מובהקות סטטיסטית: גודל(י) מדגם ועוצמה סטטיסטית - כדי להבין את העולם שסביבנו, חוקרים משתמשים באופן רשמי בשיטה המדעית כדרך להפריד בין אמיתות משוערות לבין שקרים. מדעי העצב הקוגניטיביים שואפים להבין כיצד מערכות גנטיות, נוירולוגיות והתנהגותיות תומכות ביכולתו של אורגניזם לחוש, לקיים אינטראקציה, לנווט ולחשוב על העולם שסביבו.

זה אומר שמדעי העצב הקוגניטיביים מתכננים ניסויים ואוספים נתונים בכל רמות הניתוח. תוכניות מחקר ברחבי העולם המבקשות לקדם את הבנתנו את העולם הטבעי בוחנות באופן קבוע הנחות, או היפותזות, בסדרה מתוכננת היטב של ניסויים קטנים יותר. ניסויים אלה נוטים לבחון גורמים ספציפיים שעשויים להשפיע או לא להשפיע על תוצאה, תוך צמצום ההשפעה של גורמים חיצוניים כמו סביבה, נטייה מינית, גזע או מעמד סוציו-אקונומי.

תרחיש ראשון: מחקר שחרור דופמין

במדעי העצב הקוגניטיביים, דופמין נחשב בדרך כלל לתרכובת שמרגישה טוב ("feel-good"). שחרורו בגרעין האקומבנס (NuAc) מופעל על ידי התנהגויות או דברים שגורמים לנו מוטיבציה להתנהג. אלה יכולים לכלול:

• אכילת ארוחה טובה

• זמן עם אנשים אהובים

• מין

• סוכר

נניח שנרצה לגלות אם רמות שיא של דופמין ב-NuAc מתרחשות לפני, במהלך או אחרי חשיפה לגירוי חזותי רצוי או מוכר. אנו יכולים להשתמש במערך הניסוי של EEG שאומץ מתוך המחקר של Amatya Johanna Mackintosh. אנו יכולים להניח ששחרור דופמין מתרחש במהלך ומגיע לשיאו מעט לאחר החשיפה לגירויים החזותיים המוכרים או הרצויים.

כעת, באופן קריטי ביותר, מאיפה אנו משיגים נבדקים לניסוי?

במצבים ניסויים, "אוכלוסייה" מתייחסת לקבוצה הגדולה והכוללת שנחקרת. זה לא מעשי ולא סביר שהמעבדה שלכם תוכל להמציא טכניקה לגיוס ואיסוף נתוני שחרור דופמין על מאות אלפי או מיליוני אנשים.

לכן, ננסה לאסוף נתונים מקבוצה קטנה ומייצגת או מדגם כדי להבין את האוכלוסייה. כדי לעשות זאת, נצטרך לענות על שתי שאלות עיקריות.

1. כמה אנשים צריכים להיכלל במדגם שלנו?

2. כיצד זה קשור למשמעות המעשית ולעוצמה הסטטיסטית?

בואו נפרק את זה להלן.

עוצמה סטטיסטית ואפקט אמיתי

עוצמה סטטיסטית מוגדרת כהסתברות של מבחן לזהות הבדל מובהק סטטיסטית כאשר הבדל כזה באמת קיים. היא מכונה גם אפקט אמיתי.

האפקט האמיתי הוא אבן הפינה של מערך הניסוי. הדוח של כהן משנת 1988, הפורה בתרומתו לשיטה המדעית, נימק שיש לתכנן מחקר כך שתהיה לו הסתברות של 80% לזיהוי אפקט אמיתי. 80% אלה מייצגים מערך בדיקה בעל עוצמה גבוהה (HP), בעוד שכל ערך המתקרב ל-20% הוא מערך בדיקה בעל עוצמה נמוכה (LP).

