📊 statistics

A Bayesian Approach to Estimating Effect Sizes in Educational Research

تقدم هذه الورقة إطاراً بايزياً بحتاً تم تنفيذه في لغة R باستخدام حزمة brms لتقدير أحجام التأثير داخل المجموعات وبين المجموعات في البحوث التربوية، مع مراعاة هياكل البيانات متعددة المستويات والتباينات غير المتجانسة، بينما تقدم توصيات محددة لحساب المقاييس المعيارية مثل $d_s$ و $d_z$ لتقييم فعالية التدخل عبر تصميمات دراسية مختلفة.

المؤلفون الأصليون: Yannis Bähni

نُشر 2026-04-02

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Yannis Bähni

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك مدير مدرسة يحاول معرفة ما إذا كانت طريقة تدريس جديدة تساعد الطلاب على التعلم بشكل أفضل حقاً. لديك مجموعتان من الطلاب: إحدى المجموعتين تستخدم الطريقة القديمة (المجموعة الضابطة)، والأخرى تجرب الطريقة الجديدة (مجموعة التدخل). تقدم لهم اختباراً قبل الدرس (اختبار قبلي) وآخر بعده (اختبار بعدي).

تقليدياً، يقوم الباحثون بحساب الأرقام ويقولون: "الطريقة الجديدة نجحت! ارتفع المتوسط بمقدار X". لكن هذه الورقة البحثية تجادل بأن هذا المنظور "المتوسط" يشبه النظر إلى غابة ورؤية متوسط ارتفاع الأشجار فقط؛ فهو يغفل حقيقة أن بعض الأشجار عمالقة، وبعضها قزم، وبعضها ينمو في اتجاهات مختلفة تماماً.

إليك تفصيل بسيط لما تفعله هذه الورقة، باستخدام بعض التشبيهات من الحياة اليومية.

1. المشكلة: كذبة "المتوسط"

في الطريقة القديمة للقيام بالأشياء (الإحصاء التكراري)، يحسب الباحثون رقماً واحداً يسمى حجم الأثر (مثل معامل كوهين d). فكر في هذا كدرجة واحدة في شهادة مدرسية للمدرسة بأكملها.

المشكلة: إذا كان لديك 62 فصلاً دراسياً مختلفاً، فقد تنجح الطريقة الجديدة بشكل مذهل في الفصل (أ)، وتكاد لا تعمل في الفصل (ب)، وقد تربك الطلاب في الفصل (ج).
النتيجة: إذا قمت بجمعهم جميعاً في متوسط واحد، ستحصل على رقم "آمن" يخفي الفوضى. قد تعتقد أن الطريقة "جيدة نوعاً ما"، بينما هي في الواقع رحلة مليئة بالتقلبات لمجموعات مختلفة.

2. الحل: "خريطة الطقس" البايزية (Bayesian)

يقترح المؤلف، يانيس باهني، استخدام منهج بايزي.

التشبيه: تخيل توقعات الطقس.
- الطريقة القديمة: "سيمطر غداً". (تنبؤ واحد ثابت).
- الطريقة الجديدة (البايزية): "هناك احتمال 70% لهطول الأمطار، ولكن إليك خريطة توضح بالضبط أين ستضرب العواصف، وأين ستكون الشمس مشرقة، ومدى شدة المطر في كل حي".
ماذا تفعل: بدلاً من إعطائك رقماً ثابتاً واحداً، تمنحك هذه الطريقة توزيعاً كاملاً (نطاقاً كاملاً من الاحتمالات). إنها لا تخبرك فقط إذا كانت الطريقة قد نجحت، بل تخبرك بمقدار نجاحها في الفصول المختلفة ومدى تباين هذا النجاح.

