نمذجة المرونة النفسية: شو بتعلّمنا محاكاة مستوحاة من Option B؟

كتاب Option B لشيريل ساندبرغ وآدم غرانت بيناقش كيف الإنسان بقدر يعيد بناء حياته لما يفقد المستقبل اللي كان متوقعه. وأنا بقرأ، سألت سؤالاً بفضح المهندس اللي فيّ: شو الافتراضات اللي بحتاجها حتى أمثّل هالمسار بمنحنى؟

سؤال خطر، إذا نسيت إنك إنت اللي رسمت المنحنى.

بهالمقال، بنيت محاكاة بايزية لـ50 شخصاً افتراضياً، لأستكشف نتائج افتراضات مستوحاة من الكتاب. البيانات مصطنعة، وبالتالي ما بتقيس تعافي أشخاص حقيقيين، ولا بتثبت الادعاءات النفسية الواردة بالكتاب.

الفائدة إن الافتراضات تصير واضحة وقابلة للنقاش، ونقدر نشوف شو بيترتب عليها.

نبني عالماً صغيراً

كل شخص افتراضي بيمر بفترة مستقرة بنسميها Option A، ثم بحدث يخلّ بهالاستقرار، وبعده بمسار Option B. بنولّد له القيم التالية:

مستوى أساسياً: k_option_a_level.
درجة لشدة الحدث: trauma_severity.
درجتين للمرونة النفسية والدعم، بندمجهم بدرجة موارد التأقلم: coping_resources_score، أو CR.

المحور العمودي بيمثّل درجة أداء عرّفناها لأغراض المحاكاة. الرسم بيسميها «مهارة»، لكن هالتسمية ما بتجعلها مقياساً للرفاه النفسي. المهارة والرفاه مفهومان مختلفان، وأي دراسة فعلية بتحتاج تعريفاً وطريقة قياس مناسبة لكل واحد.

صمّمت مولّد البيانات ليعطي مسارات متنوعة: استقراراً عند مستوى أقل، أو تعافياً جزئياً، أو عودة للمستوى السابق، أو تجاوزاً إله. موارد التأقلم بتأثر بهالمسارات لأننا كتبنا قواعد التوليد على هالأساس. وتجاوز المستوى السابق هون وصف لرقم بالمحاكاة، وما بكفي لحاله للاستدلال على نمو نفسي بعد الصدمة.

مسارات مولّدة لعينة من الأشخاص الافتراضيين

الشكل 1. ملاحظات اصطناعية قبل الحدث وبعده. الاختلاف هون طالع من مولّد البيانات، مش من دراسة أشخاص.

أربعة مفاتيح للمنحنى

النموذج بستخدم منحنى لوجستياً للشخص $i$ بالوقت $t$ :

\mu_{B_{it}} = K_{Floor_i} + \frac{K_{Asymptote_i} - K_{Floor_i}}{1 + \exp(-Rate_i (Time_{it} - Midpoint_i))}.

أربع معاملات بتحدد شكل المنحنى:

المعامل	شو بتحكّم فيه بالنموذج؟
$K_{Floor_i}$	الحد السفلي للمنحنى، لما يكون المستوى النهائي أعلى منه
$K_{Asymptote_i}$	المستوى العلوي اللي بقترب منه، لما يكون أعلى من الأرضية
$Rate_i$	حدّة الانتقال بين المستويين
$Midpoint_i$	الوقت اللي بكون فيه المنحنى بنص المسافة بينهما

في تفصيل مهم: الحد السفلي مش بالضرورة قيمة المنحنى عند لحظة الحدث. التعويض بـ $t=0$ بيترك مقداراً لوجستياً موجباً فوقه. إذا بدنا النموذج يبدأ بهبوط فوري لقيمة محددة، لازم نضبط القيمة الابتدائية صراحةً، أو نتحقق إن التقريب الحالي مناسب.

إذا كان المعدل موجباً والمستوى النهائي أعلى من الحد السفلي، متوسط المنحنى بيصعد باستمرار. هاد افتراض بيقيّد أنواع المسارات اللي بنقدر نمثّلها: الانتكاسات المتكررة أو مراحل التعافي المختلفة بتحتاج نموذجاً آخر أو توسيعاً لهالنموذج. إضافة ضجيج حول منحنى سلس ما بتمثّل هالآليات بحد ذاتها.

الملاحظات موزعة طبيعياً حول المتوسط:

K_{B_{it}}\sim\mathcal{N}(\mu_{B_{it}},\sigma_{K_B}^2).

التوزيع الطبيعي بيسهّل الحساب، لكنه ممكن يولّد قيماً خارج المجال المسموح للدرجة. إذا عرّفنا للمقياس حدوداً فعلية، لازم نختار نموذج ملاحظات ملتزماً فيها.

ليش النموذج هرمي؟

بنموذج PyMC، معاملات كل فرد مرتبطة بعلاقات مشتركة مع مستواه الأساسي وشدة الحدث ودرجة CR. هيك بنسمح باختلاف المسارات بين الأفراد، وبنستفيد بنفس الوقت من معلومات المجموعة. هاي فكرة التجميع الجزئي: تقدير مسار قصير أو كثير الضجيج ما بيقوم على بيانات الشخص وحده، بل بيستفيد من البنية المشتركة ضمن افتراضات النموذج.

مخطط الاعتماد بين المتغيرات والبنية المتكررة لكل فرد

الشكل 2. المستطيل بيوضح الأجزاء المتكررة لكل فرد. السهم اختيار بالنموذج؛ ملاءمة بيانات مصطنعة ما بتثبت علاقة سببية عند الناس.

