفر وانحراف معياري يساوي الواحد الصحيح، مما يلغي أثر اختلاف وحدات القياس بين المتغيرات التفسيرية (مثل قياس ساعات العمل مقابل درجات مقياس الضغط النفسي).

كذلك، يجب معالجة المتغيرات الاسمية والفئوية (Categorical Variables) عبر تحويلها إلى متغيرات وهمية ثنائية (Dummy Variables) تأخذ القيمتين (0 أو 1). توفر لغة R دالة model.matrix() ودوال المعالجة المسبقة داخل حزمة caret لتنفيذ هذه التحويلات بكفاءة وسلاسة رياضية، مع ضرورة الالتزام بعدم تطبيق المعالجة على كامل مجموعة البيانات قبل التحقق المتقاطع لتفادي تسريب المعلومات، وهو المفهوم الذي سنفصله لاحقاً.

6. تطبيق التحقق المتقاطع بمقدار K يدوياً في لغة R (Base R Approach)

6.1 كتابة خوارزمية K-Fold بدون حزم خارجية

يمنح بناء خوارزمية التحقق المتقاطع يدوياً باستخدام الدوال الأساسية للغة R (Base R) الباحث فهماً عميقاً للميكانيكية الحسابية التي تعمل بها الطيات خلف الكواليس. لبناء الخوارزمية، نبدأ بتحديد عدد الطيات المطلوبة (مثلاً $K = 5$)، ثم نقوم بخلط مؤشرات المشاهدات عشوائياً وتوزيعها على الطيات الخمس باستخدام دالتي sample() و cut():

k <- 5
set.seed(123)
# خلط المؤشرات العشوائية وتوزيعها على K طيات
folds_indices <- cut(sample(1:nrow(sim_data)), breaks = k, labels = FALSE)

بعد تعيين مؤشر الطية لكل مشاهدة في مجموعة البيانات، نقوم بإنشاء متجه رقمي فارغ لتخزين قيمة الخطأ الناتجة عن كل دورة من الدورات الخمس، ثم نؤسس حلقة تكرارية (For Loop) لتنفيذ دورات التدريب والتحقق المتبادل:

mse_results <- numeric(k)

for(i in 1:k) {
  # فصل بيانات الاختبار الحالية (الطية المحتجزة)
  test_idx <- which(folds_indices == i)
  test_set <- sim_data[test_idx, ]
  
  # دمج الطيات المتبقية لتشكل بيانات التدريب
  train_set <- sim_data[-test_idx, ]
  
  # تدريب النموذج على بيانات التدريب فقط
  manual_model <- lm(Burnout ~ Work_Hours + Stress_Level + Social_Support, data = train_set)
  
  # التنبؤ على بيانات الاختبار المحتجزة
  predictions <- predict(manual_model, newdata = test_set)
  
  # حساب متوسط مربع الخطأ للطية الحالية وتخزينه
  mse_results[i] <- mean((test_set$Burnout - predictions)^2)
}

6.2 ملاءمة النموذج وحساب الأخطاء التراكمية

عقب انتهاء دوران الحلقة التكرارية عبر جميع الطيات الـ $K$، تتجمع لدينا أخطاء التقدير المستقلة لكل طية في المتجه mse_results. يعكس كل عنصر في هذا المتجه أداء النموذج التنبؤي على شريحة بيانات مستقلة تماماً لم تدخل في بناء ذلك النموذج المحدد.

نصل الآن إلى الخطوة الإحصائية التجميعية، حيث نستخرج متوسط مربع الخطأ الكلي (Overall Cross-Validated MSE) وحساب الخطأ المعياري (Standard Error) للتقدير عبر الشيفرة التالية:

# حساب متوسط خطأ التحقق المتقاطع
cv_mean_mse <- mean(mse_results)

# حساب جذر متوسط مربع الخطأ الكلي
cv_rmse <- sqrt(cv_mean_mse)

# حساب الخطأ المعياري لتقدير التحقق المتقاطع
cv_se <- sd(mse_results) / sqrt(k)

# طباعة النتائج النهائية المجمعة
cat("نتائج التحقق المتقاطع اليدوي (5-Fold CV):n")
cat("Mean MSE:", round(cv_mean_mse, 4), "n")
cat("RMSE:", round(cv_rmse, 4), "n")
cat("Standard Error:", round(cv_se, 4), "n")

يوفر هذا التطبيق اليدوي المباشر أساساً برمجياً يمكن تخصيصه لأي مقياس فقد مخصص (Custom Loss Function) يرغب الباحث في حسابه، ويبرهن عملياً كيف تسهم إعادة العينات في حماية التحليل من الاعتماد على تقسيم منفرد.

