شماریاتی اہمیت: نمونہ سائز اور شماریاتی قوت
کوق منہ لائی
اپ ڈیٹ کیا گیا
7 فروری، 2024
شماریاتی اہمیت: نمونہ سائز اور شماریاتی قوت
کوق منہ لائی
اپ ڈیٹ کیا گیا
7 فروری، 2024
شماریاتی اہمیت: نمونہ سائز اور شماریاتی قوت
کوق منہ لائی
اپ ڈیٹ کیا گیا
7 فروری، 2024
شماریاتی اہمیت: نمونہ کا سائز اور شماریاتی طاقت - ہمارے ارد گرد کی دنیا کو سمجھنے کے لیے، محققین مشتبہ سچائیوں کو جھوٹ سے الگ کرنے کے لیے باضابطہ طور پر سائنسی طریقہ استعمال کرتے ہیں۔ علمی علم الاعصاب کا مقصد یہ سمجھنا ہے کہ جینیاتی، عصبیاتی، اور طرز عمل کی نظام کس طرح ایک جاندار کی حس کرنے، تعامل کرنے، پیمائش کرنے اور ان کے ارد گرد کی دنیا کے بارے میں سوچنے کی صلاحیت کو سپورٹ کرتے ہیں۔
اس کا مطلب ہے کہ علمی علم الاعصاب ہر سطح پر تجزیہ کرنے کے تجربات ڈیزائن کرتا ہے اور ڈیٹا جمع کرتا ہے۔ دنیا بھر میں تحقیقاتی پروگریمز قدرتی دنیا کی بہتر سمجھ بوجھ حاصل کرنے کے لیے معمولاً بامقصد طور پر چھوٹے تجربات کی ایک سلسلہ میں مفروضات کی جانچ کرتے ہیں۔ یہ تجربات مخصوص عناصر کو جانچنے کا عندیہ دیتے ہیں جو کسی نتیجہ پر اثر انداز ہونے یا نہ ہونے کی صلاحیت رکھتے ہیں جبکہ غیر متعلقہ عناصر جیسے ماحول، جنسی رجحان، نسل یا معاشرتی حیثیت کے اثر کو کم سے کم کرتے ہیں۔
منظرنامہ ایک: ڈوپامین کے اخراج کا مطالعہ
علمی علم الاعصاب میں، ڈوپامین کو عام طور پر ایک "خوشی پہنچانے والی" کیمیائی سمجھی جاتی ہے۔ Nucleus Acccumbens (NuAc) میں اس کا اخراج ان رویوں یا چیزوں کے ذریعے متحرک ہوتا ہے جو ہمیں برتاؤ کرنے کے لیے تحریک دیتے ہیں۔ یہ شامل ہو سکتے ہیں:
اچھا کھانا کھانا
محبوبوں کے ساتھ وقت گذارنا
جنسی تعلق
شوگر
فرض کریں کہ ہم پتہ لگانا چاہتے ہیں کہ NuAc میں ڈوپامین کی بلند سطحیں مطلوب یا واقف بصری محرک کے سامنے آنے سے پہلے، دوران یا بعد میں واقع ہوتی ہیں۔ ہم EEG تجرباتی ڈیزائن استعمال کر سکتے ہیں جو Amatya Johanna Mackintosh کی مطالعہ سے اپنایا گیا ہے۔ ہم مفروضہ پیش کر سکتے ہیں کہ ڈوپامین کی ریلیز دوران ہوتی ہے اور مطلوب یا واقف بصری محرک کے سامنے ہونے کے بعد تھوڑا سا عروج پر ہوتی ہے۔
اب، سب سے اہم بات یہ ہے کہ ہم ٹیسٹ مضامین کہاں سے حاصل کریں؟
تجرباتی حالات میں، "آبادی" کل بڑی گروپ کو کہا جاتا ہے جس کا مطالعہ کیا جا رہا ہے۔ یہ عملی طور پر ناقابل عمل اور ممکن نہیں ہے کہ آپ کی لیبارٹری سینکڑوں ہزاروں یا لاکھوں افراد پر ڈوپامائن کے اخراج کی ڈیٹا جمع کرنے کی تکنیک تیار کر سکے۔
لہذا، ہم آبادی کو سمجھنے کے لیے ایک چھوٹے، نمائندہ گروپ یا نمونہ سے ڈیٹا جمع کرنے کی کوشش کریں گے۔ ایسا کرنے کے لیے، ہمیں دو اہم سوالات کے جواب دینے کی ضرورت ہو گی۔
ہمارے نمونے میں کتنے افراد شامل کرنے ہوں گے؟
یہ عملی اہمیت اور شماریاتی طاقت کے ساتھ کیسے متعلق ہے؟
آئیے اسے نیچے تقسیم کرتے ہیں۔
شماریاتی طاقت اور حقیقی اثر
شماریاتی طاقت کی تعریف ایک ٹیسٹ کے ذریعہ ایک شماریاتی اہم فرق کو چھانٹنے کی احتمال کے طور پر کی جاتی ہے جب اس قسم کا فرق واقعی موجود ہوتا ہے۔ اسے حقیقی اثر بھی کہا جاتا ہے۔
حقیقی اثر تجرباتی ڈیزائن کا سنگ بنیاد ہے۔کوہن کی 1988 کی رپورٹ, سائنسی طریقہ کا ملحوظ لحاظ کرنے کے لیے مشہور ہے، نے دلیل دی کہ ایک مطالعہ کو اس طرح ڈیزائن کیا جانا چاہیے کہ اس میں 80٪ حقیقی اثر کو چھانٹنے کی احتمال ہو۔ یہ 80٪ ایک اعلیٰ طاقت (HP) ٹیسٹ ڈیزائن کی نمائیدگی کرتا ہے، جبکہ کوئی قدر 20٪ کے قریب کم طاقت (LP) ٹیسٹ ڈیزائن کا مظہر ہوتی ہے۔
کوہن نے تجویز دی کہ مطالعہ کو ہمیشہ 20٪ سے کم احتمال ڈیزائن کیا جانا چاہیے کہ وہ ایک قسم II غلطی کرے، جسے غلط منفی کے نام سے جانا جاتا ہے۔ وہ ان ہی گائیڈ لائن کی حدود کو استعمال کیا کرتا ہے کھوئی ہوئی دریافتوں کے لیے، جو اس وقت ہوتی ہیں جب ایک محقق غلطی سے رپورٹ کرتا ہے کہ کوئی اہم اثر نہیں ہے جبکہ فرق واقعی موجود ہوتا ہے۔
شماریاتی طاقت کیوں اہم ہے؟
اس منظرنامے کے بارے میں سوچیں۔ اگر 100 مختلف مطالعوں میں حقیقی اثر موجود ہے جن کی طاقت 80٪ ہے، تو شماریاتی ٹیسٹ 100 میں سے 80 میں حقیقی اثر کو چھانٹ لے گا۔ تاہم، جب ایک مطالعہ کی تحقیقی طاقت 20٪ ہے، اگر نتائج میں 100 جینیئن غیر-نل اثرات موجود ہیں، تو یہ مطالعے متوقع طور پر صرف 20 اثرات کو دریافت کریں۔
علم الاعصاب کے تحقیقی شماریاتی طاقت کی کمیانیاں
