Signification statistique : taille(s) de l'échantillon et puissance statistique
Quoc Minh Lai
Mis à jour le
Signification statistique : taille(s) de l'échantillon et puissance statistique
Quoc Minh Lai
Mis à jour le
Signification statistique : taille(s) de l'échantillon et puissance statistique
Quoc Minh Lai
Mis à jour le
Signplication statistique : Taille(s) de l'échantillon & Puissance statistique - Pour comprendre le monde qui nous entoure, les chercheurs utilisent formellement la méthode scientifique comme un moyen de séparer les vérités suspectées des faussetés. Les neurosciences cognitives visent à comprendre comment les systèmes génétiques, neurologiques et comportementaux soutiennent la capacité d'un organisme à percevoir, interagir, naviguer et penser le monde qui l'entoure.
Cela signifie que les neurosciences cognitives conçoivent des expériences et collectent des données à tous les niveaux d'analyse. Les programmes de recherche du monde entier cherchant à approfondir notre compréhension du monde naturel testent régulièrement des hypothèses dans le cadre d'une série bien planifiée d'expériences plus petites. Ces expériences ont tendance à sonder des facteurs spécifiques qui peuvent ou non influencer un résultat tout en minimisant l'influence de facteurs externes tels que l'environnement, l'orientation sexuelle, la race ou le statut socio-économique.
Scénario Un : Une étude sur la libération de dopamine
En neurosciences cognitives, la dopamine est généralement considérée comme un composé du « bien-être ». Sa libération dans le noyau accumbens (NuAc) est déclenchée par des comportements ou des choses qui nous motivent à agir. Ceux-ci peuvent inclure :
Prendre un bon repas
Passer du temps avec ses proches
Le sexe
Le sucre
Disons que nous aimerions savoir si les niveaux de pointe de dopamine dans le NuAc se produisent avant, pendant ou après l'exposition à un stimulus visuel souhaité ou familier. Nous pouvons utiliser la conception expérimentale EEG adoptée de l' étude d'Amatya Johanna Mackintosh. Nous pouvons émettre l'hypothèse que la libération de dopamine se produit pendant et culmine légèrement après l'exposition aux stimuli visuels familiers ou souhaités.
Maintenant, et c'est le plus critique, où trouvons-nous des sujets de test ?
Dans les situations expérimentales, la « population » fait référence au groupe collectif total, plus large, étudié. Il est peu pratique et improbable que votre laboratoire puisse concevoir une technique pour recruter et collecter des données de libération de dopamine sur des centaines de milliers ou des millions de personnes.
Par conséquent, nous tenterons de rassembler des données à partir d'un groupe ou échantillon représentatif plus restreint pour comprendre la population. Pour ce faire, nous devrons répondre à deux questions principales.
Combien d'individus doivent être inclus dans notre échantillon ?
Quel est le rapport avec la signification pratique et la puissance statistique ?
Développons cela ci-dessous.
Puissance statistique et effet réel
La puissance statistique est définie comme la probabilité qu'un test détecte une différence statistiquement significative lorsqu'une telle différence existe réellement. On l'appelle également un effet réel.
L'effet réel est la pierre angulaire de la conception expérimentale. Le rapport de Cohen de 1988, prolifique pour ses contributions à la méthode scientifique, a soutenu qu'une étude devrait être conçue pour avoir une probabilité de 80 % de détecter un effet réel. Ces 80 % représentent une conception de test à haute puissance (HP), tandis que toute valeur proche de 20 % est une conception de test à faible puissance (LP).
Cohen a suggéré que les études devraient toujours avoir une probabilité inférieure à 20 % de commettre une erreur de type II, connue sous le nom de faux négatif. Il utilise également ces mêmes plages de directives pour les découvertes manquées, qui se produisent lorsqu'un chercheur rapporte de manière inexacte l'absence d'effet significatif alors qu'une différence existe réellement.
Pourquoi la puissance statistique est-elle importante ?
Pensez à ce scénario. Si un effet réel existe dans 100 études différentes avec une puissance de 80 %, les tests statistiques détecteront un effet réel dans 80 d'entre elles. Cependant, lorsqu'une étude a une puissance de recherche de 20 %, s'il y a 100 véritables effets non nuls dans les résultats, on s'attend à ce que ces études n'en découvrent que 20 d'entre eux.
Lacunes de la puissance statistique dans la recherche en neurosciences
Sans surprise, en raison de la nature gourmande en ressources de la recherche en neurosciences, ce domaine a une puissance statistique médiane d' environ 21 % et se situe en moyenne dans une large fourchette de 8 % à 31 %. Une faible puissance statistique dans la recherche en neurosciences :
Jette le doute sur la réplicabilité des résultats.
Conduit à une taille d'effet exagérée.
Réduit la probabilité de résultats statistiquement significatifs qui représentent fidèlement l'effet réel.
De ce fait, l'état actuel de la recherche en neurosciences est piégé par le problème de la puissance statistique car ces valeurs sont bien inférieures au seuil de Cohen théorique.
Établir un ou des groupe(s) d'échantillon représentatif(s)
Objectif du scénario un : Éviter les erreurs d'échantillonnage et les erreurs de type I et II dans notre test grâce à un échantillonnage inclusif et large.