7. التطبيق الاحترافي باستخدام حزمة caret ودالة trainControl()

7.1 إعداد كائن التحكم عبر دالة trainControl()

توفر حزمة caret بنية تحتية فائقة القوة لإجراء عمليات التحقق المتقاطع بكفاءة وتوحيد قياسي رفيع. تبدأ هذه المنهجية ببناء كائن التحكم الحسابي باستخدام دالة trainControl()، والتي تحدد المعالم الإجرائية لعملية إعادة العينات بالكامل.

لضبط عملية تحقق متقاطع قياسية بمقدار 10 طيات ($K = 10$) مع تفعيل خيارات حفظ التنبؤات واستخراج المؤشرات التفصيلية، نكتب الشيفرة التالية:

cv_control <- trainControl(
  method = "cv",              # تحديد طريقة التحقق المتقاطع
  number = 10,                # عدد الطيات (K = 10)
  savePredictions = "final",  # حفظ تنبؤات النموذج النهائي
  verboseIter = FALSE         # كتم نصوص التتبع أثناء المعالجة
)

تتيح وسيطة method = "cv" تفعيل بروتوكول K-Fold الكلاسيكي، بينما تسمح الوسيطة savePredictions = "final" بتخزين القيم التنبؤية لكل مشاهدة تم اختبارها في طيتها المحتجزة، مما يسهل لاحقاً إجراء فحوصات التشخيص المتقدمة ورسم دوال البواقي (Residual Plots).

7.2 تدريب النموذج باستخدام دالة train()

عقب إعداد كائن التحكم، يتم الانتقال إلى التدريب الفعلي عبر دالة train() المركزية في حزمة caret. تستقبل هذه الدالة الصيغة الرياضية للنموذج (Formula Syntax)، ومجموعة البيانات الإجمالية، ونوع الخوارزمية المطلوبة، بالإضافة إلى كائن التحكم trainControl الذي تم إنشاؤه في الخطوة السابقة.

لتطبيق نموذج انحدار خطي متعدد للتنبؤ بالاحتراق النفسي، ننفذ الأمر التالي مع ضبط البذرة العشوائية لضمان تكرارية التقسيم الداخلي للحزمة:

set.seed(789)
caret_lm_model <- train(
  Burnout ~ Work_Hours + Stress_Level + Social_Support,
  data = sim_data,
  method = "lm",              # تحديد خوارزمية الانحدار الخطي
  trControl = cv_control
)

تقوم حزمة caret تلقائياً بتقسيم البيانات إلى 10 طيات، وإجراء دورات التدريب والتقييم العشر، ثم تجميع مقاييس الأداء واستخراج النتائج المجمعة، وتدريب نموذج نهائي على كامل مجموعة البيانات لاستخراج المعلمات الانحدارية النهائية.

7.3 استخراج وتفسير مخرجات كائن التدريب

يتم استعراض النتائج المجمعة لعملية التحقق المتقاطع عبر طباعة كائن النموذج مباشرة أو استخدام دالة print():

print(caret_lm_model)

تظهر المخرجات جدولاً إحصائياً يتضمن ثلاثة مقاييس رئيسية للأداء محسوبة عبر متوسط الطيات العشر:

  • RMSE (Root Mean Squared Error): جذر متوسط مربع الخطأ، ويعبر عن متوسط الانحراف التنبؤي بنفس وحدة قياس المتغير التابع (درجات الاحتراق النفسي).
  • Rsquared ($R^2$): معامل التحديد المتقاطع، والذي يوضح النسبة المئوية من التباين في المتغير التابع التي ينجح النموذج في تفسيرها على بيانات الاختبار المستقلة.
  • MAE (Mean Absolute Error): متوسط الخطأ المطلق، والذي يقيس متوسط الفروق المطلقة بين القيم الحقيقية والمتنبأ بها دون تربيع.

