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 حجم (سائز) اور شماریاتی قوت - اپنے اردگرد کی دنیا کو سمجھنے کے لیے، محققین باضابطہ طور پر سائنسی طریقہ کار کو مشتبہ سچائیوں کو جھوٹ سے الگ کرنے کے ایک طریقہ کے طور پر استعمال کرتے ہیں۔ علمی نیورو سائنس (کاکنیٹو نیورو سائنس) کا مقصد یہ سمجھنا ہے کہ کس طرح جینیاتی، اعصابی اور طرزِ عمل کے نظام کسی جاندار کی اپنے ارد گرد کی دنیا کو محسوس کرنے، تعامل کرنے، نیویگیٹ کرنے اور اس کے بارے میں سوچنے کی صلاحیت کی مدد کرتے ہیں۔
اس کا مطلب یہ ہے کہ علمی نیورو سائنس تمام تجزیاتی سطحوں پر تجربات کی منصوبہ بندی کرتی ہے اور ڈیٹا اکٹھا کرتی ہے۔ دنیا بھر میں تحقیقی پروگرام جو قدرتی دنیا کے بارے میں ہماری سمجھ کو مزید گہرا کرنا چاہتے ہیں، وہ باقاعدگی سے چھوٹے تجربات کے ایک اچھے سے منصوبہ بند سلسلے کے ذریعے مفروضات یا اندازوں کی جانچ کرتے ہیں۔ یہ تجربات مخصوص عوامل کی جانچ پڑتال 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 اثرات کو کم سے کم کرتے ہیں۔
پہلا منظر نامہ: ڈوپامائن ریلیز کا ایک مطالعہ
علمی نیورو سائنس میں، ڈوپامائن کو عام طور پر ایک "بہت اچھا 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 عمل کرنے کی ترغیب دیتے ہیں۔ ان میں درج ذیل شامل ہو سکتے ہیں:
اچھا کھانا کھانا
اپنے پیاروں کے ساتھ وقت گزارنا
جماع
شکر (میٹھا)
فرض کریں کہ ہم یہ جاننا چاہتے ہیں کہ آیا Nucleus Accumbens (NuAc) میں ڈوپامائن کی بلند ترین سطح کسی مطلوبہ یا جانے پہچانے بصری محرک (وزیول اسٹیمولس) کے سامنے آنے سے پہلے، اس کے دوران، یا بعد میں ہوتی ہے۔ ہم امیتیا جوہانا میکنٹوش کے مطالعه سے اخذ کردہ EEG تجرباتی ڈیزائن استعمال کر سکتے ہیں۔ ہم یہ مفروضہ پیش کر سکتے ہیں کہ ڈوپامائن کا اخراج جانے پہچانے یا مطلوبہ بصری محرک کے سامنے آنے کے دوران ہوتا ہے اور اس کے تھوڑی دیر بعد عروج پر پہنچ جاتا ہے۔
اب، سب سے اہم سوال یہ ہے کہ ہم ٹیسٹ کے لیے افراد کہاں سے لائیں؟
تجرباتی حالات میں، "آبادی (پاپولیشن)" سے مراد وہ بڑا، کل اجتماعی گروپ ہے جس کا مطالعہ کیا جا رہا ہے۔ یہ غیر عملی اور بعید از قیاس ہے کہ آپ کی لیبارٹری لاکھوں یا کروڑوں لوگوں پر ڈوپامائن کے اخراج کا ڈیٹا بھرتی اور جمع کرنے کی 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 ہوں گے۔
ہمارے نمونے میں کتنے افراد کو شامل کرنے کی ضرورت ہے؟
یہ عملی اہمیت اور شماریاتی قوت سے کس طرح تعلق رکھتا ہے؟
آئیے اسے ذیل میں تفصیل سے سمجھتے ہیں۔
شماریاتی قوت اور حقیقی اثر
شماریاتی قوت (اسٹیٹسٹیکل پاور) کی تعریف اس امکان کے طور پر کی جاتی ہے کہ کوئی ٹیسٹ شماریاتی طور پر نمایاں فرق کا پتہ لگاتا ہے جب ایسا فرق واقعی موجود ہو۔ اس کو حقیقی اثر بھی کہا جاتا ہے۔
حقیقی اثر تجرباتی ڈیزائن کا بنیادی پتھر ہے۔کوہن کی 1988 کی رپورٹ، جو سائنسی طریقہ کار میں اپنی خدمات کے لیے بے حد مشہور ہے، نے دلیلی طور پر واضح کیا کہ ایک مطالعہ اس طرح ڈیزائن کیا جانا چاہیے کہ اس میں حقیقی اثر کا پتہ لگانے کا 80% امکان ہو۔ یہ 80% ایک ہائی پاور (HP) ٹیسٹ ڈیزائن کی نمائندگی کرتا ہے، جبکہ 20% کے قریب کوئی بھی قیمت لو پاور (LP) ٹیسٹ ڈیزائن ہوتی ہے۔
کوہن نے تجویز دی کہ مطالعات میں ٹائپ II کی غلطی، جسے غلط منفی (فالس نیگیٹو) کہا جاتا ہے، کرنے کا امکان ہمیشہ 20% سے کم ہونا چاہئے۔ وہ کھوئی ہوئی دریافتوں کے لیے بھی یہی گائیڈ لائن استعمال کرتے ہیں، جو اس وقت رونما ہوتی ہیں جب کوئی محقق غلط طریقے سے کسی نمایاں اثر کی رپورٹ نہیں کرتا جب کہ حقیقت میں فرق موجود ہوتا ہے۔
شماریاتی قوت کیوں اہم ہے؟
اس منظر نامے پر غور کریں۔ اگر 80% قوت کے ساتھ 100 مختلف مطالعات میں ایک حقیقی اثر موجود ہے، تو شماریاتی ٹیسٹ 100 میں سے 80 میں حقیقی اثر کا پتہ لگا لیں گے۔ تاہم، جب کسی مطالعے کی تحقیقی قوت 20% ہو، اور اگر نتائج میں 100 حقیقی غیر مبہم (non-null) اثرات موجود ہوں، تو ان مطالعات سے صرف ان میں سے 20 دریافت کرنے کی امید کی جاتی ہے۔
نیورو سائنس کی تحقیق میں شماریاتی قوت کی خامیاں
حیرت کی بات نہیں، نیورو سائنس کی تحقیق کے وسائل طلب ہونے کی وجہ سے، اس شعبے میں اوسط شماریاتی قوت تقریباً 21% ہے اور یہ 8%-31% کی وسیع رینج پر محیط ہے۔ نیورو سائنس کی تحقیق میں کم شماریاتی قوت:
نتائج کی مکرر قابلیت (ریپلیکیبلٹی) پر شکوک و شبہات پیدا کرتی ہے۔
اثر کے مبالغہ آمیز سائز (ایگزاجریٹیڈ ایفیکٹ سائز) کا باعث بنتی ہے۔
شماریاتی طور پر اہم نتائج کے امکان کو کم کرتی ہے جو حقیقی اثر کی درست نمائندگی کرتے ہیں۔
جیسا کہ، نیورو سائنس کی تحقیق کی موجودہ حالت شماریاتی قوت کے مسئلے میں پھنسی ہوئی ہے کیونکہ یہ اقدار کوہن کی نظریاتی حد سے بہت نیچے ہیں۔
ایک نمائندہ نمونہ (نمونوں) کا گروپ قائم کرنا
