تمت في كلية الادارة والاقتصاد / جامعة بغداد، مناقشة رسالة الماجستير الموسومة ( دمج التطبيع العكسي (RevIN) مع التعلم العميق لتحسين نمذجة البيانات المزدوجة (Panel Data) ) في تخصص الإحصاء للطالبة (ســرى باســم فــوزي) بأشراف أ.د صبــاح منفي رضــا ، حيث تهدف هذه الرسالة إلى بناء إطار عمل متكامل يدمج بين أسلوب التطبيع العكسي (Reversible Instance Normalization – RevIN) والشبكات العصبية لمعالجة البيانات المزدوجة بكفاءة أعلى. ويسعى الإطار المقترح إلى التقليل من مشكلة تغيّر التوزيع (Distribution Shift) التي تشكّل أحد أبرز التحديات المنهجية عند التعامل مع هذا النوع من البيانات. كما تهدف الرسالة إلى تقييم الأثر التطبيقي لهذا الدمج في تحسين دقة التنبؤ مقارنةً بطرائق التطبيع التقليدية، وذلك من خلال اختبارات تجريبية وتحليلية تسهم في إبراز مزايا RevIN وتعزيز قابليته للاستعمال في التطبيقات الإحصائية والذكاء الاصطناعي.
اما أهمية هذه الدراسة فتتمثل في معالجتها لإحدى أبرز التحديات المنهجية في تحليل البيانات المزدوجة، وهي ظاهرة “انزياح التوزيع” (Distribution Shift) والتباين الهائل في الخصائص الإحصائية بين الوحدات المقطعية، وما يترتب عليها من ضعف في قدرة النماذج الذكية على التعميم وتدهور في دقتها التنبؤية.
وتبرز أهم إسهامات الدراسة في اكتشاف أن القيمة المضافة لتقنية RevIN تتناسب طردياً مع تعقيد المعمارية العصبية، وأن RevIN ليست مجرد تحسين هامشي لشبكات LSTM، بل ضرورة حتمية لتدريبها على البيانات المصرفية ذات التحديات الإحصائية المعقدة. كما أثبتت الاختبارات الإحصائية الإضافية (DA Test و DM Test) الدلالة الإحصائية الحقيقية للتفوق.
وقد توصلت الدراسة الى عدد من التوصيات في ضوء النتائج اهمها ان المصارف العراقية والجهات المعنية بالبنك المركزي العراقي باعتماد نموذج (LSTM + RevIN) كأداة تنبؤية رسمية للتنبؤ المبكر بمخاطر انخفاض كفاية رأس المال، والتخطيط الرأسمالي الاستباقي، وتعزيز الرقابة الاحترازية.
