قدرت آماری: اندازه (های) نمونه و توان آماری - پژوهشگران برای درک جهان پیرامون ما، رسماً از روش علمی به عنوان راهی برای جداسازی حقایق احتمالی از باورهای نادرست استفاده می‌کنند. هدف علوم اعصاب شناختی درک این موضوع است که چگونه سیستم‌های ژنتیکی، عصبی و رفتاری از توانایی یک موجود زنده برای احساس، تعامل، هدایت و تفکر درباره جهان پیرامون خود حمایت می‌کنند.

این امر بدان معناست که علوم اعصاب شناختی آزمایش‌هایی طراحی کرده و داده‌ها را در تمام سطوح تحلیل جمع‌آوری می‌کند. برنامه‌های پژوهشی در سراسر جهان که به دنبال ارتقاء درک ما از جهان طبیعی هستند، به طور منظم فرضیات یا پیش‌فرض‌ها را در مجموعه‌ای منظم و خوب برنامه‌ریزی‌شده از آزمایش‌های کوچک‌تر آزمایش می‌کنند. این آزمایش‌ها مایل به بررسی عوامل خاصی هستند که ممکن است بر نتیجه تأثیر بگذارند یا نگذارند، در حالی که تأثیر عوامل نامربوط مانند محیط، جهت‌گیری جنسی، نژاد یا وضعیت اقتصادی-اجتماعی را به حداقل می‌رسانند.

سناریوی اول: یک مطالعه درباره ترشح دوپامین

در علوم اعصاب شناختی، دوپامین معمولاً به عنوان یک ترکیب «حس خوب» در نظر گرفته می‌شود. ترشح آن در هسته اکومبنس (NuAc) توسط رفتارها یا چیزهایی تحریک می‌شود که ما را برای رفتار کردن باانگیزه می‌کنند. این موارد می‌توانند شامل موارد زیر باشند:

• خوردن یک وعده غذایی خوب

• گذراندن وقت با عزیزان

• رابطه جنسی

• شکر

فرض کنیم می‌خواهیم بدانیم که آیا اوج سطح دوپامین در NuAc قبل، حین یا پس از مواجهه با یک محرک بصری مطلوب یا آشنا رخ می‌دهد یا خیر. ما می‌توانیم از طراحی آزمایش EEG اقتباس شده از مطالعه آماتیا جوآنا مکینتاش استفاده کنیم. می‌توانیم این فرضیه را مطرح کنیم که ترشح دوپامین در حین مواجهه با محرک‌های بصری آشنا یا مطلوب رخ می‌دهد و کمی بعد از آن به اوج خود می‌رسد.

اکنون، حیاتی‌ترین سؤال این است که سوژه‌های آزمایشی را از کجا تهیه کنیم؟

در موقعیت‌های آزمایشی، «جامعه» به گروه جمعی بزرگ‌تر و کلی مورد مطالعه اشاره دارد. انجام این کار غیرعملی و بعید است که آزمایشگاه شما بتواند تکنیکی را برای جذب نیروی داوطلب و جمع‌آوری داده‌های ترشح دوپامین بر روی صدها هزار یا میلیون‌ها نفر ابداع کند.

بنابراین، ما تلاش خواهیم کرد تا داده‌ها را از یک گروه یا نمونه کوچک‌تر و نماینده جمع‌آوری کنیم تا جامعه را درک کنیم. برای انجام این کار، باید به دو سؤال اصلی پاسخ دهیم.

1. چند نفر باید در نمونه ما قرار بگیرند؟

2. این موضوع چه ارتباطی با اهمیت کاربردی و توان آماری دارد؟

بیایید در زیر آن را تحلیل کنیم.

توان آماری و اثر واقعی

توان آماری به عنوان احتمال تشخیص یک تفاوت از نظر آماری معنی‌دار توسط یک آزمون در زمانی که چنین تفاوتی واقعاً وجود دارد، تعریف می‌شود. همچنین از آن به عنوان اثر واقعی یاد می‌شود.

اثر واقعی سنگ بنای طراحی آزمایش است. گزارش کوهن در سال ۱۹۸۸، به دلیل مشارکت‌هایش در روش علمی، استدلال کرد که یک مطالعه باید با احتمال ۸۰ درصد برای تشخیص اثر واقعی طراحی شود. این ۸۰ درصد نشان‌دهنده طراحی آزمون با توان بالا (HP) است، در حالی که هر مقداری نزدیک به ۲۰ درصد، طراحی آزمون با توان پایین (LP) است.

