شماریاتی اہمیت: نمونے کا سائز (سائزز) اور شماریاتی طاقت
کوک منہ لائی
اپ ڈیٹ کیا گیا
شماریاتی اہمیت: نمونے کا سائز (سائزز) اور شماریاتی طاقت
کوک منہ لائی
اپ ڈیٹ کیا گیا
شماریاتی اہمیت: نمونے کا سائز (سائزز) اور شماریاتی طاقت
کوک منہ لائی
اپ ڈیٹ کیا گیا
شماریاتی اہمیت: نمونے کا سائز (سائزز) اور شماریاتی طاقت - ہمارے ارد گرد کی دنیا کو سمجھنے کے لیے، محققین باضابطہ طور پر سائنسی طریقہ کار کو مشتبہ حقائق کو جھوٹ سے الگ کرنے کے ایک طریقے کے طور پر استعمال کرتے ہیں۔ علمی نیورو سائنس کا مقصد یہ سمجھنا ہے کہ جینیاتی، اعصابی اور طرزِ عمل کے نظام کس طرح کسی جاندار کی اپنے ارد گرد کی دنیا کو محسوس کرنے، تعامل کرنے، نیویگیٹ کرنے اور اس کے بارے میں سوچنے کی صلاحیت کی حمایت کرتے ہیں۔
اس کا مطلب یہ ہے کہ علمی نیورو سائنس تجربات کو ڈیزائن کرتی ہے اور تجزیہ کے تمام سطحوں پر ڈیٹا اکٹھا کرتی ہے۔ دنیا بھر میں ریسرچ پروگرام جو قدرتی دنیا کے بارے میں ہماری سمجھ کو مزید آگے بڑھانا چاہتے ہیں، باقاعدگی سے چھوٹے تجربات کی ایک اچھی طرح سے منصوبہ بند سیریز میں مفروضوں یا قیاسات کی جانچ کر رہے ہیں۔ یہ تجربات عام طور پر ان مخصوص عوامل کی جانچ کرتے ہیں جو کسی نتیجے پر اثر انداز ہو سکتے ہیں یا نہیں، جبکہ ماحول، جنسی رجحان، نسل یا سماجی و اقتصادی حیثیت جیسے بیرونی عوامل کے اثر و رسوخ کو کم سے کم کرتے ہیں۔
پہلا منظر نامہ: ڈوپامائن کے اخراج کا ایک مطالعہ
علمی نیورو سائنس میں، ڈوپامائن کو عام طور پر ایک "بہتر محسوس کرانے والا" مرکب سمجھا جاتا ہے۔ نیوکلیئس ایکمبنز (NuAc) میں اس کا اخراج ایسے طرز عمل یا چیزوں سے متحرک ہوتا ہے جو ہمیں برتاؤ کرنے پر مائل کرتی ہیں۔ ان میں شامل ہو سکتے ہیں:
اچھا کھانا کھانا
پیاروں کے ساتھ وقت گزارنا
جماع
شکر
فرض کریں کہ ہم یہ معلوم کرنا چاہتے ہیں کہ NuAc میں ڈوپامائن کی بلند ترین سطح پسندیدہ یا مانوس بصری محرک کے سامنے آنے سے پہلے، اس کے دوران، یا اس کے بعد حاصل ہوتی ہے۔ ہم اماتیا جوہانا میکنٹوش کے مطالعہ سے اخذ کردہ EEG تجرباتی ڈیزائن کا استعمال کر سکتے ہیں۔ ہم یہ مفروضہ پیش کر سکتے ہیں کہ ڈوپامائن کا اخراج مانوس یا پسندیدہ بصری محرکات کے سامنے آنے کے دوران ہوتا ہے اور اس کے تھوڑی دیر بعد عروج پر پہنچ جاتا ہے۔
اب، سب سے اہم بات، ہمیں ٹیسٹ کے لیے افراد کہاں سے ملیں گے؟
تجرباتی حالات میں، "آبادی" سے مراد مطالعہ کیے جانے والے وسیع تر، مجموعی گروپ ہے۔ یہ غیر عملی اور بعید از قیاس ہے کہ آپ کی لیبارٹری لاکھوں لوگوں پر ڈوپامائن کے اخراج کا ڈیٹا بھرتی کرنے اور جمع کرنے کی کوئی تکنیک تیار کر سکے۔
اس لیے، ہم آبادی کو سمجھنے کے لیے ایک چھوٹے، نمائندہ گروپ یا نمونے (سیمپل) سے ڈیٹا اکٹھا کرنے کی کوشش کریں گے۔ ایسا کرنے کے لیے، ہمیں دو بنیادی سوالات کے جوابات دینے کی ضرورت ہوگی۔
ہمارے نمونے میں کتنے افراد کو شامل کرنے کی ضرورت ہے؟
اس کا عملی اہمیت اور شماریاتی طاقت سے کیا تعلق ہے؟
آئیے ذیل میں اس کی وضاحت کرتے ہیں۔
شماریاتی طاقت اور حقیقی اثر
شماریاتی طاقت کی تعریف اس احتمال کے طور پر کی جاتی ہے کہ جب حقیقت میں کوئی فرق موجود ہو تو ایک ٹیسٹ شماریاتی طور پر نمایاں فرق کا پتہ لگا لے۔ اسے حقیقی اثر بھی کہا جاتا ہے۔
حقیقی اثر تجرباتی ڈیزائن کا سنگ بنیاد ہے۔کوہن کی 1988 کی رپورٹ، جو سائنسی طریقہ کار میں اپنے شراکت کی وجہ سے انتہائی مقبول ہے، نے دلیل دی کہ ایک مطالعہ کو اس طرح ڈیزائن کیا جانا چاہیے کہ اس میں حقیقی اثر کا پتہ لگانے کا 80% احتمال ہو۔ یہ 80% ایک ہائی پاور (HP) ٹیسٹ ڈیزائن کی نمائندگی کرتا ہے، جبکہ 20% کے قریب کوئی بھی قدر لو پاور (LP) ٹیسٹ ڈیزائن ہے۔
کوہن نے مشورہ دیا کہ مطالعات میں ٹائپ II غلطی، جسے جھوٹا منفی (فالس نیگیٹو) کہا جاتا ہے، کرنے کا احتمال ہمیشہ 20% سے کم ہونا چاہیے۔ وہ ان ہی گائیڈ لائن رینجز کو ان ضائع شدہ دریافتوں کے لیے بھی استعمال کرتے ہیں، جو اس وقت رونما ہوتی ہیں جب کوئی محقق غلط طریقے سے کسی اہم اثر کی عدم موجودگی کی اطلاع دیتا ہے جبکہ حقیقت میں فرق موجود ہوتا ہے۔
شماریاتی طاقت کیوں اہمیت رکھتی ہے؟
اس منظر نامے پر غور کریں۔ اگر 80% طاقت والے 100 مختلف مطالعات میں حقیقی اثر موجود ہو، تو شماریاتی ٹیسٹ 100 میں سے 80 میں حقیقی اثر کا پتہ لگائیں گے۔ تاہم، جب کسی مطالعہ کی تحقیقی طاقت 20% ہوتی ہے، تو اگر نتائج میں 100 حقیقی غیر مبہم اثرات موجود ہوں، تو ان مطالعات سے توقع کی جاتی ہے کہ وہ ان میں سے صرف 20 دریافت کر سکیں گے۔
نیورو سائنس کی تحقیق میں شماریاتی طاقت کی خامیاں
حیرت کی بات نہیں کہ نیورو سائنس کی تحقیق کے وسائل کی کثرت کی ضرورت کی نوعیت کی وجہ سے، اس شعبے کی اوسط شماریاتی طاقت تقریباً 21% ہے اور یہ 8% سے 31% کی وسیع رینج تک رہتی ہے۔ نیورو سائنس کی تحقیق میں کم شماریاتی طاقت:
نتائج کی نقل پذیری (replicability) پر شک پیدا کرتی ہے۔
اثر کے بڑھا چڑھا کر پیش کیے گئے سائز کا باعث بنتی ہے۔
شماریاتی طور پر اہم نتائج کے امکان کو کم کرتی ہے جو حقیقی اثر کی درست نمائندگی کرتے ہیں۔
اس طرح، نیورو سائنس کی تحقیق کی موجودہ حالت شماریاتی طاقت کے مسئلے میں پھنسی ہوئی ہے کیونکہ یہ اقدار کوہن کی نظریاتی حد سے بہت نیچے ہیں۔
