شرح تصميم داخل المفحوصين في التجارب

تُعد منهجية البحث التجريبي الركيزة الأساسية التي يستند إليها التقدم العلمي في ميادين علم النفس، والعلوم العصبية، والعلوم السلوكية والمعرفية. وفي قلب هذا البناء المنهجي الرصين، تبرز مسألة اختيار التصميم التجريبي المناسب بوصفها القرار الأكثر حساسية وتأثيراً في دقة النتائج وصدقها الداخلي والخارجي. يواجه الباحث التجريبي دائماً معضلة الموازنة بين تقليل الفروق الفردية الكامنة بين المشاركين وتعظيم القوة الإحصائية لرصد التأثيرات الحقيقية للمتغيرات المستقلة، مع الحفاظ على الكفاءة الاقتصادية والزمنية للبحث. من هنا، يبرز تصميم داخل المفحوصين (Within-Subjects Design) كأحد أعمق النماذج المنهجية وأكثرها تطوراً في مواجهة تباين الفروق الفردية وتفكيك ديناميات السلوك البشري بدقة متناهية.

يقوم هذا التصميم على مبدأ منطقي واقتصادي جوهري: إخضاع كل مشارك في التجربة لجميع المعالجات والمستويات التجريبية للمتغير المستقل، بحيث يعمل المفحوص كضابط ومقارن لنفسه (Self-Control). هذه الخاصية الجوهرية تلغي تباين الفروق الفردية الثابتة، مما يمنح التجارب حساسية فائقة لرصد الفروق الدقيقة التي قد تطمسها التباينات بين الأفراد في التصاميم الأخرى. ومع ذلك، فإن هذه الميزة الفريدة تفرض في الوقت ذاته تحديات منهجية معقدة تتعلق بتأثيرات الترتيب، والتعاقب، والتعب، والممارسة، مما يتطلب من الباحث إحاطة شاملة بالتقنيات الرياضية والإحصائية لضبط هذه المهددات وضمان نزاهة النتائج العلمية.

يهدف هذا الدليل الشامل والمفصل إلى تفكيك كافة الجوانب النظرية، والمنهجية، والإحصائية، والتطبيقية لتصميم داخل المفحوصين، بدءاً من جذوره التاريخية في السيكوفيزيقيا وصولاً إلى النماذج الخطية المختلطة في العلوم العصبية الحديثة. سنستعرض من خلال هذا العمل مقارنات معمقة، واستراتيجيات الموازنة والتدوير الدقيقة، وآليات التحقق من الافتراضات الإحصائية كشرط الكروية، ونقدم دليلاً إرشادياً متكاملاً يمكّن الباحثين وطلاب الدراسات العليا من تخطيط وتنفيذ وتحليل تجاربهم بكفاءة علمية وفق أعلى معايير النشر الأكاديمي الدولي.

1. مفهوم تصميم داخل المفحوصين (Within-Subjects Design): الأسس والتعريفات النظرية

1.1 التعريف الأكاديمي لمخطط القياسات المتكررة وداخل الأفراد

يُعرَّف تصميم داخل المفحوصين (Within-Subjects Design) في الأدبيات المنهجية لعلم النفس التجريبي بأنه نموذج تجريبي يخضع فيه كل فرد من أفراد العينة البحثية لجميع مستويات وشروط المتغير المستقل (Independent Variable) دون استثناء. وفي هذا المخطط، لا يتم تقسيم المشاركين إلى مجموعات منفصلة تتلقى كل منها معالجة مختلفة، بل يمر المشارك الواحد بسلسلة من القياسات المتتابعة عبر الزمن أو عبر المهام المختلفة، مما يجعل نقطة المقارنة الأساسية نابعة من التغيرات الداخلية الحادثة للشخص ذاته عبر الشروط التجريبية المتعددة.

تتعدد المصطلحات المترادفة في الأدبيات النفسية والإحصائية للإشارة إلى هذا التصميم؛ فغالباً ما يُطلق عليه تصميم القياسات المتكررة (Repeated Measures Design) نظراً لتكرار قياس المتغير التابع لدى المفحوص ذاته، كما يُعرف بـ تصميم المجموعات المرتبطة (Dependent Groups Design) أو تصميم العينات المزدوجة في التحليلات الإحصائية ثنائية المستويات. تعكس هذه المسميات البنية الرياضية للبيانات المجمعة، حيث تتسم المشاهدات بعدم الاستقلالية التامة لوجود ارتباط وثيق بين استجابات الفرد في شرط تجريبي واستجاباته في الشروط الأخرى، وهو ما يتطلب معالجات إحصائية خاصة تأخذ هذا الترابط بعين الاعتبار.

تستند الآلية الفلسفية والمنهجية لهذا التصميم إلى مبدأ المفحوص كضابط لنفسه (Self-Control Mechanism). فمن خلال قياس استجابة الفرد تحت المعالجة (أ) ثم قياس استجابته تحت المعالجة (ب)، تصبح الفروق الفردية الثابتة—مثل البنية الجينية، ومستوى الذكاء العام، وسمات الشخصية المستقرة، والخلفية الاجتماعية والثقافية—ثابتة تماماً عبر جميع المعالجات. وبالتالي، فإن التباين الملاحظ في المتغير التابع يُعزى بدرجة عالية من اليقين إلى تأثير المعالجة التجريبية ذاتها وليس إلى الفروق الفردية الكامنة بين الأفراد، مما يحقق أعلى درجات الضبط التجريبي.

تتنوع طبيعة جمع البيانات في هذا التصميم بين دراسات قصيرة المدى تُجرى ضمن جلسة معملية واحدة—مثل تعريض المشارك لمثيرات بصرية متتابعة لقياس أزمنة الرجع بالمللي ثانية—وبين دراسات طولية تمتد لأيام أو أسابيع أو سنوات لتتبع الاستجابات الفسيولوجية أو السلوكية لنفس الأفراد عبر فترات زمنية متباعدة. وفي كلتا الحالتين، يظل المبدأ الهيكلي الحاكم هو توليد مصفوفة بيانات طولية أو متكررة يكون فيها كل سطر معبراً عن سجل الأداء الكامل لفرد واحد عبر كافة الشروط المعملية.

1.2 التطور التاريخي لاستخدام التصميم في علم النفس التجريبي

يمتد التطور التاريخي لتصميم داخل المفحوصين إلى بدايات تأسيس علم النفس كعلم تجريبي مستقل في النصف الثاني من القرن التاسع عشر. كانت التجارب الرائدة لإرنست فبر (Ernst Weber) وغوستاف فخنر (Gustav Fechner) في ميدان السيكوفيزيقيا (Psychophysics) نقطة الانطلاق الأولى لتطبيق القياسات المتكررة؛ حيث كان الباحثون يُخضعون عدداً محدوداً جداً من الأفراد—قد لا يتجاوز شخصين أو ثلاثة، من بينهم الباحث نفسه في كثير من الأحيان—لآلاف المحاولات الحسية المتكررة لتحديد عتبات الإحساس الفارقة والمطلقة بدقة رياضية صارمة.

تلا ذلك الإسهام الخالد لعالم النفس الألماني هيرمان إبنجهاوس (Hermann Ebbinghaus) في أواخر القرن التاسع عشر، الذي أسس لدراسة الذاكرة والتعلم الذاتي من خلال إخضاع نفسه لقوائم لا حصر لها من المقاطع اللفظية عديمة المعنى. استخدم إبنجهاوس تصميماً نقياً داخل المفحوصين، حيث كان يختبر سرعة الحفظ ومعدلات النسيان عبر فترات زمنية متفاوتة على ذاته، مما مكنه من رسم منحنى النسيان الكلاسيكي دون الحاجة إلى عينات بشرية ضخمة، مؤسساً بذلك لمنهجية القياس المتكرر في دراسة العمليات المعرفية العليا.

مع بزوغ فجر الثورة المعرفية في منتصف القرن العشرين وتطور أجهزة الحاسوب، اتخذ تصميم داخل المفحوصين موقع الصدارة في دراسات الإدراك الحسي وزمن الرجع (Reaction Time). أتاحت تقنيات العرض المحوسبة، مثل مهام ستيرنبرغ للذاكرة العاملة ونماذج بوسنر للانتباه البصري، تسجيل مئات المحاولات لكل مشارك عبر شروط تجريبية متقاطعة ضمن بضع دقائق، مما جعل هذا التصميم المعيار الذهبي غير المنازع في مختبرات علم النفس المعرفي التجريبي.

في العصر الراهن، تضاعف الاعتماد على تصميم القياسات المتكررة مع الانتشار الواسع لتقنيات العلوم العصبية مثل التصوير بالرنين المغناطيسي الوظيفي (fMRI) وتخطيط أمواج الدماغ الكهربائية (EEG). نظراً للتكلفة المادية الباهظة لساعات المسح العصبي وضرورة تجميع الإشارات الكهربائية لتقليل الضوضاء الفسيولوجية، بات من المستحيل تقريباً استخدام تصاميم العينات المستقلة في هذه المجالات، حيث يتم إخضاع كل دماغ لسلسلة متكررة ومكثفة من المثيرات العصبية لرصد التغيرات الدقيقة في التدفق الدموي والنشاط المشبكي بدقة فائقة.

1.3 الشروط المنهجية اللازمة لتطبيق تصميم داخل المفحوصين

على الرغم من القوة المنهجية الهائلة لتصميم داخل المفحوصين، إلا أن تطبيقه ليس متاحاً في جميع السياقات البحثية، بل يشترط توافر مجموعة من المعايير المنهجية واللوجستية الصارمة. الشرط الأول والأهم يتعلق بطبيعة المتغير المستقل المعالج؛ إذ يجب أن يكون المتغير قابلاً للتطبيق المتكرر والإزالة والتبديل دون أن يترك أثراً تدريبياً أو بيولوجياً دائماً يتعذر محوه. فالمعالجات المؤقتة مثل تغير زوايا الرؤية، أو تنوع شدة الإضاءة، أو الاستماع إلى مقاطع صوتية مختلفة تعد مثالية لهذا التصميم، في حين تفشل البرامج التدريبية طويلة الأمد أو التدخلات العلاجية الجراحية في استيفاء هذا الشرط.

يتمثل الشرط الثاني في استقرار الخصائص النفسية والفسيولوجية للمشارك طوال فترات القياس المتتالية. يجب أن يظل المفحوص في حالة مزاجية، ومعرفية، وبيولوجية متوازنة نسبياً طوال فترة التجربة، بحيث لا يؤدي مرور الوقت بحد ذاته إلى تحولات نوعية جذرية تطمس الفروق بين المعالجات التجريبية، مما يستوجب ضبط عوامل مثل الجوع، والإجهاد، وتناول المنبهات قبل الجلسات التجريبية.

الشرط الثالث هو القدرة على التحكم التام في البيئة المعملية وتقليل الفواصل الزمنية المشتتة. يتطلب التصميم بيئة تجريبية معزولة صوتياً وبصرياً، وبروتوكولات قياس قياسية ومبرمجة سلفاً لضمان تعرض المفحوص لجميع الشروط التجريبية تحت نفس الظروف المادية الدقيقة دون تدخل أي متغيرات فيزيائية دخيلة بين المحاولة والأخرى.

أما الشرط الرابع، فيرتبط بتوفر مقاييس وأدوات اختبارية ذات صور متكافئة وموثوقة (Parallel/Equivalent Forms). عند دراسة متغيرات تتطلب إجراء اختبارات معرفية متكررة (مثل اختبارات الطلاقة اللفظية أو الاستدلال المكاني)، يجب ألا يتلقى المفحوص نفس بنود الاختبار في كل شرط تجريبي لتجنب تأثير التذكر البسيط للحلول، مما يفرض على الباحث استخدام نماذج مقننة متكافئة الصعوبة والخصائص السيكومترية تم التحقق من ثباتها وتكافؤها تجريبياً مسبقاً.

2. المقارنة الجوهرية: تصميم داخل المفحوصين مقابل تصميم بين المفحوصين

2.1 أوجه الاختلاف المنهجي في توزيع العينات والمعالجات

يكمن الفارق الجوهري بين تصميم داخل المفحوصين (Within-Subjects Design) وتصميم بين المفحوصين (Between-Subjects Design) في الهيكلية الأساسية لتوزيع المشاركين على المعالجات التجريبية. في تصميم بين المفحوصين، يتم توزيع العينة الكلية عشوائياً على مجموعات منفصلة ومستقلة، بحيث تخضع كل مجموعة لمستوى واحد فقط من مستويات المتغير المستقل (مثل: مجموعة تجريبية تتلقى دواءً جديداً، ومجموعة ضابطة تتلقى دواءً وهمياً). أما في تصميم داخل المفحوصين، فتوجد عينة موحدة فقط، ويمر كل عضو فيها بجميع المستويات والشروط التجريبية تباعاً، مما يلغي الحاجة إلى إنشاء مجموعات مقارنة مستقلة.