کوهن پیشنهاد کرد که مطالعات باید همیشه احتمالی کمتر از ۲۰ درصد برای ایجاد خطای نوع دوم، که به عنوان منفی کاذب شناخته می‌شود، داشته باشند. او همچنین از همین محدوده‌های راهنما برای کشف‌های از دست رفته استفاده می‌کند، که زمانی رخ می‌دهد که پژوهشگر به اشتباه عدم وجود اثر معنی‌دار را گزارش کند در حالی که واقعاً تفاوتی وجود داشته باشد.

چرا توان آماری اهمیت دارد؟

این سناریو را در نظر بگیرید. اگر یک اثر واقعی در ۱۰۰ مطالعه مختلف با توان ۸۰٪ وجود داشته باشد، آزمون‌های آماری اثر واقعی را در ۸۰ مورد از ۱۰۰ مورد تشخیص خواهند داد. با این حال، زمانی که یک مطالعه دارای توان پژوهشی ۲۰٪ باشد، اگر ۱۰۰ اثر غیرپوچ و واقعی در نتایج وجود داشته باشد، انتظار می‌رود این مطالعات تنها ۲۰ مورد از آنها را کشف کنند.

نقاط ضعف توان آماری در پژوهش‌های علوم اعصاب

جای تعجب نیست که به دلیل ماهیت پرهزینه پژوهش‌های علوم اعصاب، این حوزه دارای میانه توان آماری حدود ۲۱٪ است و میانگین آن در محدوده وسیع ۸٪-۳۱٪ قرار دارد. توان آماری پایین در پژوهش‌های علوم اعصاب:

• قابلیت تکرارپذیری یافته‌ها را زیر سؤال می‌برد.

• منجر به بزرگ‌نمایی اندازه اثر می‌شود.

• احتمال به دست آمدن نتایج از نظر آماری معنی‌دار که به درستی نشان‌دهنده اثر واقعی باشند را کاهش می‌دهد.

به این ترتیب، وضعیت فعلی پژوهش‌های علوم اعصاب به دام مشکل توان آماری افتاده است، زیرا این مقادیر بسیار پایین‌تر از آستانه تئوری کوهن هستند.

ایجاد گروه (های) نمونه نماینده

هدف سناریوی اول: از خطاهای نمونه‌گیری و خطاهای نوع اول و دوم در آزمون خود با نمونه‌گیری فراگیر و بزرگ جلوگیری کنیم.

اگر می‌خواهیم آزمایش از نظر کاربردی معنی‌دار باشد، چند اسکن مغز انسان باید در مجموعه نمونه ما گنجانده شود؟ اهمیت کاربردی به این موضوع اشاره دارد که آیا نتایج یک آزمایش در دنیای واقعی کاربرد دارند یا خیر.

توانایی آزمایش یک متخصص علوم اعصاب برای تعیین اثرات (توان آماری) با اندازه نمونه رابطه دارد. با ادامه‌ی پارامترهای سناریوی ۱، هدف همچنان جمع‌آوری داده‌های کافی است تا بتوانیم به طور آماری ارزیابی کنیم که آیا اثر واقعی در زمان ترشح دوپامین پس از نشان دادن محرک‌های بصری دارای بار احساسی وجود دارد یا خیر. ما همچنین باید معیارهایی را برای ورود به نمونه تعیین کنیم که پتانسیل خطای نمونه‌گیری را به حداقل برساند.

چگونه از خطاهای نمونه‌گیری جلوگیری کنیم

دو اصطلاح قبل از حرکت به جلو برای درک کردن مهم هستند.

1. خطای نمونه‌گیری: هنگام نمونه‌گیری، همیشه این احتمال وجود دارد که داده‌های جمع‌آوری‌شده از افراد انتخاب‌شده نشان‌دهنده کل جامعه نباشد.

2. معنی‌داری آماری: معنی‌داری آماری به این معنی است که داده‌های ما و اثرات مشاهده‌شده ما احتمالاً اثرات واقعی هستند. در بیشتر علوم زیست‌پزشکی، معنی‌داری آماری با سطح معنی‌داری یا مقدار p-value برابر با ۰.۰۵ تعیین می‌شود. اساساً، این بدان معناست که دانشمندان ۹۵٪ به اثر مشاهده شده در آزمایش‌های خود اطمینان دارند.

در نظر بگیرید که اگر داده‌ها یک رابطه را نشان دهند (یعنی ترشح دوپامین). ۵٪ احتمال وجود دارد که اثر ناشی از شانس باشد و به متغیر (محرک‌های بصری) ارتباطی نداشته باشد. این یک خطای نوع اول خواهد بود. از سوی دیگر، ۵٪ احتمال دارد که داده‌های جمع‌آوری‌شده ما هیچ رابطه‌ای بین ترشح دوپامین و محرک‌های بصری نشان ندهند، در حالی که در واقعیت، یک اثر واقعی وجود دارد - یک منفی کاذب یا خطای نوع دوم.

