جامعة الملك سعود - كلية علوم الرياضة والنشاط البدني
برنامج الماجستير التنفيذي في الأداء الرياضي العالي
مقرر: مبادئ البحث العلمي والإحصاء | فجبت 501 | 3 ساعات

🎯 أهداف المحاضرة

📋 الأهداف التعليمية

بنهاية هذه المحاضرة، سيكون الطالب قادراً على:

🧠 المعرفة المفاهيمية

  • التمييز بين مستويات القياس الأربعة وتطبيقاتها في علوم الرياضة.
  • فهم الجدل المنهجي حول مقياس ليكرت.
  • تحديد أنواع الصدق والثبات ومؤشراتها.
  • تصنيف أنماط البيانات المفقودة (MCAR/MAR/MNAR).

🔬 المهارات المنهجية

  • بناء دليل ترميز (Codebook).
  • تطبيق عكس الترميز للبنود المعكوسة.
  • اختيار الاختبار الإحصائي المناسب.
  • قراءة مخرجات SPSS بصيغة APA.

🏋️ التطبيق في علوم الرياضة

  • تصميم استبيان لقياس متغير رياضي نفسي.
  • تحليل الثبات باستخدام ألفا كرونباخ وأوميغا.
  • إجراء تحليل عاملي استكشافي.
  • تطبيق خطوات كاملة من السؤال البحثي إلى التقرير.

مسار البحث العلمي الكمي Quantitative Research Workflow

يوضح هذا المخطط المراحل الأساسية التي يمر بها الباحث عند تنفيذ دراسة كمية، من صياغة المشكلة البحثية حتى كتابة التقرير النهائي واتخاذ القرار بناءً على النتائج.

1
تحديد المشكلة وصياغة السؤال Research Problem & Question

ما الظاهرة التي نريد دراستها؟ وما السؤال البحثي أو الفرضية التي ستوجه الدراسة؟

مثال: هل يرتبط مستوى النشاط البدني بجودة الحياة لدى طلاب الجامعة؟
2
تصميم الدراسة واختيار الأداة Study Design & Measurement Tool

تحديد نوع الدراسة، العينة، المتغيرات، وأداة القياس المناسبة مثل الاستبانة أو الاختبار المعملي.

مثال: استبانة النشاط البدني، قياس VO₂max، أو اختبار قوة عضلية.
3
جمع البيانات Data Collection

تطبيق الأداة على المشاركين وفق إجراءات موحدة، مع الالتزام بالجوانب الأخلاقية والموافقات اللازمة.

تأكد من وضوح التعليمات، سرية البيانات، وموافقة المشاركين.
4
تنظيف البيانات وتجهيزها Data Cleaning & Preparation

مراجعة البيانات لاكتشاف القيم المفقودة، الأخطاء، القيم المتطرفة، وترميز المتغيرات قبل التحليل.

مثال: التأكد من أن العمر مكتوب بالأرقام، وأن جميع الاستجابات مكتملة.
5
تحليل البيانات إحصائياً Statistical Analysis

اختيار الاختبار الإحصائي المناسب وفق نوع المتغيرات، تصميم الدراسة، وفرضيات البحث.

مثال: اختبار t، تحليل التباين ANOVA، الارتباط، أو الانحدار.
6
تفسير النتائج وكتابة التقرير Interpretation & Reporting

ربط النتائج بالسؤال البحثي والدراسات السابقة، ثم عرضها بوضوح في تقرير علمي منظم.

لا تكتفِ بالدلالة الإحصائية؛ فسّر الأهمية العملية للنتائج.
خلال هذه المحاضرة، ستطبق هذه المراحل على سيناريو بحثي في علوم الرياضة والنشاط البدني، مع التركيز على كيفية الانتقال من السؤال البحثي إلى القرار الإحصائي والتفسير العلمي.

القسم الأول: المقدمة والإطار النظري

أهمية الاستبيانات في البحث العلمي الرياضي

📊 الدور المحوري للاستبيانات

تُعدّ الاستبيانات من أكثر أدوات جمع البيانات توظيفاً في بحوث علوم الرياضة والنشاط البدني، إذ تُتيح قياس المتغيرات الكامنة (Latent Variables) التي لا يمكن ملاحظتها مباشرة، ومن أبرز مجالات تطبيقها:

  • المتغيرات النفسية: الدافعية، القلق الرياضي، الثقة بالنفس، التصور العقلي
  • المتغيرات السلوكية: مستوى النشاط البدني، العادات الصحية، أنماط التدريب
  • المتغيرات الاجتماعية: الدعم الاجتماعي، التماسك الجماعي، القيادة
  • المتغيرات المعرفية: المعرفة الرياضية، الاتجاهات، المعتقدات
💡 لماذا الاستبيانات؟

تُتيح الاستبيانات تحويل البنى النفسية والسلوكية غير الملموسة (كالدافعية والقلق والتماسك الجماعي) إلى بيانات رقمية قابلة للقياس والتحليل الإحصائي، مما يُمكِّن الباحثين من:

  • اختبار الفرضيات بشكل علمي
  • إجراء مقارنات موضوعية بين المجموعات
  • تتبع التغيرات عبر الزمن
  • بناء نماذج تنبؤية
مثال تطبيقي:

دراسة تأثير برنامج تدريبي على مستوى الدافعية الرياضية. بدلاً من الاعتماد على الملاحظة الذاتية، يستخدم الباحث مقياس دافعية رياضي موحد (مثل Sport Motivation Scale) للحصول على درجات رقمية قبل وبعد البرنامج.

أنواع الاستبيانات والمقاييس المستخدمة

🔍 أنواع المقاييس الرئيسية

1. مقياس ليكرت (Likert Scale)

التعريف: أكثر المقاييس استخداماً، يقيس درجة الموافقة أو التكرار

البنية: عادة من 5 أو 7 نقاط

مثال:

1 2 3 4 5
غير موافق بشدة غير موافق محايد موافق موافق بشدة
مثال:

"كم مرة تمارس النشاط البدني أسبوعياً؟"

2. الأسئلة الفئوية (Categorical)

التعريف: أسئلة ذات إجابات محددة مسبقاً

الأنواع:

  • ثنائية: نعم/لا
  • متعددة الخيارات
  • اختيار متعدد
مثال:

"ما نوع الرياضة المفضلة لديك؟"

□ رياضات جماعية
□ رياضات فردية
□ رياضات مائية
□ رياضات قتالية

⚠️ ملاحظة مهمة:

الأسئلة المفتوحة (Open-ended Questions) تُوظَّف في البحوث النوعية (Qualitative Research) وتستدعي أساليب تحليلية متخصصة كتحليل المحتوى (Content Analysis) أو التحليل الموضوعي (Thematic Analysis)، وهي خارج نطاق هذه المحاضرة التي تُركّز على أساليب القياس الكمي.

🔍 ملخص القسم الأول

  • ما تعلمناه: الاستبيانات هي أدوات أساسية لقياس المتغيرات الكامنة في البحث الرياضي
  • متى نستخدم: عند قياس المتغيرات النفسية والسلوكية التي لا يمكن ملاحظتها مباشرة
  • خطأ شائع: الاعتقاد بأن الاستبيانات تقيس بشكل مباشر بدلاً من كونها أدوات لتحويل البنى النفسية إلى بيانات رقمية
سؤال سريع: لماذا تعتبر الاستبيانات أكثر فائدة من الملاحظة المباشرة عند قياس متغيرات مثل الدافعية أو القلق الرياضي؟

القسم الثاني: أنواع البيانات ومستويات القياس

🎯 أهمية فهم أنواع البيانات:

معرفة نوع البيانات ضرورية لتحديد:

  • الاختبارات الإحصائية المناسبة
  • طرق عرض البيانات (جداول، رسوم)
  • مقاييس النزعة المركزية والتشتت الملائمة
  • صحة التفسيرات الإحصائية
مستويات القياس الأربعة (Stevens' Measurement Levels)

📐 التسلسل الهرمي لمستويات القياس

المستوى الخصائص الأمثلة العمليات المسموحة المقاييس الإحصائية
1. اسمي
(Nominal)		 • تصنيف فقط
• لا ترتيب
• لا مسافات 		• الجنس (ذكر/أنثى)
• نوع الرياضة
• المركز (فوز/خسارة) 		= ≠
(المساواة فقط) 		• المنوال
• التكرارات
• النسب المئوية
2. رتبي
(Ordinal)		 • تصنيف
• ترتيب
• مسافات غير متساوية 		• الترتيب في السباق
• مقياس ليكرت
• مستوى المهارة 		= ≠ <>
(الترتيب) 		• الوسيط
• المدى الربيعي
• معامل الارتباط الرتبي
3. فاصلي
(Interval)		 • تصنيف
• ترتيب
• مسافات متساوية
• لا صفر مطلق 		• درجات الاختبارات النفسية
• مقاييس الذكاء (IQ)
• درجة الحرارة (مئوي/فهرنهايت)
• مجموع بنود ليكرت (اصطلاحاً) 		= ≠ <> + -
(الجمع والطرح) 		• المتوسط الحسابي
• الانحراف المعياري
• معامل الارتباط بيرسون
4. نسبي
(Ratio)		 • تصنيف
• ترتيب
• مسافات متساوية
• صفر مطلق 		• الطول، الوزن
• الزمن
• عدد التكرارات
• المسافة 		= ≠ <> + - × ÷
(جميع العمليات) 		• جميع المقاييس
• معامل الاختلاف
• النسب والمعدلات
📝 أمثلة عملية:

مثال 1: البيانات الاسمية

السؤال: "ما هو نوع الرياضة التي تمارسها؟"

  • كرة القدم (كود: 1)
  • السباحة (كود: 2)
  • كرة السلة (كود: 3)
  • ألعاب القوى (كود: 4)

التحليل المناسب: التكرارات والنسب المئوية، اختبار مربع كاي

⚠️ خطأ شائع: لا يمكن حساب متوسط أنواع الرياضة!

مثال 2: البيانات الرتبية

السؤال: "كيف تقيّم مستوى أدائك الرياضي؟"

1 = ضعيف جداً | 2 = ضعيف | 3 = متوسط | 4 = جيد | 5 = ممتاز

التحليل المناسب: الوسيط، المدى الربيعي، اختبار مان-ويتني

💡 ملاحظة: المسافة بين "ضعيف" و"متوسط" قد لا تساوي المسافة بين "جيد" و"ممتاز"

مثال 3: البيانات الفاصلة

المتغير: درجة الدافعية على مقياس موحد (0-100)

التفسير: الفرق بين 40 و 50 يساوي الفرق بين 70 و 80

التحليل المناسب: المتوسط، الانحراف المعياري، t-test، ANOVA

🔍 ملاحظة هامة: درجات المقاييس النفسية المجمعة (مثل 0-100) تعامل كبيانات فاصلة، وليست اسمية!