یہ حیرانی کی بات نہیں ہے کہ علم الاعصاب کی تحقیق کی وسائل کی گہرائی کے سبب اس میدان کی اوسط شماریاتی طاقت تقریباً 21٪ ہے اور 8٪-31٪ کے ایک وسیع حد میں اوسط نمبر میں سمائی جاتی ہے. علم الاعصاب کی تحقیق میں کم شماریاتی طاقت:
نتائج کی تقلید کی قابل اعتمادیت پر شک کرتا ہے۔
اثر کے سائز کو بڑھاتا ہے۔
شماریاتی طور پر اہم نتائج کی احتمال کو کم کرتا ہے جو حقیقی اثر کی درست نمائیدگی کرتے ہیں۔
اس طرح، علم الاعصاب کی تحقیق کی حاضر حالت اقتداری طاقت کے مسئلے کے قابو میں ہے کیونکہ یہ اقدار کوہن کی نظریاتی حد کے بہت نیچے ہیں۔
نمائندہ نمونہ گروپوں کا قیام
منظر نامہ ایک کا مقصد: ہمارے ٹیسٹ میں شامل کرتے ہوئے اور بڑے نمونے کے ساتھ sampling errors اور قسم I اور II کی غلطیوں سے بچنا۔
اگر ہم تجربہ کو عملی طور پر اہم بنانا چاہتے ہیں تو ہمارے نمونہ گروپ میں کتنے انسانی دماغ کے اسکین شامل کرنا ہوں گے؟ عملی اہمیت یہ کہتی ہے کہ آیا یا نہیں نتیجہات واقعی دنیا میں لاگو ہوتے ہیں۔
ایک علم الاعصاب کے عالم کے تجربہ کی صلاحیت اثرات (شماریاتی طاقت) کا فیصلہ کرنے کی نمونہ کے سائز سے متعلق ہے۔ منظر نامہ 1 کے پیرامیٹرز کو جاری رکھتے ہوئے، ہمارا مقصد پھر بھی اتنا ڈیٹا جمع کرنا ہے کہ ہم شماریاتی طور پر یہ منصوبہ بنا سکیں کہ جذباتی صفاء میں بصری محرکات کے بعد ڈوپامائن کی ریلیز کی وقت میں حقیقی اثر ہے۔ ہمیں ایسے نمونہ میں شامل کرنے کے معیار بھی ترتیب دینا ہوگا جو sampling error کی احتمال کو کم کرتا ہے۔
Sampling Errors سے بچنے کا طریقہ
آگے بڑھنے سے پہلے دو اصطلاحات کو سمجھنا اہم ہے۔
Sampling error: Sampling کے دوران، منتخب کردہ افراد کے جمع کردہ ڈیٹا کے بارے میں ہمیشہ ایک امکان ہوتا ہے کہ وہ آبادی کی نمائندگی نہیں کرتا۔
شماریاتی اہمیت: شماریاتی اہمیت کا مطلب ہے کہ ہمارے ڈیٹا اور ہمارے مشاہدہ کردہ اثرات ممکنہ طور پر حقیقی اثرات ہیں۔ زیادہ تر حیاتیاتی طبی سائنس میں، شماریاتی اہمیت ایک اہمیت کی سطح یا p-value کے ساتھ .05 کے ذریعہ قائم کی جاتی ہے۔ بنیادی طور پر، یہ مطلب ہے کہ سائنسدان اپنی تجربہات میں مشاہدہ کردہ اثر کے بارے میں 95% یقین رکھتے ہیں۔
فرض کریں اگر ڈیٹا ایک تعلق کو ظاہر کرتا ہے (مثلاً، ڈوپامائن کے اخراج)، 5٪ امکان ہوتا ہے کہ اثر کسی اتفاق سے ہے اور متغیر (بصری محرکات) کے علاوہ ہے۔ یہ قسم I کی غلطی ہوگی۔ دوسری طرف، 5٪ امکان ہوتا ہے کہ ہمارے جمع کردہ ڈیٹا بصری محرکات کو ڈوپامائن کے اخراج کے درمیان کوئی تعلق ظاہر نہیں کرتا حالانکہ اصل میں تاثیر وایقناً ہے - غلط منفی یا قسم II کی غلطی۔
شمولیت کے معیار کو احتیاط سے قائم کرنا زیادہ مؤثر ہوتا ہے کیونکہ ایک مخصوص نمونہ کے بعد کم فائدہ کا نقطہ آتا ہے۔
ہمارا امید ہے کہ ہم تمام انسانوں کی نمائندگی کرنے والا ڈیٹا جمع کریں گے، اور ہم چاہتے ہیں کہ ہمارے نتائج عملی طور پر اہم اور شماریاتی طور پر اہم ہوں۔ ہمارا نمونہ سیٹ کامیابی سے ڈیزائن کرنے کے لیے، sampling error، قسمI کی غلطی (غلط مثبت)، یا قسم II کی غلطی (غلط منفی) کے حساب کتاب اور بچاؤ کی ضرورت ہے۔
ہمارا تجربہ مندرجہ ذیل مفروضہ کی جانچ کر رہا ہے:
غیر مفروضہ - NAc میں ڈوپامائن کے اخراج کی وقت کے درمیان اور جذباتی والینس بصری محرکات کے درمیان کوئی تعلق یا اثر نہیں ہے۔
مفروضہ - NAc میں ڈوپامائن کے اخراج کی وقت کے درمیان اور جذباتی والینس بصری محرکات کے درمیان تعلق ہے، اور بصری محرکات کو دیکھنے کے بعد ڈوپامائن کی ریلیز بنیادی عروج پر ہوتی ہے۔
NAc میں ڈوپامین کے اخراج کی وقت کے درمیان اور جذباتی والینس بصری محرکات کے درمیان تعلق موجود ہے۔ جب ڈیٹا شماریاتی طور پر اہم نہیں ہوتا:
ہمارا مفروضہ مسترد ہوتا ہے۔
کوئی حقیقی اثر یا فرق نہیں پایا جاتا۔
ہمارے مشاہدہ کردہ اثرات ممکنہ طور پر اتفاقی ہونے کی وجہ سے بھی ہو سکتے ہیں۔
آبادی کو سمجھنا؟
تجربے کے ڈیزائن میں عملی حدات۔
علم الاعصاب کی تحقیق میں، ایک باضابطہ شمولیت کے معیار عام طور پر randomize کرنے یا تمام آبادی میں شمولیت کے امکان کو برابر کرنے کی کوشش کرتا ہے تاکہ sampling errors سے بچا جا سکے۔ ہمیں انتخابی افراد کو ان کے قریب یا ڈیٹا جمع کرنے کے لحاظ سے زیادہ آسان ہونے کی وجہ سے منتخب کرنے سے بچنا چاہیے کیونکہ یہ sampling error کے تحریری نسخہ ہے۔
