معنای آماری: اندازه نمونه و قدرت آماری
کوک مین لای
به اشتراک گذاری:
معنای آماری: اندازه نمونه و قدرت آماری - برای درک جهان اطراف ما، محققان بهطور رسمی از روش علمی استفاده میکنند تا حقایق مشکوک را از دروغها جدا کنند. علوم اعصاب شناختی بهدنبال درک این است که چگونه سیستمهای ژنتیکی، عصبی و رفتاری از توانایی یک موجود برای حس کردن، تعامل، ناوبری و تفکر دربارهی جهان اطرافشان پشتیبانی میکند.
این به این معناست که علوم اعصاب شناختی آزمایشها را طراحی و دادهها را در تمام سطوح تحلیل جمعآوری میکند. برنامههای تحقیقاتی در سرتاسر جهان که به دنبال افزایش درک ما از جهان طبیعی هستند، بهطور مرتب فرضیات یا فرضیههایی را در یک سری دقیق از آزمایشهای کوچکتر آزمون میکنند. این آزمایشها معمولاً به بررسی عوامل خاصی میپردازند که ممکن است بر نتیجه تأثیر بگذارند یا نگذارند و در عین حال تأثیر عوامل اضافی مانند محیط، گرایش جنسی، نژاد یا وضعیت اجتماعی-اقتصادی را به حداقل میرسانند.
سناریو یک: مطالعهی آزادسازی دوپامین
در علوم اعصاب شناختی، دوپامین بهطور کلی بهعنوان ترکیب "خوشایند" در نظر گرفته میشود. آزادسازی آن در هسته آکومبنس (NuAc) توسط رفتارها یا چیزهایی که ما را به رفتار تحریک میکنند، شروع میشود. این میتواند شامل موارد زیر باشد:
خوردن یک وعده غذایی خوب
وقت گذراندن با عزیزان
تکمیل
شکر
فرض کنید میخواهیم بفهمیم آیا اوج سطح دوپامین در NuAc قبل، در حین یا بعد از قرارگیری در معرض یک محرک بصری مورد نظر یا آشنا رخ میدهد. ما میتوانیم از طراحی آزمایش EEG که از مطالعهی آمایتا جوهانا مکنیش اقتباس شده است، استفاده کنیم. ما میتوانیم فرض کنیم که آزادسازی دوپامین در حین و کمی بعد از قرارگیری در معرض محرکهای بصری آشنا یا مورد نظر رخ میدهد.
اکنون، مهمترین سؤال این است که از کجا پسزمینههای آزمایش کنیم؟
در شرایط آزمایشی، "جمعیت" به گروه کلی بزرگتری اشاره دارد که در حال مطالعه است. نامعقول و بعید است که آزمایشگاه شما بتواند تکنیکهایی برای جذب و جمعآوری دادههای آزادسازی دوپامین از صدها هزار یا میلیونها نفر طراحی کند.
بنابراین، ما تلاش خواهیم کرد که دادههایی از یک گروه یا نمونه نماینده کوچکتر جمعآوری کنیم تا جمعیت را درک کنیم. برای این کار، باید به دو سؤال اصلی پاسخ دهیم.
چند نفر باید در نمونه ما گنجانده شوند؟
این چگونه به معنای عملی و قدرت آماری مرتبط است؟
بیایید آن را در زیر تجزیه کنیم.
قدرت آماری و اثر واقعی
قدرت آماری بهعنوان احتمال تشخیص تفاوت معنا دار آماری تعریف میشود هنگامی که چنین تفاوتی واقعاً وجود دارد. این همچنین بهعنوان یک اثر واقعی شناخته میشود.
اثر واقعی پایهگذار طراحی آزمایش است. گزارش ۱۹۸۸ کوهن، که بهدلیل مشارکتهایش در روش علمی معروف است، استدلال کرد که یک مطالعه باید بهگونهای طراحی شود که ۸۰٪ احتمال تشخیص یک اثر واقعی را داشته باشد. این ۸۰٪ نمایانگر طراحی آزمایش با قدرت بالا (HP) است در حالی که هر مقدار نزدیک به ۲۰٪ نمایانگر طراحی آزمایش با قدرت پایین (LP) است.
کوهن پیشنهاد کرد که مطالعات همیشه باید کمتر از ۲۰٪ احتمال اشتباه نوع II، که بهعنوان منفی کاذب شناخته میشود، داشته باشند. او همچنین از این رنجهای راهنما برای کشفهای از دست رفته استفاده میکند، که زمانی اتفاق میافتد که یک محقق نادرست گزارش میدهد که هیچ اثر معنا داری وجود ندارد در حالی که یک تفاوت واقعی وجود دارد.
چرا قدرت آماری مهم است؟
به این سناریو فکر کنید. اگر یک اثر واقعی در ۱۰۰ مطالعه مختلف با ۸۰٪ قدرت وجود داشته باشد، آزمایشهای آماری یک اثر واقعی را در ۸۰ از ۱۰۰ مورد تشخیص خواهند داد. با این حال، هنگامی که یک مطالعه دارای قدرت تحقیقاتی ۲۰٪ است، اگر ۱۰۰ اثر واقعی غیر صفر در نتایج وجود داشته باشد، انتظار میرود این مطالعات تنها ۲۰ مورد از آنها را کشف کنند.
نقصهای قدرت آماری در تحقیقات علوم اعصاب
غیرقابل پیشبینی است که بهعلت ماهیت پرهزینه تحقیقات علوم اعصاب، این حوزه دارای یک قدرت آماری میانه حدود ۲۱٪ و میانگین بین ۸٪ تا ۳۱٪ است. قدرت آماری پایین در تحقیقات علوم اعصاب:
شک و تردید در قابلیت تکرار یافتهها بهوجود میآورد.
به اندازه اثر بزرگمعدهای میانجامد.
احتمال اینکه نتایج آماری معناداری که نمایانگر اثر واقعی باشد، کاهش مییابد.
بنابراین، وضعیت کنونی تحقیقات علوم اعصاب توسط مشکل قدرت آماری به دام افتاده است زیرا این مقادیر بسیار پایینتر از آستانه تئوری کوهن است.
