ما هو تجميع K-Means؟ مع مثال

يُمثّل التحليل العنقودي (Cluster Analysis) أحد أركان استكشاف البيانات الإحصائية وتعلّم الآلة الحديث، حيث يضطلع بمهمة كشف البنى الهيكلية والأنماط الكامنة في البيانات المعقدة دون الحاجة إلى توجيه مسبق أو تصنيفات جاهزة. في خضم الثورة المعلوماتية وتدفق البيانات متعددة الأبعاد في شتى العلوم—بدءاً من القياسات الحيوية وصولاً إلى أبحاث السلوك والعلوم الإنسانية—تبرز الحاجة الملحة إلى خوارزميات قادرة على فرز وتلخيص المشاهدات المتباينة إلى مجموعات متجانسة تشترك في خصائص محددة، وتتميز بوضوح عن غيرها من التكتلات. ضمن هذا الإطار النظري والتطبيقي، تقف خوارزمية تجميع المتوسطات المتمايزة، المعروفة اصطلاحاً باسم خوارزمية K-Means، كواحدة من أكثر التقنيات الكلاسيكية رسوخاً وأوسعها انتشاراً في الأدبيات الإحصائية وهندسة البيانات.

تستند هذه الخوارزمية إلى فلسفة رياضية أنيقة تجمع بين بساطة المفهوم والكفاءة الحسابية العالية؛ إذ تقوم على تجزئة الفضاء الإقليدي متعدد الأبعاد إلى عدد محدد مسبقاً من العناقيد المتنافرة، عبر تصغير دالة الخطأ الإحصائي المتمثلة في مجموع المربعات داخل العنقود الواحد. ورغم أن جذورها الرياضية تعود إلى منتصف القرن العشرين في أروقة معالجة الإشارات ونظرية الاحتمالات، إلا أن تطبيقها المعاصر تجاوز الحوسبة البحتة ليمتد عميقاً إلى ميادين القياس النفسي، والتشخيص الإكلينيكي، والتحليل السلوكي، حيث تتيح للباحثين تفكيك تعقيدات السلوك الإنساني وتحويل مصفوفات الاستجابات المتشابكة إلى أنماط شخصية ونماذج نمائية ذات دلالة عملية ونظرية واضحة.

يقدم هذا الدليل التخصصي الشامل دراسة أكاديمية مفصلة لخوارزمية K-Means، متناولاً أصولها النظرية، وأسسها الرياضية والهندسية، وآلياتها الخوارزمية الدقيقة خطوة بخطوة، مع التركيز على مقاييس المسافة، واستراتيجيات تحديد العدد الأمثل للعناقيد، وطرق المعالجة المسبقة للبيانات. كما يتضمن المقال مثالاً تطبيقياً تطبيقياً حسابياً مفصلاً في سياق القياس النفسي والسلوكي، ويستعرض المقارنات المنهجية مع خوارزميات التجميع الأخرى، والتحديات الإحصائية المرتبطة بها، وصولاً إلى أفضل الممارسات البرمجية وآفاقها المستقبلية في عصر الذكاء الاصطناعي والتجميع العميق.

1. مقدمة في التحليل العنقودي وخوارزمية K-Means

1.1 تعريف التحليل العنقودي وأهميته في استكشاف البيانات

يندرج التحليل العنقودي (Cluster Analysis) ضمن مظلة التعلّم غير الخاضع للإشراف (Unsupervised Learning) في حقل تنقيب البيانات والتعلم الآلي. ويهدف هذا النمط من التحليل إلى استكشاف الهياكل التنظيمية الداخلية للبيانات دون الاعتماد على متغير تابع (Target Variable) أو تسميات مسبقة للفئات (Ground Truth Labels). بعكس التعلّم الخاضع للإشراف الذي يسعى إلى بناء نماذج تنبؤية تربط المدخلات بمخرجات مصنفة مسبقاً، يعمل التحليل العنقودي كأداة استكشافية بحتة تهدف إلى توليد فرضيات جديدة حول بنية البيانات وفهم العلاقات المتشابكة بين مفرداتها.

تتمثل الوظيفة الجوهرية للتحليل العنقودي في تنظيم مصفوفة من المشاهدات غير المصنفة إلى مجموعات فرعية تُعرف بـ “العناقيد” (Clusters)، بحيث تظهر المشاهدات المنتمية إلى العنقود ذاته درجة فائقة من التشابه الداخلي (High Intra-cluster Homogeneity)، في حين تتباين تمايزاً حاداً عن المشاهدات المستقرة في العناقيد الأخرى (High Inter-cluster Heterogeneity). يستلزم ذلك تعريف مفهوم التشابه رياضياً عبر دوال المسافة التي تقيس درجة التقارب في فضاء السمات متعدد الأبعاد.

يختلف التحليل العنقودي جوهرياً عن التصنيف الإحصائي الكلاسيكي (Classification)؛ ففي حين يُعد التصنيف مسألة استنتاجية تعتمد على تدريب النموذج على أمثلة معروفة مسبقاً لإسناد حالات جديدة إليها، يُعد التجميع مسألة استقرائية استكشافية تولّد التصنيفات ذاتها من واقع البيانات الخام. تنبع أهمية التجميع في البحث العلمي التطبيقي من قدرته على اختزال التعقيد المعرفي، وتجميع الحالات المتشابهة لتسهيل صياغة النماذج النظرية، وتحديد الأنماط الشاذة أو غير المتوقعة في مجموعات البيانات الكبرى، مما يجعله خطوة تأسيسية لا غنى عنها في مراحل استكشاف البيانات (Exploratory Data Analysis).

1.2 التعريف الدقيق لخوارزمية K-Means وموقعها الإحصائي

تُعرّف خوارزمية تجميع المتوسطات (K-Means Clustering) بأنها خوارزمية تجميع تجزيئية تكرارية (Iterative Partitioning Clustering Algorithm)، تهدف إلى تقسيم مجموعة من البيانات المكونة من $n$ مشاهدة، في فضاء بعدي مستمر $d$، إلى عدد$k$ من العناقيد المتنافية والمحددة سلفاً ($k le n$). تتسم الخوارزمية بطبيعتها غير الهرمية، حيث لا تنتج شجرة تصنيفية ذات مستويات متداخلة، بل توزع المشاهدات على مستوى تصنيفي واحد ومحدد هندسياً.

تستمد الخوارزمية اسمها من المفهوم الإحصائي الكلاسيكي للمتوسط الحسابي (Mean)؛ إذ يُعرّف مركز كل عنقود (Centroid) بأنه المتجه الإحصائي الذي يمثل المتوسط الرياضي لجميع المشاهدات المنسوبة إلى ذلك العنقود عبر كافة الأبعاد المقاسة. يلعب هذا المركز دور “النقطة النموذجية” أو الممثل الهندسي للعنقود في الفضاء، وتتمحور فلسفة الخوارزمية حول تصغير المسافات بين المشاهدات ومراكزها المعنية، مما يضمن أقصى درجات التماسك الرياضي للتكتلات المستخرجة.

تعود الأصول التاريخية للخوارزمية إلى عدة مساهمات مستقلة تبلورت عبر عقود؛ حيث اقترح عالم الرياضيات البولندي هوغو شتاينهاوس (Hugo Steinhaus) المبدأ الأساسي لتقسيم النقاط وتقريبها في عام 1956. وفي عام 1957، طور ستيوارت لويد (Stuart Lloyd) في مختبرات بيل خوارزمية التكميم النبضي (Pulse-Code Modulation) لنقل الإشارات، والتي نُشرت لاحقاً في ورقة كلاسيكية عام 1982 عُرفت باسم “خوارزمية لويد”. توازت هذه الجهود مع أعمال إدوارد فوري (Edward W. Forgy) عام 1965 وجيمس ماكوين (James MacQueen) عام 1967، الذي صاغ مصطلح “K-Means” لأول مرة في الأدبيات الإحصائية، ليؤسس لواحدة من أطول الخوارزميات عمراً وأكثرها تطبيقاً في تاريخ الحوسبة الإحصائية.

1.3 مبررات استخدام K-Means في القياس النفسي والعلوم السلوكية

يحظى التحليل العنقودي بخوارزمية K-Means بمكانة بارزة في العلوم السلوكية والقياس النفسي، نظراً لطبيعة الظواهر النفسية التي تتسم بتعدد الأبعاد وتداخل السمات. يُستخدم هذا الأسلوب لتحديد الأنماط الشخصية الكامنة (Latent Typologies) التي لا يمكن رصدها عبر التحليلات الأحادية؛ فعند تطبيق مقاييس الشخصية (مثل نموذج العوامل الخمسة الكبرى)، تتيح الخوارزمية تجميع الأفراد الذين يمتلكون بروفايلات نفسية متقاربة، مما ينقل التحليل من المقاربة القائمة على المتغيرات (Variable-centered approach) إلى المقاربة القائمة على الأشخاص (Person-centered approach).

في الميدان الإكلينيكي، تسهم K-Means في اكتشاف المجموعات الفرعية للمرضى (Clinical Subgroups) بناءً على مستويات تباين الأعراض واستجاباتهم لمقاييس الاكتئاب والقلق والصدمة النفسية. هذا الفرز الموضوعي يتيح للممارسين تصميم بروتوكولات وتدخلات علاجية موجهة ومخصصة لكل فئة فرعية، بعيداً عن التعميمات التشخيصية التقليدية التي قد تغفل التباينات الفردية الدقيقة.

علاوة على ذلك، تُوظف الخوارزمية في تفكيك التمايز السلوكي للمفحوصين ضمن التجارب المعرفية المركبة، كأوقات الاستجابة ومعدلات الخطأ والجهد الإدراكي المبذول في المهام العصبية-النفسية. من خلال دمج هذه المتغيرات المتعددة وتكثيفها في عناقيد متجانسة، ينجح الباحثون في اختزال التعقيد البياني الكبير وتحويل مصفوفات البيانات الضخمة إلى نماذج سلوكية تفسيرية تتسم بالرصانة المنهجية والوضوح المفاهيمي.