پہلے منظر نامے کا مقصد: جامع اور بڑے پیمانے پر 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 اسکینز 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 اثرات کا تعین کرنے کی تجرباتی صلاحیت (شماریاتی قوت) نمونے کے سائز سے منسلک ہوتی ہے۔ منظر نامے 1 کے پیرامیٹرز کو جاری رکھتے ہوئے، مقصد اب بھی کافی ڈیٹا اکٹھا کرنا ہے تاکہ ہم شماریاتی طور پر اندازہ لگا سکیں کہ آیا جذباتی بصری محرکات دکھانے کے بعد ڈوپامائن کے اخراج کے وقت میں کوئی حقیقی اثر موجود ہے یا نہیں۔ ہمیں نمونے میں شامل کرنے کے لیے ایسے معیار بھی قائم کرنے کی ضرورت ہے جو نمونے لینے کی غلطی (سیمپلنگ ایرر) کے امکان کو کم سے کم کرے۔
نمونے لینے کی غلطیوں سے کیسے بچا جائے
آگے بڑھنے سے پہلے دو اصطلاحات کو سمجھنا ضروری ہے۔
نمونے لینے کی غلطی (سیمپلنگ ایرر): 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 ہے کہ ہمارا ڈیٹا اور ہمارے مشاہدہ کردہ اثرات کا حقیقی اثرات ہونے کا قوی امکان ہے۔ زیادہ تر بائیو میڈیکل سائنسز میں، شماریاتی اہمیت کا تعین .05 کی اہمیت کی سطح یا p-value کے ساتھ کیا جاتا 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 کسی تعلق کو ظاہر کرتا ہے (جیسے، ڈوپامائن کا اخراج)۔ تو اس بات کا 5% امکان ہے کہ یہ اثر محض اتفاق کی وجہ سے ہے اور متغیر (بصری محرکات) سے غیر متعلق ہے۔ یہ ٹائپ I کی غلطی ہوگی۔ متبادل طور پر، اس بات کا 5% امکان ہے کہ ہمارا جمع کردہ ڈیٹا ڈوپامائن کے اخراج اور بصری محرکات کے درمیان کوئی تعلق ظاہر نہ کرے جب کہ حقیقت میں ایک حقیقی اثر موجود ہو - یعنی ایک غلط منفی یا ٹائپ II کی غلطی۔
شامل کرنے کے معیار کو احتیاط سے قائم کرنا زیادہ اثر انگیز ہے کیونکہ نمونے کے ایک خاص سائز کے بعد کم ہوتے ہوئے فوائد کی حد (ڈیمنشنگ ریٹرنز) شروع ہوجاتی 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 کے ساتھ ڈیزائن کرنے کے لیے، نمونے لینے کی غلطی، ٹائپ I کی غلطی (غلط مثبت/فالس پازیٹو)، یا ٹائپ II کی غلطی (غلط منفی/فالس نیگیٹو) کو مدنظر رکھنا اور ان سے بچنا ضروری ہے۔
ہمارا تجربہ درج ذیل مفروضے کی جانچ کر رہا ہے:
معدوم مفروضہ (نل ہائپوتھیسس) - NAc میں ڈوپامائن کے اخراج کے وقت اور جذباتی اہمیت کے حامل بصری محرک کے درمیان کوئی تعلق یا اثر نہیں ہے۔
مفروضہ (ہائپوتھیسس) - NAc میں ڈوپامائن کے اخراج کے وقت اور جذباتی اہمیت کے حامل بصری محرک کے درمیان ایک تعلق موجود ہے، اور ڈوپامائن کا اخراج بصری محرک کو دیکھنے کے بعد عروج پر ہوتا ہے۔
NAc میں ڈوپامائن کے اخراج کے وقت اور جذباتی اہمیت کے حامل بصری محرکات کے درمیان ایک تعلق 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 ہے۔
ہمارے مشاہدہ کردہ اثرات کا اتفاقی ہونے کا اتنا ہی امکان ہوتا ہے۔
آبادی کو سمجھنا؟
تجرباتی ڈیزائن میں عملی حدود۔
نیورو سائنس کی تحقیق میں، ایک باضابطہ شمولیت کا معیار عام طور پر نمونے لینے کی غلطیوں سے بچنے کے لیے پوری آبادی میں شمولیت کے امکان کو بے ترتیب (رینڈمائزڈ) اور/یا برابر کرنے کی کوشش کرتا ہے۔ ہمیں صرف اس وجہ سے لوگوں کو منتخب کرنے سے بچنے کی ضرورت ہے کیونکہ وہ ڈیٹا اکٹھا کرنے کے لیے سب سے قریب یا سب سے زیادہ قابل رسائی ہیں، کیونکہ یہ نمونے لینے کی غلطی کا باعث بنتا ہے۔
نمونہ سیٹ بنانے کا بہترین طریقہ شمولیت کے ایسے معیار کا استعمال کرنا ہے جو پوری آبادی میں انتخاب کے امکان کو بے ترتیب طریقے سے برابر کرے۔ مثال کے طور پر، مردم شماری کے ڈیٹا کا استعمال کرتے ہوئے، ہم اوہائیو کی ہر کاؤنٹی میں ویب ایڈریس یا فون نمبر کے ذریعے 50 تصادفی طور پر منتخب کردہ افراد کی رابطہ کی معلومات حاصل کر سکتے ہیں۔ یہ انتخاب کے تعصب (سلیکشن بائیس) کو کم سے کم کر دے گا کیونکہ تمام جغرافیائی علاقوں سے یکساں طور پر بے ترتیب نام منتخب کیے جائیں گے۔
تجرباتی ڈیزائن قائم کرنا، نمونے کا سائز بڑھانا، اور غیر جانبدارانہ، بے ترتیب، اور یکساں طور پر لاگو شمولیت کے معیار کو مکمل طور پر محسوس کرنا تیزی سے عملی حدود کے خلاف جا سکتا ہے۔ یہ علمی 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 سے متعلق یہ مسائل تحقیق کے فعال شعبے ہیں۔
حقیقی اثر کا سائز کیا ہے؟
نیورو سائنس ریسرچ کی کم شماریاتی قوت کی وجہ سے، ہم حقیقی اثر کے سائز کا زیادہ اندازہ لگانے لگتے ہیں جس کی وجہ سے بہت سے مطالعات کی کم مکرر قابلیت (کم ری پروڈیوسیبلٹی) ہوتی ہے۔ مزید برآں، نیورو سائنس ریسرچ کی فطری پیچیدگی شماریاتی قوت کو انتہائی اہم بناتی ہے۔
ایک طریقہ جو یہ شعبہ اپنا سکتا ہے وہ نمونے کا سائز بڑھا کر مطالعہ کی قوت کو بڑھانا ہے۔ اس سے حقیقی اثر کا پتہ لگانے کا امکان بڑھ جاتا ہے۔ تحقیق کو ڈیزائن کرنے کے لیے مناسب نمونے کے سائز کا انتخاب بہت ضروری ہے جو:
عملی دریافتیں کرے۔
دماغ میں ان گنت عملوں کے بارے میں ہماری سمجھ کو آگے بڑھائے۔