כהן הציע שמחקרים צריכים תמיד לכלול פחות מ-20% הסתברות לביצוע טעות מסוג II, המכונה שלילי כוזב (false negative). הוא משתמש באותם טווחי הנחיות גם עבור תגליות שהוחמצו, המתרחשות כאשר חוקר מדווח שלא בצדק על היעדר השפעה משמעותית כאשר קיים הבדל אמיתי.

מדוע עוצמה סטטיסטית חשובה?

חשבו על התרחיש הזה. אם קיים אפקט אמיתי ב-100 מחקרים שונים עם עוצמה של 80%, מבחנים סטטיסטיים יזהו אפקט אמיתי ב-80 מתוך ה-100. עם זאת, כאשר למחקר יש עוצמת מחקר של 20%, אם יש 100 אפקטים אמיתיים שאינם אפס בתוצאות, מחקרים אלה צפויים לגלות רק 20 מהם.

מגרעות העוצמה הסטטיסטית במחקר מדעי המוח

באופן לא מפתיע, בשל האופי עתיר המשאבים של מחקרי מדעי המוח, לתחום זה יש עוצמה סטטיסטית חציונית של כ-21% והיא ממוצעת בטווח רחב של 8%-31%. עוצמה סטטיסטית נמוכה במחקרי מדעי המוח:

• מעוררת ספק ביכולת השחזור של הממצאים.

• מובילה לגודל אפקט מוגזם.

• מפחיתה את הסבירות לתוצאות מובהקות סטטיסטית המייצגות במדויק את האפקט האמיתי.

כיוון שכך, המצב הנוכחי של מחקרי מדעי המוח לכוד בבעיית העוצמה הסטטיסטית מכיוון שערכים אלה נמצאים הרבה מתחת לסף התיאורטי של כהן.

הקמת קבוצת מדגם(ים) מייצגת

מטרת התרחיש הראשון: הימנעות משגיאות דגימה ומטעויות מסוג I ו-II במבחן שלנו באמצעות דגימה מקיפה וגדולה.

כמה סריקות מוח אנושיות צריכות להיכלל במערך המדגם שלנו אם אנו רוצים שהניסוי יהיה משמעותי מבחינה מעשית? משמעות מעשית מתייחסת לשאלה האם תוצאות ניסוי חלות על העולם האמיתי או לא.

יכולתו של ניסוי של מדען מוח לקבוע השפעות (עוצמה סטטיסטית) קשורה לגודל המדגם. בהמשך לפרמטרים של תרחיש 1, המטרה היא עדיין לאסוף מספיק נתונים כדי שנוכל להעריך סטטיסטית אם יש אפקט אמיתי בעיתוי שחרור הדופמין לאחר הצגת גירויים חזותיים טעונים רגשית. עלינו לקבוע גם קריטריונים להכללה במדגם שממזערים את הפוטנציאל לטעות דגימה.

כיצד להימנע משגיאות דגימה

חשוב להבין שני מונחים לפני שמתקדמים.

1. טעות דגימה: בעת דגימה, תמיד קיים סיכוי שהנתונים שנאספו מהאנשים שנבחרו לא ייצגו את האוכלוסייה.

2. מובהקות סטטיסטית: מובהקות סטטיסטית פירושה שהנתונים שלנו וההשפעות שנצפו הם ככל הנראה אפקטים אמיתיים. ברוב המדעים הביו-רפואיים, מובהקות סטטיסטית נקבעת עם רמת מובהקות או ערך p של 0.05. בעיקרו של דבר, זה אומר שהמדענים בטוחים ב-95% באפקט שנצפה בניסויים שלהם.

חשבו מה קורה אם הנתונים מראים קשר (כלומר, שחרור דופמין). קיימת הסתברות של 5% שהאפקט נובע מיד המקרה ואינו קשור למשתנה (גירויים חזותיים). זו תהיה טעות מסוג I. לחלופין, קיימת הסתברות של 5% שהנתונים שנאספו לא יראו קשר בין שחרור דופמין לבין גירויים חזותיים כאשר, למעשה, יש אפקט אמיתי - שלילי כוזב או טעות מסוג II.