3. الأدوات: قياس "الربح" (Gain)

تقدم الورقة عدة طرق محددة لقياس التعلم، وهي تشبه مساطر مختلفة لكل مهمة:

$d_s$ (مسطرة "بين المجموعات"): تقارن بين المجموعتين مقابل بعضهما البعض. الأمر يشبه السؤال: "هل الفريق الجديد أسرع من الفريق القديم؟"
- التحول: تشدد الورقة على ضرورة مراعاة التباينات غير المتجانسة. تخيل أن الفريق القديم متسق جداً (الجميع يركض 10 دقائق)، لكن الفريق الجديد جامح (بعضهم يركض 5 دقائق والبعض الآخر 20). المتوسط البسيط يتجاهل هذه الفوضى. الطريقة الجديدة تأخذ هذا "الجموح" في الاعسب لتقديم مقارنة أكثر إنصافاً.
$d_z$ (مسطرة "داخل المجموعة"): تنظر إلى كيفية تحسن الطلاب الفرديين من البداية إلى النهاية.
- التحول: الطلاب ليسوا لوحات بيضاء. إذا كان الطالب يعرف الكثير بالفعل، فلديه مساحة أقل للنمو. وإذا كان لا يعرف شيئاً، يمكنه النمو كثيراً. تأخذ هذه الطريقة في الاعتبار حقيقة أن درجة الطالب "قبل" مرتبطة بدرجته "بعد". هذا يمنعنا من المبالغة في تقدير مقدار التعلم الذي حدث فعلياً.
$d_n$ (المسطرة "المعيارية"): هذه مخصصة للحالات التي يصل فيها الطلاب إلى "سقف" (يحصلون على 100% في الاختبار). لا يمكنك أن تصبح أفضل من 100%، لذا فإن الرياضيات القياسية تتعطل هنا. هذه المسطرة تعدل هذا الحد.

4. السر الخفي: عامل "الفصل الدراسي"

الجزء الأكثر أهمية في هذه الورقة هو الهيكل متعدد المستويات.

التشبيه: تخيل أنك تقيس طول النباتات في حديقة.
- الطريقة القديمة: تقيس كل نبات، تجمعهم، ثم تقسمهم على العدد الإجمالي. تفترض أن كل نبات في نفس التربة.
  - الطريقة الجديدة: تدرك أن الحديقة تحتوي على 62 أصيص زهور مختلفاً. بعض الأصص بها تربة ممتازة، وبعضها بها تربة فقيرة، وبعضها بها آفات.
- الرؤية: توضح الورقة أنه إذا تجاهلت "الأصص" (الفصول الدراسية)، فستحصل على رؤية مشوهة. باستخدام هذا المنهج البايزي، يمكنك أن ترى: "الطريقة الجديدة تعمل بشكل رائع في فصول 'التربة الغنية'، لكنها تفشل في فصول 'التربة الفقيرة'".

5. لماذا العناء؟ (الفوائد)

يسرد المؤلف أسباب أهمية هذا الحساب المعقد:

لا مزيد من "الأرقام السحرية": بدلاً من إجابة بنعم أو لا بناءً على "القيمة الاحتمالية" (p-value) (وهي مجرد عملة نقدية إحصائية)، تحصل على احتمالية. "هناك احتمال 95% أن الطريقة الجديدة تساعد، لكن حجم المساعدة يختلف بشكل كبير بين الفصول".
الصدق بشأن التباين: هي تعترف بأن الفصول ليست متساوية. فهي تعطيك الانحراف المعياري للأثر. وهذا يخبرك ما إذا كانت الطريقة موثوقة أم أنها مجرد مقامرة.
التعامل مع القيم المتطرفة: البيانات الحقيقية فوضوية. بعض الطلاب هم قيم متطرفة (أذكياء جداً أو متعثرون جداً). يستخدم المنهج البايزي "توزيع t لستودنت" (شكل قوي)، وهو لا يتأثر بهذه النقاط الغريبة، على عكس "المنحنى الجرسي الطبيعي" القديم الذي ينهار بسهء.

الخلاصة

هذه الورقة هي دليل للباحثين للتوقف عن استخدام مسطرة "مقاس واحد يناسب الجميع". إنها تجادل بأنه في التعليم، السياق هو الملك.