ينعكس هذا الاختلاف الهيكلي بشكل مباشر على حجم العينة المطلوب لتحقيق نفس المستوى من القوة الإحصائية (Statistical Power). فإذا كانت التجربة تتطلب دراسة تأثير أربعة مستويات مختلفة لمتغير مستقل ما، وكان الباحث يستهدف الحصول على 30 مشاهدة لكل مستوى، فإن تصميم بين المفحوصين سيتطلب تجنيد 120 مشاركاً مختلفاً (30 × 4). في المقابل، يكتفي تصميم داخل المفحوصين بتجنيد 30 مشاركاً فقط، حيث يمر كل واحد منهم بالشروط الأربعة جميعها، مما يحقق وفراً هائلاً في الموارد البشرية والزمنية بنسبة تصل إلى 75% في هذا المثال.

تختلف طبيعة المقارنات الإحصائية المستندة إلى هذا التوزيع جذرياً؛ إذ يركز تصميم بين المفحوصين على مقارنة متوسطات المجموعات المستقلة وتحليل التباين القائم بين أفراد المجموعات المختلفة، في حين يركز تصميم داخل المفحوصين على حساب الفروق الفردية الداخلية (Intra-individual Differences) عبر طرح درجة الفرد في الشرط (أ) من درجته في الشرط (ب)، مما يجعل المقارنة الإحصائية مباشرة ودقيقة ومجردة من الفروق بين الأشخاص.

من الناحية الإدارية واللوجستية، يتطلب تصميم بين المفحوصين جلسات تجريبية أقصر لكل مشارك لكنه يفرض عبئاً ضخماً في استقطاب وإدارة أعداد هائلة من الأفراد. في المقابل، يتطلب تصميم داخل المفحوصين عدداً أقل من المشاركين، لكنه يفرض تعقيداً لوجستياً أكبر في إدارة الجلسات المعملية التي تكون عادة أطول زمناً، وتتطلب بروتوكولات موازنة دقيقة لتدوير الشروط وجدولة فترات راحة مناسبة لضمان استقرار أداء الأفراد عبر الزمن.

2.2 مقارنة التباين والخطأ العشوائي (Error Variance)

تتمثل الميزة الرياضية الأبرز لتصميم داخل المفحوصين في قدرته الفريدة على عزل وتحييد الفروق الفردية (Individual Differences) من تباين الخطأ التجريبي (Error Variance). في تصميم بين المفحوصين، يختلط التباين الناتج عن المعالجة التجريبية الحقيقية بتباين الفروق الفردية الفطرية والمكتسبة بين المشاركين في المجموعات المختلفة؛ فإذا كانت المجموعة التجريبية تتمتع بمتوسط ذكاء أو دافعية أعلى قليلاً بمحض الصدفة من المجموعة الضابطة، فإن هذا التباين يدخل مباشرة في مقام الاختبار الإحصائي كـ “خطأ عشوائي”، مما يقلل من قيمة النسبة الفائية (F-ratio) ويضعف القدرة على كشف التأثير الفعلي.

في المقابل، يقوم النموذج الإحصائي لتصميم القياسات المتكررة بتفكيك التباين الكلي إلى ثلاثة مكونات رئيسية: التباين بين الشروط (تأثير المعالجة)، والتباين بين الأفراد (الفروق الفردية الثابتة)، وتباين الخطأ المتبقي (Residual Error). ومن خلال حذف التباين بين الأفراد من حسابات الخطأ العشوائي، ينخفض تباين الخطأ في المقام الإحصائي بشكل دراماتيكي، مما يجعل الاختبار ذا حساسية فائقة (High Sensitivity) لرصد التأثيرات التجريبية بالغة الصغر التي يستحيل التقاطها بتصاميم المجموعات المستقلة.

تتجلى هذه الحساسية بوضوح عند دراسة الظواهر النفسية ذات التباين الطبيعي الواسع بين البشر، مثل سرعة معالجة المعلومات، وسعة الذاكرة العاملة، وتحمل الألم الفسيولوجي. في هذه الميادين، يفوق تباين الفروق الفردية أحياناً حجم التأثير التجريبي المتوقع بعشرات المرات؛ وبالتالي فإن استخدام تصميم بين المفحوصين يؤدي غالباً إلى طمس التأثير تحت وطأة الضوضاء الفردية، بينما يضمن تصميم داخل المفحوصين إبراز هذا التأثير عبر إزالة البصمة الفردية الثابتة تماماً من معادلة الخطأ.

ومع ذلك، فإن هذه النظافة الإحصائية تأتي مصحوبة بتكلفة معرفية وزمنية مفروضة على المفحوص نفسه. فالمشارك في تصميم داخل المفحوصين يتحمل عبء أداء مهام متعددة متتالية، مما يجعله عرضة للتعب الذهني وتذبذب الانتباه، وهو ما قد يُدخل نوعاً آخر من الأخطاء العشوائية المرتبطة بتغير دافعية الفرد عبر زمن الجلسة، ما لم تتم إدارتها بصرامة منهجية.

2.3 معايير الاختيار واتخاذ القرار المنهجي بين التصميمين

يتطلب اتخاذ القرار المنهجي الحاسم بين تبني تصميم داخل المفحوصين أو تصميم بين المفحوصين تقييماً نقدياً متعدد الأبعاد لطبيعة المشكلة البحثية وظروف العينة. المعيار الأول في هذه المصفوفة هو طبيعة الفرضية البحثية؛ فإذا كانت الفرضية تتعلق بدراسة الفروق بين فئات غير قابلة للتبديل (مثل مقارنة الذكور بالإناث، أو مقارنة المصابين بالاكتئاب بغير المصابين)، فإن التصميم بين المفحوصين يكون الخيار الوحيد حتماً، لكون المتغير المستقل تصنيفياً وثابتاً (Subject Variable) بطبيعته.

المعيار الثاني يرتبط بحجم مجتمع الدراسة وسهولة الوصول إلى المفحوصين. في الحالات التي يتعامل فيها الباحث مع مجتمعات بحثية نادرة أو إكلينيكية يصعب تجنيد أعداد كبيرة منها—مثل الأفراد المصابين بمتلازمات عصبية نادرة، أو رواد الفضاء، أو كبار المديرين التنفيذيين—يصبح تصميم داخل المفحوصين الخيار المنهجي الأمثل والوحيد المتاح لتعظيم الاستفادة من العينة الصغيرة المتاحة وتوليد قوة إحصائية مقبولة تمكن من اختبار الفروض العلمية.

المعيار الثالث يركز على احتمالية حدوث تسرب أو تلوث تجريبي (Experimental Contamination) بين المعالجات. إذا كان خضوع المشارك للشرط التجريبي الأول يزوده بمعلومات استراتيجية أو مهارات تكشف له طبيعة الفرضية أو تجعل أداءه في الشرط الثاني مختلفاً جوهرياً بصورة غير قابلة للمحو، فإن تصميم داخل المفحوصين يصبح غير صالح، ويتحتم اللجوء لتصميم بين المفحوصين للحفاظ على الصدق التجريبي.

المعيار الرابع هو قابلية التدخل للانعكاس (Reversibility of the Intervention). في الدراسات التي تتضمن تدخلاً تعليمياً مكثفاً، أو علاجات نفسية معرفية سلوكية عميقة، أو عمليات جراحية، لا يمكن إعادة المشارك إلى حالته السابقة (الخط القاعدي) لتلقي الشرط المقارن؛ لذا فإن عدم القابلية للرجوع يفرض قيداً مطلقاً يستبعد تصميم القياسات المتكررة ويجعل تصميم المجموعات المستقلة الخيار المنهجي السليم والوحيد.

3. المزايا المنهجية والإحصائية لتصميم داخل المفحوصين

3.1 تعظيم القوة الإحصائية (Statistical Power)

تُمثل زيادة القوة الإحصائية (Statistical Power)—وهي احتمالية رفض الفرضية الصفرية الخاطئة بنجاح واكتشاف التأثير التجريبي الحقيقي عندما يكون موجوداً بالفعل ($1 – \beta$)—الميزة المنهجية الكبرى لتصميم داخل المفحوصين. يتأسس هذا التعظيم رياضياً على إزالة التباين المنتظم الناجم عن الفروق الفردية من حد الخطأ المتبقي (Error Term) في اختبارات الفروق، مما يؤدي إلى تقليص مقام الاختبار الإحصائي وتضخيم القيمة المحسوبة للاختبار بشكل مباشر.

في النماذج الإحصائية التقليدية لتصميم المجموعات المستقلة، يُحسب الخطأ العشوائي بناءً على تباين الدرجات بين أفراد المجموعة الواحدة ($SS_{within}$)، والذي يحتوي على كافة الفروق الوراثية والبيئية والمزاجية. أما في تحليل التباين للقياسات المتكررة، فيتم عزل تباين الأفراد ($SS_{subjects}$) كعامل مستقل، ليقتصر تباين الخطأ فقط على التفاعل بين الأفراد والمعالجة ($SS_{error} = SS_{within} – SS_{subjects}$). هذا الاختزال الحسابي يخفض تباين الخطأ بصورة جذرية قد تصل إلى أكثر من 60-80% في الدراسات النفسية، مما يجعل الاختبار قادراً على كشف التأثيرات ذات الأحجام الصغيرة والمتوسطة بدقة لا تضاهى.

يترتب على ذلك تقليص مباشر لاحتمالية الوقوع في خطأ النوع الثاني (Type II Error)، وهو الفشل في اكتشاف الأثر الحقيقي للمتغير المستقل وتبرئة الفرضية الصفرية ظلماً. وفي البحوث المعرفية الدقيقة التي تدرس آليات الإدراك السريع حيث تكون الفروق الزمنية بين الشروط بضعة أجزاء من الألف من الثانية، يوفر تصميم داخل المفحوصين الثبات الرياضي اللازم لضمان عدم ضياع هذه الفروق الضئيلة وسط الضجيج الإحصائي للفروق الفردية.

علاوة على ذلك، يتيح هذا التصميم تقدير حجم الأثر (Effect Size) مثل معامل كوهين ($d$) أو إيتا مربعة الجزئية ($\eta_p^2$) بدرجة أعلى من النقاء؛ نظراً لأن الارتباط الإيجابي القوي بين القياسات المتكررة لنفس الفرد يؤدي إلى تقليل الانحراف المعياري لدرجات الفروق ($S_D$)، وهو ما يعزز دقة التقديرات المعلمية ويجعل نتائج البحث أكثر قابلية للتكرار والتطبيق في سياقات علمية متعددة.

3.2 الكفاءة العالية في استغلال حجم العينة والموارد

يتميز تصميم داخل المفحوصين بكفاءة استثنائية في إدارة الموارد المادية والبشرية للبحث العلمي. فمن خلال استخدام نفس المشاركين عبر كافة المستويات التجريبية، يستطيع الباحث خفض عدد الأفراد المطلوب استقطابهم بنسب تتراوح بين 50% إلى 80% مقارنة بما تتطلبه تصاميم بين المفحوصين للوصول إلى نفس المستوى من القوة الإحصائية والدلالة العلمية، مما يمثل حلاً اقتصادياً مثالياً للمختبرات ذات الميزانيات المحدودة.

تكتسب هذه الكفاءة أهمية قصوى وحاسمة في الأبحاث الإكلينيكية والطبية النفسية التي تتعامل مع فئات سكانية نادرة أو حرجة للغاية؛ مثل المرضى الخاضعين لجراحات فصل فصي الدماغ، أو المصابين بحالات متقدمة من الحبسة الكلامية (Aphasia)، أو الأطفال المشخصين باضطرابات طيف التوحد شديدة الندرة. في مثل هذه الظروف، قد يستحيل عملياً جمع مئات الأفراد لتشكيل مجموعات متوازية ومستقلة، في حين يتيح تصميم القياسات المتكررة إجراء دراسات رصينة ومعمقة على عينات صغيرة جداً تتراوح بين 8 إلى 15 مشاركاً فقط مع الحفاظ على الصرامة الإحصائية.