לקביעת קריטריוני הכללה בקפידה יש השפעה רבה יותר מכיוון שיש נקודה של תשואה פוחתת לאחר גודל מדגם מסוים.

אנו מקווים לאסוף נתונים המייצגים את כל בני האדם, ואנו רוצים שהמסקנות שלנו יהיו משמעותיות הן מבחינה מעשית והן מבחינה סטטיסטית. כדי לתכנן את מערך המדגם שלנו בהצלחה, יש להביא בחשבון ולהימנע מטעות דגימה, טעות מסוג I (חיובי כוזב) או טעות מסוג II (שלילי כוזב).

הניסוי שלנו בוחן את ההיפותזה הבאה:

• השערת האפס - אין קשר או השפעה בין עיתוי שחרור הדופמין ב-NAc לבין גירוי חזותי בעל ערך רגשי.

• היפותזה - יש קשר בין עיתוי שחרור הדופמין ב-NAc לבין גירוי חזותי בעל ערך רגשי, ושיא שחרור הדופמין מתרחש לאחר ראיית הגירויים החזותיים.

יש קשר בין עיתוי שחרור הדופמין ב-NAc לבין גירויים חזותיים בעלי ערך רגשי. כאשר הנתונים אינם מובהקים סטטיסטית:

• ההיפותזה שלנו נדחית.

• לא נמצא אפקט או הבדל אמיתי.

• ההשפעות שנצפו הן בסבירות גבוהה תוצאה של מקריות בלבד.

הבנת האוכלוסייה?

מגבלות מעשיות במערך הניסוי.

במחקר מדעי המוח, קריטריון הכללה רשמי מנסה בדרך כלל ליצור אקראיות ו/או להשוות את הסבירות להכללה בקרב האוכלוסייה כדי למנוע שגיאות דגימה. עלינו להימנע מבחירת אנשים רק בגלל שהם הכי קרובים או נגישים ביותר לאיסוף נתונים, שכן זהו המתכון לטעות דגימה.

הגישה הטובה ביותר ליצירת מערך מדגם היא להשתמש בקריטריוני הכללה המשווים באופן אקראי את סבירות הבחירה בכל האוכלוסייה. לדוגמה, באמצעות נתוני מפקד אוכלוסין, נוכל לקבל פרטי קשר של 50 אנשים שנבחרו באקראי בכל מחוז באוהיו. זה ימזער את הטיית הבחירה מכיוון ששמות ייבחרו באופן אקראי ושווה מכל האזורים הגאוגרפיים.

קביעת מערך הניסוי, הגדלת גודל המדגם ומימוש מלא של קריטריוני הכללה בלתי מוטים, אקראיים ומיושמים באופן שווה יכולים להיתקל במהירות במגבלות מעשיות. זוהי בעיה עבור מחקר מדעי בכל הרמות, החל מתרגילים אקדמיים ועד לאוניברסיטאות מחקר מן המניין. בדרך כלל, מגבלות תקציב ולוח זמנים הן הראשונות שמאלצות פשרה. ביחד, סוגיות אלו סביב מובהקות סטטיסטית הן תחומי מחקר פעילים.

מהו גודל האפקט האמיתי?

בשל העוצמה הסטטיסטית הנמוכה של מחקרי מדעי המוח, אנו נוטים להפריז בגודל האפקט האמיתי, מה שמוביל ליכולת שחזור נמוכה של מחקרים רבים. יתרה מכך, המורכבות המובנית של מחקרי מדעי המוח הופכת את העוצמה הסטטיסטית לקריטית.

שיטה אחת שהתחום יכול לאמץ היא להגדיל את עוצמת המחקר על ידי הגדלת גודל המדגם. זה מגדיל את ההסתברות לזיהוי אפקט אמיתי. בחירת גודל מדגם מתאים חיונית לתכנון מחקר ש:

• מביא לגילויים מעשיים.

• מפתח את הבנתנו לגבי אינספור התהליכים במוח.