مؤثر علاج تیار کرے۔
عصری نیورو سائنس تحقیق میں چیلنجوں پر قابو پانا: EmotivLAB پلیٹ فارم
قابل اعتماد شماریاتی اہمیت حاصل کرنے کے لیے نیورو سائنس ریسرچ کے تجرباتی ڈیزائنوں کو نمونے کے بڑے سائز اور بہتر شمولیت کے معیار قائم کرنے پر زور دینا چاہیے۔ EmotivLAB جیسے کراؤڈ سورس سے چلنے والے پلیٹ فارم تک رسائی کے ساتھ، محققین کو ممکنہ طور پر کہیں زیادہ متنوع، کہیں زیادہ نمائندہ موضوع والے افراد تک رسائی فراہم کی جاتی ہے - جس سے تحقیقی گروپوں کے لیے کم سے کم اضافی لاجسٹک کوششوں کے ساتھ تمام آبادیوں کے نمونے کے سائز اور جامعیت میں بہتری آتی ہے۔
جدید نیورو سائنس ریسرچ تجرباتی نمونے کے سیٹ کے لیے ایک متنوع گروپ بھرتی کرنے کے لیے دستیاب محدود وسائل کی وجہ سے نمونے لینے کی غلطیوں کا شکار ہو سکتی ہے۔ "WEIRD گروپ" کا تصور اس مسئلے کا خلاصہ پیش کرتا ہے۔ زیادہ تر یونیورسٹی کی تحقیق محدود بجٹ پر ایسے تجرباتی موضوعات پر کی جاتی ہے جو عام طور پر نژادِ مغرب، تعلیم یافتہ اور صنعتی، امیر اور جمہوری ممالک سے تعلق رکھتے ہیں۔ تاہم، ڈیٹا اکٹھا کرنے کا دور دراز کا سامان، جیسے EmotivLABs کا EEG پلیٹ فارم، محققین کو کالج کیمپس سے باہر جا کر ایسے نمونہ گروپ بنانے کی اجازت دیتا ہے جو آبادی کی بہتر عکاسی کرتے ہیں۔
EmotivLABs پلیٹ فارم محققین کو موجودہ رکاوٹوں سے نجات دلاتا ہے اور بجائے اس کے کہ وہ اپنی توانائی تجربات کی منصوبہ بندی اور نتائج کا تجزیہ کرنے پر مرکوز کریں۔
EmotivLABs کا پلیٹ فارم اور ریموٹ EEG آلات صرف محققین کو تجرباتی نمونہ گروپوں میں شامل افراد کے تنوع کو بڑھانے میں مدد نہیں دے رہے ہیں۔ یہ مجموعی نمونے کے سائز اور ٹارگٹ آبادیوں تک جغرافیائی رسائی کے حوالے سے پیدا ہونے والے مسائل کو بھی حل کرتا ہے۔
EmotivLABs پلیٹ فارم محققین کو موجودہ رکاوٹوں سے آزاد کرتا ہے اور انھیں اپنی توانائیاں تجربات ڈیزائن کرنے اور نتائج کا تجزیہ کرنے پر مرکوز کرنے کی اجازت دیتا ہے۔ ہمارا پلیٹ فارم سبجیکٹ پول میں سب سے مناسب افراد کے ساتھ تجربے کا میل چلاتا ہے۔ شرکاء کو بھرتی کرنے، ان کے ساتھ ہم آہنگی اور شیڈولنگ کرنے، اور لیب میں ڈیٹا اکٹھا کرنے پر وقت گزارنے کی کوئی ضرورت نہیں ہے۔ بس ضرورت اس بات کی ہے کہ آن لائن پلیٹ فارم میں مطلوبہ ڈیموگرافک کی وضاحت کی جائے، اور EmotivLABs اس تجربے کو ان معاونین کے لیے دستیاب کر دے گا جو مطلوبہ پیرامیٹرز پر بہترین پورا اترتے ہیں۔ شرکاء اپنے گھروں میں رہتے ہوئے، اپنا سامان استعمال کرتے ہوئے تجارب انجام دے سکتے ہیں۔ ہیڈسیٹ سے ان کی واقفیت محققین کو اس کے استعمال کے بارے میں ہدایات فراہم کرنے کی ضرورت سے آزاد کرتی ہے۔
اس کے علاوہ، EmotivLAB پلیٹ فارم خودکار EEG ریکارڈنگ ڈیٹا کے معیار کا کنٹرول اور تشخیص فراہم کرتا ہے۔ خراب معیار کا بہت سا ڈیٹا تجرباتی ڈیزائنوں میں نمونے لینے یا شماریاتی غلطیوں پر قابو پانے میں مدد نہیں کرتا ہے۔ تاہم، اعلیٰ معیار کے مزید ڈیٹا تک رسائی درج ذیل میں غلطیوں سے بچنے میں مدد کرنے کے لیے ایک حل فراہم کرتی ہے:
نمونہ لینا (سیمپلنگ)
آبادی (پاپولیشن)
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 اپنے تجربے کو 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 حجم (سائز) اور شماریاتی قوت - اپنے اردگرد کی دنیا کو سمجھنے کے لیے، محققین باضابطہ طور پر سائنسی طریقہ کار کو مشتبہ سچائیوں کو جھوٹ سے الگ کرنے کے ایک طریقہ کے طور پر استعمال کرتے ہیں۔ علمی نیورو سائنس (کاکنیٹو نیورو سائنس) کا مقصد یہ سمجھنا ہے کہ کس طرح جینیاتی، اعصابی اور طرزِ عمل کے نظام کسی جاندار کی اپنے ارد گرد کی دنیا کو محسوس کرنے، تعامل کرنے، نیویگیٹ کرنے اور اس کے بارے میں سوچنے کی صلاحیت کی مدد کرتے ہیں۔
اس کا مطلب یہ ہے کہ علمی نیورو سائنس تمام تجزیاتی سطحوں پر تجربات کی منصوبہ بندی کرتی ہے اور ڈیٹا اکٹھا کرتی ہے۔ دنیا بھر میں تحقیقی پروگرام جو قدرتی دنیا کے بارے میں ہماری سمجھ کو مزید گہرا کرنا چاہتے ہیں، وہ باقاعدگی سے چھوٹے تجربات کے ایک اچھے سے منصوبہ بند سلسلے کے ذریعے مفروضات یا اندازوں کی جانچ کرتے ہیں۔ یہ تجربات مخصوص عوامل کی جانچ پڑتال 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 اثرات کو کم سے کم کرتے ہیں۔
پہلا منظر نامہ: ڈوپامائن ریلیز کا ایک مطالعہ
علمی نیورو سائنس میں، ڈوپامائن کو عام طور پر ایک "بہت اچھا 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 عمل کرنے کی ترغیب دیتے ہیں۔ ان میں درج ذیل شامل ہو سکتے ہیں:
اچھا کھانا کھانا
اپنے پیاروں کے ساتھ وقت گزارنا
جماع
شکر (میٹھا)