من خلال استخدام هذا المنهج البايزي الجديد، يمكننا التوقف عن قول "طريقة التدريس الجديدة تعمل" والبدء في قول:

"طريقة التدريس الجديدة تعمل جيداً في المتوسط، لكن نجاحها يعتمد بشدة على بيئة الفصل الدراسي المحددة. في بعض الفصول، هي معجزة؛ وفي فصول أخرى، بالكاد تُلاحظ. إليكم الخريطة التي توضح بالضبط أين تعمل بشكل أفضل."

إنها تحول التقرير المدرسي المسط والممل إلى خريطة ثلاثية الأبعاد وعالية الدقة للتعلم، مما يساعد المعلمين وصناع القرار على اتخاذ قرارات أكثر ذكاءً وتنوعاً.

إليك ملخص تقني مفصل لورقة "نهج بايز لتقدير أحجام التأثير في الأبحاث التربوية" للباحث يانيس باهني.

1. بيان المشكلة

تستخدم الأبحاث التربوية بشكل متكرر تصميمات الاختبار القبلي والبعدي مع مجموعات ضابطة وتدخلية. ومع ذلك، تواجه الطرق التكرارية القياسية لحساب أحجام التأثير (مثل معامل كوهين $d$ ) عدة قيود في هذا السياق:

تجاهل البنية متعددة المستويات: الطلاب متداخلون داخل الفصول الدراسية، مما يخلق بيانات مترابطة. غالبًا ما تتجاهل الطرق القياسية هذا التجميع، مما يؤدي إلى تقديرات متحيزة.
افتراضات التجانس: تفترض اختبارات $t$ التقليدية غالبًا تباينات متساوية (تجانس التباين) عبر المجموعات والنقاط الزمنية، وهو أمر نادر الحدوث في البيئات التربوية الواقعية.
التقديرات النقطية مقابل التوزيعات: توفر النهج التكرارية تقديرات نقطية واحدة وفترات ثقة تعتمد على إعادة أخذ العينات (bootstrapping)، مما يفشل في استيعاب كامل حالة عدم اليقين والتوزيع لحجم التأثير.
الغموض في التصميمات المزدوجة: في التصميمات داخل المجموعة (المزدوجة)، غالبًا ما يخلط الباحثون بين مقاييس مختلفة لحجم التأثير (مثل $d_s$ مقابل $d_z$ )، مما يؤدي إلى نتائج غير قابلة للتكرار. غالبًا ما يبالغ $d_s$ في تقدير التأثيرات من خلال تجاهل الارتباط بين الاختبارات القبلية والبعدية.
الفعالية المتفاوتة: تكتفي الطرق القياسية بتقرير حجم تأثير متوسط واحد، مما يحجب كيفية تباين التدخل في فعاليته عبر الفصول الدراسية المختلفة (عدم التجانس).

2. المنهجية

تقترح الورقة إطار عمل بايزي بحت يتم تنفيذه باستخدام حزمة brms في لغة R (والتي تتصل بلغة البرمجة الاحتمالية Stan). تتضمن المنهجية الخطوات التالية:

أ. هيكل البيانات والنمذجة

البيانات: مجموعة بيانات واقعية شبه عشوائية داخل الفصل الدراسي ( $N=1377$ طالب، 62 فصلًا دراسيًا) مع درجات اختبار قبلي وبعدي.
النمذجة متعددة المستويات: يبني المؤلفون نماذج خطية ذات تأثيرات مختلطة بايزية تأخذ في الاعتبار صراحةً:
- التقاطعات والمنحدرات العشوائية: تداخل الطلاب داخل الفصول لالتقاط التباين بين الفصول.
- تباينات المتبقيات غير المتجانسة: السماح لتباينات المتبقيات ( $\sigma$ ) بالاختلاف عبر النقاط الزمنية (قبلي/بعدي) والظروف (ضابطة/تدخلية) بدلاً من افتراض تباين عالمي واحد.
- التوزيعات القوية: استخدام توزيعات $t$ لستودنت (و التوزيع الطبيعي الملتوي عند الاقتضاء) للتعامل مع القيم المتطرفة وعدم التوزيع الطبيعي، بدلاً من افتراضات التوزيع الطبيعي الصارمة.