ایک نمائندہ نمونہ (نمونہ جات) گروپ قائم کرنا
پہلے منظر نامے کا مقصد: جامع اور بڑے نمونے لینے کے ذریعے ہمارے ٹیسٹ میں نمونے لینے کی غلطیوں اور ٹائپ I اور II کی غلطیوں سے بچنا۔
اگر ہم چاہتے ہیں کہ تجربہ عملی طور پر اہم ہو، تو ہمارے نمونے کے سیٹ میں انسانی دماغ کے کتنے اسکین شامل کرنے کی ضرورت ہے؟ عملی اہمیت سے مراد یہ ہے کہ آیا کسی تجربے کے نتائج حقیقی دنیا پر لاگو ہوتے ہیں یا نہیں۔
ایک نیورو سائنسدان کے تجربے کی اثرات کا تعین کرنے کی صلاحیت (شماریاتی طاقت) نمونے کے سائز سے منسلک ہے۔ منظر نامے 1 کے پیرامیٹرز کو جاری رکھتے ہوئے، مقصد اب بھی کافی ڈیٹا اکٹھا کرنا ہے تاکہ ہم شماریاتی طور پر یہ اندازہ لگا سکیں کہ جذباتی طور پر بھری ہوئی بصری محرکات دکھانے کے بعد ڈوپامائن کے اخراج کے وقت میں کوئی حقیقی اثر موجود ہے یا نہیں۔ ہمیں نمونے میں شمولیت کے لیے ایسے معیار بھی قائم کرنے کی ضرورت ہے جو نمونے لینے کی غلطی کے امکان کو کم سے کم کریں۔
نمونے لینے کی غلطیوں سے کیسے بچیں
آگے بڑھنے سے پہلے دو اصطلاحات کو سمجھنا ضروری ہے۔
نمونے لینے کی غلطی (Sampling error): نمونہ لیتے وقت، ہمیشہ یہ امکان رہتا ہے کہ منتخب کردہ افراد کا جمع کردہ ڈیٹا آبادی کی نمائندگی نہیں کرے گا۔
شماریاتی اہمیت: شماریاتی اہمیت کا مطلب یہ ہے کہ ہمارا ڈیٹا اور ہمارے مشاہدہ کردہ اثرات ممکنہ طور پر حقیقی اثرات ہیں۔ زیادہ تر بائیو میڈیکل سائنسز میں، شماریاتی اہمیت 0.05 کی اہمیت کی سطح یا p-قدر کے ساتھ قائم کی جاتی ہے۔ بنیادی طور پر، اس کا مطلب یہ ہے کہ سائنسدان اپنے تجربات میں مشاہدہ کیے گئے اثر پر 95% پراعتماد ہیں۔
غور کریں کہ اگر ڈیٹا ایک تعلق ظاہر کرتا ہے (یعنی ڈوپامائن کا اخراج)۔ تو اس بات کا 5% امکان ہے کہ یہ اثر محض اتفاق کی وجہ سے ہے اور اس کا متغیر (بصری محرکات) سے کوئی تعلق نہیں ہے۔ یہ ایک ٹائپ I غلطی ہوگی۔ متبادل طور پر، اس بات کا 5% امکان ہے کہ ہمارا اکٹھا کیا گیا ڈیٹا ڈوپامائن کے اخراج اور بصری محرک کے درمیان کوئی تعلق نہ ظاہر کرے، جبکہ حقیقت میں، ایک حقیقی اثر موجود ہو - ایک جھوٹا منفی یا ٹائپ II غلطی۔
شمولیت کے معیار کو احتیاط سے قائم کرنا زیادہ اثر انگیز ہے کیونکہ نمونے کے ایک خاص سائز کے بعد کم ہوتے ہوئے منافع کا ایک نقطہ آتا ہے۔
ہم تمام انسانوں کی نمائندگی کرنے والا ڈیٹا اکٹھا کرنے کی امید کر رہے ہیں، اور ہم چاہتے ہیں کہ ہمارے نتائج عملی اور شماریاتی دونوں لحاظ سے اہم ہوں۔ اپنے نمونے کے سیٹ کو کامیابی سے ڈیزائن کرنے کے لیے، نمونے لینے کی غلطی، ٹائپ I غلطی (جھوٹا مثبت)، یا ٹائپ II غلطی (جھوٹا منفی) کا حساب کتاب رکھنا اور ان سے بچنا ضروری ہے۔
ہمارا تجربہ درج ذیل مفروضے کی جانچ کر رہا ہے:
کالعدم مفروضہ (Null hypothesis) - NAc میں ڈوپامائن کے اخراج کے وقت اور جذباتی طور پر اہم بصری محرک کے درمیان کوئی تعلق یا اثر نہیں ہے۔
مفروضہ - NAc میں ڈوپامائن کے اخراج کے وقت اور جذباتی طور پر اہم بصری محرک کے درمیان ایک تعلق ہے، اور ڈوپامائن کا زیادہ سے زیادہ اخراج بصری محرکات دیکھنے کے بعد ہوتا ہے۔
جب ڈیٹا شماریاتی طور پر اہم نہیں ہوتا ہے:
ہمارا مفروضہ مسترد کر دیا جاتا ہے۔
کوئی حقیقی اثر یا فرق نہیں پایا جاتا۔
ہمارے مشاہدہ کردہ اثرات کا نتیجہ بھی محض اتفاق ہی ہو سکتا ہے۔
آبادی کو سمجھنا؟
تجرباتی ڈیزائن میں عملی حدود۔
نیورو سائنس کی تحقیق میں، نمونے لینے کی غلطیوں سے بچنے کے لیے ایک باقاعدہ شمولیت کا معیار عام طور پر پوری آبادی میں شمولیت کے امکان کو رینڈمائز اور/یا مساوی بنانے کی کوشش کرتا ہے۔ ہمیں صرف اس وجہ سے افراد کا انتخاب کرنے سے بچنے کی ضرورت ہے کہ وہ ڈیٹا اکٹھا کرنے کے لیے سب سے قریب یا سب سے زیادہ قابلِ رسائی ہیں، کیونکہ یہ نمونے لینے کی غلطی کا سب سے بڑا نسخہ ہے۔
نمونہ سیٹ کی تیاری کا بہترین طریقہ یہ ہے کہ ایسے شمولیت کے معیار کا استعمال کیا جائے جو پوری آبادی میں انتخاب کے امکان کو تصادفی طور پر مساوی بنائے۔ مثال کے طور پر، مردم شماری کے ڈیٹا کا استعمال کرتے ہوئے، ہم اوہائیو کی ہر کاؤنٹی میں تصادفی طور پر منتخب کیے گئے 50 افراد کی رابطہ معلومات حاصل کر سکتے ہیں۔ اس سے انتخابی تعصب کم سے کم ہو جائے گا کیونکہ تمام جغرافیائی علاقوں سے تصادفی طور پر ناموں کا انتخاب کیا جائے گا۔
تجرباتی ڈیزائن قائم کرنا، نمونے کا سائز بڑھانا، اور غیر جانبدارانہ، تصادفی، اور یکساں طور پر لاگو ہونے والے شمولیت کے معیار کو مکمل طور پر نافذ کرنا جلدی ہی عملی حدود سے ٹکرا سکتا ہے۔ یہ تعلیمی مشقوں سے لے کر مکمل تحقیقی یونیورسٹیوں تک، تمام سطحوں پر سائنسی تحقیق کے لیے ایک مسئلہ ہے۔ عام طور پر، بجٹ اور وقت کی حدود سب سے پہلے سمجھوتہ کرنے پر مجبور کرتی ہیں۔ مجموعی طور پر، شماریاتی اہمیت کے ارد گرد یہ مسائل تحقیق کے فعال شعبے ہیں۔
حقیقی اثر کا سائز کیا ہے؟
نیورو سائنس کی تحقیق کی کم شماریاتی طاقت کی وجہ سے، ہم حقیقی اثر کے سائز کا زیادہ تخمینہ لگاتے ہیں جس کی وجہ سے بہت سے مطالعات کی کم تولیدی صلاحیت (reproducibility) ہوتی ہے۔ مزید برآں، نیورو سائنس کی تحقیق کی موروثی پیچیدگی شماریاتی طاقت کو اہم بناتی ہے۔