فرض کریں کہ ہم یہ جاننا چاہتے ہیں کہ آیا Nucleus Accumbens (NuAc) میں ڈوپامائن کی بلند ترین سطح کسی مطلوبہ یا جانے پہچانے بصری محرک (وزیول اسٹیمولس) کے سامنے آنے سے پہلے، اس کے دوران، یا بعد میں ہوتی ہے۔ ہم امیتیا جوہانا میکنٹوش کے مطالعه سے اخذ کردہ EEG تجرباتی ڈیزائن استعمال کر سکتے ہیں۔ ہم یہ مفروضہ پیش کر سکتے ہیں کہ ڈوپامائن کا اخراج جانے پہچانے یا مطلوبہ بصری محرک کے سامنے آنے کے دوران ہوتا ہے اور اس کے تھوڑی دیر بعد عروج پر پہنچ جاتا ہے۔
اب، سب سے اہم سوال یہ ہے کہ ہم ٹیسٹ کے لیے افراد کہاں سے لائیں؟
تجرباتی حالات میں، "آبادی (پاپولیشن)" سے مراد وہ بڑا، کل اجتماعی گروپ ہے جس کا مطالعہ کیا جا رہا ہے۔ یہ غیر عملی اور بعید از قیاس ہے کہ آپ کی لیبارٹری لاکھوں یا کروڑوں لوگوں پر ڈوپامائن کے اخراج کا ڈیٹا بھرتی اور جمع کرنے کی 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 ہوں گے۔
ہمارے نمونے میں کتنے افراد کو شامل کرنے کی ضرورت ہے؟
یہ عملی اہمیت اور شماریاتی قوت سے کس طرح تعلق رکھتا ہے؟
آئیے اسے ذیل میں تفصیل سے سمجھتے ہیں۔
شماریاتی قوت اور حقیقی اثر
شماریاتی قوت (اسٹیٹسٹیکل پاور) کی تعریف اس امکان کے طور پر کی جاتی ہے کہ کوئی ٹیسٹ شماریاتی طور پر نمایاں فرق کا پتہ لگاتا ہے جب ایسا فرق واقعی موجود ہو۔ اس کو حقیقی اثر بھی کہا جاتا ہے۔
حقیقی اثر تجرباتی ڈیزائن کا بنیادی پتھر ہے۔کوہن کی 1988 کی رپورٹ، جو سائنسی طریقہ کار میں اپنی خدمات کے لیے بے حد مشہور ہے، نے دلیلی طور پر واضح کیا کہ ایک مطالعہ اس طرح ڈیزائن کیا جانا چاہیے کہ اس میں حقیقی اثر کا پتہ لگانے کا 80% امکان ہو۔ یہ 80% ایک ہائی پاور (HP) ٹیسٹ ڈیزائن کی نمائندگی کرتا ہے، جبکہ 20% کے قریب کوئی بھی قیمت لو پاور (LP) ٹیسٹ ڈیزائن ہوتی ہے۔
کوہن نے تجویز دی کہ مطالعات میں ٹائپ II کی غلطی، جسے غلط منفی (فالس نیگیٹو) کہا جاتا ہے، کرنے کا امکان ہمیشہ 20% سے کم ہونا چاہئے۔ وہ کھوئی ہوئی دریافتوں کے لیے بھی یہی گائیڈ لائن استعمال کرتے ہیں، جو اس وقت رونما ہوتی ہیں جب کوئی محقق غلط طریقے سے کسی نمایاں اثر کی رپورٹ نہیں کرتا جب کہ حقیقت میں فرق موجود ہوتا ہے۔
شماریاتی قوت کیوں اہم ہے؟
اس منظر نامے پر غور کریں۔ اگر 80% قوت کے ساتھ 100 مختلف مطالعات میں ایک حقیقی اثر موجود ہے، تو شماریاتی ٹیسٹ 100 میں سے 80 میں حقیقی اثر کا پتہ لگا لیں گے۔ تاہم، جب کسی مطالعے کی تحقیقی قوت 20% ہو، اور اگر نتائج میں 100 حقیقی غیر مبہم (non-null) اثرات موجود ہوں، تو ان مطالعات سے صرف ان میں سے 20 دریافت کرنے کی امید کی جاتی ہے۔
نیورو سائنس کی تحقیق میں شماریاتی قوت کی خامیاں
حیرت کی بات نہیں، نیورو سائنس کی تحقیق کے وسائل طلب ہونے کی وجہ سے، اس شعبے میں اوسط شماریاتی قوت تقریباً 21% ہے اور یہ 8%-31% کی وسیع رینج پر محیط ہے۔ نیورو سائنس کی تحقیق میں کم شماریاتی قوت:
نتائج کی مکرر قابلیت (ریپلیکیبلٹی) پر شکوک و شبہات پیدا کرتی ہے۔
اثر کے مبالغہ آمیز سائز (ایگزاجریٹیڈ ایفیکٹ سائز) کا باعث بنتی ہے۔
شماریاتی طور پر اہم نتائج کے امکان کو کم کرتی ہے جو حقیقی اثر کی درست نمائندگی کرتے ہیں۔
جیسا کہ، نیورو سائنس کی تحقیق کی موجودہ حالت شماریاتی قوت کے مسئلے میں پھنسی ہوئی ہے کیونکہ یہ اقدار کوہن کی نظریاتی حد سے بہت نیچے ہیں۔
ایک نمائندہ نمونہ (نمونوں) کا گروپ قائم کرنا
پہلے منظر نامے کا مقصد: جامع اور بڑے پیمانے پر 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 اسکینز 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 اثرات کا تعین کرنے کی تجرباتی صلاحیت (شماریاتی قوت) نمونے کے سائز سے منسلک ہوتی ہے۔ منظر نامے 1 کے پیرامیٹرز کو جاری رکھتے ہوئے، مقصد اب بھی کافی ڈیٹا اکٹھا کرنا ہے تاکہ ہم شماریاتی طور پر اندازہ لگا سکیں کہ آیا جذباتی بصری محرکات دکھانے کے بعد ڈوپامائن کے اخراج کے وقت میں کوئی حقیقی اثر موجود ہے یا نہیں۔ ہمیں نمونے میں شامل کرنے کے لیے ایسے معیار بھی قائم کرنے کی ضرورت ہے جو نمونے لینے کی غلطی (سیمپلنگ ایرر) کے امکان کو کم سے کم کرے۔
نمونے لینے کی غلطیوں سے کیسے بچا جائے
آگے بڑھنے سے پہلے دو اصطلاحات کو سمجھنا ضروری ہے۔
نمونے لینے کی غلطی (سیمپلنگ ایرر): 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 ہے کہ ہمارا ڈیٹا اور ہمارے مشاہدہ کردہ اثرات کا حقیقی اثرات ہونے کا قوی امکان ہے۔ زیادہ تر بائیو میڈیکل سائنسز میں، شماریاتی اہمیت کا تعین .05 کی اہمیت کی سطح یا p-value کے ساتھ کیا جاتا 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 کسی تعلق کو ظاہر کرتا ہے (جیسے، ڈوپامائن کا اخراج)۔ تو اس بات کا 5% امکان ہے کہ یہ اثر محض اتفاق کی وجہ سے ہے اور متغیر (بصری محرکات) سے غیر متعلق ہے۔ یہ ٹائپ I کی غلطی ہوگی۔ متبادل طور پر، اس بات کا 5% امکان ہے کہ ہمارا جمع کردہ ڈیٹا ڈوپامائن کے اخراج اور بصری محرکات کے درمیان کوئی تعلق ظاہر نہ کرے جب کہ حقیقت میں ایک حقیقی اثر موجود ہو - یعنی ایک غلط منفی یا ٹائپ II کی غلطی۔
