אתגר את הזיכרון שלך! שחק במשחק ה-N-Back החדש באפליקציית Emotiv
אתגר את הזיכרון שלך! שחק במשחק ה-N-Back החדש באפליקציית Emotiv
אתגר את הזיכרון שלך! שחק במשחק ה-N-Back החדש באפליקציית Emotiv
משמעות סטטיסטית: גודל מדגם וכוח סטטיסטי
Quoc Minh Lai
שתף:
משמעות סטטיסטית: גודל מדגם(ים) ועוצמה סטטיסטית - כדי להבין את העולם סביבנו, חוקרים משתמשים בשיטה המדעית כדי להפריד בין אמיתות חשודות לשקרים. מדעי המוח הקוגניטיבי שואפים להבין כיצד המערכות הגנטיות, הנוירולוגיות וההתנהגותיות תומכות ביכולת של אורגניזם לחוש, לקיים אינטראקציה, לנווט ולחשוב על העולם סביבם.
זה אומר שמדעי המוח הקוגניטיבי מתכננים ניסויים ואוספים נתונים בכל רמות הניתוח. תוכניות מחקר ברחבי העולם המחפשות להעצים את הבנתנו את העולם הטבעי בודקות הערכות או היפותזות, בסדרה מתוכננת של ניסויים קטנים יותר. ניסויים אלה הם בדרך כלל לחקור גורמים ספציפיים שאולי ישפיעו או לא להשפיע על תוצאה תוך הפחתת השפעתם של גורמים זרים כמו סביבה, העדפה מינית, גזע או מעמד סוציו-אקונומי.
תסריט אחד: מחקר על שחרור דופמין
במדעי המוח הקוגניטיבי, הדופמין נחשב בדרך כלל לכימיקל שמייצר תחושת עונג. השחרור שלו בגרעין האקומבנס (NuAc) מתופעל על ידי התנהגויות או דברים שגורמים לנו מוטיבציה לפעול. אלה עשויים לכלול:
אכילת ארוחה טובה
זמן עם יקירים
קיום יחסי מין
סוכר
נניח שאנחנו רוצים לגלות אם רמות הפיק של דופמין ב-NuAc מגיעות לפני, במהלך או אחרי חשיפה לגירוי חזותי רצוי או מוכר. אנו יכולים להשתמש בתכנון ניסוי EEG שהתבצע לפי המחקר של עמאתיה ג'ואנה מקינטוש. אנו יכולים להניח ששחרור דופמין מתרחש במהלך ומגיע לפיק מעט אחרי החשיפה לגירוי חזותי רצוי או מוכר.
כעת, הכי קריטי, איפה נזהה נבדקים?
במצבים ניסויים, "אוכלוסייה" מתייחסת לקבוצה הכוללת הרחבה הנחקרת. זה לא מעשי ולא סביר שהמעבדה שלך תוכל לתכנן טכניקה לגיוס ואיסוף נתוני שחרור דופמין של מאות אלפי או מיליוני אנשים.
לכן, ננסה לאסוף נתונים מקבוצה קטנה יותר, מייצגת, או דגימה להבנת האוכלוסייה. לשם כך, נצטרך לענות לשתי שאלות עיקריות.
כמה אנשים צריכים להיות כלולים בדגימה שלנו?
איך זה מתקשר לחשיבות המעשית ולעוצמה הסטטיסטית?
בואו נשבור את זה למטה.
עוצמה סטטיסטית והאפקט האמיתי
מוגדרת כעוצמה סטטיסטית כההסתברות של בדיקה לזהות הבדל משמעותי סטטיסטית כאשר הבדל כזה באמת קיים. יש לה גם הכינוי אפקט אמיתי.
האפקט האמיתי הוא אבן הפינה של תכנון ניסויים. הדוח של כהן מ-1988, ידוע בזכות תרומתו לשיטה המדעית, קבע שמחקר צריך להיות מתוכנן כך שיהיה לו 80% הסתברות לזהות אפקט אמיתי. 80% זו מייצגת עיצוב מבחן גבוה כוח (HP), בעוד כל ערך המתקרב ל-20% הוא עיצוב מבחן כוח נמוך (LP).
כהן הציע שמחקרים תמיד צריכים להיות עם פחות מ-20% הסתברות לעשות שגיאת סוג II, הידועה גם כשלילית שגויה. הוא גם משתמש באותם טווחי קווים מנחים עבור תגליות אבודות, המתרחשות כאשר חוקר מדווח בצורה שגויה על היעדר אפקט משמעותי כאשר הבדל באמת קיים.
למה עוצמה סטטיסטית חשובה?
חשבו על התרחיש הזה. אם האפקט האמיתי קיים ב-100 מחקרים שונים עם 80% כוח, הבדיקות הסטטיסטיות יזהו אפקט אמיתי ב-80 מתוך ה-100. עם זאת, כאשר למחקר יש עוצמת מחקר של 20%, אם יש 100 אפקטים לא אמיתיים אמיתיים בתוצאות, המחקרים הללו מצופים לגלות רק 20 מהם.
חסרונות העוצמה הסטטיסטית במחקרי מדעי המוח
ללא הפתעה, בגלל שאופי מחקרי מדעי המוח דורש משאבים נרחבים, לשדה זה יש עוצמה סטטיסטית חציונית של כ-21% בממוצע על טווח רחב של 8%-31%. עוצמה סטטיסטית נמוכה במחקרי מדעי המוח:
מעורר ספקות לגבי היכולת לשחזר ממצאים.
גורמת להערכת יתר בגודל האפקט.
מפחיתה את הסבירות שיקבלו תוצאות משמעותיות סטטיסטית המשקפות את האפקט האמיתי.
ככז, מצב המחקרים במדעי המוח תקוע עם הבעיה של עוצמה סטטיסטית, כי הערכים הללו הם הרבה מתחת לספה התיאורטית של כהן.