ایک طریقہ جسے یہ شعبہ اپنا سکتا ہے وہ ہے نمونے کے سائز کو بڑھا کر مطالعہ کی طاقت کو بڑھانا۔ اس سے حقیقی اثر کا پتہ لگانے کا امکان بڑھ جاتا ہے۔ ایک مناسب نمونے کا سائز منتخب کرنا ایسی تحقیق کو ڈیزائن کرنے کے لیے بہت ضروری ہے جو:
عملی دریافتیں کرے۔
دماغ میں ان گنت عملوں کے بارے میں ہماری سمجھ کو آگے بڑھائے۔
مؤثر علاج تیار کرے۔
عصر حاضر کی نیورو سائنس ریسرچ میں چیلنجوں پر قابو پانا: EmotivLAB پلیٹ فارم
نیورو سائنس کی تحقیق کے تجرباتی ڈیزائنوں کو قابل اعتماد شماریاتی اہمیت حاصل کرنے کے لیے نمونے کے بڑے سائز اور بہتر شمولیت کے معیار کو قائم کرنے کی کوشش کرنی چاہیے۔ EmotivLAB جیسے کراؤڈ سورس قابل پلیٹ فارم تک رسائی کے ساتھ، محققین کو ممکنہ طور پر کہیں زیادہ متنوع، کہیں زیادہ نمائندہ موضوعاتی افراد تک رسائی فراہم کی جاتی ہے - جس سے تحقیقی گروپوں کے لیے کم سے کم اضافی لاجسٹک کوششوں کے ساتھ نمونے کے سائز اور تمام آبادیاتی خصوصیات کی شمولیت میں بہتری آتی ہے۔
جدید نیورو سائنس کی تحقیق تجرباتی نمونے کے سیٹ کے لیے ایک متنوع گروپ کو بھرتی کرنے کے لیے محدود دستیاب وسائل کی وجہ سے نمونے لینے کی غلطیوں کا شکار ہو سکتی ہے۔ "WEIRD گروپ" کا تصور اس مسئلے کا خلاصہ کرتا ہے۔ زیادہ تر یونیورسٹی کی تحقیق انتہائی محدود بجٹ پر ایسے تجرباتی موضوعات پر کی جاتی ہے جو عام طور پر مغربی، تعلیم یافتہ اور صنعتی، امیر اور جمہوری ممالک سے تعلق رکھتے ہیں۔ تاہم، ریموٹ ڈیٹا اکٹھا کرنے والے آلات، جیسے کہ EmotivLABs کا EEG پلیٹ فارم، محققین کو کالج کیمپس سے باہر نکل کر ایسے نمونہ گروپس کو بھرتی کرنے کی اجازت دیتا ہے جو آبادی کی بہتر عکاسی کرتے ہیں۔
EmotivLABs کا پلیٹ فارم اور ریموٹ EEG آلات نہ صرف محققین کو تجرباتی نمونہ گروپس میں شامل افراد کے تنوع کو بڑھانے میں مدد فراہم کر رہے ہیں۔ بلکہ یہ مجموعی نمونے کے سائز اور ہدف والی آبادیوں تک جغرافیائی رسائی سے متعلق مسائل کو بھی حل کرتا ہے۔
EmotivLABs پلیٹ فارم محققین کو موجودہ رکاوٹوں سے آزاد کرتا ہے اور اس کے بجائے انہیں تجربات کو ڈیزائن کرنے اور نتائج کا تجزیہ کرنے پر اپنی توانائی مرکوز کرنے کی اجازت دیتا ہے۔ ہمارا پلیٹ فارم تجربے کو سبجیکٹ پول میں سب سے مناسب افراد سے ملاتا ہے۔ شرکاء کو بھرتی کرنے، ان کے ساتھ ہم آہنگی پیدا کرنے اور شیڈول بنانے، اور لیب میں ڈیٹا اکٹھا کرنے میں وقت لگانے کی کوئی ضرورت نہیں ہے۔ بس صرف یہ ضرورت ہے کہ آن لائن پلیٹ فارم میں مطلوبہ ڈیموگرافک کی وضاحت کی جائے، اور EmotivLABs اس تجربے کو ان معاونین کے لیے دستیاب کرائے گا جو مطلوبہ پیرامیٹرز پر پورا اترتے ہیں۔ شرکاء اپنے گھروں میں اپنے آلات کا استعمال کرتے ہوئے تجربات انجام دے سکتے ہیں۔ ہیڈسیٹ کے ساتھ ان کی واقفیت محققین کو اس کے استعمال کے بارے میں ہدایات فراہم کرنے کی ضرورت کو ختم کرتی ہے۔
اس سے ہٹ کر، EmotivLAB پلیٹ فارم خودکار EEG ریکارڈنگ ڈیٹا کے معیار کا کنٹرول اور تشخیص فراہم کرتا ہے۔ کم معیار کے ڈیٹا کی بڑی مقدار تجرباتی ڈیزائنوں میں نمونے لینے یا شماریاتی غلطیوں پر قابو پانے میں مدد نہیں کرتی ہے۔ تاہم، زیادہ اعلیٰ معیار کے ڈیٹا تک رسائی، درج ذیل میں غلطیوں سے بچنے میں مدد کرنے کا حل فراہم کرتی ہے:
نمونے لینے (Sampling)
آبادی
شماریاتی اہمیت
اس بارے میں مزید جاننا چاہتے ہیں کہ EmotivLABs پلیٹ فارم آپ کی تحقیق کے لیے کیا کر سکتا ہے؟
EmotivLABS آپ کو اپنا تجربہ بنانے، اپنے تجربے کو محفوظ طریقے سے تعینات کرنے، تصدیق شدہ شرکاء کے عالمی پینل سے بھرتی کرنے، اور اعلیٰ معیار کا EEG ڈیٹا اکٹھا کرنے کے قابل بناتا ہے، یہ سب ایک ہی پلیٹ فارم سے۔ مزید جاننے یا ڈیمو کی درخواست کرنے کے لیے یہاں کلک کریں۔
شماریاتی اہمیت: نمونے کا سائز (سائزز) اور شماریاتی طاقت - ہمارے ارد گرد کی دنیا کو سمجھنے کے لیے، محققین باضابطہ طور پر سائنسی طریقہ کار کو مشتبہ حقائق کو جھوٹ سے الگ کرنے کے ایک طریقے کے طور پر استعمال کرتے ہیں۔ علمی نیورو سائنس کا مقصد یہ سمجھنا ہے کہ جینیاتی، اعصابی اور طرزِ عمل کے نظام کس طرح کسی جاندار کی اپنے ارد گرد کی دنیا کو محسوس کرنے، تعامل کرنے، نیویگیٹ کرنے اور اس کے بارے میں سوچنے کی صلاحیت کی حمایت کرتے ہیں۔
اس کا مطلب یہ ہے کہ علمی نیورو سائنس تجربات کو ڈیزائن کرتی ہے اور تجزیہ کے تمام سطحوں پر ڈیٹا اکٹھا کرتی ہے۔ دنیا بھر میں ریسرچ پروگرام جو قدرتی دنیا کے بارے میں ہماری سمجھ کو مزید آگے بڑھانا چاہتے ہیں، باقاعدگی سے چھوٹے تجربات کی ایک اچھی طرح سے منصوبہ بند سیریز میں مفروضوں یا قیاسات کی جانچ کر رہے ہیں۔ یہ تجربات عام طور پر ان مخصوص عوامل کی جانچ کرتے ہیں جو کسی نتیجے پر اثر انداز ہو سکتے ہیں یا نہیں، جبکہ ماحول، جنسی رجحان، نسل یا سماجی و اقتصادی حیثیت جیسے بیرونی عوامل کے اثر و رسوخ کو کم سے کم کرتے ہیں۔
پہلا منظر نامہ: ڈوپامائن کے اخراج کا ایک مطالعہ
علمی نیورو سائنس میں، ڈوپامائن کو عام طور پر ایک "بہتر محسوس کرانے والا" مرکب سمجھا جاتا ہے۔ نیوکلیئس ایکمبنز (NuAc) میں اس کا اخراج ایسے طرز عمل یا چیزوں سے متحرک ہوتا ہے جو ہمیں برتاؤ کرنے پر مائل کرتی ہیں۔ ان میں شامل ہو سکتے ہیں:
اچھا کھانا کھانا
پیاروں کے ساتھ وقت گزارنا
جماع
شکر