ایجاد یک گروه نمونه نماینده
هدف سناریو یک: اجتناب از خطاهای نمونهگیری و خطاهای نوع I و II در آزمایش ما با نمونهگیری فراگیر و بزرگ.
چند اسکن مغز انسانی باید در مجموعه نمونه ما گنجانده شود اگر میخواهیم آزمایش بهصورت عملی معنادار باشد؟ اهمیت عملی به این معناست که آیا نتایج یک آزمایش به جهان واقعی مربوط میشود یا خیر.
توانایی آزمایش یک دانشمند علوم اعصاب برای تعیین اثرات (قدرت آماری) به اندازه نمونه مربوط میشود. با ادامه پارامترهای سناریو ۱، هدف هنوز هم جمعآوری داده کافی است تا بتوانیم بهطور آماری ارزیابی کنیم که آیا یک اثر واقعی در زمان آزادسازی دوپامین بعد از نشان دادن محرکهای بصری احساساتی وجود دارد یا خیر. ما همچنین باید معیارهایی برای گنجاندن در نمونه تعیین کنیم که پتانسیل خطای نمونهگیری را به حداقل برساند.
چگونه میتوان از خطاهای نمونهگیری جلوگیری کرد
دو اصطلاح مهم برای درک قبل از پیشرفت وجود دارد.
خطای نمونهگیری: هنگام نمونهگیری، همواره احتمال وجود دارد که دادههای جمعآوری شده از افراد برگزیده نمایانگر جمعیت نباشد.
معنای آماری: معنای آماری به این معناست که دادههای ما و اثرات مشاهدهشده ما احتمالاً اثرات واقعی هستند. در بیشتر علوم پزشکی، معنای آماری با یک سطح معناداری یا p-value 0.05 تعیین میشود. اساساً، این به این معناست که دانشمندان ۹۵٪ اطمینان دارند که در اثرات مشاهده شده در آزمایشهای خود وجود دارد.
در نظر بگیرید که آیا دادهها رابطهای را نشان میدهند (یعنی آزادسازی دوپامین). این ۵٪ احتمال وجود دارد که اثر از شانس باشد و با متغیر (مح stimuliب بصری) بیارتباط باشد. این خطای نوع I خواهد بود. بهطور متقابل، ۵٪ احتمال وجود دارد که دادههای ما به جمعآوری نشان ندهند که بین آزادسازی دوپامین و محرکهای بصری هیچ رابطهای وجود ندارد، در حالی که در واقع اثر واقعی وجود دارد - یک منفی کاذب یا خطای نوع II.
برقراری دقیق معیارهای گنجایش تأثیر بیشتری دارد زیرا بعد از یک اندازه نمونه خاص، عواید به حد افت کاهش مییابند.
ما امیدواریم دادههایی جمعآوری کنیم که نماینده تمامی انسانها باشد، و میخواهیم نتایج ما هم بهطور عملی معنادار و هم بهطور آماری معنادار باشد. برای موفقیت در طراحی مجموعه نمونه خود، باید به خطای نمونهگیری، خطای نوع I (مثبت کاذب) یا خطای نوع II (منفی کاذب) توجه و جلوگیری کرد.
آزمایش ما در حال آزمایش فرضیه زیر است:
فرضیه صفر - هیچ رابطه یا اثری بین زمان آزادسازی دوپامین در NAc و محرک بصری مرتبط با احساسات وجود ندارد.
فرضیه - بین زمان آزادسازی دوپامین در NAc و محرک بصری مرتبط با احساسات، رابطهای وجود دارد، و اوج آزادسازی دوپامین بعد از دیدن محرکهای بصری رخ میدهد.
بین زمان آزادسازی دوپامین در NAc و محرکهای بصری مرتبط با احساسات یک رابطه وجود دارد. زمانی که دادهها از نظر آماری معنادار نیستند:
فرضیه ما رد میشود.
هیچ اثر واقعی یا تفاوتی پیدا نمیشود.
اثرهای مشاهدهشده ما به همان اندازه احتمال دارد که از شانس ناشی شوند.
درک جمعیت؟
محدودیتهای عملی در طراحی آزمایش.
در تحقیقات علوم اعصاب، یک معیار گنجایش رسمی معمولاً سعی میکند احتمال گنجایش را در کل جمعیت بهطور تصادفی برابر کند و/یا برای جلوگیری از خطاهای نمونهگیری، از انتخاب افرادی که فقط به دلایل نزدیکی یا در دسترس بودن، اقدام میکند، پرهیز کند.
بهترین رویکرد برای تولید مجموعه نمونه استفاده از معیارهای گنجایشی است که احتمال انتخاب را بهطور تصادفی برابر میکند. بهعنوان مثال، با استفاده از دادههای سرشماری، میتوانیم اطلاعات تماس ۵۰ فرد بهطور تصادفی انتخابشده را در هر شهرستان اوهایو بدست آوریم. این بهدلیل اینکه نامها بهصورت تصادفی از تمام نواحی جغرافیایی انتخاب شوند، به حداقل رساندن تمایل انتخاب کمک میکند.
برقراری طراحی آزمایش، افزایش اندازه نمونه و درک کامل معیارهای گنجایشی بینظیر، تصادفی و بهطور یکسان بهراحتی میتواند با محدودیتهای عملی روبرو شود. این مسئله برای تحقیقات علمی در همه سطوح، از تمرینات دانشگاهی تا دانشگاههای تحقیقاتی کامل است. معمولاً محدودیتهای بودجه و زمان محدودیتها نخستین فشار به سازش هستند. بهطور جمعی، این مسائل در مورد معنای آماری مناطق فعالی از تحقیق هستند.
اثر واقعی چیست؟
بهدلیل قدرت آماری پایین تحقیقات علوم اعصاب، ما معمولاً اندازه واقعی اثر را بیش تخمین میزنیم و این باعث کاهش قابل توجه تولیدات بسیاری از مطالعات میشود. بعلاوه، پیچیدگی ذاتی تحقیقات علوم اعصاب قدرت آماری را حیاتی میکند.
یک روش که این حوزه میتواند اتخاذ کند، افزایش قدرت یک مطالعه با افزایش اندازه نمونه است. این احتمال تشخیص یک اثر واقعی را افزایش میدهد. انتخاب اندازه نمونه مناسب برای طراحی پژوهش مهم است که:
کشفهای عملی را انجام دهد.