لا تقتصر الكفاءة على تقليل عدد الأفراد فحسب، بل تمتد لتشمل ترشيد الوقت والجهد اللوجستي المبذول في عمليات الفرز المسبق، واستيفاء نماذج الموافقة المستنيرة، والتدريب التمهيدي على بيئة المختبر. فبدلاً من إعادة تهيئة وتدريب مشارك جديد لكل شرط تجريبي، يتم استثمار الوقت في تدريب مشارك واحد متمرس يخضع لكافة المعالجات، مما يقلل من تباين الإجراءات ويضمن التزاماً أعلى بالبروتوكولات التجريبية المعقدة.

كما يتيح التصميم توليد مصفوفات بيانات غنية وكثيفة من كل مفحوص، حيث يمكن تسجيل استجابات الفرد عبر مئات المحاولات لكل شرط، وهو ما يوفر بيانات متسلسلة زمنياً تفتح المجال لتطبيق تحليلات إحصائية متقدمة، مثل نمذجة منحنيات النمو (Growth Curve Modeling) والتحليلات الطيفية للإشارات الحيوية، وهو ما يتعذر تحقيقه بالقدر ذاته في التصاميم المستقلة ذات القياس الواحد.

3.3 الضبط الدقيق للمتغيرات الدخيلة والوسيطة المرتبطة بالفرد

يوفر تصميم داخل المفحوصين آلية ضبط منهجي لا مثيل لها للمتغيرات الدخيلة والوسيطة النابعة من الخصائص الذاتية للمشاركين. ففي تصاميم بين المفحوصين، مهما بلغت دقة التعيين العشوائي (Random Assignment) في توزيع الأفراد، تظل هناك دائماً احتمالية إحصائية لوجود عدم تكافؤ خفي في متغيرات ديموغرافية ونفسية حاسمة مثل الفئات العمرية الدقيقة، ومستويات الدخل، وسنوات التعليم، ونوعية التغذية، والأنماط النومية، والسمات المزاجية المستقرة.

في تصميم داخل المفحوصين، يتم تحييد هذه المتغيرات بالكامل وبشكل تلقائي؛ نظراً لأن الفرد الذي يخضع للشرط التجريبي (أ) هو بذاته وبنفس مكوناته الوراثية وتاريخه النمائي وخبراته المعرفية الذي يخضع للشرط التجريبي (ب). هذا التطابق المطلق للمتغيرات الفردية يلغي أي فرصة لتفسير النتائج عبر متغيرات وسيطة ثابتة كامنة في شخصية المفحوص، مما يمنح التجربة أقصى درجات الصدق الداخلي (Internal Validity) فيما يخص خصائص المشاركين.

يمتد هذا الضبط ليشمل المتغيرات المعرفية الكامنة العامة، مثل سعة الانتباه الفطرية، والسرعة العامة للتوصيل العصبي، ومستوى الدافعية الأساسي للإنجاز. فبينما قد تؤدي هذه السمات إلى تشتيت التباين وتشويه المقارنات بين المجموعات المستقلة، فإنها تظل ثابتة عبر شروط التصميم المتكرر، مما يسمح بعزل الاستجابة الخاصة بالمثير المعالج بشكل نقي ومجرد تماماً من أثر القدرة المعرفية العامة للمشارك.

علاوة على ذلك، يفتح هذا الضبط الفائق الباب أمام الباحثين لدراسة التغير النمائي والسلوكي اللحظي داخل الفرد ذاته (Intra-individual Change). يتيح ذلك رصد كيف يتغير السلوك بدقة استجابة للمتغيرات البيئية والتجريبية الدقيقة على مستوى اللحظة الراهنة، مما يوفر رؤية ميكروسكوبية لديناميات الجهاز العصبي والعمليات النفسية لا يمكن للقياسات المستقلة التقاطها أبداً.

4. التحديات المنهجية والمهددات المحتملة للصدق الداخلي

4.1 تأثيرات الممارسة والتعلم (Practice and Learning Effects)

تُمثل تأثيرات الممارسة والتعلم (Practice and Learning Effects) أحد أبرز المهددات الكلاسيكية للصدق الداخلي في تصاميم داخل المفحوصين. تحدث هذه الظاهرة عندما يتحسن أداء المشارك في الشروط والمهام اللاحقة ليس بسبب قوة المعالجة التجريبية المفروضة، بل نتيجة الألفة المتزايدة مع طبيعة المهمة، واكتساب استراتيجيات حل أكثر كفاءة، والاعتياد الحركي والبصري على واجهة الاختبار المعملي عبر تكرار المحاولات.

يؤدي تداخل هذا التحسن الناتج عن الممارسة مع التأثير الفعلي للمتغير المستقل إلى تضليل الباحث في تفسير نتائجه؛ فإذا كان الشرط التجريبي المستهدف يُقدم دائماً في الترتيب الأخير بعد سلسلة من الشروط الضابطة، فإن أي تفوق أو سرعة في الأداء في هذا الشرط قد لا يكون عائداً إلى خصائص المثير التجريبي، بل إلى وصول المفحوص إلى قمة منحنى التعلم المهاري، مما ينتج عنه استنتاجات سببية زائفة ومتحيزة لصالح الشروط المتأخرة.

للحد من وطأة هذا المهدد، يعتمد الباحثون التجريبيون عدة استراتيجيات منهجية استباقية؛ من أهمها تضمين جلسات تدريب وتأقلم مسبقة ومكثفة (Familiarization / Training Sessions) قبل البدء في تسجيل البيانات التجريبية الفعلية. يتدرب المفحوص في هذه الجلسات التمهيدية على مهمات مماثلة حتى يستقر أداؤه ويصل إلى مرحلة الهضبة التعليمية (Performance Plateau)، حيث يتوقف التحسن السريع، مما يضمن أن القياسات اللاحقة تعكس استجابات مستقرة نسبياً لا تتأثر بالتعلم التلقائي الأولي.

بالإضافة إلى ذلك، يُخضع الباحثون منحنيات التعلم للتقييم الرياضي من خلال فحص التغيرات عبر الكتل التجريبية المتتالية (Block Analysis)؛ للتأكد من عدم وجود تفاعلات غير متكافئة بين وتيرة التعلم وطبيعة الشروط المعالجة، ولضمان توزيع أثر الممارسة بصورة متوازنة لا تميل لشرط على حساب آخر عبر تقنيات الموازنة والتدوير المعملي.

4.2 تأثيرات الإجهاد والتعب والملل (Fatigue and Boredom Effects)

في مقابل أثر التحسن الناتج عن التعلم، يبرز التهديد المعاكس المتمثل في تأثيرات الإجهاد والتعب والملل (Fatigue and Boredom Effects). نظراً لأن تصميم داخل المفحوصين يقتضي خضوع الفرد لمحاولات وشروط متعددة ومتتابعة قد تمتد لساعات داخل المختبر، فإن الموارد الإدراكية والانتباهية للمشارك تتعرض للاستنزاف التدريجي، مما ينعكس سلباً على كفاءة أدائه الحسي والحركي في النصف الأخير من التجربة.

يتجلى هذا التدهور في بطء أزمنة الرجع، وارتفاع معدلات ارتكاب الأخطاء العشوائية، وانخفاض اليقظة المعرفية، وتراجع الدافعية العامة لإتقان المهمة. وإذا قُدِّم شرط تجريبي معين في نهاية الجلسات الطويلة، فإن تدهور الاستجابة فيه قد يُعزى خطأً إلى ضعف فاعلية المعالجة، في حين أن السبب الحقيقي الكامن وراء التراجع هو الإنهاك الذهني والملل الناجم عن رتابة المهمة وطول مدتها المعملية.

يتطلب ضبط هذا المهدد تخطيطاً صارماً لجدولة التجربة والفواصل الزمنية؛ إذ يتعين على الباحث تحديد فترات زمنية دقيقة ومثلى للراحة البينية (Scheduled Rest Breaks) بين الكتل التجريبية لتجديد طاقة الجهاز العصبي وإعادة شحن الانتباه المستدام. كما يجب ألا تتجاوز الجلسة المعملية الواحدة الحدود الفسيولوجية الطبيعية للتركيز المركز، مع إمكانية تقسيم المعالجات على أيام متعددة إذا كانت المهمة تتطلب جهداً ذهنياً فائقاً.

علاوة على ذلك، يسهم تصميم بيئات تجريبية تفاعلية وتوفير تغذية راجعة دورية تحفيزية، مع ضبط الإضاءة ودرجة الحرارة ومقاعد الجلوس بصورة مريحة ومهيأة إرجونومياً، في إبقاء المشارك في حالة يقظة وتفاعل إيجابي مستمر طوال فترة خضوعه لكافة الشروط التجريبية المقررة.

4.3 انتقال أثر المعالجة وتأثيرات التعاقب (Carryover Effects)

تُعد تأثيرات التعاقب وانتقال الأثر (Carryover Effects) المهدد الأكثر خطورة وتعقيداً في تصاميم داخل المفحوصين؛ حيث يشير هذا المفهوم إلى استمرار الأثر الفسيولوجي، أو النفسي، أو الدوائي لشرط تجريبي سابق وتداخله بشكل مباشر مع استجابة المفحوص في الشرط التجريبي اللاحق، مما يفسد نقاء القياس ويشوه البنية السببية للتجربة.

تتخذ تأثيرات التعاقب أشكالاً متباينة؛ من أبرزها تأثيرات التباين والسياق (Contrast Effects)، حيث يقوم المفحوص بمقارنة المثير الحالي ذهنياً بالمثير السابق الذي تعرض له لتوه، مما يغير من تقييمه الإدراكي (كأن يبدو المثير المعتدل ضعيفاً جداً إذا جاء مباشرة بعد مثير شديد القوة). ومن أشكالها أيضاً الآثار الدوائية المتبقية؛ حيث قد يستمر مفعول عقار كيميائي أو منبه في المجرى الدموي أثناء انتقال المفحوص إلى شرط الدواء الوهمي (Placebo)، مما يعطي نتائج زائفة لشرط المقارنة.

للتعامل مع الآثار الفسيولوجية والدوائية المستمرة، تُعد فترة غسيل الأثر (Washout Period) الإجراء الوقائي الأكثر أهمية؛ وهي فترة زمنية فاصلة تُترك بين تطبيق شرط وآخر لتسمح للجسم والجهاز العصبي بالتخلص التام من أي آثار كيميائية أو فسيولوجية للمستحضر السابق، والعودة الكاملة إلى خط الأساس الوظيفي قبل بدء المعالجة اللاحقة.

ومع ذلك، إذا كانت تأثيرات التعاقب غير متكافئة وغير متماثلة (Differential Carryover Effects)—بمعنى أن انتقال الأثر من الشرط (أ) إلى (ب) يختلف جذرياً في طبيعته وآليته عن انتقال الأثر من (ب) إلى (أ)—فإن استراتيجيات الموازنة الكلاسيكية تفشل تماماً في معالجة المشكلة، ويصبح تصميم داخل المفحوصين في هذه الحالة معيباً منهجياً ويجب استبداله فوراً بتصميم بين المفحوصين المستقلين.

4.4 تأثيرات الطلب والتسرب التجريبي (Demand Characteristics & Attrition)

يواجه تصميم داخل المفحوصين تحدياً معرفياً يتمثل في سمات الطلب التجريبي (Demand Characteristics). فعندما يمر المشارك بجميع شروط التجربة ويلاحظ التغيرات الممنهجة في المثيرات والمهام المفروضة عليه عبر المحاولات المتتالية، يسهل عليه استنتاج فرضية البحث والهدف الحقيقي الكامن وراء التجربة، وهو ما قد يدفعه بوعي أو بدون وعي إلى تعديل استجاباته وسلوكه إما لـ “مساعدة” الباحث وإثبات الفرضية، أو لإظهار نفسه بصورة مثالية اجتماعياً، مما يقوض الصدق البيئي والداخلي للدراسة.

للحد من هذا الإدراك الاستنتاجي، يلجأ الباحثون إلى أساليب التمويه والتضليل المنهجي المقنن (Methodological Deception)؛ مثل إضافة مهام ومثيرات حاشية غير ذات صلة بالتحليل (Filler Items / Distractor Tasks) لتشتيت انتباه المفحوص عن البنية الحقيقية للمتغير المستقل، فضلاً عن تأخير تقديم التعليمات التفسيرية الكاملة إلى مرحلة إزالة اللبس (Debriefing) بعد اكتمال جميع الجلسات التجريبية لكافة المشاركين.

