Inverse generalised spin models of answers to questionnaires

ملخص تقني: نماذج السبين المعممة العكسية لإجابات الاستبيانات

بيان المشكلة
تُصور علم نفس الشبكات (Network Psychometrics) البناءات النفسية كخصائص ناشئة عن تفاعلات المتغيرات بدلاً من كونها آثاراً لأسباب كامنة. وبينما تم اعتماد النماذج الاحتمالية القائمة على الطاقة (وتحديداً نموذج إيسينج - Ising model) لنمذجة هذه التفاعلات، إلا أن تطبيقها ظل محدوداً بسبب الافتراضات المتعلقة بالاستجابات الثنائية أو الثلاثية والاعتماد على افتراضات الاستدلال المحدودة. إن معظم البيانات النفسية تُجمع عبر مقاييس ترتيبية ذات خيارات متعددة، ويؤدي تحويل البيانات إلى صيغة ثنائية (Dichotomisation) إلى فقدان المعلومات. علاوة على ذلك، غالباً ما تفشل النماذج القياسية في التقاط أنماط الاستجابة المعقدة مثل الحياد، أو الاستجابة المتطرفة، أو الهياكل غير الغاوسية (Non-Gaussian) مثل تعدد الأنماط (Multi-modality). تعالج هذه الورقة الحاجة إلى إطار عمل قادر على التعامل مع بيانات الاستبيانات الترتيبية بعدد تعسفي من خيارات الاستجابة، مع استيعاب تباين الموقع الواحد (Single-site anisotropy) والتفاعلات ثنائية التربيع (Bi-quadratic interactions).

المنهجية
يقترح المؤلفون ويحللون ثلاثة نماذج سبين معممة كنماذج احتمالية عكسية لبيانات الاستبيانات الترتيبية:

1. نموذج إيسينج المعمم (Generalised Ising Model): يسمح بحالات منفصلة $R \ge 2$ ولكنه يفتقر إلى تباين الموقع الواحد والارتباطات ثنائية التربيع.
2. نموذج بلوم-كابيل (Blume-Capel - BC): يوسع نموذج إيسينج عبر تضمين حد تباين الموقع الواحد ($J_{ii}$)، مما يسمح بوجود حالة محايدة أو غير نشطة (0) متميزة عن الحالات النشطة ($\pm 1$).
3. نموذج بلوم-إيمري-غريف (Blume-Emery-Griffiths - BEG): يوسع نموذج BC بشكل أكبر عبر إدخال ارتباطات ثنائية التربيع ($K_{ij}$)، والتي تلتقط الارتباطات بين الشدة والشدة (ميل العناصر لاتخاذ قيم متطرفة في آن واحد، بغض النظر عن الإشارة).

بروتوكول الاستدلال
يطور المؤلفون بروتوكول استدلال يتكون من خطوتين لتقدير معاملات النموذج ($\theta = \{h, J, K\}$) من البيانات التجريبية:

• الخطوة 1 (تعظيم الاحتمالية الكاذبة - Pseudo-likelihood Maximisation): نظراً لاستعصاء حساب دالة التجزئة (Partition function) لعدد كبير من العناصر ($M$)، يقوم المؤلفون أولاً بتعظيم الاحتمالية الكاذبة باستخدام خوارزمية L-BFGS-B. يوفر هذا شرطاً أولياً متسقاً ولكنه لا يضمن مطابقة العزوم (Reproduction of empirical sufficient statistics).
• الخطوة 2 (تعظيم الاحتمالية الكاملة - Full Likelihood Maximisation): لتحقيق مطابقة العزوم، يستخدم المؤلفون خوارزمية التدرج الاشتقاقي العشوائي القائمة على التباين التبايني المستمر (Persistent Contrastive Divergence - PCD) مدمجة مع مُحسن ADAM. يتضمن ذلك تقدير تدرجات الاحتمالية عبر أخذ عينات ماركوف (MCMC) بطريقة جيبس (Gibbs sampling). يستخدم البروتوكول سلاسل مستمرة لتجنب إعادة التسخين المكلفة، بما يضمن التقارب عبر عمليات إعادة ضبط دورية للتهيئات التجريبية.

المساهمات النظرية
تؤسس الورقة عدة خصائص رياضية لهذه النماذج:

• القابلية للتمييز (Identifiability): تثبت أن التوزيعات الاحتمالية لنماذج إيسينج، وBC، وBEG محددة بشكل فريد بواسطة معاملاتها (لـ $R \ge 3$ في BC/BEG و $R \ge 2$ في إيسينج).
• التحدب (Concavity): توضح التحدب الصارم لدالة اللوغاريتم الاحتمالي (Log-likelihood)، مما يضمن وجود قيمة قصوى عالمية فريدة لتقدير الاحتمالية القصوى.
• ثبات القياس (Gauge Invariance): تثبت أن نماذج إيسينج وBC تتمتع بثبات القياس تحت ترجمات قيم السبين. وقد تبين أن نموذج BEG ليس ثابتاً للقياس في شكله القياسي؛ إذ يتطلب ثبات القياس لنموذج BEG تضمين حدود تكعيبية مختلطة متماثلة. وبناءً على ذلك، قام المؤلفون بتثبيت معلمة نموذج BEG بقيم سبين متماثلة حول الصفر لتجنب الإفراط في المعلمة (Over-parameterisation).