درک ما از فرایندهای بیشمار در مغز را پیش ببرد.
درمانیهای مؤثر را توسعه دهد.
غلبه بر چالشها در تحقیقات معاصر علوم اعصاب: پلتفرم EmotivLAB
طراحیهای آزمایشی تحقیقاتی علوم اعصاب باید بهدنبال ایجاد اندازههای بزرگتر گروه نمونه و معیارهای بهتری برای گنجایش باشند تا به معنا دار بودن آماری قابلاعتماد برسند. با دسترسی به یک پلتفرم با قابلیت جمعآوری داده مانند EmotivLAB، پژوهشگران دسترسی به گروههای نمونه متنوعتر و نمایندهتر را دارند - که اندازه نمونه و شمول همهی جمعیتها با کمترین تلاش لجستیکی اضافی برای گروههای پژوهشی بهبود میبخشد.
تحقیقات معاصر علوم اعصاب میتواند مستعد خطاهای نمونهگیری بهدلیل منابع محدودی که برای جذب یک گروه متنوع برای مجموعه نمونه تجربی وجود دارد، شود. مفهوم "گروه WEIRD" این مشکل را خلاصه میکند. بیشتر تحقیقات دانشگاهی در مقیاس کوچک در موضوعات تجربی که عموماً از کشورهای غربی، تحصیلکرده و صنعتی، ثروتمند و دموکراتیک انجام میشود. با این حال، وسایل جمعآوری دادههای از راه دور، مانند پلتفرم EEG EmotivLAB به پژوهشگران اجازه میدهد تا فراتر از محوطه دانشگاه برای جمعآوری گروههای نمونه بهتری که جمعیت را بهتر منعکس میکنند، دسترسی پیدا کنند.
پلتفرم EmotivLAB و تجهیزات EEG از راه دور فقط به پژوهشگران کمک نمیکند تا تنوع افراد شامل در گروه نمونه تجربی را گسترش دهند. همچنین مسائل مربوط به اندازه نمونه کلی و دامنه جغرافیایی برای جمعیتهای هدف را مدیریت میکند.
پلتفرم EmotivLAB پژوهشگران را از محدودیتهای کنونی آزاد میکند و به جای آن به آنها اجازه میدهد انرژی خود را بر روی طراحی آزمایشها و تجزیه و تحلیل نتایج متمرکز کنند. پلتفرم ما آزمایش را با مناسبترین افراد در استخر موضوعات تطبیق میدهد. نیازی به صرف زمان برای جذب شرکتکنندگان، هماهنگی و زمانبندی آنها و جمعآوری دادهها در آزمایشگاه نیست. تمام آنچه لازم است این است که جمعیت مورد نظر در پلتفرم آنلاین مشخص شود، و EmotivLAB آزمایش را برای مشارکتکنندگانی که بهترین انطباق با پارامترهای مورد نظر دارند، در دسترس قرار میدهد. شرکتکنندگان میتوانند آزمایشها را در خانه خود انجام دهند و از تجهیزات خود استفاده کنند. آشنایی آنها با هدست نیاز به ارائه آموزش دربارهی استفاده از آن را از بین میبرد.
علاوه بر این، پلتفرم EmotivLAB کنترل کیفیت دادههای ضبط EEG را بهطور خودکار و ارزیابی آن را فراهم میکند. حجم زیادی از دادههای با کیفیت پایین به حل مشکلات نمونهگیری یا خطاهای آماری در طراحیهای آزمایشی کمک نمیکند. اما دسترسی به دادههای با کیفیت بالا، راهحلی فراهم میکند برای کمک به جلوگیری از خطاها در:
نمونهگیری
جمعیت
معنای آماری
آیا میخواهید بیشتر درباره این بدانید که پلتفرم EmotivLAB چهکاری برای پژوهش شما میتواند انجام دهد؟
EmotivLABS به شما این امکان را میدهد که آزمایش خود را بسازید، آن را بهطور امن و مطمئن گسترش دهید، از پنل جهانی مشارکتکنندگان تأیید شده استخدام کنید و دادههای EEG با کیفیت بالا جمعآوری کنید، همه از یک پلتفرم. برای کسب اطلاعات بیشتر کلیک کنید یا درخواست دمو بدهید.
معنای آماری: اندازه نمونه و قدرت آماری - برای درک جهان اطراف ما، محققان بهطور رسمی از روش علمی استفاده میکنند تا حقایق مشکوک را از دروغها جدا کنند. علوم اعصاب شناختی بهدنبال درک این است که چگونه سیستمهای ژنتیکی، عصبی و رفتاری از توانایی یک موجود برای حس کردن، تعامل، ناوبری و تفکر دربارهی جهان اطرافشان پشتیبانی میکند.
این به این معناست که علوم اعصاب شناختی آزمایشها را طراحی و دادهها را در تمام سطوح تحلیل جمعآوری میکند. برنامههای تحقیقاتی در سرتاسر جهان که به دنبال افزایش درک ما از جهان طبیعی هستند، بهطور مرتب فرضیات یا فرضیههایی را در یک سری دقیق از آزمایشهای کوچکتر آزمون میکنند. این آزمایشها معمولاً به بررسی عوامل خاصی میپردازند که ممکن است بر نتیجه تأثیر بگذارند یا نگذارند و در عین حال تأثیر عوامل اضافی مانند محیط، گرایش جنسی، نژاد یا وضعیت اجتماعی-اقتصادی را به حداقل میرسانند.
سناریو یک: مطالعهی آزادسازی دوپامین
در علوم اعصاب شناختی، دوپامین بهطور کلی بهعنوان ترکیب "خوشایند" در نظر گرفته میشود. آزادسازی آن در هسته آکومبنس (NuAc) توسط رفتارها یا چیزهایی که ما را به رفتار تحریک میکنند، شروع میشود. این میتواند شامل موارد زیر باشد:
خوردن یک وعده غذایی خوب
وقت گذراندن با عزیزان
تکمیل
شکر
فرض کنید میخواهیم بفهمیم آیا اوج سطح دوپامین در NuAc قبل، در حین یا بعد از قرارگیری در معرض یک محرک بصری مورد نظر یا آشنا رخ میدهد. ما میتوانیم از طراحی آزمایش EEG که از مطالعهی آمایتا جوهانا مکنیش اقتباس شده است، استفاده کنیم. ما میتوانیم فرض کنیم که آزادسازی دوپامین در حین و کمی بعد از قرارگیری در معرض محرکهای بصری آشنا یا مورد نظر رخ میدهد.