شامل کرنے کے معیار کو احتیاط سے قائم کرنا زیادہ اثر انگیز ہے کیونکہ نمونے کے ایک خاص سائز کے بعد کم ہوتے ہوئے فوائد کی حد (ڈیمنشنگ ریٹرنز) شروع ہوجاتی 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 کے ساتھ ڈیزائن کرنے کے لیے، نمونے لینے کی غلطی، ٹائپ I کی غلطی (غلط مثبت/فالس پازیٹو)، یا ٹائپ II کی غلطی (غلط منفی/فالس نیگیٹو) کو مدنظر رکھنا اور ان سے بچنا ضروری ہے۔
ہمارا تجربہ درج ذیل مفروضے کی جانچ کر رہا ہے:
معدوم مفروضہ (نل ہائپوتھیسس) - NAc میں ڈوپامائن کے اخراج کے وقت اور جذباتی اہمیت کے حامل بصری محرک کے درمیان کوئی تعلق یا اثر نہیں ہے۔
مفروضہ (ہائپوتھیسس) - NAc میں ڈوپامائن کے اخراج کے وقت اور جذباتی اہمیت کے حامل بصری محرک کے درمیان ایک تعلق موجود ہے، اور ڈوپامائن کا اخراج بصری محرک کو دیکھنے کے بعد عروج پر ہوتا ہے۔
NAc میں ڈوپامائن کے اخراج کے وقت اور جذباتی اہمیت کے حامل بصری محرکات کے درمیان ایک تعلق 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 ہے۔
ہمارے مشاہدہ کردہ اثرات کا اتفاقی ہونے کا اتنا ہی امکان ہوتا ہے۔
آبادی کو سمجھنا؟
تجرباتی ڈیزائن میں عملی حدود۔
نیورو سائنس کی تحقیق میں، ایک باضابطہ شمولیت کا معیار عام طور پر نمونے لینے کی غلطیوں سے بچنے کے لیے پوری آبادی میں شمولیت کے امکان کو بے ترتیب (رینڈمائزڈ) اور/یا برابر کرنے کی کوشش کرتا ہے۔ ہمیں صرف اس وجہ سے لوگوں کو منتخب کرنے سے بچنے کی ضرورت ہے کیونکہ وہ ڈیٹا اکٹھا کرنے کے لیے سب سے قریب یا سب سے زیادہ قابل رسائی ہیں، کیونکہ یہ نمونے لینے کی غلطی کا باعث بنتا ہے۔
نمونہ سیٹ بنانے کا بہترین طریقہ شمولیت کے ایسے معیار کا استعمال کرنا ہے جو پوری آبادی میں انتخاب کے امکان کو بے ترتیب طریقے سے برابر کرے۔ مثال کے طور پر، مردم شماری کے ڈیٹا کا استعمال کرتے ہوئے، ہم اوہائیو کی ہر کاؤنٹی میں ویب ایڈریس یا فون نمبر کے ذریعے 50 تصادفی طور پر منتخب کردہ افراد کی رابطہ کی معلومات حاصل کر سکتے ہیں۔ یہ انتخاب کے تعصب (سلیکشن بائیس) کو کم سے کم کر دے گا کیونکہ تمام جغرافیائی علاقوں سے یکساں طور پر بے ترتیب نام منتخب کیے جائیں گے۔
تجرباتی ڈیزائن قائم کرنا، نمونے کا سائز بڑھانا، اور غیر جانبدارانہ، بے ترتیب، اور یکساں طور پر لاگو شمولیت کے معیار کو مکمل طور پر محسوس کرنا تیزی سے عملی حدود کے خلاف جا سکتا ہے۔ یہ علمی 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 سے متعلق یہ مسائل تحقیق کے فعال شعبے ہیں۔
حقیقی اثر کا سائز کیا ہے؟
نیورو سائنس ریسرچ کی کم شماریاتی قوت کی وجہ سے، ہم حقیقی اثر کے سائز کا زیادہ اندازہ لگانے لگتے ہیں جس کی وجہ سے بہت سے مطالعات کی کم مکرر قابلیت (کم ری پروڈیوسیبلٹی) ہوتی ہے۔ مزید برآں، نیورو سائنس ریسرچ کی فطری پیچیدگی شماریاتی قوت کو انتہائی اہم بناتی ہے۔
ایک طریقہ جو یہ شعبہ اپنا سکتا ہے وہ نمونے کا سائز بڑھا کر مطالعہ کی قوت کو بڑھانا ہے۔ اس سے حقیقی اثر کا پتہ لگانے کا امکان بڑھ جاتا ہے۔ تحقیق کو ڈیزائن کرنے کے لیے مناسب نمونے کے سائز کا انتخاب بہت ضروری ہے جو:
عملی دریافتیں کرے۔
دماغ میں ان گنت عملوں کے بارے میں ہماری سمجھ کو آگے بڑھائے۔
مؤثر علاج تیار کرے۔
عصری نیورو سائنس تحقیق میں چیلنجوں پر قابو پانا: EmotivLAB پلیٹ فارم
قابل اعتماد شماریاتی اہمیت حاصل کرنے کے لیے نیورو سائنس ریسرچ کے تجرباتی ڈیزائنوں کو نمونے کے بڑے سائز اور بہتر شمولیت کے معیار قائم کرنے پر زور دینا چاہیے۔ EmotivLAB جیسے کراؤڈ سورس سے چلنے والے پلیٹ فارم تک رسائی کے ساتھ، محققین کو ممکنہ طور پر کہیں زیادہ متنوع، کہیں زیادہ نمائندہ موضوع والے افراد تک رسائی فراہم کی جاتی ہے - جس سے تحقیقی گروپوں کے لیے کم سے کم اضافی لاجسٹک کوششوں کے ساتھ تمام آبادیوں کے نمونے کے سائز اور جامعیت میں بہتری آتی ہے۔
جدید نیورو سائنس ریسرچ تجرباتی نمونے کے سیٹ کے لیے ایک متنوع گروپ بھرتی کرنے کے لیے دستیاب محدود وسائل کی وجہ سے نمونے لینے کی غلطیوں کا شکار ہو سکتی ہے۔ "WEIRD گروپ" کا تصور اس مسئلے کا خلاصہ پیش کرتا ہے۔ زیادہ تر یونیورسٹی کی تحقیق محدود بجٹ پر ایسے تجرباتی موضوعات پر کی جاتی ہے جو عام طور پر نژادِ مغرب، تعلیم یافتہ اور صنعتی، امیر اور جمہوری ممالک سے تعلق رکھتے ہیں۔ تاہم، ڈیٹا اکٹھا کرنے کا دور دراز کا سامان، جیسے EmotivLABs کا EEG پلیٹ فارم، محققین کو کالج کیمپس سے باہر جا کر ایسے نمونہ گروپ بنانے کی اجازت دیتا ہے جو آبادی کی بہتر عکاسی کرتے ہیں۔
EmotivLABs پلیٹ فارم محققین کو موجودہ رکاوٹوں سے نجات دلاتا ہے اور بجائے اس کے کہ وہ اپنی توانائی تجربات کی منصوبہ بندی اور نتائج کا تجزیہ کرنے پر مرکوز کریں۔