مثال 4: البيانات النسبية

المتغير: زمن إنهاء سباق 100 متر (بالثواني)

الصفر المطلق: صفر ثانية = عدم وجود زمن (مستحيل عملياً لكنه مفهوم)

التفسير: عداء أنهى السباق في 10 ثواني هو ضعف سرعة عداء أنهاه في 20 ثانية

التحليل المناسب: جميع الإحصاءات الوصفية والاستدلالية

🎯 إطار عمل لتصنيف المتغيرات

خطوات التصنيف الصحيح:

  1. هل المتغير يصنف فقط بدون ترتيب؟ → اسمي (Nominal)
  2. هل يوجد ترتيب ولكن المسافات غير متساوية؟ → رتبي (Ordinal)
  3. هل المسافات متساوية ولكن لا يوجد صفر حقيقي؟ → فاصلي (Interval)
  4. هل المسافات متساوية ويوجد صفر حقيقي؟ → نسبي (Ratio)

حالات خاصة في البحث الرياضي:

  • مجموع درجات ليكرت (0-100): فاصلي (Interval) - لا اسمي!
  • النسب المئوية (0-100%): فاصلة إذا كانت مقاييس، نسبية إذا كانت معدلات
  • التقييمات الخاضعة (1-5): رتبية للبند الواحد، فاصلة للمجموع
  • الزمن والمسافة: نسبية دائماً
جدلية مقياس ليكرت: رتبي أم فاصلي؟

🤔 النقاش الأكاديمي المستمر

📊 الرأي الأول: بيانات رتبية

  • المسافات بين الدرجات غير متساوية بالضرورة
  • الفرق بين 1-2 قد يختلف عن 4-5
  • لا يوجد إجماع على معنى كل درجة

التوصية: استخدام اختبارات لابارامترية

📈 الرأي الثاني: بيانات فاصلة بشكل تقريبي (عملياً)

  • عند جمع عدة بنود، التوزيع يقترب من الطبيعي
  • الاختبارات البارامترية قوية إحصائياً
  • معظم الأبحاث تعاملها كبيانات فاصلة

التوصية: استخدام اختبارات بارامترية بحذر مع التحقق من الافتراضات

✅ التوصية العملية للباحثين:
  1. للبند الواحد من مقياس ليكرت: تُعامل كبيانات رتبية (Ordinal).

    البيانات الرتبية هي التي تصنف في ترتيب معين، ولكن الفروق بين هذه الفئات ليست بالضرورة متساوية. مثلاً، في مقياس ليكرت، الاختيارات مثل "موافق بشدة"، "موافق"، "محايد"، "غير موافق"، "غير موافق بشدة" تُرتب من حيث القوة ولكن لا يُعتبر الفارق بين "موافق" و"محايد" بنفس درجة الفارق بين "محايد" و"غير موافق".

    بناءً على ذلك، يُوصى باستخدام الوسيط (أي القيمة التي تتوسط البيانات) و المدى الربيعي (الفرق بين الربع الأعلى والربع الأدنى) لتحليل هذه البيانات.

    يُفضل استخدام الاختبارات اللابارامترية مثل اختبار Mann-Whitney U واختبار Kruskal-Wallis التي لا تفترض أن البيانات تتبع توزيعاً طبيعياً أو أن الفوارق بين الدرجات متساوية.

  2. لمجموع بنود المقياس (الدرجة الكلية أو الفرعية): في الممارسة البحثية، يعامل العديد من الباحثين المقاييس المجمعة كبيانات فاصلة تقريبية تحت شروط معينة؛ ومع ذلك، يجب أن يستند هذا القرار إلى مبررات منهجية قوية:
    • عدد البنود ≥ 5: كلما زاد عدد البنود، زادت احتمالية تقارب التوزيع من الطبيعي بفضل مركزية الحد الأقصى.
    • التوزيع قريب من الطبيعي: يجب فحص الالتواء والتفلطح للتأكد من عدم وجود انحرافات كبيرة عن الطبيعية.
    • حجم العينة كافٍ (n ≥ 50): العينات الكبيرة تزيد من قوة الاختبارات البارامترية ومتانتها ضد حالات عدم استيفاء طفيفة للافتراضات (Violation of Assumptions).
    • تماثل البنود: يجب أن تكون البنود متجانسة في المحتوى وتقيس نفس البناء الكامن.

    ملاحظة مهمة: الاختبارات البارامترية مثل t-test و ANOVA تتمتع بقوة إحصائية عالية ومتانة ضد حالات عدم استيفاء افتراضات الفاصلة، خاصة مع العينات الكبيرة ( > 50). ومع ذلك، يجب الإفصاح عن هذا القرار المنهجي وتبريره في تقرير البحث.

  3. التحقق من الافتراضات: قبل معاملة المقاييس المجمعة كفاصلة، يُنصح بإجراء:
    • فحص التوزيع (Histogram, Q-Q plot)
    • اختبارات الطبيعية (Shapiro-Wilk, Kolmogorov-Smirnov)
    • حساب الالتواء والتفلطح (Skewness, Kurtosis)
  4. في حالة الشك: يمكن إجراء كلا النوعين من الاختبارات ومقارنة النتائج.

    إذا كانت النتائج متسقة، يُقوى ذلك من مصداقية الاستنتاجات. إذا كانت متناقضة، يجب أن تكون أكثر تحفظاً في التفسير والإفصاح عن هذا التناقض في تقرير البحث.

🎯 ملاحظة القرار العملي للباحثين

الجدل في الأدبيات: لا يوجد إجماع كامل في الأدبيات الإحصائية حول معاملة مقاييس ليكرت المجمعة كبيانات فاصلة. المدرسة المحافظة تشدد على الطبيعة الرتبية، بينما المدرسة العملية تبرر استخدام الاختبارات البارامترية بناءً على:

  • قوة الاختبارات البارامترية: قدرتها على اكتشاف الفروق الصغيرة
  • المتانة الإحصائية: مقاومتها لحالات عدم استيفاء الافتراضات
  • الممارسة البحثية السائدة: معظم الأبحاث في علوم الرياضة تستخدم الاختبارات البارامترية

التوصية المتوازنة: عند استخدام الاختبارات البارامترية للمقاييس المجمعة (كفاصلة)، يجب:

  1. الإفصاح صراحة عن هذا القرار وتبريره
  2. التحقق من الافتراضات الرئيسية
  3. النظر في نتائج الاختبارات اللابارامترية كتحسس للنتائج
  4. تقديم تفسير متوازن يعترف بالقيود المنهجية
المقصود بـ "البند الواحد" و "مجموع البنود" في سياق مقياس ليكرت:

البند الواحد: يشير إلى سؤال فردي في الاستبانة يستخدم مقياس ليكرت. كل سؤال يعتبر "بندًا واحدًا" ويمكن أن يحتوي على مجموعة من الخيارات على مقياس ليكرت مثل: "موافق بشدة"، "موافق"، "محايد"، "غير موافق"، "غير موافق بشدة".
مثال: إذا كان لديك سؤال مثل "كيف تقيم مستوى الرضا عن الخدمة؟" وكانت الإجابات المحتملة هي:

  • "موافق بشدة"
  • "موافق"
  • "محايد"
  • "غير موافق"
  • "غير موافق بشدة"

هذا يُعتبر بندًا واحدًا في مقياس ليكرت.

مجموع البنود: يشير إلى مجموع الإجابات أو الدرجة الإجمالية الناتجة عن عدة أسئلة تستخدم مقياس ليكرت. في هذه الحالة، يتم جمع درجات عدة بنود للحصول على درجة كلية للمقياس.

سؤال سريع: لماذا نفضل استخدام Mann-Whitney U عند مقارنة مجموعتين على مقياس ليكرت من 3 نقاط فقط؟

القسم الثالث: إعداد وترميز بيانات الاستبيان

🎯 أهداف هذا القسم:
  • فهم عملية تحويل الاستجابات النصية إلى بيانات رقمية
  • إنشاء دليل ترميز (Codebook) احترافي
  • التعامل الصحيح مع البنود المعكوسة
  • معالجة البيانات المفقودة بطرق علمية
  • تنظيف البيانات واكتشاف الأخطاء
1. ترميز البيانات (Data Coding)

📝 ما هو الترميز؟

الترميز (Data Coding) هو عملية منهجية لتعيين قيم رقمية للاستجابات النصية أو الفئوية، بهدف تحويلها إلى صيغة قابلة للمعالجة بالبرامج الإحصائية (SPSS، R، Python). ويُعدّ الترميز الدقيق والموثَّق شرطاً أساسياً لصحة التحليل وإمكانية تكراره.

🔢 أنواع الترميز

أ. ترميز البيانات الاسمية

المبدأ: أرقام تعسفية للتصنيف فقط

مثال 1: الجنس

1 = ذكر
2 = أنثى

⚠️ الترميز تعسفي: يمكن عكسه (2=ذكر، 1=أنثى)

مثال 2: نوع الرياضة

1 = كرة قدم
2 = سباحة
3 = كرة سلة
4 = ألعاب قوى
5 = أخرى

ب. ترميز مقياس ليكرت

المبدأ: أرقام تعكس الترتيب

مقياس الموافقة (5 نقاط)
الاستجابة الكود
غير موافق بشدة 1
غير موافق 2
محايد 3
موافق 4
موافق بشدة 5
مقياس التكرار (5 نقاط)

1 = أبداً
2 = نادراً
3 = أحياناً
4 = غالباً
5 = دائماً

ج. ترميز البيانات الكمية

المبدأ: القيم الحقيقية كما هي

أمثلة:
  • العمر: يُدخل كما هو (22، 35، 41...)
  • الوزن: بالكيلوغرام (65.5، 78.2...)
  • الطول: بالسنتيمتر (175، 168...)
  • عدد ساعات التدريب: (2، 5، 10...)

📋 خطوات الترميز العملية

الخطوة 1: حدد جميع المتغيرات في الاستبيان
الخطوة 2: أعطِ كل متغير اسماً مختصراً (مثل: Q1, Gender, Age)
الخطوة 3: حدد قيم الترميز لكل استجابة ممكنة
الخطوة 4: وثق الترميز في دليل (Codebook)
الخطوة 5: طبق الترميز بشكل متسق على جميع الاستجابات
⚠️ أخطاء شائعة في الترميز:
  • ❌ استخدام أكواد مختلفة لنفس الاستجابة
  • ❌ ترك خلايا فارغة بدلاً من كود البيانات المفقودة
  • ❌ عدم توثيق البنود المعكوسة
  • ❌ خلط بين "0" و"لا توجد بيانات"
2. دليل الترميز (Codebook) - المرجع الأساسي

📚 ما هو دليل الترميز؟

دليل الترميز (Codebook) هو وثيقة مرجعيةتتضمن جميع المعلومات المتعلقة بالمتغيرات وطريقة ترميزها في قاعدة البيانات. ويُعدّ هذا الدليل ضرورياً لـ:

  • ضمان اتساق إدخال البيانات
  • تسهيل التحليل الإحصائي
  • السماح لباحثين آخرين بفهم البيانات
  • توثيق العمل البحثي

📝 مكونات دليل الترميز الكامل

نموذج دليل ترميز لدراسة دافعية رياضية
اسم المتغير التسمية نوع المتغير القيم المحتملة البند معكوس؟ ملاحظات
ID رقم المشارك رقمي 1-200 - معرّف فريد
Gender الجنس اسمي 1=ذكر، 2=أنثى - متغير ديموغرافي
Age العمر نسبي 18-65 سنة - بالسنوات الكاملة
SportType نوع الرياضة اسمي 1=جماعي، 2=فردي، 3=مائي - -
IM1 أمارس الرياضة لأنها ممتعة رتبي 1-5 (ليكرت) لا دافعية داخلية
IM2 أستمتع بتعلم مهارات جديدة رتبي 1-5 (ليكرت) لا دافعية داخلية
IM3_R لا أجد متعة في التدريب رتبي 1-5 (ليكرت) نعم معكوس! يحتاج عكس
EM1 أمارس لإرضاء المدرب رتبي 1-5 (ليكرت) لا دافعية خارجية
EM2 أمارس للحصول على جوائز رتبي 1-5 (ليكرت) لا دافعية خارجية
IM_Total مجموع الدافعية الداخلية فئوي 3-15 - مجموع IM1+IM2+IM3_Recoded
EM_Total مجموع الدافعية الخارجية فئوي 2-10 - مجموع EM1+EM2
💡 ملاحظات على النموذج:
  • استخدم أسماء متغيرات واضحة ومختصرة (تجنب المسافات والعربية)
  • حدد البنود المعكوسة بوضوح (أضف _R في نهاية الاسم)
  • وثق كيفية حساب الدرجات الكلية والفرعية
  • حدد رموز البيانات المفقودة (مثل: 99 = لم يجب، 88 = لا ينطبق)

📄 معلومات إضافية في دليل الترميز ال

يجب أن يتضمن الدليل أيضاً:
  1. معلومات الدراسة: العنوان، الباحث، التاريخ
  2. وصف العينة: الحجم، طريقة الاختيار، المعايير
  3. البنية العاملية: المجالات الفرعية وبنودها
  4. التصحيح: كيفية حساب الدرجات
  5. التفسير: نطاق الدرجات ومعناها
  6. المراجع: مصدر المقياس والدراسات السابقة
3. البنود المعكوسة (Reverse Coding) - التفسير والتطبيق

🔄 ما هي البنود المعكوسة؟

البنود المعكوسة (Reverse-Scored Items) هي بنود صُيغت بطريقة سلبية أو عكسية مقارنةً بسائر بنود المقياس. تُدرَج هذه البنود لأغراض منهجية متعددة، أبرزها: (1) الحدّ من التحيز نحو الموافقة (Acquiescence Bias) الذي ينشأ حين يميل المستجيبون للموافقة على البنود بصرف النظر عن مضمونها، و(2) الكشف عن الإجابات العشوائية أو غير المتأنية.

