شماریاتی اہمیت: نمونے کا سائز (یا سائزز) اور شماریاتی طاقت - ہمارے ارد گرد 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 (Cognitive Neuroscience) 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 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 کے تحقیقی پروگرام جو ہماری قدرتی دنیا کی سمجھ کو مزید آگے بڑھانا چاہتے ہیں، باقاعدگی سے چھوٹے تجربات کے ایک اچھی طرح سے منصوبہ بند سلسلے میں مفروضوں، یا نظریات 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 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 "اچھا محسوس کروانے والا" مرکب سمجھا جاتا ہے۔ نیوکلیئس ایکمبنز (NuAc) میں اس کا اخراج ان طرزِ عمل یا چیزوں سے متحرک ہوتا ہے جو ہمیں عمل کرنے کے لیے متحرک کرتی ہیں۔ ان میں شامل ہو سکتے ہیں:

• اچھا کھانا کھانا

• پیاروں کے ساتھ وقت گزارنا

• جنسی ملاپ

• شکر (شوگر)

فرض کریں کہ ہم یہ معلوم کرنا چاہتے ہیں کہ آیا NuAc میں ڈوپامائن کی زیادہ سے زیادہ سطح ایک مطلوبہ یا مانوس بصری محرک کے سامنے آنے سے پہلے، اس کے دوران، یا اس کے بعد ہوتی ہے۔ ہم امیتیا جوہانا میکنٹوش کے مطالعہ سے اپنایا گیا EEG تجرباتی ڈیزائن استعمال کر سکتے ہیں۔ ہم یہ مفروضہ پیش کر سکتے ہیں کہ ڈوپامائن کا اخراج مانوس یا مطلوبہ 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 مضامین کہاں سے ملیں گے؟

تجرباتی حالات میں، "آبادی" (population) سے مراد مطالعہ کیا جانے والا 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 تکنیک تیار کر سکے۔

اس لیے، ہم آبادی کو سمجھنے کے لیے ایک چھوٹے، نمائندہ گروپ یا نمونے (sample) سے ڈیٹا اکٹھا کرنے کی کوشش کریں گے۔ ایسا کرنے کے لیے، ہمیں دو بنیادی سوالات کے جوابات دینے کی ضرورت ہوگی۔

1. ہمارے نمونے میں کتنے افراد کو شامل کرنے کی ضرورت ہے؟

2. 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 (Statistical power) کو اس امکان کے طور پر بیان کیا جاتا ہے کہ کوئی ٹیسٹ شماریاتی طور پر نمایاں فرق کا پتہ لگاتا ہے جب ایسا فرق واقعی موجود ہو اسے حقیقی اثر (true effect) بھی کہا جاتا ہے۔

حقیقی اثر تجرباتی ڈیزائن کا سنگِ بنیاد ہے۔کوہن کی 1988ء کی رپورٹ، جو سائنسی طریقہ کار میں اپنے تعاون کے لیے مشہور ہے، نے استدلال کیا کہ ایک مطالعہ کو 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 قدر کم پاور (LP) ٹیسٹ ڈیزائن ہے۔

کوہن نے مشورہ دیا کہ مطالعات میں قسم II کی غلطی (type II error) کرنے کا امکان ہمیشہ 20% سے کم ہونا چاہیے، جسے جھوٹی نفی (false negative) کہا جاتا ہے۔ وہ ان گمشدہ دریافتوں کے لیے بھی یہی گائیڈ لائن استعمال کرتا ہے، جو اس وقت رونما ہوتی ہیں جب کوئی محقق غلط طریقے سے کسی اہم اثر کی اطلاع نہیں دیتا جب کہ واقعی کوئی فرق موجود ہوتا ہے۔

شماریاتی طاقت کیوں اہم ہے؟

اس منظر نامے پر غور کریں۔ اگر 100 مختلف مطالعات میں 80% طاقت کے ساتھ ایک حقیقی اثر موجود ہے، تو شماریاتی ٹیسٹ 100 میں سے 80 میں حقیقی اثر کا پتہ لگائیں گے۔ تاہم، جب کسی مطالعہ کی تحقیقی طاقت 20% ہوتی ہے، 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 کریں گے۔

نیورو سائنس کی تحقیق میں شماریاتی طاقت کی کمیاں

حیرت کی بات نہیں، نیورو سائنس کی تحقیق کے وسائل سے بھرپور ہونے کی وجہ سے، اس شعبے میں اوسط شماریاتی طاقت تقریباً 21% ہے اور یہ 8% سے 31% کی وسیع رینج پر محیط ہے۔ نیورو سائنس کی تحقیق میں کم شماریاتی طاقت:

• نتائج کی نقل پذیری (replicability) پر شک پیدا کرتی ہے۔

• مبالغہ آمیز اثر سائز (effect size) 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 (یا نمونوں کا) گروپ قائم کرنا