أما التهديد الحرج الآخر، فهو التسرب التجريبي (Experimental Attrition / Drop-out). نظراً لأن التصميم يتطلب التزام المشاركين بحضور جلسات متعددة ومتباعدة زمنياً، فإن احتمالية انسحاب بعض الأفراد قبل إتمام كافة الشروط تتضاعف مقارنة بالتصاميم ذات الجلسة الواحدة. يترتب على هذا الفقدان وجود خلايا مفقودة في مصفوفة البيانات، مما يعقد التحليل الإحصائي التقليدي القائم على توازن القياسات.

تزداد خطورة التسرب عندما يكون تسرباً انتقائياً ومتحيزاً (Selective Attrition)؛ كأن ينسحب الأفراد الذين يجدون شرطاً معيناً شاقاً أو محبطاً للغاية، بينما يستمر المشاركون الأكثر قدرة وتحملاً. يؤدي هذا الانحياز إلى تشويه العينة النهائية، مما يجعل النتائج معبرة فقط عن فئة خاصة من المشاركين ذات قدرات غير اعتيادية، وهو ما يهدد الصدق الخارجي ويعيق تعميم النتائج على المجتمع الأصلي.

5. أساليب الموازنة وتدوير الشروط (Counterbalancing Techniques)

5.1 الموازنة الكاملة (Complete Counterbalancing)

تُعد الموازنة الكاملة (Complete Counterbalancing) المعيار الذهبي المنهجي لتحييد وإلغاء كافة تأثيرات الترتيب والتعاقب الخطية وغير الخطية في تصاميم داخل المفحوصين. تقوم هذه التقنية رياضياً على حساب كافة التباديل والتوافيق الممكنة لترتيب الشروط التجريبية باستخدام مضروب العدد ($n!$ Factorial)، حيث يمثل ($n$) عدد مستويات المتغير المستقل، وتوزيع المشاركين بنسب متساوية تماماً على جميع مسارات الترتيب المتولدة.

فإذا كانت التجربة تتضمن ثلاثة شروط تجريبية ($A, B, C$)، فإن عدد الترتيبات المحتملة هو $3! = 3 \times 2 \times 1 = 6$ ترتيبات مختلفة، وهي كالتالي:

• الترتيب الأول: $A \rightarrow B \rightarrow C$
• الترتيب الثاني: $A \rightarrow C \rightarrow B$
• الترتيب الثالث: $B \rightarrow A \rightarrow C$
• الترتيب الرابع: $B \rightarrow C \rightarrow A$
• الترتيب الخامس: $C \rightarrow A \rightarrow B$
• الترتيب السادس: $C \rightarrow B \rightarrow A$

يتم بعد ذلك تقسيم العينة الكلية إلى ست مجموعات فرعية متساوية في الحجم، بحيث تخضع كل مجموعة لترتيب محدد من هذه المسارات الستة.

تكمن الميزة المطلقة للموازنة الكاملة في أنها تضمن ظهور كل شرط تجريبي في كل موقع ترتيبي (الأول، الثاني، الثالث) بنفس عدد المرات بدقة متناهية عبر إجمالي العينة، كما تضمن أن يسبق كل شرط ويليه كل شرط آخر بصورة متوازنة تماماً. يؤدي هذا التوزيع الهندسي المتكامل إلى إلغاء تأثيرات الممارسة، والإرهاق، والتعاقب البسيط على المستوى الكلي للبيانات؛ نظراً لأن أي ميزة يكتسبها الشرط ($B$) جراء ظهوره بعد الشرط ($A$) يقابلها تماماً ظهور الشرط ($A$) بعد الشرط ($B$) لدى نفس العدد من المشاركين الآخرين.

ورغم هذه القوة المنهجية الفائقة، تواجه الموازنة الكاملة قيوداً عملية حادة تجعل تطبيقها شبه مستحيل عند زيادة عدد الشروط التجريبية. فعند دراسة متغير مستقل يحتوي على 4 مستويات يرتفع عدد الترتيبات إلى 24 ترتيباً ($4! = 24$)، وإذا ارتفع إلى 5 مستويات يقفز الرقم إلى 120 ترتيباً، وإذا بلغ 6 مستويات يصبح 720 ترتيباً، مما يتطلب تجنيد مئات أو آلاف المشاركين لتغطية كافة المسارات بالتساوي، وهو ما يفرغ التصميم من ميزته الاقتصادية الأساسية ويجبر الباحثين على الانتقال إلى تقنيات الموازنة الجزئية.

5.2 الموازنة الجزئية ومربع لاتين (Latin Square Design)

عندما يتعذر تطبيق الموازنة الكاملة لارتفاع عدد الشروط التجريبية، تبرز الموازنة الجزئية (Incomplete / Partial Counterbalancing) كحل رياضي بديل ومتقن يختار عينة منتظمة من الترتيبات الممكنة تحقق أعلى درجات الضبط بأقل عدد من المشاركين. وتُعد مصفوفة مربع لاتين (Latin Square Design) النموذج الأبرز والأكثر كفاءة في هذا السياق، وهي عبارة عن جدول رياضي $k \times k$ (حيث $k$ يمثل عدد الشروط)، يحقق شرطين هيكليين أساسيين: يظهر كل شرط تجريبي في كل موقع ترتيبي (عمود) مرة واحدة فقط، ويظهر في كل تسلسل مخصص لمجموعة من المشاركين (صف) مرة واحدة فقط.

في الأبحاث النفسية والتجريبية، يُفضل دائماً استخدام مربع لاتين المتوازن (Balanced Latin Square)، والذي يضيف شرطاً بالغ الأهمية لضبط تأثيرات التعاقب؛ وهو أن يسبق كل شرط تجريبي ويليه مباشرة كل شرط آخر نفس عدد المرات بالتحديد. يمكن بناء هذا المربع المتوازن للشروط ذات الأعداد الزوجية باستخدام الصيغة التتابعية القياسية لترتيب الصف الأول: $1, 2, n, 3, n-1, 4, n-2…$ (حيث $n$ هو عدد الشروط)، ثم إزاحة الأرقام تتابعياً لإنشاء الصفوف التالية.

على سبيل المثال، لتصميم تجربة تحتوي على 4 شروط تجريبية ($A, B, C, D$)، يُنشأ مربع لاتين المتوازن باستخدام 4 تسلسلات فقط بدلاً من 24 تسلسلاً المطلوبة في الموازنة الكاملة:

• المسار 1: $A \rightarrow B \rightarrow D \rightarrow C$
• المسار 2: $B \rightarrow C \rightarrow A \rightarrow D$
• المسار 3: $C \rightarrow D \rightarrow B \rightarrow A$
• المسار 4: $D \rightarrow A \rightarrow C \rightarrow B$

في هذه المصفوفة المصغرة، يظهر كل شرط في المواقع الأربعة بالتساوي، كما يتبع كل شرط الشرط الآخر مرة واحدة بالضبط، مما يحيد تأثيرات الترتيب وتأثيرات التعاقب من الدرجة الأولى بكفاءة رياضية مطلقة عبر استخدام 4 مجموعات فرعية فقط من المشاركين.

يُعد مربع لاتين الحل الأمثل والتطبيقي القياسي عندما يتجاوز عدد مستويات المتغير المستقل أربعة شروط؛ إذ يوفر وفراً هائلاً في حجم العينة المطلوب، مع تقديم ضمانات منهجية قوية وموثوقة لتحييد خطأ الترتيب، شريطة أن تكون تأثيرات التعاقب متماثلة وخطية، وأن يتم توزيع المشاركين بصورة عشوائية متساوية تماماً على الصفوف الأربعة المحددة في المصفوفة.

5.3 الموازنة العشوائية والموازنة التناوبية (Randomized & ABBA Design)

في العديد من التجارب المعرفية والسيكوفيزيقية المحوسبة التي تتضمن مئات المحاولات السريعة (Trials) لكل شرط تجريبي، تصبح أساليب الموازنة التسلسلية الجماعية غير قابلة للتطبيق على مستوى المحاولة الواحدة. هنا، يتم اللجوء إلى الموازنة العشوائية (Randomized Counterbalancing)، حيث يقوم البرنامج التجريبي (مثل PsychoPy أو E-Prime) بتوليد ترتيب عشوائي خالص ومختلف تماماً للمثيرات لكل مشارك على حدة، أو تطبيق التعشية المقيدة بالكتل (Block Randomization) التي تضمن احتواء كل كتلة من المحاولات على جميع الشروط التجريبية بترتيب عشوائي غير متكرر.

أما على مستوى المفحوص الفردي في التجارب ثنائية الشروط، فيبرز تصميم التدوير العكسي أو موازنة $ABBA$ (ABBA Counterbalancing). يقوم هذا المنهج على إخضاع نفس المفحوص للشرط ($A$) أولاً، ثم للشرط ($B$) مرتين متتاليتين، ثم العودة للشرط ($A$) في النهاية ($A \rightarrow B \rightarrow B \rightarrow A$). يتم بعد ذلك حساب متوسط استجابة الفرد للشرط ($A$) عبر جمع المحاولتين (الأولى والرابعة) وقسمتهما على 2، وبالمثل للشرط ($B$) عبر جمع المحاولتين (الثانية والثالثة) وقسمتهما على 2.

يستند نجاح نموذج $ABBA$ إلى افتراض رياضي حاسم وهو خطية تأثيرات الترتيب (Linearity Assumption)؛ أي افتراض أن أثر التعب أو الممارسة يتراكم بمعدل ثابت وتدريجي عبر الزمن عبر المواقع الأربعة ($1, 2, 3, 4$). فإذا كان التعب يضيف مقدار ($k$) من البطء في كل خطوة زمنية، فإن أثر التعب الكلي على الشرط $A$ هو $1k + 4k = 5k$، وعلى الشرط $B$ هو $2k + 3k = 5k$، وبذلك يتطابق مقدار الخطأ المضاف على الشرطين ويتم تحييده تماماً في المتوسط الحسابي.

ومع ذلك، يحمل تصميم $ABBA$ مخاطر منهجية جسيمة إذا كان تأثير الترتيب غير خطي (كأن يحدث التعلم فجأة في المحاولة الثانية ثم يستقر، أو يحدث الإنهاك التام فجأة في المحاولة الأخيرة). كما أن النمطية الواضحة لتسلسل $ABBA$ قد تُمكّن المفحوص من إدراك النمط وتوقع المثير القادم (Expectation Artifact)، مما يغير من طبيعة استجابته الفطرية، وهو ما يوجب على الباحث الحذر الشديد عند تطبيق هذا النمط التناوبي وفحص افتراضات الخطية بدقة متناهية.

6. أنماط وتفريعات تصاميم داخل المفحوصين في البحوث التجريبية

6.1 التصميم أحادي العامل ذو القياسات المتكررة (One-Factor RM Design)

يُمثل التصميم أحادي العامل ذو القياسات المتكررة (One-Factor Repeated Measures Design) أبسط البنى المنهجية وأكثرها شيوعاً في البحوث التجريبية الأولية. يتألف هذا المخطط من متغير مستقل واحد فقط يتضمن مستويين أو أكثر (مثل: دراسة تأثير ثلاثة مستويات من الإضاءة: منخفضة، معتدلة، ساطعة على سرعة القراءة واستيعاب النصوص)، حيث يخضع جميع المشاركين في العينة لجميع هذه المستويات التجريبية تباعاً وتحت ظروف معملية موحدة.

يبدأ تطبيق هذا التصميم عادةً بتحديد خط الأساس (Baseline / Control Condition)، وهو المستوى المعياري الذي يقيس أداء المفحوص في ظروفه الطبيعية الخالية من أي معالجة إضافية، ليتم بعد ذلك مقارنة استجابات الفرد في الشروط التجريبية الأخرى بهذا الخط المرجعي لرصد حجم واتجاه التغير السلوكي. يوفر هذا الأسلوب مرجعية ذاتية متينة تمكن من تقييم الأثر الدقيق للمعالجة المستحدثة مقارنة بالحالة الفطرية للشخص ذاته.

من الناحية الإحصائية، تتسم المعالجة الرياضية لهذا التصميم بالمباشرة والوضوح؛ فإذا كان المتغير المستقل يقتصر على مستويين فقط ($k=2$)، يُستخدم اختبار ت للعينات المترابطة (Paired Samples t-test) لاختبار دلالة الفروق بين المتوسطين. أما إذا اشتمل المتغير على ثلاثة مستويات فأكثر ($k ge 3$)، فيُطبق تحليل التباين الأحادي للقياسات المتكررة (One-Way RM-ANOVA) لتفكيك التباينات واختبار الفرضية الصفرية العامة حول تساوي المتوسطات عبر جميع الشروط.