2. الأسس الرياضية والمفاهيم الجوهرية لخوارزمية K-Means

2.1 دالة الهدف والتقليل من مجموع مربعات الأخطاء (SSE)

تقوم خوارزمية K-Means على صياغة رياضية استمثالية (Optimization Formulation) صارمة تستهدف تقليل التشتت الداخلي للعناقيد. تُعرّف دالة الهدف، والتي يُطلق عليها أيضاً دالة القصور الذاتي (Inertia) أو مجموع المربعات داخل العنقود (Within-Cluster Sum of Squares – WCSS)، بأنها المجموع الكلي لمربعات المسافات الإقليدية بين كل نقطة بيانات والمركز الهندسي للعنقود الذي تنتسب إليه. وتُصاغ رياضياً على النحو التالي:

$$J = \sum_{k=1}^{K} \sum_{x_i in S_k} ||x_i – \mu_k||^2$$

حيث يمثل $K$ العدد الإجمالي للعناقيد، و$S_k$ يمثل مجموعة المشاهدات المنسوبة إلى العنقود رقم $k$، و$x_i$ هو المتجه الرياضي للمشاهدة الفردية، في حين يمثل $\mu_k$ متجه المركز الهندسي للعنقود $S_k$. يدل الرمز $||cdot||$ على المعيار الإقليدي (Euclidean Norm)، مما يجعل القيمة التربيعية تعبيراً مباشراً عن مربع المسافة الخطية في الفضاء متعدد الأبعاد.

تتمثل مهمة الخوارزمية في إيجاد التقسيم الأمثل $S = {S_1, S_2, …, S_K}$ الذي يُدني قيمة الدالة $J$ إلى الحد الأدنى الممكن. يرتبط تقليل مجموع المربعات داخل العنقود (SSE/WCSS) ارتباطاً بنيوياً وثيقاً بتعظيم التباين بين العناقيد (Between-Cluster Sum of Squares – BCSS)؛ إذ يُثبت التحليل الرياضي لتجزئة التباين الكلي (Total Sum of Squares – TSS) أن:

$$TSS = WCSS + BCSS$$

وحيث إن $TSS$ قيمة ثابتة تعتمد حصرياً على البيانات الأصلية، فإن أي انخفاض جبري في التباين الداخلي للعناقيد $WCSS$ يقابله بالضرورة ارتفاع مكافئ في التباعد والانفصال الإحصائي بين العناقيد $BCSS$، وهو ما يضمن تحقيق أعلى درجات التماسك والفرز الهندسي.

2.2 المراكز العنقودية (Centroids): المفهوم والاشتقاق الرياضي

يُمثّل المركز العنقودي ($\mu_k$) الثقل المركزي والتجريد الرياضي لكامل المشاهدات التابعة للعنقود $k$. يُحسب هذا المركز كمتوسط حسابي متري لجميع المتجهات النقطية الواقعة ضمن نطاق ذلك العنقود عبر المعادلة التالية:

$$\mu_k = \frac{1}{|S_k|} \sum_{x_i in S_k} x_i$$

حيث يُمثل $|S_k|$ عدد النقاط (حجم العينة الفرعية) التي يحتويها العنقود. يضمن الاشتقاق التفاضلي لدالة الهدف $J$ بالنسبة إلى $\mu_k$ ومساواتها بالصفر أن المتوسط الحسابي هو الحل التحليلي الفريد الذي يُقلل مجموع مربعات المسافات الإقليدية إلى أدنى حد ممكن، مما يجعله المقدر الإحصائي الأمثل تحت هذا المقياس الهندسي.

ومع ذلك، فإن اعتماد المتوسط الحسابي كأساس للمركز يفرض حساسية مفرطة تجاه القيم المتطرفة (Outliers) والانحرافات الحادة في التوزيع الإحصائي. إذا احتوى العنقود على نقطة ذات قيم شاذة وبعيدة جداً عن النواة المركزية للبيانات، فإن متجه المركز $\mu_k$ سينجذب بقوة نحو تلك النقطة، مما يؤدي إلى تشويه الموضع الهندسي للمركز وفقدانه لقدرته على تمثيل الكتلة الحقيقية للبيانات. تستمر المراكز في التغير والتحرك عبر فضاء السمات مع كل تكرار خوارزمي حتى تصل إلى حالة الاستقرار الرياضي (Convergence)، وهي الحالة التي تصبح فيها التغيرات في إحداثيات $\mu_k$ مساوية للصفر أو دون عتبة تقارب ضئيلة جداً ($epsilon$).

2.3 طبيعة التقسيم الهندسي وفضاء فورونوي (Voronoi Tessellation)

ينتج عن تطبيق خوارزمية K-Means في الفضاء الإقليدي هيكل هندسي خاص يُعرف باسم تفسيف فورونوي (Voronoi Tessellation). بمجرد تثبيت مواقع المراكز العنقودية ${\mu_1, \mu_2, …, \mu_K}$، ينقسم الفضاء المستمر إلى خلايا بوليمرية ومضلعات محدبة (Convex Polygons) تمثل كل منها خلية فورونوي الخاصة بمركز معين. تُعرّف الخلية $V_k$ التابعة للمركز $\mu_k$ بأنها المحل الهندسي لجميع النقاط في الفضاء التي تكون المسافة بينها وبين $\mu_k$ أصغر من أو تساوي مسافتها إلى أي مركز آخر $\mu_j$ حيث $j ne k$:

$$V_k = {x in \mathbb{R}^d mid ||x – \mu_k|| le ||x – \mu_j||, \forall j ne k}$$

تتشكل الحدود الفاصلة بين هذه العناقيد كصفائح مستوية فائقة (Hyperplanes) خطية تنصف المسافة بين المراكز المتجاورة وتتعامد مع المتجهات الواصلة بينها. يفرض هذا التكوين الهندسي قيداً بنيوياً صارماً على خوارزمية K-Means: اشتراط التحدب الهندسي (Convexity Constraint) للعناقيد الناتجة.

يعني هذا القيد الحتمي أن K-Means قادرة فقط على اكتشاف العناقيد التي تتخذ أشكالاً متقاربة هندسياً ذات حدود خطية، كالكرات أو القطوع الناقصة متساوية الأقطار. وتفشل الخوارزمية فشلاً ذريعاً عندما تتخذ البيانات الطبيعية هياكل غير خطية معقدة، مثل الحلقات المتداخلة (Concentric Circles)، أو الأشكال الهلالية، أو الكتل الملتفة والمتشابكة؛ حيث يقوم التقسيم الخطي بتقطيع هذه الهياكل غير المحدبة قسراً وتوزيعها بصورة مشوهة عبر خلايا فورونوي مختلفة.

3. آلية عمل الخوارزمية وخطوات التنفيذ خطوة بخطوة

3.1 مرحلة التهيئة وتحديد المراكز الأولية (Initialization Phase)

تبدأ الخوارزمية بتحديد المعلمة $K$ التي تحدد عدد العناقيد المستهدفة، تليها خطوة التهيئة الأولية للمراكز العشوائية (Initial Centroids Selection). في الطريقة التقليدية (طريقة فوري)، يتم اختيار $K$ مشاهدة عشوائياً من مجموعة البيانات الأصلية لتكون المراكز الابتدائية ${\mu_1^{(0)}, \mu_2^{(0)}, …, \mu_K^{(0)}}$. على الرغم من بساطة هذا الإجراء، إلا أنه ينطوي على مخاطرة منهجية جسيمة؛ إذ إن الاختيار العشوائي البحت قد يؤدي إلى وضع مراكز متعددة قريبة جداً من بعضها ضمن كتلة بيانية واحدة، أو وضع مراكز في مناطق نائية، مما يجعل الخوارزمية تقع في فخ “الحلول المحلية غير المثلى” (Local Suboptimal Minima) ويفضي إلى عناقيد غير دقيقة ونتائج تختلف باختلاف كل تشغيل عشوائي.

لتجاوز هذا القصور الحرج، طوّر ديفيد آرثر وسيرجي فاسيليفيتسكي في عام 2007 خوارزمية K-Means++ كمعيار متقدم للتهيئة الذكية. تعتمد هذه التقنية على مبدأ التباعد الاحتمالي الموجه، حيث تسير وفق الآلية التالية:

• اختيار المركز الأول $\mu_1$ عشوائياً وباحتمالية متساوية تماماً من بين جميع نقاط البيانات المتاحة.
• لكل نقطة بيانية متبقية $x_i$، يتم حساب المسافة الإقليدية الأقصر بينها وبين أقرب مركز تم اختياره مسبقاً، ونرمز لهذه المسافة بـ $D(x_i)$.
• اختيار المركز التالي $\mu$ من بين نقاط البيانات باستخدام توزيع احتمالي مرجح يتناسب طردياً مع مربع المسافة $D(x_i)^2$. تُعطى احتمالية اختيار النقطة $x$ بالمعادلة:
  $$P(x) = \frac{D(x)^2}{\sum_{x’ in X} D(x’)^2}$$
• تكرار الخطوتين السابقتين حتى يتم تحديد واختيار كافة المراكز الـ $K$ بالكامل.

تضمن هذه الاستراتيجية المتقدمة أن تكون المراكز الأولية متباعدة جغرافياً بأقصى قدر ممكن عبر الفضاء البياني، مما يؤدي إلى تسريع معدل التقارب الحسابي بمعدلات قياسية، وتقليل احتمالية الوقوع في الحلول المحلية الدنيا بنسب إحصائية مثبتة نظرياً وعملياً.

3.2 مرحلة الإسناد والتعيين (Assignment Phase)

عقب تثبيت إحداثيات المراكز في التكرار الزمني $t$، تدخل الخوارزمية في مرحلة التعيين الرياضي الصارم. في هذه الخطوة، يتم مسح كل مشاهدة$x_i$ في قاعدة البيانات وحساب المسافة الإقليدية بينها وبين كافة المراكز المتاحة ${\mu_1^{(t)}, \mu_2^{(t)}, …, \mu_K^{(t)}}$.

تُسند النقطة $x_i$ إلى العنقود $S_k^{(t)}$ الذي يمتلك المركز الأقرب إليها جغرافياً، وهو ما يُمثل تطبيقاً مباشراً لقاعدة القرار الأدنى (Minimum Distance Rule):

$$S_k^{(t)} = {x_i : ||x_i – \mu_k^{(t)}||^2 le ||x_i – \mu_j^{(t)}||^2, \forall j, 1 le j le K}$$

في الحالات الحدية النادرة التي تتساوى فيها المسافة بين نقطة معينة ومركزين مختلفين تماماً ($||x_i – \mu_a|| = ||x_i – \mu_b||$)، يتم كسر التعادل (Tie-breaking) عبر قاعدة محددة مسبقاً برمجياً، مثل إسناد النقطة إلى العنقود ذي الفهرس الرقمي الأصغر أو التعيين العشوائي غير المنحاز. بنهاية هذه المرحلة، تكون كافة المشاهدات قد جرى توزيعها بالكامل على $K$ عنقود، مشكّلة تقسيماً مؤقتاً يحقق الحد الأدنى اللحظي لدالة التشتت الإحصائي.