קביעת קבוצה לדגימת מדגם מייצגת
מטרת התרחיש הראשון: הימנע שגיאות דגימה ושגיאות מסוג I ו-II במבחן שלנו עם דגימה כוללת וגדולה.
כמה סריקות מוח אנושיות צריכים לכלול במערכת הדגימה שלנו אם נרצה שהניסוי יהיה בעל משמעות מעשית? משמעות מעשית מתייחסת להשפעת תוצאות מניסוי על העולם האמיתי.
יכולת הניסוי של נוירוסייניסט לקבוע השפעות (עוצמה סטטיסטית) קשורה לגודל המדגם. בהמשכה של תכנון התרחיש 1, המטרה היא עדיין לאסוף מספיק נתונים כדי שנוכל להעריך סטטיסטית אם יש אפקט אמת
בתזמון שחרור הדופמין אחרי הצגת גירויים חזותיים עמוסים רגשית. אנחנו גם צריכים לקבוע קריטריונים לאינטגרציה לדגימה שמקטינים את הסיכוי לטעות דגימה.
איך להימנע משגיאות דגימה
שני מונחים חשובים להבין לפני שמתקדמים.
טעות דגימה: כאשר מדגמים, תמיד יש סיכוי שהנתונים שנאספו מהפרטים הנבחרים לא ייצגו את האוכלוסייה.
משמעות סטטיסטית: משמעות סטטיסטית פירושה שהנתונים שלנו וההשפעות הנצפות שלנו הם כנראה השפעות אמיתיות. ברוב המדעים הביו-רפואיים, משמעות סטטיסטית נקבעת עם רמת משמעות או רמת סיכון של .05. למעשה, זה אומר שהמדענים הם ב-95% בטוחים בהשפעה הנצפת במחקריהם.
שקל אם הנתונים מראים קשר (לדוגמה, שחרור דופמין). יש 5% סיכוי שהאפקט הוא ממקריות ולא קשור למשתנה (גירויים חזותיים). זו תהיה שגיאת סוג I. לחלופין, יש 5% הסתברות שהנתונים שנצברו שלנו יראו שאין קשר בין שחרור דופמין לגירויים חזותיים, כאשר במציאות יש אפקט אמת - שלילייה שגויה או שגיאת סוג II.
הקביעה הקפדנית של קריטריונים לאינטגרציה היא יותר משמעותית כי ישנה נקודת החברות נמוכה אחרי גודל מדגם מסוים.
אנחנו מקווים לאסוף נתונים שמייצגים את כל בני האדם, ואנו רוצים שמסקנותינו יהיו עם משמעות מעשית ומדעית. כדי להצליח לעצב את קבוצת המדגם שלנו, יש לקחת בחשבון ולמנוע שגיאת דגימה, שגיאת סוג I (חיובי שגוי) או שגיאת סוג II (שלילי שגוי).
הניסוי שלנו בודק את ההיפותזה הבאה:
ההיפותזה הבטל - אין קשר או השפעה בין התזמון של שחרור דופמין ב-NAc וגירוי חזותי עם תוכן רגשי.
היפותזה - יש קשר בין התזמון של שחרור דופמין ב-NAc וגירוי חזותי עם תוכן רגשי, ושחרור דופמין בפיק מתרחש אחרי ראיית הגירויים החזותיים.
יש קשר בין תזמון שחרור דופמין ב-NAc וגירויים חזותיים עם תוכן רגשי. כאשר הנתונים אינם משמעותיים מדעית:
נושלת ההיפותזה שלנו.
לא נמצא אפקט או הבדל אמיתי.
ההשפעות הנצפות שלנו הן באותה מידה עשויות להיות תוצאה של מקריות.
הבנת האוכלוסייה?
מגבלות מעשיות בעיצוב ניסוי.
במחקרי מדעי המוח, קריטריון הקבלה הפורמלי בדרך כלל מנסה לבצע רנדומיזציה ו/או להשוות בין סבירות ההכללה בכל האוכלוסייה כדי להימנע משגיאות דגימה. אנחנו צריכים להימנע מבחירת אנשים רק כי הם הקרובים ביותר או הנגישים ביותר לאיסוף נתונים מהם, שכן זו מתרשם לשגיאת דגימה.
הגישה הטובה ביותר ליצירת קבוצת דגימה היא להשתמש בקריטריון קבלה שמאזן באקראי את הסבירות לבחירה בכל אוכלוסייה. לדוגמה, תוך שימוש בנתוני מפקד האוכלוסין, נוכל להשיג פרטי קשר ל-50 אנשים נבחרים באקראי בכל מחוז באוהיו. זה ימנע את הטיה בבחירה כי השמות ייבחרו באקראי באותה מידה מכל אזור גיאוגרפי.
קביעת תכנון ניסויי, הגדלת גודל המדגם, ומימוש מלא של קריטריוני אינטגרציה מאוזנים, רנדומיים וללא נטייה עלול להיקלע במהירות למגבלות מעשיות. זהו נושא למחקר מדעי בכל הרמות, מהתנסים אקדמיים ועד לאוניברסיטאות מחקריות מפותחות. בדרך כלל, מגבלות תקציב וזמן הן הראשונות לקבוע פשרה. באופן קולקטיבי, הנושאים הללו סביב המשמעות הסטטיסטית הם תחום פעיל של מחקר.
מהו גודל האפקט האמיתי ?
בשל עוצמת נמוכה של מחקרי מדעי המוח, אנו נוטים להעריך יתר את גודל האפקט האמיתי אשר מוביל לשחזוריות נמוכה של מחקרים רבים. יתר על כן, הזיקה המובנית של מדעי המוח הופכת את העוצמה הסטטיסטית לקריטית.
אחת הדרכים שהתחום יכול לאמץ היא להגדיל את עוצמת המחקר על ידי הגדלת גודל המדגם. זה מגדיל את הסיכויים לזהות אפקט אמיתי. בחירה בגודל מדגם מתאים היא חיונית לעיצוב מחקר שמבצע:
תגליות מעשיות.