EmotivLABs کا پلیٹ فارم اور ریموٹ EEG آلات صرف محققین کو تجرباتی نمونہ گروپوں میں شامل افراد کے تنوع کو بڑھانے میں مدد نہیں دے رہے ہیں۔ یہ مجموعی نمونے کے سائز اور ٹارگٹ آبادیوں تک جغرافیائی رسائی کے حوالے سے پیدا ہونے والے مسائل کو بھی حل کرتا ہے۔
EmotivLABs پلیٹ فارم محققین کو موجودہ رکاوٹوں سے آزاد کرتا ہے اور انھیں اپنی توانائیاں تجربات ڈیزائن کرنے اور نتائج کا تجزیہ کرنے پر مرکوز کرنے کی اجازت دیتا ہے۔ ہمارا پلیٹ فارم سبجیکٹ پول میں سب سے مناسب افراد کے ساتھ تجربے کا میل چلاتا ہے۔ شرکاء کو بھرتی کرنے، ان کے ساتھ ہم آہنگی اور شیڈولنگ کرنے، اور لیب میں ڈیٹا اکٹھا کرنے پر وقت گزارنے کی کوئی ضرورت نہیں ہے۔ بس ضرورت اس بات کی ہے کہ آن لائن پلیٹ فارم میں مطلوبہ ڈیموگرافک کی وضاحت کی جائے، اور EmotivLABs اس تجربے کو ان معاونین کے لیے دستیاب کر دے گا جو مطلوبہ پیرامیٹرز پر بہترین پورا اترتے ہیں۔ شرکاء اپنے گھروں میں رہتے ہوئے، اپنا سامان استعمال کرتے ہوئے تجارب انجام دے سکتے ہیں۔ ہیڈسیٹ سے ان کی واقفیت محققین کو اس کے استعمال کے بارے میں ہدایات فراہم کرنے کی ضرورت سے آزاد کرتی ہے۔
اس کے علاوہ، EmotivLAB پلیٹ فارم خودکار EEG ریکارڈنگ ڈیٹا کے معیار کا کنٹرول اور تشخیص فراہم کرتا ہے۔ خراب معیار کا بہت سا ڈیٹا تجرباتی ڈیزائنوں میں نمونے لینے یا شماریاتی غلطیوں پر قابو پانے میں مدد نہیں کرتا ہے۔ تاہم، اعلیٰ معیار کے مزید ڈیٹا تک رسائی درج ذیل میں غلطیوں سے بچنے میں مدد کرنے کے لیے ایک حل فراہم کرتی ہے:
نمونہ لینا (سیمپلنگ)
آبادی (پاپولیشن)
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 اپنے تجربے کو 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 حجم (سائز) اور شماریاتی قوت - اپنے اردگرد کی دنیا کو سمجھنے کے لیے، محققین باضابطہ طور پر سائنسی طریقہ کار کو مشتبہ سچائیوں کو جھوٹ سے الگ کرنے کے ایک طریقہ کے طور پر استعمال کرتے ہیں۔ علمی نیورو سائنس (کاکنیٹو نیورو سائنس) کا مقصد یہ سمجھنا ہے کہ کس طرح جینیاتی، اعصابی اور طرزِ عمل کے نظام کسی جاندار کی اپنے ارد گرد کی دنیا کو محسوس کرنے، تعامل کرنے، نیویگیٹ کرنے اور اس کے بارے میں سوچنے کی صلاحیت کی مدد کرتے ہیں۔
اس کا مطلب یہ ہے کہ علمی نیورو سائنس تمام تجزیاتی سطحوں پر تجربات کی منصوبہ بندی کرتی ہے اور ڈیٹا اکٹھا کرتی ہے۔ دنیا بھر میں تحقیقی پروگرام جو قدرتی دنیا کے بارے میں ہماری سمجھ کو مزید گہرا کرنا چاہتے ہیں، وہ باقاعدگی سے چھوٹے تجربات کے ایک اچھے سے منصوبہ بند سلسلے کے ذریعے مفروضات یا اندازوں کی جانچ کرتے ہیں۔ یہ تجربات مخصوص عوامل کی جانچ پڑتال 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 اثرات کو کم سے کم کرتے ہیں۔
پہلا منظر نامہ: ڈوپامائن ریلیز کا ایک مطالعہ
علمی نیورو سائنس میں، ڈوپامائن کو عام طور پر ایک "بہت اچھا 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 عمل کرنے کی ترغیب دیتے ہیں۔ ان میں درج ذیل شامل ہو سکتے ہیں:
اچھا کھانا کھانا
اپنے پیاروں کے ساتھ وقت گزارنا
جماع
شکر (میٹھا)
فرض کریں کہ ہم یہ جاننا چاہتے ہیں کہ آیا Nucleus Accumbens (NuAc) میں ڈوپامائن کی بلند ترین سطح کسی مطلوبہ یا جانے پہچانے بصری محرک (وزیول اسٹیمولس) کے سامنے آنے سے پہلے، اس کے دوران، یا بعد میں ہوتی ہے۔ ہم امیتیا جوہانا میکنٹوش کے مطالعه سے اخذ کردہ EEG تجرباتی ڈیزائن استعمال کر سکتے ہیں۔ ہم یہ مفروضہ پیش کر سکتے ہیں کہ ڈوپامائن کا اخراج جانے پہچانے یا مطلوبہ بصری محرک کے سامنے آنے کے دوران ہوتا ہے اور اس کے تھوڑی دیر بعد عروج پر پہنچ جاتا ہے۔
اب، سب سے اہم سوال یہ ہے کہ ہم ٹیسٹ کے لیے افراد کہاں سے لائیں؟
تجرباتی حالات میں، "آبادی (پاپولیشن)" سے مراد وہ بڑا، کل اجتماعی گروپ ہے جس کا مطالعہ کیا جا رہا ہے۔ یہ غیر عملی اور بعید از قیاس ہے کہ آپ کی لیبارٹری لاکھوں یا کروڑوں لوگوں پر ڈوپامائن کے اخراج کا ڈیٹا بھرتی اور جمع کرنے کی 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 ہوں گے۔
ہمارے نمونے میں کتنے افراد کو شامل کرنے کی ضرورت ہے؟
یہ عملی اہمیت اور شماریاتی قوت سے کس طرح تعلق رکھتا ہے؟
آئیے اسے ذیل میں تفصیل سے سمجھتے ہیں۔
شماریاتی قوت اور حقیقی اثر
شماریاتی قوت (اسٹیٹسٹیکل پاور) کی تعریف اس امکان کے طور پر کی جاتی ہے کہ کوئی ٹیسٹ شماریاتی طور پر نمایاں فرق کا پتہ لگاتا ہے جب ایسا فرق واقعی موجود ہو۔ اس کو حقیقی اثر بھی کہا جاتا ہے۔
حقیقی اثر تجرباتی ڈیزائن کا بنیادی پتھر ہے۔کوہن کی 1988 کی رپورٹ، جو سائنسی طریقہ کار میں اپنی خدمات کے لیے بے حد مشہور ہے، نے دلیلی طور پر واضح کیا کہ ایک مطالعہ اس طرح ڈیزائن کیا جانا چاہیے کہ اس میں حقیقی اثر کا پتہ لگانے کا 80% امکان ہو۔ یہ 80% ایک ہائی پاور (HP) ٹیسٹ ڈیزائن کی نمائندگی کرتا ہے، جبکہ 20% کے قریب کوئی بھی قیمت لو پاور (LP) ٹیسٹ ڈیزائن ہوتی ہے۔