3.3 مرحلة التحديث والتقارب (Update and Convergence Phase)

بمجرد اكتمال تعيين كافة النقاط، تبدأ مرحلة التحديث لإعادة معايرة مواقع المراكز العنقودية. يتم حساب المتجه المركزي الجديد $\mu_k^{(t+1)}$ لكل عنقود $k$ عبر إيجاد المتوسط الحسابي للنقاط المسندة حديثاً إليه في مرحلة التعيين السابقة:

$$\mu_k^{(t+1)} = \frac{1}{|S_k^{(t)}|} \sum_{x_i in S_k^{(t)}} x_i$$

تتكرر دورتي الإسناد والتحديث في حلقة مغلقة ومستمرة (Loop). تؤدي كل دورة تكرارية إلى خفض قيمة دالة الهدف $J$ أو الحفاظ على استقرارها كحد أدنى، نظراً لأن كلاً من خطوة الإسناد وخطوة إعادة حساب المتوسط تمثلان تقليلاً اتجاهياً لدالة مجموع المربعات. تستمر هذه الحلقة التكرارية حتى يتحقق أحد معايير التوقف (Stopping Criteria) التالية:

• ثبات المراكز (Centroid Convergence): انعدام أي تغير ملحوظ في إحداثيات المراكز العنقودية بين تكرارين متتاليين ($||\mu_k^{(t+1)} – \mu_k^{(t)}|| le \epsilon$).
• ثبات التعيينات (Assignment Stability): عدم انتقال أي نقطة بيانية من عنقود إلى آخر، مما يعني استقرار حدود خلايا فورونوي.
• بلوغ سقف التكرار (Maximum Iterations): وصول الخوارزمية إلى الحد الأقصى المسموح به من الدورات التكرارية (Max Iterations المحدد سلفاً في المعلمات البرمجية) لتفادي الاستهلاك الحاسوبي المفرط في البيانات الضخمة.

يُثبت التحليل الخوارزمي أن K-Means تتقارب حتماً (Deterministic Convergence) نحو نقطة استقرار في عدد محدود من الخطوات، نظراً لأن عدد التوزيعات المحتملة لـ $n$ من النقاط على $k$ من المجموعات هو عدد منتهٍ رياضياً، وكل خطوة تضمن تقليصاً رتيباً (Monotonic Decrease) لدالة الخطأ.

4. مقاييس المسافة وحساب الفروق بين المشاهدات

4.1 المسافة الإقليدية (Euclidean Distance)

تُعد المسافة الإقليدية (Euclidean Distance) المقياس المعياري والطبيعي المعتمد في خوارزمية K-Means الكلاسيكية. تُعرّف المسافة الإقليدية بين متجهين $x = (x_1, x_2, …, x_d)$ و $y = (y_1, y_2, …, y_d)$ في فضاء ذي $d$ من الأبعاد بالصيغة الرياضية:

$$d_{\text{Euclidean}}(x, y) = \sqrt{\sum_{j=1}^{d} (x_j – y_j)^2} = ||x – y||_2$$

يرجع هذا الاقتران الحصري بين المسافة الإقليدية وخوارزمية K-Means إلى التوافق الرياضي الكامل مع حساب المتوسطات؛ فالمتوسط الحسابي هو المقدر الدقيق والوحيد الذي يقلل مجموع مربعات المسافات الإقليدية. عند استخدام مقاييس مسافة بديلة دون تعديل مقدر الموضع المركزي، يختل البرهان الرياضي على تقارب الخوارزمية، وقد تتذبذب النتائج دون استقرار.

تتميز المسافة الإقليدية بحساسيتها الشديدة لوحدات القياس ومقاييس التشتت؛ إذ إن المتغيرات ذات القيم المطلقة الكبيرة أو التباينات المرتفعة تهيمن كلياً على حساب المسافة وتقلص دور المتغيرات ذات النطاقات الأصغر. في سياق القياس النفسي، تبرز ملاءمة المسافة الإقليدية عند تحليل درجات المقاييس ذات المدى المتصل والمتجانس، كالمقاييس النفسية المقننة التي تتبع توزيعاً قريباً من الاعتدالي وتتشارك في وحدات القياس المترية.

4.2 مسافة مانهاتن (Manhattan Distance) وتطبيقاتها

تُعرّف مسافة مانهاتن (Manhattan Distance)، والمعروفة بمسافة المدينة أو معيار $L_1$ (Taxicab Norm)، بأنها مجموع الفروق المطلقة بين إحداثيات النقاط على امتداد المحاور الإحداثية المتعامدة:

$$d_{\text{Man\hat\tan}}(x, y) = \sum_{j=1}^{d} |x_j – y_j| = ||x – y||_1$$

تتسم مسافة مانهاتن بخصائص إحصائية مميزة تجعلها أقل حساسية للقيم المتطرفة مقارنة بالمسافة الإقليدية؛ نظراً لأنها لا تُربّع الفروق الفردية، مما يحد من تضخيم الانحرافات الشاذة. عندما يُراد بناء خوارزمية تجميعية تعتمد على معيار مانهاتن، يجب استبدال المتوسط الحسابي بالوسيط الإحصائي (Median) لحساب المراكز، وهو ما يُنتج خوارزمية مستقلة تُعرف باسم K-Medians.

تُعد مسافة مانهاتن الخيار المنهجي الأنسب في العلوم الاجتماعية والسلوكية عند معالجة المتغيرات الترتيبية (Ordinal Variables) أو الدرجات المستندة إلى تعدادات منفصلة (Discrete Counts)، كعدد نوبات الهلع أو عدد مرات تكرار سلوك نمطي معين؛ حيث يكون الانتقال على امتداد محاور شبكية أكثر تعبيراً عن طبيعة التباين الواقعي مقارنة بافتراض الخط المستقيم في الفضاء المستمر.

4.3 مسافة جيب التمام ومقاييس الارتباط (Cosine and Correlation Distances)

تقيس مسافة جيب التمام (Cosine Distance) التشابه الزاوي بين متجهين بصرف النظر عن حجمهما أو شدتهما المطلقة. تُشتق هذه المسافة من معامل تشابه جيب التمام (Cosine Similarity):

$$\text{Cosine Similarity}(x, y) = \frac{x \cdot y}{||x||_2 ||y||_2} = \frac{\sum_{j=1}^d x_j y_j}{\sqrt{\sum_{j=1}^d x_j^2} \sqrt{\sum_{j=1}^d y_j^2}}$$

$$d_{\text{Cosine}}(x, y) = 1 – \text{Cosine Similarity}(x, y)$$

يكتسب هذا المقياس أهمية بالغة عند الرغبة في التركيز على النمط النسبي (Profile Shape) للمشاهدة بدلاً من قيمتها المطلقة (Magnitude). في المقابل، ترتبط مسافة الارتباط (Correlation Distance) ارتباطاً وثيقاً بجيب التمام بعد معيرة المتجهات بطرح متوسطاتها الحسابية ($z$-score centered vectors)، مما يجعلها تعادل حساب معامل ارتباط بيرسون بين بروفايلات الأفراد.

في التحليل النفسي المعاصر، تُستخدم هذه المقاييس بكثافة في معالجة البيانات النصية النفسية (Psychological Text Mining)، والتحليل الدلالي لنصوص المقابلات الإكلينيكية، وتحليل الاستجابات التعبيرية؛ حيث تهمنا بنية وتوزيع المصطلحات المفتاحية أكثر من إجمالي عدد الكلمات المنطوقة. يفرض استخدام المسافات اللامترية كجيب التمام تحويرات رياضية دقيقة على خوارزمية التجميع كإجراء تسوية متجهات المشاهدات إلى متجهات وحدة ($||x||=1$) قبل تطبيق خوارزمية K-Means القياسية، مما يسمح بالاستفادة من سرعة الخوارزمية مع الحفاظ على المنطق الزاوي للتشابه.

5. طرق تحديد العدد الأمثل للعناقيد (K)

5.1 طريقة المرفق (Elbow Method)

تُمثّل طريقة المرفق (Elbow Method) الأسلوب البصري الأكثر شيوعاً لتقدير العدد المناسب من العناقيد $K$. تقوم المنهجية على تشغيل خوارزمية K-Means بصورة متكررة عبر نطاق محدد من قيم$K$ (مثلاً من $K=1$ إلى $K=10$)، مع حساب مجموع مربعات الأخطاء داخل العنقود (WCSS) لكل قيمة، ورسم منحنى بياني يربط بين قيم $K$ على المحور الأفقي ومقدار $WCSS$ على المحور الرأسي.

مع زيادة $K$، ينخفض$WCSS$ رتيباً وبشكل حتمي؛ لأن زيادة عدد المراكز تتيح تقريب النقاط من مراكزها وصولاً إلى الصفر النظري عندما يتساوى $K$ مع حجم العينة $n$. تبحث الطريقة عن “نقطة المرفق” (Elbow Point)، وهي النقطة التي يتباطأ عندها معدل الانخفاض الحاد في الخطأ فجأة، ويتحول المنحنى من الهبوط الشديد إلى التسطح التدريجي. تعكس هذه النقطة الموضع الذي يقدم عنده إضافة عنقود جديد مكسباً إحصائياً ضئيلاً لا يبرر زيادة تعقيد النموذج، مما يجعلها القيمة المثلى رياضياً.

على الرغم من جاذبيتها البصرية، تواجه طريقة المرفق عيوباً منهجية جوهرية؛ إذ غالباً ما يكون المنحنى سلساً وخالياً من أي زاوية أو انعطاف حاد وواضح (خاصة في البيانات النفسية المشبعة بالتشويش والتداخل)، مما يجعل تحديد نقطة الكوع خاضعاً للحكم الذاتي والانحياز الشخصي للباحث. لذلك، يجب اعتبار طريقة المرفق أداة إرشادية أولية لا يمكن الاعتماد عليها منفردة في اتخاذ قرارات تصنيفية حاسمة.

5.2 تحليل معامل الصورة الظلية (Silhouette Analysis)

يُعد تحليل معامل الصورة الظلية (Silhouette Analysis)، الذي ابتكره بيتر روسيو عام 1987، من أدق المقاييس الكمية لتقييم جودة وتماسك العناقيد بصورة متزامنة. لكل نقطة بيانية $i$، يتم حساب معامل الصورة الظلية$s(i)$ عبر تقييم عنصرين أساسيين:

• التماسك الداخلي ($a(i)$): متوسط المسافة الإقليدية بين النقطة $i$ وجميع النقاط الأخرى الواقعة ضمن العنقود ذاته الذي تنتمي إليه.
• الانفصال الخارجي ($b(i)$): متوسط المسافة الإقليدية بين النقطة $i$ وجميع نقاط العنقود الأقرب إليها (العنقود المجاور الذي لا تنتمي إليه).