קידום הבנתנו בתהליכים אינספור במוח.
פיתוח טיפולים אפקטיביים.
להתגבר על אתגרים במחקרי מדעי מוח עכשוויים: פלטפורמת EmotivLAB
התכנונים הניסויים של מחקרי מדעי המוח צריכים להתאמץ לקבוע גדלים גדולים יותר של קבוצות מדגמים וקריטריוני ההכללה טובים יותר כדי להשיג מובהקות מדעית אמינה. עם גישה לפלטפורמה מבוססת קהל כמו EmotivLAB, חוקרים מקבלים גישה לאוסף גדול יותר של נבדקים אפשריים רחבים ומייצגים יותר, מה שמשפר את גודל המדגם ואת הכוללנות של כל הדמוגרפיות במאמץ לוגיסטי מינימלי עבור קבוצות המחקר.
ניתן לנפול מחקר מדעי מוח עכשוי לשגיאות דגימה עקבות משאבים מוגבלים זמינים לגיוס קבוצה מגוונת עבור מערכת המדגם הניסוית. רעיון "קבוצת WEIRD" מתאר את הבעיה. רוב המחקר האוניברסיטאי נעשה בתקציב מצומצם על נבדקים ניסויים שהם בדרך כלל מאנשים מערביים, משכילים, מתועשים, עשירים ודמוקרטיים. עם זאת, ציוד איסוף נתונים מרחוק, כמו פלטפורמת ה-EEG של EmotivLABs, מאפשר לחוקרים להגיע מעבר ל הקמפוס האוניברסיטאי לגייס קבוצות דגימה שמשקפות טוב יותר את האוכלוסייה.
הפלטפורמה EmotivLABs מבטלת חוקרים מההגבלות הנוכחיות ומאפשרת להם במקום זאת להתרכז בעיצוב הניסויים וניתוח התוצאות.
לפלטפורמה של EmotivLABs וציוד ה-EEG המרחק אינם רק עוזרים לחוקרים להרחיב את המגוון של האנשים הכלולים בקבוצות המדגם הניסוית. היא גם מפחיתה את הבעיות לגבי גודל המדגם הכולל וההתקשרות הגיאוגרפית לאוכלוסיות יעד.
פלטפורמת EmotivLABs מבטלת את החסמים מהחוקרים ומאפשרת להם להתרכז בעיצוב הניסויים וניתוח התוצאות. הפלטפורמה שלנו מתאימה את הניסוי עם האנשים המתאימים ביותר בבריכה. אין צורך להקדיש זמן בגיוס משתתפים, בתיאום ובתזמון שלהם ובביצוע איסוף נתונים במעבדה. כל מה שנדרש הוא שהדמוגרפיה הרצויה תוגדר בפלטפורמה המקוונת, ו-EmotivLABs תעשינה את הניסוי זמין לתורמים שהכי מתאימים לפרמטרים הרצויים. המשתתפים יכולים לבצע את הניסויים בבתיהם שלהם, באמצעות ציודם האישי. היכרותם עם האוזניות מבטלת את הצורך במתן הוראות לגבי השימוש בו.
מעבר לכך, פלטפורמת EmotivLABs מספקת בקרת איכות והערכת של נתוני הקלטה אוטומטיים של EEG. כמויות גדולות של נתונים באיכות נמוכה אינן עוזרות להתגבר על שגיאות דגימה או טעויות סטטיסטיות בתכנוני ניסויים. רכישת גישה ליותר נתונים באיכות גבוהה, עם זאת, מספקת פיתרון לעזור להימנע מטעויות ב:
דגימה
אוכלוסייה
משמעות סטטיסטית
רוצים לדעת יותר על מה שפלטפורמת EmotivLABs יכולה לעשות עבור המחקר שלכם?
EmotivLABS מאפשרת לך לבנות את הניסוי שלך, ליישם אותו באופן בטוח ומאובטח, לגייס ממקבץ עולמי של משתתפים מאומתים ולאסוף נתוני EEG באיכות גבוהה, הכל מפלטפורמה אחת. לחץ כאן כדי ללמוד עוד או לבקש הדגמה.
משמעות סטטיסטית: גודל מדגם(ים) ועוצמה סטטיסטית - כדי להבין את העולם סביבנו, חוקרים משתמשים בשיטה המדעית כדי להפריד בין אמיתות חשודות לשקרים. מדעי המוח הקוגניטיבי שואפים להבין כיצד המערכות הגנטיות, הנוירולוגיות וההתנהגותיות תומכות ביכולת של אורגניזם לחוש, לקיים אינטראקציה, לנווט ולחשוב על העולם סביבם.
זה אומר שמדעי המוח הקוגניטיבי מתכננים ניסויים ואוספים נתונים בכל רמות הניתוח. תוכניות מחקר ברחבי העולם המחפשות להעצים את הבנתנו את העולם הטבעי בודקות הערכות או היפותזות, בסדרה מתוכננת של ניסויים קטנים יותר. ניסויים אלה הם בדרך כלל לחקור גורמים ספציפיים שאולי ישפיעו או לא להשפיע על תוצאה תוך הפחתת השפעתם של גורמים זרים כמו סביבה, העדפה מינית, גזע או מעמד סוציו-אקונומי.
תסריט אחד: מחקר על שחרור דופמין
במדעי המוח הקוגניטיבי, הדופמין נחשב בדרך כלל לכימיקל שמייצר תחושת עונג. השחרור שלו בגרעין האקומבנס (NuAc) מתופעל על ידי התנהגויות או דברים שגורמים לנו מוטיבציה לפעול. אלה עשויים לכלול:
אכילת ארוחה טובה
זמן עם יקירים
קיום יחסי מין
סוכר
נניח שאנחנו רוצים לגלות אם רמות הפיק של דופמין ב-NuAc מגיעות לפני, במהלך או אחרי חשיפה לגירוי חזותי רצוי או מוכר. אנו יכולים להשתמש בתכנון ניסוי EEG שהתבצע לפי המחקר של עמאתיה ג'ואנה מקינטוש. אנו יכולים להניח ששחרור דופמין מתרחש במהלך ומגיע לפיק מעט אחרי החשיפה לגירוי חזותי רצוי או מוכר.