مثال من مقياس دافعية:

البنود العادية (الإيجابية):

  • IM1: "أشعر بالحماس عند ممارسة الرياضة" ✅
  • IM2: "أستمتع بتعلم مهارات جديدة" ✅

البند المعكوس (السلبي):

  • IM3: "لا أجد متعة في التدريب" ❌

💡 إذا أجاب المشارك "موافق بشدة" (5) على IM3، فهذا يعني دافعية منخفضة!

🧮 صيغ عكس الترميز

مقياس 5 نقاط (1-5)

القيمة المعكوسة = (5 + 1) - القيمة الأصلية
القيمة المعكوسة = 6 - القيمة الأصلية
الأصلية ⇽ المعكوسة التفسير
1 ⇽ 5 غير موافق بشدة ← موافق بشدة
2 ⇽ 4 غير موافق ← موافق
3 ⇽ 3 محايد ← محايد
4 ⇽ 2 موافق ← غير موافق
5 ⇽ 1 موافق بشدة ← غير موافق بشدة

مقياس 7 نقاط (1-7)

القيمة المعكوسة = 8 - القيمة الأصلية
الأصلية المعكوسة
1 7
2 6
3 5
4 4
5 3
6 2
7 1
✅ القاعدة العامة لعكس الترميز:
القيمة المعكوسة = (الحد الأقصى + الحد الأدنى) - القيمة الأصلية

أمثلة:

  • مقياس 1-5: المعكوسة = (5+1) - الأصلية = 6 - الأصلية
  • مقياس 0-4: المعكوسة = (4+0) - الأصلية = 4 - الأصلية
  • مقياس 1-10: المعكوسة = (10+1) - الأصلية = 11 - الأصلية

💻 تطبيق عكس الترميز في البرامج

في Excel: 
=6-D2

حيث D2 تحتوي على القيمة الأصلية للبند المعكوس

في SPSS: 
                                COMPUTE IM3_Recoded = 6 - IM3.
                                EXECUTE.
في Python: 
                                df['IM3_Recoded'] = 6 - df['IM3']
⚠️ أخطاء شائعة عند عكس الترميز:
  • ❌ نسيان عكس بعض البنود قبل حساب المجموع
  • ❌ عكس بند مرتين (خطأ فادح!)
  • ❌ استخدام صيغة خاطئة (مثل: 5-القيمة بدلاً من 6-القيمة)
  • ❌ عدم توثيق البنود المعكوسة في التقرير
4. التعامل مع البيانات المفقودة (Missing Data)

❓ ما هي البيانات المفقودة؟

قيم غير متوفرة في قاعدة البيانات لأسباب مختلفة (سواء كان ذلك بسبب خطأ بشري أو تقني أو بسبب رفض المشاركين للإجابة على استفسار معين).

🔍 أنواع البيانات المفقودة

النوع الوصف مثال التأثير على التحليل
MCAR
Missing Completely At Random		 الفقدان عشوائي تماماً ولا علاقة له بأي متغير فقدان بيانات بسبب خطأ في نقل الملفات تأثير ضئيل
يمكن حذف الحالات
MAR
Missing At Random		 الفقدان مرتبط بمتغيرات أخرى مُقاسة الرجال أكثر عدم إفصاح عن الوزن من النساء تأثير متوسط
تحتاج معالجة متقدمة
MNAR
Missing Not At Random		 الفقدان مرتبط بالقيمة المفقودة نفسها الأشخاص ذوو الدافعية المنخفضة يتركون الاستبيان تأثير كبير
يسبب تحيز

طرق التعامل مع البيانات المفقودة

🎯 إطار القرار للبيانات المفقودة

استخدم هذا الإطار لاتخاذ قرار منهجي حول التعامل مع البيانات المفقودة:

📋 خطوات القرار:
  1. حدد نمط الفقدان: MCAR, MAR, أو MNAR
  2. قدر نسبة الفقدان: أقل من 5%، 5-20%، أو أكثر من 20%
  3. حدد نوع التحليل: وصفي، ارتباطي، أو تنبؤي
  4. اختر الطريقة المناسبة
نسبة الفقدان نمط الفقدان نوع التحليل الطريقة الموصى بها مثال تطبيقي
< 5% MCAR أي تحليل Listwise Deletion حذف حالات قليلة في استبيان كبير
< 5% MAR وصفي فقط Pairwise Deletion حساب الارتباطات مع فقدان متناثر
5-20% MCAR/MAR انحدار/SEM Mean/Regression Imputation تعويض القيم المفقودة في مقياس متعدد البنود
> 20% MAR تحليل متقدم Multiple Imputation بيانات فسيولوجية مفقودة في دراسة طولية
أي نسبة MNAR تحليل حساس Pattern Mixture Models الانسحاب من الدراسة بسبب الإصابات
⚠️ مبادئ توجيهية هامة:
  • الفقدان الصغير (<5%): معظم الطرق مقبولة، الحذف الكامل هو الأسهل
  • الفقدان المتوسط (5-20%): تجنب الحذف الكامل، استخدم التعويض البسيط
  • الفقدان الكبير (>20%): يجب استخدام التعويض المتقدم أو إعادة جمع البيانات
  • المتغيرات الهامة: لا تحذف أبداً المتغيرات الرئيسية في الدراسة

القسم الرابع: المقاييس النفسية في علوم الرياضة

الصدق والثبات وأنواعهما

🎯 المفاهيم الأساسية

1. الصدق (Validity)

التعريف: مدى قدرة الأداة على قياس المفهوم الذي صُممت لقياسه بدقة

السؤال الأساسي: هل نقيس ما نريد قياسه فعلاً؟

📊 أنواع الصدق
  • صدق المحتوى (Content Validity): مدى شمول البنود لجميع أبعاد المفهوم
    الأداة: تحكيم الخبراء (Expert Review)
  • صدق المحك (Criterion Validity): مقارنة المقياس بمعيار خارجي
    • تنبؤي (Predictive): التنبؤ بنتيجة مستقبلية
    • تلازمي (Concurrent): الارتباط مع مقياس آخر في نفس الوقت
  • صدق البناء (Construct Validity): مدى تمثيل المقياس للبناء النظري
    • الصدق التقاربي (Convergent)
    • الصدق التمييزي (Discriminant)
  • الصدق الخارجي (External Validity): إمكانية تعميم النتائج على مجتمعات أو مواقف أخرى
  • الصدق البيئي (Ecological Validity): مدى تمثيل القياس للواقع الحقيقي
مثال تطبيقي:

مقياس الدافعية الرياضية يجب أن:

  • يرتبط إيجابياً مع ساعات التدريب (صدق تقاربي)
  • لا يرتبط بقوة مع الطول أو الوزن (صدق تمييزي)

2. الثبات (Reliability)

التعريف: درجة اتساق واستقرار نتائج القياس عند تكراره

السؤال الأساسي: هل نحصل على نفس النتائج تقريباً عند إعادة القياس؟

📊 أنواع الثبات
  • الثبات عبر الزمن (Test–Retest): استقرار النتائج عبر الزمن
  • الثبات الداخلي (Internal Consistency): تجانس البنود داخل المقياس
    أشهر مؤشر: Cronbach's Alpha
  • ثبات المصححين (Inter-rater Reliability): درجة الاتفاق بين المقيمين
    أداة: Cohen's Kappa / ICC
  • ثبات النماذج المتكافئة (Parallel Forms): مقارنة نسختين من نفس الاختبار
📈 معايير ألفا كرونباخ:
  • ممتاز: α ≥ 0.90
  • جيد جداً: 0.80 – 0.89
  • مقبول: 0.70 – 0.79
  • ضعيف: < 0.70
مثال: إذا حصل المقياس على α = 0.85 ⇽ ثبات جيد ويعكس تجانس البنود
🔑 العلاقة بين الصدق والثبات:

قاعدة أساسية: الثبات شرط ضروري لكنه غير كافٍ لتحقيق الصدق

  • ✔ مقياس ثابت فقط → قد يكون خاطئاً باستمرار
  • ✔ مقياس صادق → يجب أن يكون ثابتاً
  • ❗ لا يمكن أن يتجاوز الصدق مستوى الثبات
الحد الأقصى النظري للصدق = √معامل الثبات

مثال: إذا كان α = 0.81 ⇽ الحد الأقصى للصدق ≈ 0.90

💻 في SPSS (تحليل الصدق والثبات):

1. حساب الثبات (Cronbach's Alpha):

Analyze → Scale → Reliability Analysis

  • اختيار: Cronbach’s Alpha
  • تفعيل: Item, Scale, Scale if item deleted

2. فحص الصدق البنائي (Construct Validity):

Analyze → Dimension Reduction → Factor

  • اختيار: Extraction → Principal Component أو Factor Analysis
  • تفعيل: Scree Plot
  • Rotation: Varimax (لتحسين التفسير)

3. الصدق التلازمي / التقاربي (Correlation):

Analyze → Correlate → Bivariate

  • اختيار Pearson Correlation
  • تفسير قوة واتجاه العلاقة

4. الصدق التنبؤي (Regression):

Analyze → Regression → Linear

  • تحديد المتغير التابع (Outcome)
  • إدخال المقياس كمتغير مستقل
  • تفسير R² و Beta
💡 ملاحظة: لا يكفي استخدام اختبار واحد فقط، بل يجب الجمع بين:
  • الثبات (Reliability)
  • تحليل العوامل (Factor Analysis)
  • الارتباط أو الانحدار (Validity Evidence)
⚠️ أخطاء شائعة:
  • الخلط بين الصدق والثبات
  • الاعتماد على ألفا كرونباخ فقط دون فحص الصدق
  • افتراض أن المقياس الصادق في دراسة ما صالح دائماً
💡 نصيحة بحثية:

أفضل الممارسات تتطلب الجمع بين: تحليل الثبات + عدة أنواع من الصدق لضمان جودة الأداة البحثية.

النهج البايزياني في القياس النفسي

🎯 مقدمة إلى التحليل البايزياني

التحليل البايزياني (Bayesian Analysis) يقدم بديلاً قوياً للطرق التقليدية (التكرارية) في القياس النفسي، مع التركيز على تحديث المعتقدات بناءً على البيانات.