لاستخراج معاملات النموذج النهائي المقدرة على كامل العينة، نستدعي العنصر finalModel:

summary(caret_lm_model$finalModel)

كما يمكن استخراج مصفوفة الأداء المفصلة لكل طية على حدة للتأكد من انتظام واستقرار الأداء عبر الطيات وعدم وجود تباين شاذ في إحداها، عبر فحص العنصر resample:

head(caret_lm_model$resample)

8. استخدام حزم متقدمة بديلة في R للتحقق المتقاطع (boot و tidymodels)

8.1 التحقق المتقاطع باستخدام حزمة boot ودالة cv.glm()

تمثل حزمة boot الكلاسيكية أحد أعرق الروافد الإحصائية في بيئة R لحسابات إعادة العينات والتحقق المتقاطع للنماذج الخطية المعممة (Generalized Linear Models). تعتمد هذه المنهجية على ملاءمة النموذج أولاً عبر دالة glm()، ثم تمريره إلى دالة cv.glm() المتخصصة.

لتنفيذ تحقق متقاطع بمقدار 10 طيات لنموذج الانحدار باستخدام هذه الحزمة، تُتبع الخطوات التالية:

# تدريب النموذج عبر دالة glm
glm_fit <- glm(Burnout ~ Work_Hours + Stress_Level + Social_Support, data = sim_data)

# تطبيق التحقق المتقاطع 10-Fold CV
set.seed(456)
cv_boot_result <- cv.glm(data = sim_data, glmfit = glm_fit, K = 10)

تحتوي مخرجات cv.boot_result$delta على قيمتين رقميتين تمثلان تقدير خطأ التحقق المتقاطع؛ القيمة الأولى تمثل خطأ التحقق المتقاطع الخام (Raw CV Error)، في حين تمثل القيمة الثانية الخطأ المعدل (Adjusted CV Error) الذي يدمج تصحيحاً رياضياً صغيراً لمعالجة التحيز المتبقي الناتج عن عدم بلوغ حجم التدريب حجم العينة الإجمالي ($N$).

8.2 التحقق المتقاطع الحديث عبر منظومة tidymodels (rsample)

تمثل منظومة tidymodels الجيل الحديث والمتطور للنمذجة الإحصائية والتعلم الآلي في R، حيث تعتمد فلسفة التصميم الأنيق القائم على مبادئ الـ Tidy Data، وتوفر حزمة rsample المدمجة بها أدوات قوية ومرنة لإدارة طيات التحقق المتقاطع.

لتطبيق التحقق المتقاطع بمقدار 10 طيات باستخدام منظومة tidymodels، نقوم بالخطوات المتسلسلة التالية:

library(tidymodels)

# 1. إنشاء كائن الطيات
set.seed(321)
folds_tidy <- vfold_cv(sim_data, v = 10)

# 2. تحديد مواصفات النموذج
lm_spec <- linear_reg() %>%
  set_engine("lm") %>%
  set_mode("regression")

# 3. بناء سير العمل وربط النموذج بالصيغة الرياضية
workflow_obj <- workflow() %>%
  add_formula(Burnout ~ Work_Hours + Stress_Level + Social_Support) %>%
  add_model(lm_spec)

# 4. تنفيذ التحقق المتقاطع عبر الطيات
cv_tidy_results <- workflow_obj %>%
  fit_resamples(resamples = folds_tidy)

# 5. تجميع واستعراض مقاييس الأداء النهائية
collect_metrics(cv_tidy_results)

توفر دالة collect_metrics() جدولاً منسقاً يتضمن متوسط مقاييس الأداء (مثل RMSE و $R^2$) مصحوبة بالخطأ المعياري الدقيق لكل مقياس، مما يمنح الباحث مرونة فائقة في دمج خطوات المعالجة المتقدمة داخل سير عمل موحد ومحمي من الأخطاء المنهجية.

9. معايير تقييم الأداء ومقاييس الخطأ في النماذج الإحصائية

9.1 مقاييس نماذج الانحدار المستمر (Regression Metrics)

عند تقييم نماذج الانحدار الخطي والمستمر عبر التحقق المتقاطع، يعتمد الباحث على حزمة متكاملة من المقاييس الرياضية لتشخيص دقة النموذج من زوايا متعددة. يُعد جذر متوسط مربع الخطأ (RMSE) المقياس الأكثر شيوعاً، ويُصاغ رياضياً بالمعادلة:

