سلسلة البحث العلمي: كيف تجمع بيانات البحث وتحافظ على جودتها؟

مقدمة

بعد أن ينجح الباحث في تحويل فكرته إلى بروتوكول بحث واضح ومحدد، تبدأ المرحلة التي تتحول فيها الخطة المكتوبة إلى عمل عملي حقيقي.

وهنا تظهر مرحلة جمع بيانات البحث (Data Collection)، وهي من أكثر المراحل حساسية في رحلة البحث العلمي؛ لأن جودة النتائج النهائية لا تعتمد فقط على قوة السؤال البحثي أو اختيار التصميم المناسب، بل تعتمد بدرجة كبيرة على جودة البيانات التي بُني عليها التحليل والاستنتاج.

قد يمتلك الباحث سؤالاً ممتازاً، وتصميماً بحثياً مناسباً، وتحليلاً إحصائياً متقدماً، لكن إذا كانت البيانات غير دقيقة، أو ناقصة، أو جُمعت بطريقة غير موحدة، فإن النتائج ستكون محدودة القيمة مهما كان مستوى التحليل.

ولهذا يمكن القول:

البحث الجيد يبدأ ببيانات جيدة.

جمع البيانات ليس مجرد عملية تسجيل معلومات، بل هو نظام متكامل يهدف إلى الحصول على بيانات:

• دقيقة.
• مكتملة.
• موثوقة.
• قابلة للتحليل.
• متوافقة مع سؤال البحث.

ما المقصود ببيانات البحث؟

بيانات البحث (Research Data) هي المعلومات التي يجمعها الباحث بهدف الإجابة عن سؤال الدراسة أو اختبار فرضياتها.

وقد تكون هذه البيانات:

البيانات الكمية (Quantitative Data)

وهي بيانات يمكن التعبير عنها بالأرقام، مثل:

• العمر.
• ضغط الدم.
• نتائج التحاليل المخبرية.
• حجم الآفة أو الورم.
• درجة التضيق.
• مدة المتابعة.
• معدل حدوث المضاعفات.

البيانات النوعية (Qualitative Data)

وهي بيانات تصف التجارب أو الآراء أو السلوكيات، مثل:

• مقابلات المرضى.
• تجارب المشاركين.
• ملاحظات الباحث.
• النصوص والتسجيلات.

البيانات الأولية (Primary Data)

وهي البيانات التي يجمعها الباحث مباشرة من المشاركين أو المرضى أو التجارب.

مثل:

• إجراء مقابلة.
• قياس علامة سريرية.
• إجراء فحص.
• تسجيل نتائج استبيان.

البيانات الثانوية (Secondary Data)

وهي بيانات موجودة مسبقاً ويستخدمها الباحث لأغراض البحث.

مثل:

• السجلات الطبية.
• قواعد البيانات الإلكترونية.
• السجلات الوطنية.
• الملفات التاريخية للمرضى.

اختيار مصدر البيانات يعتمد على سؤال البحث وتصميم الدراسة، وليس على سهولة الوصول إليها فقط.

لماذا تعد جودة البيانات مهمة؟

جودة البيانات (Data Quality) تعني مدى ملاءمة البيانات للاستخدام العلمي، وتشمل عدة عناصر أساسية:

الدقة (Accuracy)

أي أن البيانات تمثل الحقيقة ولا تحتوي على أخطاء في القياس أو التسجيل.

مثلاً:

تسجيل قيمة ضغط الدم الصحيحة، وليس قيمة منسوخة أو مدخلة بشكل خاطئ.

الاكتمال (Completeness)

أي توفر المعلومات المطلوبة دون نقص يؤثر في تفسير النتائج.

مثلاً:

إذا كانت الدراسة تهدف إلى تقييم عوامل خطر معينة، فإن غياب هذه المعلومات عن نسبة كبيرة من المشاركين قد يضعف قوة الدراسة.

الاتساق (Consistency)

أي أن البيانات تُجمع بالطريقة نفسها لجميع المشاركين.