Combien de scanners cérébraux humains doivent être inclus dans notre ensemble d'échantillons si nous voulons que l'expérience soit pratiquement significative ? La signification pratique fait référence au fait de savoir si les résultats d'une expérience s'appliquent ou non au monde réel.
La capacité de l'expérience d'un neuroscientifique à déterminer des effets (puissance statistique) est liée à la taille de l'échantillon. En poursuivant sur les paramètres du scénario 1, l'objectif est toujours de collecter suffisamment de données pour pouvoir évaluer statistiquement s'il existe un effet réel dans le timing de la libération de dopamine après la présentation de stimuli visuels chargés d'émotion. Nous devons également établir des critères d'inclusion dans l'échantillon qui minimisent le risque d'erreur d'échantillonnage.
Comment éviter les erreurs d'échantillonnage
Deux termes sont importants à comprendre avant d'aller plus loin.
Erreur d'échantillonnage : Lors de l'échantillonnage, il y a toujours un risque que les données collectées sur les individus sélectionnés ne représentent pas la population.
Signification statistique : La signification statistique signifie que nos données et nos effets observés sont probablement de réels effets. Dans la plupart des sciences biomédicales, la signification statistique est établie avec un niveau de signification ou de p-value de 0,05. Essentiellement, cela signifie que les scientifiques sont confiants à 95 % dans l'effet observé dans leurs expériences.
Considérez si les données montrent une relation (c.-à-d. libération de dopamine). Il y a une probabilité de 5 % que l'effet soit dû au hasard et non lié à la variable (stimuli visuels). Ce serait une erreur de type I. Alternativement, il y a une probabilité de 5 % que nos données collectées ne montrent aucune relation entre la libération de dopamine et les stimuli visuels alors qu'en fait, il existe un effet réel - un faux négatif ou une erreur de type II.
Établir soigneusement les critères d'inclusion a plus d'impact car il y a un point de rendement décroissant au-delà d'une certaine taille d'échantillon.
Nous espérons collecter des données représentant tous les êtres humains, et nous voulons que nos conclusions soient à la fois pratiquement significatives et statistiquement significatives. Pour concevoir avec succès notre ensemble d'échantillons, une erreur d'échantillonnage, une erreur de type I (faux positif) ou une erreur de type II (faux négatif) doivent être prises en compte et évitées.
Notre expérience teste l'hypothèse suivante :
Hypothèse nulle - Aucune relation ou effet entre le timing de la libération de dopamine dans le NAc et un stimulus visuel à valence émotionnelle.
Hypothèse - Il existe une relation entre le timing de la libération de dopamine dans le NAc et le stimulus visuel à valence émotionnelle, et le pic de libération de dopamine se produit après avoir vu les stimuli visuels.
Il existe une relation entre le timing de la libération de dopamine dans le NAc et les stimuli visuels à valence émotionnelle. Lorsque les données ne sont pas statistiquement significatives :
Notre hypothèse est rejetée.
Aucun effet ou différence réel n'est trouvé.
Nos effets observés sont tout aussi susceptibles de résulter du hasard.
Comprendre la population ?
Limites pratiques de la conception expérimentale.
Dans la recherche en neurosciences, un critère d'inclusion formel tente généralement de randomiser et/ou d'égaliser la probabilité d'inclusion à travers la population pour éviter les erreurs d'échantillonnage. Nous devons éviter de sélectionner des individus simplement parce qu'ils sont les plus proches ou les plus faciles d'accès pour collecter des données, car c'est la recette même d'une erreur d'échantillonnage.
La meilleure approche pour générer un ensemble d'échantillons consiste à utiliser des critères d'inclusion qui égalisent de manière aléatoire la probabilité de sélection sur l'ensemble de la population. Par exemple, en utilisant des données de recensement, nous pourrions obtenir les coordonnées de 50 individus sélectionnés au hasard dans chaque comté de l'Ohio. Cela minimiserait le biais de sélection car les noms seraient choisis au hasard de manière égale dans toutes les zones géographiques.
Établir la conception expérimentale, augmenter la taille de l'échantillon et réaliser pleinement un critère d'inclusion impartial, randomisé et appliqué de manière égale peut rapidement se heurter à des limites pratiques. C'est un problème pour la recherche scientifique à tous les niveaux, des exercices académiques aux universités de recherche à part entière. Généralement, les contraintes budgétaires et de calendrier sont les premières à imposer des compromis. Collectivement, ces questions autour de la signification statistique sont des domaines de recherche actifs.
Quelle est la taille d'effet réelle ?
En raison de la faible puissance statistique de la recherche en neurosciences, nous avons tendance à surestimer la taille de l'effet réel, ce qui conduit à la faible reproductibilité de nombreuses études. De plus, la complexité inhérente de la recherche en neurosciences rend la puissance statistique cruciale.
Une méthode que le domaine peut adopter est d'augmenter la puissance d'une étude en augmentant la taille de l'échantillon. Cela augmente la probabilité de détecter un effet réel. Choisir une taille d'échantillon appropriée est essentiel pour concevoir une recherche qui :
Fait des découvertes pratiques.
