اهمیت آماری: اندازه(های) نمونه و توان آماری - پژوهشگران برای درک جهان اطراف خود، به طور رسمی از روش علمی به عنوان راهی برای جداسازی حقایق احتمالی از کذب استفاده می‌کنند. علوم اعصاب شناختی با هدف درک این موضوع فعالیت می‌کند که چگونه سیستم‌های ژنتیکی، عصبی و رفتاری از توانایی یک ارگانیسم برای احساس، تعامل، جهت‌یابی و تفکر در مورد جهان اطراف خود پشتیبانی می‌کنند.

این بدان معناست که علوم اعصاب شناختی، آزمایش‌ها را طراحی کرده و داده‌ها را در تمام سطوح تجزیه و تحلیل جمع‌آوری می‌کند. برنامه‌های پژوهشی در سراسر جهان که به دنبال ارتقای درک ما از جهان طبیعی هستند، به طور منظم فرضیات یا نظریه‌ها را در یک سری برنامه‌ریزی‌شده از آزمایش‌های کوچک‌تر آزمایش می‌کنند. این آزمایش‌ها مایلند فاکتورهای خاصی را بررسی کنند که ممکن است بر یک نتیجه تأثیر بگذارند یا نگذارند، در حالی که تأثیر عوامل خارجی مانند محیط، تمایلات جنسی، نژاد یا وضعیت اقتصادی-اجتماعی را به حداقل می‌رسانند.

سناریوی اول: مطالعه ترشح دوپامین

در علوم اعصاب شناختی، دوپامین معمولاً یک ترکیب "احساس 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 این موارد باشند:

• خوردن یک وعده غذایی خوب

• وقت گذراندن با عزیزان

• رابطه جنسی

• شکر

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

اکنون، حیاتی‌ترین مسئله این است که سوژه‌های آزمایش را از کجا تهیه کنیم؟

در موقعیت‌های آزمایشگاهی، "جامعه" به گروه جمعی بزرگ‌تر و کل گروه مورد مطالعه اشاره دارد. این غیرعملی و بعید است که آزمایشگاه شما بتواند تکنیکی را برای جذب و جمع‌آوری داده‌های ترشح دوپامین روی صدها هزار یا میلیون‌ها نفر ابداع کند.

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

1. چه تعداد فرد باید در نمونه ما گنجانده شوند؟

2. این امر چگونه با اهمیت کاربردی و توان آماری مرتبط است؟

بیایید در زیر آن را تجزیه و تحلیل کنیم.

توان آماری و اثر واقعی

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

اثر واقعی سنگ بنای طراحی آزمایش است. گزارش کوهن در سال ۱۹۸۸، که به خاطر کمک‌هایش به روش علمی پربار است، استدلال کرد که یک مطالعه باید طوری طراحی شود که ۸۰٪ احتمال تشخیص یک اثر واقعی داشته باشد. این ۸۰٪ نشان‌دهنده یک طراحی آزمون با توان بالا (HP) است، در حالی که هر مقدار نزدیک به ۲۰٪، یک طراحی آزمون با توان پایین (LP) است.

کوهن پیشنهاد کرد که مطالعات باید همیشه کمتر از ۲۰٪ احتمال ارتکاب خطای نوع دوم، معروف به منفی کاذب داشته باشند. او همچنین از همین محدوده‌های راهنما برای اکتشافات از دست رفته استفاده می‌کند، که زمانی رخ می‌دهد که یک پژوهشگر به اشتباه گزارش می‌دهد که هیچ اثر معنی‌داری وجود ندارد در حالی که واقعاً تفاوت وجود دارد.

چرا توان آماری اهمیت دارد؟

به این سناریو فکر کنید. اگر یک اثر واقعی در ۱۰۰ مطالعه مختلف با توان ۸۰٪ وجود داشته باشد، آزمون‌های آماری در ۸۰ مورد از ۱۰۰ مورد، اثر واقعی را تشخیص خواهند داد. با این حال، هنگامی که یک مطالعه دارای توان پژوهشی ۲۰٪ است، اگر ۱۰۰ اثر واقعی غیر پوچ در نتایج وجود داشته باشد، انتظار می‌رود این مطالعات تنها ۲۰ مورد از آن‌ها را کشف کنند.