مثلاً:

استخدام نفس تعريف النجاح العلاجي لجميع الحالات، وعدم تغيير التعريف أثناء الدراسة.

الموثوقية (Reliability)

أي إمكانية الحصول على نتائج متقاربة عند إعادة القياس بالطريقة نفسها.

القابلية للتتبع (Traceability)

أي إمكانية معرفة مصدر كل معلومة، وكيف ومتى جُمعت، ومن قام بتسجيلها.

العلاقة بين البروتوكول وجمع البيانات

لا يبدأ جمع البيانات عند فتح ملف المريض أو إرسال الاستبيان.

بل يبدأ قبل ذلك أثناء إعداد البروتوكول.

فالبروتوكول الجيد يحدد مسبقاً:

• ما البيانات المطلوبة.
• لماذا تحتاج إليها الدراسة.
• كيف ستُقاس.
• متى ستُجمع.
• من سيجمعها.
• أين ستُحفظ.
• كيف ستُراجع.

أما جمع البيانات دون بروتوكول واضح فقد يؤدي إلى مشكلة شائعة:

جمع كمية كبيرة من المعلومات دون معرفة كيفية استخدامها.

ليست كثرة البيانات دليلاً على قوة الدراسة.

فالبيانات غير المرتبطة بالسؤال البحثي قد تزيد العبء، وترفع احتمالية الأخطاء، وتُصعّب التحليل لاحقاً.

خطة إدارة البيانات قبل بدء الدراسة

قبل بدء جمع البيانات، يحتاج الباحث إلى وضع خطة واضحة لإدارة البيانات (Data Management Plan)، تحدد كيفية التعامل مع البيانات منذ لحظة جمعها وحتى استخدامها في التحليل والنشر.

إدارة البيانات لا تعني فقط حفظ الملفات، بل تشمل دورة حياة البيانات كاملة:

• جمع البيانات.
• تنظيمها.
• تخزينها.
• حمايتها.
• مراجعتها.
• مشاركتها عند الحاجة.
• أرشفتها بعد انتهاء الدراسة.

وتشمل خطة إدارة البيانات عادةً:

• مصدر البيانات.
• نوع البيانات التي ستُجمع.
• طريقة ترميز المتغيرات.
• نظام تخزين الملفات.
• صلاحيات الوصول.
• النسخ الاحتياطية.
• حماية الخصوصية.
• طريقة أرشفة البيانات.
• المسؤول عن إدارة قاعدة البيانات.

وجود خطة واضحة يقلل من فقدان البيانات، ويمنع الفوضى أثناء مراحل الدراسة المختلفة.

مصادر بيانات البحث العلمي

يجب تحديد مصدر البيانات قبل بدء الدراسة، لأن مصدر البيانات يؤثر في جودة النتائج وطريقة تفسيرها.

أولاً: السجلات الطبية (Medical Records)

تُستخدم كثيراً في الدراسات الاستعادية (Retrospective Studies).

وتشمل:

• التاريخ المرضي.
• نتائج الفحوص.
• التقارير الطبية.
• الصور الشعاعية.
• تفاصيل الإجراءات العلاجية.
• نتائج المتابعة.

مميزاتها:

• توفر عدداً كبيراً من الحالات.
• انخفاض التكلفة.
• إمكانية دراسة فترات زمنية طويلة.

تحدياتها:

• نقص بعض المعلومات.
• اختلاف طريقة التسجيل بين الأطباء.
• عدم توحيد المصطلحات.
• صعوبة التأكد من بعض التفاصيل.

لذلك يجب على الباحث تقييم جودة السجلات قبل الاعتماد عليها.

ثانياً: الاستبيانات (Questionnaires)

تُستخدم لجمع معلومات مباشرة من المشاركين.

ويجب الاهتمام بـ:

• وضوح الأسئلة.
• صلاحية الأداة المستخدمة.
• الترجمة الصحيحة.
• اختبار الاستبيان قبل الاستخدام.
• طريقة تطبيقه على جميع المشاركين.