Fait progresser notre compréhension des innombrables processus du cerveau.
Développe des thérapies efficaces.
Surmonter les défis de la recherche contemporaine en neurosciences : La plateforme EmotivLAB
Les conceptions expérimentales de la recherche en neurosciences devraient s'efforcer d'établir des tailles de groupes d'échantillons plus grandes et de meilleurs critères d'inclusion afin d'obtenir une signification statistique fiable. Avec l'accès à une plateforme participative comme EmotivLAB, les chercheurs bénéficient d'un accès à des sujets potentiellement beaucoup plus diversifiés et beaucoup plus représentatifs—ce qui améliore la taille de l'échantillon et l'inclusivité de toutes les données démographiques avec un effort logistique supplémentaire minimal pour les groupes de recherche.
La recherche moderne en neurosciences peut s'avérer vulnérable aux erreurs d'échantillonnage en raison des ressources limitées disponibles pour recruter un groupe diversifié pour l'ensemble d'échantillons expérimentaux. Le concept de « groupe WEIRD » résume le problème. La plupart des recherches universitaires sont menées avec un budget de misère sur des sujets expérimentaux qui sont généralement occidentaux, éduqués et issus de pays industrialisés, riches et démocratiques. Cependant, les équipements de collecte de données à distance, comme la plateforme EEG d'EmotivLABs, permettent aux chercheurs d'aller au-delà du campus universitaire pour recruter des groupes d'échantillons qui reflètent mieux la population.
La plateforme EmotivLABs libère les chercheurs des contraintes actuelles et leur permet plutôt de concentrer leur énergie sur la conception d'expériences et l'analyse des résultats.
La plateforme d'EmotivLABs et l'équipement EEG à distance n'aident pas seulement les chercheurs à élargir la diversité des individus inclus dans les groupes d'échantillonnage expérimentaux. Ils atténuent également les problèmes liés à la taille globale de l'échantillon et à la portée géographique au sein des populations cibles.
La plateforme EmotivLABs libère les chercheurs des contraintes actuelles et leur permet plutôt de concentrer leur énergie sur la conception d'expériences et l'analyse des résultats. Notre plateforme fait correspondre l'expérience avec les individus les plus appropriés dans le bassin de sujets. Il n'est pas nécessaire de passer du temps à recruter des participants, à les coordonner, à planifier leur passage et à effectuer la collecte de données en laboratoire. Tout ce qui est requis est de spécifier la démographie souhaitée sur la plateforme en ligne, et EmotivLABs rendra l'expérience disponible aux contributeurs qui correspondent le mieux aux paramètres souhaités. Les participants peuvent réaliser les expériences chez eux, en utilisant leur propre équipement. Leur familiarité avec le casque évite aux chercheurs d'avoir à fournir des instructions sur son utilisation.
Au-delà de cela, la plateforme EmotivLAB fournit un contrôle de qualité et une évaluation automatisés des données d'enregistrement EEG. De grandes quantités de données de mauvaise qualité n'aident pas à surmonter les erreurs d'échantillonnage ou statistiques dans les conceptions expérimentales. Avoir accès à davantage de données de haute qualité fournit toutefois une solution pour aider à éviter les erreurs dans :
L'échantillonnage
La population
La signification statistique
Vous souhaitez en savoir plus sur ce que la plateforme EmotivLABs pourrait faire pour votre recherche ?
EmotivLABs vous permet de concevoir votre expérience, de la déployer en toute sécurité, de recruter des participants parmi un panel mondial de profils vérifiés et de collecter des données EEG de haute qualité, le tout à partir d'une seule plateforme. Cliquez ici pour en savoir plus ou pour demander une démonstration.
Signplication statistique : Taille(s) de l'échantillon & Puissance statistique - Pour comprendre le monde qui nous entoure, les chercheurs utilisent formellement la méthode scientifique comme un moyen de séparer les vérités suspectées des faussetés. Les neurosciences cognitives visent à comprendre comment les systèmes génétiques, neurologiques et comportementaux soutiennent la capacité d'un organisme à percevoir, interagir, naviguer et penser le monde qui l'entoure.
Cela signifie que les neurosciences cognitives conçoivent des expériences et collectent des données à tous les niveaux d'analyse. Les programmes de recherche du monde entier cherchant à approfondir notre compréhension du monde naturel testent régulièrement des hypothèses dans le cadre d'une série bien planifiée d'expériences plus petites. Ces expériences ont tendance à sonder des facteurs spécifiques qui peuvent ou non influencer un résultat tout en minimisant l'influence de facteurs externes tels que l'environnement, l'orientation sexuelle, la race ou le statut socio-économique.
Scénario Un : Une étude sur la libération de dopamine
En neurosciences cognitives, la dopamine est généralement considérée comme un composé du « bien-être ». Sa libération dans le noyau accumbens (NuAc) est déclenchée par des comportements ou des choses qui nous motivent à agir. Ceux-ci peuvent inclure :
Prendre un bon repas
Passer du temps avec ses proches
Le sexe
Le sucre
Disons que nous aimerions savoir si les niveaux de pointe de dopamine dans le NuAc se produisent avant, pendant ou après l'exposition à un stimulus visuel souhaité ou familier. Nous pouvons utiliser la conception expérimentale EEG adoptée de l' étude d'Amatya Johanna Mackintosh. Nous pouvons émettre l'hypothèse que la libération de dopamine se produit pendant et culmine légèrement après l'exposition aux stimuli visuels familiers ou souhaités.