כעת, הכי קריטי, איפה נזהה נבדקים?
במצבים ניסויים, "אוכלוסייה" מתייחסת לקבוצה הכוללת הרחבה הנחקרת. זה לא מעשי ולא סביר שהמעבדה שלך תוכל לתכנן טכניקה לגיוס ואיסוף נתוני שחרור דופמין של מאות אלפי או מיליוני אנשים.
לכן, ננסה לאסוף נתונים מקבוצה קטנה יותר, מייצגת, או דגימה להבנת האוכלוסייה. לשם כך, נצטרך לענות לשתי שאלות עיקריות.
כמה אנשים צריכים להיות כלולים בדגימה שלנו?
איך זה מתקשר לחשיבות המעשית ולעוצמה הסטטיסטית?
בואו נשבור את זה למטה.
עוצמה סטטיסטית והאפקט האמיתי
מוגדרת כעוצמה סטטיסטית כההסתברות של בדיקה לזהות הבדל משמעותי סטטיסטית כאשר הבדל כזה באמת קיים. יש לה גם הכינוי אפקט אמיתי.
האפקט האמיתי הוא אבן הפינה של תכנון ניסויים. הדוח של כהן מ-1988, ידוע בזכות תרומתו לשיטה המדעית, קבע שמחקר צריך להיות מתוכנן כך שיהיה לו 80% הסתברות לזהות אפקט אמיתי. 80% זו מייצגת עיצוב מבחן גבוה כוח (HP), בעוד כל ערך המתקרב ל-20% הוא עיצוב מבחן כוח נמוך (LP).
כהן הציע שמחקרים תמיד צריכים להיות עם פחות מ-20% הסתברות לעשות שגיאת סוג II, הידועה גם כשלילית שגויה. הוא גם משתמש באותם טווחי קווים מנחים עבור תגליות אבודות, המתרחשות כאשר חוקר מדווח בצורה שגויה על היעדר אפקט משמעותי כאשר הבדל באמת קיים.
למה עוצמה סטטיסטית חשובה?
חשבו על התרחיש הזה. אם האפקט האמיתי קיים ב-100 מחקרים שונים עם 80% כוח, הבדיקות הסטטיסטיות יזהו אפקט אמיתי ב-80 מתוך ה-100. עם זאת, כאשר למחקר יש עוצמת מחקר של 20%, אם יש 100 אפקטים לא אמיתיים אמיתיים בתוצאות, המחקרים הללו מצופים לגלות רק 20 מהם.
חסרונות העוצמה הסטטיסטית במחקרי מדעי המוח
ללא הפתעה, בגלל שאופי מחקרי מדעי המוח דורש משאבים נרחבים, לשדה זה יש עוצמה סטטיסטית חציונית של כ-21% בממוצע על טווח רחב של 8%-31%. עוצמה סטטיסטית נמוכה במחקרי מדעי המוח:
מעורר ספקות לגבי היכולת לשחזר ממצאים.
גורמת להערכת יתר בגודל האפקט.
מפחיתה את הסבירות שיקבלו תוצאות משמעותיות סטטיסטית המשקפות את האפקט האמיתי.
ככז, מצב המחקרים במדעי המוח תקוע עם הבעיה של עוצמה סטטיסטית, כי הערכים הללו הם הרבה מתחת לספה התיאורטית של כהן.
קביעת קבוצה לדגימת מדגם מייצגת
מטרת התרחיש הראשון: הימנע שגיאות דגימה ושגיאות מסוג I ו-II במבחן שלנו עם דגימה כוללת וגדולה.
כמה סריקות מוח אנושיות צריכים לכלול במערכת הדגימה שלנו אם נרצה שהניסוי יהיה בעל משמעות מעשית? משמעות מעשית מתייחסת להשפעת תוצאות מניסוי על העולם האמיתי.
יכולת הניסוי של נוירוסייניסט לקבוע השפעות (עוצמה סטטיסטית) קשורה לגודל המדגם. בהמשכה של תכנון התרחיש 1, המטרה היא עדיין לאסוף מספיק נתונים כדי שנוכל להעריך סטטיסטית אם יש אפקט אמת
בתזמון שחרור הדופמין אחרי הצגת גירויים חזותיים עמוסים רגשית. אנחנו גם צריכים לקבוע קריטריונים לאינטגרציה לדגימה שמקטינים את הסיכוי לטעות דגימה.
איך להימנע משגיאות דגימה
שני מונחים חשובים להבין לפני שמתקדמים.
טעות דגימה: כאשר מדגמים, תמיד יש סיכוי שהנתונים שנאספו מהפרטים הנבחרים לא ייצגו את האוכלוסייה.
משמעות סטטיסטית: משמעות סטטיסטית פירושה שהנתונים שלנו וההשפעות הנצפות שלנו הם כנראה השפעות אמיתיות. ברוב המדעים הביו-רפואיים, משמעות סטטיסטית נקבעת עם רמת משמעות או רמת סיכון של .05. למעשה, זה אומר שהמדענים הם ב-95% בטוחים בהשפעה הנצפת במחקריהם.
שקל אם הנתונים מראים קשר (לדוגמה, שחרור דופמין). יש 5% סיכוי שהאפקט הוא ממקריות ולא קשור למשתנה (גירויים חזותיים). זו תהיה שגיאת סוג I. לחלופין, יש 5% הסתברות שהנתונים שנצברו שלנו יראו שאין קשר בין שחרור דופמין לגירויים חזותיים, כאשר במציאות יש אפקט אמת - שלילייה שגויה או שגיאת סוג II.