$$RMSE = \sqrt{\frac{1}{N} \sum_{i=1}^N (y_i – \hat{y}_i)^2}$$

تكمن الميزة الكبرى لمقياس RMSE في أنه يُعبر عن الخطأ بنفس وحدة قياس المتغير التابع، مما يجعل تفسيره ملموساً وواضحاً، غير أنه يتسم بحساسية عالية للقيم الشاذة والمتطرفة نظراً لتربيع الفروق قبل جمعها. هنا يبرز دور متوسط الخطأ المطلق (MAE) كمقياس بديل ومقاوم (Robust Metric) للقيم الشاذة، ويُحسب وفق الصيغة:

$$MAE = \frac{1}{N} \sum_{i=1}^N |y_i – \hat{y}_i|$$

أما المقياس الثالث فهو معامل التحديد المتقاطع (Cross-Validated $R^2$)، والذي يختلف جوهرياً عن $R^2$ التقليدي المحسوب على عينة التدريب؛ حيث يقيس نسبة التباين المفسرة على عينات الاختبار الخارجية المستقلة. قد تأخذ قيمة $R^2$ المتقاطعة قيماً سالبة في النماذج شديدة الضعف أو المفرطة في التخصيص، وهو مؤشر تحذيري واضح على أن التنبؤ باستخدام متوسط العينة البسيط أفضل من تنبؤات النموذج المعقد.

9.2 مقاييس نماذج التصنيف الفئوي (Classification Metrics)

في نماذج التصنيف—حيث يكون المتغير التابع فئوياً (مثل: وجود اضطراب نفسي: مصاب / غير مصاب)—تتغير منظومة التقييم لتعتمد على مصفوفة الالتباس المتقاطعة (Cross-Validated Confusion Matrix). توفر هذه المصفوفة تفصيلاً دقيقاً لنتائج التنبؤ مصنفة إلى: الإيجابيات الحقيقية (TP)، والسلبيات الحقيقية (TN)، والإيجابيات الكاذبة (FP)، والسلبيات الكاذبة (FN).

تُشتق من هذه المصفوفة عدة مؤشرات إحصائية حاسمة، في مقدمتها:

  • الدقة الإجمالية (Accuracy): نسبة الحالات المصنفة تصنيفاً صحيحاً إلى إجمالي المشاهدات: $\frac{TP + TN}{TP + TN + FP + FN}$.
  • الحساسية (Sensitivity / Recall): قدرة النموذج على اكتشاف الحالات الإيجابية الحقيقية بدقة: $\frac{TP}{TP + FN}$.
  • النوعية (Specificity): قدرة النموذج على تحديد الحالات السلبية الحقيقية وتجنب الإنذارات الكاذبة: $\frac{TN}{TN + FP}$.

كذلك، يُعد مقياس المساحة تحت منحنى الخصائص التشغيلية للمستقبل (ROC-AUC) المعيار الذهبي لتقييم قدرة النموذج التمييزية عبر جميع عتبات القرار الممكنة. يتراوح هذا المقياس بين 0.5 (تمييز عشوائي لا قيمة له) و 1.0 (تمييز مثالي تام)، وتكمن قوته الإحصائية في ثباته وعدم تأثره بتغير نسب الفئات في المجتمع المدروس.

10. الأنواع المتقدمة والمتفرعة من التحقق المتقاطع في R

10.1 التحقق المتقاطع الطبقي (Stratified K-Fold CV)

يمثل التحقق المتقاطع الطبقي (Stratified K-Fold Cross-Validation) ضرورة منهجية صارمة عند التعامل مع بيانات التصنيف التي تعاني من مشكلة عدم توازن الفئات (Class Imbalance)، وهي الحالة الشائعة في الأبحاث النفسية والطبية حيث تكون نسبة الحالات الإيجابية (مثل انتشار اضطراب نادر) منخفضة جداً مقارنة بالحالات السلبية (مثلاً 5% مصابون مقابل 95% أصحاء).

في التقسيم العشوائي البسيط، قد تسفر الصدفة عن وقوع نسبة ضئيلة جداً أو حتى معدومة من الفئة النادرة داخل إحدى الطيات، مما يؤدي إلى انهيار تدريب النموذج أو استحالة تقييمه في تلك الدورة. يضمن التقسيم الطبقي أن تحتوي كل طية من الطيات الـ $K$ على نفس النسبة المئوية لتوزيع الفئات المتواجدة في مجموعة البيانات الكلية تماماً.