Maintenant, et c'est le plus critique, où trouvons-nous des sujets de test ?
Dans les situations expérimentales, la « population » fait référence au groupe collectif total, plus large, étudié. Il est peu pratique et improbable que votre laboratoire puisse concevoir une technique pour recruter et collecter des données de libération de dopamine sur des centaines de milliers ou des millions de personnes.
Par conséquent, nous tenterons de rassembler des données à partir d'un groupe ou échantillon représentatif plus restreint pour comprendre la population. Pour ce faire, nous devrons répondre à deux questions principales.
Combien d'individus doivent être inclus dans notre échantillon ?
Quel est le rapport avec la signification pratique et la puissance statistique ?
Développons cela ci-dessous.
Puissance statistique et effet réel
La puissance statistique est définie comme la probabilité qu'un test détecte une différence statistiquement significative lorsqu'une telle différence existe réellement. On l'appelle également un effet réel.
L'effet réel est la pierre angulaire de la conception expérimentale. Le rapport de Cohen de 1988, prolifique pour ses contributions à la méthode scientifique, a soutenu qu'une étude devrait être conçue pour avoir une probabilité de 80 % de détecter un effet réel. Ces 80 % représentent une conception de test à haute puissance (HP), tandis que toute valeur proche de 20 % est une conception de test à faible puissance (LP).
Cohen a suggéré que les études devraient toujours avoir une probabilité inférieure à 20 % de commettre une erreur de type II, connue sous le nom de faux négatif. Il utilise également ces mêmes plages de directives pour les découvertes manquées, qui se produisent lorsqu'un chercheur rapporte de manière inexacte l'absence d'effet significatif alors qu'une différence existe réellement.
Pourquoi la puissance statistique est-elle importante ?
Pensez à ce scénario. Si un effet réel existe dans 100 études différentes avec une puissance de 80 %, les tests statistiques détecteront un effet réel dans 80 d'entre elles. Cependant, lorsqu'une étude a une puissance de recherche de 20 %, s'il y a 100 véritables effets non nuls dans les résultats, on s'attend à ce que ces études n'en découvrent que 20 d'entre eux.
Lacunes de la puissance statistique dans la recherche en neurosciences
Sans surprise, en raison de la nature gourmande en ressources de la recherche en neurosciences, ce domaine a une puissance statistique médiane d' environ 21 % et se situe en moyenne dans une large fourchette de 8 % à 31 %. Une faible puissance statistique dans la recherche en neurosciences :
Jette le doute sur la réplicabilité des résultats.
Conduit à une taille d'effet exagérée.
Réduit la probabilité de résultats statistiquement significatifs qui représentent fidèlement l'effet réel.
De ce fait, l'état actuel de la recherche en neurosciences est piégé par le problème de la puissance statistique car ces valeurs sont bien inférieures au seuil de Cohen théorique.
Établir un ou des groupe(s) d'échantillon représentatif(s)
Objectif du scénario un : Éviter les erreurs d'échantillonnage et les erreurs de type I et II dans notre test grâce à un échantillonnage inclusif et large.
Combien de scanners cérébraux humains doivent être inclus dans notre ensemble d'échantillons si nous voulons que l'expérience soit pratiquement significative ? La signification pratique fait référence au fait de savoir si les résultats d'une expérience s'appliquent ou non au monde réel.
La capacité de l'expérience d'un neuroscientifique à déterminer des effets (puissance statistique) est liée à la taille de l'échantillon. En poursuivant sur les paramètres du scénario 1, l'objectif est toujours de collecter suffisamment de données pour pouvoir évaluer statistiquement s'il existe un effet réel dans le timing de la libération de dopamine après la présentation de stimuli visuels chargés d'émotion. Nous devons également établir des critères d'inclusion dans l'échantillon qui minimisent le risque d'erreur d'échantillonnage.
Comment éviter les erreurs d'échantillonnage
Deux termes sont importants à comprendre avant d'aller plus loin.
Erreur d'échantillonnage : Lors de l'échantillonnage, il y a toujours un risque que les données collectées sur les individus sélectionnés ne représentent pas la population.
Signification statistique : La signification statistique signifie que nos données et nos effets observés sont probablement de réels effets. Dans la plupart des sciences biomédicales, la signification statistique est établie avec un niveau de signification ou de p-value de 0,05. Essentiellement, cela signifie que les scientifiques sont confiants à 95 % dans l'effet observé dans leurs expériences.
Considérez si les données montrent une relation (c.-à-d. libération de dopamine). Il y a une probabilité de 5 % que l'effet soit dû au hasard et non lié à la variable (stimuli visuels). Ce serait une erreur de type I. Alternativement, il y a une probabilité de 5 % que nos données collectées ne montrent aucune relation entre la libération de dopamine et les stimuli visuels alors qu'en fait, il existe un effet réel - un faux négatif ou une erreur de type II.