پہلے منظر نامے کا مقصد: جامع اور بڑے نمونے لینے کے ساتھ ہمارے ٹیسٹ میں نمونے لینے کی غلطیوں اور قسم 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 (Practical significance) سے مراد یہ ہے کہ آیا کسی تجربے کے نتائج حقیقی دنیا پر لاگو ہوتے ہیں یا نہیں۔

اثرات کا تعین کرنے کے لیے ایک نیورو سائنٹسٹ کے تجربے کی صلاحیت (شماریاتی طاقت) نمونے کے سائز سے متعلق ہے۔ منظر نامے 1 کے پیرامیٹرز کو جاری رکھتے ہوئے، مقصد ابھی بھی کافی ڈیٹا اکٹھا کرنا ہے تاکہ ہم شماریاتی طور پر جانچ سکیں کہ آیا جذباتی طور پر چارج شدہ بصری محرکات دکھانے کے بعد ڈوپامائن کے اخراج کے وقت میں کوئی حقیقی اثر موجود ہے۔ ہمیں نمونے میں شمولیت کے لیے ایسے معیار بھی قائم کرنے کی ضرورت ہے جو نمونے لینے کی غلطی (sampling error) کے امکان کو کم سے کم کریں۔

نمونے لینے کی غلطیوں سے کیسے بچیں

آگے بڑھنے سے پہلے دو اصطلاحات کو سمجھنا ضروری ہے۔

1. نمونے لینے کی غلطی (Sampling error): نمونے لیتے وقت، ہمیشہ یہ امکان رہتا ہے کہ منتخب افراد کا جمع کردہ ڈیٹا آبادی کی نمائندگی نہیں کرے گا۔

2. شماریاتی اہمیت (Statistical Significance): شماریاتی اہمیت کا مطلب یہ ہے کہ ہمارا ڈیٹا اور ہمارے مشاہدہ کردہ اثرات ممکنہ طور پر حقیقی اثرات ہیں۔ زیادہ تر بایومیڈیکل علوم 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 آیا ڈیٹا کوئی تعلق ظاہر کرتا ہے (یعنی ڈوپامائن کا اخراج)۔ اس بات کا 5% امکان ہے کہ اثر اتفاقی طور پر ہوا ہو اور اس کا متغیر (بصری محرکات) سے کوئی تعلق نہ ہو۔ یہ ایک ٹائپ I غلطی (Type I error) 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 نہیں دکھا سکتا، جب کہ اصل میں، ایک حقیقی اثر موجود ہے - ایک جھوٹی نفی یا ٹائپ II غلطی (Type II error)۔

شامل کرنے 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۔

ہمیں امید ہے کہ ہم ایسا ڈیٹا اکٹھا کریں گے جو تمام انسانوں کی نمائندگی کرے، اور ہم چاہتے ہیں کہ ہمارے نتائج عملی طور پر بھی اہم ہوں اور شماریاتی طور پر بھی اہم ہوں۔ اپنے نمونے کے سیٹ کو کامیابی سے ڈیزائن کرنے کے لیے، نمونے لینے کی غلطی، ٹائپ I غلطی (جھوٹی مثبتیت)، یا ٹائپ II غلطی (جھوٹی نفی) کا حساب 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 بااثر بصری محرک کے درمیان کوئی تعلق یا اثر نہیں ہے۔

• مفروضہ (Hypothesis) - NAc میں ڈوپامائن کے اخراج کے وقت اور جذباتی طور پر بااثر بصری محرک کے درمیان ایک تعلق موجود ہے، اور ڈوپامائن کا زیادہ سے زیادہ اخراج بصری محرکات کو دیکھنے کے بعد ہوتا ہے۔

NAc میں ڈوپامائن کے اخراج کے وقت اور جذباتی طور پر بااثر 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۔

• ہمارے مشاہدہ کردہ اثرات کا اتفاقی نتیجہ ہونے کا اتنا ہی امکان ہے۔

آبادی کو سمجھنا؟

تجرباتی ڈیزائن میں عملی حدود۔

نیورو سائنس کی تحقیق میں، شمولیت کا ایک باضابطہ معیار عام طور پر نمونے لینے کی غلطیوں سے بچنے کے لیے پوری آبادی میں شمولیت کے امکان کو تصادفی اور/یا مساوی بنانے کی کوشش کرتا ہے۔ ہمیں صرف اس وجہ سے افراد کو منتخب کرنے سے بچنا چاہیے کیونکہ وہ ڈیٹا اکٹھا کرنے کے لیے سب سے قریب یا سب سے زیادہ قابل رسائی ہیں، کیونکہ یہ نمونے لینے کی غلطی کا نسخہ ہے۔

نمونہ سیٹ بنانے کا سب سے بہترین طریقہ شمولیت کے ایسے معیار کا استعمال کرنا ہے جو پوری آبادی میں انتخاب کے امکان کو تصادفی طور پر برابر کرتا ہے۔ مثال کے طور پر، مردم شماری کے ڈیٹا کا استعمال کرتے ہوئے، ہم اوہائیو کی ہر کاؤنٹی میں 50 تصادفی طور پر منتخب افراد کے لیے رابطہ کی معلومات حاصل کر سکتے ہیں۔ یہ انتخاب کے تعصب کو کم سے کم کرے گا کیونکہ تمام جغرافیائی علاقوں سے یکساں طور پر ناموں کا انتخاب تصادفی طور پر کیا جائے گا۔