הקביעה הקפדנית של קריטריונים לאינטגרציה היא יותר משמעותית כי ישנה נקודת החברות נמוכה אחרי גודל מדגם מסוים.
אנחנו מקווים לאסוף נתונים שמייצגים את כל בני האדם, ואנו רוצים שמסקנותינו יהיו עם משמעות מעשית ומדעית. כדי להצליח לעצב את קבוצת המדגם שלנו, יש לקחת בחשבון ולמנוע שגיאת דגימה, שגיאת סוג I (חיובי שגוי) או שגיאת סוג II (שלילי שגוי).
הניסוי שלנו בודק את ההיפותזה הבאה:
ההיפותזה הבטל - אין קשר או השפעה בין התזמון של שחרור דופמין ב-NAc וגירוי חזותי עם תוכן רגשי.
היפותזה - יש קשר בין התזמון של שחרור דופמין ב-NAc וגירוי חזותי עם תוכן רגשי, ושחרור דופמין בפיק מתרחש אחרי ראיית הגירויים החזותיים.
יש קשר בין תזמון שחרור דופמין ב-NAc וגירויים חזותיים עם תוכן רגשי. כאשר הנתונים אינם משמעותיים מדעית:
נושלת ההיפותזה שלנו.
לא נמצא אפקט או הבדל אמיתי.
ההשפעות הנצפות שלנו הן באותה מידה עשויות להיות תוצאה של מקריות.
הבנת האוכלוסייה?
מגבלות מעשיות בעיצוב ניסוי.
במחקרי מדעי המוח, קריטריון הקבלה הפורמלי בדרך כלל מנסה לבצע רנדומיזציה ו/או להשוות בין סבירות ההכללה בכל האוכלוסייה כדי להימנע משגיאות דגימה. אנחנו צריכים להימנע מבחירת אנשים רק כי הם הקרובים ביותר או הנגישים ביותר לאיסוף נתונים מהם, שכן זו מתרשם לשגיאת דגימה.
הגישה הטובה ביותר ליצירת קבוצת דגימה היא להשתמש בקריטריון קבלה שמאזן באקראי את הסבירות לבחירה בכל אוכלוסייה. לדוגמה, תוך שימוש בנתוני מפקד האוכלוסין, נוכל להשיג פרטי קשר ל-50 אנשים נבחרים באקראי בכל מחוז באוהיו. זה ימנע את הטיה בבחירה כי השמות ייבחרו באקראי באותה מידה מכל אזור גיאוגרפי.
קביעת תכנון ניסויי, הגדלת גודל המדגם, ומימוש מלא של קריטריוני אינטגרציה מאוזנים, רנדומיים וללא נטייה עלול להיקלע במהירות למגבלות מעשיות. זהו נושא למחקר מדעי בכל הרמות, מהתנסים אקדמיים ועד לאוניברסיטאות מחקריות מפותחות. בדרך כלל, מגבלות תקציב וזמן הן הראשונות לקבוע פשרה. באופן קולקטיבי, הנושאים הללו סביב המשמעות הסטטיסטית הם תחום פעיל של מחקר.
מהו גודל האפקט האמיתי ?
בשל עוצמת נמוכה של מחקרי מדעי המוח, אנו נוטים להעריך יתר את גודל האפקט האמיתי אשר מוביל לשחזוריות נמוכה של מחקרים רבים. יתר על כן, הזיקה המובנית של מדעי המוח הופכת את העוצמה הסטטיסטית לקריטית.
אחת הדרכים שהתחום יכול לאמץ היא להגדיל את עוצמת המחקר על ידי הגדלת גודל המדגם. זה מגדיל את הסיכויים לזהות אפקט אמיתי. בחירה בגודל מדגם מתאים היא חיונית לעיצוב מחקר שמבצע:
תגליות מעשיות.
קידום הבנתנו בתהליכים אינספור במוח.
פיתוח טיפולים אפקטיביים.
להתגבר על אתגרים במחקרי מדעי מוח עכשוויים: פלטפורמת EmotivLAB
התכנונים הניסויים של מחקרי מדעי המוח צריכים להתאמץ לקבוע גדלים גדולים יותר של קבוצות מדגמים וקריטריוני ההכללה טובים יותר כדי להשיג מובהקות מדעית אמינה. עם גישה לפלטפורמה מבוססת קהל כמו EmotivLAB, חוקרים מקבלים גישה לאוסף גדול יותר של נבדקים אפשריים רחבים ומייצגים יותר, מה שמשפר את גודל המדגם ואת הכוללנות של כל הדמוגרפיות במאמץ לוגיסטי מינימלי עבור קבוצות המחקר.
ניתן לנפול מחקר מדעי מוח עכשוי לשגיאות דגימה עקבות משאבים מוגבלים זמינים לגיוס קבוצה מגוונת עבור מערכת המדגם הניסוית. רעיון "קבוצת WEIRD" מתאר את הבעיה. רוב המחקר האוניברסיטאי נעשה בתקציב מצומצם על נבדקים ניסויים שהם בדרך כלל מאנשים מערביים, משכילים, מתועשים, עשירים ודמוקרטיים. עם זאת, ציוד איסוף נתונים מרחוק, כמו פלטפורמת ה-EEG של EmotivLABs, מאפשר לחוקרים להגיע מעבר ל הקמפוס האוניברסיטאי לגייס קבוצות דגימה שמשקפות טוב יותר את האוכלוסייה.
הפלטפורמה EmotivLABs מבטלת חוקרים מההגבלות הנוכחיות ומאפשרת להם במקום זאת להתרכז בעיצוב הניסויים וניתוח התוצאות.