• מפתח טיפולים יעילים.

התגברות על אתגרים במחקר מדעי המוח העכשווי: פלטפורמת EmotivLAB

מערכי הניסוי של מחקרי מדעי המוח צריכים לשאוף לקבוע גדלי קבוצות מדגם גדולים יותר וקריטריוני הכללה טובים יותר על מנת להשיג מובהקות סטטיסטית מהימנה. עם גישה לפלטפורמה מבוססת מיקור המונים כמו EmotivLAB, לחוקרים ניתנת גישה לנבדקים מגוונים ומייצגים פוטנציאלית הרבה יותר - מה שמשפר את גודל המדגם ואת ההכללה של כל הדמוגרפיות במאמץ לוגיסטי נוסף מזערי עבור קבוצות המחקר.

מחקר מדעי המוח המודרני יכול להיות פגיע לשגיאות דגימה בשל משאבים זמינים מוגבלים לגיוס קבוצה מגוונת עבור מערך המדגם של הניסוי. מושג "קבוצת WEIRD" מתמצת את הבעיה. רוב המחקרים באוניברסיטאות נעשים בתקציב דל על נבדקים שהם באופן כללי מערביים (Western), משכילים (Educated), וממדינות מתועשות (Industrialized), עשירות (Rich) ודמוקרטיות (Democratic). עם זאת, ציוד לאיסוף נתונים מרחוק, כמו פלטפורמת ה-EEG של EmotivLAB, מאפשר לחוקרים להגיע מעבר לקמפוס המכללה כדי לגייס קבוצות מדגם שמשקפות טוב יותר את האוכלוסייה.

הפלטפורמה וציוד ה-EEG המרוחק של EmotivLAB לא רק עוזרים לחוקרים להרחיב את מגוון האנשים הכלולים בקבוצות מדגם ניסוייות. הם גם מתווכים בסוגיות הנוגעות לגודל המדגם הכולל ולטווח ההגעה הגאוגרפי לאוכלוסיות יעד.

פלטפורמת EmotivLAB משחררת את החוקרים מהאילוצים הנוכחיים ובמקום זאת מאפשרת להם למקד את המרץ שלהם בתכנון ניסויים ובניתוח התוצאות. הפלטפורמה שלנו מתאימה את הניסוי לאנשים המתאימים ביותר במאגר הנבדקים. אין צורך להשקיע זמן בגיוס משתתפים, בתיאום ותזמון שלהם ובביצוע איסוף נתונים במעבדה. כל מה שנדרש הוא לציין את הדמוגרפיה הרצויה בפלטפורמה המקוונת, ו-EmotivLAB תהפוך את הניסוי לזמין עבור תורמים המתאימים ביותר לפרמטרים המבוקשים. משתתפים יכולים לבצע את הניסויים בבתיהם, תוך שימוש בציוד שלהם. ההיכרות שלהם עם האוזניות מייתרת את הצורך של החוקרים לספק הדרכה לגבי השימוש בהן.

מעבר לכך, פלטפורמת EmotivLAB מספקת בקרת איכות והערכה אוטומטית של נתוני הקלטת EEG. כמויות גדולות של נתונים באיכות נמוכה אינן עוזרות להתגבר על שגיאות דגימה או שגיאות סטטיסטיות במערכי ניסוי. עם זאת, גישה לנתונים איכותיים יותר מספקת פתרון לעזרה במניעת שגיאות ב:

• דגימה

• אוכלוסייה

• מובהקות סטטיסטית

רוצים לדעת עוד על מה שפלטפורמת EmotivLAB יכולה לעשות עבור המחקר שלכם?

EmotivLAB מאפשרת לכם לבנות את הניסוי שלכם, לפרוס אותו באופן בטוח ומאובטח, לגייס משתתפים מפאנל גלובלי של משתתפים מאומתים, ולאסוף נתוני EEG באיכות גבוהה, והכל מפלטפורמה אחת. לחצו כאן כדי לדעת עוד או לבקש הדגמה.