کاستی‌های 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٪ تا ۳۱٪ قرار دارد. توان آماری پایین در پژوهش‌های علوم اعصاب:

• قابلیت تکرارپذیری یافته‌ها را زیر سوال می‌برد.

• منجر به بزرگ‌نمایی اندازه اثر می‌شود.

• احتمال دستیابی به نتایج از نظر آماری معنی‌دار را که به درستی نشان‌دهنده اثر واقعی هستند، کاهش می‌دهد.

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

ایجاد یک گروه نمونه (یا گروه‌های نمونه) معرف

هدف سناریوی اول: اجتناب از خطاهای نمونه‌گیری و خطاهای نوع اول و دوم در آزمون ما با نمونه‌گیری جامع و بزرگ.

اگر بخواهیم آزمایش از نظر کاربردی معنی‌دار باشد، چه تعداد 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 مرتبط است. با ادامه 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 احساسی وجود دارد یا خیر. ما همچنین باید معیارهایی را برای گنجاندن در نمونه تعیین کنیم که پتانسیل خطای نمونه‌گیری را به حداقل برساند.

چگونه از خطاهای نمونه‌گیری اجتناب کنیم

درک دو اصطلاح قبل از حرکت به جلو مهم است.

1. خطای نمونه‌گیری: هنگام نمونه‌گیری، همیشه این احتمال وجود دارد که داده‌های جمع‌آوری‌شده از افراد منتخب، نشان‌دهنده جامعه نباشند.

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

در نظر بگیرید که آیا داده‌ها رابطه‌ای را نشان می‌دهند (یعنی ترشح دوپامین). ۵٪ احتمال دارد که این اثر ناشی از شانس باشد و به متغیر (محرک‌های بصری) مربوط نباشد. این یک خطای نوع اول خواهد بود. از طرف دیگر، ۵٪ احتمال دارد که داده‌های جمع‌آوری‌شده ما هیچ رابطه‌ای بین ترشح دوپامین و محرک‌های بصری نشان ندهند، در حالی که در واقع 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.

ما امیدواریم داده‌هایی را جمع‌آوری کنیم که نشان‌دهنده همه انسان‌ها باشد و می‌خواهیم نتایج ما هم از نظر کاربردی و هم از نظر آماری معنی‌دار باشد. برای طراحی موفقیت‌آمیز مجموعه نمونه خود، خطای نمونه‌گیری، خطای نوع اول (مثبت کاذب) یا خطای نوع دوم (منفی کاذب) باید 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 ظرفیت عاطفی وجود ندارد.

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

بین زمان ترشح دوپامین در NAc و محرک‌های بصری با ظرفیت عاطفی رابطه وجود دارد. وقتی داده‌ها از نظر آماری معنی‌دار نیستند:

• فرضیه ما رد می‌شود.

• هیچ اثر یا تفاوت واقعی یافت نمی‌شود.

• اثرات مشاهده شده ما به همان اندازه احتمال دارد ناشی از شانس باشند.

درک جامعه؟

محدودیت‌های عملی در طراحی آزمایش.

در پژوهش‌های علوم اعصاب، یک معیار ورود رسمی معمولاً تلاش می‌کند تا احتمال گنجانده شدن در سراسر جامعه را تصادفی و/یا برابر کند تا از خطاهای نمونه‌گیری جلوگیری شود. ما باید از انتخاب افراد صرفاً به دلیل اینکه نزدیک‌ترین یا در دسترس‌ترین افراد برای جمع‌آوری داده‌ها هستند اجتناب کنیم، زیرا این کار نسخه‌ای برای 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 از 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 برابر اعمال شده می‌تواند به سرعت با محدودیت‌های عملی مواجه شود. این یک مسئله برای پژوهش‌های علمی در تمامی سطوح است، از تمرینات آکادمیک گرفته تا دانشگاه‌های پژوهشی تمام‌عیار. معمولاً، محدودیت‌های بودجه‌ای و زمانی اولین موارد هستند که سازش را تحمیل می‌کنند. به طور کلی، این مسائل مربوط به اهمیت آماری زمینه‌های فعال پژوهش 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 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 کار احتمال تشخیص یک اثر واقعی را افزایش می‌دهد. انتخاب یک اندازه نمونه مناسب برای طراحی پژوهشی که مشخصات زیر را دارد حیاتی است:

• اکتشافات کاربردی انجام می‌دهد.