تُصاغ معادلة معامل الصورة الظلية للنقطة $i$ كما يلي:

$$s(i) = \frac{b(i) – a(i)}{\max(a(i), b(i))}$$

تتراوح قيمة $s(i)$ في المدى المحصور بين $-1$ و $+1$. تدل القيم القريبة من $+1$ على أن النقطة متطابقة تماماً مع عنقودها ومتباعدة جداً عن العناقيد المجاورة ($a(i) ll b(i)$). بينما تشير القيم القريبة من $0$ إلى أن النقطة تقع على الحدود الفاصلة بين عنقودين. أما القيم السالبة فتعكس خطأً جوهرياً في التعيين؛ حيث تكون النقطة أقرب إلى العنقود المجاور منها إلى عنقودها المسندة إليه.

يتم حساب متوسط معامل الصورة الظلية الإجمالي (Average Silhouette Width) لكامل البيانات عند قيم مختلفة لـ $K$. تُعتبر القيمة التي تحقق أعلى متوسط كلي هي القيمة المثلى الموصى بها. يتيح رسم مخطط الصورة الظلية (Silhouette Plot) الكشف البصري عن العناقيد غير المتوازنة أو التي تحتوي على نسب عالية من النقاط ذات المعاملات السالبة، مما يوفر رؤية تشخيصية تفصيلية لبنية التقسيم المقترح.

5.3 إحصائية الفجوة والطرق المعرفية (Gap Statistic and Domain Knowledge)

طُوّرت إحصائية الفجوة (Gap Statistic) بواسطة تيبشيراني وهاستي وفريمان عام 2001 لتوفير اختبار إحصائي موضوعي ومقنن لتحديد $K$. تقارن هذه الطريقة لوغاريتم التباين الداخلي الإجمالي$log(W_k)$ الناتج من تطبيق الخوارزمية على البيانات الحقيقية، مع القيمة المتوقعة له $E^*_B{\log(W_k^*)}$ تحت توزيع مرجعي موحد خالي من أي بنية عنقودية تم توليده بالمحاكاة الصفرية (Null Reference Distribution عبر أسلوب البوتستراب):

$$\text{Gap}_n(k) = E^*_n{\log(W_k^*)} – \log(W_k)$$

يتم اختيار القيمة المثلى لـ $K$ بأنها أصغر قيمة تحقق الشرط الإحصائي التالي مع مراعاة خطأ المحاكاة المعياري ($s_{k+1}$):

$$\text{Gap}(k) ge \text{Gap}(k+1) – s_{k+1}$$

تتفوق إحصائية الفجوة بقدرتها الرياضية الصارمة على تفادي الإفراط في التقسيم (Overfitting)، كما تمتلك ميزة فريدة تتمثل في القدرة على إثبات عدم وجود أي عناقيد في البيانات إذا كانت $K=1$ هي النتيجة المثلى، وهو ما تعجز عنه طريقة المرفق ومعامل الصورة الظلية.

بالتوازي مع هذه الطرق الرياضية الصارمة، يجب التأكيد على الأهمية البالغة للمعرفة التخصصية والسياق النظري (Domain Knowledge) في العلوم النفسية. لا ينبغي للباحث الركون المطلق للمؤشرات الإحصائية العمياء؛ فالنموذج الرياضي الأمثل قد ينتج تقسيماً غير قابل للتفسير النظري أو عديم الجدوى التطبيقية. يتطلب البحث العلمي الرصين إجراء موازنة نقدية بين الدقة الإحصائية من جهة، والقابلية للتفسير العيادي والمطابقة مع النظريات السلوكية الراسخة من جهة أخرى.

6. مثال تطبيقي عملي: تصنيف السمات النفسية والسلوكية

6.1 توصيف البيانات وسيناريو التجربة النفسية

لتوضيح الآلية الحسابية الدقيقة لخوارزمية K-Means، نفترض سيناريو بحثي واقعي في علم النفس العيادي يستهدف تصنيف عينة من المفحوصين وفق نمطين من السمات النفسية المحورية: مستوى القلق العام (Anxiety Level) ومستوى المرونة النفسية (Psychological Resilience). تم قياس كلا المتغيرين على مقياس معياري موحد يتراوح من $1$ إلى $10$ درجات (حيث تمثل الدرجة $10$ أعلى مستويات السمة).

تتألف العينة التوضيحية من $n=8$ مفحوصين خضعوا للاختبارات النفسية الدقيقة. يوضح الجدول التالي مصفوفة البيانات الخام للمفحوصين الإحصائيين:

المفحوص (ID)	القلق المعرفي ($X_1$)	المرونة النفسية ($X_2$)	المتجه الإحداثي ($x_i$)
$P_1$	1.5	8.5	$(1.5, 8.5)$
$P_2$	2.0	7.5	$(2.0, 7.5)$
$P_3$	2.5	9.0	$(2.5, 9.0)$
$P_4$	5.5	5.0	$(5.5, 5.0)$
$P_5$	6.0	6.0	$(6.0, 6.0)$
$P_6$	8.5	2.0	$(8.5, 2.0)$
$P_7$	9.0	1.5	$(9.0, 1.5)$
$P_8$	8.0	3.0	$(8.0, 3.0)$

الهدف البحثي هو تقسيم هؤلاء الأفراد إلى $K=3$ عناقيد نمطية متمايزة، لاكتشاف التصنيفات النفسية الكامنة بناءً على التفاعل بين شدة القلق والقدرة على التكيف والمرونة.

6.2 التطبيق اليدوي والحسابي للخطوات الخوارزمية

نستعرض فيما يلي الحسابات الرياضية المفصلة للخطوات الخوارزمية دورة بدورة حتى بلوغ حالة التقارب التام والاستقرار الإحصائي:

مرحلة التهيئة الأولية: نختار افتراضياً أول ثلاثة أفراد كمراكز ابتدائية للعناقيد الثلاثة عند الزمن $t=0$:

• المركز الأول: $\mu_1^{(0)} = P_1 = (1.5, 8.5)$
• المركز الثاني: $\mu_2^{(0)} = P_4 = (5.5, 5.0)$
• المركز الثالث: $\mu_3^{(0)} = P_6 = (8.5, 2.0)$

التكرار الأول (Iteration 1) – خطوة الإسناد: نقوم بحساب مربع المسافة الإقليدية $d^2(P_i, \mu_k) = (x_{i1} – \mu_{k1})^2 + (x_{i2} – \mu_{k2})^2$ لكل مفحوص بالنسبة لكافة المراكز الثلاثة وتعيينه إلى المركز الأقرب:

• المفحوص $P_1 (1.5, 8.5)$:
  • $d^2(P_1, \mu_1) = (1.5-1.5)^2 + (8.5-8.5)^2 = 0.00$
  • $d^2(P_1, \mu_2) = (1.5-5.5)^2 + (8.5-5.0)^2 = (-4)^2 + (3.5)^2 = 16 + 12.25 = 28.25$
  • $d^2(P_1, \mu_3) = (1.5-8.5)^2 + (8.5-2.0)^2 = (-7)^2 + (6.5)^2 = 49 + 42.25 = 91.25$
  • القرار: يُسند $P_1$ إلى العنقود الأول ($C_1$).
• المفحوص $P_2 (2.0, 7.5)$:
  • $d^2(P_2, \mu_1) = (2.0-1.5)^2 + (7.5-8.5)^2 = 0.25 + 1.00 = 1.25$
  • $d^2(P_2, \mu_2) = (2.0-5.5)^2 + (7.5-5.0)^2 = 12.25 + 6.25 = 18.50$
  • $d^2(P_2, \mu_3) = (2.0-8.5)^2 + (7.5-2.0)^2 = 42.25 + 30.25 = 72.50$
  • القرار: يُسند $P_2$ إلى العنقود الأول ($C_1$).
• المفحوص $P_3 (2.5, 9.0)$:
  • $d^2(P_3, \mu_1) = (2.5-1.5)^2 + (9.0-8.5)^2 = 1.00 + 0.25 = 1.25$
  • $d^2(P_3, \mu_2) = (2.5-5.5)^2 + (9.0-5.0)^2 = 9.00 + 16.00 = 25.00$
  • $d^2(P_3, \mu_3) = (2.5-8.5)^2 + (9.0-2.0)^2 = 36.00 + 49.00 = 85.00$
  • القرار: يُسند $P_3$ إلى العنقود الأول ($C_1$).
• المفحوص $P_4 (5.5, 5.0)$:
  • $d^2(P_4, \mu_1) = 28.25$ | $d^2(P_4, \mu_2) = 0.00$ | $d^2(P_4, \mu_3) = (5.5-8.5)^2 + (5.0-2.0)^2 = 9 + 9 = 18.00$
  • القرار: يُسند $P_4$ إلى العنقود الثاني ($C_2$).
• المفحوص $P_5 (6.0, 6.0)$:
  • $d^2(P_5, \mu_1) = (6.0-1.5)^2 + (6.0-8.5)^2 = 20.25 + 6.25 = 26.50$
  • $d^2(P_5, \mu_2) = (6.0-5.5)^2 + (6.0-5.0)^2 = 0.25 + 1.00 = 1.25$
  • $d^2(P_5, \mu_3) = (6.0-8.5)^2 + (6.0-2.0)^2 = 6.25 + 16.00 = 22.25$
  • القرار: يُسند $P_5$ إلى العنقود الثاني ($C_2$).
• المفحوص $P_6 (8.5, 2.0)$:
  • $d^2(P_6, \mu_1) = 91.25$ | $d^2(P_6, \mu_2) = 18.00$ | $d^2(P_6, \mu_3) = 0.00$
  • القرار: يُسند $P_6$ إلى العنقود الثالث ($C_3$).
• المفحوص $P_7 (9.0, 1.5)$:
  • $d^2(P_7, \mu_1) = (9.0-1.5)^2 + (1.5-8.5)^2 = 56.25 + 49.00 = 105.25$
  • $d^2(P_7, \mu_2) = (9.0-5.5)^2 + (1.5-5.0)^2 = 12.25 + 12.25 = 24.50$
  • $d^2(P_7, \mu_3) = (9.0-8.5)^2 + (1.5-2.0)^2 = 0.25 + 0.25 = 0.50$
  • القرار: يُسند $P_7$ إلى العنقود الثالث ($C_3$).
• المفحوص $P_8 (8.0, 3.0)$:
  • $d^2(P_8, \mu_1) = (8.0-1.5)^2 + (3.0-8.5)^2 = 42.25 + 30.25 = 72.50$
  • $d^2(P_8, \mu_2) = (8.0-5.5)^2 + (3.0-5.0)^2 = 6.25 + 4.00 = 10.25$
  • $d^2(P_8, \mu_3) = (8.0-8.5)^2 + (3.0-2.0)^2 = 0.25 + 1.00 = 1.25$
  • القرار: يُسند $P_8$ إلى العنقود الثالث ($C_3$).