تنفذ حزمة caret التقسيم الطبقي تلقائياً وبشكل افتراضي عندما يكون المتغير التابع من النوع الفئوي (Factor). كما يمكن إنشاء مؤشرات الطيات الطبقية يدوياً عبر دالة createFolds() على النحو التالي:

# إنشاء طيات طبقية تحافظ على نسب الفئات
stratified_folds <- createFolds(sim_data_class$Outcome, k = 10, list = TRUE)

10.2 التحقق المتقاطع المتكرر (Repeated K-Fold CV)

على الرغم من أن التحقق المتقاطع بمقدار $K$ يقلل تباين التقدير مقارنة بالتقسيم المفرد، إلا أن النتائج المستخرجة تظل خاضعة لدرجة معينة من التباين العشوائي المرتبط بتوزيع الطيات الأولي. لمعالجة هذا التقلب وتحقيق أقصى درجات الاستقرار الإحصائي، يُلجأ إلى التحقق المتقاطع المتكرر (Repeated K-Fold Cross-Validation).

يقوم هذا الأسلوب بإعادة تنفيذ عملية التحقق المتقاطع بالكامل لعدد محدد من المرات (Repeats)—مثل تطبيق 10-Fold CV مكرر 5 مرات—مع إعادة خلط البيانات وتقسيمها إلى طيات مختلفة كلياً في كل تكرار. في هذه الحالة، يتم تدريب النموذج وتقييمه عبر $10 \times 5 = 50$ دورة مستقلة، ثم يُحسب المتوسط النهائي لكافة هذه الدورات، مما يؤدي إلى تقليص الخطأ المعياري للتقدير إلى أدنى مستوى ممكن.

يتم تطبيق هذا الإجراء المتقدم بسهولة بالغة في حزمة caret عبر ضبط وسيطات دالة trainControl:

repeated_cv_control <- trainControl(
  method = "repeatedcv",      # تفعيل التحقق المتقاطع المتكرر
  number = 10,                # عدد الطيات في كل تكرار
  repeats = 5                 # عدد مرات التكرار الإجمالية
)

10.3 التحقق المتقاطع المتداخل (Nested K-Fold CV)

يبرز التحقق المتقاطع المتداخل (Nested Cross-Validation) كأرقى المعايير المنهجية لتفادي مشكلة التحيز التفاؤلي عند إجراء عملية ضبط المعلمات الفائقة (Hyperparameter Tuning) ومفاضلة النماذج في آن واحد. إذا استُخدمت نفس طيات التحقق المتقاطع للبحث عن أفضل المعلمات الفائقة ولتقييم الأداء النهائي معاً، فإن مقاييس الأداء الناتجة ستكون متفائلة بشكل مضلل نتيجة استهلاك البيانات في اتخاذ قرارات الاختيار.

يعالج التحقق المتداخل هذه المعضلة عبر هيكلة برمجية تتألف من حلقتين تكراريتين منفصلتين تماماً:

  • الحلقة الداخلية (Inner Loop): تُخصص حصرياً للبحث الشبكي وضبط المعلمات الفائقة واختيار التكوين الأمثل للنموذج باستخدام طيات التدريب الداخلية.
  • الحلقة الخارجية (Outer Loop): تُخصص لتقييم الأداء التعميمي المستقل للنموذج المختار على بيانات اختبار خارجية لم تتدخل بأي شكل في المفاضلة أو ضبط المعلمات.

يضمن هذا الفصل الهيكلي الصارم سد أي ثغرة لتسريب المعلومات، ويقدم تقديراً موضوعياً تماماً للأداء التنبؤي المتوقع للنظام التحليلي ككل في بيئة الواقع الميداني.

11. مفاضلة النماذج وضبط المعلمات الفائقة (Hyperparameter Tuning)

11.1 البحث الشبكي وضبط النماذج المعقدة في R

تتطلب خوارزميات التعلم الإحصائي الحديثة—مثل انحدار الحرف واللاسو (Ridge and Lasso Regularization) والشبكات المرنة (Elastic Net)—ضبط معلمات فائقة (Hyperparameters) للتحكم في درجة تعقيد النموذج وتطبيق عقوبات رياضية على حجم المعلمات لمنع فرط التخصيص. يتم هذا الضبط عبر تقنية البحث الشبكي (Grid Search) الموجه بالتحقق المتقاطع.