تتجلى قوة هذا التصميم الأحادي في سهولة إدارته المعملية ووضوح تفسير نتائجه المباشرة، مما يجعله خياراً مثالياً للاختبارات الاستكشافية الأولية للفرضيات، وتقييم الفروق الحسية الأساسية، وتجارب المعايرة للأدوات النفسية والمثيرات المعملية قبل الشروع في بناء تصاميم عاملية أكثر تعقيداً وتشابكاً.

6.2 التصاميم الطولية وتصاميم التتبع الزمني (Longitudinal Designs)

تُعد التصاميم الطولية (Longitudinal Designs) فرعاً متقدماً وجوهرياً من تصاميم داخل المفحوصين، حيث يمثل “الزمن” أو “المرحلة النمائية” المتغير المستقل الأساسي الذي تتكرر عبره القياسات. في هذا المخطط، يقوم الباحث بتتبع نفس المجموعة المحددة من الأفراد وإجراء قياسات سيكولوجية وفسيولوجية متكررة لنفس المتغيرات التابعة عبر فترات زمنية متباعدة تمتد لأسابيع، أو أشهر، أو حتى عقود متتالية من حياة المفحوصين.

تكتسب هذه التصاميم أهمية لا غنى عنها في علم النفس النمائي والارتقائي، ودراسات اكتساب اللغة، والتحولات المعرفية المرتبطة بالشيخوخة؛ إذ تتيح النمذجة الدقيقة لمسارات النمو والتدهور الحقيقية داخل الفرد (Intra-individual Trajectories). تختلف هذه الرؤية جذرياً عن الدراسات المستعرضة (Cross-Sectional) التي تقارن فئات عمرية مختلفة في نقطة زمنية واحدة والتي غالباً ما تشوبها تأثيرات الأجيال والتاريخ المجتمعي.

يواجه التحليل المنهجي في الدراسات الطولية تحدي التمييز الحاسم بين ثلاثة تأثيرات متداخلة ومتزامنة:

• تأثير العمر الحقيقي (Age Effect): التغيرات البيولوجية والنفسية الذاتية الناشئة عن التقدم في السن والنضج الداخلي.
• تأثير الفوج الزمني (Cohort Effect): الخصائص التاريخية والثقافية المشتركة التي نشأ فيها جيل محدد (مثل استخدام الحواسيب منذ الطفولة).
• تأثير زمن القياس (Period/Time of Measurement Effect): الأحداث البيئية والاقتصادية والوبائية العالمية الطارئة التي تؤثر على جميع الأفراد أثناء إجراء جلسة الاختبار المحددة.

تتطلب إدارة هذه الدراسات بروتوكولات صارمة لضمان ثبات أدوات القياس ومعايرتها عبر السنوات الطويلة، وتوفير استراتيجيات فعالة للحد من تسرب المشاركين بمرور الزمن لضمان الحفاظ على قوة التمثيل الإحصائي واستقرار مصفوفة البيانات الطولية.

6.3 تصاميم ما قبل وما بعد الاختبار للشخص ذاته (Pretest-Posttest Within Designs)

يُعد تصميم القياس القبلي والبعدي للشخص ذاته (Pretest-Posttest Within Design) من أكثر التصاميم المعتمدة في تقييم التدخلات السلوكية والبرامج التدريبية النفسية وقصيرة المدى. يرتكز هذا النموذج على أخذ قياس قاعدي دقيق للمتغير التابع لدى كل مفحوص قبل إدخال أي معالجة (Pretest)، ثم تطبيق التدخل التجريبي المحدد، يليه أخذ قياس بعدي مباشر (Posttest) باستخدام نفس الأداة أو صورة مكافئة لها لتقييم مقدار التغير السلوكي المحقق.

لتجاوز محدودية الاكتفاء بقياس بعدي وحيد—والذي قد يعكس أثراً لحظياً عابراً—يلجأ الباحثون المتقدمون إلى تضمين قياسات تتبعية متتالية (Follow-up Posttests) تُجرى بعد انقضاء فترات زمنية محددة (مثل: بعد شهر، وثلاثة أشهر، وستة أشهر من انتهاء التدخل)، وذلك للتحقق من مدى استدامة وثبات الأثر العلاجي المكتسب ومقاومته للانتكاس بمرور الوقت.

يواجه هذا التصميم مهدداً إحصائياً ومنهجياً بالغ الحساسية يُعرف بـ الانحدار الإحصائي نحو المتوسط (Statistical Regression toward the Mean). يحدث هذا الانحدار عندما يتم اختيار المشاركين بناءً على درجات متطرفة جداً في القياس القبلي (مثل الأفراد الذين يعانون من أعلى مستويات القلق الحاد)؛ حيث تميل درجاتهم في القياس البعدي طبيعياً وإحصائياً نحو الانخفاض والاقتراب من المتوسط العام للمجتمع بمحض الصدفة والخطأ العشوائي في القياس، حتى دون وجود أي فاعلية حقيقية للتدخل التجريبي المطبق.

لتحصين الصدق الداخلي في هذا النموذج ومنع الوقوع في فخ الانحدار الإحصائي، يشدد خبراء المنهجية على ضرورة إدراج خطوط أساس متعددة (Multiple Baselines) قبل التدخل للتأكد من استقرار الدرجة القبلية، أو دمج هذا التصميم داخل إطار مختلط يتضمن مجموعة ضابطة غير متلقية للعلاج لضمان عزو التحسن الملاحظ إلى فاعلية المتغير المستقل وحده.

7. تصميم داخل المفحوصين العاملي (Factorial Within-Subjects Designs)

7.1 هيكل ومفهوم التصاميم العاملية داخل الأفراد بالكامل (Fully Within-Subjects)

يمثل التصميم العاملي داخل الأفراد بالكامل (Fully Within-Subjects Factorial Design) بنية تجريبية متقدمة ومعقدة، تتضمن إدراج متغيرين مستقلين أو أكثر في التجربة ذاتها، مع إخضاع كل مشارك في العينة البحثية لجميع التوليفات والظروف التجريبية المتقاطعة الناتجة عن ضرب مستويات هذه العوامل معاً ($A \times B$).

لتوضيح هذا الهيكل المنهجي، لنتأمل تجربة معرفية قائمة على مصفوفة عامليّة ثنائية $2 \times 2$؛ حيث يمثل العامل الأول نوع المشتت البصري بمستويين (مشتت ساكن مقابل مشتت متحرك)، ويمثل العامل الثاني درجة صعوبة المهمة الرياضية بمستويين (مهمة سهلة مقابل مهمة معقدة). في هذا التصميم، لا يتم توزيع الأفراد على مجموعات فرعية، بل يمر كل مشارك بـ أربعة شروط تجريبية كاملة ومتقاطعة:

1. مشتت ساكن + مهمة سهلة
2. مشتت ساكن + مهمة معقدة
3. مشتت متحرك + مهمة سهلة
4. مشتت متحرك + مهمة معقدة

تتطلب إدارة هذه التجارب تنظيم بروتوكول معملي مبرمج بعناية لتوزيع الكتل التجريبية للشروط المتقاطعة، مع استخدام استراتيجيات الموازنة الشاملة لترتيب تقديم هذه التوليفات لتجنب أي تحيزات ناشئة عن أثر التتابع بين التوليفات السهلة والصعبة.

تكمن القوة الاستثنائية لهذا النموذج العاملي الكامل في قدرته على محاكاة التعقيد الطبيعي للسلوك البشري داخل المختبر؛ فالظواهر النفسية نادراً ما تتأثر بمتغير منفرد بمعزل عن السياق، ويتيح هذا التصميم استكشاف كيف تتشابك المتغيرات وتؤثر معاً على العمليات العقلية للشخص ذاته بأعلى درجات الكفاءة الإحصائية واستقرار الفروق الفردية.

7.2 تحليل التأثيرات الأساسية والتفاعلية (Main Effects and Interactions)

يتيح التحليل الإحصائي للتصاميم العاملية داخل المفحوصين اختبار فرضيات متعددة في وقت واحد من خلال تفكيك التباين الكلي للإجابة عن نوعين رئيسيين من الأسئلة العلمية: التأثيرات الأساسية والتأثيرات التفاعلية.

يُقصد بـ التأثير الأساسي (Main Effect) تقييم الأثر المباشر والمستقل لمتغير تجريبي واحد على المتغير التابع، بعد تحييد ودمج كافة مستويات المتغيرات المستقلة الأخرى. ففي مثالنا السابق، يختبر التأثير الأساسي للعامل الأول ما إذا كان “نوع المشتت” (ساكن مقابل متحرك) يؤثر بحد ذاته على سرعة الاستجابة بصرف النظر عما إذا كانت المهمة سهلة أو معقدة. وبالمثل، يختبر التأثير الأساسي للعامل الثاني ما إذا كانت “صعوبة المهمة” تؤثر بحد ذاتها على الأداء بغض النظر عن طبيعة المشتت المعروض.

أما النواة الحقيقية والقيمة العلمية الكبرى للتصميم العاملي فتتجلى في التأثير التفاعلي (Interaction Effect). يحدث التفاعل الإحصائي عندما يتغير أثر أحد المتغيرات المستقلة على المتغير التابع بناءً على المستوى المحدد للمتغير المستقل الآخر. رياضياً ونظرياً، يعني وجود التفاعل أن التأثيرات ليست تراكمية بسيطة، بل هي مشروطة ومقترنة بالسياق؛ كأن نكتشف أن المشتت المتحرك لا يؤثر إطلاقاً على زمن الرجع في المهام السهلة، لكنه يسبب بطئاً وتدهوراً حاداً وغير خطي في أداء الفرد عندما تصبح المهمة معقدة وصعبة.

عندما يسفر التحليل الإحصائي عن تفاعل دال إحصائياً ($p < .05$)، يفقد التفسير المباشر للتأثيرات الأساسية قيمته المنطقية، ويتحتم على الباحث تفكيك هذا التفاعل من خلال إجراء تحليل التأثيرات البسيطة (Simple Effects Analysis). يقوم هذا التحليل الفرعي باختبار تأثير المتغير الأول عند كل مستوى محدد للمتغير الثاني على حدة (مثل: فحص تأثير المشتت عند مستوى المهمة الصعبة فقط، ثم فحصه عند مستوى المهمة السهلة فقط)، مما يسمح بفك تشابك الاستجابات السلوكية ورسم صورة تفصيلية دقيقة للديناميات المعرفية المتفاعلة داخل الشخص ذاته.

7.3 التصاميم المختلطة: دمج داخل المفحوصين مع بين المفحوصين (Mixed Designs)

يُعد التصميم المختلط (Mixed Design)—والمعروف في الأدبيات الإحصائية الكلاسيكية بتصميم القطاعات المنشقة (Split-Plot Design) أو $Mixed ANOVA$—أحد أكثر الأطر المنهجية شمولاً وأوسعها استخداماً في العلوم السلوكية والإكلينيكية المعاصرة. يقوم هذا التصميم على دمج نوعين مختلفين من العوامل التجريبية في نموذج موحد: عامل واحد على الأقل من نوع داخل المفحوصين (Within-Subjects Factor)، وعامل واحد على الأقل من نوع بين المفحوصين (Between-Subjects Factor).

يتجلى النموذج التطبيقي الكلاسيكي لهذا التصميم في دراسات تقييم التدخلات العلاجية والدوائية المقارنة؛ حيث يتم تقسيم المشاركين عشوائياً بين مجموعتين مستقلتين تمثلان عامل بين المفحوصين (المجموعة 1: تتلقى علاجاً معرفياً سلوكياً، المجموعة 2: تتلقى علاجاً وهمياً أو توضع على قائمة الانتظار)، ويخضع جميع أفراد المجموعتين لقياسات متكررة تمثل عامل داخل المفحوصين عبر نقاط زمنية متعددة (قبل التدخل، بعد التدخل مباشرة، وبعد 6 أشهر تتبعية).

تكمن البراعة المنهجية للتصميم المختلط في تركيزه على اختبار تفاعل المجموعة مع الزمن (Group $\times$ Time Interaction). فالتأكيد العلمي على نجاح البرنامج العلاجي لا يثبت بمجرد وجود تحسن عبر الزمن (لأنه قد يكون ناتجاً عن النضج الطبيعي أو الممارسة)، ولا بمجرد وجود فرق عام بين المجموعتين، بل يثبت بالبرهان الإحصائي على أن وتيرة ونمط التحسن عبر نقاط القياس المتكررة للمجموعة العلاجية أعلى وأسرع دلالياً مقارنة بنمط التغير لدى المجموعة الضابطة.