النهج التكراري (Frequentist)

الفلسفة: الاحتمالات تكرارية طويلة الأمد

النتائج: قيم p ومستويات ثقة

التفسير: "عند تكرار الدراسة 100 مرة..."

القيود: لا يعطي احتمالات للفرضيات

النهج البايزياني (Bayesian)

الفلسفة: الاحتمالات كدرجات اعتقاد

النتائج: توزيعات لاحقة وفترات مصداقية

التفسير: "احتمال أن تكون الفرضية صحيحة هو..."

الميزات: يدمج المعرفة المسبقة مع البيانات

📊 مفاهيم بييزية أساسية في القياس

🔄 معادلة بايز:

P(θ|Data) = [P(Data|θ) × P(θ)] ÷ P(Data)

  • P(θ|Data): التوزيع اللاحق (ما نعرفه بعد رؤية البيانات)
  • P(Data|θ): الاحتمال (مدى ملاءمة البيانات للنموذج)
  • P(θ): التوزيع المسبق (ما نعرفه قبل رؤية البيانات)
  • P(Data): الأدلة (تطبيع البيانات)

🔍 التطبيقات في القياس النفسي

✅ مزايا التحليل البايزياني:
  • تفسير بديهي: فترات المصداقية أسهل في الفهم من فترات الثقة
  • دمج المعرفة: يمكن دمج الدراسات السابقة كمعرفة مسبقة
  • عينات صغيرة: يعمل بشكل أفضل مع العينات المحدودة
  • نماذج معقدة: مناسب للنماذج الهرمية والبنية المعقدة

📈 التحليل العاملي البايزياني

مثال: التحليل العاملي البايزياني vs التقليدي
الجانب تحليل عاملي تقليدي تحليل عاملي بيزياني
نقاط التشبع قيم ثابتة مع أخطاء معيارية توزيعات لاحقة كاملة
عدد العوامل اختبارات ملاءمة (KMO, Bartlett) احتمالات النماذج المختلفة
عدم اليقين فترات ثقة فقط توزيعات كاملة لكل معلمة
المعرفة السابقة غير مستخدمة يمكن دمج دراسات سابقة

🎯 فترات المصداقية vs فترات الثقة

فترة الثقة (95% CI)

التفسير: "95% من الفترات المشابهة ستحتوي على القيمة الحقيقية"

المشكلة: لا يمكن القول "احتمال أن المعلمة في هذه الفترة هو 95%"

الاستخدام: نهج تكراري تقليدي

فترة المصداقية (95% CrI)

التفسير: "هناك احتمال 95% أن المعلمة الحقيقية في هذه الفترة"

الميزة: تفسير مباشر وبديهي

الاستخدام: نهج بيزياني حديث

🔧 التطبيق العملي

💡 متى تستخدم النهج البايزياني؟
  • عينات صغيرة: عندما تكون N < 50
  • معرفة سابقة: عند وجود دراسات سابقة قوية
  • قرارات مهمة: عندما تحتاج لتفسير مباشر للاحتمالات
  • نماذج معقدة: التحليل العاملي الهرمي، نماذج المزيج
  • بيانات مفقودة: التعامل مع البيانات الناقصة بشكل طبيعي
مؤشرات الثبات النفسي: ألفا مقابل أوميجا

🎯 المفاهيم الأساسية في الثبات النفسي الحديث

🔍 التطور في قياس الثبات: من ألفا إلى أوميجا

التحول المنهجي: في الأبحاث الحديثة، انتقل التركيز من ألفا كرونباخ إلى أوميجا ماكدونالد كمؤشر أساسي للثبات الداخلي.

ألفا كرونباخ (التقليدي)

الافتراض: جميع البنود لها نفس الأهمية (Tau-equivalence)

القيود:

  • يفترض تساوي التشبعات العاملية
  • نادراً ما يتحقق في المقاييس النفسية
  • قد يقلل أو يزيد من الثبات بشكل خاطئ
  • غير مناسب للمقاييس متعددة الأبعاد

أوميجا ماكدونالد (الموصى به)

الميزة: يأخذ في الاعتبار الأوزان الفعلية للبنود

المزايا:

  • أكثر دقة وواقعية
  • يعالج التشبعات العاملية المختلفة
  • مناسب للمقاييس متعددة الأبعاد
  • المعيار الذهبي في النشر العلمي

1. معامل ألفا كرونباخ (Cronbach's Alpha)

التعريف: مقياس تقليدي للثبات الداخلي يفترض أن جميع البنود لها نفس الوزن والأهمية في قياس البناء الكامن.

⚠️ قيود ألفا كرونباخ:
  • افتراض Tau-equivalence: يتطلب تساوي التشبعات العاملية
  • تحيز التقدير: قد يقلل أو يزيد من الثبات بشكل غير دقيق
  • عدم ملاءمة متعدد الأبعاد: غير مناسب للمقاييس المعقدة
  • حساسية للبنود: يتأثر بشكل كبير بإضافة أو حذف البنود
💡 متى يمكن استخدامه؟
  • للمقاييس أحادية البعد فقط
  • عند تساوي التشبعات العاملية (نادر)
  • للمقارنة مع الدراسات القديمة
  • كمؤشر ثانوي مع أوميجا

2. معامل أوميجا ماكدونالد (McDonald's Omega) - المفضل

التعريف: مؤشر حديث للثبات الداخلي يأخذ في الاعتبار الأوزان الفعلية والتشبعات العاملية المختلفة لكل بند.

✅ مزايا أوميجا:
  • دقة التقدير: يعكس الواقع الفعلي للمقياس
  • مرونة: مناسب للمقاييس أحادية ومتعددة الأبعاد
  • ثبات: أقل تأثراً بعدد البنود
  • معتمد: المعيار الذهبي في النشر العلمي الحديث
🔍 التوصية الحديثة:

استخدم أوميجا كمؤشر أساسي للثبات، وألفا كمؤشر ثانوي للمقارنة.

📊 مقارنة ة: ألفا مقابل أوميجا

الجانب ألفا كرونباخ أوميجا ماكدونالد
الافتراضات تساوي أوزان البنود أوزان مختلفة للبنود
الدقة تقدير تقريبي تقدير دقيق
المناسبة أحادي البعد فقط أحادي ومتعدد الأبعاد
الحساسية عالية لعدد البنود معتدلة
التوصية ثانوي/تاريخي أساسي/حديث

🧪 محاكاة التحليل العاملي التوكيدي (CFA)

🎯 كيف تستخدم هذه المحاكاة

حرّك المؤشرات لترى كيف تؤثر قوة ارتباط البنود (λ) على الثبات (ω) والصدق التقاربي (AVE). ماذا يحدث عندما يكون أحد البنود ضعيفاً (λ < 0.5)؟

Factor
الثبات المركب (ω)
0.000
ألفا كرونباخ (α)
0.000
الصدق التقاربي (AVE)
0.000
CFI (محاكاة)
0.000

* مؤشرات الملاءمة (CFI) هنا تقريبية لأغراض المحاكاة التعليمية فقط ولا تعتمد على مصفوفة تغاير حقيقية.

🎚️ لوحة التحكم بالتشبعات (λ)

حرك المؤشر لتعديل قوة ارتباط البند بالعامل الكامن.

🔎 التحليل التلقائي للنموذج

🧠 المفاهيم الإحصائية للنموذج

1️. العامل الكامن (Latent Factor)

يُمثل في المخطط بالشكل البيضاوي أو الدائري. هو المفهوم النظري الذي لا يمكن قياسه بشكل مباشر (مثل: القلق، جودة الحياة، الدافعية). نستدل على وجوده من خلال المتغيرات المشاهدة (البنود).

2️. المتغيرات المشاهدة / البنود (Observed Variables)

تُمثل بالشكل المستطيل (B1 - B4). هي الأسئلة الفعلية في الاستبيان أو المقياس. إذا كان العامل هو "الدافعية"، فالبند B1 قد يكون: "أشعر بالحماس لإنجاز مهامي".

3️. التشبعات العاملية (Factor Loadings - λ)

تُمثل بـ الأسهم المتجهة من العامل إلى البنود. تقيس قوة الارتباط بين العامل الكامن والبند.
- λ > 0.70: تشبع ممتاز (البند يفسر 50% فأكثر من التباين).
- 0.50 < λ < 0.70: تشبع مقبول في بعض العلوم الاجتماعية.
- λ < 0.50: تشبع ضعيف، يُنصح بحذف البند لتحسين جودة النموذج.

4️. تباين الخطأ (Error Variance - θ أو e)

يُمثل بـ الدوائر الصغيرة الحمراء. يمثل التباين في البند الذي لم ينجح العامل الكامن في تفسيره (يُحسب تقريبياً بالمعادلة $1 - λ^2$). كلما زاد التشبع العاملي، قل خطأ القياس.

5️. الثبات المركب (McDonald's Omega - ω) مقابل (Alpha - α)

ألفا كرونباخ: يفترض أن جميع البنود لها نفس الوزن والأهمية (Tau-equivalent)، وهو افتراض نادراً ما يتحقق.
أوميجا ماكدونالد: يعتبر أدق لأنه يحسب الثبات بناءً على الأوزان (التشبعات) الفعلية والمختلفة لكل بند، وهو المفضل حالياً في النشر العلمي.

👁️ كيف نفهمها من الرسم؟

تأمل الأسهم الملونة في الرسم أعلاه. ألفا (α) تتصرف وكأن جميع هذه الأسهم الأربعة لها نفس السُمك ونفس اللون (تفترض تطابق قوة البنود). أما أوميجا (ω) فهي تتفاعل مع السُمك الفعلي لكل سهم؛ فتعطي وزناً أكبر للبند ذي السهم الأخضر السميك، وتتعامل بواقعية مع السهم الأحمر النحيف، لذا تعكس "أوميجا" الواقع الذي تراه عينك بدقة.

6️. الصدق التقاربي (Average Variance Extracted - AVE)

متوسط التباين المستخرج. يقيس نسبة التباين التي يفسرها العامل الكامن من بنوده مقارنة بحجم خطأ القياس. القيمة المقبولة أكاديمياً يجب أن تكون أكبر من 0.50.

القسم الخامس: استخدام Excel في تحليل بيانات الاستبيانات

🎯 لماذا Excel؟
  • متوفر ومألوف لدى معظم الباحثين
  • مناسب للتحليلات الوصفية الأساسية
  • سهل في إدخال ومراجعة البيانات
  • يمكن تصديره لبرامج إحصائية أخرى
1. إعداد ورقة Excel

📋 البنية الصحيحة لقاعدة البيانات

✅ قواعد ادخال البيانات:
  • الصف الأول: أسماء المتغيرات (Column Headers)
  • الصف الثاني فما بعد: بيانات المشاركين
  • كل صف: مشارك واحد (Case/Participant)
  • كل عمود: متغير واحد (Variable)
  • لا توجد خلايا فارغة: استخدم كود للبيانات المفقودة (مثل: 99)
مثال: بنية صحيحة
ID Gender Age SportType IM1 IM2 IM3 EM1 EM2
1 1 22 1 5 4 2 3 2
2 2 25 2 4 5 1 2 3
3 1 19 1 3 3 4 4 4
❌ أخطاء شائعة يجب تجنبها:
الخطأ المشكلة الصواب
أسماء متغيرات بالعربية مشاكل عند التصدير لـ SPSS استخدم الإنجليزية أو اختصارات
أسماء بها مسافات تعقيد المعادلات استخدم _ بدلاً من المسافة
دمج الخلايا تعطيل الفرز والتصفية خلية واحدة = قيمة واحدة
وضع ملاحظات في نفس الورقة تلوث البيانات ورقة منفصلة للملاحظات
خلايا فارغة للبيانات المفقودة عدم وضوح استخدم كود واضح (99، -1، NA)

🛠️ إعدادات Excel الموصى بها

  1. تجميد الصف الأول: View ⇾ Freeze Panes ⇾ Freeze Top Row
  2. تنسيق الأرقام: حدد الخلايا ثم Format Cells ⇽ Number (بدون فواصل)
  3. تطبيق التصفية: حدد الصف الأول ثم Data ⇽ Filter
  4. استخدام Tables: حدد البيانات ثم Insert ⇽ Table (تسهل المعادلات)
2. تحليل الصدق والثبات باستخدام Excel

1️. تحليل الصدق (Validity) في Excel

📌 ما هو الصدق؟

الصدق هو مدى قدرة المقياس على قياس ما يفترض أن يقيسه فعلاً. تختلف طرق حساب الصدق، لكن يمكن استخدام Excel في عدة أنواع من الصدق الإحصائي.