الاستبيان غير المصمم جيداً قد ينتج بيانات غير دقيقة حتى لو كان عدد المشاركين كبيراً.

ثالثاً: القياسات والفحوص

مثل:

• التحاليل المخبرية.
• التصوير الطبي.
• القياسات الحيوية.
• الاختبارات الوظيفية.

يجب تحديد:

• الجهاز المستخدم.
• طريقة القياس.
• توقيت القياس.
• الشخص المسؤول.
• طريقة تفسير النتيجة.

رابعاً: قواعد البيانات البحثية

مثل قواعد البيانات الإلكترونية التي تجمع معلومات سريرية أو سكانية.

قبل استخدامها يجب تقييم:

• مصدر البيانات.
• طريقة جمعها.
• اكتمالها.
• صلاحيتها للإجابة عن سؤال البحث.

تصميم نموذج جمع البيانات

استمارة جمع البيانات (Data Collection Form) هي الأداة التي يستخدمها الباحث لتحويل المعلومات إلى بيانات منظمة قابلة للتحليل.

يجب تصميمها قبل بدء الدراسة، وليس أثناء جمع البيانات.

وتتضمن عادةً:

المعلومات التعريفية

مثل:

• الرقم البحثي للمشارك.
• تاريخ الإدراج.
• مركز الدراسة.

ويُفضل عدم استخدام المعلومات الشخصية المباشرة داخل قاعدة التحليل حفاظاً على الخصوصية.

الخصائص الأساسية

مثل:

• العمر.
• الجنس.
• التاريخ المرضي.
• العوامل السريرية المهمة.

المتغيرات الرئيسية

وهي المتغيرات المرتبطة مباشرة بأهداف الدراسة.

المخرجات

مثل:

• حدوث مضاعفات.
• نجاح العلاج.
• الوفاة.
• إعادة التدخل.
• تغير وظيفة عضو معين.

المتغيرات المربكة (Confounding Variables)

وهي عوامل قد تؤثر في العلاقة التي يدرسها الباحث.

مثلاً:

إذا درس الباحث تأثير علاج معين على النتائج، فقد يكون العمر أو شدة المرض عاملاً يؤثر أيضاً في النتائج.

قاموس البيانات (Data Dictionary)

من الأدوات المهمة لضمان جودة البيانات إنشاء قاموس بيانات (Data Dictionary)، وهو ملف يوضح تعريف كل متغير مستخدم في الدراسة.

يساعد قاموس البيانات على توحيد فهم جميع أفراد الفريق للمتغيرات، ويمنع اختلاف تفسير المعلومات أثناء جمع البيانات والتحليل.

ويتضمن عادةً:

• اسم المتغير.
• الوصف العلمي للمتغير.
• نوع البيانات.
• وحدة القياس.
• القيم المسموح بها.
• طريقة الترميز.
• مصدر البيانات.
• وقت جمع البيانات.

مثال:

بدلاً من كتابة:

“وجود مضاعفات”

يجب تحديد:

• ما المضاعفات التي ستُسجل؟
• ما تعريف كل مضاعفة؟
• ما الفترة الزمنية المستخدمة؟
• كيف ستُصنف شدتها؟

أهمية التعريفات التشغيلية للمتغيرات

من أكثر الأخطاء شيوعاً استخدام مصطلحات غير محددة.

مثلاً:

“تحسن المريض”

ما المقصود بالتحسن؟

هل هو:

• تحسن الأعراض؟
• تحسن التحاليل؟
• تحسن الصور؟
• تحسن مقياس وظيفي محدد؟

لذلك يجب وضع تعريف تشغيلي (Operational Definition).

مثال:

بدلاً من:

“حدثت مضاعفات بعد العلاج”

يُكتب:

“تُعرّف المضاعفات بأنها حدوث أي حدث مصنف ضمن المضاعفات الرئيسية خلال 30 يوماً من الإجراء وفق التصنيف المعتمد.”

التعريف الواضح يجعل البيانات قابلة للمقارنة والتحليل.