تتطلب المعالجة الإحصائية للنماذج المختلطة يقظة تحليلية دقيقة؛ نظراً لأن النموذج يشتمل على مستويين مختلفين من أخطاء القياس ودرجات الحرية: خطأ التباين بين المجموعات المستقلة ($Error_{between}$) المستخدم لاختبار العامل بين الأفراد، وخطأ التباين المتكرر المرتبط بالأفراد ($Error_{within}$) المستخدم لاختبار عامل داخل الأفراد والتفاعل المشترك، وهو ما يفرض ضبط افتراضات التباين المتعددة بدقة بالغة لضمان سلامة الاستدلال الإحصائي.

8. التحليل الإحصائي لتصاميم داخل المفحوصين

8.1 اختبار ‘ت’ للعينات المترابطة (Paired Samples t-test)

يُعد اختبار ت للعينات المترابطة (Paired Samples t-test / Dependent t-test) الأداة الإحصائية الاستدلالية القياسية لتقييم دلالة الفروق بين متوسطين حسابيين ناتجين عن تعريض نفس العينة التجريبية لشرطين تجريبيين متتابعين ($k=2$). تتأسس هذه التقنية الرياضية على تحويل مجموعتي البيانات المترابطتين لكل مفحوص إلى عمود رياضي واحد يمثل درجات الفروق الفردية ($D = X_1 – X_2$).

يقوم الاختبار باختبار الفرضية الصفرية القائلة بأن متوسط الفروق في المجتمع الأصلي يساوي صفراً ($\mu_D = 0$). وتُحسب القيمة التائية ($t$) عبر الصيغة الرياضية التالية:
$$t = \frac{\bar{D} – \mu_D}{S_D / \sqrt{N}}$$
حيث $\bar{D}$ تمثل متوسط درجات الفروق في العينة، و$S_D$ هو الانحراف المعياري لدرجات الفروق، و$N$ هو عدد المشاركين. تعكس هذه المعادلة الرياضية إقصاء التباين العام للمستويات الأصلية وتركيز التحليل بالكامل على التغير الحادث داخل الفرد ذاته، مما يمنح الاختبار درجات حرية تساوي ($N – 1$).

لحساب القوة العملية للمعالجة، يتم تقدير حجم الأثر باستخدام مؤشر كوهين دي للقياسات المترابطة ($Cohen’s d_z$)، والذي يُحسب بقسمة متوسط الفروق على الانحراف المعياري لتلك الفروق ($d_z = \bar{D} / S_D$). يعكس هذا المؤشر عدد الانحرافات المعيارية التي تحركت بها استجابات الأفراد نتيجة المعالجة، وتصنف قيمه تقليدياً إلى: أثر صغير (0.2)، ومتوسط (0.5)، وكبير (0.8 فأكثر).

تقتصر حدود استخدام اختبار ‘ت’ المترابط رياضياً على الحالات التي تتضمن مستويين تجريبيين فقط؛ ولا يجوز منهجياً تكرار تطبيقه لإجراء مقارنات متعددة عند وجود ثلاثة شروط فأكثر، نظراً لأن تكرار الاختبارات الثنائية يؤدي إلى تضخم تراكمي ومباشر لمعدل خطأ النوع الأول (Familywise Type I Error Rate)، مما يحتم الانتقال إلى تحليل التباين الشامل.

8.2 تحليل التباين للقياسات المتكررة (Repeated Measures ANOVA)

يُمثل تحليل التباين للقياسات المتكررة (Repeated Measures ANOVA / Within-Subjects ANOVA) الامتداد المعلمي متعدد المستويات لاختبار ‘ت’ المترابط، ويُطبق عندما يتضمن المتغير المستقل ثلاثة مستويات تجريبية فأكثر تم قياسها على نفس المشاركين. يعتمد هذا التحليل على تفكيك هندسي متقدم لمجموع المربعات الكلي ($SS_{Total}$) إلى مكوناته الرياضية الثلاثية:

• مجموع المربعات بين الأفراد ($SS_{Between-Subjects}$): يقيس الفروق الثابتة في الأداء العام بين مفحوص وآخر.
• مجموع المربعات داخل الأفراد ($SS_{Within-Subjects}$): التباين المتبقي داخل سجل كل فرد عبر الشروط المختلفة.
• يتفرع التباين داخل الأفراد بدوره إلى: مجموع مربعات المعالجة التجريبية ($SS_{Treatment}$)، ومجموع مربعات خطأ القياس المتبقي ($SS_{Residual Error}$).

تُحسب النسبة الفائية ($F-ratio$) من خلال قسمة متوسط مربعات المعالجة على متوسط مربعات الخطأ المتبقي:
$$F = \frac{MS_{Treatment}}{MS_{Residual Error}} = \frac{SS_{Treatment} / df_{Treatment}}{SS_{Residual Error} / df_{Residual Error}}$$
تتضح هنا العبقرية الإحصائية للتصميم؛ حيث تم استبعاد تباين الفروق الفردية ($SS_{Between-Subjects}$) تماماً من حسابات مقام النسبة الفائية ($MS_{Residual Error}$)، مما يجعل المقام أصغر بكثير مقارنة بتحليل التباين للمجموعات المستقلة، وبالتالي ترتفع قيمة $F$ المحسوبة وتزداد حساسية الاختبار لرصد الدلالة الإحصائية للمتغير المستقل.

يتم تقييم القوة التفسيرية للمعالجة في هذا النموذج عبر حساب مؤشر إيتا مربعة الجزئية ($\eta_p^2$ – Partial Eta Squared)، والتي تقيس نسبة التباين في المتغير التابع التي تفسرها المعالجة التجريبية بعد استبعاد تباين الأفراد:
$$\eta_p^2 = \frac{SS_{Treatment}}{SS_{Treatment} + SS_{Residual Error}}$$

عندما تكون النسبة الفائية دالة إحصائياً، يتبع ذلك إجراء المقارنات البعدية (Post-Hoc Pairwise Comparisons) لتحديد أي الأزواج التجريبية تحديداً يكمن بينها الفارق الحقيقي. ويشترط في هذه المقارنات تطبيق تعديلات إحصائية صارمة لضبط معدل الخطأ الكلي، ويأتي في مقدمتها تعديل بونفيروني (Bonferroni Adjustment) وتعديل هولم-بونفيروني الأكثر مرونة وقوة إحصائية.

8.3 النماذج الخطية الهرمية والمختلطة (Linear Mixed Models – LMM)

شهد العقدان الأخيران تحولاً منهجياً وإحصائياً عميقاً وثورياً في تحليل بيانات تصاميم داخل المفحوصين؛ حيث تراجعت المكانة التقليدية لـ ANOVA لصالح النماذج الخطية الهرمية والمختلطة (Linear Mixed-Effects Models – LMM / Multilevel Modeling). تتفوق هذه النماذج الحديثة في قدرتها على نمذجة البيانات المتداخلة (Nested Data) بكفاءة رياضية غير مسبوقة، حيث تتداخل القياسات المتكررة (المستوى 1) داخل الأفراد المفحوصين (المستوى 2).

تتجلى الميزة الأبرز لنماذج LMM في التعامل الفائق مع البيانات المفقودة (Missing Data). ففي حين يؤدي فقدان قياس واحد لمفحوص في أحد الشروط إلى حذفه بالكامل مع كافة قياساته الأخرى من تحليل RM-ANOVA التقليدي (Listwise Deletion)—مما يهدر كماً هائلاً من البيانات ويضعف القوة الإحصائية—تعتمد نماذج LMM على خوارزميات التقدير بالاحتمالية العظمى المقيدة (REML)، مما يمكنها من استخدام جميع البيانات المتاحة لأي مشارك دون الحاجة لحذف سجله، متجاوزة بذلك معضلة التسرب التجريبي بمرونة تامة.

علاوة على ذلك، تتيح هذه النماذج التمييز الصريح والدقيق بين التأثيرات الثابتة (Fixed Effects)—وهي المعالجات التجريبية المحددة التي يستهدف الباحث تعميمها—والتأثيرات العشوائية (Random Effects). تسمح هذه الخاصية بإعطاء كل مفحوص نقطة تقاطع عشوائية خاصة به (Random Intercept) تعبر عن خط أساسه الفردي، وميلاً عشوائياً خاصاً (Random Slope) يعبر عن مدى استجابته وتأثره الفريد بالمعالجة التجريبية مقارنة بغيره من الأفراد.

كما تمتد عبقرية LMM إلى العلوم المعرفية واللغوية عبر إمكانية تضمين تأثيرات عشوائية متقاطعة (Crossed Random Effects) ليس للمشاركين فقط، بل للمثيرات التجريبية أيضاً (Random Stimuli / Items). يحل هذا الإجراء الرياضي “معضلة اللغة كمثير عشوائي” (Language-as-Fixed-Effect Fallacy) التاريخية التي طرحها كلارك (Clark)؛ حيث يتيح للباحث تعميم نتائجه بثقة علمية مطلقة ليس فقط على مجتمع الأفراد، بل على مجتمع الكلمات والمثيرات البصرية المستخدمة في التجربة أيضاً.

9. افتراضات التحليل الإحصائي وشرط الكروية (Sphericity Assumption)

9.1 مفهوم افتراض الكروية (Sphericity) والتباين المتجانس للفروق

يُمثل افتراض الكروية (Sphericity Assumption) الشرط الرياضي الأكثر خصوصية وأهمية لإجراء تحليل التباين للقياسات المتكررة (RM-ANOVA) بصورة صحيحة ومعلمية. تُعرف الكروية بأنها الحالة التي تكون فيها تباينات الفروق بين جميع الأزواج الممكنة من الشروط التجريبية متساوية ومتجانسة تماماً في المجتمع الأصلي للدراسة.

لتوضيح ذلك رياضياً، إذا كانت التجربة تتضمن ثلاثة شروط ($A, B, C$)، نقوم بحساب درجات الفروق لكل مشارك بين كل شرطين: ($A – B$)، و($A – C$)، و($B – C$). بعد ذلك يتم حساب التباين الإحصائي لكل عمود من أعمدة الفروق هذه؛ ويتحقق شرط الكروية فقط عندما يكون:
$$Var(A – B) \approx Var(A – C) \approx Var(B – C)$$
يختلف هذا الافتراض جوهرياً عن افتراض تجانس التباين (Homogeneity of Variance) المألوف في تصاميم بين المفحوصين، والذي يقتصر فقط على فحص تساوي تباينات الشروط الفردية المنفصلة دون النظر إلى التباين المشترك والفروق الزوجية المترابطة.

تترتب على انتهاك افتراض الكروية عواقب إحصائية وخيمة للغاية؛ حيث يؤدي عدم تجانس تباينات الفروق إلى التقليل الحاد من تباين الخطأ في مقام النسبة الفائية، مما ينتج عنه تضخيم زائف لمعدل خطأ النوع الأول (Type I Error Rate). في هذه الحالة، تصبح القيمة الاحتمالية ($p-value$) المحسوبة أصغر بكثير من قيمتها الحقيقية، مما يدفع الباحث إلى استنتاج وجود فروق دالة إحصائياً وتأثيرات تجريبية كاذبة لا وجود لها في الواقع العلمي.

تجدر الإشارة المنهجية إلى أن افتراض الكروية لا ينطبق إطلاقاً ولا يمثل شرطاً عندما يتكون المتغير المستقل من مستويين اثنين فقط ($k = 2$)؛ نظراً لوجود زوج واحد فقط من الفروق ($A – B$)، وبالتالي يوجد تباين منفرد واحد فقط يستحيل مقارنته بتباين آخر، مما يجعل التحليل محصناً تلقائياً من خطر انتهاك الكروية في الحالات الثنائية.

9.2 طرق فحص واختبار الكروية إحصائياً

يُعد اختبار موشلي للكروية (Mauchly’s Test of Sphericity) الأداة الإحصائية الأكثر اعتماداً وتطبيقاً لتقييم مدى تحقق هذا الافتراض في البرمجيات الإحصائية القياسية مثل SPSS و R و JASP. يختبر هذا الإجراء الفرضية الصفرية القائلة بأن مصفوفة التباين والتباين المشترك لدرجات الفروق تحقق شرط الكروية التامة والتماثل الدائري المركب (Compound Symmetry).