أشهر أنواع الصدق القابلة للتحليل عبر Excel:
  • صدق المحتوى (Content Validity) — يُقاس بمؤشر CVR و CVI.
  • الصدق البنائي (Construct Validity) — يُقاس عبر معاملات الارتباط بين البنود.
  • صدق المحكمين — تقييم الخبراء باستخدام معادلات Lawshe.

📊 أولاً: حساب صدق المحتوى (Content Validity) — CVR & CVI

يُستخدم مؤشر لوشيه (Lawshe) لحساب *نسبة صلاحية المحتوى* CVR لكل بند.

CVR = (Ne – N/2) / (N/2)

حيث:

  • Ne: عدد الخبراء الذين قيّموا البند بأنه "ضروري".
  • N: العدد الكلي للمحكمين.

🧮 مثال حساب CVR في Excel

افترض: 8 خبراء قيّموا بندًا كالتالي:
  • 6 خبراء قالوا "ضروري" ⇽ Ne = 6
  • إجمالي الخبراء N = 8

معادلة Excel:

=(6-(8/2))/(8/2)

النتيجة: CVR = 0.50

⚠️ المعيار:

لقائمة من 8 محكمين، الحد الأدنى المقبول لـ CVR هو 0.75 حسب جدول لوشي، لذا البند يحتاج مراجعة.

🧮 حساب مؤشر الصدق الكلي CVI

بعد حساب CVR لكل بند، نحسب CVI كمتوسط قيم CVR للبنود المقبولة.

=AVERAGE(C2:C10)
📌 تفسير CVI:

CVI ≥ 0.80 ⇽ صدق محتوى ممتاز
CVI بين 0.70–0.79 ⇽ مقبول
CVI < 0.70 ⇽ يحتاج تطوير

📐 ثانياً: الصدق البنائي (Construct Validity)

يتم تقييمه عبر حساب الارتباطات بين كل بند والدرجة الكلية (Item–Total Correlation).

🔧 الخطوات في Excel

الخطوة 1: احسب الدرجة الكلية دون تضمين البند نفسه

=SUM(E2:I2)-E2

الخطوة 2: احسب معامل الارتباط بين البند والدرجة الكلية

=CORREL(E2:E201, J2:J201)

📌 تفسير معامل الارتباط:

قيمة الارتباط التفسير
≥ 0.50 صدق بنائي قوي
0.30 – 0.49 جيد ومقبول
< 0.30 ضعيف — يحتاج إعادة صياغة أو حذف

2️. تحليل الثبات (Reliability) في Excel

📌 ما هو الثبات؟

الثبات يقيس استقرار نتائج المقياس عبر الزمن أو عبر البنود.

أنواع الثبات القابلة للتحليل في Excel:
  • ثبات الاتساق الداخلي (مثل ألفا كرونباخ)
  • ثبات إعادة الاختبار (Test–Retest)
  • ثبات التجزئة النصفية (Split-Half Reliability)

⏳ أولاً: ثبات إعادة التطبيق (Test–Retest)

يتم جمع البيانات في الزمن الأول (T1) والزمن الثاني (T2)، ثم حساب معامل الارتباط بينهما.

الصيغة في Excel:

=CORREL(B2:B201, C2:C201)
📌 تفسير الارتباط:

≥ 0.80 ⇽ ثبات مرتفع
0.70–0.79 ⇽ جيد
0.60–0.69 ⇽ مقبول جزئياً
< 0.60 ⇽ غير ثابت

✂️ ثانياً: الثبات بالتجزئة النصفية (Split-Half)

يتم تقسيم البنود إلى نصفين (زوجي/فردي)، ثم حساب الارتباط بينهما.

الخطوة 1: احسب مجموع بنود النصف الأول:

=SUM(E2:G2)

الخطوة 2: مجموع النصف الثاني:

=SUM(H2:J2)

الخطوة 3: احسب الارتباط بين النصفين:

=CORREL(K2:K201, L2:L201)

الخطوة 4: طبق معادلة سبيرمان–براون:

r_sb = (2r) / (1 + r)

في Excel:

=(2*M1)/(1+M1)

🎯 معايير تفسير الثبات

قيمة الثبات التقييم القرار
≥ 0.90 ممتاز ثبات قوي جداً
0.80 – 0.89 جيد مناسب للبحث
0.70 – 0.79 مقبول الحد الأدنى
< 0.70 ضعيف يحتاج مراجعة أو تعديل البنود
4. أوميغا ماكدونالد — البديل الأكثر دقة من ألفا
⚠️ حدود معامل ألفا كرونباخ:
  • الاتساق الداخلي التاو (τ-equivalence): تشترط صيغة ألفا أن يكون للبنود تشبعات عاملية متساوية — وهو شرط نادراً ما يتحقق في المقاييس النفسية
  • التضخيم مع كثرة البنود: يرتفع ألفا تلقائياً بزيادة عدد البنود بغض النظر عن جودتها
  • لا يعني الأحادية البنائية: مقياس متعدد الأبعاد يمكن أن يُعطي ألفا مرتفعاً مُضللاً

🔍 ما هو معامل أوميغا ماكدونالد (McDonald's ω)؟

يُعد معامل أوميغا ماكدونالد (ω) من أهم مقاييس الثبات الداخلي للأدوات البحثية مثل الاستبيانات والمقاييس النفسية. ويتميز عن معامل ألفا كرونباخ بأنه أكثر واقعية ودقة، لأنه لا يفترض تساوي قوة ارتباط جميع البنود بالعامل الكامن.

يعتمد ω على نموذج التحليل العاملي التوكيدي (CFA)، حيث يتم تقدير وزن (تحميل عاملي) لكل بند بشكل مستقل، مما يسمح بفهم أدق لمساهمة كل بند في قياس العامل.

💡 الفرق الجوهري بين α و ω:
  • ألفا كرونباخ (α): يفترض أن جميع البنود متساوية في الأهمية (تحميلات متساوية).
  • أوميغا ماكدونالد (ω): يسمح باختلاف قوة ارتباط البنود (تحميلات مختلفة).

✔ لذلك، يُفضل استخدام ω في الدراسات المتقدمة، خاصة عند استخدام نماذج القياس الكامنة.

📐 الصيغة الرياضية:
ω = (Σλ)² / [ (Σλ)² + Σ(1 − λ²) ]

حيث:

  • λ (lambda): التشبعات العاملية (Factor Loadings) من CFA
  • Σ(1 − λ²): مجموع التباين الخاص (Error/Specific Variance)

لاحظ أن هذه الصيغة هي نفس صيغة Composite Reliability (CR) المستخدمة في SEM.

مثال حساب أوميغا:

من تشبعات عاملية: λ = (0.72, 0.68, 0.75, 0.80, 0.71)

                            Σλ   = 0.72 + 0.68 + 0.75 + 0.80 + 0.71 = 3.66
                            (Σλ)² = 13.40

                            Σ(1-λ²) = (1-0.518) + (1-0.462) + (1-0.563) + (1-0.640) + (1-0.504)
                                    = 0.482 + 0.538 + 0.437 + 0.360 + 0.496
                                    = 2.313

                            ω = 13.40 / (13.40 + 2.313)
                            ω = 13.40 / 15.713
                            ω = 0.853
✅ ω = 0.85 — اتساق داخلي ممتاز. ويمكن مقارنته بألفا للتحقق من مدى التوافق.

🔬 حساب أوميغا في SPSS / R / JASP

في SPSS (v27+):

Analyze ⇽ Scale ⇽ Reliability Analysis ⇽ ✓ McDonald's Omega

في R: 
library(psych)
                            omega(data_matrix)
في JASP:

Reliability ⇽ Single-Test Reliability ⇽ ✓ McDonald's ω

⚖️ مقارنة ألفا وأوميغا

المعيار ألفا كرونباخ (α) أوميغا ماكدونالد (ω)
الافتراض المطلوب تشبعات متساوية (τ-equivalence) لا يشترط تساوي التشبعات
الدقة متحفظ (أقل دقة) أكثر دقة ✅
التأثر بعدد البنود يرتفع تلقائياً مع كثرة البنود أقل تأثراً
الشيوع في الأبحاث الأكثر شيوعاً (تقليدياً) متزايد في الدوريات الحديثة
التوصية الحديثة الإبلاغ عن كليهما في الأبحاث المنشورة حالياً

القسم السادس: استخدام SPSS في تحليل بيانات الاستبيانات

🎯 لماذا SPSS؟
  • البرنامج الإحصائي الأكثر شيوعاً في العلوم الاجتماعية والسلوكية
  • واجهة سهلة الاستخدام (لا يتطلب برمجة)
  • يوفر جميع الاختبارات الإحصائية المتقدمة
  • مخرجات احترافية جاهزة للنشر
1. فهم واجهة SPSS

📊 نافذتان أساسيتان

Data View (عرض البيانات)

الوظيفة: عرض البيانات الفعلية للمشاركين

البنية:

  • كل صف = مشارك
  • كل عمود = متغير
  • الخلايا = القيم

الاستخدام:

  • إدخال البيانات
  • التحقق من القيم
  • نسخ ولصق من Excel

Variable View (عرض المتغيرات)

الوظيفة: تعريف خصائص المتغيرات

الأعمدة الأساسية:

  • Name: اسم المتغير
  • Type: نوع البيانات
  • Width: عرض العمود
  • Decimals: الكسور العشرية
  • Label: التسمية الوصفية
  • Values: تسميات القيم
  • Missing: البيانات المفقودة
  • Measure: مستوى القياس
مثال: تعريف متغير الجنس
Name Type Width Decimals Label Values Measure
Gender Numeric 8 0 الجنس 1=ذكر, 2=أنثى Nominal
2. تعريف المتغيرات

🔧 خطوات تعريف متغير كامل

مثال عملي: تعريف متغير "نوع الرياضة"
  1. Name: اكتب SportType (بدون مسافات، إنجليزي)
  2. Type: اختر Numeric (معظم المتغيرات)
  3. Width: اترك 8 (افتراضي)
  4. Decimals: ضع 0 (للأرقام الصحيحة)
  5. Label: اكتب نوع الرياضة (الاسم الكامل بالعربية)
  6. Values: انقر على الخلية ثم على النقاط الثلاث (...)
    • Value: 1 ⇽ Label: جماعية ⇽ Add
    • Value: 2 ⇽ Label: فردية ⇽ Add
    • Value: 3 ⇽ Label: مائية ⇽ Add
    • انقر OK
  7. Missing: إذا كنت تستخدم 99 للبيانات المفقودة:
    • انقر على الخلية
    • اختر: Discrete missing values
    • اكتب: 99
  8. Measure: اختر Nominal (لأنه تصنيفي)

📋 دليل سريع لمستويات القياس (Measure)

في SPSS المستوى مثال
Nominal اسمي الجنس، نوع الرياضة، الجنسية
Ordinal رتبي مقياس ليكرت، مستوى التعليم
Scale فئوي/نسبي العمر، الطول، الدرجات الكلية
💡 ملاحظة:

SPSS يدمج المستويين الفئوي والنسبي في مستوى واحد هو Scale

3. التحليلات الوصفية (Descriptive Statistics)

❓ متى نستخدمها؟

نستخدم التحليلات الوصفية لتلخيص بيانات البحث بشكل بسيط ومنظم، مثل حساب المتوسطات، النسب، الانحراف المعياري، والحدود الدنيا والعليا لفهم الخصائص الأساسية للبيانات قبل أي تحليل أعمق.