توزيع العناقيد في التكرار الأول هو: $C_1 = {P_1, P_2, P_3}$، و $C_2 = {P_4, P_5}$، و $C_3 = {P_6, P_7, P_8}$.

التكرار الأول – خطوة التحديث: نعيد حساب المراكز العنقودية بحساب المتوسطات الحسابية للنقاط التابعة لكل مجموعة:

• المركز الجديد $\mu_1^{(1)} = \left(\frac{1.5+2.0+2.5}{3}, \frac{8.5+7.5+9.0}{3}\right) = \left(\frac{6.0}{3}, \frac{25.0}{3}\right) = (2.00, 8.33)$
• المركز الجديد $\mu_2^{(1)} = \left(\frac{5.5+6.0}{2}, \frac{5.0+6.0}{2}\right) = \left(\frac{11.5}{2}, \frac{11.0}{2}\right) = (5.75, 5.50)$
• المركز الجديد $\mu_3^{(1)} = \left(\frac{8.5+9.0+8.0}{3}, \frac{2.0+1.5+3.0}{3}\right) = \left(\frac{25.5}{3}, \frac{6.5}{3}\right) = (8.50, 2.17)$

التكرار الثاني (Iteration 2) واختبار التقارب: عند إعادة حساب المسافات الإقليدية لجميع النقاط الثماني بناءً على المراكز الجديدة $\mu_1^{(1)}, \mu_2^{(1)}, \mu_3^{(1)}$، نجد أن كل مفحوص يظل مرتبطاً بنفس العنقود دون أي انتقال، وتبقى المراكز دون أي تغيير إحداثي ($\mu_k^{(2)} = \mu_k^{(1)}$). تحقق الخوارزمية بذلك شرط الاستقرار وتتوقف فوراً معلنة الوصول إلى الحل النهائي.

6.3 التفسير السيكولوجي للعناقيد المستخرجة

بعد الوصول إلى الحل الإحصائي المستقر، تُترجم الإحداثيات الهندسية لمراكز العناقيد إلى دلالات نفسية وتشخيصية ذات قيمة نوعية:

• العنقود الأول ($C_1$) – المركز $(2.00, 8.33)$: “النمط عالي المرونة والمنخفض القلق (المجموعة الحصينة نفسياً – Resilient Typology)”:
  يتميز مفحوصو هذه المجموعة بمستويات قلق متدنية جداً مقترنة بقدرات استثنائية على الصمود وإدارة الضغوط. يُظهر هؤلاء الأفراد آليات تكيف استباقية (Proactive Coping)، ويشكلون المجموعة المرجعية للصحة النفسية المتوازنة.
• العنقود الثاني ($C_2$) – المركز $(5.75, 5.50)$: “النمط متوازن القلق ومتوسط المرونة (المجموعة المعرّضة للضغط – Moderate/Vulnerable Typology)”:
  يمتلك أفراد هذا العنقود مستويات متوسطة من القلق المعرفي تتماشى مع مستويات مرونة معتدلة. يُظهر هذا البروفايل قدرة على التكيف في الظروف العادية، لكنهم معرضون لخطر التدهور النفسي عند التعرض لصدمات حادة أو ضغوط مستمرة؛ مما يجعلهم الفئة المستهدفة ببرامج التدخل الوقائي ومهارات التنظيم الانفعالي.
• العنقود الثالث ($C_3$) – المركز $(8.50, 2.17)$: “النمط عالي القلق والمنخفض المرونة (المجموعة الهشة إكلينيكياً – High Distress/Fragile Typology)”:
  يمثل هذا العنقود الفئة ذات الخطورة السريرية العالية؛ حيث يعاني المفحوصون من قلق حاد ومزمن يترافق مع انهيار شبه تام في آليات التكيف والمرونة السلوكية. يتطلب هذا النمط تدخلاً علاجياً مكثفاً، كالعلاج المعرفي السلوكي (CBT) وبرامج التدريب على تقبل الضغوط وبناء المرونة النفسية.

7. المعالجة المسبقة للبيانات وتحجيم المتغيرات

7.1 ضرورة التقييس والتحجيم (Feature Standardization)

تُعد المعالجة المسبقة للبيانات وتحجيم المتغيرات (Feature Scaling) مرحلة تأسيسية وإلزامية قبل تطبيق خوارزمية K-Means. نظراً لأن الخوارزمية تعتمد كلياً على المسافات الإقليدية، فإن المتغير ذو المدى العددي الأكبر سيتحكم بالكامل في دالة المسافة، مما يجعل المتغيرات ذات المدى الصغير شبه معدومة التأثير الرياضي بصرف النظر عن أهميتها العلمية.

تتضح هذه الإشكالية في الأبحاث النفسية عند دمج مقاييس ذات موازين مختلفة في تحليل واحد؛ كدمج درجات مقياس ليكرت الخماسي (المدى: $1-5$) مع درجات اختبارات الذكاء القياسية (IQ) (المدى: $70-140$)، أو مع قياسات الاستجابة الجلدية الجلفانية (GSR) أو معدل ضربات القلب. إذا طُبقت الخوارزمية مباشرة على هذه البيانات الخام، فستحدد درجات الذكاء توزيع العناقيد بنسبة تتجاوز 99%، مما يفرغ التحليل من أبعاده السلوكية الأخرى.

توجد طريقتان رئيسيتان لمعالجة هذه المعضلة:

• المعايرة بالدرجات المعيارية (Z-Score Standardization):
  تحويل كل متغير $X$ بحيث يصبح متوسطه الحسابي صفراً وانحرافه المعياري واحداً، عبر المعادلة:
  $$z = \frac{x – \mu}{\sigma}$$
  يُعد هذا التحويل الخيار المنهجي الأمثل في العلوم السلوكية عندما تتبع البيانات توزيعاً قريباً من التوزيع الطبيعي، حيث يُلغي وحدات القياس ويجعل كافة السمات متساوية في التأثير الهندسي.
• التحجيم بالحدين الأدنى والأقصى (Min-Max Scaling / Normalization):
  ضغط قيم المتغير لتنحصر بدقة ضمن نطاق محدد مسبقاً، عادة بين $0$ و $1$:
  $$x_{\text{scaled}} = \frac{x – x_{\min}}{x_{\max} – x_{\min}}$$
  يُفضل هذا الأسلوب عندما تكون المتغيرات محصورة ضمن حدود قطعية وثابتة، لكنه يعاني من حساسية مفرطة جداً للقيم الشاذة التي قد تضغط غالبية البيانات الأصلية في نطاق ضيق جداً.

7.2 إدارة القيم الشاذة والمتطرفة (Outlier Detection and Handling)

تمارس القيم المتطرفة (Outliers) تأثيراً هداماً على موثوقية وجودة خوارزمية K-Means. ونظراً لأن المراكز العنقودية تُحسب كمتوسطات حسابية، ولأن دالة الهدف تعتمد على المسافات الإقليدية المربعة، فإن نقطة واحدة متطرفة قادرة على سحب المركز العنقودي بعيداً عن كتلته الطبيعية، أو توليد عنقود منفرد يحتوي على تلك النقطة الشاذة فقط (Singleton Cluster)، مما يُهدر أحد العناقيد الـ $K$ المتاحة.

تتضمن استراتيجيات الكشف المنهجي عن الشواذ في البيانات النفسية:

• استخدام مسافة ماهالانوبيس (Mahalanobis Distance) المتعددة الأبعاد، والتي تأخذ بعين الاعتبار مصفوفة التغاير والارتباطات بين المتغيرات.
• فحص مخططات الصندوق (Boxplots) وتحديد القيم التي تتجاوز $1.5$ ضعف المدى الربيعي (IQR).
• حساب درجات $Z$ المطلقة واستبعاد أو فحص الحالات التي تتجاوز قيمتها $+3$ أو $-3$ انحرافاً معيارياً.

تتراوح خيارات المعالجة المنهجية بين استبعاد الحالات الشاذة المبرر علمياً (خاصة الناتجة عن أخطاء إدخال البيانات أو عدم جدية المفحوصين)، أو استخدام تحويلات تقليص الالتواء (مثل التحويل اللوغاريتمي أو تحويل Box-Cox)، أو استخدام خوارزميات تجميعية أكثر مقاومة للمتطرفات كبديل لـ K-Means التقليدية.

7.3 تقليل الأبعاد والتعامل مع الارتباط الخطي المتعدد

عند زيادة عدد المتغيرات النفسية الخاضعة للتجميع، تبرز معضلة رياضية وإحصائية شهيرة تُعرف بـ “لعنة الأبعاد” (Curse of Dimensionality). مع ارتفاع عدد الأبعاد، يتمدد حجم الفضاء الهندسي بشكل أسي، وتتباعد نقاط البيانات عن بعضها لتصبح كثافة الفضاء شبه معدومة، وتتقارب المسافات الإقليدية البينية بين كافة النقاط، مما يجعل المسافة بين أقرب نقطتين مساوية تقريباً للمسافة بين أبعد نقطتين، فتفقد دالة المسافة قدرتها على التمييز والفرز الهادف.

علاوة على ذلك، تتسم الاستبيانات النفسية بوجود ارتباط خطي متعدد مرتفع (Multicollinearity) بين بنود المقاييس ومحاورها، مما يعني أن بعض الأبعاد النفسية تتكرر حسابياً وتزن التحليل بوزن مفرط ومزدوج. يكمن الحل القياسي في تطبيق تقنيات تقليل الأبعاد، وعلى رأسها **تحليل المكونات الأساسية (Principal Component Analysis – PCA)**، قبل إخضاع البيانات لخوارزمية K-Means.

يساعد تطبيق PCA في تحقيق الأهداف التالية:

• تحويل المتغيرات المرتبطة الأصلية إلى عدد أقل من المركبات المتعامدة تماماً وغير المرتبطة (Orthogonal Components).
• الاحتفاظ بالنسبة العظمى من التباين الإحصائي الكلي مع خفض الأبعاد إلى عاملين أو ثلاثة عوامل محورية.
• تحسين الكفاءة الحسابية للخوارزمية وتسهيل التمثيل البصري (Visualization) ثنائي وثلاثي الأبعاد للعناقيد المستخرجة وفحص حدودها بدقة.