تعیین دقیق معیارهای ورود تأثیرگذارتر است زیرا بعد از یک اندازه نمونه مشخص، به نقطه بازده نزولی می‌رسیم.

امیدواریم داده‌هایی را جمع‌آوری کنیم که معرف همه انسان‌ها باشد و می‌خواهیم نتایج ما هم از نظر کاربردی و هم از نظر آماری معنی‌دار باشند. برای طراحی موفقیت‌آمیز مجموعه نمونه خود، باید خطای نمونه‌گیری، خطای نوع اول (مثبت کاذب) یا خطای نوع دوم (منفی کاذب) در نظر گرفته شده و از آنها اجتناب شود.

آزمایش ما فرضیه زیر را آزمایش می‌کند:

• فرضیه صفر - هیچ رابطه یا اثری بین زمان ترشح دوپامین در NAc و محرک بصری دارای بار احساسی وجود ندارد.

• فرضیه - رابطه‌ای بین زمان ترشح دوپامین در NAc و محرک بصری دارای بار احساسی وجود دارد و اوج ترشح دوپامین پس از دیدن محرک‌های بصری رخ می‌دهد.

رابطه‌ای بین زمان ترشح دوپامین در NAc و محرک‌های بصری دارای بار احساسی وجود دارد. وقتی داده‌ها از نظر آماری معنی‌دار نباشند:

• فرضیه ما رد می‌شود.

• هیچ اثر واقعی یا تفاوتی یافت نمی‌شود.

• اثرات مشاهده‌شده ما به همان اندازه احتمال دارد که ناشی از شانس باشند.

درک جامعه؟

محدودیت‌های کاربردی در طراحی آزمایش.

در پژوهش‌های علوم اعصاب، یک معیار رسمی ورود معمولاً تلاش می‌کند تا احتمال حضور در نمونه را در سراسر جامعه تصادفی و/یا برابر کند تا از خطاهای نمونه‌گیری جلوگیری شود. ما باید از انتخاب افراد صرفاً به این دلیل که نزدیک‌ترین یا در دسترس‌ترین افراد برای جمع‌آوری داده‌ها هستند خودداری کنیم، زیرا این کار فرمول ایجاد خطای نمونه‌گیری است.

بهترین رویکرد برای تولید مجموعه نمونه، استفاده از معیارهای ورودی است که به طور تصادفی احتمال انتخاب را در کل جامعه برابر می‌کند. به عنوان مثال، با استفاده از داده‌های سرشماری، می‌توانیم اطلاعات تماس ۵۰ فرد را که به طور تصادفی در هر شهرستان اوهایو انتخاب شده‌اند، به دست آوریم. این کار سوگیری انتخاب را به حداقل می‌رساند زیرا نام‌ها به طور تصادفی و به طور مساوی از تمام مناطق جغرافیایی انتخاب می‌شوند.

ایجاد طراحی آزمایش، افزایش اندازه نمونه و تحقق کامل معیارهای ورود بدون سوگیری، تصادفی و به طور یکسان اعمال شده می‌تواند به سرعت با محدودیت‌های کاربردی مواجه شود. این یک مسئله برای پژوهش‌های علمی در تمامی سطوح است، از تمرینات دانشگاهی گرفته تا دانشگاه‌های پژوهشی تمام‌عیار. معمولاً، محدودیت‌های بودجه‌ای و زمانی اولین مواردی هستند که سازش را تحمیل می‌کنند. به طور کلی، این مسائل پیرامون معنی‌داری آماری، حوزه‌های فعال پژوهشی هستند.

اندازه اثر واقعی چیست؟

به دلیل توان آماری پایین پژوهش‌های علوم اعصاب، ما تمایل داریم اندازه اثر واقعی را بیش از حد تخمین بزنیم که این امر منجر به تکرارپذیری پایین بسیاری از مطالعات می‌شود. علاوه بر این، پیچیدگی ذاتی پژوهش‌های علوم اعصاب، توان آماری را حیاتی می‌سازد.

یکی از روش‌هایی که این حوزه می‌تواند اتخاذ کند، افزایش توان یک مطالعه با افزایش اندازه نمونه است. این امر احتمال تشخیص یک اثر واقعی را افزایش می‌دهد. انتخاب اندازه نمونه مناسب برای طراحی پژوهشی که ویژگی‌های زیر را داشته باشد حیاتی است:

• دستاوردهای کاربردی داشته باشد.