نقرأ المعاملات من غير ما نحمّلها أكثر مما بتقول

الأرقام التالية بتوضح كيف نقرأ المعاملات ونفهم أثرها داخل المعادلة. هي أمثلة حسابية، وما بنقدمها كتقديرات سريرية. اعتماد نتائج تقدير فعلية بيحتاج عرض عدم اليقين وفحوص جودة الاستدلال معها.

إذا المستوى الأساسي 80، وشدة الحدث 5، ومعامل الهبوط 0.06، قاعدة مقترحة لحساب الأرضية بتعطي:

80(1-5\times0.06)=56.

الحساب بوضح نتيجة القاعدة، وبكشف حدودها كمان: إذا تركنا شدة الحدث بلا حد أعلى، ممكن نحصل على قيمة سالبة. لازم حدود المعاملات وطريقة التوليد تمنع القيم اللي ما إلها معنى على المقياس.

للمستوى النهائي، افترض نسبة أساسية 0.80 ومعامل تأقلم 0.07. إذا $CR=0.8$ على مقياس من صفر لواحد:

K_{Asymptote}=80(0.80+0.07\times0.8)=68.48.

بهالإعداد، الحد المرتبط بالتأقلم أضاف 4.48 نقطة. هاد أثر حسابي ناتج عن افتراضاتنا، وما بيثبت إن زيادة دعم شخص فعلياً بتسبب نفس التحسّن. ودمج المرونة والدعم بدرجة واحدة ما بيسمح للنموذج يفصل أثرهما عن بعض.

معاملات السرعة والتوقيت اللوغاريتمية بدها انتباه مشابه. إذا:

\log r_i=b_r+0.10CR_i,\qquad \log m_i=b_m-0.12CR_i,

فزيادة CR بوحدة بتضرب المعدل بـ $e^{0.10}\approx1.105$ ، ووقت المنتصف بـ $e^{-0.12}\approx0.887$ . الوحدات بتفرق: من صفر لواحد على مقياس موحّد هي كل مجاله، مش نقطة واحدة باستبيان من عشرة.

إذا اخترنا انحرافاً معيارياً للضجيج مقداره 5، إحنا عم نحدد تشتت الملاحظات حول المتوسط بالمحاكاة. ما عم نكتشف مقداراً ثابتاً للتقلب بتعافي البشر.

منحنيات مقدّرة وعدم يقين لمسارات اصطناعية مختارة

الشكل 3. ملاءمة لمسارات اصطناعية. التقارب بين الرسم والبيانات دليل عن هالنموذج وهالبيانات، مش تأكيداً مستقلاً للافتراضات النفسية اللي ولّدتها.

الاختبار اللي بخلي المحاكاة مفيدة

إذا صممت البيانات بحيث الدعم يحسّن النتيجة، ثم قدّرت من هالبيانات علاقة موجبة للدعم، فأنا ما اكتشفت أثره على الناس. اللي فحصته هو قدرة طريقة الاستدلال على استرجاع علاقة وضعتها أصلاً بمولّد البيانات.

وهذا شغل مفيد لما نسأل الأسئلة الصح:

استرجاع المعاملات: النموذج بقدر يسترجع القيم المعروفة عبر مجموعات محاكاة متكررة، ومع عدم يقين مناسب؟
قابلية التمييز: مسار قصير بكفّي نفرّق بين صعود بطيء لمستوى عالٍ وصعود سريع لمستوى أقل؟
الحساسية: النتائج بتتغيّر كثير إذا غيّرنا التوزيعات القبلية أو تطبيع الدرجات أو شكل المنحنى؟
خطأ افتراض النموذج: شو بصير لو المولّد أضاف انتكاسة ثانية أو مساراً مش لوجستياً؟
سلامة الاستدلال: سلاسل أخذ العينات متقاربة؟ عدد العينات الفعّال بكفّي؟ في تحذيرات تباعد أثناء أخذ العينات (divergences)، أو فشل بفحوص التنبؤ البعدي؟

هاي فحوص مقترحة لاستكمال التجربة، والمقال ما بيدّعي إنه أنجزها. تطابق المنحنى بصرياً مع البيانات ما بكفي للإجابة عنها.

كيف بنطلع من العالم الصغير؟

قصص اصطناعية أعقد بتسمح نختبر افتراضات أعقد. توليدها بنموذج لغوي ما بحوّلها لدليل مستقل عن الناس.

حتى نتجاوز المحاكاة، بدنا ملاحظات عبر الزمن، وتعريفات واضحة للنتائج، وتصميماً بحثياً بتعامل مع البيانات المفقودة والعوامل المتداخلة. وحتى التنبؤ الجيد ما بحدد تلقائياً الأثر السببي للدعم أو المرونة.

الفائدة المباشرة من هالتجربة إن الكود بجبرني أحدد معنى «أسرع» و«أعلى» و«دعم أكثر»، وبخليني أفحص نتائج هالتعريفات وحدودها.

النموذج ما بيحدد كيف المفروض الإنسان يتعافى. قيمته إنه بيكشف افتراضاتنا بوضوح، وبيخلينا نختبر شو بتنتج لما نلتزم فيها.

النموذج الحسابي موجود على Google Colab. الدفتر هو التجربة الأصلية؛ التمييزات والفحوص المقترحة هون بتوضح كيف نقرأها.