تجرباتی ڈیزائن کو قائم کرنا، نمونے کا سائز بڑھانا، اور غیر جانبدارانہ، بے ترتیب، اور مساوی طور پر لاگو ہونے والے شمولیت کے معیار کو مکمل طور پر حاصل کرنا تیزی سے عملی حدود کے خلاف جا سکتا ہے۔ یہ علمی مشقوں سے لے کر مکمل تحقیقی یونیورسٹیوں تک، ہر سطح پر سائنسی تحقیق کا ایک مسئلہ ہے۔ عام طور پر، بجٹ اور ٹائم لائن کی حدود سب سے پہلے سمجھوتہ کرنے پر مجبور کرتی ہیں۔ مجموعی طور پر، شماریاتی اہمیت کے 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 اندازہ لگاتے ہیں جس کی وجہ سے بہت سے مطالعات کی کم نقل پذیری (reproducibility) ہوتی ہے۔ مزید برآں، نیورو سائنس کی تحقیق کی موروثی پیچیدگی شماریاتی طاقت کو اہم بناتی ہے۔

ایک طریقہ جو 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۔ تحقیق کو ڈیزائن کرنے کے لیے ایک مناسب نمونے کا سائز منتخب کرنا بہت ضروری ہے تاکہ:

• عملی دریافتیں کی جا سکیں۔

• دماغ میں ان گنت عملوں کے بارے میں ہماری سمجھ کو آگے بڑھایا جا سکے۔

• موثر علاج تیار کیے جا سکیں۔

معاصر نیورو سائنس کی تحقیق میں چیلنجوں پر قابو پانا: EmotivLAB پلیٹ فارم

نیورو سائنس ریسرچ کے تجرباتی ڈیزائنز کو قابل اعتماد شماریاتی اہمیت حاصل کرنے کے لیے نمونے کے بڑے گروپس کے سائز اور بہتر شمولیت کے معیار قائم کرنے پر زور دینا 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 - تحقیقی گروپوں کے لیے کم سے کم اضافی لاجسٹک کوششوں کے ساتھ نمونے کے سائز اور تمام ڈیموگرافکس کی شمولیت کو بہتر بنانا۔

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 کو واضح کرتا ہے۔ یونیورسٹی کی زیادہ تر تحقیق انتہائی محدود بجٹ پر ایسے تجرباتی مضامین پر کی جاتی ہے جو عام طور پر مغربی، تعلیم یافتہ اور صنعتی، امیر اور جمہوری ممالک سے ہوتے ہیں۔ تاہم، ڈیٹا جمع کرنے والے ریموٹ آلات، جیسے EmotivLABs کا EEG پلیٹ فارم، محققین کو کالج کیمپس سے باہر نکل کر ایسے نمونے کے گروپ تیار کرنے کی اجازت دیتے ہیں جو آبادی کی بہتر نمائندگی کرتے ہیں۔

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۔

EmotivLABs کا پلیٹ فارم اور دور دراز کا EEG سامان صرف محققین کو تجرباتی نمونے کے گروپوں میں شامل افراد کے تنوع کو بڑھانے میں مدد نہیں دے رہا ہے۔ یہ مجموعی نمونے کے سائز اور ہدف آبادیوں تک جغرافیائی رسائی کے حوالے سے مسائل کو بھی حل کرتا ہے۔

EmotivLABs پلیٹ فارم محققین کو موجودہ مروجہ رکاوٹوں سے آزاد کرتا ہے اور اس کے بجائے انہیں تجربات ڈیزائن کرنے اور نتائج کا تجزیہ کرنے پر اپنی توانائی مرکوز کرنے کی اجازت دیتا ہے۔ ہمارا پلیٹ فارم تجربے کو مطلوبہ موضوع کے پول میں موزوں ترین افراد کے ساتھ میل کھاتا ہے۔ شرکاء کو بھرتی کرنے، ان کو مربوط اور شیڈول کرنے، اور لیبارٹری میں ڈیٹا اکٹھا کرنے میں وقت گزارنے کی کوئی ضرورت نہیں ہے۔ بس صرف یہ ضرورت ہوتی 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 بہترین پورا اترتے ہیں۔ شرکاء اپنے گھروں میں، اپنے آلات کا استعمال کرتے ہوئے تجربات کر سکتے ہیں۔ ہیڈ سیٹ 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 کی جانچ 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 کے لیے ایک حل فراہم کرتی ہے:

• نمونے لینا (Sampling)

• آبادی (Population)

• شماریاتی اہمیت (Statistical significance)

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 تیار کرنے، اپنے تجربے کو محفوظ طریقے سے اور یقینی طور پر لاگو 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 کے لیے یا ڈیمو کی درخواست کرنے کے لیے یہاں کلک کریں۔