تدريب فريق البحث قبل جمع البيانات

في الدراسات التي يشارك فيها أكثر من شخص، لا يكفي توزيع المهام بين أفراد الفريق.

يجب تدريب الفريق قبل بدء جمع البيانات على:

• أهداف الدراسة.
• معايير إدراج المشاركين.
• طريقة استخدام نموذج جمع البيانات.
• تعريف المتغيرات.
• طريقة تسجيل المعلومات.
• التعامل مع البيانات غير المتوافرة.
• قواعد حماية البيانات.
• إجراءات توثيق الأخطاء والتعديلات.

عدم تدريب الفريق قد يؤدي إلى اختلافات كبيرة في البيانات.

فمثلاً:

قد يسجل أحد الباحثين وجود مضاعفة معينة، بينما لا يعتبرها باحث آخر مضاعفة، لأن التعريف لم يكن واضحاً أو لأن طريقة التقييم لم تكن موحدة.

لذلك يجب أن يمتلك جميع أفراد الفريق فهماً مشتركاً لما سيتم جمعه وكيفية جمعه.

الاختبار الأولي لنموذج جمع البيانات

قبل بدء جمع البيانات الكامل، يُفضل إجراء اختبار أولي (Pilot Test) على عدد محدود من الحالات أو المشاركين.

يساعد الاختبار الأولي على اكتشاف:

• أسئلة غير واضحة.
• متغيرات يصعب الحصول عليها.
• حقول غير ضرورية.
• أخطاء في تصميم النموذج.
• الوقت المطلوب لجمع بيانات كل حالة.
• مشكلات في طريقة تسجيل المعلومات.

بعد الاختبار الأولي يمكن تعديل نموذج جمع البيانات قبل بدء الدراسة الأساسية.

لكن يجب توثيق أي تغيير يحدث بعد الاختبار الأولي، خصوصاً إذا كان سيؤثر في المتغيرات أو طريقة جمعها.

تقليل تأثير الباحث على تقييم البيانات

في بعض الدراسات، خصوصاً التي تعتمد على تقييم الصور الطبية أو تصنيف النتائج أو تفسير القياسات، قد يؤثر توقع الباحث أو معرفته بتفاصيل الحالة على طريقة التقييم.

لذلك يمكن استخدام إجراءات تقلل هذا التأثير، مثل:

تعمية المقيمين (Blinded Assessment)

أي أن الشخص الذي يقيّم النتيجة لا يعرف بعض المعلومات التي قد تؤثر في حكمه.

مثلاً:

قد يقوم مقيّم الصور الشعاعية بتقييم الصور دون معرفة نوع العلاج الذي حصل عليه المريض.

استخدام أكثر من مقيّم

عندما يكون التقييم يعتمد على الحكم البشري، فإن وجود أكثر من مقيّم قد يزيد موثوقية النتائج.

تقييم درجة الاتفاق بين المقيمين (Interobserver Agreement)

يمكن قياس مدى اتفاق الباحثين عند تصنيف النتائج، للتأكد من أن طريقة التقييم قابلة للتكرار.

هذه الإجراءات لا تناسب كل أنواع الدراسات، لكنها مهمة عندما يكون التقييم معرضاً للتأثر بالعوامل الشخصية.

إدخال البيانات والتحقق منها

إدخال البيانات (Data Entry) هو مرحلة قد تحدث فيها أخطاء حتى لو كانت عملية جمع البيانات الأصلية صحيحة.

لذلك يجب وضع إجراءات للتحقق من البيانات بعد إدخالها.

تشمل:

• مراجعة البيانات بعد الإدخال.
• استخدام قواعد تحقق داخل قاعدة البيانات.
• منع إدخال قيم غير منطقية.
• مقارنة جزء من البيانات مع المصدر الأصلي.
• توثيق أي تعديل يتم على البيانات.

مثلاً:

إذا تم إدخال عمر أحد المرضى على أنه 250 سنة، فهذه غالباً ليست نتيجة حقيقية، بل خطأ إدخال يحتاج إلى المراجعة.