نمونہ سیٹ کی جنریشن کے لئے بہترین طریقہ یہ ہے کہ شمولیت کے معیار استعمال کر کے انتخابی ترازو کو تمام آبادی میں یکساں کرتے ہوئے randomize کیا جائے۔ مثال کے طور پر، مردم شماری کے ڈیٹا کو استعمال کر کے، ہم اوہایو کی ہر کاؤنٹی میں 50 افراد کو random ٹھیک کرتے ہوئے رابطہ کی معلومات حاصل کر سکتے ہیں۔ یہ انتخابی تعصب کو کم کرے گا کیوں کہ ناموں کا random طرز پر تمام جغرافیائی علاقوں سے منتخب کیا جائے گا۔
تجرباتی ڈیزائن کو قائم کرنا، نمونہ کے سائز کو بڑھانا، اور غیر نئے، random, اور یکساں اطلاقی شمولیت کے معیار کو پورا کر کے جلد ہی عملی حدات کے خلاف چلے جاتے ہیں۔ یہ سائنسی تحقیق کے ہر سطح پر مسئلہ ہے، تعلیمی مسلمہ سے مکمل تحقیقاتی یونیورسٹیوں تک۔ عمومی طور پر، بجٹ کا حد اور وقت کیحدات پہلے مصالحت کرنے کو مجبور کرتی ہیں۔ اجتماعی طور پر، شماریاتی اہمیت کے مسائل پر تحقیق کی سرگرمی ہو رہی ہے۔
حقیقی اثر کا سائز کیا ہے؟
کم شماریاتی طاقت کی وجہ سے، علم الاعصاب کی تحقیق میں ہم حقیقی اثر کا سائز بڑھا دیتے ہیں جس سے متعدد مطالعوں کی کم تقلیدیت پیدا ہوتی ہے۔ مزید یہ، علم الاعصاب کی تحقیق کی پیچیدگی کے جو ہر جگہ میں شماریاتی طاقت کو اہم بناتا ہے۔
ایک طریقہ جو میدان اپنان سکتا ہے وہ ہے کہ مطالعہ کی طاقت کو بڑھا کر نمونہ کے سائز کو بڑھا دیا جائے۔ یہ حقیقی اثر کی چھانٹی کرنے کی احتمال کو بڑھاتا ہے۔ مناسب نمونہ سائز کو منتخب کرنا تحقیق کے ڈیزائن کے
واقعتی دریافتیں کرتی ہیں۔
دماغ کے بے شمار عملوں کی سمجھ بوجھ کو آگے بڑھاتی ہیں۔
موثرہ علاجی طریقے بناتی ہیں۔
عصر حاضر علم الاعصاب میں تحقیق کے چیلنجز کا سامنا: EmotivLAB Platform
علم الاعصاب کی تحقیق کے تجرباتی ڈیزائنز کو قابل اعتماد شماریاتی اہمیت حاصل کرنے کے لئے بڑے نمونہ گروپ سائز اور بہتر شمولیت کے معیار قائم کرنا چاہئے۔ایموٹیو لیب کے جیسے کراوڈ-سورس انیبلڈ پلیٹفارم کے ذریعہ رسائی کے ساتھ، محققین کو ممکنہ طور پر زیادہ متنوع، زیادہ نمائندہ موضوع افراد تک رسائی فراہم کی جاتی ہے - نمونہ سائز کو بہتر بنایا جا رہا ہے اور تمام مقسومیوں کی شمولیت کے ساتھ معمولی اضافی لاجسٹک کوشش کے بغیر تحقیقاتی گروپوں کے لئے۔
جدید علم الاعصاب کی تحقیق میں محدود دستیاب وسائل کے ذریعے تجرباتی نمونہ سیٹ کی متنوع گروپ کو بھرتی کرنے کے لئے نمونہ نہیں ہونا والی غلطیوں کی کمزوری ہو سکتی ہے۔ "عجیب گروپ" کا تصور مسئلہ کو ان کیمرے میں پیش کرتا ہے۔ زیادہ تر یونیورسٹی کی تحقیق مختصر بجٹ پر کی جاتی ہے اور عام طور پر تجرباتی موضوعات جو مغربی، تعلیم یافتہ، صنعتی، امیر، اور جمہوری ممالک سے ہوتے ہیں۔ تاہم، دور دراز ڈیٹا جمع کرنے کا سامان، جیسے EmotivLABs کے EEG platform, محققین کوکالج کیمپس کے باہر نمونہ گروپوں کو بھرتی کرنے کے لئے آبادی کو بہتر طور پر منعکس کرنے کے لئے مدد دیتا ہے۔
ایموٹولیبز کے پلیٹفارم اور دور دراز EEG سازوسامان نہ صرف محققین کو تجرباتی نمونہ گروپوں میں شامل افراد کی تنوع کو بڑھانے میں مدد دیتا ہے بلکہ وہ نمونہ کے سائز اور جغرافیائی پہنچ میں بھی سامپلنگ کو ہدفی آبادیوں تک میڈیٹ کرنے کی مسائل حل کرتا ہے۔
ایموٹولیبز کا پلیٹفارم محققین کو حالیہ پابندیوں سے آزاد کرتا ہے اور اس کے بجائے انہیں تجربات کے ڈیزائن بنانے اور نتائج کا تجزیہ کرنے کے کاروبار میں توانائی پر توجہ مرکوز کرنے کی اجازت دیتا ہے۔ ہمارا پلیٹفارم تجربہ کو موضوع کے پول میں سب سے موزوں افراد کے ساتھ ملاتا ہے۔ کوئی ضرورت نہیں ہے کہ شرکاء کو بھرتی کرنے، ان کی ہم آہنگی اور شیڈولنگ کرنے، اور ان لیب ڈیٹا جمع کرنے کی تنظیم کریں۔ صرف یہ ضروری ہے کہ مطلوبہ مقسومی آن لائن پلیٹفارم میں بیان کیا جائے، اور ایموٹولیبز تجربہ کو ان شرکاء کو دستیاب کرتی ہے جو مطلوبہ پیرامیٹرز کے مطابق ہونے کے لئے بہترین تجویز کرتے ہیں۔ شرکاء اپنے اپنے گھر میں اپنے اپنے سامان کا استعمال کرتے ہوئے تجربات کر سکتے ہیں۔ ہیڈسیٹ کے استعمال میں ان کی مہارت کا غائب کرنا محققین کو ہدایت فراہم کرنے کی ضرورت کو ختم کرتا ہے۔
اس سے زیادہ، ایموٹولیبز کا پلیٹفارم خودکار EEG ریکارڈنگ ڈیٹا کوالٹی کنٹرول اور تجزیہ فراہم کرتا ہے۔ کم کوالٹی کے ڈیٹا کی بڑی مقدار سامپلنگ یا شماریاتی غلطیوں سے بچاؤ میں مدد نہیں کرتا تجرباتی ڈیزائنز کے ان میں۔ اس کے برعکس، زیادہ اعلیٰ کوالٹی کے ڈیٹا تک رسائیغلطیوں سے بچنے میں مدد کرتی ہے:
سامپلنگ
آبادی
شماریاتی اہمیت
ایموٹولیبز پلیٹفارم آپ کی تحقیق کے لئے کیا کر سکتی ہے جاننے کی خواہش؟
