Scalable and Versatile Identification for Hierarchical Structural Causal Models: A New Look at Project STAR

في عالم علم البيانات، يحاول الباحثون غالبًا فهم السبب والنتيجة من خلال مراقبة كيف يغير شيء ما شيئًا آخر. تخيل طبيبًا يحاول معرفة ما إذا كان دواء جديد فعالًا؛ قد يقارن بين المرضى الذين تناولوا الحبة وأولئك الذين لم يتناولوها. لكن الحياة الواقعية نادرًا ما تكون بهذه البساطة. فالناس يعيشون في مجموعات، وهذه المجموعات لها قواعدها الخاصة، وبيئاتها، وتأثيراتها الخفية. فأداء الطالب في الفصل الدراسي لا يعتمد فقط على جهده الشخصي، بل يتشكل أيضًا بفعل المعلم، والطلاب الآخرين، والمزيج المحدد من الأشخاص في تلك الغرفة. وعندما تُنظم البيانات في هذه الطبقات المتداخلة — مثل الطلاب داخل الفصول، أو الفصول داخل المدارس — فإن الطرق التقليدية لتحليل الأرقام غالبًا ما تغفل الصورة الأكبر. قد تجد صلة ما، لكنها تفشل في فهم كيف يؤثر تدخل على مستوى المجموعة في الواقع على الفرد. هذا هو تحدي البيانات الهرمية: كيف نقيس أثر تغيير مجموعة كاملة بينما تُؤخذ قياساتنا من الأفراد داخلها؟

قام فريق من الباحثين ببناء أداة جديدة لحل هذه المشكلة المحددة. لقد أنشأوا نظامًا آليًا متكاملًا يمكنه أخذ البيانات المعقدة والمتعددة الطبقات واستنباط علاقات السبب والنتيجة الحقيقية داخلها. ويتمحور عملهم حول تجربة شهيرة من الثمانينيات تسمى "مشروع ستار" (Project STAR)، والتي جرت في ولاية تينيسي. في تلك الدراسة، تم توزيع آلاف طلاب رياض الأطفال عشوائيًا على أنواع مختلفة من الفصول الدراسية: فصول صغيرة، وفصول ذات حجم عادي، وفصول عادية مع معلم مساعد إضافي. كان الهدف هو معرفة ما إذا كان صغر حجم الفصل يساعد الطلاب على التعلم بشكل أفضل. لعقود من الزمن، حلل العلماء هذه البيانات، لكنهم عادة ما عاملوا كل طالب كنقطة بيانات مستقلة، متجاهلين حقيقة أن الطلاب في نفس الفصل يتشاركون البيئة نفسها. النظام الجديد الذي طوره هذا الفريق يغير هذا النهج؛ فبدلاً من النظر إلى الطلاب فردًا فردًا، فإنه يعامل الفصل بأكمله كوحدة تحليل واحدة، مدركًا أن "العلاج" — وهو حجم الفصل — هو سمة للمجموعة، وليس للفرد فقط.

لقد طور الباحثون مسار عمل يعمل كمترجم بين طريقتين مختلفتين في التفكير حول البيانات. أولاً، يستخدمون طريقة لرسم خرائط العلاقات بين المتغيرات، مما ينشئ مخططًا مرئيًا لكيفية تأثير عوامل مثل حجم الفصل، وجنس الطالب، والعرق على درجات الاختبار. بعد ذلك، يطبقون مجموعة من القواعد المنطقية على هذا المخطط لتحديد ما يمكن تعلمه بالضبط من البيانات. هذه الخطوة حاسمة لأنها تخبرهم بالصيغ الرياضية المطلوبة لحساب الإجابة. ويكمكم الابتكار في كيفية تعاملهم مع هذه الصيغ؛ فبدلاً من محاولة حل معادلة واحدة ضخمة ومعقدة دفعة واحدة، يقوم نظامهم بتفكيك المشكلة إلى قطع صغيرة يسهل إدارتها. إنه يحسب احتمالية النتائج المختلفة لكل فصل على حدة، باستخدام التفاصيل المحددة لذلك الفصل، ثم يجمع هذه النتائج الصغيرة للحصول على إجابة نهائية. يسمح هذا النهج للنظام بالتعامل مع كميات هائلة من البيانات بكفاءة ويضمن الحفاظ على الخصائص الفريدة لكل مجموعة بدلاً من محوها عبر المتوسط الحسابي.