النتائج التجريبية
طُبقت هذه النماذج على أحد عشر مجموعة بيانات نفسية واجتماعية متنوعة (مثل: Big-5، ومقياس الاكتئاب والقلق والتوتر، ومقياس السلطوية اليمينية) وقورنت بأربعة نماذج مرجعية: التوزيع الغاوسي متعدد المتغيرات، والفئات المستقلة (Categorical-Independent)، والـ Copulas، والتوزيع الغاوسي المقطع (Discretised-Gaussian).

• أداء خارج العينة (Out-of-Sample Performance): حقق نموذج BEG باستمرار احتمالية كاذبة أعلى وخطأ إكمال أقل مقارنة بنموذج إيسينج وBC والنماذج المرجعية البسيطة، مما يشير إلى قدرته على التقاط بنية حقيقية تتجاوز التفاعلات الثنائية.
• الإحصاءات على مستوى العنصر: أعادت نماذج السبين إنتاج مخططات الاستجابة للعناصر (Histograms) بشكل تقريبي. وقد تفوق نموذج BEG على غيره في التقاط توزيع الإجابات.
• المكونات الرئيسية (Principal Components - PC): في عدة مجموعات بيانات (مثل gcbs و rwas)، أظهرت البيانات التجريبية تعدد أنماط في مخططات المكون الرئيسي الأول، وهي سمة غير غاوسية. نجح نموذج BEG في التقاط هذه البنية ثلاثية الأنماط في مجموعة بيانات gcbs، بينما فشلت نماذج إيسينج وBC غالباً أو أنتجت ثنائية أنماط زائفة. يشير تحليل نظرية المجال المتوسط (Mean-field theory) إلى أن حالات تعدد الأنماط هذه تقابل وجود أطوار مستقرة وأطوار شبه مستقرة في نماذج السبين.
• توزيعات المسافة:
  • المسافة الإقليدية (Euclidean Distance): تفوق نموذج BEG بشكل منهجي على جميع النماذج الأخرى (بما في ذلك Copulas) في إعادة إنتاج مخطط المسافات الإقليدية إلى المتوسط. لقد التقط بدقة كثافة الاحتمالية العالية للمشاركين القريبين والبعيدين عن المتوسط (القيم المتطرفة).
  • مسافة ماهالانوبيس (Mahalanobis Distance): قللت جميع النماذج، بما في ذلك نماذج السبين والمراجع، بشكل منهجي من الذيول الثقيلة لتوزيع مسافة ماهالانوبيس. يشير هذا إلى أن بيانات الاستبيانات تمتلك هياكل ارتباط من رتب عليا أو سلوكيات ذيول لا تستطيع النماذج الحالية القائمة على الطاقة ذات الدعم المنفصل التقاطها. ومن الجدير بالذكر أنه بالنسبة لمجموعة بيانات rwas، كان نموذج BEG (وCopulas) فقط هو من التقط ذروة محددة للمشاركين القريبين جداً من المتوسط في مسافة ماهالانوبيس.

الأهمية والاستنتاجات
تزعم الورقة أن نموذج BEG يقدم إطاراً وصفياً متفوقاً لبيانات الاستبيانات مقارنة بالنماذج الغاوسية ونماذج السبين الأبسط. إن قدرته على تفسير وفرة القيم المتطرفة والمستجيبين المتوسطين، وكذلك الهياكل متعددة الأنماط في المكونات الرئيسية، تسلط الضوء على أهمية الارتباطات ثنائية التربيع في نمذجة التفاعلات النفسية.

يخلص المؤلفون إلى أن بيانات الاستبيانات تظهر خصائص غير غاوسية على مستويات متعددة. وبينما نجح نموذج BEG في التقاط العديد من هذه السمات (باعتبار الاستقطاب وتعدد الأنماط كظواهر شبه استقرار محدودة الحجم)، فإن الفشل المنهجي لجميع النماذج في إعادة إنتاج الذيول الثقيلة لمسافة ماهالانوبيس يشير إلى أن استجابات الاستبيانات قد تشفر هياكل ارتباط من رتب عليا تتجاوز نطاق النماذج الحالية القائمة على الطاقة ذات التفاعلات الثنائية وثنائية التربيع. إن هذا العمل يطور مجال النماذج السبينية العكسية من خلال توفير خوارزمية استدلال قوية للاحتمالية الكاملة وإثبات فائدة نماذج السبين المعممة في علم نفس الشبكات.