ایموٹولیبز آپ کو اپنے تجربے کو تیار کرنے، محفوظ اور مؤثر طریقے سے دھماک کرنے، ایک عالمی پینل سے تصدیق شدہ شرکاء کو بھرتی کرنے، اور اعلیٰ کوالٹی EEG ڈیٹا جمع کرنے کے لئے ایک پلیٹفارم سے فعال بناتی ہے۔ یہاں کلک کریں مزید معلومات حاصل کرنے یا ایک ڈیمو درخواست کرنے کے لئے۔
شماریاتی اہمیت: نمونہ کا سائز اور شماریاتی طاقت - ہمارے ارد گرد کی دنیا کو سمجھنے کے لیے، محققین مشتبہ سچائیوں کو جھوٹ سے الگ کرنے کے لیے باضابطہ طور پر سائنسی طریقہ استعمال کرتے ہیں۔ علمی علم الاعصاب کا مقصد یہ سمجھنا ہے کہ جینیاتی، عصبیاتی، اور طرز عمل کی نظام کس طرح ایک جاندار کی حس کرنے، تعامل کرنے، پیمائش کرنے اور ان کے ارد گرد کی دنیا کے بارے میں سوچنے کی صلاحیت کو سپورٹ کرتے ہیں۔
اس کا مطلب ہے کہ علمی علم الاعصاب ہر سطح پر تجزیہ کرنے کے تجربات ڈیزائن کرتا ہے اور ڈیٹا جمع کرتا ہے۔ دنیا بھر میں تحقیقاتی پروگریمز قدرتی دنیا کی بہتر سمجھ بوجھ حاصل کرنے کے لیے معمولاً بامقصد طور پر چھوٹے تجربات کی ایک سلسلہ میں مفروضات کی جانچ کرتے ہیں۔ یہ تجربات مخصوص عناصر کو جانچنے کا عندیہ دیتے ہیں جو کسی نتیجہ پر اثر انداز ہونے یا نہ ہونے کی صلاحیت رکھتے ہیں جبکہ غیر متعلقہ عناصر جیسے ماحول، جنسی رجحان، نسل یا معاشرتی حیثیت کے اثر کو کم سے کم کرتے ہیں۔
منظرنامہ ایک: ڈوپامین کے اخراج کا مطالعہ
علمی علم الاعصاب میں، ڈوپامین کو عام طور پر ایک "خوشی پہنچانے والی" کیمیائی سمجھی جاتی ہے۔ Nucleus Acccumbens (NuAc) میں اس کا اخراج ان رویوں یا چیزوں کے ذریعے متحرک ہوتا ہے جو ہمیں برتاؤ کرنے کے لیے تحریک دیتے ہیں۔ یہ شامل ہو سکتے ہیں:
اچھا کھانا کھانا
محبوبوں کے ساتھ وقت گذارنا
جنسی تعلق
شوگر
فرض کریں کہ ہم پتہ لگانا چاہتے ہیں کہ NuAc میں ڈوپامین کی بلند سطحیں مطلوب یا واقف بصری محرک کے سامنے آنے سے پہلے، دوران یا بعد میں واقع ہوتی ہیں۔ ہم EEG تجرباتی ڈیزائن استعمال کر سکتے ہیں جو Amatya Johanna Mackintosh کی مطالعہ سے اپنایا گیا ہے۔ ہم مفروضہ پیش کر سکتے ہیں کہ ڈوپامین کی ریلیز دوران ہوتی ہے اور مطلوب یا واقف بصری محرک کے سامنے ہونے کے بعد تھوڑا سا عروج پر ہوتی ہے۔
اب، سب سے اہم بات یہ ہے کہ ہم ٹیسٹ مضامین کہاں سے حاصل کریں؟
تجرباتی حالات میں، "آبادی" کل بڑی گروپ کو کہا جاتا ہے جس کا مطالعہ کیا جا رہا ہے۔ یہ عملی طور پر ناقابل عمل اور ممکن نہیں ہے کہ آپ کی لیبارٹری سینکڑوں ہزاروں یا لاکھوں افراد پر ڈوپامائن کے اخراج کی ڈیٹا جمع کرنے کی تکنیک تیار کر سکے۔
لہذا، ہم آبادی کو سمجھنے کے لیے ایک چھوٹے، نمائندہ گروپ یا نمونہ سے ڈیٹا جمع کرنے کی کوشش کریں گے۔ ایسا کرنے کے لیے، ہمیں دو اہم سوالات کے جواب دینے کی ضرورت ہو گی۔
ہمارے نمونے میں کتنے افراد شامل کرنے ہوں گے؟
یہ عملی اہمیت اور شماریاتی طاقت کے ساتھ کیسے متعلق ہے؟
آئیے اسے نیچے تقسیم کرتے ہیں۔
شماریاتی طاقت اور حقیقی اثر
شماریاتی طاقت کی تعریف ایک ٹیسٹ کے ذریعہ ایک شماریاتی اہم فرق کو چھانٹنے کی احتمال کے طور پر کی جاتی ہے جب اس قسم کا فرق واقعی موجود ہوتا ہے۔ اسے حقیقی اثر بھی کہا جاتا ہے۔
حقیقی اثر تجرباتی ڈیزائن کا سنگ بنیاد ہے۔کوہن کی 1988 کی رپورٹ, سائنسی طریقہ کا ملحوظ لحاظ کرنے کے لیے مشہور ہے، نے دلیل دی کہ ایک مطالعہ کو اس طرح ڈیزائن کیا جانا چاہیے کہ اس میں 80٪ حقیقی اثر کو چھانٹنے کی احتمال ہو۔ یہ 80٪ ایک اعلیٰ طاقت (HP) ٹیسٹ ڈیزائن کی نمائیدگی کرتا ہے، جبکہ کوئی قدر 20٪ کے قریب کم طاقت (LP) ٹیسٹ ڈیزائن کا مظہر ہوتی ہے۔
کوہن نے تجویز دی کہ مطالعہ کو ہمیشہ 20٪ سے کم احتمال ڈیزائن کیا جانا چاہیے کہ وہ ایک قسم II غلطی کرے، جسے غلط منفی کے نام سے جانا جاتا ہے۔ وہ ان ہی گائیڈ لائن کی حدود کو استعمال کیا کرتا ہے کھوئی ہوئی دریافتوں کے لیے، جو اس وقت ہوتی ہیں جب ایک محقق غلطی سے رپورٹ کرتا ہے کہ کوئی اہم اثر نہیں ہے جبکہ فرق واقعی موجود ہوتا ہے۔
شماریاتی طاقت کیوں اہم ہے؟
اس منظرنامے کے بارے میں سوچیں۔ اگر 100 مختلف مطالعوں میں حقیقی اثر موجود ہے جن کی طاقت 80٪ ہے، تو شماریاتی ٹیسٹ 100 میں سے 80 میں حقیقی اثر کو چھانٹ لے گا۔ تاہم، جب ایک مطالعہ کی تحقیقی طاقت 20٪ ہے، اگر نتائج میں 100 جینیئن غیر-نل اثرات موجود ہیں، تو یہ مطالعے متوقع طور پر صرف 20 اثرات کو دریافت کریں۔
علم الاعصاب کے تحقیقی شماریاتی طاقت کی کمیانیاں