فرض کریں کہ ہم یہ معلوم کرنا چاہتے ہیں کہ NuAc میں ڈوپامائن کی بلند ترین سطح پسندیدہ یا مانوس بصری محرک کے سامنے آنے سے پہلے، اس کے دوران، یا اس کے بعد حاصل ہوتی ہے۔ ہم اماتیا جوہانا میکنٹوش کے مطالعہ سے اخذ کردہ EEG تجرباتی ڈیزائن کا استعمال کر سکتے ہیں۔ ہم یہ مفروضہ پیش کر سکتے ہیں کہ ڈوپامائن کا اخراج مانوس یا پسندیدہ بصری محرکات کے سامنے آنے کے دوران ہوتا ہے اور اس کے تھوڑی دیر بعد عروج پر پہنچ جاتا ہے۔
اب، سب سے اہم بات، ہمیں ٹیسٹ کے لیے افراد کہاں سے ملیں گے؟
تجرباتی حالات میں، "آبادی" سے مراد مطالعہ کیے جانے والے وسیع تر، مجموعی گروپ ہے۔ یہ غیر عملی اور بعید از قیاس ہے کہ آپ کی لیبارٹری لاکھوں لوگوں پر ڈوپامائن کے اخراج کا ڈیٹا بھرتی کرنے اور جمع کرنے کی کوئی تکنیک تیار کر سکے۔
اس لیے، ہم آبادی کو سمجھنے کے لیے ایک چھوٹے، نمائندہ گروپ یا نمونے (سیمپل) سے ڈیٹا اکٹھا کرنے کی کوشش کریں گے۔ ایسا کرنے کے لیے، ہمیں دو بنیادی سوالات کے جوابات دینے کی ضرورت ہوگی۔
ہمارے نمونے میں کتنے افراد کو شامل کرنے کی ضرورت ہے؟
اس کا عملی اہمیت اور شماریاتی طاقت سے کیا تعلق ہے؟
آئیے ذیل میں اس کی وضاحت کرتے ہیں۔
شماریاتی طاقت اور حقیقی اثر
شماریاتی طاقت کی تعریف اس احتمال کے طور پر کی جاتی ہے کہ جب حقیقت میں کوئی فرق موجود ہو تو ایک ٹیسٹ شماریاتی طور پر نمایاں فرق کا پتہ لگا لے۔ اسے حقیقی اثر بھی کہا جاتا ہے۔
حقیقی اثر تجرباتی ڈیزائن کا سنگ بنیاد ہے۔کوہن کی 1988 کی رپورٹ، جو سائنسی طریقہ کار میں اپنے شراکت کی وجہ سے انتہائی مقبول ہے، نے دلیل دی کہ ایک مطالعہ کو اس طرح ڈیزائن کیا جانا چاہیے کہ اس میں حقیقی اثر کا پتہ لگانے کا 80% احتمال ہو۔ یہ 80% ایک ہائی پاور (HP) ٹیسٹ ڈیزائن کی نمائندگی کرتا ہے، جبکہ 20% کے قریب کوئی بھی قدر لو پاور (LP) ٹیسٹ ڈیزائن ہے۔
کوہن نے مشورہ دیا کہ مطالعات میں ٹائپ II غلطی، جسے جھوٹا منفی (فالس نیگیٹو) کہا جاتا ہے، کرنے کا احتمال ہمیشہ 20% سے کم ہونا چاہیے۔ وہ ان ہی گائیڈ لائن رینجز کو ان ضائع شدہ دریافتوں کے لیے بھی استعمال کرتے ہیں، جو اس وقت رونما ہوتی ہیں جب کوئی محقق غلط طریقے سے کسی اہم اثر کی عدم موجودگی کی اطلاع دیتا ہے جبکہ حقیقت میں فرق موجود ہوتا ہے۔
شماریاتی طاقت کیوں اہمیت رکھتی ہے؟
اس منظر نامے پر غور کریں۔ اگر 80% طاقت والے 100 مختلف مطالعات میں حقیقی اثر موجود ہو، تو شماریاتی ٹیسٹ 100 میں سے 80 میں حقیقی اثر کا پتہ لگائیں گے۔ تاہم، جب کسی مطالعہ کی تحقیقی طاقت 20% ہوتی ہے، تو اگر نتائج میں 100 حقیقی غیر مبہم اثرات موجود ہوں، تو ان مطالعات سے توقع کی جاتی ہے کہ وہ ان میں سے صرف 20 دریافت کر سکیں گے۔
نیورو سائنس کی تحقیق میں شماریاتی طاقت کی خامیاں
حیرت کی بات نہیں کہ نیورو سائنس کی تحقیق کے وسائل کی کثرت کی ضرورت کی نوعیت کی وجہ سے، اس شعبے کی اوسط شماریاتی طاقت تقریباً 21% ہے اور یہ 8% سے 31% کی وسیع رینج تک رہتی ہے۔ نیورو سائنس کی تحقیق میں کم شماریاتی طاقت:
نتائج کی نقل پذیری (replicability) پر شک پیدا کرتی ہے۔
اثر کے بڑھا چڑھا کر پیش کیے گئے سائز کا باعث بنتی ہے۔
شماریاتی طور پر اہم نتائج کے امکان کو کم کرتی ہے جو حقیقی اثر کی درست نمائندگی کرتے ہیں۔
اس طرح، نیورو سائنس کی تحقیق کی موجودہ حالت شماریاتی طاقت کے مسئلے میں پھنسی ہوئی ہے کیونکہ یہ اقدار کوہن کی نظریاتی حد سے بہت نیچے ہیں۔
ایک نمائندہ نمونہ (نمونہ جات) گروپ قائم کرنا
پہلے منظر نامے کا مقصد: جامع اور بڑے نمونے لینے کے ذریعے ہمارے ٹیسٹ میں نمونے لینے کی غلطیوں اور ٹائپ I اور II کی غلطیوں سے بچنا۔
اگر ہم چاہتے ہیں کہ تجربہ عملی طور پر اہم ہو، تو ہمارے نمونے کے سیٹ میں انسانی دماغ کے کتنے اسکین شامل کرنے کی ضرورت ہے؟ عملی اہمیت سے مراد یہ ہے کہ آیا کسی تجربے کے نتائج حقیقی دنیا پر لاگو ہوتے ہیں یا نہیں۔
ایک نیورو سائنسدان کے تجربے کی اثرات کا تعین کرنے کی صلاحیت (شماریاتی طاقت) نمونے کے سائز سے منسلک ہے۔ منظر نامے 1 کے پیرامیٹرز کو جاری رکھتے ہوئے، مقصد اب بھی کافی ڈیٹا اکٹھا کرنا ہے تاکہ ہم شماریاتی طور پر یہ اندازہ لگا سکیں کہ جذباتی طور پر بھری ہوئی بصری محرکات دکھانے کے بعد ڈوپامائن کے اخراج کے وقت میں کوئی حقیقی اثر موجود ہے یا نہیں۔ ہمیں نمونے میں شمولیت کے لیے ایسے معیار بھی قائم کرنے کی ضرورت ہے جو نمونے لینے کی غلطی کے امکان کو کم سے کم کریں۔
نمونے لینے کی غلطیوں سے کیسے بچیں
آگے بڑھنے سے پہلے دو اصطلاحات کو سمجھنا ضروری ہے۔
نمونے لینے کی غلطی (Sampling error): نمونہ لیتے وقت، ہمیشہ یہ امکان رہتا ہے کہ منتخب کردہ افراد کا جمع کردہ ڈیٹا آبادی کی نمائندگی نہیں کرے گا۔
شماریاتی اہمیت: شماریاتی اہمیت کا مطلب یہ ہے کہ ہمارا ڈیٹا اور ہمارے مشاہدہ کردہ اثرات ممکنہ طور پر حقیقی اثرات ہیں۔ زیادہ تر بائیو میڈیکل سائنسز میں، شماریاتی اہمیت 0.05 کی اہمیت کی سطح یا p-قدر کے ساتھ قائم کی جاتی ہے۔ بنیادی طور پر، اس کا مطلب یہ ہے کہ سائنسدان اپنے تجربات میں مشاہدہ کیے گئے اثر پر 95% پراعتماد ہیں۔