تتم قراءة مخرجات اختبار موشلي بناءً على القيمة الاحتمالية المقترنة به ($p-value$) وفق المعايير التالية:

• إذا كانت القيمة الاحتمالية غير دالة إحصائياً ($p > .05$)، يتم قبول الفرضية الصفرية، مما يعني استيفاء شرط الكروية وأمان استخدام القيم الفائية التقليدية غير المصححة ($Sphericity Assumed$).
• إذا كانت القيمة الاحتمالية دالة إحصائياً ($p le .05$)، يتم رفض الفرضية الصفرية، مما يشير رسمياً إلى انتهاك افتراض الكروية وضرورة تطبيق تصحيحات رياضية لدرجات الحرية قبل اتخاذ القرار الإحصائي.

ومع ذلك، يوجه علماء الإحصاء المنهجي انتقادات حادة للاعتماد الأعمى على اختبار موشلي؛ نظراً لحساسيته المفرطة لـ حجم العينة واعتدالية التوزيع. فعند التعامل مع عينات كبيرة، يميل اختبار موشلي إلى إعطاء دلالة إحصائية ورفض الكروية استجابة لأدنى انحراف طفيف لا قيمة عملية له، بينما يفشل في اكتشاف الانتهاكات الجسيمة والخطيرة للكروية عند تطبيق التجربة على عينات صغيرة الحجم، مما يتطلب دائماً تقييم معاملات التقدير الرقمية المرافقة.

يتم تقييم درجة الانتهاك كمياً عبر فحص مؤشر يُعرف بمعامل إبسيلون ($epsilon$ – Epsilon)، والذي تتراوح قيمته النظرية بين قيمة دنيا تمثل أسوأ درجات الانتهاك الممكنة وتساوي ($\frac{1}{k – 1}$)، وقيمة عليا تساوي (1.0) وتعبر عن الكروية المثالية الخالية من أي تشويه تبايني.

9.3 إجراءات التصحيح والبدائل عند انتهاك الكروية

عند ثبوت انتهاك افتراض الكروية ($epsilon < 1.0$)، لا يتم إلغاء تحليل ANOVA، بل يتم تطبيق تعديلات جبرية تخفيضية على درجات الحرية (Degrees of Freedom Adjustment) للبسط والمقام للنسبة الفائية، وذلك لإعادة ضبط القيمة الاحتمالية بدقة ورفع عتبة الدلالة المطلوبة لرفض الفرضية الصفرية لمنع الوقوع في الأخطاء الزائفة. تتصدر مشهد التعديل طريقتان رئيسيتان:

1. تصحيح غرينهاوس-غايسر (Greenhouse-Geisser Correction – $\epsilon_{GG}$):
يُمثل الإجراء التصحيحي الأكثر تحفظاً وصرامة؛ حيث يقوم بضرب درجات الحرية الأصلية في قيمة إبسيلون المقدرة بواسطة غرينهاوس وغايسر. يُوصى بالاعتماد الإلزامي على هذا التصحيح عندما تكون قيمة إبسيلون المحسوبة أقل من 0.75 ($epsilon < .75$)، أو عندما تكون انتهاكات الكروية شديدة وحادة، لضمان أعلى درجات الحماية ضد أخطاء النوع الأول.

2. تصحيح هونه-فيلدت (Huynh-Feldt Correction – $\epsilon_{HF}$):
يُعد تصحيحاً أقل تحفظاً وأكثر قوة إحصائية مقارنة بغرينهاوس-غايسر؛ حيث صُمم لتعويض الإفراط في التعديل الذي يمارسه الأخير. يُوصى بتطبيق هذا التصحيح عندما تكون قيمة إبسيلون أكبر من 0.75 ($epsilon > .75$) وتقترب من الواحد الصحيح، لتجنب الإفراط في رفع درجات الحذر وتقليل خطأ النوع الثاني دون مبرر إحصائي.

كخيار منهجي بديل بالكامل، يلجأ بعض الباحثين إلى استبدال ANOVA للقياسات المتكررة بـ تحليل التباين متعدد المتغيرات (Multivariate ANOVA – MANOVA). تكمن الميزة المنهجية الفريدة لـ MANOVA في أنه يتعامل مع القياسات المتكررة كمتغيرات تابعة متعددة منفصلة، وهو ما يحرره رياضياً وبشكل كامل ومطلق من اشتراط الكروية، وإن كان يعيبه انخفاض قوته الإحصائية عند التعامل مع العينات صغيرة الحجم، مما يرجح كفة تصحيحات درجات الحرية أو النماذج الخطية المختلطة في معظم التطبيقات العملية.

10. تطبيقات ونماذج عملية في بحوث علم النفس المعرفي والإكلينيكي

10.1 تطبيق كلاسيكي: تجربة تأثير ستروب (Stroop Effect)

تُعد تجربة تأثير ستروب (Stroop Effect) التاريخية النموذج الأكثر شهرة وتطبيقاً لتصميم داخل المفحوصين في مختبرات علم النفس المعرفي. تهدف هذه التجربة إلى قياس الصراع المعرفي وكفاءة الآليات التنفيذية في كبح الاستجابات التلقائية غير المرغوبة. في هذا المخطط، يخضع كل مشارك لثلاثة شروط تجريبية متقاطعة من المثيرات البصرية اللفظية:

• الشرط المتطابق (Congruent): الكلمة تطابق لون حبرها الفيزيائي (مثل كتابة كلمة “أحمر” بحبر أحمر).
• الشرط غير المتطابق (Incongruent): الكلمة تختلف عن لون حبرها (مثل كتابة كلمة “أخضر” بحبر أحمر).
• الشرط المحايد (Neutral): شكل هندسي أو كلمة محايدة لا تشير لألوان مطبوعة بحبر ملون (مثل مستطيل أحمر).

تعتمد التجربة على تسجيل أزمنة الرجع (Reaction Times) بدقة المللي ثانية ومعدلات الخطأ لكل مشارك عبر مئات المحاولات السريعة. ومن خلال تطبيق هذا التصميم داخل المفحوصين، يتم طرح زمن الرجع في الشرط المتطابق من زمن الرجع في الشرط غير المتطابق لنفس الفرد، مما ينتج عنه مؤشر تداخل ستروب الصافي، مجرداً تماماً من الفروق الفردية في سرعة الرؤية أو سرعة الاستجابة الحركية للأصابع.

لضمان أعلى معايير الصدق الداخلي، يتم تقديم المحاولات عبر تعشية محوسبة دقيقة لكافة الكلمات والألوان، مع موازنة تسلسل ظهور الشروط، والتأكد من إدراج فترات راحة منتظمة بين الكتل التجريبية لمنع الإجهاد البصري وضمان التقاط التفاعل المعرفي التلقائي بدقة بالغة.

10.2 تطبيقات علم النفس العصبي والفسيولوجي (Neuropsychology & EEG)

في ميدان العلوم العصبية الإدراكية (Cognitive Neuroscience)، يشكل تصميم داخل المفحوصين الركيزة الحتمية لتسجيل الإشارات الكهربائية الدماغية والجهود المرتبطة بالحدث (ERPs). تتطلب هذه الدراسات—مثل رصد موجة $P300$ المرتبطة بتحديث الانتباه والموجة السلبية $N400$ المرتبطة بالمعالجة الدلالية واللغوية—تعريض كل مفحوص لمئات المثيرات السمعية أو البصرية المتكررة لكل مستوى تجريبي.

ينبع هذا الاحتياج المنهجي الصارم من حقيقة أن الإشارات العصبية المستهدفة تكون متناهية الصغر (بضعة ميكروفولتات) وتغرق داخل ضوضاء كهربائية عضلية وبيئية هائلة. ومن خلال استخدام مئات القياسات المتكررة لنفس الدماغ تحت الشروط التجريبية والشروط الضابطة، يستطيع الباحث إجراء تجميع وتوسيط رياضي لتلك الإشارات (Signal Averaging)، مما يلغي الضوضاء العشوائية ويبرز النشاط الكهربائي المشبكي الحقيقي المرتبط بالمعالجة المعرفية الدقيقة.

كما يفرض هذا السياق العصبي تحكماً فيزيائياً فائق الدقة في خصائص المثيرات؛ حيث يجب موازنة اللمعان البصري، والتردد المكاني للصور، والتردد الصوتي للمقاطع، وعدد الأحرف اللغوية عبر جميع الشروط لنفس المشارك؛ لضمان أن الفروق في اتساع وزمن كمون الموجات الدماغية تعكس العمليات النفسية المقصودة وليست استجابة عصبية حسية للمواصفات الفيزيائية المتباينة للمثير.

10.3 تطبيقات في تقييم التدخلات الدوائية والعلاج النفسي السلوكي

يحتل تصميم داخل المفحوصين مكانة متقدمة في التجارب السريرية النفسية والدوائية من خلال تطبيق ما يُعرف بـ التجارب المتقاطعة (Crossover Clinical Trials). في هذا النموذج، يتلقى المريض النفسي العقار التجريبي النشط لفترة زمنية محددة، ثم يمر بـ “فترة غسيل دوائي” كافية، ثم يتلقى العقار الوهمي (Placebo) لفترة مماثلة، أو العكس، مع توزيع المرضى عشوائياً على ترتيب تلقي العلاجين لضمان الموازنة الكاملة.

يوفر هذا النموذج ميزة إكلينيكية وأخلاقية فريدة؛ إذ يتيح لكل مريض أن يكون ضابطاً لذاته، مما يقضي على التحيزات الناشئة عن تباين شدة المرض الأساسية، والخصائص الأيضية الفردية للكبد في معالجة العقار. كما يضمن حصول جميع المرضى على فرصة تجربة الدواء الفعال خلال إحدى مراحل الدراسة، وهو ما يعزز دافعيتهم للاستمرار والامتثال للبروتوكول العلاجي.

في ميدان العلاج النفسي المعرفي السلوكي (CBT)، تُستخدم القياسات المتكررة الأسبوعية لتتبع منحنيات انخفاض أعراض القلق والاكتئاب باستخدام مقاييس مقننة مثل مؤشر بيك للاكتئاب (BDI). يتيح هذا التتبع اللحظي تحديد اللحظة الزمنية الدقيقة التي يبدأ عندها المريض في إظهار الاستجابة العلاجية الحقيقية (Therapeutic Onset)، وتحديد العوامل السلوكية المحددة داخل الجلسات التي تسرع من وتيرة الشفاء، ورصد أي بوادر مبكرة للانتكاس فور حدوثها للتدخل المباشر.

11. مقارنة شاملة وتقييم نقدي: متى تستخدم ومتى تتجنب التصميم؟

11.1 المواقف البحثية التي يوصى فيها بشدة باعتماد تصميم داخل المفحوصين

يوصى باعتماد تصميم داخل المفحوصين بقوة وبصورة حاسمة في مجموعة من السياقات المنهجية التي تتطلب حساسية تجريبية قصوى أو تفرض قيوداً لوجستية خانقة، وتتلخص هذه المواقف في الحالات التالية:

• وجود تباين هائل في الفروق الفردية: عندما تكون السمة المقاسة شديدة التباين بين البشر (مثل الحساسية للألم، أزمنة الرجع البسيطة، سعة الذاكرة العاملة)؛ حيث يؤدي استخدام التصاميم المستقلة إلى طمس التأثير التجريبي تحت وطأة الفروق الفردية.
• تجارب علم النفس المعرفي والسيكوفيزيقيا: المهام المعملية الدقيقة المعتمدة على تقديم مئات المثيرات المحوسبة السريعة لقياس زمن الاستجابة ودقة الإدراك بالمللي ثانية، حيث يكون كل قياس مستقلاً ومؤقتاً.
• أبحاث العلوم العصبية وتخطيط الدماغ: دراسات الرنين المغناطيسي الوظيفي ($fMRI$) وتخطيط الدماغ ($EEG$) التي تتطلب تكاليف باهظة وتستوجب تجميع الإشارات الحيوية لنفس الفرد لتنقية الإشارة من التشويش الفسيولوجي.
• محدودية العينات والمجتمعات الإكلينيكية النادرة: الأبحاث الموجهة لفئات متخصصة يصعب تجنيد أعداد ضخمة منها (مثل رواد الفضاء، مرضى تلف مناطق دماغية نادرة)، حيث يضمن التصميم الوصول إلى قوة إحصائية كافية بأقل عدد ممكن من المفحوصين.