📊 الطريقة الأولى: Frequencies (التكرارات)

المسار: Analyze ⇽ Descriptive Statistics ⇽ Frequencies

الاستخدام: للمتغيرات الاسمية والرتبية

الخطوات:

  1. انقل المتغيرات إلى Variable(s)
  2. انقر على Statistics:
    • ✓ Mean, Median, Mode
    • ✓ Std. deviation
    • ✓ Minimum, Maximum
  3. انقر على Charts (اختياري):
    • اختر Bar charts أو Pie charts
  4. OK

📈 الطريقة الثانية: Descriptives

المسار: Analyze ⇽ Descriptive Statistics ⇽ Descriptives

الاستخدام: للمتغيرات الفئوية/النسبية (Scale)

الخطوات:

  1. انقل المتغيرات إلى Variable(s)
  2. انقر على Options:
    • ✓ Mean, Std. deviation
    • ✓ Minimum, Maximum
    • ✓ Range
    • ✓ S.E. mean (الخطأ المعياري)
  3. OK

🔍 الطريقة الثالثة: Explore

المسار: Analyze ⇽ Descriptive Statistics ⇽ Explore

الاستخدام: تحليل مع رسوم بيانية

الخطوات:

  1. Dependent List: ضع المتغير المراد تحليله
  2. Factor List: ضع متغير التصنيف (مثل: الجنس) - اختياري
  3. انقر على Statistics:
    • ✓ Descriptives
    • ✓ Outliers
  4. انقر على Plots:
    • ✓ Stem-and-leaf
    • ✓ Histogram
    • ✓ Normality plots with tests
  5. OK
مثال: مخرجات Descriptives
N Minimum Maximum Mean Std. Deviation
الدافعية الداخلية (IM_Total، نطاق 5-25) 200 7 25 18.45 3.21
الدافعية الخارجية (EM_Total، نطاق 5-25) 200 6 24 12.87 2.95
التفسير:
  • متوسط الدافعية الداخلية (M = 18.45) أعلى من متوسط الدافعية الخارجية (M = 12.87)، مما يشير إلى أن المشاركين يُحفَّزون بشكل أكبر من عوامل داخلية
  • قيم الانحراف المعياري معتدلة في كلا المقياسين، مما يعكس تشتتاً مقبولاً في الاستجابات
  • جميع القيم ضمن النطاق المتوقع لكلا المقياسين (5-25)، مما يُشير إلى غياب أخطاء الإدخال الجسيمة
4. حساب ألفا كرونباخ (Cronbach's Alpha)

❓ متى نستخدمه؟

نستخدم ألفا كرونباخ لقياس مدى اتساق وتناسق مجموعة من الأسئلة أو البنود التي تقيس نفس المتغير أو الصفة.

🔒 قياس الاتساق الداخلي

المسار: Analyze ⇽ Scale ⇽ Reliability Analysis

الخطوات:

  1. انقل جميع بنود المقياس إلى Items
    • ⚠️ تأكد من استخدام البنود المعكوسة (IM3_Recoded) وليس الأصلية!
  2. Model: اترك Alpha
  3. انقر على Statistics:
    • ✓ Scale if item deleted
    • ✓ Descriptives for: Item, Scale
    • ✓ Inter-Item: Correlations
  4. OK
مثال: مخرجات ألفا كرونباخ

Reliability Statistics

Cronbach's Alpha N of Items
.823 5

Item-Total Statistics

البند Scale Mean if Item Deleted Corrected Item-Total Correlation Cronbach's Alpha if Item Deleted
IM1 15.38 .672 .781
IM2 15.31 .695 .772
IM3_Recoded 17.08 .412 .856
IM4 15.45 .701 .768
IM5 15.52 .688 .775
⚠️ تحليل النتائج:
  • α الحالي = .823: جيد جداً ✅
  • البند IM3: لو حُذف، سيرتفع α إلى .856
  • الارتباط: IM3 له أقل ارتباط (.412)
  • القرار: يمكن التفكير في حذف IM3 لتحسين المقياس

📊 معايير التفسير

المؤشر القيمة المقبولة التفسير
Cronbach's Alpha ≥ .70 اتساق داخلي جيد
Corrected Item-Total Correlation ≥ .30 ارتباط البند بالمقياس
Alpha if Item Deleted أقل من α الحالي البند يساهم في الاتساق
5. التحليل العاملي الاستكشافي (Exploratory Factor Analysis - EFA)

❓ متى نستخدمه؟

يستخدم لتحديد البنية الكامنة (العوامل) لمجموعة من المتغيرات، ومعرفة أي المتغيرات تنتمي إلى أي عامل دون فرض نموذج مسبق.

افتراضات الاختبار:
  • العينة كبيرة بما يكفي (يفضل ≥ 100 أو 5-10 مرات عدد المتغيرات)
  • المتغيرات كمية (Interval/Ratio)
  • ارتباط بين المتغيرات: يجب أن يكون هناك ارتباطات معتدلة إلى قوية
  • اختبار KMO ≥ 0.6 و Bartlett's Test دال إحصائياً

المسار: Analyze ⇽ Dimension Reduction ⇽ Factor

الخطوات:

  1. اختر المتغيرات المطلوب تحليلها (Variables)
  2. انقر على Descriptives:
    • Univariate Descriptives
    • Coefficient Matrix
    • KMO and Bartlett's Test of Sphericity
  3. انقر على Extraction:
    • Method: Principal Component Analysis أو Principal Axis Factoring
    • Display: Scree plot, Unrotated factor solution
    • Extract: Eigenvalues > 1
  4. انقر على Rotation (اختياري):
    • Method: Varimax (أو Promax)
  5. OK
مثال: مخرجات EFA

KMO and Bartlett's Test

KMO Bartlett's Test of Sphericity
0.812 Chi-Square=345.7, df=28, p < .001

Factor Loadings (Varimax Rotation)

المتغير Factor 1 Factor 2
Item 1 .812 .234
Item 2 .789 .198
Item 3 .765 .312
Item 4 .156 .834
Item 5 .231 .801
التفسير:
  • KMO = 0.812: ممتاز (≥ 0.8) ✅
  • Bartlett's Test: دال إحصائياً (p < .001) ✅
  • عاملان: Items 1-3 تنتمي للعامل 1، Items 4-5 تنتمي للعامل 2
  • التشبعات: جميعها > 0.70 (ممتازة)
Analyze → Dimension Reduction → Factor
الخطوات والإعدادات:
  1. اختر المتغيرات للتحليل
  2. Extraction: Principal components
  3. Rotation: Varimax (أو Oblimin)
  4. فحص KMO (يجب > 0.60)
  5. فحص Bartlett's test (يجب < 0.05)
  6. حدد عدد العوامل بناءً على Eigenvalues > 1
🎲 التحليل البايزياني (Bayesian Analysis - SPSS 25+)

❓ متى نستخدمه؟

يستخدم التحليل البايزياني عندما نريد دمج المعرفة المسبقة مع البيانات الحالية للحصول على استنتاجات احتمالية أكثر مرونة، أو عندما يكون حجم العينة صغيراً ولا تتحقق افتراضات الاختبارات التقليدية (Frequentist). كما يُستخدم لمقارنة قوة الدليل لصالح الفرضية البديلة مقابل الفرضية الصفرية مباشرة عبر معامل Bayes Factor.

🔑 مفاهيم أساسية وافتراضات:
  • التوزيع المسبق (Prior Distribution): يمثل معتقداتنا أو معلوماتنا السابقة عن المعلمة قبل رؤية البيانات. يمكن أن يكون مخبراً (Informative) أو غير مخبر (Non-informative/Default).
  • دالة الإمكان (Likelihood): تمثل معلومات البيانات الحالية.
  • التوزيع البعدي (Posterior Distribution): يجمع بين التوزيع المسبق ودالة الإمكان، ويمثل معتقداتنا المحدثة بعد رؤية البيانات.
  • معامل بايز (Bayes Factor - BF₁₀): يقيس قوة الدليل من البيانات لصالح الفرضية البديلة (H₁) مقابل الفرضية الصفرية (H₀).
  • البيانات كمية (Interval/Ratio) للاختبارات البارامترية البايزيانية.
  • الملاحظات مستقلة (للاختبارات المستقلة).
📊 تفسير معامل بايز (BF₁₀) — مقياس Jeffreys المعدل:
BF₁₀ التفسير الدليل لصالح
< 0.01 دليل قاطع H₀ (الفرضية الصفرية)
0.01 – 0.03 دليل قوي جداً H₀
0.03 – 0.10 دليل قوي H₀
0.10 – 0.33 دليل معتدل H₀
0.33 – 1 دليل ضعيف (غير حاسم) H₀
1 لا دليل لصالح أي فرضية —
1 – 3 دليل ضعيف (غير حاسم) H₁ (الفرضية البديلة)
3 – 10 دليل معتدل H₁
10 – 30 دليل قوي H₁
30 – 100 دليل قوي جداً H₁
> 100 دليل قاطع H₁

📂 المسار العام للاختبارات البايزيانية:

Analyze → Bayesian Statistics → [اختر الاختبار المناسب]

🛠️ الاختبارات المتاحة في SPSS 25+:

  • Bayesian Independent Samples T Test: لمقارنة متوسطي مجموعتين مستقلتين.
  • Bayesian Paired Samples T Test: لمقارنة متوسطي قياسين مرتبطين.
  • Bayesian One-Way ANOVA: لمقارنة متوسطات ثلاث مجموعات أو أكثر.
  • Bayesian Correlation: لاختبار قوة واتجاه العلاقة بين متغيرين كميين.
  • Bayesian Linear Regression: لنمذجة العلاقة بين متغير تابع ومتغيرات مستقلة.

⚙️ الخطوات العامة (مثال: Bayesian Independent Samples T Test):

  1. اختر المتغير التابع (Test Variable) والمتغير المجمع (Grouping Variable).
  2. حدد مجموعتي المقارنة عبر Define Groups.
  3. انقر على Priors (التوزيعات المسبقة):
    • Prior on Mean Difference: Cauchy distribution (العرض الافتراضي = 0.707) — يمكن تعديله حسب المعرفة المسبقة.
    • Prior on Variance: Jeffreys-Zellner-Siow (JZS) prior — الإعداد الافتراضي والموصى به لمعظم الحالات.
  4. انقر على Bayes Factor واختر:
    • Use default Jeffreys-Zellner-Siow prior
    • تأكد من تحديد خيار Bayes Factor (BF₁₀)
  5. انقر على Plots (اختياري):
    • Prior and posterior distributions
    • Sequential Bayes Factor plot
  6. OK
📋 مثال: مخرجات Bayesian Independent Samples T Test

باحث يقارن درجات القلق بين مجموعة علاجية (N=30) ومجموعة ضابطة (N=28) باستخدام التحليل البايزياني.