في لغة R، يتم إنشاء شبكة المعلمات باستخدام دالة expand.grid() وتمريرها إلى دالة train() في حزمة caret لملاءمة نماذج انحدار الـ Elastic Net المنفذة عبر حزمة glmnet:

# تعريف شبكة المعلمات الفائقة
# alpha = 0 (Ridge), alpha = 1 (Lasso), ما بينهما (Elastic Net)
tune_grid <- expand.grid(
  alpha = seq(0, 1, by = 0.2),
  lambda = 10^seq(-3, 1, length.out = 10)
)

# ضبط النموذج بالتحقق المتقاطع
set.seed(654)
elastic_tuned_model <- train(
  Burnout ~ Work_Hours + Stress_Level + Social_Support,
  data = sim_data,
  method = "glmnet",
  trControl = cv_control,
  tuneGrid = tune_grid
)

تقوم الخوارزمية بحساب خطأ التحقق المتقاطع لكل تركيبة محتملة من المعلمات داخل الشبكة عبر كافة الطيات، ثم تختار التركيبة التي تحقق أدنى قيمة لـ RMSE، مما يضمن الوصول إلى التوازن الرياضي الأمثل بين التحيز والتباين.

11.2 المقارنة الإحصائية بين عدة نماذج متنافسة

عند بناء حلول تنبؤية متعددة، يواجه الباحث تحدي المفاضلة الموضوعية بين نماذج مختلفة بنيوياً (مثل مقارنة الانحدار الخطي، بانحدار ريدج، بنموذج غابات القرارات العشوائية Random Forests). توفر حزمة caret أداة resamples() المتقدمة لتجميع مخرجات التحقق المتقاطع لعدة نماذج تم تدريبها على نفس التقسيمات تماماً.

# افتراض تدريب نموذج آخر لمقارنته (مثل Random Forest)
set.seed(789)
rf_model <- train(Burnout ~ Work_Hours + Stress_Level + Social_Support, data = sim_data, method = "rf", trControl = cv_control)

# تجميع مخرجات النماذج المتنافسة
models_comparison <- resamples(list(LinearModel = caret_lm_model, RandomForest = rf_model))

# استعراض ملخص الفروق الإحصائية
summary(models_comparison)

لتقييم ما إذا كان الفرق في دقة التنبؤ بين النماذج دالاً إحصائياً وليس وليد الصدفة العشوائية، يتم إجراء اختبار ت للمجموعات المترابطة (Paired t-test) على أخطاء الطيات المتطابقة عبر استدعاء دالة diff():

diff_results <- diff(models_comparison)
summary(diff_results)

كما يمكن توليد رسومات بيانية مقارنة باستخدام مخططات الصندوق (Boxplots) عبر دالة bwplot(models_comparison)، لعرض توزيع أداء كل نموذج عبر الطيات بصورة بصرية بالغة الوضوح والدقة العلمية.

12. أفضل الممارسات، والأخطاء الشائعة، وكتابة التقارير الأكاديمية

12.1 تجنب الأخطاء المنهجية وتسريب البيانات (Data Leakage)

يمثل تسريب البيانات (Data Leakage) الخطأ المنهجي الأكثر خطورة وانتشاراً في تطبيقات التحقق المتقاطع. يحدث تسريب البيانات عندما تتسرب معلومات إحصائية من مجموعة الاختبار أو الطيات المحتجزة إلى مجموعة التدريب قبل أو أثناء بناء النموذج، مما يؤدي إلى تحقيق دقة وهمية فائقة تفشل فشلاً ذريعاً عند التطبيق المستقل.

أبرز صور تسريب البيانات تتمثل في إجراء عمليات المعالجة المسبقة—مثل توحيد المقاييس (Centering & Scaling)، أو اختيار المتغيرات الجوهرية (Feature Selection)، أو التعويض الإحصائي للقيم المفقودة (Imputation)—على كامل مجموعة البيانات الإجمالية قبل البدء في تقسيم الطيات. عند حساب المتوسط الحسابي والانحراف المعياري للبيانات ككل، تصبح قيم بيانات التدريب متأثرة بقيم بيانات الاختبار، وهو ما يخرق مبدأ الاستقلالية الإحصائية.

الحل المنهجي الصارم لهذه المشكلة هو تطبيق كافة خطوات المعالجة المسبقة داخل حدود طيات التدريب فقط في كل دورة تكرارية، ثم استخدام المعلمات المستخرجة من التدريب لتحويل بيانات الاختبار المحتجزة. توفر حزمة caret وسيطة preProcess داخل دالة train()، كما توفر حزمة recipes في منظومة tidymodels، آليات برمجية معزولة تنفذ هذه المعالجات تلقائياً داخل كل طية بمعزل تام يمنع أي تسريب للمعلومات.