8. تنويعات وتطويرات خوارزمية K-Means المتقدمة

8.1 خوارزمية K-Medoids (PAM – Partitioning Around Medoids)

تمثل خوارزمية K-Medoids، والتي يُعد أسلوب التقسيم حول الأجسام الوسيطة (Partitioning Around Medoids – PAM) أشهر تطبيقاتها، البديل الأكثر متانة ومقاومة للتشويش الإحصائي مقارنة بخوارزمية K-Means الكلاسيكية. يتمثل الفارق الجوهري بينهما في أن K-Medoids تشترط أن يكون مركز كل عنقود نقطة مشاهدة فعلية وحقيقية من مصفوفة البيانات الأصلية تُعرف باسم “الوسيط النمطي” (Medoid)، بدلاً من الاعتماد على المتوسط الحسابي التجريدي الذي قد يمثل نقطة وهمية لا وجود لها في الواقع.

تعمل خوارزمية PAM على تقليل مجموع الفروق أو المسافات المطلقة بين النقاط وممثليها الفعليين. تمنح هذه الخاصية الخوارزمية حصانة استثنائية ضد القيم المتطرفة والشاذة؛ فالقيمة المتطرفة الشديدة لن تستطيع جذب “الوسيط” الواقعي نحوها كما تفعل مع المتوسط الحسابي. كما تتميز K-Medoids بقدرتها على العمل مع أي مصفوفة مسافات اعتباطية أو غير إقليدية، كالمسافات الفئوية والترتيبية.

يكمن العيب الرئيسي لخوارزمية PAM في تكلفتها الحسابية المرتفعة؛ حيث يتطلب تحديث الوسيط في كل دورة حساب مصفوفة المسافات بين كافة أزواج النقاط، بتعقيد حسابي يصل إلى $\mathcal{O}(K(n-K)^2)$ لكل تكرار، مما يجعل تطبيقها بطيئاً ومكلفاً جداً مع العينات الضخمة مقارنة بكفاءة K-Means ذات التعقيد الخطي $\mathcal{O}(n \cdot K \cdot d \cdot i)$.

8.2 خوارزمية التجميع الضبابي (Fuzzy C-Means)

تتبنى خوارزمية التجميع التقليدي K-Means منطق التجميع القاطع أو الحاسم (Hard Clustering)؛ حيث تنتمي نقطة البيانات إما كلياً ($1$) أو لا تنتمي إطلاقاً ($0$) إلى عنقود معين. في المقابل، تكسر خوارزمية التجميع الضبابي (Fuzzy C-Means – FCM) هذا القيد الثنائي، متيحة لكل مشاهدة $x_i$ أن تمتلك درجات عضوية جزئية وتدريجية تنحصر بين $[0, 1]$ عبر كافة العناقيد المتاحة، بشرط أن يكون مجموع درجات العضوية للمشاهدة الواحدة مساوياً للواحد الصحيح:

$$\sum_{k=1}^{C} u_{ik} = 1, \quad \forall i$$

حيث يمثل $u_{ik}$ معامل عضوية النقطة $i$ في العنقود $k$. تعتمد الخوارزمية على تقليل دالة هدف معدلة تتضمن “معامل التضبيب” (Fuzzifier$m > 1$):

$$J_m = \sum_{i=1}^n \sum_{k=1}^C u_{ik}^m ||x_i – \mu_k||^2$$

تحظى Fuzzy C-Means بأهمية استثنائية في التشخيص النفسي والعلوم السلوكية؛ نظراً لأن الحالات النفسية لا تتواجد غالباً في كتل منفصلة تماماً، بل تتوزع على متصلات وتظهر تداخلاً عيادياً كبيراً (Comorbidity). يتيح التجميع الضبابي للباحثين فهم الحالات الحدودية التي تمتلك خصائص مشتركة بين أكثر من اضطراب نفسي (كالاعتلال المشترك بين القلق والاكتئاب)، مما يوفر تشخيصاً دقيقاً يعكس الطبيعة المتصلة والضبابية للظواهر الإنسانية.

8.3 خوارزمية Mini-Batch K-Means للبيانات الضخمة

مع تنامي حجم البيانات النفسية والسلوكية الناتجة عن منصات التواصل الاجتماعي والتطبيقات الرقمية والأجهزة القابلة للارتداء (Wearable Sensors)، تصبح خوارزمية K-Means التقليدية بطيئة بسبب حاجتها لتحميل ومسح كامل مصفوفة البيانات في كل تكرار زمني. للتغلب على هذا الاختناق الحاسوبي، اقترح دومينيك سكالبيرت عام 2010 خوارزمية Mini-Batch K-Means.

تقوم الخوارزمية على فكرة أخذ عينات فرعية عشوائية صغيرة ذات حجم ثابت (Mini-batches، مثل $b = 100$ أو $b = 500$ نقطة) من مجموعة البيانات الإجمالية في كل دورة تكرارية، وتحديث إحداثيات المراكز العنقودية بصورة تدريجية عبر المتوسط المتحرك المحسوب على تلك العينة الصغيرة فقط، بدلاً من حساب كامل البيانات.

يؤدي هذا التحديث التراكمي إلى تسريع المعالجة الحاسوبية وخفض استهلاك الذاكرة العشوائية (RAM) دون التضحية بجودة التقسيم النهائي؛ حيث تتقارب نتائج Mini-Batch K-Means بدرجة تطابق تصل إلى أكثر من 98% مع نتائج الخوارزمية التقليدية، مما يجعلها المعيار البرمجي المفضل في بيئات البيانات الضخمة (Big Data) وتدفقات السلوك اللحظية (Real-time Streaming Analytics).

9. تقييم جودة العناقيد ومقاييس التحقق الإحصائي

9.1 مقاييس التحقق الداخلية (Internal Validation Indices)

تُستخدم مقاييس التحقق الداخلية لتقييم جودة البنية العنقودية بالاعتماد حصرياً على البيانات الذاتية للنموذج والمسافات الهندسية المحسوبة، دون الحاجة إلى أي بيانات أو تصنيفات خارجية مسبقة. من أهم هذه المؤشرات المعتمدة في الأدبيات الإحصائية:

• مؤشر ديفيز-بولدين (Davies-Bouldin Index – DBI):
  يقيس هذا المؤشر متوسط أقصى نسبة تشابه بين كل عنقود والعناقيد الأخرى، حيث تُعرّف النسبة بأنها مجموع التشتت الداخلي للعنقودين مقسوماً على المسافة الفاصلة بين مركزيهما:
  $$DB = \frac{1}{K} \sum_{i=1}^{K} \max_{j ne i} \left( \frac{\sigma_i + \sigma_j}{d(\mu_i, \mu_j)} \right)$$
  حيث تمثل $\sigma$ متوسط المسافة داخل العنقود. القيمة الأصغر لمؤشر DBI تدل على جودة أفضل؛ لأنها تعكس تشتتاً داخلياً صغيراً وتباعداً بيانياً كبيراً بين المراكز.
• مؤشر كالينسكي-هاراباس (Calinski-Harabasz Index – CHI):
  يُعرف أيضاً بنسبة معيار التباين (Variance Ratio Criterion)، ويحسب النسبة بين التباين الكلي بين العناقيد والتباين الكلي داخل العناقيد، مرجحاً بدرجات الحرية:
  $$CH = \frac{BCSS / (K – 1)}{WCSS / (n – K)}$$
  تُشير القيمة الأعلى لمؤشر CHI إلى عناقيد متماسكة داخلياً ومتباعدة خارجياً بشكل أمثل.
• مؤشر دان (Dunn Index):
  يركز على تقييم الحالات الأسوأ في التقسيم، عبر حساب النسبة بين أصغر مسافة فاصلة بين أي نقطتين في عنقودين مختلفين، وأكبر قطر (أكبر مسافة بين نقطتين) داخل العنقود الواحد. يُفضل التقسيم ذو القيمة الأعلى لمؤشر دان.

9.2 مقاييس التحقق الخارجية (External Validation Measures)

تُطبق مقاييس التحقق الخارجية عندما تتوفر لدى الباحث “حقيقة أرضية” (Ground Truth) أو تصنيفات تشخيصية سريرية مستقلة ومسبقة، ويرغب في اختبار مدى قدرة خوارزمية K-Means غير الخاضعة للإشراف على استرجاع تلك الفئات الطبيعية وإعادة إنتاجها موضوعياً. ومن أبرز هذه المقاييس:

• مؤشر راند المعدل (Adjusted Rand Index – ARI):
  يقوم على حساب نسبة أزواج العناصر التي تم تجميعها معاً أو فصلها معاً بشكل متطابق في كل من التقسيم العنقودي والتصنيف المرجعي الخارجي، مع تعديل النتيجة لتصحيح احتمالية الاتفاق العشوائي (Chance Agreement). تتراوح قيمة ARI بين $-1$ و $+1$، حيث تدل القيمة $+1$ على التطابق التام، والقيمة $0$ على أن التقسيم يماثل التوزيع العشوائي الصرف.
• المعلومات المتبادلة المعيارية (Normalized Mutual Information – NMI):
  مقياس مستمد من نظرية المعلومات يقيس كمية المعلومات المشتركة بين التوزيع العنقودي المستخرج والتوزيع المرجعي الحقيقي، ومقيسة ضمن النطاق $[0, 1]$.

تكمن محدودية مقاييس التحقق الخارجية في ندرة وجود “حقيقة تشخيصية مطلقة” في العلوم النفسية، وغالباً ما يُستخدم هذا الأسلوب لأغراض التحقق من صحة المقاييس الجديدة ومقارنة التقسيم الخوارزمي المستحدث بالمعايير التشخيصية المعتمدة في الأدلة الإحصائية للاضطرابات النفسية (مثل DSM-5).

