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

המשמעות היא 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 השערות, בסדרה מתוכננת היטב של ניסויים קטנים יותר. ניסויים אלה נוטים לבחון גורמים ספציפיים שעשויים להשפיע או לא להשפיע על תוצאה, תוך מזעור 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 "הרגשה טובה". 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 דופמין שיא ב-NuAc מתרחשות לפני, במהלך או אחרי חשיפה לגירוי חזותי רצוי או מוכר. אנו יכולים להשתמש במערך הניסוי של ה-EEG שאומץ מתוך המחקר של אמאטיה ג'והנה מקינטוש. אנו יכולים להניח ששחרור דופמין מתרחש במהלך חשיפה לגירויים חזותיים מוכרים או רצויים ומגיע לשיאו מעט לאחריה.

עכשיו, באופן הקריטי ביותר, מאיפה אנחנו משיגים נבדקים לניסוי?

במצבי ניסוי, "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 משמעותי סטטיסטית כאשר הבדל כזה באמת קיים. זה מכונה גם אפקט אמיתי.

האפקט האמיתי הוא אבן היסוד של מערך המחקר. הדוח של כהן משנת 1988, הפורה בתרומתו לשיטה המדעית, גרס כי מחקר צריך להיות מתוכנן כך שתהיה לו הסתברות של 80% לזהות 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 שלמחקרים תהיה תמיד הסתברות של פחות מ-20% לביצוע טעות מסוג II, המכונה גם 'שגיאה שלילית כוזבת' (false negative). הוא משתמש באותם טווחי הנחיות גם עבור תגליות שהוחמצו, המתרחשות כאשר חוקר מדווח באופן לא מדויק על היעדר השפעה משמעותית כאשר באמת קיים הבדל.

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% ובממוצע נעה בטווח רחב של 8%-31%. עוצמה סטטיסטית נמוכה במחקר מדעי המוח:

• מעלה ספק לגבי יכולת השחזור של הממצאים.

• מובילה לגודל אפקט מוגזם.

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

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

הקמת קבוצה/ות מדגם מייצגת/ות

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

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

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

כיצד להימנע משגיאות דגימה

חשוב להבין שני מונחים לפני שמתקדמים.

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

2. מובהקות סטטיסטית: מובהקות סטטיסטית פירושה שהנתונים שלנו והאפקטים הנצפים שלנו הם ככל הנראה אפקטים אמיתיים. ברוב מדעי הביו-רפואה, מובהקות סטטיסטית נקבעת עם רמת מובהקות או ערך p של 0.05. בעיקרון, זה אומר שהמדענים בטוחים ב-95% באפקט שנצפה בניסויים שלהם.

שקלו אם הנתונים מראים קשר (כלומר, שחרור דופמין). קיימת הסתברות של 5% שהאפקט הוא מקרי ואינו קשור למשתנה (גירויים חזותיים). זו תהיה שגיאה מסוג I. לחלופין, קיימת הסתברות של 5% שהנתונים שנאספו לא יראו קשר בין שחרור דופמין לגירויים חזותיים כאשר, למעשה, יש אפקט אמיתי - שגיאה שלילית כוזבת או שגיאה מסוג II.

קביעה קפדנית של קריטריוני הכללה היא בעלת 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 משגיאת דגימה, שגיאה מסוג I (חיובית כוזבת) או שגיאה מסוג II (שלילית כוזבת).

הניסוי שלנו בוחן את ההשערה הבאה:

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

• השערה - 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:

• ההשערה שלנו נדחית.

• לא נמצא הבדל או אפקט אמיתי.

• האפקטים הנצפים שלנו נובעים באותה מידה מתוך מקריות.

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 משום שהם הקרובים או הנגישים ביותר לאיסוף נתונים מהם, שכן זהו המרשם לשגיאת דגימה.

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

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

מהו גודל האפקט האמיתי?

בשל העוצמה הסטטיסטית הנמוכה של מחקרי מדעי המוח, אנו נוטים להעריך יתר על המידה את גודל האפקט האמיתי, מה שמוביל ליכולת שחזור נמוכה של מחקרים רבים. יתר על כן, המורכבות המובנית של מחקר 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 היא חיונית לתכנון מחקר אשר:

• מביא לתגליות מעשיות.

• מקדם את הבנתנו את אינספור התהליכים במוח.

• מפתח טיפולים יעילים.

התגברות על אתגרים במחקר מדעי המוח העכשווי: פלטפורמת EmotivLAB

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

מחקר מדעי המוח המודרני עלול להיות פגיע לשגיאות דגימה עקב משאבים מוגבלים לגיוס קבוצה מגוונת עבור מערך המדגם הניסויי. מושג "קבוצת WEIRD" מתמצת את הבעיה. רוב המחקר האקדמי נעשה בתקציב דל על נבדקים בניסוי שהם באופן כללי מערביים, משכילים, וממדינות מתועשות, עשירות ודמוקרטיות. עם זאת, ציוד לאיסוף נתונים מרחוק, כמו פלטפורמת ה-EEG של EmotivLAB, מאפשר לחוקרים להגיע מעבר לקמפוס באוניברסיטה כדי לגייס קבוצות מדגם המשקפות טוב יותר את האוכלוסייה.

פלטפורמת EmotivLAB משחררת את החוקרים מהמגבלות הנוכחיות ובמקום זאת מאפשרת להם למקד את האנרגיה שלהם בתכנון ניסויים וניתוח התוצאות.

הפלטפורמה של EmotivLAB וציוד ה-EEG המרוחק אינם רק עוזרים לחוקרים להרחיב את המגוון של האנשים הכלולים בקבוצות מדגם ניסויוניות. הם גם מתווכים את הבעיות הנוגעות לגודל המדגם הכולל ולהגעה הגאוגרפית לאוכלוסיות היעד.

פלטפורמת EmotivLAB משחררת את החוקרים מהמגבלות הנוכחיות ובמקום זאת מאפשרת להם למקד את האנרגיה שלהם בתכנון ניסויים וניתוח התוצאות. הפלטפורמה שלנו מתאימה את הניסוי לאנשים המתאימים ביותר במאגר הנבדקים. אין צורך להשקיע זמן בגיוס משתתפים, בתיאום ותזמון שלהם, ובחציבת נתונים במעבדה. כל מה שנדרש הוא לציין את הדמוגרפיה הרצויה בפלטפורמה המקוונת, ו-EmotivLAB תהפוך את הניסוי לזמין לתורמים המתאימים ביותר לפרמטרים המבוקשים. המשתתפים יכולים לבצע את הניסויים בבתיהם שלהם, באמצעות הציוד שלהם. ההיכרות שלהם עם האוזניות מייתרת את הצורך של החוקרים לספק הסבר 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. לעומת זאת, גישה לנתונים איכותיים יותר מספקת פתרון שיעזור להימנע משגיאות ב:

• דגימה

• אוכלוסייה

• מובהקות סטטיסטית

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

פלטפורמת EmotivLAB מאפשרת לכם לבנות את הניסוי שלכם, לפרוס אותו בצורה בטוחה ומאובטחת, לגייס משתתפים מתוך פאנל גלובלי של משתתפים מאומתים ולאסוף נתוני EEG באיכות גבוהה, והכל מפלטפורמה אחת. לחצו כאן כדי ללמוד עוד או לבקש דמו.