کوہن نے تجویز دی کہ مطالعات میں ٹائپ II کی غلطی، جسے غلط منفی (فالس نیگیٹو) کہا جاتا ہے، کرنے کا امکان ہمیشہ 20% سے کم ہونا چاہئے۔ وہ کھوئی ہوئی دریافتوں کے لیے بھی یہی گائیڈ لائن استعمال کرتے ہیں، جو اس وقت رونما ہوتی ہیں جب کوئی محقق غلط طریقے سے کسی نمایاں اثر کی رپورٹ نہیں کرتا جب کہ حقیقت میں فرق موجود ہوتا ہے۔
شماریاتی قوت کیوں اہم ہے؟
اس منظر نامے پر غور کریں۔ اگر 80% قوت کے ساتھ 100 مختلف مطالعات میں ایک حقیقی اثر موجود ہے، تو شماریاتی ٹیسٹ 100 میں سے 80 میں حقیقی اثر کا پتہ لگا لیں گے۔ تاہم، جب کسی مطالعے کی تحقیقی قوت 20% ہو، اور اگر نتائج میں 100 حقیقی غیر مبہم (non-null) اثرات موجود ہوں، تو ان مطالعات سے صرف ان میں سے 20 دریافت کرنے کی امید کی جاتی ہے۔
نیورو سائنس کی تحقیق میں شماریاتی قوت کی خامیاں
حیرت کی بات نہیں، نیورو سائنس کی تحقیق کے وسائل طلب ہونے کی وجہ سے، اس شعبے میں اوسط شماریاتی قوت تقریباً 21% ہے اور یہ 8%-31% کی وسیع رینج پر محیط ہے۔ نیورو سائنس کی تحقیق میں کم شماریاتی قوت:
نتائج کی مکرر قابلیت (ریپلیکیبلٹی) پر شکوک و شبہات پیدا کرتی ہے۔
اثر کے مبالغہ آمیز سائز (ایگزاجریٹیڈ ایفیکٹ سائز) کا باعث بنتی ہے۔
شماریاتی طور پر اہم نتائج کے امکان کو کم کرتی ہے جو حقیقی اثر کی درست نمائندگی کرتے ہیں۔
جیسا کہ، نیورو سائنس کی تحقیق کی موجودہ حالت شماریاتی قوت کے مسئلے میں پھنسی ہوئی ہے کیونکہ یہ اقدار کوہن کی نظریاتی حد سے بہت نیچے ہیں۔
ایک نمائندہ نمونہ (نمونوں) کا گروپ قائم کرنا
پہلے منظر نامے کا مقصد: جامع اور بڑے پیمانے پر 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 اسکینز 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 اثرات کا تعین کرنے کی تجرباتی صلاحیت (شماریاتی قوت) نمونے کے سائز سے منسلک ہوتی ہے۔ منظر نامے 1 کے پیرامیٹرز کو جاری رکھتے ہوئے، مقصد اب بھی کافی ڈیٹا اکٹھا کرنا ہے تاکہ ہم شماریاتی طور پر اندازہ لگا سکیں کہ آیا جذباتی بصری محرکات دکھانے کے بعد ڈوپامائن کے اخراج کے وقت میں کوئی حقیقی اثر موجود ہے یا نہیں۔ ہمیں نمونے میں شامل کرنے کے لیے ایسے معیار بھی قائم کرنے کی ضرورت ہے جو نمونے لینے کی غلطی (سیمپلنگ ایرر) کے امکان کو کم سے کم کرے۔
نمونے لینے کی غلطیوں سے کیسے بچا جائے
آگے بڑھنے سے پہلے دو اصطلاحات کو سمجھنا ضروری ہے۔
نمونے لینے کی غلطی (سیمپلنگ ایرر): 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 ہے کہ ہمارا ڈیٹا اور ہمارے مشاہدہ کردہ اثرات کا حقیقی اثرات ہونے کا قوی امکان ہے۔ زیادہ تر بائیو میڈیکل سائنسز میں، شماریاتی اہمیت کا تعین .05 کی اہمیت کی سطح یا p-value کے ساتھ کیا جاتا 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 کسی تعلق کو ظاہر کرتا ہے (جیسے، ڈوپامائن کا اخراج)۔ تو اس بات کا 5% امکان ہے کہ یہ اثر محض اتفاق کی وجہ سے ہے اور متغیر (بصری محرکات) سے غیر متعلق ہے۔ یہ ٹائپ I کی غلطی ہوگی۔ متبادل طور پر، اس بات کا 5% امکان ہے کہ ہمارا جمع کردہ ڈیٹا ڈوپامائن کے اخراج اور بصری محرکات کے درمیان کوئی تعلق ظاہر نہ کرے جب کہ حقیقت میں ایک حقیقی اثر موجود ہو - یعنی ایک غلط منفی یا ٹائپ II کی غلطی۔
شامل کرنے کے معیار کو احتیاط سے قائم کرنا زیادہ اثر انگیز ہے کیونکہ نمونے کے ایک خاص سائز کے بعد کم ہوتے ہوئے فوائد کی حد (ڈیمنشنگ ریٹرنز) شروع ہوجاتی 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 کے ساتھ ڈیزائن کرنے کے لیے، نمونے لینے کی غلطی، ٹائپ I کی غلطی (غلط مثبت/فالس پازیٹو)، یا ٹائپ II کی غلطی (غلط منفی/فالس نیگیٹو) کو مدنظر رکھنا اور ان سے بچنا ضروری ہے۔
ہمارا تجربہ درج ذیل مفروضے کی جانچ کر رہا ہے:
معدوم مفروضہ (نل ہائپوتھیسس) - NAc میں ڈوپامائن کے اخراج کے وقت اور جذباتی اہمیت کے حامل بصری محرک کے درمیان کوئی تعلق یا اثر نہیں ہے۔
مفروضہ (ہائپوتھیسس) - NAc میں ڈوپامائن کے اخراج کے وقت اور جذباتی اہمیت کے حامل بصری محرک کے درمیان ایک تعلق موجود ہے، اور ڈوپامائن کا اخراج بصری محرک کو دیکھنے کے بعد عروج پر ہوتا ہے۔
NAc میں ڈوپامائن کے اخراج کے وقت اور جذباتی اہمیت کے حامل بصری محرکات کے درمیان ایک تعلق 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 ہے۔
ہمارے مشاہدہ کردہ اثرات کا اتفاقی ہونے کا اتنا ہی امکان ہوتا ہے۔
آبادی کو سمجھنا؟
تجرباتی ڈیزائن میں عملی حدود۔
نیورو سائنس کی تحقیق میں، ایک باضابطہ شمولیت کا معیار عام طور پر نمونے لینے کی غلطیوں سے بچنے کے لیے پوری آبادی میں شمولیت کے امکان کو بے ترتیب (رینڈمائزڈ) اور/یا برابر کرنے کی کوشش کرتا ہے۔ ہمیں صرف اس وجہ سے لوگوں کو منتخب کرنے سے بچنے کی ضرورت ہے کیونکہ وہ ڈیٹا اکٹھا کرنے کے لیے سب سے قریب یا سب سے زیادہ قابل رسائی ہیں، کیونکہ یہ نمونے لینے کی غلطی کا باعث بنتا ہے۔