9.3 اختبار استقرار وثبات العناقيد (Cluster Stability and Reliability)

لا يكتمل التحليل العنقودي الرصين دون التحقق من أن البنية المستخرجة تمثل “نمطاً حقيقياً ومستقراً” في المجتمع الأصلي وليست نتاجاً عشوائياً للتقلبات الإحصائية في عينة الدراسة. يتطلب ذلك تطبيق تقنيات إعادة المعاينة والاختبارات التكرارية:

• إعادة المعاينة بأسلوب البوتستراب (Bootstrap Resampling):
  سحب مئات العينات العشوائية المتكررة مع الإحلال من العينة الأصلية، وتطبيق K-Means على كل عينة فرعية، ثم حساب مؤشر تشابه العناقيد (مثل مؤشر جيلارد-لوكاس) عبر العينات المتعددة للتأكد من ثبات وتكرارية الأنماط المستخرجة.
• التحقق المتقاطع عبر عينات منقسمة (Split-Half Cross-Validation):
  تقسيم العينة عشوائياً إلى نصفين متكافئين، وتطبيق الخوارزمية بشكل مستقل على النصف الأول والنصف الثاني، ثم مقارنة المراكز العنقودية وتعيينات الأفراد لتقييم درجة الثبات الإحصائي عبر العينات المستقلة.
• الثبات عبر الزمن (Longitudinal Stability):
  في الدراسات الطولية السلوكية، يتم فحص مدى استقرار الأفراد في عناقيدهم النمطية عبر موجات القياس المتعددة لرصد التغيرات النمائية الحقيقية مقابل عدم استقرار أداة القياس.

10. مقارنة خوارزمية K-Means بخوارزميات التجميع الأخرى

10.1 مقارنة مع التجميع الهرمي (Hierarchical Clustering)

يُمثّل التحليل العنقودي الهرمي (Hierarchical Clustering)، وخاصة الأسلوب التجميعي التصاعدي (Agglomerative Hierarchical Clustering)، النموذج التقليدي المنافس لـ K-Means. يبدأ التجميع التراكمي باعتبار كل نقطة بيانية عنقوداً مستقلاً بذاته، ثم يقوم بدمج أزواج العناقيد الأكثر تشابهاً تدريجياً وبشكل تسلسلي حتى تندمج كافة المشاهدات في عنقود رئيسي واحد، منتجاً شجرة تصنيفية بصرية تُعرف بـ **مخطط التشجير (Dendrogram)**.

تتمثل الميزة الكبرى للتحليل الهرمي في عدم اشتراط التحديد المسبق لعدد العناقيد $K$؛ حيث يمكن للباحث فحص مخطط التشجير واختيار مستوى القطع الأنسب بعدياً بناءً على الهيكل النظري للبيانات. ومع ذلك، يعاني التجميع الهرمي من تكلفة حسابية باهظة جداً تبلغ$mathcal{O}(n^3)$ من حيث الزمن و$\mathcal{O}(n^2)$ من حيث الذاكرة، مما يجعله عاجزاً عن معالجة العينات الكبيرة التي تتجاوز بضعة آلاف من الحالات.

في المقابل، تتفوق K-Means بقدرتها على معالجة ملايين المشاهدات بسرعة فائقة. لذلك، يُفضل التجميع الهرمي في الدراسات الاستكشافية ذات العينات الصغيرة والتصنيفات الفرعية متعددة المستويات، بينما تظل K-Means الخيار القياسي لدراسات المسح واسعة النطاق.

10.2 مقارنة مع الخوارزميات المعتمدة على الكثافة (DBSCAN)

تعتمد خوارزمية DBSCAN (Density-Based Spatial Clustering of Applications with Noise) على مفهوم الكثافة المكانية بدلاً من المسافات إلى المراكز. تُعرّف العناقيد في DBSCAN بأنها مناطق مستمرة عالية الكثافة من النقاط تفصلها مناطق منخفضة الكثافة أو فراغات بيانية.

تتميز خوارزمية DBSCAN بتفوقها التام على K-Means في جانبين حاسمين:

• القدرة على اكتشاف العناقيد ذات الأشكال الهندسية الاعتباطية والمعقدة غير المحدبة (مثل المنحنيات والأشكال المتداخلة) التي تعجز عنها خلايا فورونوي في K-Means.
• العزل التلقائي والفعال للقيم المتطرفة والضوضاء دون إجبارها قسراً على الانضمام إلى أي عنقود.

ومع ذلك، تواجه DBSCAN صعوبات بالغة عند تطبيقها على البيانات النفسية والسلوكية التي تتسم بوجود كثافات متغيرة عبر فضاء السمات، أو في الفضاءات عالية الأبعاد حيث تصبح الكثافات متجانسة ومتلاشية. تظل K-Means أكثر كفاءة وموثوقية في البيانات متجانسة التوزيع وذات الأشكال الكروية المتوقعة.

10.3 مقارنة مع نماذج المزيج الغاوسي (Gaussian Mixture Models – GMM)

تُمثّل نماذج المزيج الغاوسي (Gaussian Mixture Models – GMM) الإطار الاحتمالي المتقدم للتحليل العنقودي القائم على النماذج (Model-based Clustering). تفترض GMM أن مجموعة البيانات تتولد من مزيج يضم عدداً محدداً من التوزيعات الطبيعية متعددة المتغيرات، ويمتلك كل توزيع منها متجهه الخاص للمتوسطات ومصفوفة التغاير المشتركة الخاصة به ($\Sigma_k$).

يتم تقدير معلمات النموذج باستخدام خوارزمية تعظيم التوقع (Expectation-Maximization – EM). تمنح مصفوفات التغاير نماذج GMM مرونة هندسية استثنائية؛ حيث تستطيع تشكيل عناقيد إهليلجية وبيضوية ذات توجهات وأحجام وتشتتات متباينة تماماً عبر الفضاء، بخلاف K-Means التي تفترض دوماً عناقيد كروية متساوية التباين.

من الناحية النظرية، تُعتبر خوارزمية K-Means حالة خاصة ومحددة جداً (Hard-assignment limit) من نماذج GMM، وتتحقق رياضياً عندما تكون مصفوفات التغاير لجميع العناقيد متطابقة وكروية ($\Sigma_k = \sigma^2 I$) وتؤول التباينات إلى الصفر. تُعد GMM الأداة المثلى في النمذجة البنائية للمتغيرات الكامنة (Latent Profile Analysis – LPA) في العلوم السلوكية المتقدمة عند الحاجة لنمذجة احتمالية دقيقة لتداخل السمات.

11. التحديات العملية والافتراضات والمحددات

11.1 الافتراضات الإحصائية والشكلية لخوارزمية K-Means

تستند خوارزمية K-Means إلى مجموعة من الافتراضات الإحصائية والشكلية الضمنية التي يجب على الباحث إدراكها وفحصها بعناية قبل تبني النتائج:

• افتراض الكروية (Spherical Assumption): تفترض الخوارزمية أن العناقيد متماثلة التوزيع وذات أشكال كروية أو متساوية التشتت في كافة الاتجاهات. إذا كانت العناقيد الطبيعية متطاولة أو بيضاوية بسبب وجود ارتباطات قوية بين المتغيرات داخل العنقود، فستفشل الخوارزمية في مطابقتها بدقة.
• افتراض تساوي الأحجام والتباينات (Equal Variance / Equal Size): تعمل الخوارزمية بكفاءة عندما تكون العناقيد متقاربة في أقطارها التشتتية وأعداد أفرادها. في حال وجود عنقود ضخم جداً بجوار عنقود صغير وكثيف، تميل K-Means إلى شطر العنقود الكبير إلى نصفين ودمج أجزاء منه قسراً مع العنقود الصغير لموازنة دالة الخطأ المربعة.
• افتراض الطبيعة المتصلة للبيانات: تعتمد الخوارزمية على المتوسطات والمسافات الإقليدية، وهي عمليات رياضية تفترض قياساً متصلاً على مستوى الفترات (Interval) أو النسب (Ratio). يؤدي تطبيقها المباشر على التوزيعات الملتوية جداً أو البيانات الثنائية والاسمية إلى انتهاك خطير للأسس الرياضية للخوارزمية.

11.2 معضلة الحلول المحلية المثلى (Local Minima Dilemma)

نظراً لأن مسألة استمثال K-Means تُعد مسألة معقدة غير خطية تندرج ضمن فئة المسائل صعبة الحل حاسوبياً (NP-hard Problem)، فإن الخوارزمية التكرارية لا تضمن الوصول إلى الحل الأمثل الشامل (Global Optimum)، بل تتقارب حتماً نحو نقطة صغرى محلية (Local Minimum) تعتمد كلياً على نقاط البداية والمراكز المختارة في خطوة التهيئة.

إذا كانت المراكز الأولية سيئة التموضع، فستستقر الخوارزمية في تقسيم فرعي غير دقيق يعكس ترتيباً محلياً لا يمثل البنية الحقيقية للبيانات. لمواجهة هذه المعضلة في الممارسة العملية، تُطبق استراتيجية التشغيل المتعدد المستقل (Multiple Restarts)؛ حيث يتم تشغيل الخوارزمية لعدد كبير من المرات (مثلاً n_init = 50 أو 100 مرة) باستخدام بذور عشوائية مختلفة وتطبيق تهيئة K-Means++، ثم اختيار الحل النهائي الذي يحقق أقل قيمة إجمالية لدالة التشتت (SSE/Inertia).

لضمان الشفافية العلمية وقابلية التكرار (Replicability) في الأبحاث المنشورة، يجب على الباحث دوماً تحديد وتثبيت “البذرة العشوائية” (Random Seed / Set.seed) المستخدمة في بيئة البرمجة، لتمكين الباحثين الآخرين من إعادة إنتاج ذات النتائج الإحصائية بدقة متطابقة.

11.3 تحديات البيانات النوعية والترتيبية في البحوث النفسية

تعتمد غالبية أدوات القياس النفسي على مقاييس ليكرت الترتيبية (Likert Scales، مثل: أوافق بشدة، أوافق، محايد، أعارض، أعارض بشدة). يمثل تطبيق المسافة الإقليدية وحساب المتوسط الحسابي على هذه البيانات الترتيبية انتهاكاً للمنهجية الإحصائية الكلاسيكية؛ نظراً لأن المسافات الفاصلة بين الرتب النوعية ليست متساوية بالضرورة رياضياً.

تتضمن البدائل الخوارزمية المخصصة لمعالجة هذه التحديات:

• خوارزمية K-Modes: بديل متكامل مصمم للبيانات الفئوية والاسمية الصرفة؛ حيث يستبدل المتوسطات بالمنوال (Modes)، ويعتمد على مقاييس عدم التطابق البسيط (Simple Matching Dissimilarity) بدلاً من المسافة الإقليدية.
• خوارزمية K-Prototypes: خوارزمية هجينة متقدمة تتيح تجميع قواعد البيانات المختلطة التي تحتوي على متغيرات كمية متصلة ومتغيرات فئوية ونوعية في آن واحد، عبر دمج المسافة الإقليدية مع مسافة عدم التطابق الفئوي بوزن ترجيحي يحدده الباحث.
• التحويل الإحصائي المسبق: عند الرغبة في استخدام K-Means القياسية على بيانات ليكرت متعددة البنود، يُشترط إجراء تحليل القياس التراكمي وتحويل الاستجابات إلى درجات متصلة مقننة عبر نماذج الاستجابة للمفردة (Item Response Theory – IRT) أو استخراج الدرجات العاملية (Factor Scores) من التحليل العاملي التوكيدي (CFA).

