پروتکل تفسیر شاخص‌های آزمون دسته‌بندی کارت‌های ویسکانسین (WCST)

خطای درجاماندگی (Perseverative Error) زمانی رخ می‌دهد که قانون دسته‌بندی کارت‌ها تغییر کرده است (مثلاً از رنگ به فرم)، اما مراجع همچنان کارت‌ها را بر اساس قانون قبلی که در ذهنش تثبیت شده دسته‌بندی می‌کند.

این متغیر اصلی‌ترین شاخص ارزیابی سلامت لوب پیشانی (Frontal Lobe) است[cite: 289, 307]. افزایش خطاهای درجاماندگی نشان‌دهنده «سفتی شناختی» (Cognitive Rigidity) و ناتوانی در تغییر الگو است که به وفور در آسیب‌های مغزی، اسکیزوفرنی و اختلالات طیف اوتیسم دیده می‌شود.

در یک پروفایل استاندارد و نرمال گروه کنترل، میزان خطای درجاماندگی به طور طبیعی پایین است. به عنوان نمونه، ثبت تنها ۵ خطای درجاماندگی و ۸ پاسخ درجاماندگی از مجموع ۶۳ خطا نشان‌دهنده توانایی عالی مراجع در عبور از الگوهای پیشین و تطبیق‌پذیری سریع با قوانین جدید است[cite: 289, 297, 308].

سیستم به صورت هوشمند پاسخ‌های درجاماندگی را از خطاهای تصادفی تفکیک کرده و آن‌ها را در گراف‌های توزیع خطا نمایش می‌دهد تا پزشک بتواند منشأ دقیق افت عملکرد را شناسایی کند.

طبقات تکمیل‌شده (Completed Rules) نشان‌دهنده تعداد دفعاتی است که مراجع موفق شده قانون پنهان بازی (رنگ، فرم یا تعداد) را درک کرده و تعداد مشخصی پاسخ صحیح متوالی (معمولاً ۱۰ مورد) ارائه دهد.

این شاخص بازتاب‌دهنده توانایی در مفهوم‌سازی انتزاعی و حفظ موفقیت‌آمیز استراتژی حل مسئله است[cite: 305]. مراجعینی که نمی‌توانند هیچ طبقه‌ای را تکمیل کنند، دچار نقص شدید در استدلال استقرایی و کشف قوانین محیطی هستند.

حداکثر تعداد طبقات در اکثر پروتکل‌ها ۶ طبقه است. در یک داده هنجار، تکمیل کردن حداقل ۳ طبقه در طول ۱۲۸ کوشش اولیه نشان‌دهنده قرارگیری مراجع در بازه عملکرد طبیعی و پایه سیستم شناختی است[cite: 285, 305].

نرم‌افزار تعداد طبقات تکمیل‌شده را به صورت یک پارامتر شاخص و در کنار توزیع دفعاتی که مراجع قانون رنگ، فرم یا عدد را کشف کرده است در جدول خلاصه گزارش می‌نماید.

نقص در حفظ الگو (Failure to Maintain Set) خطایی است که در آن مراجع پس از اینکه قانون را کشف کرده و حداقل ۵ پاسخ صحیح متوالی می‌دهد، پیش از تکمیل نهایی طبقه (رسیدن به ۱۰ پاسخ) ناگهان قانون را رها کرده و اشتباه می‌کند.

این متغیر شاخصی بسیار حساس برای ارزیابی حواس‌پرتی، افت تمرکز و ظرفیت حافظه کاری است[cite: 299]. مراجعی که قانون را فهمیده اما نمی‌تواند آن را در ذهن نگه دارد، با احتمال بالا درگیر نقص توجه (Inattention) یا فشار شناختی است.

نرم‌افزار این شاخص را به صورت فرکانس مطلق شمارش می‌کند. در یک ارزیابی استاندارد روی گروه کنترل، مشاهده ثبت عدد بسیار پایین (مانند ۱ خطا) در این متغیر، نشان از تمرکز عالی و پایداری بالای حافظه کاری مراجع در طول فرآیند آزمون دارد[cite: 299, 300].

این شاخص کلیدی در بخش Summary Report (خلاصه گزارش) به عنوان یک هشدار بالینی در صورت بالا بودن مقادیر، جهت افتراق اختلالات توجه از اختلالات یادگیری برجسته می‌شود.

عملکرد کلی (مجموع پاسخ‌های صحیح و خطا) میزان کارایی عمومی مراجع را در طول کل کوشش‌ها (معمولاً ۱۲۸ کارت) نشان می‌دهد، در حالی که زمان واکنش (RT) سرعت تصمیم‌گیری وی را می‌سنجد.

نسبت پاسخ‌های صحیح به کل خطاها نمایانگر سلامت عمومی کارکردهای اجرایی است[cite: 287, 297]. از سوی دیگر، تأخیر زیاد در زمان واکنش می‌تواند نشان‌دهنده کندی روانی-حرکتی (Bradyphrenia)، شک و تردید مفرط یا اختلالات پردازشی ناشی از داروها باشد.

در ارزیابی نمونه هنجار بر روی ۱۲۸ کوشش، ثبت ۶۵ پاسخ صحیح در برابر ۶۳ خطا نشان از تعادل طبیعی در یادگیری دارد[cite: 285, 287, 297]. همچنین ثبت میانگین زمان واکنش صحیح در حدود ۷۷۰ میلی‌ثانیه با انحراف معیار ۵۱۲ نمایانگر سرعت پردازش طبیعی سیستم عصبی مراجع است[cite: 293, 294].

پلتفرم NCALab زمان واکنش را با دقت میلی‌ثانیه و همراه با انحراف معیار (SD) اندازه‌گیری کرده و آن را در قالب متغیر Correct response RT رندر می‌کند تا یکنواختی پاسخ‌دهی مراجع تحلیل شود.

یادگیری برای یادگیری (Learning to Learn) یک متغیر پیشرفته است که میزان تغییرات (معمولاً کاهش) در درصد خطاها را در طول طبقات متوالی ارزیابی می‌کند. این شاخص نشان می‌دهد که آیا مراجع با پیشرفت آزمون، در کشف قوانین ماهرتر می‌شود یا خیر.

این شاخص بازتاب‌دهنده ظرفیت تطبیق‌پذیری مستمر و استفاده از تجربیات گذشته برای حل مشکلات جدید است[cite: 325]. نمرات ضعیف در این بخش نشان‌دهنده فرسودگی شناختی پیش‌رونده یا ناتوانی در سازماندهی تجربیات یادگیری است.

این متغیر از طریق محاسبه تفاضل درصدی بین مراحل مختلف یادگیری استخراج می‌شود. ثبت مقادیر منفی (مانند -۴۹ در پروفایل استاندارد) می‌تواند نشان‌دهنده نوسانات خاص در فرآیند یادگیری بین دسته‌های اولیه (مانند رنگ) و دسته‌های پیچیده‌تر باشد[cite: 325, 326].

نرم‌افزار درصد خطاهای هر طبقه (مانند رنگ یا تعداد) را به صورت مجزا استخراج کرده و سپس شاخص ترکیبی Learning to learn را به عنوان نمادی از روند تکاملی شناخت مراجع محاسبه می‌نماید.