غور کریں کہ اگر ڈیٹا ایک تعلق ظاہر کرتا ہے (یعنی ڈوپامائن کا اخراج)۔ تو اس بات کا 5% امکان ہے کہ یہ اثر محض اتفاق کی وجہ سے ہے اور اس کا متغیر (بصری محرکات) سے کوئی تعلق نہیں ہے۔ یہ ایک ٹائپ I غلطی ہوگی۔ متبادل طور پر، اس بات کا 5% امکان ہے کہ ہمارا اکٹھا کیا گیا ڈیٹا ڈوپامائن کے اخراج اور بصری محرک کے درمیان کوئی تعلق نہ ظاہر کرے، جبکہ حقیقت میں، ایک حقیقی اثر موجود ہو - ایک جھوٹا منفی یا ٹائپ II غلطی۔
شمولیت کے معیار کو احتیاط سے قائم کرنا زیادہ اثر انگیز ہے کیونکہ نمونے کے ایک خاص سائز کے بعد کم ہوتے ہوئے منافع کا ایک نقطہ آتا ہے۔
ہم تمام انسانوں کی نمائندگی کرنے والا ڈیٹا اکٹھا کرنے کی امید کر رہے ہیں، اور ہم چاہتے ہیں کہ ہمارے نتائج عملی اور شماریاتی دونوں لحاظ سے اہم ہوں۔ اپنے نمونے کے سیٹ کو کامیابی سے ڈیزائن کرنے کے لیے، نمونے لینے کی غلطی، ٹائپ I غلطی (جھوٹا مثبت)، یا ٹائپ II غلطی (جھوٹا منفی) کا حساب کتاب رکھنا اور ان سے بچنا ضروری ہے۔
ہمارا تجربہ درج ذیل مفروضے کی جانچ کر رہا ہے:
کالعدم مفروضہ (Null hypothesis) - NAc میں ڈوپامائن کے اخراج کے وقت اور جذباتی طور پر اہم بصری محرک کے درمیان کوئی تعلق یا اثر نہیں ہے۔
مفروضہ - NAc میں ڈوپامائن کے اخراج کے وقت اور جذباتی طور پر اہم بصری محرک کے درمیان ایک تعلق ہے، اور ڈوپامائن کا زیادہ سے زیادہ اخراج بصری محرکات دیکھنے کے بعد ہوتا ہے۔
جب ڈیٹا شماریاتی طور پر اہم نہیں ہوتا ہے:
ہمارا مفروضہ مسترد کر دیا جاتا ہے۔
کوئی حقیقی اثر یا فرق نہیں پایا جاتا۔
ہمارے مشاہدہ کردہ اثرات کا نتیجہ بھی محض اتفاق ہی ہو سکتا ہے۔
آبادی کو سمجھنا؟
تجرباتی ڈیزائن میں عملی حدود۔
نیورو سائنس کی تحقیق میں، نمونے لینے کی غلطیوں سے بچنے کے لیے ایک باقاعدہ شمولیت کا معیار عام طور پر پوری آبادی میں شمولیت کے امکان کو رینڈمائز اور/یا مساوی بنانے کی کوشش کرتا ہے۔ ہمیں صرف اس وجہ سے افراد کا انتخاب کرنے سے بچنے کی ضرورت ہے کہ وہ ڈیٹا اکٹھا کرنے کے لیے سب سے قریب یا سب سے زیادہ قابلِ رسائی ہیں، کیونکہ یہ نمونے لینے کی غلطی کا سب سے بڑا نسخہ ہے۔
نمونہ سیٹ کی تیاری کا بہترین طریقہ یہ ہے کہ ایسے شمولیت کے معیار کا استعمال کیا جائے جو پوری آبادی میں انتخاب کے امکان کو تصادفی طور پر مساوی بنائے۔ مثال کے طور پر، مردم شماری کے ڈیٹا کا استعمال کرتے ہوئے، ہم اوہائیو کی ہر کاؤنٹی میں تصادفی طور پر منتخب کیے گئے 50 افراد کی رابطہ معلومات حاصل کر سکتے ہیں۔ اس سے انتخابی تعصب کم سے کم ہو جائے گا کیونکہ تمام جغرافیائی علاقوں سے تصادفی طور پر ناموں کا انتخاب کیا جائے گا۔
تجرباتی ڈیزائن قائم کرنا، نمونے کا سائز بڑھانا، اور غیر جانبدارانہ، تصادفی، اور یکساں طور پر لاگو ہونے والے شمولیت کے معیار کو مکمل طور پر نافذ کرنا جلدی ہی عملی حدود سے ٹکرا سکتا ہے۔ یہ تعلیمی مشقوں سے لے کر مکمل تحقیقی یونیورسٹیوں تک، تمام سطحوں پر سائنسی تحقیق کے لیے ایک مسئلہ ہے۔ عام طور پر، بجٹ اور وقت کی حدود سب سے پہلے سمجھوتہ کرنے پر مجبور کرتی ہیں۔ مجموعی طور پر، شماریاتی اہمیت کے ارد گرد یہ مسائل تحقیق کے فعال شعبے ہیں۔
حقیقی اثر کا سائز کیا ہے؟
نیورو سائنس کی تحقیق کی کم شماریاتی طاقت کی وجہ سے، ہم حقیقی اثر کے سائز کا زیادہ تخمینہ لگاتے ہیں جس کی وجہ سے بہت سے مطالعات کی کم تولیدی صلاحیت (reproducibility) ہوتی ہے۔ مزید برآں، نیورو سائنس کی تحقیق کی موروثی پیچیدگی شماریاتی طاقت کو اہم بناتی ہے۔
ایک طریقہ جسے یہ شعبہ اپنا سکتا ہے وہ ہے نمونے کے سائز کو بڑھا کر مطالعہ کی طاقت کو بڑھانا۔ اس سے حقیقی اثر کا پتہ لگانے کا امکان بڑھ جاتا ہے۔ ایک مناسب نمونے کا سائز منتخب کرنا ایسی تحقیق کو ڈیزائن کرنے کے لیے بہت ضروری ہے جو:
عملی دریافتیں کرے۔
دماغ میں ان گنت عملوں کے بارے میں ہماری سمجھ کو آگے بڑھائے۔
مؤثر علاج تیار کرے۔
عصر حاضر کی نیورو سائنس ریسرچ میں چیلنجوں پر قابو پانا: EmotivLAB پلیٹ فارم
نیورو سائنس کی تحقیق کے تجرباتی ڈیزائنوں کو قابل اعتماد شماریاتی اہمیت حاصل کرنے کے لیے نمونے کے بڑے سائز اور بہتر شمولیت کے معیار کو قائم کرنے کی کوشش کرنی چاہیے۔ EmotivLAB جیسے کراؤڈ سورس قابل پلیٹ فارم تک رسائی کے ساتھ، محققین کو ممکنہ طور پر کہیں زیادہ متنوع، کہیں زیادہ نمائندہ موضوعاتی افراد تک رسائی فراہم کی جاتی ہے - جس سے تحقیقی گروپوں کے لیے کم سے کم اضافی لاجسٹک کوششوں کے ساتھ نمونے کے سائز اور تمام آبادیاتی خصوصیات کی شمولیت میں بہتری آتی ہے۔
جدید نیورو سائنس کی تحقیق تجرباتی نمونے کے سیٹ کے لیے ایک متنوع گروپ کو بھرتی کرنے کے لیے محدود دستیاب وسائل کی وجہ سے نمونے لینے کی غلطیوں کا شکار ہو سکتی ہے۔ "WEIRD گروپ" کا تصور اس مسئلے کا خلاصہ کرتا ہے۔ زیادہ تر یونیورسٹی کی تحقیق انتہائی محدود بجٹ پر ایسے تجرباتی موضوعات پر کی جاتی ہے جو عام طور پر مغربی، تعلیم یافتہ اور صنعتی، امیر اور جمہوری ممالک سے تعلق رکھتے ہیں۔ تاہم، ریموٹ ڈیٹا اکٹھا کرنے والے آلات، جیسے کہ EmotivLABs کا EEG پلیٹ فارم، محققین کو کالج کیمپس سے باہر نکل کر ایسے نمونہ گروپس کو بھرتی کرنے کی اجازت دیتا ہے جو آبادی کی بہتر عکاسی کرتے ہیں۔
EmotivLABs کا پلیٹ فارم اور ریموٹ EEG آلات نہ صرف محققین کو تجرباتی نمونہ گروپس میں شامل افراد کے تنوع کو بڑھانے میں مدد فراہم کر رہے ہیں۔ بلکہ یہ مجموعی نمونے کے سائز اور ہدف والی آبادیوں تک جغرافیائی رسائی سے متعلق مسائل کو بھی حل کرتا ہے۔