یہ حیرانی کی بات نہیں ہے کہ علم الاعصاب کی تحقیق کی وسائل کی گہرائی کے سبب اس میدان کی اوسط شماریاتی طاقت تقریباً 21٪ ہے اور 8٪-31٪ کے ایک وسیع حد میں اوسط نمبر میں سمائی جاتی ہے. علم الاعصاب کی تحقیق میں کم شماریاتی طاقت:
نتائج کی تقلید کی قابل اعتمادیت پر شک کرتا ہے۔
اثر کے سائز کو بڑھاتا ہے۔
شماریاتی طور پر اہم نتائج کی احتمال کو کم کرتا ہے جو حقیقی اثر کی درست نمائیدگی کرتے ہیں۔
اس طرح، علم الاعصاب کی تحقیق کی حاضر حالت اقتداری طاقت کے مسئلے کے قابو میں ہے کیونکہ یہ اقدار کوہن کی نظریاتی حد کے بہت نیچے ہیں۔
نمائندہ نمونہ گروپوں کا قیام
منظر نامہ ایک کا مقصد: ہمارے ٹیسٹ میں شامل کرتے ہوئے اور بڑے نمونے کے ساتھ sampling errors اور قسم I اور II کی غلطیوں سے بچنا۔
اگر ہم تجربہ کو عملی طور پر اہم بنانا چاہتے ہیں تو ہمارے نمونہ گروپ میں کتنے انسانی دماغ کے اسکین شامل کرنا ہوں گے؟ عملی اہمیت یہ کہتی ہے کہ آیا یا نہیں نتیجہات واقعی دنیا میں لاگو ہوتے ہیں۔
ایک علم الاعصاب کے عالم کے تجربہ کی صلاحیت اثرات (شماریاتی طاقت) کا فیصلہ کرنے کی نمونہ کے سائز سے متعلق ہے۔ منظر نامہ 1 کے پیرامیٹرز کو جاری رکھتے ہوئے، ہمارا مقصد پھر بھی اتنا ڈیٹا جمع کرنا ہے کہ ہم شماریاتی طور پر یہ منصوبہ بنا سکیں کہ جذباتی صفاء میں بصری محرکات کے بعد ڈوپامائن کی ریلیز کی وقت میں حقیقی اثر ہے۔ ہمیں ایسے نمونہ میں شامل کرنے کے معیار بھی ترتیب دینا ہوگا جو sampling error کی احتمال کو کم کرتا ہے۔
Sampling Errors سے بچنے کا طریقہ
آگے بڑھنے سے پہلے دو اصطلاحات کو سمجھنا اہم ہے۔
Sampling error: Sampling کے دوران، منتخب کردہ افراد کے جمع کردہ ڈیٹا کے بارے میں ہمیشہ ایک امکان ہوتا ہے کہ وہ آبادی کی نمائندگی نہیں کرتا۔
شماریاتی اہمیت: شماریاتی اہمیت کا مطلب ہے کہ ہمارے ڈیٹا اور ہمارے مشاہدہ کردہ اثرات ممکنہ طور پر حقیقی اثرات ہیں۔ زیادہ تر حیاتیاتی طبی سائنس میں، شماریاتی اہمیت ایک اہمیت کی سطح یا p-value کے ساتھ .05 کے ذریعہ قائم کی جاتی ہے۔ بنیادی طور پر، یہ مطلب ہے کہ سائنسدان اپنی تجربہات میں مشاہدہ کردہ اثر کے بارے میں 95% یقین رکھتے ہیں۔
فرض کریں اگر ڈیٹا ایک تعلق کو ظاہر کرتا ہے (مثلاً، ڈوپامائن کے اخراج)، 5٪ امکان ہوتا ہے کہ اثر کسی اتفاق سے ہے اور متغیر (بصری محرکات) کے علاوہ ہے۔ یہ قسم I کی غلطی ہوگی۔ دوسری طرف، 5٪ امکان ہوتا ہے کہ ہمارے جمع کردہ ڈیٹا بصری محرکات کو ڈوپامائن کے اخراج کے درمیان کوئی تعلق ظاہر نہیں کرتا حالانکہ اصل میں تاثیر وایقناً ہے - غلط منفی یا قسم II کی غلطی۔
شمولیت کے معیار کو احتیاط سے قائم کرنا زیادہ مؤثر ہوتا ہے کیونکہ ایک مخصوص نمونہ کے بعد کم فائدہ کا نقطہ آتا ہے۔
ہمارا امید ہے کہ ہم تمام انسانوں کی نمائندگی کرنے والا ڈیٹا جمع کریں گے، اور ہم چاہتے ہیں کہ ہمارے نتائج عملی طور پر اہم اور شماریاتی طور پر اہم ہوں۔ ہمارا نمونہ سیٹ کامیابی سے ڈیزائن کرنے کے لیے، sampling error، قسمI کی غلطی (غلط مثبت)، یا قسم II کی غلطی (غلط منفی) کے حساب کتاب اور بچاؤ کی ضرورت ہے۔
ہمارا تجربہ مندرجہ ذیل مفروضہ کی جانچ کر رہا ہے:
غیر مفروضہ - NAc میں ڈوپامائن کے اخراج کی وقت کے درمیان اور جذباتی والینس بصری محرکات کے درمیان کوئی تعلق یا اثر نہیں ہے۔
مفروضہ - NAc میں ڈوپامائن کے اخراج کی وقت کے درمیان اور جذباتی والینس بصری محرکات کے درمیان تعلق ہے، اور بصری محرکات کو دیکھنے کے بعد ڈوپامائن کی ریلیز بنیادی عروج پر ہوتی ہے۔
NAc میں ڈوپامین کے اخراج کی وقت کے درمیان اور جذباتی والینس بصری محرکات کے درمیان تعلق موجود ہے۔ جب ڈیٹا شماریاتی طور پر اہم نہیں ہوتا:
ہمارا مفروضہ مسترد ہوتا ہے۔
کوئی حقیقی اثر یا فرق نہیں پایا جاتا۔
ہمارے مشاہدہ کردہ اثرات ممکنہ طور پر اتفاقی ہونے کی وجہ سے بھی ہو سکتے ہیں۔
آبادی کو سمجھنا؟
تجربے کے ڈیزائن میں عملی حدات۔
علم الاعصاب کی تحقیق میں، ایک باضابطہ شمولیت کے معیار عام طور پر randomize کرنے یا تمام آبادی میں شمولیت کے امکان کو برابر کرنے کی کوشش کرتا ہے تاکہ sampling errors سے بچا جا سکے۔ ہمیں انتخابی افراد کو ان کے قریب یا ڈیٹا جمع کرنے کے لحاظ سے زیادہ آسان ہونے کی وجہ سے منتخب کرنے سے بچنا چاہیے کیونکہ یہ sampling error کے تحریری نسخہ ہے۔