Bayes Factor (Independent Samples Test)

المقارنة Bayes Factor (BF₁₀) Error %
القلق: علاج vs. ضابطة 12.45 0.02%

Descriptives (Posterior Estimates)

المجموعة N Mean SD 95% Credible Interval (Lower) 95% Credible Interval (Upper)
علاج 30 18.40 4.20 16.82 19.98
ضابطة 28 24.75 4.85 22.91 26.59

Posterior Distribution Summary (Mean Difference)

Parameter Posterior Mean Posterior SD 95% Credible Interval
Cohen's δ (تأثير الحجم) -1.38 0.29 [-1.96, -0.83]
Mean Difference -6.35 1.19 [-8.73, -4.02]
🔍 التفسير:
  • Bayes Factor (BF₁₀) = 12.45: يعني أن البيانات تدعم الفرضية البديلة (وجود فرق بين المجموعتين) بقوة 12.45 مرة أكثر من الفرضية الصفرية. هذا يقع في نطاق "دليل قوي" (10–30) وفقاً لمقياس Jeffreys. ✅
  • Error % = 0.02%: نسبة خطأ منخفضة جداً تشير إلى دقة تقدير معامل بايز. ✅
  • 95% Credible Interval للفرق: [-8.73, -4.02] لا يشمل الصفر، مما يعزز الثقة في وجود فرق حقيقي. ✅
  • Cohen's δ = -1.38: حجم تأثير كبير جداً (|δ| > 1.0)، مما يشير إلى أهمية عملية كبيرة للفرق بين المجموعتين. ✅
  • الاستنتاج: هناك دليل بايزي قوي على أن المجموعة العلاجية لديها متوسط قلق أقل بكثير من المجموعة الضابطة.
📋 مثال إضافي: Bayesian Correlation

باحث يفحص العلاقة بين ساعات الدراسة والتحصيل الأكاديمي (N=45).

Bayesian Pearson Correlation

المتغيرات N Pearson's r Bayes Factor (BF₁₀)
ساعات الدراسة ↔ التحصيل 45 0.62 128.30
🔍 التفسير:
  • BF₁₀ = 128.30: البيانات تدعم وجود علاقة ارتباطية بقوة 128 مرة أكثر من فرضية عدم وجود ارتباط. هذا "دليل قاطع" (> 100). ✅
  • r = 0.62: ارتباط إيجابي قوي بين ساعات الدراسة والتحصيل الأكاديمي. ✅
  • الاستنتاج: هناك دليل بايزي قاطع على وجود علاقة ارتباطية إيجابية قوية بين المتغيرين.
💡 متى نفضّل التحليل البايزياني على التقليدي (Frequentist)؟
  • عندما يكون حجم العينة صغيراً ولا يمكن الاعتماد على النظرية التقاربية.
  • عند توفر معرفة مسبقة قوية من دراسات سابقة نريد دمجها.
  • عندما نريد قياس قوة الدليل لصالح فرضية العدم (وليس فقط رفضها).
  • في التحليلات الاستكشافية حيث لا نريد تصحيحات صارمة للتعددية (Multiplicity).
  • عندما نريد تفسيراً أكثر بديهية: "ما احتمال صحة الفرضية في ضوء البيانات؟"

القسم السابع: سيناريو بحث تطبيقي

📚 عنوان الدراسة:

"دافعية طلاب الجامعة نحو المشاركة في الأنشطة الرياضية وعلاقتها ببعض المتغيرات الديموغرافية"

معلومات الدراسة والعينة

🎯 أهداف الدراسة:

  1. قياس مستوى دافعية طلاب الجامعة نحو المشاركة في الأنشطة الرياضية
  2. التعرف على الفروق في الدافعية حسب الجنس ونوع الرياضة
  3. دراسة العلاقة بين الدافعية الداخلية والخارجية
  4. فحص الخصائص السيكومترية للمقياس المستخدم

👥 العينة:

  • الحجم: 200 طالب وطالبة
  • العمر: 18-25 سنة
  • الجامعة: جامعة الملك سعود
  • طريقة الاختيار: عشوائية طبقية

📋 الأداة:

مقياس الدافعية الرياضية يتكون من:

  • الجزء الأول: البيانات الديموغرافية
    • الجنس (ذكر/أنثى)
    • العمر
    • نوع الرياضة المفضلة (جماعية/فردية/مائية)
    • عدد ساعات التدريب الأسبوعية
  • الجزء الثاني: بنود المقياس (15 بنداً)
    • المجال الأول: الدافعية الداخلية (5 بنود)
    • المجال الثاني: الدافعية الخارجية (5 بنود)
    • المجال الثالث: المشاركة الفعلية (5 بنود)
  • المقياس: ليكرت خماسي (1-5)
الاستبيان الكامل

📝 الجزء الأول: البيانات الديموغرافية

1. الجنس: ○ ذكر ○ أنثى

2. العمر: ______ سنة

3. نوع الرياضة المفضلة:

  • ○ رياضات جماعية (كرة قدم، سلة، طائرة...)
  • ○ رياضات فردية (جري، ألعاب قوى، تنس...)
  • ○ رياضات مائية (سباحة، غطس...)

4. عدد ساعات التدريب الأسبوعية: ______ ساعة

📊 الجزء الثاني: بنود المقياس

التعليمات: فيما يلي مجموعة من العبارات، يُرجى قراءة كل عبارة بعناية ثم وضع علامة (✓) أمام الإجابة التي تنطبق عليك:

العبارة غير موافق بشدة (1) غير موافق (2) محايد (3) موافق (4) موافق بشدة (5)
المجال الأول: الدافعية الداخلية
IM1. أمارس الرياضة لأنها ممتعة بالنسبة لي □ □ □ □ □
IM2. أشعر بالمتعة عند تعلم مهارات رياضية جديدة □ □ □ □ □
IM3. لا أجد متعة حقيقية في ممارسة الرياضة (معكوس) □ □ □ □ □
IM4. أستمتع بوقتي أثناء التدريب الرياضي □ □ □ □ □
IM5. الرياضة تمنحني شعوراً بالسعادة والرضا □ □ □ □ □
المجال الثاني: الدافعية الخارجية
EM1. أمارس الرياضة لإرضاء المدرب أو الأسرة □ □ □ □ □
EM2. أمارس الرياضة للحصول على جوائز ومكافآت □ □ □ □ □
EM3. أمارس الرياضة للحصول على الشهرة والتقدير □ □ □ □ □
EM4. لا أهتم بآراء الآخرين عن أدائي الرياضي (معكوس) □ □ □ □ □
EM5. أمارس الرياضة لتحقيق أهداف أكاديمية أو مهنية □ □ □ □ □
المجال الثالث: المشاركة الفعلية
PA1. أحرص على المشاركة في الأنشطة الرياضية المنظمة □ □ □ □ □
PA2. أواظب على التدريب بانتظام □ □ □ □ □
PA3. غالباً ما أتغيب عن التدريبات (معكوس) □ □ □ □ □
PA4. أبذل جهداً كبيراً أثناء التدريب □ □ □ □ □
PA5. أشارك في المسابقات الرياضية عندما تُتاح الفرصة □ □ □ □ □
⚠️ ملاحظة البنود المعكوسة:

البنود IM3, EM4, PA3 معكوسة وتحتاج إلى عكس الترميز قبل حساب الدرجات!

دليل الترميز
اسم المتغير التسمية النوع القيم معكوس؟ المجال
البيانات الديموغرافية
ID رقم المشارك Numeric 1-200 - -
Gender الجنس Nominal 1=ذكر، 2=أنثى - -
Age العمر Scale 18-25 - -
SportType نوع الرياضة Nominal 1=جماعية، 2=فردية، 3=مائية - -
TrainingHours ساعات التدريب الأسبوعية Scale 0-20 - -
الدافعية الداخلية
IM1 أمارس الرياضة لأنها ممتعة Ordinal 1-5 لا داخلية
IM2 أشعر بالمتعة عند تعلم مهارات Ordinal 1-5 لا داخلية
IM3 لا أجد متعة حقيقية Ordinal 1-5 نعم داخلية
IM4 أستمتع بوقتي أثناء التدريب Ordinal 1-5 لا داخلية
IM5 الرياضة تمنحني شعوراً بالسعادة Ordinal 1-5 لا داخلية
IM_Total مجموع الدافعية الداخلية Scale 5-25 - داخلية
الدافعية الخارجية
EM1-EM3, EM5 بنود الدافعية الخارجية Ordinal 1-5 لا خارجية
EM4 لا أهتم بآراء الآخرين Ordinal 1-5 نعم خارجية
EM_Total مجموع الدافعية الخارجية Scale 5-25 - خارجية
المشاركة الفعلية
PA1, PA2, PA4, PA5 بنود المشاركة Ordinal 1-5 لا مشاركة
PA3 غالباً ما أتغيب Ordinal 1-5 نعم مشاركة
PA_Total مجموع المشاركة Scale 5-25 - مشاركة
Total_Motivation الدافعية الكلية Scale 15-75 - كلي
طريقة التصحيح وحساب الدرجات

📐 خطوات التصحيح

الخطوة 1: عكس البنود المعكوسة

استخدم الصيغة: 6 - القيمة الأصلية

  • IM3_Recoded = 6 - IM3
  • EM4_Recoded = 6 - EM4
  • PA3_Recoded = 6 - PA3
الخطوة 2: حساب الدرجات الفرعية
  • الدافعية الداخلية: 
    IM_Total = IM1 + IM2 + IM3_Recoded + IM4 + IM5

    النطاق: 5-25 | متوسط: 15

  • الدافعية الخارجية: 
    EM_Total = EM1 + EM2 + EM3 + EM4_Recoded + EM5

    النطاق: 5-25 | متوسط: 15

  • المشاركة الفعلية: 
    PA_Total = PA1 + PA2 + PA3_Recoded + PA4 + PA5

    النطاق: 5-25 | متوسط: 15

الخطوة 3: حساب الدرجة الكلية 
Total_Motivation = IM_Total + EM_Total + PA_Total

النطاق: 15-75 | متوسط: 45

📊 تفسير الدرجات

المجال منخفض متوسط مرتفع
الدافعية الداخلية (5-25) 5-13 14-18 19-25
الدافعية الخارجية (5-25) 5-13 14-18 19-25
المشاركة الفعلية (5-25) 5-13 14-18 19-25
الدافعية الكلية (15-75) 15-39 40-55 56-75

تمارين تطبيقية / قوالب APA

🎯 تمارين عملية لتطبيق المفاهيم

هذه التمارين مصممة لتعزيز فهمك وتطبيق المهارات العملية في تحليل الاستبيانات.

التمرين الأول: بناء دليل ترميز (Codebook)

📋 المهمة:

صمم Codebook كامل لاستبيان الدافعية الرياضية في كرة السلة (10 بنود).