Établir soigneusement les critères d'inclusion a plus d'impact car il y a un point de rendement décroissant au-delà d'une certaine taille d'échantillon.
Nous espérons collecter des données représentant tous les êtres humains, et nous voulons que nos conclusions soient à la fois pratiquement significatives et statistiquement significatives. Pour concevoir avec succès notre ensemble d'échantillons, une erreur d'échantillonnage, une erreur de type I (faux positif) ou une erreur de type II (faux négatif) doivent être prises en compte et évitées.
Notre expérience teste l'hypothèse suivante :
Hypothèse nulle - Aucune relation ou effet entre le timing de la libération de dopamine dans le NAc et un stimulus visuel à valence émotionnelle.
Hypothèse - Il existe une relation entre le timing de la libération de dopamine dans le NAc et le stimulus visuel à valence émotionnelle, et le pic de libération de dopamine se produit après avoir vu les stimuli visuels.
Il existe une relation entre le timing de la libération de dopamine dans le NAc et les stimuli visuels à valence émotionnelle. Lorsque les données ne sont pas statistiquement significatives :
Notre hypothèse est rejetée.
Aucun effet ou différence réel n'est trouvé.
Nos effets observés sont tout aussi susceptibles de résulter du hasard.
Comprendre la population ?
Limites pratiques de la conception expérimentale.
Dans la recherche en neurosciences, un critère d'inclusion formel tente généralement de randomiser et/ou d'égaliser la probabilité d'inclusion à travers la population pour éviter les erreurs d'échantillonnage. Nous devons éviter de sélectionner des individus simplement parce qu'ils sont les plus proches ou les plus faciles d'accès pour collecter des données, car c'est la recette même d'une erreur d'échantillonnage.
La meilleure approche pour générer un ensemble d'échantillons consiste à utiliser des critères d'inclusion qui égalisent de manière aléatoire la probabilité de sélection sur l'ensemble de la population. Par exemple, en utilisant des données de recensement, nous pourrions obtenir les coordonnées de 50 individus sélectionnés au hasard dans chaque comté de l'Ohio. Cela minimiserait le biais de sélection car les noms seraient choisis au hasard de manière égale dans toutes les zones géographiques.
Établir la conception expérimentale, augmenter la taille de l'échantillon et réaliser pleinement un critère d'inclusion impartial, randomisé et appliqué de manière égale peut rapidement se heurter à des limites pratiques. C'est un problème pour la recherche scientifique à tous les niveaux, des exercices académiques aux universités de recherche à part entière. Généralement, les contraintes budgétaires et de calendrier sont les premières à imposer des compromis. Collectivement, ces questions autour de la signification statistique sont des domaines de recherche actifs.
Quelle est la taille d'effet réelle ?
En raison de la faible puissance statistique de la recherche en neurosciences, nous avons tendance à surestimer la taille de l'effet réel, ce qui conduit à la faible reproductibilité de nombreuses études. De plus, la complexité inhérente de la recherche en neurosciences rend la puissance statistique cruciale.
Une méthode que le domaine peut adopter est d'augmenter la puissance d'une étude en augmentant la taille de l'échantillon. Cela augmente la probabilité de détecter un effet réel. Choisir une taille d'échantillon appropriée est essentiel pour concevoir une recherche qui :
Fait des découvertes pratiques.
Fait progresser notre compréhension des innombrables processus du cerveau.
Développe des thérapies efficaces.
Surmonter les défis de la recherche contemporaine en neurosciences : La plateforme EmotivLAB
Les conceptions expérimentales de la recherche en neurosciences devraient s'efforcer d'établir des tailles de groupes d'échantillons plus grandes et de meilleurs critères d'inclusion afin d'obtenir une signification statistique fiable. Avec l'accès à une plateforme participative comme EmotivLAB, les chercheurs bénéficient d'un accès à des sujets potentiellement beaucoup plus diversifiés et beaucoup plus représentatifs—ce qui améliore la taille de l'échantillon et l'inclusivité de toutes les données démographiques avec un effort logistique supplémentaire minimal pour les groupes de recherche.
La recherche moderne en neurosciences peut s'avérer vulnérable aux erreurs d'échantillonnage en raison des ressources limitées disponibles pour recruter un groupe diversifié pour l'ensemble d'échantillons expérimentaux. Le concept de « groupe WEIRD » résume le problème. La plupart des recherches universitaires sont menées avec un budget de misère sur des sujets expérimentaux qui sont généralement occidentaux, éduqués et issus de pays industrialisés, riches et démocratiques. Cependant, les équipements de collecte de données à distance, comme la plateforme EEG d'EmotivLABs, permettent aux chercheurs d'aller au-delà du campus universitaire pour recruter des groupes d'échantillons qui reflètent mieux la population.
La plateforme EmotivLABs libère les chercheurs des contraintes actuelles et leur permet plutôt de concentrer leur énergie sur la conception d'expériences et l'analyse des résultats.
La plateforme d'EmotivLABs et l'équipement EEG à distance n'aident pas seulement les chercheurs à élargir la diversité des individus inclus dans les groupes d'échantillonnage expérimentaux. Ils atténuent également les problèmes liés à la taille globale de l'échantillon et à la portée géographique au sein des populations cibles.