اکنون، مهمترین سؤال این است که از کجا پسزمینههای آزمایش کنیم؟
در شرایط آزمایشی، "جمعیت" به گروه کلی بزرگتری اشاره دارد که در حال مطالعه است. نامعقول و بعید است که آزمایشگاه شما بتواند تکنیکهایی برای جذب و جمعآوری دادههای آزادسازی دوپامین از صدها هزار یا میلیونها نفر طراحی کند.
بنابراین، ما تلاش خواهیم کرد که دادههایی از یک گروه یا نمونه نماینده کوچکتر جمعآوری کنیم تا جمعیت را درک کنیم. برای این کار، باید به دو سؤال اصلی پاسخ دهیم.
چند نفر باید در نمونه ما گنجانده شوند؟
این چگونه به معنای عملی و قدرت آماری مرتبط است؟
بیایید آن را در زیر تجزیه کنیم.
قدرت آماری و اثر واقعی
قدرت آماری بهعنوان احتمال تشخیص تفاوت معنا دار آماری تعریف میشود هنگامی که چنین تفاوتی واقعاً وجود دارد. این همچنین بهعنوان یک اثر واقعی شناخته میشود.
اثر واقعی پایهگذار طراحی آزمایش است. گزارش ۱۹۸۸ کوهن، که بهدلیل مشارکتهایش در روش علمی معروف است، استدلال کرد که یک مطالعه باید بهگونهای طراحی شود که ۸۰٪ احتمال تشخیص یک اثر واقعی را داشته باشد. این ۸۰٪ نمایانگر طراحی آزمایش با قدرت بالا (HP) است در حالی که هر مقدار نزدیک به ۲۰٪ نمایانگر طراحی آزمایش با قدرت پایین (LP) است.
کوهن پیشنهاد کرد که مطالعات همیشه باید کمتر از ۲۰٪ احتمال اشتباه نوع II، که بهعنوان منفی کاذب شناخته میشود، داشته باشند. او همچنین از این رنجهای راهنما برای کشفهای از دست رفته استفاده میکند، که زمانی اتفاق میافتد که یک محقق نادرست گزارش میدهد که هیچ اثر معنا داری وجود ندارد در حالی که یک تفاوت واقعی وجود دارد.
چرا قدرت آماری مهم است؟
به این سناریو فکر کنید. اگر یک اثر واقعی در ۱۰۰ مطالعه مختلف با ۸۰٪ قدرت وجود داشته باشد، آزمایشهای آماری یک اثر واقعی را در ۸۰ از ۱۰۰ مورد تشخیص خواهند داد. با این حال، هنگامی که یک مطالعه دارای قدرت تحقیقاتی ۲۰٪ است، اگر ۱۰۰ اثر واقعی غیر صفر در نتایج وجود داشته باشد، انتظار میرود این مطالعات تنها ۲۰ مورد از آنها را کشف کنند.
نقصهای قدرت آماری در تحقیقات علوم اعصاب
غیرقابل پیشبینی است که بهعلت ماهیت پرهزینه تحقیقات علوم اعصاب، این حوزه دارای یک قدرت آماری میانه حدود ۲۱٪ و میانگین بین ۸٪ تا ۳۱٪ است. قدرت آماری پایین در تحقیقات علوم اعصاب:
شک و تردید در قابلیت تکرار یافتهها بهوجود میآورد.
به اندازه اثر بزرگمعدهای میانجامد.
احتمال اینکه نتایج آماری معناداری که نمایانگر اثر واقعی باشد، کاهش مییابد.
بنابراین، وضعیت کنونی تحقیقات علوم اعصاب توسط مشکل قدرت آماری به دام افتاده است زیرا این مقادیر بسیار پایینتر از آستانه تئوری کوهن است.
ایجاد یک گروه نمونه نماینده
هدف سناریو یک: اجتناب از خطاهای نمونهگیری و خطاهای نوع I و II در آزمایش ما با نمونهگیری فراگیر و بزرگ.
چند اسکن مغز انسانی باید در مجموعه نمونه ما گنجانده شود اگر میخواهیم آزمایش بهصورت عملی معنادار باشد؟ اهمیت عملی به این معناست که آیا نتایج یک آزمایش به جهان واقعی مربوط میشود یا خیر.
توانایی آزمایش یک دانشمند علوم اعصاب برای تعیین اثرات (قدرت آماری) به اندازه نمونه مربوط میشود. با ادامه پارامترهای سناریو ۱، هدف هنوز هم جمعآوری داده کافی است تا بتوانیم بهطور آماری ارزیابی کنیم که آیا یک اثر واقعی در زمان آزادسازی دوپامین بعد از نشان دادن محرکهای بصری احساساتی وجود دارد یا خیر. ما همچنین باید معیارهایی برای گنجاندن در نمونه تعیین کنیم که پتانسیل خطای نمونهگیری را به حداقل برساند.
چگونه میتوان از خطاهای نمونهگیری جلوگیری کرد
دو اصطلاح مهم برای درک قبل از پیشرفت وجود دارد.
خطای نمونهگیری: هنگام نمونهگیری، همواره احتمال وجود دارد که دادههای جمعآوری شده از افراد برگزیده نمایانگر جمعیت نباشد.
معنای آماری: معنای آماری به این معناست که دادههای ما و اثرات مشاهدهشده ما احتمالاً اثرات واقعی هستند. در بیشتر علوم پزشکی، معنای آماری با یک سطح معناداری یا p-value 0.05 تعیین میشود. اساساً، این به این معناست که دانشمندان ۹۵٪ اطمینان دارند که در اثرات مشاهده شده در آزمایشهای خود وجود دارد.