📝 المتطلبات:

  • تحديد أنواع المتغيرات (اسمي، رتبي، فئوي)
  • ترميز الاستجابات (1-5 ليكرت)
  • تحديد البنود المعكوسة
  • وضع قواعد للبيانات المفقودة

🎨 النموذج المقترح:

المتغير التسمية النوع القيم معكوس
ID رمز المشارك اسمي 1-999 لا
Gender الجنس اسمي 1=ذكر، 2=أنثى لا
AGE العمر فئوي سنوات لا
IM1 أمارس للتمتع رتبي 1-5 لا
IM3_R لا أمتع (معكوس) رتبي 1-5 نعم
التمرين الثاني: تفسير مخرجات الثبات

📊 المعطيات:

α = .748 (مقبول)

البند SE3_R لديه CITC = .187 (ضعيف)

عند حذف البند SE3_R، يرتفع α إلى .784

🔍 التحليل:

  • قيمة ألفا (0.748) في الحد الأدنى المقبول
  • ارتباط البند بالمجموع منخفض جداً (0.187 < 0.30)
  • حذف البند يحسن الثبات بشكل ملحوظ
  • البند قد لا يقيس نفس البناء

💡 التوصية:

احذف البند SE3_R لأن:

  1. ارتباطه ضعيف جداً مع المجموع
  2. حذفه يحسن معامل الثبات
  3. قد يقاس مفهوم مختلف
  4. يؤثر سلباً على اتساق المقياس
التمرين الثالث: كتابة تقرير APA

📈 النتائج الإحصائية:

مقارنة مجموعات الخبرة (مبتدئ، متوسط، متقدم)

F(2, 117) = 8.34, p < .001, η²=.126

اختبار ما بعد Tukey: المتقدم > المبتدئ (p = .002)

📝 التقرير بصيغة APA:

Template:

"أظهر تحليل التباين أحادي الاتجاه وجود فروق ذات دلالة إحصائية بين مستويات الخبرة في الدافعية الرياضية، F(2, 117) = 8.34, p < .001, η²=.126. أشار اختبار Tukey HSD إلى أن الرياضيين المتقدمين (M=4.23, SD=0.67) كانوا أكثر دافعية من المبتدئين (M=3.45, SD=0.89)، p=.002، بينما لم تكن هناك فروق دالة بين المجموعات الأخرى."

🔤 عناصر APA الأساسية:

  • ذكر اسم الاختبار الإحصائي
  • تضمين درجات الحرية
  • تقديم قيمة الإحصاء
  • ذكر قيمة p بالضبط أو < .001
  • تضمين حجم الأثر (η²)
  • إضافة المتوسطات والانحرافات المعيارية
  • تحديد نتائج اختبارات ما بعد

🎯 نصائح للتمارين العملية

  • ابدأ دائماً بفحص البيانات المفقودة
  • تحقق من افتراضات الاختبارات الإحصائية
  • استخدم حجم الأثر بالإضافة إلى الدلالة الإحصائية
  • وثق جميع قرارات التحليل
  • استشر المراجع العلمي عند الحاجة

📊 مجموعات البيانات التدريبية (DS1 – DS9)

🎯 مجموعات البيانات العملية للتطبيق

كل مجموعة بيانات مصممة لتطبيق مفاهيم محددة من المحاضرة. الملفات متوفرة بصيغتي Excel (.xlsx) و SPSS (.sav) في مجلد files/.

DS1 الإحصاءات الوصفية

📁 الملفات

ds1_descriptive_statistics.xlsx

ds1_descriptive_statistics.sav

👥 العينة

N = 250

رياضيون من مختلف الألعاب

📈 المتغيرات

العمر، الخبرة، الأداء

6 متغيرات مستمرة

🎯 أهداف التعلم:

  • حساب الإحصاءات الوصفية الأساسية
  • فحص التوزيعات الطبيعية
  • تحديد القيم المتطرفة
  • فحص البيانات المفقودة

📋 الخطوات العملية:

  1. فحص البيانات المفقودة (Frequencies)
  2. الإحصاءات الوصفية (Explore → Descriptives)
  3. اختبار الطبيعية (Explore → Plots → Normality tests)
  4. تحديد القيم المتطرفة (Boxplots)
DS2 مقياس ليكرت والترميز العكسي

📁 الملفات

ds2_likert_scale.xlsx

ds2_likert_scale.sav

👥 العينة

N = 180

طلاب تربية بدنية

📋 المقياس

دافعية داخلية

6 بنود (2 معكوسة)

🎯 أهداف التعلم:

  • تطبيق الترميز العكسي
  • حساب الدرجات الكلية
  • فهم مقياس ليكرت
  • التحقق من الاتساق

📋 الخطوات العملية:

  1. تحديد البنود المعكوسة (IM3, IM5)
  2. تطبيق الترميز العكسي (New = 6 - Old)
  3. حساب الدرجة الكلية (SUM بنود)
  4. فحص التوزيع (Histogram)
DS3 تحليل الثبات (Reliability)

📁 الملفات

ds3_reliability_analysis.xlsx

ds3_reliability_analysis.sav

👥 العينة

N = 150

رياضيون شباب

🔍 المشكلة

بند IM6 ضعيف

CITC = 0.187

🎯 أهداف التعلم:

  • حساب ألفا كرونباخ
  • تحليل CITC
  • اتخاذ قرارات الحذف
  • تحسين الثبات

📋 الخطوات العملية:

  1. حساب ألفا كرونباخ (Reliability Analysis)
  2. فحص Scale if item deleted
  3. تحليل CITC correlations
  4. اتخاذ قرار حذف البند (إذا α جديد > α قديم)

النتيجة: حذف IM6 يرفع α من 0.747 إلى 0.860

DS4 تحليل الارتباط

📁 الملفات

ds4_correlation_analysis.xlsx

ds4_correlation_analysis.sav

👥 العينة

N = 200

رياضيون متنوعون

🔗 المتغيرات

الدافعية، الكفاءة الذاتية

الأداء، ساعات التدريب

🎯 أهداف التعلم:

  • حساب معامل الارتباط
  • تفسير قوة الارتباط
  • اختبار الدلالة الإحصائية
  • مصفوفة الارتباطات

📋 الخطوات العملية:

  1. فحص الافتراضات (Linearity, Normality)
  2. حساب الارتباطات (Correlate → Bivariate)
  3. تفسير المعاملات (قوة واتجاه)
  4. اختبار الدلالة (p-values)
DS5 اختبار t للعينات المستقلة

📁 الملفات

ds5_independent_t_test.xlsx

ds5_independent_t_test.sav

👥 العينة

N = 120

60 ذكر، 60 أنثى

⚖️ المقارنة

الدافعية حسب الجنس

d ≈ 0.43 (أثر متوسط)

🎯 أهداف التعلم:

  • مقارنة مجموعتين مستقلتين
  • فحص افتراضات المساواة
  • حساب حجم الأثر
  • كتابة تقرير APA

📋 الخطوات العملية:

  1. فحص المساواة في التباين (Levene's test)
  2. إجراء اختبار t (Independent-Samples T Test)
  3. حساب حجم الأثر (Cohen's d)
  4. تفسير النتائج (صيغة APA)
DS6 تحليل التباين الأحادي (ANOVA)

📁 الملفات

ds6_one_way_anova.xlsx

ds6_one_way_anova.sav

👥 العينة

N = 180

3 مجموعات (60每组)

🏃‍♂️ المجموعات

رياضات جماعية

رياضات فردية، رياضات مائية

🎯 أهداف التعلم:

  • مقارنة 3+ مجموعات
  • اختبارات ما بعد
  • حجم الأثر η²
  • تحليل الفروق

📋 الخطوات العملية:

  1. فحص الافتراضات (Normality, Homogeneity)
  2. إجراء ANOVA (One-Way ANOVA)
  3. اختبارات ما بعد (Tukey HSD)
  4. حساب حجم الأثر (η²)
DS7 الانحدار الخطي

📁 الملفات

ds7_linear_regression.xlsx

ds7_linear_regression.sav

👥 العينة

N = 100

رياضيون محترفون

📈 النموذج

التنبؤ بالأداء

من الدافعية (R² ≈ 0.47)

🎯 أهداف التعلم:

  • بناء نموذج انحدار
  • تفسير المعاملات
  • تقييم ملاءمة النموذج
  • التنبؤ بالقيم

📋 الخطوات العملية:

  1. فحص الافتراضات (Linearity, Independence)
  2. بناء النموذج (Regression → Linear)
  3. تفسير المعاملات (B, β, p)
  4. تقييم الملاءمة (R², F-test)
DS8 التحليل العاملي الاستكشافي (EFA)

📁 الملفات

ds8_factor_analysis.xlsx

ds8_factor_analysis.sav

👥 العينة

N = 300

عينة كبيرة كافية

🧩 البناء

8 بنود

عاملان: داخلي، خارجي

🎯 أهداف التعلم:

  • تحديد العوامل الكامنة
  • فحص KMO و Bartlett
  • تطبيق الدوران
  • تفسير الحمولات

📋 الخطوات العملية:

  1. فحص الملاءمة (KMO > 0.60, Bartlett p < .05)
  2. التحليل الأولي (Principal Components)
  3. تحديد عدد العوامل (Eigenvalues > 1)
  4. الدوران (Varimax/Oblimin)
  5. تفسير الحمولات (> 0.40)
DS9 اختبار مربع كاي (Chi-Square)

📁 الملفات

ds9_chi_square_test.xlsx

ds9_chi_square_test.sav

👥 العينة

N = 250

رياضيون متنوعون

📊 المتغيرات

نوع الرياضة (فئوي)

المشاركة (فئوي)

🎯 أهداف التعلم:

  • اختبار الاستقلالية
  • جداول التكرار
  • الاحتمالات المتوقعة
  • حجم الأثر φ

📋 الخطوات العملية:

  1. إنشاء جدول التكرار (Crosstabs)
  2. فحص التكرارات المتوقعة (> 5)
  3. إجراء اختبار كاي (Chi-Square)
  4. حساب حجم الأثر (Phi, Cramer's V)

📝 ملخص استخدام مجموعات البيانات

🔄 التسلسل المقترح

ابدأ بـ DS1 → DS2 → DS3 → DS4 → DS5 → DS6 → DS7 → DS8 → DS9

💾 تنزيل الملفات

جميع الملفات متوفرة في مجلد files/ بصيغتي Excel و SPSS

🎯 التطبيق العملي

استخدم كل مجموعة لممارسة المفاهيم النظرية من المحاضرة

القسم الثامن: تحليل الاستبيانات باستخدام Python

مقدمة في Python للتحليل الإحصائي

Python يوفر مكتبات قوية مثل pandas، numpy، scipy، و seaborn للتحليل الإحصائي المتقدم.

import pandas as pd
                                    import numpy as np
                                    import scipy.stats as stats
                                    import seaborn as sns
                                    import matplotlib.pyplot as plt

                                    # تحميل البيانات
                                    df = pd.read_csv('questionnaire_data.csv')

                                    # الإحصاءات الوصفية
                                    df.describe()

                                    # حساب ألفا كرونباخ
                                    from pingouin import cronbach_alpha
                                    cronbach_alpha(df[['item1', 'item2', 'item3', 'item4']])
تحليل الصدق والثبات في Python

استخدام مكتبات متخصصة للتحليل السيكومتري:

# تحليل عاملي
                            from factor_analyzer import FactorAnalyzer
                            fa = FactorAnalyzer(n_factors=2, rotation='varimax')
                            fa.fit(df)

                            # الارتباطات
                            correlation_matrix = df.corr()
                            sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm')
الاختبارات الإحصائية المتقدمة

Python يدعم مجموعة واسعة من الاختبارات الإحصائية:

  • اختبار t: stats.ttest_ind()
  • ANOVA: stats.f_oneway()
  • اختبار مربع كاي: stats.chi2_contingency()
  • الانحدار: stats.linregress()
التحليل البايزاني

استخدام مكتبة PyMC3 للتحليل البايزاني:

import pymc3 as pm

                                with pm.Model() as model:
                                    # تعريف التوزيعات المسبقة
                                    mu = pm.Normal('mu', mu=0, sigma=10)
                                    sigma = pm.HalfNormal('sigma', sigma=1)
                                    
                                    # تعريف التوزيع اللاحق
                                    Y = pm.Normal('Y', mu=mu, sigma=sigma, observed=data)
                                    
                                    # أخذ العينات
                                    trace = pm.sample(1000, tune=500)

المراجع والمصادر

Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5th ed.). Sage.
Tabachnick & Fidell (2019). Using Multivariate Statistics (7th ed.). Pearson.
Nunnally & Bernstein (1994). Psychometric Theory.
Kruschke (2015). Doing Bayesian Data Analysis.