La plateforme EmotivLABs libère les chercheurs des contraintes actuelles et leur permet plutôt de concentrer leur énergie sur la conception d'expériences et l'analyse des résultats. Notre plateforme fait correspondre l'expérience avec les individus les plus appropriés dans le bassin de sujets. Il n'est pas nécessaire de passer du temps à recruter des participants, à les coordonner, à planifier leur passage et à effectuer la collecte de données en laboratoire. Tout ce qui est requis est de spécifier la démographie souhaitée sur la plateforme en ligne, et EmotivLABs rendra l'expérience disponible aux contributeurs qui correspondent le mieux aux paramètres souhaités. Les participants peuvent réaliser les expériences chez eux, en utilisant leur propre équipement. Leur familiarité avec le casque évite aux chercheurs d'avoir à fournir des instructions sur son utilisation.
Au-delà de cela, la plateforme EmotivLAB fournit un contrôle de qualité et une évaluation automatisés des données d'enregistrement EEG. De grandes quantités de données de mauvaise qualité n'aident pas à surmonter les erreurs d'échantillonnage ou statistiques dans les conceptions expérimentales. Avoir accès à davantage de données de haute qualité fournit toutefois une solution pour aider à éviter les erreurs dans :
L'échantillonnage
La population
La signification statistique
Vous souhaitez en savoir plus sur ce que la plateforme EmotivLABs pourrait faire pour votre recherche ?
EmotivLABs vous permet de concevoir votre expérience, de la déployer en toute sécurité, de recruter des participants parmi un panel mondial de profils vérifiés et de collecter des données EEG de haute qualité, le tout à partir d'une seule plateforme. Cliquez ici pour en savoir plus ou pour demander une démonstration.
Signplication statistique : Taille(s) de l'échantillon & Puissance statistique - Pour comprendre le monde qui nous entoure, les chercheurs utilisent formellement la méthode scientifique comme un moyen de séparer les vérités suspectées des faussetés. Les neurosciences cognitives visent à comprendre comment les systèmes génétiques, neurologiques et comportementaux soutiennent la capacité d'un organisme à percevoir, interagir, naviguer et penser le monde qui l'entoure.
Cela signifie que les neurosciences cognitives conçoivent des expériences et collectent des données à tous les niveaux d'analyse. Les programmes de recherche du monde entier cherchant à approfondir notre compréhension du monde naturel testent régulièrement des hypothèses dans le cadre d'une série bien planifiée d'expériences plus petites. Ces expériences ont tendance à sonder des facteurs spécifiques qui peuvent ou non influencer un résultat tout en minimisant l'influence de facteurs externes tels que l'environnement, l'orientation sexuelle, la race ou le statut socio-économique.
Scénario Un : Une étude sur la libération de dopamine
En neurosciences cognitives, la dopamine est généralement considérée comme un composé du « bien-être ». Sa libération dans le noyau accumbens (NuAc) est déclenchée par des comportements ou des choses qui nous motivent à agir. Ceux-ci peuvent inclure :
Prendre un bon repas
Passer du temps avec ses proches
Le sexe
Le sucre
Disons que nous aimerions savoir si les niveaux de pointe de dopamine dans le NuAc se produisent avant, pendant ou après l'exposition à un stimulus visuel souhaité ou familier. Nous pouvons utiliser la conception expérimentale EEG adoptée de l' étude d'Amatya Johanna Mackintosh. Nous pouvons émettre l'hypothèse que la libération de dopamine se produit pendant et culmine légèrement après l'exposition aux stimuli visuels familiers ou souhaités.
Maintenant, et c'est le plus critique, où trouvons-nous des sujets de test ?
Dans les situations expérimentales, la « population » fait référence au groupe collectif total, plus large, étudié. Il est peu pratique et improbable que votre laboratoire puisse concevoir une technique pour recruter et collecter des données de libération de dopamine sur des centaines de milliers ou des millions de personnes.
Par conséquent, nous tenterons de rassembler des données à partir d'un groupe ou échantillon représentatif plus restreint pour comprendre la population. Pour ce faire, nous devrons répondre à deux questions principales.
Combien d'individus doivent être inclus dans notre échantillon ?
Quel est le rapport avec la signification pratique et la puissance statistique ?
Développons cela ci-dessous.
Puissance statistique et effet réel
La puissance statistique est définie comme la probabilité qu'un test détecte une différence statistiquement significative lorsqu'une telle différence existe réellement. On l'appelle également un effet réel.
L'effet réel est la pierre angulaire de la conception expérimentale. Le rapport de Cohen de 1988, prolifique pour ses contributions à la méthode scientifique, a soutenu qu'une étude devrait être conçue pour avoir une probabilité de 80 % de détecter un effet réel. Ces 80 % représentent une conception de test à haute puissance (HP), tandis que toute valeur proche de 20 % est une conception de test à faible puissance (LP).