نمونہ سیٹ کی جنریشن کے لئے بہترین طریقہ یہ ہے کہ شمولیت کے معیار استعمال کر کے انتخابی ترازو کو تمام آبادی میں یکساں کرتے ہوئے randomize کیا جائے۔ مثال کے طور پر، مردم شماری کے ڈیٹا کو استعمال کر کے، ہم اوہایو کی ہر کاؤنٹی میں 50 افراد کو random ٹھیک کرتے ہوئے رابطہ کی معلومات حاصل کر سکتے ہیں۔ یہ انتخابی تعصب کو کم کرے گا کیوں کہ ناموں کا random طرز پر تمام جغرافیائی علاقوں سے منتخب کیا جائے گا۔
تجرباتی ڈیزائن کو قائم کرنا، نمونہ کے سائز کو بڑھانا، اور غیر نئے، random, اور یکساں اطلاقی شمولیت کے معیار کو پورا کر کے جلد ہی عملی حدات کے خلاف چلے جاتے ہیں۔ یہ سائنسی تحقیق کے ہر سطح پر مسئلہ ہے، تعلیمی مسلمہ سے مکمل تحقیقاتی یونیورسٹیوں تک۔ عمومی طور پر، بجٹ کا حد اور وقت کیحدات پہلے مصالحت کرنے کو مجبور کرتی ہیں۔ اجتماعی طور پر، شماریاتی اہمیت کے مسائل پر تحقیق کی سرگرمی ہو رہی ہے۔
حقیقی اثر کا سائز کیا ہے؟
کم شماریاتی طاقت کی وجہ سے، علم الاعصاب کی تحقیق میں ہم حقیقی اثر کا سائز بڑھا دیتے ہیں جس سے متعدد مطالعوں کی کم تقلیدیت پیدا ہوتی ہے۔ مزید یہ، علم الاعصاب کی تحقیق کی پیچیدگی کے جو ہر جگہ میں شماریاتی طاقت کو اہم بناتا ہے۔
ایک طریقہ جو میدان اپنان سکتا ہے وہ ہے کہ مطالعہ کی طاقت کو بڑھا کر نمونہ کے سائز کو بڑھا دیا جائے۔ یہ حقیقی اثر کی چھانٹی کرنے کی احتمال کو بڑھاتا ہے۔ مناسب نمونہ سائز کو منتخب کرنا تحقیق کے ڈیزائن کے
واقعتی دریافتیں کرتی ہیں۔
دماغ کے بے شمار عملوں کی سمجھ بوجھ کو آگے بڑھاتی ہیں۔
موثرہ علاجی طریقے بناتی ہیں۔
عصر حاضر علم الاعصاب میں تحقیق کے چیلنجز کا سامنا: EmotivLAB Platform
علم الاعصاب کی تحقیق کے تجرباتی ڈیزائنز کو قابل اعتماد شماریاتی اہمیت حاصل کرنے کے لئے بڑے نمونہ گروپ سائز اور بہتر شمولیت کے معیار قائم کرنا چاہئے۔ایموٹیو لیب کے جیسے کراوڈ-سورس انیبلڈ پلیٹفارم کے ذریعہ رسائی کے ساتھ، محققین کو ممکنہ طور پر زیادہ متنوع، زیادہ نمائندہ موضوع افراد تک رسائی فراہم کی جاتی ہے - نمونہ سائز کو بہتر بنایا جا رہا ہے اور تمام مقسومیوں کی شمولیت کے ساتھ معمولی اضافی لاجسٹک کوشش کے بغیر تحقیقاتی گروپوں کے لئے۔
جدید علم الاعصاب کی تحقیق میں محدود دستیاب وسائل کے ذریعے تجرباتی نمونہ سیٹ کی متنوع گروپ کو بھرتی کرنے کے لئے نمونہ نہیں ہونا والی غلطیوں کی کمزوری ہو سکتی ہے۔ "عجیب گروپ" کا تصور مسئلہ کو ان کیمرے میں پیش کرتا ہے۔ زیادہ تر یونیورسٹی کی تحقیق مختصر بجٹ پر کی جاتی ہے اور عام طور پر تجرباتی موضوعات جو مغربی، تعلیم یافتہ، صنعتی، امیر، اور جمہوری ممالک سے ہوتے ہیں۔ تاہم، دور دراز ڈیٹا جمع کرنے کا سامان، جیسے EmotivLABs کے EEG platform, محققین کوکالج کیمپس کے باہر نمونہ گروپوں کو بھرتی کرنے کے لئے آبادی کو بہتر طور پر منعکس کرنے کے لئے مدد دیتا ہے۔
ایموٹولیبز کے پلیٹفارم اور دور دراز EEG سازوسامان نہ صرف محققین کو تجرباتی نمونہ گروپوں میں شامل افراد کی تنوع کو بڑھانے میں مدد دیتا ہے بلکہ وہ نمونہ کے سائز اور جغرافیائی پہنچ میں بھی سامپلنگ کو ہدفی آبادیوں تک میڈیٹ کرنے کی مسائل حل کرتا ہے۔
ایموٹولیبز کا پلیٹفارم محققین کو حالیہ پابندیوں سے آزاد کرتا ہے اور اس کے بجائے انہیں تجربات کے ڈیزائن بنانے اور نتائج کا تجزیہ کرنے کے کاروبار میں توانائی پر توجہ مرکوز کرنے کی اجازت دیتا ہے۔ ہمارا پلیٹفارم تجربہ کو موضوع کے پول میں سب سے موزوں افراد کے ساتھ ملاتا ہے۔ کوئی ضرورت نہیں ہے کہ شرکاء کو بھرتی کرنے، ان کی ہم آہنگی اور شیڈولنگ کرنے، اور ان لیب ڈیٹا جمع کرنے کی تنظیم کریں۔ صرف یہ ضروری ہے کہ مطلوبہ مقسومی آن لائن پلیٹفارم میں بیان کیا جائے، اور ایموٹولیبز تجربہ کو ان شرکاء کو دستیاب کرتی ہے جو مطلوبہ پیرامیٹرز کے مطابق ہونے کے لئے بہترین تجویز کرتے ہیں۔ شرکاء اپنے اپنے گھر میں اپنے اپنے سامان کا استعمال کرتے ہوئے تجربات کر سکتے ہیں۔ ہیڈسیٹ کے استعمال میں ان کی مہارت کا غائب کرنا محققین کو ہدایت فراہم کرنے کی ضرورت کو ختم کرتا ہے۔
اس سے زیادہ، ایموٹولیبز کا پلیٹفارم خودکار EEG ریکارڈنگ ڈیٹا کوالٹی کنٹرول اور تجزیہ فراہم کرتا ہے۔ کم کوالٹی کے ڈیٹا کی بڑی مقدار سامپلنگ یا شماریاتی غلطیوں سے بچاؤ میں مدد نہیں کرتا تجرباتی ڈیزائنز کے ان میں۔ اس کے برعکس، زیادہ اعلیٰ کوالٹی کے ڈیٹا تک رسائیغلطیوں سے بچنے میں مدد کرتی ہے:
سامپلنگ
آبادی
شماریاتی اہمیت
ایموٹولیبز پلیٹفارم آپ کی تحقیق کے لئے کیا کر سکتی ہے جاننے کی خواہش؟