EmotivLABs پلیٹ فارم محققین کو موجودہ رکاوٹوں سے آزاد کرتا ہے اور اس کے بجائے انہیں تجربات کو ڈیزائن کرنے اور نتائج کا تجزیہ کرنے پر اپنی توانائی مرکوز کرنے کی اجازت دیتا ہے۔ ہمارا پلیٹ فارم تجربے کو سبجیکٹ پول میں سب سے مناسب افراد سے ملاتا ہے۔ شرکاء کو بھرتی کرنے، ان کے ساتھ ہم آہنگی پیدا کرنے اور شیڈول بنانے، اور لیب میں ڈیٹا اکٹھا کرنے میں وقت لگانے کی کوئی ضرورت نہیں ہے۔ بس صرف یہ ضرورت ہے کہ آن لائن پلیٹ فارم میں مطلوبہ ڈیموگرافک کی وضاحت کی جائے، اور EmotivLABs اس تجربے کو ان معاونین کے لیے دستیاب کرائے گا جو مطلوبہ پیرامیٹرز پر پورا اترتے ہیں۔ شرکاء اپنے گھروں میں اپنے آلات کا استعمال کرتے ہوئے تجربات انجام دے سکتے ہیں۔ ہیڈسیٹ کے ساتھ ان کی واقفیت محققین کو اس کے استعمال کے بارے میں ہدایات فراہم کرنے کی ضرورت کو ختم کرتی ہے۔
اس سے ہٹ کر، EmotivLAB پلیٹ فارم خودکار EEG ریکارڈنگ ڈیٹا کے معیار کا کنٹرول اور تشخیص فراہم کرتا ہے۔ کم معیار کے ڈیٹا کی بڑی مقدار تجرباتی ڈیزائنوں میں نمونے لینے یا شماریاتی غلطیوں پر قابو پانے میں مدد نہیں کرتی ہے۔ تاہم، زیادہ اعلیٰ معیار کے ڈیٹا تک رسائی، درج ذیل میں غلطیوں سے بچنے میں مدد کرنے کا حل فراہم کرتی ہے:
نمونے لینے (Sampling)
آبادی
شماریاتی اہمیت
اس بارے میں مزید جاننا چاہتے ہیں کہ EmotivLABs پلیٹ فارم آپ کی تحقیق کے لیے کیا کر سکتا ہے؟
EmotivLABS آپ کو اپنا تجربہ بنانے، اپنے تجربے کو محفوظ طریقے سے تعینات کرنے، تصدیق شدہ شرکاء کے عالمی پینل سے بھرتی کرنے، اور اعلیٰ معیار کا EEG ڈیٹا اکٹھا کرنے کے قابل بناتا ہے، یہ سب ایک ہی پلیٹ فارم سے۔ مزید جاننے یا ڈیمو کی درخواست کرنے کے لیے یہاں کلک کریں۔
شماریاتی اہمیت: نمونے کا سائز (سائزز) اور شماریاتی طاقت - ہمارے ارد گرد کی دنیا کو سمجھنے کے لیے، محققین باضابطہ طور پر سائنسی طریقہ کار کو مشتبہ حقائق کو جھوٹ سے الگ کرنے کے ایک طریقے کے طور پر استعمال کرتے ہیں۔ علمی نیورو سائنس کا مقصد یہ سمجھنا ہے کہ جینیاتی، اعصابی اور طرزِ عمل کے نظام کس طرح کسی جاندار کی اپنے ارد گرد کی دنیا کو محسوس کرنے، تعامل کرنے، نیویگیٹ کرنے اور اس کے بارے میں سوچنے کی صلاحیت کی حمایت کرتے ہیں۔
اس کا مطلب یہ ہے کہ علمی نیورو سائنس تجربات کو ڈیزائن کرتی ہے اور تجزیہ کے تمام سطحوں پر ڈیٹا اکٹھا کرتی ہے۔ دنیا بھر میں ریسرچ پروگرام جو قدرتی دنیا کے بارے میں ہماری سمجھ کو مزید آگے بڑھانا چاہتے ہیں، باقاعدگی سے چھوٹے تجربات کی ایک اچھی طرح سے منصوبہ بند سیریز میں مفروضوں یا قیاسات کی جانچ کر رہے ہیں۔ یہ تجربات عام طور پر ان مخصوص عوامل کی جانچ کرتے ہیں جو کسی نتیجے پر اثر انداز ہو سکتے ہیں یا نہیں، جبکہ ماحول، جنسی رجحان، نسل یا سماجی و اقتصادی حیثیت جیسے بیرونی عوامل کے اثر و رسوخ کو کم سے کم کرتے ہیں۔
پہلا منظر نامہ: ڈوپامائن کے اخراج کا ایک مطالعہ
علمی نیورو سائنس میں، ڈوپامائن کو عام طور پر ایک "بہتر محسوس کرانے والا" مرکب سمجھا جاتا ہے۔ نیوکلیئس ایکمبنز (NuAc) میں اس کا اخراج ایسے طرز عمل یا چیزوں سے متحرک ہوتا ہے جو ہمیں برتاؤ کرنے پر مائل کرتی ہیں۔ ان میں شامل ہو سکتے ہیں:
اچھا کھانا کھانا
پیاروں کے ساتھ وقت گزارنا
جماع
شکر
فرض کریں کہ ہم یہ معلوم کرنا چاہتے ہیں کہ NuAc میں ڈوپامائن کی بلند ترین سطح پسندیدہ یا مانوس بصری محرک کے سامنے آنے سے پہلے، اس کے دوران، یا اس کے بعد حاصل ہوتی ہے۔ ہم اماتیا جوہانا میکنٹوش کے مطالعہ سے اخذ کردہ EEG تجرباتی ڈیزائن کا استعمال کر سکتے ہیں۔ ہم یہ مفروضہ پیش کر سکتے ہیں کہ ڈوپامائن کا اخراج مانوس یا پسندیدہ بصری محرکات کے سامنے آنے کے دوران ہوتا ہے اور اس کے تھوڑی دیر بعد عروج پر پہنچ جاتا ہے۔
اب، سب سے اہم بات، ہمیں ٹیسٹ کے لیے افراد کہاں سے ملیں گے؟
تجرباتی حالات میں، "آبادی" سے مراد مطالعہ کیے جانے والے وسیع تر، مجموعی گروپ ہے۔ یہ غیر عملی اور بعید از قیاس ہے کہ آپ کی لیبارٹری لاکھوں لوگوں پر ڈوپامائن کے اخراج کا ڈیٹا بھرتی کرنے اور جمع کرنے کی کوئی تکنیک تیار کر سکے۔
اس لیے، ہم آبادی کو سمجھنے کے لیے ایک چھوٹے، نمائندہ گروپ یا نمونے (سیمپل) سے ڈیٹا اکٹھا کرنے کی کوشش کریں گے۔ ایسا کرنے کے لیے، ہمیں دو بنیادی سوالات کے جوابات دینے کی ضرورت ہوگی۔
ہمارے نمونے میں کتنے افراد کو شامل کرنے کی ضرورت ہے؟
اس کا عملی اہمیت اور شماریاتی طاقت سے کیا تعلق ہے؟
آئیے ذیل میں اس کی وضاحت کرتے ہیں۔
شماریاتی طاقت اور حقیقی اثر
شماریاتی طاقت کی تعریف اس احتمال کے طور پر کی جاتی ہے کہ جب حقیقت میں کوئی فرق موجود ہو تو ایک ٹیسٹ شماریاتی طور پر نمایاں فرق کا پتہ لگا لے۔ اسے حقیقی اثر بھی کہا جاتا ہے۔
حقیقی اثر تجرباتی ڈیزائن کا سنگ بنیاد ہے۔کوہن کی 1988 کی رپورٹ، جو سائنسی طریقہ کار میں اپنے شراکت کی وجہ سے انتہائی مقبول ہے، نے دلیل دی کہ ایک مطالعہ کو اس طرح ڈیزائن کیا جانا چاہیے کہ اس میں حقیقی اثر کا پتہ لگانے کا 80% احتمال ہو۔ یہ 80% ایک ہائی پاور (HP) ٹیسٹ ڈیزائن کی نمائندگی کرتا ہے، جبکہ 20% کے قریب کوئی بھی قدر لو پاور (LP) ٹیسٹ ڈیزائن ہے۔