در نظر بگیرید که آیا دادهها رابطهای را نشان میدهند (یعنی آزادسازی دوپامین). این ۵٪ احتمال وجود دارد که اثر از شانس باشد و با متغیر (مح stimuliب بصری) بیارتباط باشد. این خطای نوع I خواهد بود. بهطور متقابل، ۵٪ احتمال وجود دارد که دادههای ما به جمعآوری نشان ندهند که بین آزادسازی دوپامین و محرکهای بصری هیچ رابطهای وجود ندارد، در حالی که در واقع اثر واقعی وجود دارد - یک منفی کاذب یا خطای نوع II.
برقراری دقیق معیارهای گنجایش تأثیر بیشتری دارد زیرا بعد از یک اندازه نمونه خاص، عواید به حد افت کاهش مییابند.
ما امیدواریم دادههایی جمعآوری کنیم که نماینده تمامی انسانها باشد، و میخواهیم نتایج ما هم بهطور عملی معنادار و هم بهطور آماری معنادار باشد. برای موفقیت در طراحی مجموعه نمونه خود، باید به خطای نمونهگیری، خطای نوع I (مثبت کاذب) یا خطای نوع II (منفی کاذب) توجه و جلوگیری کرد.
آزمایش ما در حال آزمایش فرضیه زیر است:
فرضیه صفر - هیچ رابطه یا اثری بین زمان آزادسازی دوپامین در NAc و محرک بصری مرتبط با احساسات وجود ندارد.
فرضیه - بین زمان آزادسازی دوپامین در NAc و محرک بصری مرتبط با احساسات، رابطهای وجود دارد، و اوج آزادسازی دوپامین بعد از دیدن محرکهای بصری رخ میدهد.
بین زمان آزادسازی دوپامین در NAc و محرکهای بصری مرتبط با احساسات یک رابطه وجود دارد. زمانی که دادهها از نظر آماری معنادار نیستند:
فرضیه ما رد میشود.
هیچ اثر واقعی یا تفاوتی پیدا نمیشود.
اثرهای مشاهدهشده ما به همان اندازه احتمال دارد که از شانس ناشی شوند.
درک جمعیت؟
محدودیتهای عملی در طراحی آزمایش.
در تحقیقات علوم اعصاب، یک معیار گنجایش رسمی معمولاً سعی میکند احتمال گنجایش را در کل جمعیت بهطور تصادفی برابر کند و/یا برای جلوگیری از خطاهای نمونهگیری، از انتخاب افرادی که فقط به دلایل نزدیکی یا در دسترس بودن، اقدام میکند، پرهیز کند.
بهترین رویکرد برای تولید مجموعه نمونه استفاده از معیارهای گنجایشی است که احتمال انتخاب را بهطور تصادفی برابر میکند. بهعنوان مثال، با استفاده از دادههای سرشماری، میتوانیم اطلاعات تماس ۵۰ فرد بهطور تصادفی انتخابشده را در هر شهرستان اوهایو بدست آوریم. این بهدلیل اینکه نامها بهصورت تصادفی از تمام نواحی جغرافیایی انتخاب شوند، به حداقل رساندن تمایل انتخاب کمک میکند.
برقراری طراحی آزمایش، افزایش اندازه نمونه و درک کامل معیارهای گنجایشی بینظیر، تصادفی و بهطور یکسان بهراحتی میتواند با محدودیتهای عملی روبرو شود. این مسئله برای تحقیقات علمی در همه سطوح، از تمرینات دانشگاهی تا دانشگاههای تحقیقاتی کامل است. معمولاً محدودیتهای بودجه و زمان محدودیتها نخستین فشار به سازش هستند. بهطور جمعی، این مسائل در مورد معنای آماری مناطق فعالی از تحقیق هستند.
اثر واقعی چیست؟
بهدلیل قدرت آماری پایین تحقیقات علوم اعصاب، ما معمولاً اندازه واقعی اثر را بیش تخمین میزنیم و این باعث کاهش قابل توجه تولیدات بسیاری از مطالعات میشود. بعلاوه، پیچیدگی ذاتی تحقیقات علوم اعصاب قدرت آماری را حیاتی میکند.
یک روش که این حوزه میتواند اتخاذ کند، افزایش قدرت یک مطالعه با افزایش اندازه نمونه است. این احتمال تشخیص یک اثر واقعی را افزایش میدهد. انتخاب اندازه نمونه مناسب برای طراحی پژوهش مهم است که:
کشفهای عملی را انجام دهد.
درک ما از فرایندهای بیشمار در مغز را پیش ببرد.
درمانیهای مؤثر را توسعه دهد.
غلبه بر چالشها در تحقیقات معاصر علوم اعصاب: پلتفرم EmotivLAB
طراحیهای آزمایشی تحقیقاتی علوم اعصاب باید بهدنبال ایجاد اندازههای بزرگتر گروه نمونه و معیارهای بهتری برای گنجایش باشند تا به معنا دار بودن آماری قابلاعتماد برسند. با دسترسی به یک پلتفرم با قابلیت جمعآوری داده مانند EmotivLAB، پژوهشگران دسترسی به گروههای نمونه متنوعتر و نمایندهتر را دارند - که اندازه نمونه و شمول همهی جمعیتها با کمترین تلاش لجستیکی اضافی برای گروههای پژوهشی بهبود میبخشد.
تحقیقات معاصر علوم اعصاب میتواند مستعد خطاهای نمونهگیری بهدلیل منابع محدودی که برای جذب یک گروه متنوع برای مجموعه نمونه تجربی وجود دارد، شود. مفهوم "گروه WEIRD" این مشکل را خلاصه میکند. بیشتر تحقیقات دانشگاهی در مقیاس کوچک در موضوعات تجربی که عموماً از کشورهای غربی، تحصیلکرده و صنعتی، ثروتمند و دموکراتیک انجام میشود. با این حال، وسایل جمعآوری دادههای از راه دور، مانند پلتفرم EEG EmotivLAB به پژوهشگران اجازه میدهد تا فراتر از محوطه دانشگاه برای جمعآوری گروههای نمونه بهتری که جمعیت را بهتر منعکس میکنند، دسترسی پیدا کنند.
پلتفرم EmotivLAB و تجهیزات EEG از راه دور فقط به پژوهشگران کمک نمیکند تا تنوع افراد شامل در گروه نمونه تجربی را گسترش دهند. همچنین مسائل مربوط به اندازه نمونه کلی و دامنه جغرافیایی برای جمعیتهای هدف را مدیریت میکند.