ایموٹولیبز آپ کو اپنے تجربے کو تیار کرنے، محفوظ اور مؤثر طریقے سے دھماک کرنے، ایک عالمی پینل سے تصدیق شدہ شرکاء کو بھرتی کرنے، اور اعلیٰ کوالٹی EEG ڈیٹا جمع کرنے کے لئے ایک پلیٹفارم سے فعال بناتی ہے۔ یہاں کلک کریں مزید معلومات حاصل کرنے یا ایک ڈیمو درخواست کرنے کے لئے۔
شماریاتی اہمیت: نمونہ کا سائز اور شماریاتی طاقت - ہمارے ارد گرد کی دنیا کو سمجھنے کے لیے، محققین مشتبہ سچائیوں کو جھوٹ سے الگ کرنے کے لیے باضابطہ طور پر سائنسی طریقہ استعمال کرتے ہیں۔ علمی علم الاعصاب کا مقصد یہ سمجھنا ہے کہ جینیاتی، عصبیاتی، اور طرز عمل کی نظام کس طرح ایک جاندار کی حس کرنے، تعامل کرنے، پیمائش کرنے اور ان کے ارد گرد کی دنیا کے بارے میں سوچنے کی صلاحیت کو سپورٹ کرتے ہیں۔
اس کا مطلب ہے کہ علمی علم الاعصاب ہر سطح پر تجزیہ کرنے کے تجربات ڈیزائن کرتا ہے اور ڈیٹا جمع کرتا ہے۔ دنیا بھر میں تحقیقاتی پروگریمز قدرتی دنیا کی بہتر سمجھ بوجھ حاصل کرنے کے لیے معمولاً بامقصد طور پر چھوٹے تجربات کی ایک سلسلہ میں مفروضات کی جانچ کرتے ہیں۔ یہ تجربات مخصوص عناصر کو جانچنے کا عندیہ دیتے ہیں جو کسی نتیجہ پر اثر انداز ہونے یا نہ ہونے کی صلاحیت رکھتے ہیں جبکہ غیر متعلقہ عناصر جیسے ماحول، جنسی رجحان، نسل یا معاشرتی حیثیت کے اثر کو کم سے کم کرتے ہیں۔
منظرنامہ ایک: ڈوپامین کے اخراج کا مطالعہ
علمی علم الاعصاب میں، ڈوپامین کو عام طور پر ایک "خوشی پہنچانے والی" کیمیائی سمجھی جاتی ہے۔ Nucleus Acccumbens (NuAc) میں اس کا اخراج ان رویوں یا چیزوں کے ذریعے متحرک ہوتا ہے جو ہمیں برتاؤ کرنے کے لیے تحریک دیتے ہیں۔ یہ شامل ہو سکتے ہیں:
اچھا کھانا کھانا
محبوبوں کے ساتھ وقت گذارنا
جنسی تعلق
شوگر
فرض کریں کہ ہم پتہ لگانا چاہتے ہیں کہ NuAc میں ڈوپامین کی بلند سطحیں مطلوب یا واقف بصری محرک کے سامنے آنے سے پہلے، دوران یا بعد میں واقع ہوتی ہیں۔ ہم EEG تجرباتی ڈیزائن استعمال کر سکتے ہیں جو Amatya Johanna Mackintosh کی مطالعہ سے اپنایا گیا ہے۔ ہم مفروضہ پیش کر سکتے ہیں کہ ڈوپامین کی ریلیز دوران ہوتی ہے اور مطلوب یا واقف بصری محرک کے سامنے ہونے کے بعد تھوڑا سا عروج پر ہوتی ہے۔
اب، سب سے اہم بات یہ ہے کہ ہم ٹیسٹ مضامین کہاں سے حاصل کریں؟
تجرباتی حالات میں، "آبادی" کل بڑی گروپ کو کہا جاتا ہے جس کا مطالعہ کیا جا رہا ہے۔ یہ عملی طور پر ناقابل عمل اور ممکن نہیں ہے کہ آپ کی لیبارٹری سینکڑوں ہزاروں یا لاکھوں افراد پر ڈوپامائن کے اخراج کی ڈیٹا جمع کرنے کی تکنیک تیار کر سکے۔
لہذا، ہم آبادی کو سمجھنے کے لیے ایک چھوٹے، نمائندہ گروپ یا نمونہ سے ڈیٹا جمع کرنے کی کوشش کریں گے۔ ایسا کرنے کے لیے، ہمیں دو اہم سوالات کے جواب دینے کی ضرورت ہو گی۔
ہمارے نمونے میں کتنے افراد شامل کرنے ہوں گے؟
یہ عملی اہمیت اور شماریاتی طاقت کے ساتھ کیسے متعلق ہے؟
آئیے اسے نیچے تقسیم کرتے ہیں۔
شماریاتی طاقت اور حقیقی اثر
شماریاتی طاقت کی تعریف ایک ٹیسٹ کے ذریعہ ایک شماریاتی اہم فرق کو چھانٹنے کی احتمال کے طور پر کی جاتی ہے جب اس قسم کا فرق واقعی موجود ہوتا ہے۔ اسے حقیقی اثر بھی کہا جاتا ہے۔
حقیقی اثر تجرباتی ڈیزائن کا سنگ بنیاد ہے۔کوہن کی 1988 کی رپورٹ, سائنسی طریقہ کا ملحوظ لحاظ کرنے کے لیے مشہور ہے، نے دلیل دی کہ ایک مطالعہ کو اس طرح ڈیزائن کیا جانا چاہیے کہ اس میں 80٪ حقیقی اثر کو چھانٹنے کی احتمال ہو۔ یہ 80٪ ایک اعلیٰ طاقت (HP) ٹیسٹ ڈیزائن کی نمائیدگی کرتا ہے، جبکہ کوئی قدر 20٪ کے قریب کم طاقت (LP) ٹیسٹ ڈیزائن کا مظہر ہوتی ہے۔
کوہن نے تجویز دی کہ مطالعہ کو ہمیشہ 20٪ سے کم احتمال ڈیزائن کیا جانا چاہیے کہ وہ ایک قسم II غلطی کرے، جسے غلط منفی کے نام سے جانا جاتا ہے۔ وہ ان ہی گائیڈ لائن کی حدود کو استعمال کیا کرتا ہے کھوئی ہوئی دریافتوں کے لیے، جو اس وقت ہوتی ہیں جب ایک محقق غلطی سے رپورٹ کرتا ہے کہ کوئی اہم اثر نہیں ہے جبکہ فرق واقعی موجود ہوتا ہے۔
شماریاتی طاقت کیوں اہم ہے؟
اس منظرنامے کے بارے میں سوچیں۔ اگر 100 مختلف مطالعوں میں حقیقی اثر موجود ہے جن کی طاقت 80٪ ہے، تو شماریاتی ٹیسٹ 100 میں سے 80 میں حقیقی اثر کو چھانٹ لے گا۔ تاہم، جب ایک مطالعہ کی تحقیقی طاقت 20٪ ہے، اگر نتائج میں 100 جینیئن غیر-نل اثرات موجود ہیں، تو یہ مطالعے متوقع طور پر صرف 20 اثرات کو دریافت کریں۔
علم الاعصاب کے تحقیقی شماریاتی طاقت کی کمیانیاں