کوہن نے مشورہ دیا کہ مطالعات میں ٹائپ II غلطی، جسے جھوٹا منفی (فالس نیگیٹو) کہا جاتا ہے، کرنے کا احتمال ہمیشہ 20% سے کم ہونا چاہیے۔ وہ ان ہی گائیڈ لائن رینجز کو ان ضائع شدہ دریافتوں کے لیے بھی استعمال کرتے ہیں، جو اس وقت رونما ہوتی ہیں جب کوئی محقق غلط طریقے سے کسی اہم اثر کی عدم موجودگی کی اطلاع دیتا ہے جبکہ حقیقت میں فرق موجود ہوتا ہے۔
شماریاتی طاقت کیوں اہمیت رکھتی ہے؟
اس منظر نامے پر غور کریں۔ اگر 80% طاقت والے 100 مختلف مطالعات میں حقیقی اثر موجود ہو، تو شماریاتی ٹیسٹ 100 میں سے 80 میں حقیقی اثر کا پتہ لگائیں گے۔ تاہم، جب کسی مطالعہ کی تحقیقی طاقت 20% ہوتی ہے، تو اگر نتائج میں 100 حقیقی غیر مبہم اثرات موجود ہوں، تو ان مطالعات سے توقع کی جاتی ہے کہ وہ ان میں سے صرف 20 دریافت کر سکیں گے۔
نیورو سائنس کی تحقیق میں شماریاتی طاقت کی خامیاں
حیرت کی بات نہیں کہ نیورو سائنس کی تحقیق کے وسائل کی کثرت کی ضرورت کی نوعیت کی وجہ سے، اس شعبے کی اوسط شماریاتی طاقت تقریباً 21% ہے اور یہ 8% سے 31% کی وسیع رینج تک رہتی ہے۔ نیورو سائنس کی تحقیق میں کم شماریاتی طاقت:
نتائج کی نقل پذیری (replicability) پر شک پیدا کرتی ہے۔
اثر کے بڑھا چڑھا کر پیش کیے گئے سائز کا باعث بنتی ہے۔
شماریاتی طور پر اہم نتائج کے امکان کو کم کرتی ہے جو حقیقی اثر کی درست نمائندگی کرتے ہیں۔
اس طرح، نیورو سائنس کی تحقیق کی موجودہ حالت شماریاتی طاقت کے مسئلے میں پھنسی ہوئی ہے کیونکہ یہ اقدار کوہن کی نظریاتی حد سے بہت نیچے ہیں۔
ایک نمائندہ نمونہ (نمونہ جات) گروپ قائم کرنا
پہلے منظر نامے کا مقصد: جامع اور بڑے نمونے لینے کے ذریعے ہمارے ٹیسٹ میں نمونے لینے کی غلطیوں اور ٹائپ I اور II کی غلطیوں سے بچنا۔
اگر ہم چاہتے ہیں کہ تجربہ عملی طور پر اہم ہو، تو ہمارے نمونے کے سیٹ میں انسانی دماغ کے کتنے اسکین شامل کرنے کی ضرورت ہے؟ عملی اہمیت سے مراد یہ ہے کہ آیا کسی تجربے کے نتائج حقیقی دنیا پر لاگو ہوتے ہیں یا نہیں۔
ایک نیورو سائنسدان کے تجربے کی اثرات کا تعین کرنے کی صلاحیت (شماریاتی طاقت) نمونے کے سائز سے منسلک ہے۔ منظر نامے 1 کے پیرامیٹرز کو جاری رکھتے ہوئے، مقصد اب بھی کافی ڈیٹا اکٹھا کرنا ہے تاکہ ہم شماریاتی طور پر یہ اندازہ لگا سکیں کہ جذباتی طور پر بھری ہوئی بصری محرکات دکھانے کے بعد ڈوپامائن کے اخراج کے وقت میں کوئی حقیقی اثر موجود ہے یا نہیں۔ ہمیں نمونے میں شمولیت کے لیے ایسے معیار بھی قائم کرنے کی ضرورت ہے جو نمونے لینے کی غلطی کے امکان کو کم سے کم کریں۔
نمونے لینے کی غلطیوں سے کیسے بچیں
آگے بڑھنے سے پہلے دو اصطلاحات کو سمجھنا ضروری ہے۔
نمونے لینے کی غلطی (Sampling error): نمونہ لیتے وقت، ہمیشہ یہ امکان رہتا ہے کہ منتخب کردہ افراد کا جمع کردہ ڈیٹا آبادی کی نمائندگی نہیں کرے گا۔
شماریاتی اہمیت: شماریاتی اہمیت کا مطلب یہ ہے کہ ہمارا ڈیٹا اور ہمارے مشاہدہ کردہ اثرات ممکنہ طور پر حقیقی اثرات ہیں۔ زیادہ تر بائیو میڈیکل سائنسز میں، شماریاتی اہمیت 0.05 کی اہمیت کی سطح یا p-قدر کے ساتھ قائم کی جاتی ہے۔ بنیادی طور پر، اس کا مطلب یہ ہے کہ سائنسدان اپنے تجربات میں مشاہدہ کیے گئے اثر پر 95% پراعتماد ہیں۔
غور کریں کہ اگر ڈیٹا ایک تعلق ظاہر کرتا ہے (یعنی ڈوپامائن کا اخراج)۔ تو اس بات کا 5% امکان ہے کہ یہ اثر محض اتفاق کی وجہ سے ہے اور اس کا متغیر (بصری محرکات) سے کوئی تعلق نہیں ہے۔ یہ ایک ٹائپ I غلطی ہوگی۔ متبادل طور پر، اس بات کا 5% امکان ہے کہ ہمارا اکٹھا کیا گیا ڈیٹا ڈوپامائن کے اخراج اور بصری محرک کے درمیان کوئی تعلق نہ ظاہر کرے، جبکہ حقیقت میں، ایک حقیقی اثر موجود ہو - ایک جھوٹا منفی یا ٹائپ II غلطی۔
شمولیت کے معیار کو احتیاط سے قائم کرنا زیادہ اثر انگیز ہے کیونکہ نمونے کے ایک خاص سائز کے بعد کم ہوتے ہوئے منافع کا ایک نقطہ آتا ہے۔
ہم تمام انسانوں کی نمائندگی کرنے والا ڈیٹا اکٹھا کرنے کی امید کر رہے ہیں، اور ہم چاہتے ہیں کہ ہمارے نتائج عملی اور شماریاتی دونوں لحاظ سے اہم ہوں۔ اپنے نمونے کے سیٹ کو کامیابی سے ڈیزائن کرنے کے لیے، نمونے لینے کی غلطی، ٹائپ I غلطی (جھوٹا مثبت)، یا ٹائپ II غلطی (جھوٹا منفی) کا حساب کتاب رکھنا اور ان سے بچنا ضروری ہے۔
ہمارا تجربہ درج ذیل مفروضے کی جانچ کر رہا ہے:
کالعدم مفروضہ (Null hypothesis) - NAc میں ڈوپامائن کے اخراج کے وقت اور جذباتی طور پر اہم بصری محرک کے درمیان کوئی تعلق یا اثر نہیں ہے۔
مفروضہ - NAc میں ڈوپامائن کے اخراج کے وقت اور جذباتی طور پر اہم بصری محرک کے درمیان ایک تعلق ہے، اور ڈوپامائن کا زیادہ سے زیادہ اخراج بصری محرکات دیکھنے کے بعد ہوتا ہے۔
جب ڈیٹا شماریاتی طور پر اہم نہیں ہوتا ہے:
ہمارا مفروضہ مسترد کر دیا جاتا ہے۔
کوئی حقیقی اثر یا فرق نہیں پایا جاتا۔
ہمارے مشاہدہ کردہ اثرات کا نتیجہ بھی محض اتفاق ہی ہو سکتا ہے۔
آبادی کو سمجھنا؟
تجرباتی ڈیزائن میں عملی حدود۔
نیورو سائنس کی تحقیق میں، نمونے لینے کی غلطیوں سے بچنے کے لیے ایک باقاعدہ شمولیت کا معیار عام طور پر پوری آبادی میں شمولیت کے امکان کو رینڈمائز اور/یا مساوی بنانے کی کوشش کرتا ہے۔ ہمیں صرف اس وجہ سے افراد کا انتخاب کرنے سے بچنے کی ضرورت ہے کہ وہ ڈیٹا اکٹھا کرنے کے لیے سب سے قریب یا سب سے زیادہ قابلِ رسائی ہیں، کیونکہ یہ نمونے لینے کی غلطی کا سب سے بڑا نسخہ ہے۔