ب. صياغات حجم التأثير

تحدد الورقة وتحسب عدة أحجام تأثير بناءً على مفهوم هيدجز لإجمالي حجم التأثير ( $\delta_t$ )، والمكيف لنماذج بايز متعددة المستويات:

حجم التأثير بين المجموعات ( $d_s$ ):
- مشابه لمعامل كوهين $d$ للتصاميم المجمعة.
- الصيغة: $\frac{\mu_2 - \mu_1}{\sqrt{\text{إجمالي التباين}}}$ .
- الابتكار الرئيسي: يتضمن المقام ليس فقط تباين المتبقيات، بل أيضًا مكونات التباين من التأثيرات العشوائية (تباين الفصل الدراسي) وتباينات المعلمات الفائقة.
- الاستخدام: مقارنة التدخل مقابل المجموعة الضابطة عند نقطة زمنية محينة.
حجم التأثير داخل المجموعة:
- $d_s$ : يُحسب كمتوسط الفرق مقسوماً على الانحراف المعيائي المجمع للنقطتين الزمنيتين. يشير المؤلفون إلى أن هذا النهج غالبًا ما يبالغ في تقدير التأثير في التصميمات المزدوجة.
- $d_z$ : يُحسب كمتوسط الفرق مقسوماً على الانحراف المعياري لدرجات الفرق (مكاسب التعلم الخام). هذا يأخذ في الاعتبار الارتباط بين الاختبارات القبلية والبعدية.
- التوصية: تقديم كل من $d_s$ و $d_z$ في التصميمات المزدوجة لتوفير صورة كاملة.
الربح التعليمي الموحد ( $d_n$ ):
- يُستخدم عند وجود تأثيرات السقف (على سبيل المثال، الدرجات لا يمكن أن تتجاوز 100%).
- الصيغة: $\frac{Post - Pre}{1 - Pre}$ .

ج. تفاصيل التنفيذ

القيم السابقة (Priors): يستخدم المؤلفون قيمًا سابقة طبيعية معلوماتية للتأثيرات الثابتة وتباينات المتبقيات لضمان استقرار النموذج، رغم أنهم أظهروا أن النتائج قوية تجاه اختيار القيم السابقة عبر التحقق المتبادل (Leave-One-Out).
الاستدلال البعدي: بدلاً من القيم الاحتمالية ($p-values$)، تعتمد الدراسة على فترات المصداقية 95% (CrI) والتوزيع البعدي الكامل لأحجام التأثير.
الفعالية المتفاوتة: من خلال استخراج العينات البعدية لكل فصل دراسي، يحسب المؤلفون الانحراف المعياري لحجم التأثير عبر الفصول، مما يحدد مدى تباين فعالية التدخل حسب الفصل الدراسي.

3. المساهمات الرئيسية

أحجام تأثير التباين الكلي: توفر الورقة اشتقاقًا رياضيًا دقيقًا لحساب أحجام التأثير التي تدمج جميع مصادر التباين في النموذج متعدد المستويات (المتبقي، التقاطعات العشوائية، المنحدرات العشوائية، وتباينات المعلمات الفائقة).
التعامل مع عدم تجانس التباين: توضح كيف يمكن نمذجة تباينات المتبقيات غير المتجانسة عبر الظروف والنقاط الزمنية بشكل طبيعي ضمن إطار بايز، مما يتجنب التحيز الناتج عن افتراض تجانس التباين.
مقياس الفعالية المتفاوتة: مساهمة مبتكرة تتمثل في القدرة على تقدير الانحراف المعياري لحجم التأثير عبر المجموعات (الفصول). يسمح هذا للباحثين بمعرفة ليس فقط ما إذا كان التدخل يعمل في المتوسط، ولكن مدى اتساق عمله عبر السياقات المختلفة.
درس تعليمي عملي: تعمل الورقة كدليل شامل لاستخدام حزمة brms و Stan لتنفيذ هذه النماذج المعقدة، مع توفير أكواد برمجية لتحليل التباين (ANOVA)، وما يعادل اختبار $t$ لـ ويلش، والتصميمات المزدوجة.
إرشادات التقرير: يقترح المؤلفون إطار عمل موحد للتقرير (الجدول 7) يوصي بأحجام تأثير محددة ( $d_s, d_z, d_n$ ) بناءً على تصميم الدراسة (داخل الفصل مقابل بين الفصول، مزدوج مقابل مجمع).