پلتفرم EmotivLAB پژوهشگران را از محدودیتهای کنونی آزاد میکند و به جای آن به آنها اجازه میدهد انرژی خود را بر روی طراحی آزمایشها و تجزیه و تحلیل نتایج متمرکز کنند. پلتفرم ما آزمایش را با مناسبترین افراد در استخر موضوعات تطبیق میدهد. نیازی به صرف زمان برای جذب شرکتکنندگان، هماهنگی و زمانبندی آنها و جمعآوری دادهها در آزمایشگاه نیست. تمام آنچه لازم است این است که جمعیت مورد نظر در پلتفرم آنلاین مشخص شود، و EmotivLAB آزمایش را برای مشارکتکنندگانی که بهترین انطباق با پارامترهای مورد نظر دارند، در دسترس قرار میدهد. شرکتکنندگان میتوانند آزمایشها را در خانه خود انجام دهند و از تجهیزات خود استفاده کنند. آشنایی آنها با هدست نیاز به ارائه آموزش دربارهی استفاده از آن را از بین میبرد.
علاوه بر این، پلتفرم EmotivLAB کنترل کیفیت دادههای ضبط EEG را بهطور خودکار و ارزیابی آن را فراهم میکند. حجم زیادی از دادههای با کیفیت پایین به حل مشکلات نمونهگیری یا خطاهای آماری در طراحیهای آزمایشی کمک نمیکند. اما دسترسی به دادههای با کیفیت بالا، راهحلی فراهم میکند برای کمک به جلوگیری از خطاها در:
نمونهگیری
جمعیت
معنای آماری
آیا میخواهید بیشتر درباره این بدانید که پلتفرم EmotivLAB چهکاری برای پژوهش شما میتواند انجام دهد؟
EmotivLABS به شما این امکان را میدهد که آزمایش خود را بسازید، آن را بهطور امن و مطمئن گسترش دهید، از پنل جهانی مشارکتکنندگان تأیید شده استخدام کنید و دادههای EEG با کیفیت بالا جمعآوری کنید، همه از یک پلتفرم. برای کسب اطلاعات بیشتر کلیک کنید یا درخواست دمو بدهید.
معنای آماری: اندازه نمونه و قدرت آماری - برای درک جهان اطراف ما، محققان بهطور رسمی از روش علمی استفاده میکنند تا حقایق مشکوک را از دروغها جدا کنند. علوم اعصاب شناختی بهدنبال درک این است که چگونه سیستمهای ژنتیکی، عصبی و رفتاری از توانایی یک موجود برای حس کردن، تعامل، ناوبری و تفکر دربارهی جهان اطرافشان پشتیبانی میکند.
این به این معناست که علوم اعصاب شناختی آزمایشها را طراحی و دادهها را در تمام سطوح تحلیل جمعآوری میکند. برنامههای تحقیقاتی در سرتاسر جهان که به دنبال افزایش درک ما از جهان طبیعی هستند، بهطور مرتب فرضیات یا فرضیههایی را در یک سری دقیق از آزمایشهای کوچکتر آزمون میکنند. این آزمایشها معمولاً به بررسی عوامل خاصی میپردازند که ممکن است بر نتیجه تأثیر بگذارند یا نگذارند و در عین حال تأثیر عوامل اضافی مانند محیط، گرایش جنسی، نژاد یا وضعیت اجتماعی-اقتصادی را به حداقل میرسانند.
سناریو یک: مطالعهی آزادسازی دوپامین
در علوم اعصاب شناختی، دوپامین بهطور کلی بهعنوان ترکیب "خوشایند" در نظر گرفته میشود. آزادسازی آن در هسته آکومبنس (NuAc) توسط رفتارها یا چیزهایی که ما را به رفتار تحریک میکنند، شروع میشود. این میتواند شامل موارد زیر باشد:
خوردن یک وعده غذایی خوب
وقت گذراندن با عزیزان
تکمیل
شکر
فرض کنید میخواهیم بفهمیم آیا اوج سطح دوپامین در NuAc قبل، در حین یا بعد از قرارگیری در معرض یک محرک بصری مورد نظر یا آشنا رخ میدهد. ما میتوانیم از طراحی آزمایش EEG که از مطالعهی آمایتا جوهانا مکنیش اقتباس شده است، استفاده کنیم. ما میتوانیم فرض کنیم که آزادسازی دوپامین در حین و کمی بعد از قرارگیری در معرض محرکهای بصری آشنا یا مورد نظر رخ میدهد.
اکنون، مهمترین سؤال این است که از کجا پسزمینههای آزمایش کنیم؟
در شرایط آزمایشی، "جمعیت" به گروه کلی بزرگتری اشاره دارد که در حال مطالعه است. نامعقول و بعید است که آزمایشگاه شما بتواند تکنیکهایی برای جذب و جمعآوری دادههای آزادسازی دوپامین از صدها هزار یا میلیونها نفر طراحی کند.
بنابراین، ما تلاش خواهیم کرد که دادههایی از یک گروه یا نمونه نماینده کوچکتر جمعآوری کنیم تا جمعیت را درک کنیم. برای این کار، باید به دو سؤال اصلی پاسخ دهیم.
چند نفر باید در نمونه ما گنجانده شوند؟
این چگونه به معنای عملی و قدرت آماری مرتبط است؟
بیایید آن را در زیر تجزیه کنیم.
قدرت آماری و اثر واقعی
قدرت آماری بهعنوان احتمال تشخیص تفاوت معنا دار آماری تعریف میشود هنگامی که چنین تفاوتی واقعاً وجود دارد. این همچنین بهعنوان یک اثر واقعی شناخته میشود.
اثر واقعی پایهگذار طراحی آزمایش است. گزارش ۱۹۸۸ کوهن، که بهدلیل مشارکتهایش در روش علمی معروف است، استدلال کرد که یک مطالعه باید بهگونهای طراحی شود که ۸۰٪ احتمال تشخیص یک اثر واقعی را داشته باشد. این ۸۰٪ نمایانگر طراحی آزمایش با قدرت بالا (HP) است در حالی که هر مقدار نزدیک به ۲۰٪ نمایانگر طراحی آزمایش با قدرت پایین (LP) است.