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

• درمان‌های موثری را توسعه می‌دهد.

غلبه بر چالش‌ها در پژوهش‌های معاصر علوم اعصاب: پلتفرم EmotivLAB

طراحی‌های آزمایشی پژوهش‌های علوم اعصاب باید برای دستیابی به اهمیت 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 EmotivLAB، پژوهشگران به افراد سوژه به مراتب متنوع‌تر و معرف‌تر دسترسی پیدا می‌کنند - که اندازه نمونه و فراگیری همه جمعیت‌ها را با حداقل تلاش لجستیکی اضافی برای گروه‌های پژوهشی بهبود می‌بخشد.

پژوهش‌های معاصر علوم اعصاب به دلیل منابع محدود در دسترس برای جذب یک گروه متنوع برای مجموعه نمونه آزمایش، ممکن است در معرض خطاهای نمونه‌گیری قرار گیرند. مفهوم "گروه WEIRD" این مسئله را خلاصه می‌کند. بیشتر پژوهش‌های دانشگاهی با بودجه‌ای ناچیز بر روی سوژه‌های آزمایشی انجام می‌شود که به طور کلی غربی، تحصیل‌کرده و از کشورهای صنعتی، ثروتمند و دموکراتیک هستند. با این حال، تجهیزات جمع‌آوری داده‌های از راه دور، مانند پلتفرم EEG متعلق به EmotivLAB، به پژوهشگران اجازه می‌دهد تا فراتر از محیط دانشگاه بروند تا گروه‌های نمونه‌ای را جذب کنند که پتابان بهتری از جامعه باشند.

پلتفرم EmotivLAB پژوهشگران را از محدودیت‌های فعلی رها می‌سازد و به آن‌ها اجازه می‌دهد انرژی خود را روی طراحی آزمایش‌ها و تجزیه و تحلیل نتایج متمرکز کنند.

پلتفرم EmotivLAB و تجهیزات EEG از راه دور آن نه تنها به پژوهشگران کمک می‌کنند تا تنوع افراد گنجانده شده در گروه‌های نمونه آزمایش را افزایش دهند، بلکه مسائل مربوط به کل اندازه نمونه و دسترسی جغرافیایی به جوامع هدف را نیز تعدیل می‌کنند.

پلتفرم EmotivLAB پژوهشگران را از محدودیت‌های فعلی آزاد می‌کند و در عوض به آن‌ها اجازه می‌دهد انرژی خود را بر طراحی آزمایش‌ها و تجزیه و تحلیل نتایج متمرکز کنند. پلتفرم ما آزمایش را با مناسب‌ترین افراد در میان گروه سوژه‌ها مطابقت می‌دهد. نیازی به صرف زمان برای جذب شرکت‌کنندگان، هماهنگی و برنامه‌ریزی آن‌ها و انجام جمع‌آوری داده‌ها در آزمایشگاه نیست. تنها چیزی که نیاز است این است که جمعیت آماری مورد نظر در پلتفرم آنلاین مشخص شود و EmotivLAB آزمایش را در دسترس مشارکت‌کنندگانی قرار می‌دهد که بیشترین 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 دستورالعمل در مورد استفاده از آن را از بین می‌برد.

علاوه بر این، پلتفرم EmotivLAB کنترل کیفیت و ارزیابی خودکار داده‌های ثبت‌شده EEG را ارائه می‌دهد. حجم زیادی از داده‌های با کیفیت پایین به غلبه بر خطاهای نمونه‌گیری یا آماری در طراحی‌های آزمایش کمک نمی‌کند. با این حال، دسترسی به داده‌های با کیفیت بالا، راهکاری را برای کمک به جلوگیری از خطاها در زمینه‌های زیر ارائه می‌دهد:

• نمونه‌گیری

• جامعه

• اهمیت آماری

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

پلتفرم EmotivLAB به شما امکان می‌دهد آزمایش خود را بسازید، آن را به طور ایمن و مطمئن پیاده‌سازی کنید، از یک پنل جهانی از شرکت‌کنندگان تایید شده جذب نیرو کنید و داده‌های EEG با کیفیت بالا را جمع‌آوری کنید، همه این‌ها از طریق یک پلتفرم واحد انجام می‌شود. برای کسب اطلاعات بیشتر یا درخواست دمو اینجا کلیک کنید.