كما يجب تحديد من يملك صلاحية تعديل البيانات، ومن المسؤول عن اعتماد النسخة النهائية.

كيف تحافظ على جودة البيانات أثناء الجمع؟

الالتزام بالبروتوكول

يجب جمع البيانات وفق الخطة المعتمدة، وليس حسب ما يبدو مناسباً أثناء العمل.

أي تغيير غير مخطط قد يؤثر في قابلية مقارنة الحالات.

توحيد الإجراءات

يجب استخدام نفس الطريقة لجميع المشاركين.

مثلاً:

إذا كان قياس متغير معين يعتمد على فحص محدد، فيجب تحديد:

• طريقة إجراء الفحص.
• الجهاز المستخدم.
• توقيت القياس.
• الشخص المسؤول عن القياس.

المراجعة المستمرة

لا ينبغي انتظار نهاية الدراسة لاكتشاف الأخطاء.

يجب إجراء مراجعات دورية أثناء جمع البيانات لاكتشاف:

• نقص المعلومات.
• اختلاف طرق التسجيل.
• أخطاء الإدخال.
• عدم الالتزام بالتعريفات.

توثيق التغييرات

إذا تغيرت طريقة جمع معلومة معينة، يجب تسجيل:

• ما الذي تغير؟
• لماذا تغير؟
• متى حدث التغيير؟
• من وافق عليه؟
• ما تأثيره المحتمل على النتائج؟

حماية البيانات

تشمل حماية البيانات:

• استخدام أرقام تعريفية بدلاً من أسماء المرضى.
• تحديد صلاحيات الوصول.
• حفظ النسخ الاحتياطية.
• حماية الملفات الإلكترونية.
• منع الوصول غير المصرح به.

التعامل مع البيانات الناقصة

البيانات الناقصة (Missing Data) مشكلة شائعة في معظم الدراسات.

وقد تحدث بسبب:

• عدم تسجيل معلومة في الملف الطبي.
• عدم حضور المشارك للمتابعة.
• فشل إجراء فحص معين.
• خطأ في إدخال البيانات.
• فقدان جزء من السجل.

لا ينبغي تجاهل البيانات الناقصة أو حذف الحالات بشكل عشوائي.

يجب أولاً معرفة:

• ما نسبة البيانات الناقصة؟
• ما سبب فقدها؟
• هل الفقد عشوائي أم مرتبط بعامل معين؟
• هل يؤثر في المتغيرات الأساسية؟

كما يجب على الباحث تجنب تخمين القيم غير الموجودة، لأن ذلك قد يضيف خطأً منهجياً إلى الدراسة.

يجب توثيق البيانات الناقصة ووضع خطة للتعامل معها قبل التحليل الإحصائي.

وسيتم تناول الطرق الإحصائية لمعالجة البيانات الناقصة بصورة أوسع في مقال التحليل الإحصائي.

أخطاء شائعة في جمع بيانات البحث

جمع بيانات أكثر من الحاجة

كثرة المتغيرات لا تعني أن الدراسة أقوى.

جمع معلومات غير مرتبطة بسؤال البحث قد يزيد:

• العبء على الفريق.
• الأخطاء.
• البيانات الناقصة.
• صعوبة التحليل.

البدء بجمع البيانات قبل تجهيز النموذج

قد يؤدي ذلك إلى فقد معلومات مهمة أو اختلاف طريقة التسجيل بين الحالات.

تغيير تعريف المتغير أثناء الدراسة

إذا تغير تعريف المتغير بعد بدء الجمع، فقد تصبح مقارنة الحالات غير دقيقة.

الاعتماد على الذاكرة

خصوصاً في الدراسات الاستعادية.

فالاعتماد على تذكر الباحث أو المريض أقل دقة من المعلومات الموثقة في السجلات.

عدم مراجعة البيانات أثناء الجمع

قد تتراكم الأخطاء حتى يصبح إصلاحها صعباً أو مستحيلاً.