وعندما طبق الفريق هذه الطريقة الجديدة على بيانات "مشروع ستار"، وجدوا شيئًا مفاجئًا. فقد أشارت الأساليب الإحصائية التقليدية، التي تتجاهل هيكل المجموعة، إلى أن نقل طالب إلى فصل صغير سيعزز درجة الرياضيات لديه بنحو تسع نقاط. ومع ذلك، فإن الطريقة الهرمية الجديدة، التي تحترم الطبيعة القائمة على مستوى الفصل للتدخل، قدرت أثرًا أكبر بكثير: زيادة تقارب سبعة وثلاثين نقطة. هذا الاختلاف ليس خطأً، بل يكشف عن حقيقة جوهرية حول كيفية عمل البيانات. كانت الأساليب القياسية تقيس الارتباط بين الطالب والفصل الصغير، لكنها كانت تغفل الآلية الأعمق لكيفية تغيير تكوين الفصل بأكم له لبيئة التعلم. أظهر النظام الجديد أن أثر حجم الفصل ليس مجرد رقم بسيط يُضاف إلى درجة الطالب، بل هو تفاعل معقد يشمل مزيج الطلاب، والمعلم، والديناميكيات المحددة لتلك الغرفة.

كما سلطت الدراسة الضوء على أهمية التحقق من استقرار هذه الحسابات. نظرًا لأن النظام يعتمد على تقدير الاحتمالات للعديد من العوامل داخل كل فصل، فإن بعض هذه التقديرات قد تكون مهتزة، خاصة عندما لا يوجد عدد كبير من الطلاب في الفصل للتعلم منهم. وقد بنى الباحثون فحص سلامة داخل نظامهم يحدد هذه الأجزاء غير المستقرة ويعدلها حتى لا تشوه النتيجة النهائية. تضمن هذه الخطوة أن يكون الفرق الكبير الذي وجدوه ليس مجرد صدفة رياضية، بل نتيجة قوية. لقد اختبروا نظامهم على بيانات وهمية حيث كانوا يعرفون الإجابة مسبقًا، وعمل النظام بشكل مثالي، مما أثبت أن الأداة يمكنها استعادة الحقيقة بدقة عندما يكون الهيكل معقدًا.

تشير النتائج المستخلصة من هذا العمل إلى أننا نبخس قدر التدخلات على مستوى المجموعة في التعليم والمجالات الأخرى. فمن خلال معاملة الفصل الدراسي كوحدة واحدة مترابطة بدلاً من مجموعة من الأفراد المعزولين، يمكننا رؤية صورة أوضح لكيفية تأثير التغييرات في الأعلى على القاعدة. لم يدّعِ الباحثون أن طريقتهم مثالية أو أنها تحل كل مشكلة في علم البيانات؛ فقد أشاروا إلى أن أداتهم الحالية تعمل بشكل أفضل مع مستويين من الهرمية، مثل الطلاب والفصول، بينما غالبًا ما تحتوي أنظمة التعليم في العالم الحقيقي على مستوى ثالث، مثل المدارس، مما يضيف طبقة أخرى من التعقيد. كما أشاروا إلى أن دقة نتائجهم تعتمد بشدة على امتلاك بيانات جيدة لكل عامل نقيسه؛ فإذا فُقد جزء رئيسي من المعلومات أو كان من الصعب تقديره، فقد يجب التعامل مع الإجابة النهائية بحذر.

في نهاية المطاف، تقدم هذه الورقة طريقة جديدة للنظر إلى العالم من خلال البيانات. إنها تتجاوز السؤال البسيط "هل هذا يعمل؟" لتسأل "كيف يعمل هذا ضمن مجموعة؟". ومن خلال بناء جسر بين القواعد المنطقية المجردة والبرمجيات الحاسوبية العملية والقابلة للتوسع، قدم الفريق وسيلة لتحليل البيانات المتداخلة تتسم بالدقة والمرونة في آن واحد. ويعد عملهم على بيانات "مشروع ستار" نموذجًا قويًا، يوضح أنه عندما نأخذ هيكل بياناتنا في الاعتبار، يمكن أن تكون الإجابات التي نحصل عليها مختلفة تمامًا — وغالبًا ما تكون أكثر أهمية — من تلك التي نحصل عليها من الطرق التقليدية. إن الكود الذي كتبوه متاح الآن للآخرين لاستخدامه، مما يسمح للعلماء بتطبيق هذا التفكير المتأني والمتعدد الطبقات على أسئلتهم حول كيفية تأثير المجموعات والأفراد على بعضهم البعض.