کوهن پیشنهاد کرد که مطالعات همیشه باید کمتر از ۲۰٪ احتمال اشتباه نوع II، که بهعنوان منفی کاذب شناخته میشود، داشته باشند. او همچنین از این رنجهای راهنما برای کشفهای از دست رفته استفاده میکند، که زمانی اتفاق میافتد که یک محقق نادرست گزارش میدهد که هیچ اثر معنا داری وجود ندارد در حالی که یک تفاوت واقعی وجود دارد.
چرا قدرت آماری مهم است؟
به این سناریو فکر کنید. اگر یک اثر واقعی در ۱۰۰ مطالعه مختلف با ۸۰٪ قدرت وجود داشته باشد، آزمایشهای آماری یک اثر واقعی را در ۸۰ از ۱۰۰ مورد تشخیص خواهند داد. با این حال، هنگامی که یک مطالعه دارای قدرت تحقیقاتی ۲۰٪ است، اگر ۱۰۰ اثر واقعی غیر صفر در نتایج وجود داشته باشد، انتظار میرود این مطالعات تنها ۲۰ مورد از آنها را کشف کنند.
نقصهای قدرت آماری در تحقیقات علوم اعصاب
غیرقابل پیشبینی است که بهعلت ماهیت پرهزینه تحقیقات علوم اعصاب، این حوزه دارای یک قدرت آماری میانه حدود ۲۱٪ و میانگین بین ۸٪ تا ۳۱٪ است. قدرت آماری پایین در تحقیقات علوم اعصاب:
شک و تردید در قابلیت تکرار یافتهها بهوجود میآورد.
به اندازه اثر بزرگمعدهای میانجامد.
احتمال اینکه نتایج آماری معناداری که نمایانگر اثر واقعی باشد، کاهش مییابد.
بنابراین، وضعیت کنونی تحقیقات علوم اعصاب توسط مشکل قدرت آماری به دام افتاده است زیرا این مقادیر بسیار پایینتر از آستانه تئوری کوهن است.
ایجاد یک گروه نمونه نماینده
هدف سناریو یک: اجتناب از خطاهای نمونهگیری و خطاهای نوع I و II در آزمایش ما با نمونهگیری فراگیر و بزرگ.
چند اسکن مغز انسانی باید در مجموعه نمونه ما گنجانده شود اگر میخواهیم آزمایش بهصورت عملی معنادار باشد؟ اهمیت عملی به این معناست که آیا نتایج یک آزمایش به جهان واقعی مربوط میشود یا خیر.
توانایی آزمایش یک دانشمند علوم اعصاب برای تعیین اثرات (قدرت آماری) به اندازه نمونه مربوط میشود. با ادامه پارامترهای سناریو ۱، هدف هنوز هم جمعآوری داده کافی است تا بتوانیم بهطور آماری ارزیابی کنیم که آیا یک اثر واقعی در زمان آزادسازی دوپامین بعد از نشان دادن محرکهای بصری احساساتی وجود دارد یا خیر. ما همچنین باید معیارهایی برای گنجاندن در نمونه تعیین کنیم که پتانسیل خطای نمونهگیری را به حداقل برساند.
چگونه میتوان از خطاهای نمونهگیری جلوگیری کرد
دو اصطلاح مهم برای درک قبل از پیشرفت وجود دارد.
خطای نمونهگیری: هنگام نمونهگیری، همواره احتمال وجود دارد که دادههای جمعآوری شده از افراد برگزیده نمایانگر جمعیت نباشد.
معنای آماری: معنای آماری به این معناست که دادههای ما و اثرات مشاهدهشده ما احتمالاً اثرات واقعی هستند. در بیشتر علوم پزشکی، معنای آماری با یک سطح معناداری یا p-value 0.05 تعیین میشود. اساساً، این به این معناست که دانشمندان ۹۵٪ اطمینان دارند که در اثرات مشاهده شده در آزمایشهای خود وجود دارد.
در نظر بگیرید که آیا دادهها رابطهای را نشان میدهند (یعنی آزادسازی دوپامین). این ۵٪ احتمال وجود دارد که اثر از شانس باشد و با متغیر (مح stimuliب بصری) بیارتباط باشد. این خطای نوع I خواهد بود. بهطور متقابل، ۵٪ احتمال وجود دارد که دادههای ما به جمعآوری نشان ندهند که بین آزادسازی دوپامین و محرکهای بصری هیچ رابطهای وجود ندارد، در حالی که در واقع اثر واقعی وجود دارد - یک منفی کاذب یا خطای نوع II.
برقراری دقیق معیارهای گنجایش تأثیر بیشتری دارد زیرا بعد از یک اندازه نمونه خاص، عواید به حد افت کاهش مییابند.
ما امیدواریم دادههایی جمعآوری کنیم که نماینده تمامی انسانها باشد، و میخواهیم نتایج ما هم بهطور عملی معنادار و هم بهطور آماری معنادار باشد. برای موفقیت در طراحی مجموعه نمونه خود، باید به خطای نمونهگیری، خطای نوع I (مثبت کاذب) یا خطای نوع II (منفی کاذب) توجه و جلوگیری کرد.
آزمایش ما در حال آزمایش فرضیه زیر است:
فرضیه صفر - هیچ رابطه یا اثری بین زمان آزادسازی دوپامین در NAc و محرک بصری مرتبط با احساسات وجود ندارد.
فرضیه - بین زمان آزادسازی دوپامین در NAc و محرک بصری مرتبط با احساسات، رابطهای وجود دارد، و اوج آزادسازی دوپامین بعد از دیدن محرکهای بصری رخ میدهد.
بین زمان آزادسازی دوپامین در NAc و محرکهای بصری مرتبط با احساسات یک رابطه وجود دارد. زمانی که دادهها از نظر آماری معنادار نیستند:
فرضیه ما رد میشود.
هیچ اثر واقعی یا تفاوتی پیدا نمیشود.
اثرهای مشاهدهشده ما به همان اندازه احتمال دارد که از شانس ناشی شوند.
درک جمعیت؟
محدودیتهای عملی در طراحی آزمایش.
در تحقیقات علوم اعصاب، یک معیار گنجایش رسمی معمولاً سعی میکند احتمال گنجایش را در کل جمعیت بهطور تصادفی برابر کند و/یا برای جلوگیری از خطاهای نمونهگیری، از انتخاب افرادی که فقط به دلایل نزدیکی یا در دسترس بودن، اقدام میکند، پرهیز کند.