לפלטפורמה של EmotivLABs וציוד ה-EEG המרחק אינם רק עוזרים לחוקרים להרחיב את המגוון של האנשים הכלולים בקבוצות המדגם הניסוית. היא גם מפחיתה את הבעיות לגבי גודל המדגם הכולל וההתקשרות הגיאוגרפית לאוכלוסיות יעד.
פלטפורמת EmotivLABs מבטלת את החסמים מהחוקרים ומאפשרת להם להתרכז בעיצוב הניסויים וניתוח התוצאות. הפלטפורמה שלנו מתאימה את הניסוי עם האנשים המתאימים ביותר בבריכה. אין צורך להקדיש זמן בגיוס משתתפים, בתיאום ובתזמון שלהם ובביצוע איסוף נתונים במעבדה. כל מה שנדרש הוא שהדמוגרפיה הרצויה תוגדר בפלטפורמה המקוונת, ו-EmotivLABs תעשינה את הניסוי זמין לתורמים שהכי מתאימים לפרמטרים הרצויים. המשתתפים יכולים לבצע את הניסויים בבתיהם שלהם, באמצעות ציודם האישי. היכרותם עם האוזניות מבטלת את הצורך במתן הוראות לגבי השימוש בו.
מעבר לכך, פלטפורמת EmotivLABs מספקת בקרת איכות והערכת של נתוני הקלטה אוטומטיים של EEG. כמויות גדולות של נתונים באיכות נמוכה אינן עוזרות להתגבר על שגיאות דגימה או טעויות סטטיסטיות בתכנוני ניסויים. רכישת גישה ליותר נתונים באיכות גבוהה, עם זאת, מספקת פיתרון לעזור להימנע מטעויות ב:
דגימה
אוכלוסייה
משמעות סטטיסטית
רוצים לדעת יותר על מה שפלטפורמת EmotivLABs יכולה לעשות עבור המחקר שלכם?
EmotivLABS מאפשרת לך לבנות את הניסוי שלך, ליישם אותו באופן בטוח ומאובטח, לגייס ממקבץ עולמי של משתתפים מאומתים ולאסוף נתוני EEG באיכות גבוהה, הכל מפלטפורמה אחת. לחץ כאן כדי ללמוד עוד או לבקש הדגמה.
משמעות סטטיסטית: גודל מדגם(ים) ועוצמה סטטיסטית - כדי להבין את העולם סביבנו, חוקרים משתמשים בשיטה המדעית כדי להפריד בין אמיתות חשודות לשקרים. מדעי המוח הקוגניטיבי שואפים להבין כיצד המערכות הגנטיות, הנוירולוגיות וההתנהגותיות תומכות ביכולת של אורגניזם לחוש, לקיים אינטראקציה, לנווט ולחשוב על העולם סביבם.
זה אומר שמדעי המוח הקוגניטיבי מתכננים ניסויים ואוספים נתונים בכל רמות הניתוח. תוכניות מחקר ברחבי העולם המחפשות להעצים את הבנתנו את העולם הטבעי בודקות הערכות או היפותזות, בסדרה מתוכננת של ניסויים קטנים יותר. ניסויים אלה הם בדרך כלל לחקור גורמים ספציפיים שאולי ישפיעו או לא להשפיע על תוצאה תוך הפחתת השפעתם של גורמים זרים כמו סביבה, העדפה מינית, גזע או מעמד סוציו-אקונומי.
תסריט אחד: מחקר על שחרור דופמין
במדעי המוח הקוגניטיבי, הדופמין נחשב בדרך כלל לכימיקל שמייצר תחושת עונג. השחרור שלו בגרעין האקומבנס (NuAc) מתופעל על ידי התנהגויות או דברים שגורמים לנו מוטיבציה לפעול. אלה עשויים לכלול:
אכילת ארוחה טובה
זמן עם יקירים
קיום יחסי מין
סוכר
נניח שאנחנו רוצים לגלות אם רמות הפיק של דופמין ב-NuAc מגיעות לפני, במהלך או אחרי חשיפה לגירוי חזותי רצוי או מוכר. אנו יכולים להשתמש בתכנון ניסוי EEG שהתבצע לפי המחקר של עמאתיה ג'ואנה מקינטוש. אנו יכולים להניח ששחרור דופמין מתרחש במהלך ומגיע לפיק מעט אחרי החשיפה לגירוי חזותי רצוי או מוכר.
כעת, הכי קריטי, איפה נזהה נבדקים?
במצבים ניסויים, "אוכלוסייה" מתייחסת לקבוצה הכוללת הרחבה הנחקרת. זה לא מעשי ולא סביר שהמעבדה שלך תוכל לתכנן טכניקה לגיוס ואיסוף נתוני שחרור דופמין של מאות אלפי או מיליוני אנשים.
לכן, ננסה לאסוף נתונים מקבוצה קטנה יותר, מייצגת, או דגימה להבנת האוכלוסייה. לשם כך, נצטרך לענות לשתי שאלות עיקריות.
כמה אנשים צריכים להיות כלולים בדגימה שלנו?
איך זה מתקשר לחשיבות המעשית ולעוצמה הסטטיסטית?
בואו נשבור את זה למטה.
עוצמה סטטיסטית והאפקט האמיתי
מוגדרת כעוצמה סטטיסטית כההסתברות של בדיקה לזהות הבדל משמעותי סטטיסטית כאשר הבדל כזה באמת קיים. יש לה גם הכינוי אפקט אמיתי.
האפקט האמיתי הוא אבן הפינה של תכנון ניסויים. הדוח של כהן מ-1988, ידוע בזכות תרומתו לשיטה המדעית, קבע שמחקר צריך להיות מתוכנן כך שיהיה לו 80% הסתברות לזהות אפקט אמיתי. 80% זו מייצגת עיצוב מבחן גבוה כוח (HP), בעוד כל ערך המתקרב ל-20% הוא עיצוב מבחן כוח נמוך (LP).