11.2 المواقف البحثية التي يجب فيها تجنب هذا التصميم نهائياً

في المقابل، توجد خطوط حمراء منهجية ومواقف تجريبية يُحظر فيها تماماً استخدام تصميم داخل المفحوصين؛ نظراً لكون تطبيقه ينسف الصدق الداخلي للتجربة نسفاً كلياً، وتتحدد هذه المواقف في الآتي:

• التدخلات ذات التأثير الدائم غير القابل للمحو: التجارب التي تهدف إلى تعليم مهارة دائمة (مثل تعليم القراءة، أو استراتيجيات حل المشكلات المعقدة)؛ حيث يستحيل إعادة المفحوص لحالة “عدم المعرفة” لاختباره في الشرط الضابط.
• التدخلات الجراحية والعلاجية البنائية: الدراسات الطبية أو العصبية التي تترك أثراً نسيجياً أو عضوياً مستمراً يتعذر معه تطبيق شرط المقارنة على نفس العضو أو المسار العصبي.
• الدراسات المعرضة لسمات الطلب وكشف الخدعة: التجارب التي تتضمن خداعاً تجريبياً ذكياً يسهل على المفحوص كشفه واستنتاج الفرضية بمجرد خضوعه للشرط الأول، مما يحول سلوكه اللاحق إلى استجابة مصطنعة وموجهة.
• المتغيرات المستقلة التصنيفية الفطرية: الفروض التي تبحث الفروق القائمة بطبيعتها بين فئات بشرية محددة (مثل: مقارنة الذكور بالإناث، أو مقارنة المدخنين بغير المدخنين)، حيث يكون المتغير المستقل سمة ملازمة للفرد يستحيل إخضاع الشخص الواحد لمستوياتها المتعددة.

11.3 جدول مصفوفة القرار المنهجي للباحث التجريبي

يوضح الجدول المنهجي التالي مصفوفة مقارنة شاملة ومعيارية بين تصميم داخل المفحوصين وتصميم بين المفحوصين، لتوجيه الباحث نحو اتخاذ القرار التصميمي السليم بناءً على محددات دراسته:

المعيار المنهجي	تصميم داخل المفحوصين (Within-Subjects)	تصميم بين المفحوصين (Between-Subjects)
حجم العينة المطلوب	صغير جداً (يوفر 50% إلى 80% من الأفراد)	كبير جداً (يتضاعف بتعدد الشروط)
القوة الإحصائية والحساسية	فائقة (عزل التباين بين الأفراد من تباين الخطأ)	أقل حساسية (امتزاج الفروق الفردية بالخطأ)
تهديدات الترتيب والممارسة والتعب	مرتفعة جداً (تتطلب موازنة ومربعات لاتين)	منعدمة تماماً (يخضع الفرد لشرط واحد فقط)
تهديدات انتقال الأثر والتعاقب	قائمة وتتطلب فترات غسيل أثر دقيقة	منعدمة لعدم وجود تتابع في المعالجات
سمات الطلب واستنتاج الفرضية	احتمالية عالية (يلاحظ المفحوص تغير الشروط)	احتمالية منخفضة (يرى المفحوص جزءاً واحداً فقط)
الافتراضات الإحصائية المعقدة	يتطلب تحقق شرط الكروية وتصحيحاتها	يتطلب تجانس التباين واستقلالية المشاهدات
الملائمة للتدخلات التعليمية الدائمة	غير ملائم إطلاقاً (أثر التعلم لا رجعة فيه)	المعيار الذهبي والوحيد القابل للتطبيق

12. دليل إرشادي خطوة بخطوة لتخطيط وتنفيذ تجربة داخل المفحوصين بنجاح

12.1 مرحلة الإعداد والتصميم التجريبي المسبق

تبدأ رحلة التنفيذ الناجح لتجربة القياسات المتكررة بمرحلة التخطيط المنهجي الصارم. تتمثل الخطوة الأولى في الصياغة الدقيقة للفرضيات وتحديد مستويات المتغير المستقل، مع وضع تعريفات إجرائية بالغة التحديد للمتغير التابع وطريقة قياسه الرقمية. يجب في هذه المرحلة التأكد بصورة قطعية من أن المعالجة التجريبية قابلة للإزالة والتكرار ولا تترك أثراً معرفياً أو بيولوجياً دائماً يفسد القياسات اللاحقة.

تتمثل الخطوة الثانية في إجراء تحليل القوة الإحصائية المسبق (A Priori Power Analysis) باستخدام برمجيات متخصصة مثل $G*Power$. يقوم الباحث بتحديد حجم الأثر المتوقع استناداً للأدبيات السابقة، ومستوى الدلالة المستهدف ($\alpha = .05$)، والقوة المطلوبة ($1 – \beta = .80 or .95$)، وتقدير معامل الارتباط المتوقع بين القياسات المتكررة، لحساب الحد الأدنى الدقيق لعدد المشاركين المطلوب تجنيدهم، وتجنب الهدر المالي أو الوقوع في فخ العينات الضعيفة إحصائياً.

تتضمن الخطوة الثالثة اختيار وتطبيق استراتيجية الموازنة المنهجية المثلى؛ فإذا كان عدد الشروط صغيراً ($k le 3$) يتم إعداد بروتوكول الموازنة الكاملة، وإذا كان كبيراً ($k ge 4$) يتم بناء مصفوفة مربع لاتين المتوازن وتوزيع أرقام المشاركين مسبقاً وبصورة عشوائية متساوية على التسلسلات المحددة، مع تحديد الفواصل الزمنية وفترات الغسيل الإلزامية بين الشروط لمنع أي تداخل للأثر.

12.2 مرحلة التنفيذ الميداني وإدارة الجلسات المعملية

تتطلب مرحلة التنفيذ المعملي انضباطاً صارماً لتوحيد الظروف التجريبية لكافة المشاركين دون أدنى تفاوت. يبدأ الباحث ببرمجة المهمة وتقديم المثيرات وتسجيل الاستجابات باستخدام برمجيات قياسية معتمدة علمياً (مثل PsychoPy أو E-Prime أو OpenSesame)، لضمان الدقة المتناهية في التوقيت وتسجيل أزمنة الرجع بالمللي ثانية دون تأخير ناتج عن المعالجات التقنية.

يجب توحيد نص التعليمات التجريبية بدقة متناهية، ويُفضل عرضها آلياً عبر شاشات العرض لتجنب أي تأثير لنبرة صوت الفاحص أو تفاعله اللفظي (Experimenter Bias). كما يتعين تهيئة البيئة المعملية وضبط الإضاءة، والهدوء الصوتي، ومسافة الرؤية من الشاشة، وتوفير مقاعد مريحة تدعم ثبات وضعية المفحوص طوال مدة الجلسة.

أثناء سير التجربة، يجب على الباحث مراقبة مستويات انتباه المفحوص بيقظة تامة، مع إدراج فترات راحة مجدولة ومنتظمة بين الكتل التجريبية لتفادي الإنهاك المعرفي. كما يجب توثيق أي أحداث طارئة أو انحرافات غير متوقعة (مثل وميض ضوئي خارجي أو سعال مفاجئ) في سجل الملاحظات المعملية، وتدوين حالات الانسحاب الفوري لتحديد ما إذا كانت ناجمة عن صعوبة شرط محدد يهدد بتسرب انتقائي متحيز.

12.3 مرحلة المعالجة والتحليل الإحصائي وإعداد التقارير الأكاديمية

تبدأ مرحلة ما بعد جمع البيانات بعملية فحص وتنظيف شاملة لمصفوفة القياسات المتكررة؛ حيث يتم فحص القيم الشاذة والمتطرفة (Outliers) على مستوى المحاولات الفردية لكل مشارك، وتطبيق معايير استبعاد معيارية مقننة ومحددة سلفاً (مثل استبعاد المحاولات التي تقل عن 150 مللي ثانية أو تزيد عن 3 انحرافات معيارية عن متوسط الفرد)، ثم فحص اكتمال مصفوفة البيانات ومعدلات التسرب.

يتبع ذلك التحقق المعملي الصارم من الافتراضات الإحصائية الكلاسيكية؛ تقييم اعتدالية التوزيع للفروق، وتشغيل اختبار موشلي للكروية. وبناءً على النتائج، يتم تطبيق تصحيح غرينهاوس-غايسر أو هونه-فيلدت على درجات حرية ANOVA، أو التوجه مباشرة نحو تطبيق النماذج الخطية المختلطة (LMM) إذا اشتملت البيانات على خلايا مفقودة أو متغيرات عشوائية للمثيرات.

تُختتم المرحلة بكتابة التقرير العلمي وعرض النتائج وفقاً لمعايير الدليل الإرشادي لجمعية علم النفس الأمريكية (APA Style – الإصدار السابع). يجب أن يتضمن التقرير توثيقاً شاملاً لقيم المتوسطات الحسابية والانحرافات المعيارية لكل شرط، وتقرير قيمة الاختبار الإحصائي مع درجات الحرية المصححة، والقيمة الاحتمالية الدقيقة، وحجم الأثر المقترن ($\eta_p^2$ أو $d_z$). ويُفضل تدعيم النتائج برسوم بيانية احترافية تُبرز ليس فقط المتوسطات العامة للمجموعات، بل مسارات التغير الفردية لكل مشارك (Raincloud plots or Spaghetti plots) لتقديم صورة بصرية متكاملة وشديدة الشفافية للبيانات المجمعة.

خاتمة

يُمثل تصميم داخل المفحوصين (Within-Subjects Design) ركيزة هندسية ومنهجية لا غنى عنها في ترسانة البحث التجريبي المعاصر. فمن خلال مبدئه القائم على استخدام المفحوص كضابط ومقارن لذاته، استطاع هذا التصميم تقديم حل إحصائي واقتصادي عبقري لواحدة من أعقد معضلات العلوم السلوكية: تحييد الفروق الفردية الكامنة وتعظيم القوة الإحصائية لرصد أدق الاستجابات الإنسانية بأقل عدد ممكن من الموارد والمشاركين.

ومع ذلك، فإن الاستفادة القصوى من المزايا الفريدة لهذا التصميم تظل مشروطة بالوعي النقدي العميق بالمهددات المصاحبة له؛ فتأثيرات الترتيب، والإرهاق، والممارسة، وانتقال الأثر تظل تحديات قائمة تتربص بالصدق الداخلي للتجربة ما لم يتم ضبطها بإحكام عبر استراتيجيات الموازنة الكاملة، ومصفوفات مربعات لاتين المتوازنة، وفترات الغسيل الملائمة. إن الجمع المتقن بين التصميم التجريبي الرصين والتحليل الإحصائي المتقدم—سواء عبر تصحيحات الكروية الدقيقة في RM-ANOVA أو من خلال المرونة الفائقة للنماذج الخطية المختلطة (LMM)—هو ما يضمن في نهاية المطاف تحويل الملاحظات المعملية إلى حقائق علمية راسخة تدفع عجلة المعرفة الإنسانية إلى آفاق جديدة من الدقة واليقين.

References

• Clark, H. H. (1973). The language-as-fixed-effect fallacy: A critique of language statistics in psychological research. Journal of Verbal Learning and Verbal Behavior, 12(4), 335–359. https://doi.org/10.1016/S0022-5371(73)80014-3
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Greenhouse, S. W., & Geisser, S. (1959). On methods in the analysis of profile data. Psychometrika, 24(2), 95–112. https://doi.org/10.1007/BF02289823
• Huynh, H., & Feldt, L. S. (1976). Estimation of the Box correction for degrees of freedom from sample data in randomized block and split-plot designs. Journal of Educational Statistics, 1(1), 69–82. https://doi.org/10.2307/1164736
• Judd, C. M., Westfall, J., & Kenny, D. A. (2012). Treating stimuli as a random factor in social psychology: A new and comprehensive solution to a pervasive but largely ignored problem. Journal of Personality and Social Psychology, 103(1), 54–69. https://doi.org/10.1037/a0028347
• Mauchly, J. W. (1940). Significance test for sphericity of a normal $n$-variate distribution. The Annals of Mathematical Statistics, 11(2), 204–209. https://doi.org/10.1214/aoms/1177731909
• Maxwell, S. E., Delaney, H. D., & Kelley, K. (2018). Designing experiments and analyzing data: A model comparison perspective (3rd ed.). Routledge. https://doi.org/10.4324/9781315642956
• Shadish, W. R., Cook, T. D., & Campbell, D. T. (2002). Experimental and quasi-experimental designs for generalized causal inference. Houghton Mifflin.
• Stroop, J. R. (1935). Studies of interference in serial verbal reactions. Journal of Experimental Psychology, 18(6), 643–662. https://doi.org/10.1037/h0054651