كذلك، يجب الانتباه إلى طبيعة البيانات الخاصة؛ فالبيانات المرتبطة زمنياً (Time Series Data) أو البيانات العنقودية والمتعددة المستويات (Clustered / Hierarchical Data) لا يجوز تقسيمها بالأسلوب العشوائي البسيط، بل تتطلب استخدام أساليب مخصصة مثل التحقق المتقاطع القائم على النوافذ الزمنية المتدحرجة (Rolling-Origin CV) أو التحقق المتقاطع القائم على تجميع المجموعات (Group K-Fold CV) لضمان عدم وجود ارتباطات داخلية غير منضبطة بين الطيات.

12.2 معايير كتابة وتوثيق النتائج في الأبحاث العلمية

تقتضي معايير التوثيق الأكاديمي الرصين—وفقاً لإرشادات دليل النشر العلمي لجمعية علم النفس الأمريكية (APA 7th edition) والمبادرات الإحصائية الدولية—تقديم تقرير منهجي متكامل يتجاوز مجرد ذكر دقة النموذج الإجمالية. يجب أن يوضح قسم المنهجية بوضوح تام نوع التحقق المتقاطع المستخدم، وعدد الطيات ($K$)، وعدد مرات التكرار (إن وُجدت)، وكيفية التعامل مع المعالجة المسبقة وتجنب تسريب البيانات.

عند صياغة النتائج في جداول الأبحاث، ينبغي عرض مقاييس الأداء الرئيسية (مثل RMSE و MAE و $R^2$) مصحوبة بمؤشرات التشتت الإحصائي مثل الانحراف المعياري عبر الطيات (SD) أو فترات الثقة (95% Confidence Intervals)، لبيان مدى استقرار النموذج وموثوقية تقديراته عبر العينات المتباينة.

بالإضافة إلى ذلك، يُعد إرفاق الشيفرات البرمجية الكاملة للغة R (R Scripts) وملفات البيانات مجهلة الهوية في مستودعات علمية مفتوحة (مثل Open Science Framework – OSF أو GitHub) ممارسة أكاديمية فضلى تعزز من شفافية البحث وقابليته للتحقق وإعادة الإنتاج من قبل المجتمع العلمي المحكم.

خاتمة

يمثل التحقق المتقاطع بمقدار K في لغة R ركيزة إحصائية ومنهجية لا غنى عنها لأي باحث أو محلل بيانات يسعى لبناء نماذج تنبؤية تتمتع بالرصانة والصدق وقابلية التعميم. من خلال تدوير البيانات عبر $K$ من الأجزاء المتكافئة، ينجح هذا الأسلوب في كسر قيود التقسيم التقليدي الأحادي، وتقديم تقديرات موضوعية غير متحيزة لخطأ التعميم الحقيقي، وضبط المفاضلة الدقيقة بين التحيز والتباين الإحصائي.

توفر بيئة لغة R—بدءاً من بنيتها التحتية الأساسية وصولاً إلى الحزم المتقدمة مثل caret و tidymodels و boot—مرونة حوسبية استثنائية لتنفيذ كافة أنماط التحقق المتقاطع البسيطة والمتقدمة والمتداخلة. إن الالتزام بالمعايير الإحصائية الصارمة، وعزل المعالجات القبلية لمنع تسريب البيانات، والتوثيق الأكاديمي المنهجي للنتائج، يضمن للباحثين تقديم إسهامات علمية متينة تصمد أمام التحكيم الصارم وتخدم المعرفة الإنسانية والتطبيقية بكفاءة واقتدار.

References

اقتباس هذا المقال

looti, M. (2026, أغسطس 27). التحقق المتقاطع بمقدار K في لغة R (خطوة بخطوة). عرب سايكلوجي. https://arabpsychology.com/statistics/k-fold-cross-validation-in-r-step-by-step/
looti, Mohammed. “التحقق المتقاطع بمقدار K في لغة R (خطوة بخطوة).” عرب سايكلوجي, 27 أغسطس 2026, https://arabpsychology.com/statistics/k-fold-cross-validation-in-r-step-by-step/.
looti, Mohammed. “التحقق المتقاطع بمقدار K في لغة R (خطوة بخطوة).” عرب سايكلوجي. أغسطس 27, 2026. https://arabpsychology.com/statistics/k-fold-cross-validation-in-r-step-by-step/.