12. إرشادات التطبيق العملي، الأدوات البرمجية، والآفاق المستقبلية

12.1 تنفيذ الخوارزمية برمجياً عبر Python و R و SPSS

تتوفر خوارزمية K-Means عبر كافة المنصات الإحصائية والبرمجية الرائدة، وتتطابق أسسها الرياضية مع تباين في خيارات الضبط والمعايرة المتاحة:

• لغة بايثون (Python – Scikit-Learn):
  تُعد الفئة sklearn.cluster.KMeans المعيار البرمجي الأكثر مرونة وكفاءة. تتيح الفئة ضبط التهيئة المتقدمة عبر init='k-means++'، وتحديد عدد مرات إعادة التشغيل n_init=20، واختيار أقصى عدد للتكرار max_iter=300. كما توفر الحزمة دوال تقييم سريعة لحساب معامل الصورة الظلية silhouette_score ومؤشرات التحقق الداخلي بكفاءة متجهة عالية.
• لغة آر (R Environment):
  توفر الدالة الأساسية kmeans() تطبيقاً كلاسيكياً يدعم خوارزميات حسابية متعددة (مثل Hartigan-Wong و Lloyd و MacQueen). وتوفر حزم متخصصة مثل cluster وحزمة factoextra بيئة لتحليل العناقيد، واستخراج المخططات البيانية لمجموع المربعات، وتوليد مخططات الصورة الظلية، وإجراء التحقق المتقاطع والتنفيذ التلقائي لاختبارات إحصائية الفجوة عبر الدالة fviz_nbclust().
• الحزمة الإحصائية للعلوم الاجتماعية (IBM SPSS Statistics):
  يتيح إجراء “K-Means Cluster Analysis” في SPSS تنفيذ التحليل للمستخدمين غير المبرمجين عبر واجهة تفاعلية. يوفر البرنامج جداول المراكز الأولية والمراكز النهائية وجداول تحليل التباين (ANOVA) التي تبين دلالة مساهمة كل متغير في التمايز بين العناقيد. ومع ذلك، يعيب SPSS اعتماده على خوارزميات تهيئة عشوائية بسيطة تفتقر للتقدم الموجود في K-Means++، مما يتطلب تشغيل التحليل بترتيبات مختلفة للبيانات للتأكد من استقرار الحلول.

12.2 دليل إجرائي خطوة بخطوة للباحثين في العلوم النفسية

لضمان الرصانة المنهجية وقابلية النشر في المجلات العلمية المحكمة، يُوصى الباحثون باتباع خارطة الطريق الإجرائية الموضحة في قائمة الفحص التالية:

• المرحلة 1 – الفحص والتنظيف البياني: فحص مصفوفة البيانات بدقة، والتعامل مع القيم المفقودة عبر طرق التعويض المتعدد (Multiple Imputation)، والكشف عن القيم الشاذة المتطرفة باستخدام المقاييس المتعددة الأبعاد، والتحقق من افتراضات التوزيع والالتواء.
• المرحلة 2 – التقييس المنهجي: تطبيق المعايرة بالدرجات المعيارية ($Z$-Scores) على كافة المتغيرات لتوحيد موازين القياس وإلغاء تحيز الوحدات الكبيرة.
• المرحلة 3 – تقليل الأبعاد التكرارية (اختياري): فحص مصفوفة الارتباطات البينية؛ وفي حال وجود ارتباطات خطية مرتفعة، يتم تطبيق PCA أو التحليل العاملي لاستخراج درجات العوامل الكامنة واستخدامها كمدخلات للتجميع.
• المرحلة 4 – تقدير العدد الأمثل $K$: الجمع بين مؤشرات متعددة؛ رسم منحنى المرفق (Elbow Plot)، وحساب متوسط معاملات الصورة الظلية، وتطبيق إحصائية الفجوة، وموازنة النتائج الإحصائية مع الأطر النظرية للموضوع المدروس.
• المرحلة 5 – تشغيل الخوارزمية مع ضبط التهيئة: تنفيذ K-Means مع تطبيق تهيئة K-Means++، وضبط عدد مرات إعادة التشغيل ($n_init ge 50$)، وتثبيت البذرة العشوائية (Random Seed) لضمان القابلية للتكرار.
• المرحلة 6 – التحقق الإحصائي والاستقرار: تقييم جودة البنية باستخدام مؤشرات DBI و CHI، وإجراء اختبارات الثبات بإعادة المعاينة (Bootstrap) للتحقق من أن العناقيد تمثل نمطاً ثابتاً في المجتمع.
• المرحلة 7 – التفسير النظري والتوصيف الخارجي: بناء البروفايل السيكولوجي الدقيق لكل عنقود عبر تحليل متوسطات المتغيرات المعايرة، وربط العناقيد الناتجة بمتغيرات ديموغرافية وسلوكية خارجية مستقلة لم تدخل في عملية التجميع (Validity Criterion Checks) لإثبات الصدق التمييزي والتطبيقي للتصنيف.

12.3 الاتجاهات الحديثة والتكامل مع الذكاء الاصطناعي

يشهد ميدان التحليل العنقودي تطورات متسارعة مدفوعة بالاندماج مع تقنيات التعلم العميق والذكاء الاصطناعي التوليدي. في مقدمة هذه الابتكارات يبرز التجميع العميق (Deep Clustering)، والذي يدمج خوارزمية K-Means مع الشبكات العصبية الاصطناعية، وتحديداً المشفرات التلقائية العميقة (Deep Autoencoders).

في هذا الإطار، تقوم الشبكة العصبية بتعلم تمثيل منخفض الأبعاد وغير خطي وفائق التجريد للبيانات الخام (Latent Embedding Space) في الوقت ذاته الذي يتم فيه تدريب دالة الهدف الخاصة بـ K-Means داخل هذا الفضاء الكامن، مما يسمح باكتشاف أنماط سلوكية معقدة وغير خطية تعجز عنها الطرق الكلاسيكية تماماً.

تفتح هذه التقنيات آفاقاً واسعة في الطب النفسي الرقمي الدقيق (Precision Digital Psychiatry)؛ حيث تُوظف الخوارزميات لمعالجة التدفقات البيانية الهائلة الناتجة عن الهواتف الذكية والتفاعلات الحركية والبيومترية اللحظية للمرضى، لتوليد نماذج تكيفية وتشخيصات ديناميكية تتغير زمنياً لرصد الانتكاسات المزاجية قبل وقوعها، وتوجيه التدخلات العلاجية بدقة متناهية توافق الاحتياج الفردي في اللحظة الزمنية المناسبة.

خاتمة

تظل خوارزمية تجميع المتوسطات (K-Means) ركيزة من ركائز التحليل الإحصائي الاستكشافي والتعلّم الآلي منذ عقود. تستمد الخوارزمية مكانتها من التوازن الهندسي والرياضي الأنيق الذي يجمع بين بساطة التفسير وسرعة المعالجة الحاسوبية والقدرة على هيكلة وتلخيص الفضاءات البيانية المعقدة. ورغم حساسيتها لبعض القيود البنيوية كافتراض الكروية والتأثر بالقيم الشاذة، فإن المعالجة المسبقة الواعية للبيانات، وتطبيق التحسينات الخوارزمية الحديثة كتهيئة K-Means++، ودمج مقاييس التحقق الإحصائي المتقدمة مع الرؤية المعرفية التخصصية، يمنح الباحثين أداة منهجية للارتقاء بدقة الاستنتاجات العلمية.

في حقول القياس النفسي والعلوم الإنسانية والسلوكية، يمثل التحليل العنقودي جسراً منهجياً يربط النظريات التجريدية بالواقع التطبيقي المعاش؛ حيث ينقل التحليل السلوكي من النظرة الأحادية للمتغيرات المنفصلة إلى النظرة التركيبية التي ترى الإنسان ككيان متكامل من السمات المتفاعلة. ومع التطورات المتلاحقة في مجالات التجميع العميق وتكامل الذكاء الاصطناعي مع علوم الأعصاب، تستمر K-Means وتطويراتها المعاصرة في تقديم رؤى متجددة لفهم الطبيعة الإنسانية وتفكيك تعقيدات السلوك البشري بدقة إحصائية ورصانة علمية.

المراجع

• Arthur, D., & Vassilvitskii, S. (2007). k-means++: The advantages of careful seeding. In Proceedings of the eighteenth annual ACM-SIAM symposium on Discrete algorithms (pp. 1027-1035). https://dl.acm.org/doi/10.5555/1283383.1283494
• Calinski, T., & Harabasz, J. (1974). A dendrite method for cluster analysis. Communications in Statistics-theory and Methods, 3(1), 1-27. https://doi.org/10.1080/03610927408827101
• Davies, D. L., & Bouldin, D. W. (1979). A cluster separation measure. IEEE Transactions on Pattern Analysis and Machine Intelligence, (2), 224-227. https://doi.org/10.1109/TPAMI.1979.4766909
• Forgy, E. W. (1965). Cluster analysis of multivariate data: efficiency versus interpretability of classifications. Biometrics, 21, 768-769.
• Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer. https://doi.org/10.1007/978-0-387-84858-7
• Lloyd, S. (1982). Least squares quantization in PCM. IEEE Transactions on Information Theory, 28(2), 129-137. https://doi.org/10.1109/TIT.1982.1056489
• MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. In Proceedings of the fifth Berkeley symposium on mathematical statistics and probability (Vol. 1, No. 14, pp. 281-297). https://projecteuclid.org/euclid.bsmsp/1200512992
• Rousseeuw, P. J. (1987). Silhouettes: a graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20, 53-65. https://doi.org/10.1016/0377-0427(87)90125-7
• Sculley, D. (2010). Web-scale k-means clustering. In Proceedings of the 19th international conference on World wide web (pp. 1177-1178). https://doi.org/10.1145/1772690.1772862
• Steinhaus, H. (1956). Sur la division des corps matériels en parties. Bull. Acad. Polon. Sci, 1(804), 801.
• Tibshirani, R., Walther, G., & Hastie, T. (2001). Estimating the number of clusters in a data set via the gap statistic. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 63(2), 411-423. https://doi.org/10.1111/1467-9868.00293