כהן הציע שמחקרים תמיד צריכים להיות עם פחות מ-20% הסתברות לעשות שגיאת סוג II, הידועה גם כשלילית שגויה. הוא גם משתמש באותם טווחי קווים מנחים עבור תגליות אבודות, המתרחשות כאשר חוקר מדווח בצורה שגויה על היעדר אפקט משמעותי כאשר הבדל באמת קיים.
למה עוצמה סטטיסטית חשובה?
חשבו על התרחיש הזה. אם האפקט האמיתי קיים ב-100 מחקרים שונים עם 80% כוח, הבדיקות הסטטיסטיות יזהו אפקט אמיתי ב-80 מתוך ה-100. עם זאת, כאשר למחקר יש עוצמת מחקר של 20%, אם יש 100 אפקטים לא אמיתיים אמיתיים בתוצאות, המחקרים הללו מצופים לגלות רק 20 מהם.
חסרונות העוצמה הסטטיסטית במחקרי מדעי המוח
ללא הפתעה, בגלל שאופי מחקרי מדעי המוח דורש משאבים נרחבים, לשדה זה יש עוצמה סטטיסטית חציונית של כ-21% בממוצע על טווח רחב של 8%-31%. עוצמה סטטיסטית נמוכה במחקרי מדעי המוח:
מעורר ספקות לגבי היכולת לשחזר ממצאים.
גורמת להערכת יתר בגודל האפקט.
מפחיתה את הסבירות שיקבלו תוצאות משמעותיות סטטיסטית המשקפות את האפקט האמיתי.
ככז, מצב המחקרים במדעי המוח תקוע עם הבעיה של עוצמה סטטיסטית, כי הערכים הללו הם הרבה מתחת לספה התיאורטית של כהן.
קביעת קבוצה לדגימת מדגם מייצגת
מטרת התרחיש הראשון: הימנע שגיאות דגימה ושגיאות מסוג I ו-II במבחן שלנו עם דגימה כוללת וגדולה.
כמה סריקות מוח אנושיות צריכים לכלול במערכת הדגימה שלנו אם נרצה שהניסוי יהיה בעל משמעות מעשית? משמעות מעשית מתייחסת להשפעת תוצאות מניסוי על העולם האמיתי.
יכולת הניסוי של נוירוסייניסט לקבוע השפעות (עוצמה סטטיסטית) קשורה לגודל המדגם. בהמשכה של תכנון התרחיש 1, המטרה היא עדיין לאסוף מספיק נתונים כדי שנוכל להעריך סטטיסטית אם יש אפקט אמת
בתזמון שחרור הדופמין אחרי הצגת גירויים חזותיים עמוסים רגשית. אנחנו גם צריכים לקבוע קריטריונים לאינטגרציה לדגימה שמקטינים את הסיכוי לטעות דגימה.
איך להימנע משגיאות דגימה
שני מונחים חשובים להבין לפני שמתקדמים.
טעות דגימה: כאשר מדגמים, תמיד יש סיכוי שהנתונים שנאספו מהפרטים הנבחרים לא ייצגו את האוכלוסייה.
משמעות סטטיסטית: משמעות סטטיסטית פירושה שהנתונים שלנו וההשפעות הנצפות שלנו הם כנראה השפעות אמיתיות. ברוב המדעים הביו-רפואיים, משמעות סטטיסטית נקבעת עם רמת משמעות או רמת סיכון של .05. למעשה, זה אומר שהמדענים הם ב-95% בטוחים בהשפעה הנצפת במחקריהם.
שקל אם הנתונים מראים קשר (לדוגמה, שחרור דופמין). יש 5% סיכוי שהאפקט הוא ממקריות ולא קשור למשתנה (גירויים חזותיים). זו תהיה שגיאת סוג I. לחלופין, יש 5% הסתברות שהנתונים שנצברו שלנו יראו שאין קשר בין שחרור דופמין לגירויים חזותיים, כאשר במציאות יש אפקט אמת - שלילייה שגויה או שגיאת סוג II.
הקביעה הקפדנית של קריטריונים לאינטגרציה היא יותר משמעותית כי ישנה נקודת החברות נמוכה אחרי גודל מדגם מסוים.
אנחנו מקווים לאסוף נתונים שמייצגים את כל בני האדם, ואנו רוצים שמסקנותינו יהיו עם משמעות מעשית ומדעית. כדי להצליח לעצב את קבוצת המדגם שלנו, יש לקחת בחשבון ולמנוע שגיאת דגימה, שגיאת סוג I (חיובי שגוי) או שגיאת סוג II (שלילי שגוי).
הניסוי שלנו בודק את ההיפותזה הבאה:
ההיפותזה הבטל - אין קשר או השפעה בין התזמון של שחרור דופמין ב-NAc וגירוי חזותי עם תוכן רגשי.
היפותזה - יש קשר בין התזמון של שחרור דופמין ב-NAc וגירוי חזותי עם תוכן רגשי, ושחרור דופמין בפיק מתרחש אחרי ראיית הגירויים החזותיים.
יש קשר בין תזמון שחרור דופמין ב-NAc וגירויים חזותיים עם תוכן רגשי. כאשר הנתונים אינם משמעותיים מדעית:
נושלת ההיפותזה שלנו.
לא נמצא אפקט או הבדל אמיתי.
ההשפעות הנצפות שלנו הן באותה מידה עשויות להיות תוצאה של מקריות.
הבנת האוכלוסייה?
מגבלות מעשיות בעיצוב ניסוי.
במחקרי מדעי המוח, קריטריון הקבלה הפורמלי בדרך כלל מנסה לבצע רנדומיזציה ו/או להשוות בין סבירות ההכללה בכל האוכלוסייה כדי להימנע משגיאות דגימה. אנחנו צריכים להימנע מבחירת אנשים רק כי הם הקרובים ביותר או הנגישים ביותר לאיסוף נתונים מהם, שכן זו מתרשם לשגיאת דגימה.