نمونہ سیٹ بنانے کا بہترین طریقہ شمولیت کے ایسے معیار کا استعمال کرنا ہے جو پوری آبادی میں انتخاب کے امکان کو بے ترتیب طریقے سے برابر کرے۔ مثال کے طور پر، مردم شماری کے ڈیٹا کا استعمال کرتے ہوئے، ہم اوہائیو کی ہر کاؤنٹی میں ویب ایڈریس یا فون نمبر کے ذریعے 50 تصادفی طور پر منتخب کردہ افراد کی رابطہ کی معلومات حاصل کر سکتے ہیں۔ یہ انتخاب کے تعصب (سلیکشن بائیس) کو کم سے کم کر دے گا کیونکہ تمام جغرافیائی علاقوں سے یکساں طور پر بے ترتیب نام منتخب کیے جائیں گے۔
تجرباتی ڈیزائن قائم کرنا، نمونے کا سائز بڑھانا، اور غیر جانبدارانہ، بے ترتیب، اور یکساں طور پر لاگو شمولیت کے معیار کو مکمل طور پر محسوس کرنا تیزی سے عملی حدود کے خلاف جا سکتا ہے۔ یہ علمی 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 سے متعلق یہ مسائل تحقیق کے فعال شعبے ہیں۔
حقیقی اثر کا سائز کیا ہے؟
نیورو سائنس ریسرچ کی کم شماریاتی قوت کی وجہ سے، ہم حقیقی اثر کے سائز کا زیادہ اندازہ لگانے لگتے ہیں جس کی وجہ سے بہت سے مطالعات کی کم مکرر قابلیت (کم ری پروڈیوسیبلٹی) ہوتی ہے۔ مزید برآں، نیورو سائنس ریسرچ کی فطری پیچیدگی شماریاتی قوت کو انتہائی اہم بناتی ہے۔
ایک طریقہ جو یہ شعبہ اپنا سکتا ہے وہ نمونے کا سائز بڑھا کر مطالعہ کی قوت کو بڑھانا ہے۔ اس سے حقیقی اثر کا پتہ لگانے کا امکان بڑھ جاتا ہے۔ تحقیق کو ڈیزائن کرنے کے لیے مناسب نمونے کے سائز کا انتخاب بہت ضروری ہے جو:
عملی دریافتیں کرے۔
دماغ میں ان گنت عملوں کے بارے میں ہماری سمجھ کو آگے بڑھائے۔
مؤثر علاج تیار کرے۔
عصری نیورو سائنس تحقیق میں چیلنجوں پر قابو پانا: EmotivLAB پلیٹ فارم
قابل اعتماد شماریاتی اہمیت حاصل کرنے کے لیے نیورو سائنس ریسرچ کے تجرباتی ڈیزائنوں کو نمونے کے بڑے سائز اور بہتر شمولیت کے معیار قائم کرنے پر زور دینا چاہیے۔ EmotivLAB جیسے کراؤڈ سورس سے چلنے والے پلیٹ فارم تک رسائی کے ساتھ، محققین کو ممکنہ طور پر کہیں زیادہ متنوع، کہیں زیادہ نمائندہ موضوع والے افراد تک رسائی فراہم کی جاتی ہے - جس سے تحقیقی گروپوں کے لیے کم سے کم اضافی لاجسٹک کوششوں کے ساتھ تمام آبادیوں کے نمونے کے سائز اور جامعیت میں بہتری آتی ہے۔
جدید نیورو سائنس ریسرچ تجرباتی نمونے کے سیٹ کے لیے ایک متنوع گروپ بھرتی کرنے کے لیے دستیاب محدود وسائل کی وجہ سے نمونے لینے کی غلطیوں کا شکار ہو سکتی ہے۔ "WEIRD گروپ" کا تصور اس مسئلے کا خلاصہ پیش کرتا ہے۔ زیادہ تر یونیورسٹی کی تحقیق محدود بجٹ پر ایسے تجرباتی موضوعات پر کی جاتی ہے جو عام طور پر نژادِ مغرب، تعلیم یافتہ اور صنعتی، امیر اور جمہوری ممالک سے تعلق رکھتے ہیں۔ تاہم، ڈیٹا اکٹھا کرنے کا دور دراز کا سامان، جیسے EmotivLABs کا EEG پلیٹ فارم، محققین کو کالج کیمپس سے باہر جا کر ایسے نمونہ گروپ بنانے کی اجازت دیتا ہے جو آبادی کی بہتر عکاسی کرتے ہیں۔
EmotivLABs پلیٹ فارم محققین کو موجودہ رکاوٹوں سے نجات دلاتا ہے اور بجائے اس کے کہ وہ اپنی توانائی تجربات کی منصوبہ بندی اور نتائج کا تجزیہ کرنے پر مرکوز کریں۔
EmotivLABs کا پلیٹ فارم اور ریموٹ EEG آلات صرف محققین کو تجرباتی نمونہ گروپوں میں شامل افراد کے تنوع کو بڑھانے میں مدد نہیں دے رہے ہیں۔ یہ مجموعی نمونے کے سائز اور ٹارگٹ آبادیوں تک جغرافیائی رسائی کے حوالے سے پیدا ہونے والے مسائل کو بھی حل کرتا ہے۔
EmotivLABs پلیٹ فارم محققین کو موجودہ رکاوٹوں سے آزاد کرتا ہے اور انھیں اپنی توانائیاں تجربات ڈیزائن کرنے اور نتائج کا تجزیہ کرنے پر مرکوز کرنے کی اجازت دیتا ہے۔ ہمارا پلیٹ فارم سبجیکٹ پول میں سب سے مناسب افراد کے ساتھ تجربے کا میل چلاتا ہے۔ شرکاء کو بھرتی کرنے، ان کے ساتھ ہم آہنگی اور شیڈولنگ کرنے، اور لیب میں ڈیٹا اکٹھا کرنے پر وقت گزارنے کی کوئی ضرورت نہیں ہے۔ بس ضرورت اس بات کی ہے کہ آن لائن پلیٹ فارم میں مطلوبہ ڈیموگرافک کی وضاحت کی جائے، اور EmotivLABs اس تجربے کو ان معاونین کے لیے دستیاب کر دے گا جو مطلوبہ پیرامیٹرز پر بہترین پورا اترتے ہیں۔ شرکاء اپنے گھروں میں رہتے ہوئے، اپنا سامان استعمال کرتے ہوئے تجارب انجام دے سکتے ہیں۔ ہیڈسیٹ سے ان کی واقفیت محققین کو اس کے استعمال کے بارے میں ہدایات فراہم کرنے کی ضرورت سے آزاد کرتی ہے۔
اس کے علاوہ، EmotivLAB پلیٹ فارم خودکار EEG ریکارڈنگ ڈیٹا کے معیار کا کنٹرول اور تشخیص فراہم کرتا ہے۔ خراب معیار کا بہت سا ڈیٹا تجرباتی ڈیزائنوں میں نمونے لینے یا شماریاتی غلطیوں پر قابو پانے میں مدد نہیں کرتا ہے۔ تاہم، اعلیٰ معیار کے مزید ڈیٹا تک رسائی درج ذیل میں غلطیوں سے بچنے میں مدد کرنے کے لیے ایک حل فراہم کرتی ہے:
نمونہ لینا (سیمپلنگ)
آبادی (پاپولیشن)
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 اپنے تجربے کو 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