تعد العشوائية أسلوبا معياريا في البحوث التجريبية، إذ تهدف إلى توزيع المشاركين على المجموعات بصورة غير متحيزة، غير أن سلامة هذه العشوائية ليست مضمونة دائما، فقد تتسرب أنماط غير مقصودة إلى عملية التوزيع تؤثر في سلامة النتائج، وهو ما يجعل التحقق من العشوائية خطوة منهجية مهمة غالبا ما تُغفل في الممارسة البحثية
وفي هذا الإطار تأتي الدراسة التي نعرضها هنا، إذ تقدم نماذج التعلم الآلي بوصفها أدوات مساعدة للتحقق من عشوائية توزيع المشاركين، وذلك من خلال لعبة تعلم اتجاهي تتضمن سيناريوهات ثنائية، بهدف اختبار ما إذا كانت النماذج قادرة على اكتشاف أنماط التوزيع والتحيزات المحتملة فيه
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى تقديم منهجية للتحقق من العشوائية التجريبية باستخدام نماذج التعلم الآلي، وتقييم أداء نماذج خاضعة للإشراف وأخرى غير خاضعة للإشراف في مهمة تصنيف ثنائي، وتحديد المتنبئات التي تكشف تحيز التوزيع، وذلك من خلال لعبة تعلم اتجاهي تتضمن سيناريوهات ثنائية طُبقت عليها النماذج المختلفة
وشملت النماذج الخاضعة للإشراف الانحدار اللوجستي وشجرة القرار وآلة المتجهات الداعمة، بينما شملت النماذج غير الخاضعة للإشراف التجميع بالمتوسطات والجيران الأقرب والشبكات العصبية الاصطناعية، وقُيمت جميع النماذج في مهمة التصنيف الثنائي، مع إضافة بيانات اصطناعية لتوسيع حجم العينة واختبار أثر ذلك في الأداء
ثانيًا: أبرز النتائج
1، حققت النماذج الخاضعة للإشراف أعلى دقة بلغت 87 في المئة بعد إضافة بيانات اصطناعية لتوسيع حجم العينة، مما يشير إلى أن هذه النماذج تستفيد من توسيع العينة في اكتشاف أنماط التوزيع بصورة أفضل
2، أظهرت النماذج غير الخاضعة للإشراف أداء أقل فاعلية من النماذج الخاضعة للإشراف، وهو ما يبين أن غياب التوجيه بالتصنيفات المعروفة يحد من قدرة هذه النماذج على اكتشاف أنماط التوزيع في هذا السياق
3، أظهرت الشبكة العصبية الاصطناعية على وجه الخصوص فرط التخصيص حتى مع البيانات الاصطناعية، مما يعني أن تعقيد النموذج قد يتحول إلى عبء عندما تكون العينة محدودة أو التصميم التجريبي معقدا
4، كشف تحليل أهمية السمات عن متنبئات لتحيز التوزيع، مما يمنح الباحثين أداة تشخيصية تحدد العوامل المرتبطة بالتحيز، وتساعد على مراجعة إجراءات التوزيع قبل اعتماد نتائج التجربة
ثالثًا: دلالات الدراسة وتطبيقاتها
تدعم النتائج المنهجية المقترحة لاكتشاف أنماط العشوائية، إذ تمنح الباحثين وسيلة إضافية للتحقق من سلامة التوزيع التجريبي قبل تفسير النتائج، وهو ما يعزز الثقة في الاستنتاجات التجريبية، خاصة في الدراسات التي تعتمد على ألعاب التعلم والتصاميم التجريبية المعقدة
غير أن فاعلية المنهجية تتأثر بحجم العينة وتعقيد التصميم التجريبي، وهو ما يدعو الدراسات المستقبلية إلى تطبيق هذا النهج بحذر، وفحص قابليته للتطبيق عبر تصاميم تجريبية متنوعة، مع مراعاة حدود الدراسة، ومنها اقتصارها على لعبة تعلم واحدة وسيناريوهات ثنائية، مما يحد من تعميم النتائج المباشر
وتوضح الدراسة كذلك أن إضافة البيانات الاصطناعية لم تحل جميع المشكلات، إذ ظلت الشبكة العصبية الاصطناعية تعاني من فرط التخصيص، وهو ما يشير إلى أن توسيع العينة وحده لا يكفي عندما يكون النموذج شديد التعقيد نسبة إلى بنية البيانات، ولذلك فإن اختيار النموذج المناسب لا يقل أهمية عن حجم العينة، كما أن تحليل أهمية السمات يمنح الباحثين وسيلة عملية لمراجعة إجراءات التوزيع، فحين تكشف السمات عن متنبئات قوية للتوزيع، فإن ذلك ينبه إلى احتمال وجود تحيز يستحق الفحص، قبل أن تُبنى الاستنتاجات على افتراض العشوائية السليمة، مما يعزز سلامة الاستنتاجات التجريبية، ويدعم ثقة المجتمع العلمي في نتائج الدراسات المعتمدة على التوزيع العشوائي
وخلاصة القول إن التعلم الآلي يقدم عدسة إضافية لفحص العشوائية التجريبية، وأن استخدامه بحذر ووعي بحدوده يمكن أن يرفع جودة البحوث التجريبية ويحمي نتائجها من تحيزات خفية