הגישה הטובה ביותר ליצירת קבוצת דגימה היא להשתמש בקריטריון קבלה שמאזן באקראי את הסבירות לבחירה בכל אוכלוסייה. לדוגמה, תוך שימוש בנתוני מפקד האוכלוסין, נוכל להשיג פרטי קשר ל-50 אנשים נבחרים באקראי בכל מחוז באוהיו. זה ימנע את הטיה בבחירה כי השמות ייבחרו באקראי באותה מידה מכל אזור גיאוגרפי.
קביעת תכנון ניסויי, הגדלת גודל המדגם, ומימוש מלא של קריטריוני אינטגרציה מאוזנים, רנדומיים וללא נטייה עלול להיקלע במהירות למגבלות מעשיות. זהו נושא למחקר מדעי בכל הרמות, מהתנסים אקדמיים ועד לאוניברסיטאות מחקריות מפותחות. בדרך כלל, מגבלות תקציב וזמן הן הראשונות לקבוע פשרה. באופן קולקטיבי, הנושאים הללו סביב המשמעות הסטטיסטית הם תחום פעיל של מחקר.
מהו גודל האפקט האמיתי ?
בשל עוצמת נמוכה של מחקרי מדעי המוח, אנו נוטים להעריך יתר את גודל האפקט האמיתי אשר מוביל לשחזוריות נמוכה של מחקרים רבים. יתר על כן, הזיקה המובנית של מדעי המוח הופכת את העוצמה הסטטיסטית לקריטית.
אחת הדרכים שהתחום יכול לאמץ היא להגדיל את עוצמת המחקר על ידי הגדלת גודל המדגם. זה מגדיל את הסיכויים לזהות אפקט אמיתי. בחירה בגודל מדגם מתאים היא חיונית לעיצוב מחקר שמבצע:
תגליות מעשיות.
קידום הבנתנו בתהליכים אינספור במוח.
פיתוח טיפולים אפקטיביים.
להתגבר על אתגרים במחקרי מדעי מוח עכשוויים: פלטפורמת EmotivLAB
התכנונים הניסויים של מחקרי מדעי המוח צריכים להתאמץ לקבוע גדלים גדולים יותר של קבוצות מדגמים וקריטריוני ההכללה טובים יותר כדי להשיג מובהקות מדעית אמינה. עם גישה לפלטפורמה מבוססת קהל כמו EmotivLAB, חוקרים מקבלים גישה לאוסף גדול יותר של נבדקים אפשריים רחבים ומייצגים יותר, מה שמשפר את גודל המדגם ואת הכוללנות של כל הדמוגרפיות במאמץ לוגיסטי מינימלי עבור קבוצות המחקר.
ניתן לנפול מחקר מדעי מוח עכשוי לשגיאות דגימה עקבות משאבים מוגבלים זמינים לגיוס קבוצה מגוונת עבור מערכת המדגם הניסוית. רעיון "קבוצת WEIRD" מתאר את הבעיה. רוב המחקר האוניברסיטאי נעשה בתקציב מצומצם על נבדקים ניסויים שהם בדרך כלל מאנשים מערביים, משכילים, מתועשים, עשירים ודמוקרטיים. עם זאת, ציוד איסוף נתונים מרחוק, כמו פלטפורמת ה-EEG של EmotivLABs, מאפשר לחוקרים להגיע מעבר ל הקמפוס האוניברסיטאי לגייס קבוצות דגימה שמשקפות טוב יותר את האוכלוסייה.
הפלטפורמה EmotivLABs מבטלת חוקרים מההגבלות הנוכחיות ומאפשרת להם במקום זאת להתרכז בעיצוב הניסויים וניתוח התוצאות.
לפלטפורמה של EmotivLABs וציוד ה-EEG המרחק אינם רק עוזרים לחוקרים להרחיב את המגוון של האנשים הכלולים בקבוצות המדגם הניסוית. היא גם מפחיתה את הבעיות לגבי גודל המדגם הכולל וההתקשרות הגיאוגרפית לאוכלוסיות יעד.
פלטפורמת EmotivLABs מבטלת את החסמים מהחוקרים ומאפשרת להם להתרכז בעיצוב הניסויים וניתוח התוצאות. הפלטפורמה שלנו מתאימה את הניסוי עם האנשים המתאימים ביותר בבריכה. אין צורך להקדיש זמן בגיוס משתתפים, בתיאום ובתזמון שלהם ובביצוע איסוף נתונים במעבדה. כל מה שנדרש הוא שהדמוגרפיה הרצויה תוגדר בפלטפורמה המקוונת, ו-EmotivLABs תעשינה את הניסוי זמין לתורמים שהכי מתאימים לפרמטרים הרצויים. המשתתפים יכולים לבצע את הניסויים בבתיהם שלהם, באמצעות ציודם האישי. היכרותם עם האוזניות מבטלת את הצורך במתן הוראות לגבי השימוש בו.
מעבר לכך, פלטפורמת EmotivLABs מספקת בקרת איכות והערכת של נתוני הקלטה אוטומטיים של EEG. כמויות גדולות של נתונים באיכות נמוכה אינן עוזרות להתגבר על שגיאות דגימה או טעויות סטטיסטיות בתכנוני ניסויים. רכישת גישה ליותר נתונים באיכות גבוהה, עם זאת, מספקת פיתרון לעזור להימנע מטעויות ב:
דגימה
אוכלוסייה
משמעות סטטיסטית
רוצים לדעת יותר על מה שפלטפורמת EmotivLABs יכולה לעשות עבור המחקר שלכם?
EmotivLABS מאפשרת לך לבנות את הניסוי שלך, ליישם אותו באופן בטוח ומאובטח, לגייס ממקבץ עולמי של משתתפים מאומתים ולאסוף נתוני EEG באיכות גבוהה, הכל מפלטפורמה אחת. לחץ כאן כדי ללמוד עוד או לבקש הדגמה.