4. النتائج

باستخدام مجموعة البيانات المقدمة، وجدت الدراسة:

فعالية التدخل: تفوق شرط التدخل على المجموعة الضابطة في كل من الاختبار القبلي والبعدي.
مقارنة المنهجيات:
- الاختبار القبلي: كان $d_s$ بايزي متعدد المستويات 0.22 (95% CrI [0.07, 0.37])، مقارنة بـ $d_s$ كلاسيكي غير متعدد المستويات قدره 0.28.
- الاختبار البعدي: كان $d_s$ بايزي متعدد المستويات 0.21 (95% CrI [0.05, 0.37])، وهو مطابق تقريبًا للـ 0.20 الكلاسيكي.
- داخل المجموعة: بالنسبة للمجموعة الضابطة، كان $d_s$ البايزي 1.18 (مقابل 1.40 كلاسيكي)، و $d_z$ كان 1.11 (مقابل 1.21 كلاسيكي). كانت التقديرات البايزية أقل عمومًا، مما يشير إلى أن الطرق الكلاسيكية قد تبالغ في تقدير المكاسب من خلال تجاهل البنية متعددة المستويات والارتباطات.
الفعالية المتفاوتة:
- كان الانحراف المعياري لـ $d_s$ عبر الفصول 0.09 في الاختبار القبلي (تأثير متجانس).
- في الاختبار البعدي، ارتفع الانحراف المعياري إلى 0.18، مما يشير إلى أن فعالية التدخل أصبحت أكثر تباينًا عبر الفصول.
- والأهم من ذلك، كشف التحليل البايزي أنه في بعض الفصول المحددة، تفوقت المجموعة الضابطة فعليًا على مجموعة التدخل (قيمة $d_s$ سالبة للفصل)، وهي تفصيلة ضاعت في التقرير الذي يعتمد على المتوسط فقط.

5. الأهمية والآثار المترتبة

تفسير أكثر دقة: تجادل الدراسة بأن الاعتماد فقط على أحجام التأثير المتوسطة غير كافٍ. "الفعالية المتفاوتة" (تباين حجم التأثير عبر الفصول) هي مقياس حاسم للسياسة التربوية، مما يشير إلى أن التدخل قد يعمل جيدًا في بعض السياقات ولكنه يفشل في أخرى.
القوة والمتانة: من خلال استخدام طرق بايز مع توزيعات $t$ لستودنت وتباينات غير متجانسة، تصبح التقديرات أكثر قوة تجاه القيم المتطرفة وانتهاكات التوزيع الطبيعي الشائعة في البيانات التربوية.
الشفافية: يجبر هذا النهج الباحثين على نمذجة هيكل البيانات (التجميع) وعدم تجانس التباين صراحةً، مما يقلل من خطر الأخطاء من النوع الأول والثاني المرتبطة بسوء توصيف النموذج.
الأبحاث المستقبلية: يدعو المؤلفون إلى إجراء دراسات محاكاة لاختبار هذه الأساليب تحت ظروف مختلفة (مثل تأثيرات الأرضية/السقف، والبيانات المفقودة) ويقترحون أنه بينما تعتبر الأساليب المتمحورة حول المتغير (متعددة المستويات) قوية، يجب استكمالها في النهاية بأساليب متمحورة حول الشخص لالتقاط التباين الفردي.

في الختام، توفر هذه الورقة مخططًا منهجيًا للانتقال لما وراء التقديرات النقطية البسيطة في الأبحاث التربوية، داعية إلى نهج بايزي متعدد المستويات يستوعب كامل التعقيد، وعدم اليقين، والاعتماد على السياق للتدخلات التربوية.