بهترین رویکرد برای تولید مجموعه نمونه استفاده از معیارهای گنجایشی است که احتمال انتخاب را بهطور تصادفی برابر میکند. بهعنوان مثال، با استفاده از دادههای سرشماری، میتوانیم اطلاعات تماس ۵۰ فرد بهطور تصادفی انتخابشده را در هر شهرستان اوهایو بدست آوریم. این بهدلیل اینکه نامها بهصورت تصادفی از تمام نواحی جغرافیایی انتخاب شوند، به حداقل رساندن تمایل انتخاب کمک میکند.
برقراری طراحی آزمایش، افزایش اندازه نمونه و درک کامل معیارهای گنجایشی بینظیر، تصادفی و بهطور یکسان بهراحتی میتواند با محدودیتهای عملی روبرو شود. این مسئله برای تحقیقات علمی در همه سطوح، از تمرینات دانشگاهی تا دانشگاههای تحقیقاتی کامل است. معمولاً محدودیتهای بودجه و زمان محدودیتها نخستین فشار به سازش هستند. بهطور جمعی، این مسائل در مورد معنای آماری مناطق فعالی از تحقیق هستند.
اثر واقعی چیست؟
بهدلیل قدرت آماری پایین تحقیقات علوم اعصاب، ما معمولاً اندازه واقعی اثر را بیش تخمین میزنیم و این باعث کاهش قابل توجه تولیدات بسیاری از مطالعات میشود. بعلاوه، پیچیدگی ذاتی تحقیقات علوم اعصاب قدرت آماری را حیاتی میکند.
یک روش که این حوزه میتواند اتخاذ کند، افزایش قدرت یک مطالعه با افزایش اندازه نمونه است. این احتمال تشخیص یک اثر واقعی را افزایش میدهد. انتخاب اندازه نمونه مناسب برای طراحی پژوهش مهم است که:
کشفهای عملی را انجام دهد.
درک ما از فرایندهای بیشمار در مغز را پیش ببرد.
درمانیهای مؤثر را توسعه دهد.
غلبه بر چالشها در تحقیقات معاصر علوم اعصاب: پلتفرم EmotivLAB
طراحیهای آزمایشی تحقیقاتی علوم اعصاب باید بهدنبال ایجاد اندازههای بزرگتر گروه نمونه و معیارهای بهتری برای گنجایش باشند تا به معنا دار بودن آماری قابلاعتماد برسند. با دسترسی به یک پلتفرم با قابلیت جمعآوری داده مانند EmotivLAB، پژوهشگران دسترسی به گروههای نمونه متنوعتر و نمایندهتر را دارند - که اندازه نمونه و شمول همهی جمعیتها با کمترین تلاش لجستیکی اضافی برای گروههای پژوهشی بهبود میبخشد.
تحقیقات معاصر علوم اعصاب میتواند مستعد خطاهای نمونهگیری بهدلیل منابع محدودی که برای جذب یک گروه متنوع برای مجموعه نمونه تجربی وجود دارد، شود. مفهوم "گروه WEIRD" این مشکل را خلاصه میکند. بیشتر تحقیقات دانشگاهی در مقیاس کوچک در موضوعات تجربی که عموماً از کشورهای غربی، تحصیلکرده و صنعتی، ثروتمند و دموکراتیک انجام میشود. با این حال، وسایل جمعآوری دادههای از راه دور، مانند پلتفرم EEG EmotivLAB به پژوهشگران اجازه میدهد تا فراتر از محوطه دانشگاه برای جمعآوری گروههای نمونه بهتری که جمعیت را بهتر منعکس میکنند، دسترسی پیدا کنند.
پلتفرم EmotivLAB و تجهیزات EEG از راه دور فقط به پژوهشگران کمک نمیکند تا تنوع افراد شامل در گروه نمونه تجربی را گسترش دهند. همچنین مسائل مربوط به اندازه نمونه کلی و دامنه جغرافیایی برای جمعیتهای هدف را مدیریت میکند.
پلتفرم EmotivLAB پژوهشگران را از محدودیتهای کنونی آزاد میکند و به جای آن به آنها اجازه میدهد انرژی خود را بر روی طراحی آزمایشها و تجزیه و تحلیل نتایج متمرکز کنند. پلتفرم ما آزمایش را با مناسبترین افراد در استخر موضوعات تطبیق میدهد. نیازی به صرف زمان برای جذب شرکتکنندگان، هماهنگی و زمانبندی آنها و جمعآوری دادهها در آزمایشگاه نیست. تمام آنچه لازم است این است که جمعیت مورد نظر در پلتفرم آنلاین مشخص شود، و EmotivLAB آزمایش را برای مشارکتکنندگانی که بهترین انطباق با پارامترهای مورد نظر دارند، در دسترس قرار میدهد. شرکتکنندگان میتوانند آزمایشها را در خانه خود انجام دهند و از تجهیزات خود استفاده کنند. آشنایی آنها با هدست نیاز به ارائه آموزش دربارهی استفاده از آن را از بین میبرد.
علاوه بر این، پلتفرم EmotivLAB کنترل کیفیت دادههای ضبط EEG را بهطور خودکار و ارزیابی آن را فراهم میکند. حجم زیادی از دادههای با کیفیت پایین به حل مشکلات نمونهگیری یا خطاهای آماری در طراحیهای آزمایشی کمک نمیکند. اما دسترسی به دادههای با کیفیت بالا، راهحلی فراهم میکند برای کمک به جلوگیری از خطاها در:
نمونهگیری
جمعیت
معنای آماری
آیا میخواهید بیشتر درباره این بدانید که پلتفرم EmotivLAB چهکاری برای پژوهش شما میتواند انجام دهد؟
EmotivLABS به شما این امکان را میدهد که آزمایش خود را بسازید، آن را بهطور امن و مطمئن گسترش دهید، از پنل جهانی مشارکتکنندگان تأیید شده استخدام کنید و دادههای EEG با کیفیت بالا جمعآوری کنید، همه از یک پلتفرم. برای کسب اطلاعات بیشتر کلیک کنید یا درخواست دمو بدهید.