Cohen a suggéré que les études devraient toujours avoir une probabilité inférieure à 20 % de commettre une erreur de type II, connue sous le nom de faux négatif. Il utilise également ces mêmes plages de directives pour les découvertes manquées, qui se produisent lorsqu'un chercheur rapporte de manière inexacte l'absence d'effet significatif alors qu'une différence existe réellement.
Pourquoi la puissance statistique est-elle importante ?
Pensez à ce scénario. Si un effet réel existe dans 100 études différentes avec une puissance de 80 %, les tests statistiques détecteront un effet réel dans 80 d'entre elles. Cependant, lorsqu'une étude a une puissance de recherche de 20 %, s'il y a 100 véritables effets non nuls dans les résultats, on s'attend à ce que ces études n'en découvrent que 20 d'entre eux.
Lacunes de la puissance statistique dans la recherche en neurosciences
Sans surprise, en raison de la nature gourmande en ressources de la recherche en neurosciences, ce domaine a une puissance statistique médiane d' environ 21 % et se situe en moyenne dans une large fourchette de 8 % à 31 %. Une faible puissance statistique dans la recherche en neurosciences :
Jette le doute sur la réplicabilité des résultats.
Conduit à une taille d'effet exagérée.
Réduit la probabilité de résultats statistiquement significatifs qui représentent fidèlement l'effet réel.
De ce fait, l'état actuel de la recherche en neurosciences est piégé par le problème de la puissance statistique car ces valeurs sont bien inférieures au seuil de Cohen théorique.
Établir un ou des groupe(s) d'échantillon représentatif(s)
Objectif du scénario un : Éviter les erreurs d'échantillonnage et les erreurs de type I et II dans notre test grâce à un échantillonnage inclusif et large.
Combien de scanners cérébraux humains doivent être inclus dans notre ensemble d'échantillons si nous voulons que l'expérience soit pratiquement significative ? La signification pratique fait référence au fait de savoir si les résultats d'une expérience s'appliquent ou non au monde réel.
La capacité de l'expérience d'un neuroscientifique à déterminer des effets (puissance statistique) est liée à la taille de l'échantillon. En poursuivant sur les paramètres du scénario 1, l'objectif est toujours de collecter suffisamment de données pour pouvoir évaluer statistiquement s'il existe un effet réel dans le timing de la libération de dopamine après la présentation de stimuli visuels chargés d'émotion. Nous devons également établir des critères d'inclusion dans l'échantillon qui minimisent le risque d'erreur d'échantillonnage.
Comment éviter les erreurs d'échantillonnage
Deux termes sont importants à comprendre avant d'aller plus loin.
Erreur d'échantillonnage : Lors de l'échantillonnage, il y a toujours un risque que les données collectées sur les individus sélectionnés ne représentent pas la population.
Signification statistique : La signification statistique signifie que nos données et nos effets observés sont probablement de réels effets. Dans la plupart des sciences biomédicales, la signification statistique est établie avec un niveau de signification ou de p-value de 0,05. Essentiellement, cela signifie que les scientifiques sont confiants à 95 % dans l'effet observé dans leurs expériences.
Considérez si les données montrent une relation (c.-à-d. libération de dopamine). Il y a une probabilité de 5 % que l'effet soit dû au hasard et non lié à la variable (stimuli visuels). Ce serait une erreur de type I. Alternativement, il y a une probabilité de 5 % que nos données collectées ne montrent aucune relation entre la libération de dopamine et les stimuli visuels alors qu'en fait, il existe un effet réel - un faux négatif ou une erreur de type II.
Établir soigneusement les critères d'inclusion a plus d'impact car il y a un point de rendement décroissant au-delà d'une certaine taille d'échantillon.
Nous espérons collecter des données représentant tous les êtres humains, et nous voulons que nos conclusions soient à la fois pratiquement significatives et statistiquement significatives. Pour concevoir avec succès notre ensemble d'échantillons, une erreur d'échantillonnage, une erreur de type I (faux positif) ou une erreur de type II (faux négatif) doivent être prises en compte et évitées.
Notre expérience teste l'hypothèse suivante :
Hypothèse nulle - Aucune relation ou effet entre le timing de la libération de dopamine dans le NAc et un stimulus visuel à valence émotionnelle.
Hypothèse - Il existe une relation entre le timing de la libération de dopamine dans le NAc et le stimulus visuel à valence émotionnelle, et le pic de libération de dopamine se produit après avoir vu les stimuli visuels.
Il existe une relation entre le timing de la libération de dopamine dans le NAc et les stimuli visuels à valence émotionnelle. Lorsque les données ne sont pas statistiquement significatives :
Notre hypothèse est rejetée.
Aucun effet ou différence réel n'est trouvé.
Nos effets observés sont tout aussi susceptibles de résulter du hasard.
Comprendre la population ?
Limites pratiques de la conception expérimentale.
Dans la recherche en neurosciences, un critère d'inclusion formel tente généralement de randomiser et/ou d'égaliser la probabilité d'inclusion à travers la population pour éviter les erreurs d'échantillonnage. Nous devons éviter de sélectionner des individus simplement parce qu'ils sont les plus proches ou les plus faciles d'accès pour collecter des données, car c'est la recette même d'une erreur d'échantillonnage.