• درک ما را از فرآیندهای بی‌شمار در مغز ارتقا دهد.

• درمان‌های مؤثری را توسعه دهد.

غلبه بر چالش‌ها در پژوهش‌های علوم اعصاب معاصر: پلتفرم Emotiv

طراحی‌های آزمایشی پژوهش‌های علوم اعصاب باید برای دستیابی به معنی‌داری آماری قابل اعتماد، به سمت ایجاد اندازه‌های گروه نمونه بزرگ‌تر و معیارهای ورود بهتر حرکت کنند. با دسترسی به یک پلتفرم مبتنی بر جمع‌سپاری مانند Emotiv، پژوهشگران به افراد آزمودنی بالقوه بسیار متنوع‌تر و بسیار نماینده‌تر دسترسی دارند - که اندازه نمونه و فراگیری همه جمعیت‌ها را با حداقل تلاش لوجستیکی اضافی برای گروه‌های پژوهشی بهبود می‌بخشد.

پژوهش‌های نوین علوم اعصاب ممکن است به دلیل منابع محدود موجود برای جذب یک گروه متنوع برای مجموعه نمونه آزمایشی، در معرض خطاهای نمونه‌گیری قرار گیرند. مفهوم «گروه WEIRD» این مسئله را خلاصه می‌کند. بیشتر پژوهش‌های دانشگاهی با بودجه‌ای بسیار کم روی سوژه‌های آزمایشی انجام می‌شود که به طور کلی غربی، تحصیل‌کرده و از کشورهای صنعتی، ثروتمند و دموکراتیک هستند. با این حال، تجهیزات جمع‌آوری داده از راه دور، مانند پلتفرم EEG متعلق به Emotiv، به پژوهشگران اجازه می‌دهد تا فراتر از محیط دانشگاه بروند و گروه‌های نمونه‌ای را جذب کنند که بازتاب بهتری از جامعه باشد.

پلتفرم Emotiv و تجهیزات EEG از راه دور آن نه تنها به پژوهشگران کمک می‌کنند تا تنوع افراد را در گروه‌های نمونه آزمایشی گسترش دهند، بلکه مسائل مربوط به اندازه کلی نمونه و دسترسی جغرافیایی به جوامع هدف را نیز حل می‌کنند.

پلتفرم Emotiv پژوهشگران را از محدودیت‌های فعلی رها می‌سازد و به آنها اجازه می‌دهد انرژی خود را روی طراحی آزمایش‌ها و تحلیل نتایج متمرکز کنند. پلتفرم ما آزمایش را با مناسب‌ترین افراد در بانک سوژه‌ها مطابقت می‌دهد. نیازی به صرف زمان برای جذب شرکت‌کنندگان، هماهنگی و برنامه‌ریزی آنها و انجام جمع‌آوری داده‌ها در آزمایشگاه نیست. تنها چیزی که لازم است این است که مشخصات جمعیتی مورد نظر در پلتفرم آنلاین مشخص شود و Emotiv آزمایش را در دسترس مشارکت‌کنندگانی قرار می‌دهد که بهترین تطابق را با پارامترهای مورد نظر دارند. شرکت‌کنندگان می‌توانند آزمایش‌ها را در خانه‌های خود و با استفاده از تجهیزات خود انجام دهند. آشنایی آنها با هدست نیاز پژوهشگران به ارائه آموزش در مورد استفاده از آن را برطرف می‌کند.

فراتر از آن، پلتفرم Emotiv کنترل کیفیت و ارزیابی خودکار داده‌های ثبت‌شده EEG را فراهم می‌کند. مقادیر زیادی از داده‌های با کیفیت پایین به غلبه بر خطاهای نمونه‌گیری یا آماری در طراحی‌های آزمایشی کمک نمی‌کند. با این حال، دسترسی به داده‌های باکیفیت‌تر، راهکاری را برای کمک به جلوگیری از خطاها در موارد زیر ارائه می‌دهد:

• نمونه‌گیری

• جامعه

• معنی‌داری آماری

می‌خواهید درباره آنچه پلتفرم Emotiv می‌تواند برای پژوهش شما انجام دهد بیشتر بدانید؟

پلتفرم Emotiv به شما امکان می‌دهد آزمایش خود را بسازید، آن را به طور ایمن و مطمئن اجرا کنید، از یک پنل جهانی از شرکت‌کنندگان تأیید شده نیرو جذب کنید، و داده‌های باکیفیت بالا EEG را جمع‌آوری کنید، همگی از طریق یک پلتفرم واحد. برای اطلاعات بیشتر یا درخواست نسخه نمایشی اینجا کلیک کنید.