نمونہ سیٹ کی تیاری کا بہترین طریقہ یہ ہے کہ ایسے شمولیت کے معیار کا استعمال کیا جائے جو پوری آبادی میں انتخاب کے امکان کو تصادفی طور پر مساوی بنائے۔ مثال کے طور پر، مردم شماری کے ڈیٹا کا استعمال کرتے ہوئے، ہم اوہائیو کی ہر کاؤنٹی میں تصادفی طور پر منتخب کیے گئے 50 افراد کی رابطہ معلومات حاصل کر سکتے ہیں۔ اس سے انتخابی تعصب کم سے کم ہو جائے گا کیونکہ تمام جغرافیائی علاقوں سے تصادفی طور پر ناموں کا انتخاب کیا جائے گا۔
تجرباتی ڈیزائن قائم کرنا، نمونے کا سائز بڑھانا، اور غیر جانبدارانہ، تصادفی، اور یکساں طور پر لاگو ہونے والے شمولیت کے معیار کو مکمل طور پر نافذ کرنا جلدی ہی عملی حدود سے ٹکرا سکتا ہے۔ یہ تعلیمی مشقوں سے لے کر مکمل تحقیقی یونیورسٹیوں تک، تمام سطحوں پر سائنسی تحقیق کے لیے ایک مسئلہ ہے۔ عام طور پر، بجٹ اور وقت کی حدود سب سے پہلے سمجھوتہ کرنے پر مجبور کرتی ہیں۔ مجموعی طور پر، شماریاتی اہمیت کے ارد گرد یہ مسائل تحقیق کے فعال شعبے ہیں۔
حقیقی اثر کا سائز کیا ہے؟
نیورو سائنس کی تحقیق کی کم شماریاتی طاقت کی وجہ سے، ہم حقیقی اثر کے سائز کا زیادہ تخمینہ لگاتے ہیں جس کی وجہ سے بہت سے مطالعات کی کم تولیدی صلاحیت (reproducibility) ہوتی ہے۔ مزید برآں، نیورو سائنس کی تحقیق کی موروثی پیچیدگی شماریاتی طاقت کو اہم بناتی ہے۔
ایک طریقہ جسے یہ شعبہ اپنا سکتا ہے وہ ہے نمونے کے سائز کو بڑھا کر مطالعہ کی طاقت کو بڑھانا۔ اس سے حقیقی اثر کا پتہ لگانے کا امکان بڑھ جاتا ہے۔ ایک مناسب نمونے کا سائز منتخب کرنا ایسی تحقیق کو ڈیزائن کرنے کے لیے بہت ضروری ہے جو:
عملی دریافتیں کرے۔
دماغ میں ان گنت عملوں کے بارے میں ہماری سمجھ کو آگے بڑھائے۔
مؤثر علاج تیار کرے۔
عصر حاضر کی نیورو سائنس ریسرچ میں چیلنجوں پر قابو پانا: EmotivLAB پلیٹ فارم
نیورو سائنس کی تحقیق کے تجرباتی ڈیزائنوں کو قابل اعتماد شماریاتی اہمیت حاصل کرنے کے لیے نمونے کے بڑے سائز اور بہتر شمولیت کے معیار کو قائم کرنے کی کوشش کرنی چاہیے۔ EmotivLAB جیسے کراؤڈ سورس قابل پلیٹ فارم تک رسائی کے ساتھ، محققین کو ممکنہ طور پر کہیں زیادہ متنوع، کہیں زیادہ نمائندہ موضوعاتی افراد تک رسائی فراہم کی جاتی ہے - جس سے تحقیقی گروپوں کے لیے کم سے کم اضافی لاجسٹک کوششوں کے ساتھ نمونے کے سائز اور تمام آبادیاتی خصوصیات کی شمولیت میں بہتری آتی ہے۔
جدید نیورو سائنس کی تحقیق تجرباتی نمونے کے سیٹ کے لیے ایک متنوع گروپ کو بھرتی کرنے کے لیے محدود دستیاب وسائل کی وجہ سے نمونے لینے کی غلطیوں کا شکار ہو سکتی ہے۔ "WEIRD گروپ" کا تصور اس مسئلے کا خلاصہ کرتا ہے۔ زیادہ تر یونیورسٹی کی تحقیق انتہائی محدود بجٹ پر ایسے تجرباتی موضوعات پر کی جاتی ہے جو عام طور پر مغربی، تعلیم یافتہ اور صنعتی، امیر اور جمہوری ممالک سے تعلق رکھتے ہیں۔ تاہم، ریموٹ ڈیٹا اکٹھا کرنے والے آلات، جیسے کہ EmotivLABs کا EEG پلیٹ فارم، محققین کو کالج کیمپس سے باہر نکل کر ایسے نمونہ گروپس کو بھرتی کرنے کی اجازت دیتا ہے جو آبادی کی بہتر عکاسی کرتے ہیں۔
EmotivLABs کا پلیٹ فارم اور ریموٹ EEG آلات نہ صرف محققین کو تجرباتی نمونہ گروپس میں شامل افراد کے تنوع کو بڑھانے میں مدد فراہم کر رہے ہیں۔ بلکہ یہ مجموعی نمونے کے سائز اور ہدف والی آبادیوں تک جغرافیائی رسائی سے متعلق مسائل کو بھی حل کرتا ہے۔
EmotivLABs پلیٹ فارم محققین کو موجودہ رکاوٹوں سے آزاد کرتا ہے اور اس کے بجائے انہیں تجربات کو ڈیزائن کرنے اور نتائج کا تجزیہ کرنے پر اپنی توانائی مرکوز کرنے کی اجازت دیتا ہے۔ ہمارا پلیٹ فارم تجربے کو سبجیکٹ پول میں سب سے مناسب افراد سے ملاتا ہے۔ شرکاء کو بھرتی کرنے، ان کے ساتھ ہم آہنگی پیدا کرنے اور شیڈول بنانے، اور لیب میں ڈیٹا اکٹھا کرنے میں وقت لگانے کی کوئی ضرورت نہیں ہے۔ بس صرف یہ ضرورت ہے کہ آن لائن پلیٹ فارم میں مطلوبہ ڈیموگرافک کی وضاحت کی جائے، اور EmotivLABs اس تجربے کو ان معاونین کے لیے دستیاب کرائے گا جو مطلوبہ پیرامیٹرز پر پورا اترتے ہیں۔ شرکاء اپنے گھروں میں اپنے آلات کا استعمال کرتے ہوئے تجربات انجام دے سکتے ہیں۔ ہیڈسیٹ کے ساتھ ان کی واقفیت محققین کو اس کے استعمال کے بارے میں ہدایات فراہم کرنے کی ضرورت کو ختم کرتی ہے۔
اس سے ہٹ کر، EmotivLAB پلیٹ فارم خودکار EEG ریکارڈنگ ڈیٹا کے معیار کا کنٹرول اور تشخیص فراہم کرتا ہے۔ کم معیار کے ڈیٹا کی بڑی مقدار تجرباتی ڈیزائنوں میں نمونے لینے یا شماریاتی غلطیوں پر قابو پانے میں مدد نہیں کرتی ہے۔ تاہم، زیادہ اعلیٰ معیار کے ڈیٹا تک رسائی، درج ذیل میں غلطیوں سے بچنے میں مدد کرنے کا حل فراہم کرتی ہے:
نمونے لینے (Sampling)
آبادی
شماریاتی اہمیت
اس بارے میں مزید جاننا چاہتے ہیں کہ EmotivLABs پلیٹ فارم آپ کی تحقیق کے لیے کیا کر سکتا ہے؟
EmotivLABS آپ کو اپنا تجربہ بنانے، اپنے تجربے کو محفوظ طریقے سے تعینات کرنے، تصدیق شدہ شرکاء کے عالمی پینل سے بھرتی کرنے، اور اعلیٰ معیار کا EEG ڈیٹا اکٹھا کرنے کے قابل بناتا ہے، یہ سب ایک ہی پلیٹ فارم سے۔ مزید جاننے یا ڈیمو کی درخواست کرنے کے لیے یہاں کلک کریں۔
پڑھنا جاری رکھیں