La meilleure approche pour générer un ensemble d'échantillons consiste à utiliser des critères d'inclusion qui égalisent de manière aléatoire la probabilité de sélection sur l'ensemble de la population. Par exemple, en utilisant des données de recensement, nous pourrions obtenir les coordonnées de 50 individus sélectionnés au hasard dans chaque comté de l'Ohio. Cela minimiserait le biais de sélection car les noms seraient choisis au hasard de manière égale dans toutes les zones géographiques.
Établir la conception expérimentale, augmenter la taille de l'échantillon et réaliser pleinement un critère d'inclusion impartial, randomisé et appliqué de manière égale peut rapidement se heurter à des limites pratiques. C'est un problème pour la recherche scientifique à tous les niveaux, des exercices académiques aux universités de recherche à part entière. Généralement, les contraintes budgétaires et de calendrier sont les premières à imposer des compromis. Collectivement, ces questions autour de la signification statistique sont des domaines de recherche actifs.
Quelle est la taille d'effet réelle ?
En raison de la faible puissance statistique de la recherche en neurosciences, nous avons tendance à surestimer la taille de l'effet réel, ce qui conduit à la faible reproductibilité de nombreuses études. De plus, la complexité inhérente de la recherche en neurosciences rend la puissance statistique cruciale.
Une méthode que le domaine peut adopter est d'augmenter la puissance d'une étude en augmentant la taille de l'échantillon. Cela augmente la probabilité de détecter un effet réel. Choisir une taille d'échantillon appropriée est essentiel pour concevoir une recherche qui :
Fait des découvertes pratiques.
Fait progresser notre compréhension des innombrables processus du cerveau.
Développe des thérapies efficaces.
Surmonter les défis de la recherche contemporaine en neurosciences : La plateforme EmotivLAB
Les conceptions expérimentales de la recherche en neurosciences devraient s'efforcer d'établir des tailles de groupes d'échantillons plus grandes et de meilleurs critères d'inclusion afin d'obtenir une signification statistique fiable. Avec l'accès à une plateforme participative comme EmotivLAB, les chercheurs bénéficient d'un accès à des sujets potentiellement beaucoup plus diversifiés et beaucoup plus représentatifs—ce qui améliore la taille de l'échantillon et l'inclusivité de toutes les données démographiques avec un effort logistique supplémentaire minimal pour les groupes de recherche.
La recherche moderne en neurosciences peut s'avérer vulnérable aux erreurs d'échantillonnage en raison des ressources limitées disponibles pour recruter un groupe diversifié pour l'ensemble d'échantillons expérimentaux. Le concept de « groupe WEIRD » résume le problème. La plupart des recherches universitaires sont menées avec un budget de misère sur des sujets expérimentaux qui sont généralement occidentaux, éduqués et issus de pays industrialisés, riches et démocratiques. Cependant, les équipements de collecte de données à distance, comme la plateforme EEG d'EmotivLABs, permettent aux chercheurs d'aller au-delà du campus universitaire pour recruter des groupes d'échantillons qui reflètent mieux la population.
La plateforme EmotivLABs libère les chercheurs des contraintes actuelles et leur permet plutôt de concentrer leur énergie sur la conception d'expériences et l'analyse des résultats.
La plateforme d'EmotivLABs et l'équipement EEG à distance n'aident pas seulement les chercheurs à élargir la diversité des individus inclus dans les groupes d'échantillonnage expérimentaux. Ils atténuent également les problèmes liés à la taille globale de l'échantillon et à la portée géographique au sein des populations cibles.
La plateforme EmotivLABs libère les chercheurs des contraintes actuelles et leur permet plutôt de concentrer leur énergie sur la conception d'expériences et l'analyse des résultats. Notre plateforme fait correspondre l'expérience avec les individus les plus appropriés dans le bassin de sujets. Il n'est pas nécessaire de passer du temps à recruter des participants, à les coordonner, à planifier leur passage et à effectuer la collecte de données en laboratoire. Tout ce qui est requis est de spécifier la démographie souhaitée sur la plateforme en ligne, et EmotivLABs rendra l'expérience disponible aux contributeurs qui correspondent le mieux aux paramètres souhaités. Les participants peuvent réaliser les expériences chez eux, en utilisant leur propre équipement. Leur familiarité avec le casque évite aux chercheurs d'avoir à fournir des instructions sur son utilisation.
Au-delà de cela, la plateforme EmotivLAB fournit un contrôle de qualité et une évaluation automatisés des données d'enregistrement EEG. De grandes quantités de données de mauvaise qualité n'aident pas à surmonter les erreurs d'échantillonnage ou statistiques dans les conceptions expérimentales. Avoir accès à davantage de données de haute qualité fournit toutefois une solution pour aider à éviter les erreurs dans :
L'échantillonnage
La population
La signification statistique
Vous souhaitez en savoir plus sur ce que la plateforme EmotivLABs pourrait faire pour votre recherche ?
EmotivLABs vous permet de concevoir votre expérience, de la déployer en toute sécurité, de recruter des participants parmi un panel mondial de profils vérifiés et de collecter des données EEG de haute qualité, le tout à partir d'une seule plateforme. Cliquez ici pour en savoir plus ou pour demander une démonstration.