عدم توثيق مصدر البيانات

يجعل مراجعة النتائج والتحقق منها أكثر صعوبة.

أمثلة على أخطاء جمع البيانات وتأثيرها

الخطأ	التأثير المحتمل
تعريف غير واضح للمتغير	اختلاف في تسجيل الحالات
عدم تدريب الفريق	عدم اتساق البيانات
جمع بيانات غير ضرورية	زيادة العبء والأخطاء
عدم مراجعة البيانات مبكراً	تراكم الأخطاء
فقدان معلومات أساسية	ضعف التحليل
تغيير طريقة القياس أثناء الدراسة	صعوبة مقارنة النتائج

تدقيق البيانات قبل التحليل

قبل الانتقال إلى مرحلة التحليل الإحصائي، يجب إجراء مراجعة نهائية للبيانات.

تشمل هذه المراجعة:

• التأكد من اكتمال المتغيرات الأساسية.
• البحث عن القيم غير المنطقية.
• مراجعة التناقضات.
• التأكد من توافق البيانات مع تعريفات البروتوكول.
• مراجعة البيانات المفقودة.
• التأكد من توثيق التعديلات.

بعد الانتهاء من المراجعة، قد يتم إجراء ما يسمى:

تجميد قاعدة البيانات (Database Lock)

وهو الإجراء الذي تصبح فيه قاعدة البيانات معتمدة وجاهزة للتحليل، ولا يتم تعديلها إلا وفق إجراءات موثقة.

كيف تعرف أن بيانات بحثك جاهزة للتحليل؟

يمكن للباحث طرح الأسئلة التالية:

• هل جُمعت البيانات وفق البروتوكول؟
• هل جميع المتغيرات الأساسية موجودة؟
• هل تعريف كل متغير واضح؟
• هل طريقة القياس موحدة؟
• هل البيانات الناقصة معروفة؟
• هل تم توثيق التغييرات؟
• هل تمت مراجعة الأخطاء؟
• هل يستطيع باحث آخر فهم مصدر كل معلومة؟

إذا كانت الإجابة نعم، فقد أصبحت البيانات جاهزة للانتقال إلى المرحلة التالية.

الخلاصة

جمع البيانات ليس مرحلة روتينية تأتي بعد تصميم البحث، بل هو جزء أساسي من المنهجية العلمية.

فالبيانات الضعيفة تؤدي إلى نتائج ضعيفة، حتى لو كان السؤال البحثي مهماً والتصميم مناسباً والتحليل الإحصائي متقدماً.

تعتمد جودة مرحلة جمع البيانات على:

• التخطيط المسبق.
• الالتزام بالبروتوكول.
• اختيار مصادر بيانات مناسبة.
• استخدام أدوات جمع منظمة.
• تعريف المتغيرات بدقة.
• تدريب فريق البحث.
• مراجعة الجودة باستمرار.
• حماية البيانات وتوثيقها.

الباحث الجيد لا يسأل فقط:

كم عدد الحالات التي جمعتها؟

بل يسأل:

هل البيانات التي جمعتها قادرة فعلاً على الإجابة عن سؤال البحث؟

بعد اكتمال جمع البيانات وتنظيمها، ينتقل الباحث إلى مرحلة تحويل البيانات الخام إلى نتائج قابلة للتفسير العلمي، وهي مرحلة التحليل الإحصائي في الأبحاث الطبية، التي ستكون محور المقال التالي من سلسلة البحث العلمي من الفكرة إلى النشر.

المراجع:

1. Good Clinical Data Management Practices (GCDMP) – Society for Clinical Data Management (SCDM)
2. Data Quality Management in Clinical Research – National Institutes of Health (NIH)
3. ICH E6(R2): Good Clinical Practice (GCP)
4. Data Management Plan: Form and Instructions – U.S. Food and Drug Administration (FDA)
5. The FAIR Guiding Principles for Scientific Data Management and Stewardship
6. STROBE Statement: Strengthening the Reporting of Observational Studies in Epidemiology