یہ حیرانی کی بات نہیں ہے کہ علم الاعصاب کی تحقیق کی وسائل کی گہرائی کے سبب اس میدان کی اوسط شماریاتی طاقت تقریباً 21٪ ہے اور 8٪-31٪ کے ایک وسیع حد میں اوسط نمبر میں سمائی جاتی ہے. علم الاعصاب کی تحقیق میں کم شماریاتی طاقت:
نتائج کی تقلید کی قابل اعتمادیت پر شک کرتا ہے۔
اثر کے سائز کو بڑھاتا ہے۔
شماریاتی طور پر اہم نتائج کی احتمال کو کم کرتا ہے جو حقیقی اثر کی درست نمائیدگی کرتے ہیں۔
اس طرح، علم الاعصاب کی تحقیق کی حاضر حالت اقتداری طاقت کے مسئلے کے قابو میں ہے کیونکہ یہ اقدار کوہن کی نظریاتی حد کے بہت نیچے ہیں۔
نمائندہ نمونہ گروپوں کا قیام
منظر نامہ ایک کا مقصد: ہمارے ٹیسٹ میں شامل کرتے ہوئے اور بڑے نمونے کے ساتھ sampling errors اور قسم I اور II کی غلطیوں سے بچنا۔
اگر ہم تجربہ کو عملی طور پر اہم بنانا چاہتے ہیں تو ہمارے نمونہ گروپ میں کتنے انسانی دماغ کے اسکین شامل کرنا ہوں گے؟ عملی اہمیت یہ کہتی ہے کہ آیا یا نہیں نتیجہات واقعی دنیا میں لاگو ہوتے ہیں۔
ایک علم الاعصاب کے عالم کے تجربہ کی صلاحیت اثرات (شماریاتی طاقت) کا فیصلہ کرنے کی نمونہ کے سائز سے متعلق ہے۔ منظر نامہ 1 کے پیرامیٹرز کو جاری رکھتے ہوئے، ہمارا مقصد پھر بھی اتنا ڈیٹا جمع کرنا ہے کہ ہم شماریاتی طور پر یہ منصوبہ بنا سکیں کہ جذباتی صفاء میں بصری محرکات کے بعد ڈوپامائن کی ریلیز کی وقت میں حقیقی اثر ہے۔ ہمیں ایسے نمونہ میں شامل کرنے کے معیار بھی ترتیب دینا ہوگا جو sampling error کی احتمال کو کم کرتا ہے۔
Sampling Errors سے بچنے کا طریقہ
آگے بڑھنے سے پہلے دو اصطلاحات کو سمجھنا اہم ہے۔
Sampling error: Sampling کے دوران، منتخب کردہ افراد کے جمع کردہ ڈیٹا کے بارے میں ہمیشہ ایک امکان ہوتا ہے کہ وہ آبادی کی نمائندگی نہیں کرتا۔
شماریاتی اہمیت: شماریاتی اہمیت کا مطلب ہے کہ ہمارے ڈیٹا اور ہمارے مشاہدہ کردہ اثرات ممکنہ طور پر حقیقی اثرات ہیں۔ زیادہ تر حیاتیاتی طبی سائنس میں، شماریاتی اہمیت ایک اہمیت کی سطح یا p-value کے ساتھ .05 کے ذریعہ قائم کی جاتی ہے۔ بنیادی طور پر، یہ مطلب ہے کہ سائنسدان اپنی تجربہات میں مشاہدہ کردہ اثر کے بارے میں 95% یقین رکھتے ہیں۔
فرض کریں اگر ڈیٹا ایک تعلق کو ظاہر کرتا ہے (مثلاً، ڈوپامائن کے اخراج)، 5٪ امکان ہوتا ہے کہ اثر کسی اتفاق سے ہے اور متغیر (بصری محرکات) کے علاوہ ہے۔ یہ قسم I کی غلطی ہوگی۔ دوسری طرف، 5٪ امکان ہوتا ہے کہ ہمارے جمع کردہ ڈیٹا بصری محرکات کو ڈوپامائن کے اخراج کے درمیان کوئی تعلق ظاہر نہیں کرتا حالانکہ اصل میں تاثیر وایقناً ہے - غلط منفی یا قسم II کی غلطی۔
شمولیت کے معیار کو احتیاط سے قائم کرنا زیادہ مؤثر ہوتا ہے کیونکہ ایک مخصوص نمونہ کے بعد کم فائدہ کا نقطہ آتا ہے۔
ہمارا امید ہے کہ ہم تمام انسانوں کی نمائندگی کرنے والا ڈیٹا جمع کریں گے، اور ہم چاہتے ہیں کہ ہمارے نتائج عملی طور پر اہم اور شماریاتی طور پر اہم ہوں۔ ہمارا نمونہ سیٹ کامیابی سے ڈیزائن کرنے کے لیے، sampling error، قسمI کی غلطی (غلط مثبت)، یا قسم II کی غلطی (غلط منفی) کے حساب کتاب اور بچاؤ کی ضرورت ہے۔
ہمارا تجربہ مندرجہ ذیل مفروضہ کی جانچ کر رہا ہے:
غیر مفروضہ - NAc میں ڈوپامائن کے اخراج کی وقت کے درمیان اور جذباتی والینس بصری محرکات کے درمیان کوئی تعلق یا اثر نہیں ہے۔
مفروضہ - NAc میں ڈوپامائن کے اخراج کی وقت کے درمیان اور جذباتی والینس بصری محرکات کے درمیان تعلق ہے، اور بصری محرکات کو دیکھنے کے بعد ڈوپامائن کی ریلیز بنیادی عروج پر ہوتی ہے۔
NAc میں ڈوپامین کے اخراج کی وقت کے درمیان اور جذباتی والینس بصری محرکات کے درمیان تعلق موجود ہے۔ جب ڈیٹا شماریاتی طور پر اہم نہیں ہوتا:
ہمارا مفروضہ مسترد ہوتا ہے۔
کوئی حقیقی اثر یا فرق نہیں پایا جاتا۔
ہمارے مشاہدہ کردہ اثرات ممکنہ طور پر اتفاقی ہونے کی وجہ سے بھی ہو سکتے ہیں۔
آبادی کو سمجھنا؟
تجربے کے ڈیزائن میں عملی حدات۔
علم الاعصاب کی تحقیق میں، ایک باضابطہ شمولیت کے معیار عام طور پر randomize کرنے یا تمام آبادی میں شمولیت کے امکان کو برابر کرنے کی کوشش کرتا ہے تاکہ sampling errors سے بچا جا سکے۔ ہمیں انتخابی افراد کو ان کے قریب یا ڈیٹا جمع کرنے کے لحاظ سے زیادہ آسان ہونے کی وجہ سے منتخب کرنے سے بچنا چاہیے کیونکہ یہ sampling error کے تحریری نسخہ ہے۔
نمونہ سیٹ کی جنریشن کے لئے بہترین طریقہ یہ ہے کہ شمولیت کے معیار استعمال کر کے انتخابی ترازو کو تمام آبادی میں یکساں کرتے ہوئے randomize کیا جائے۔ مثال کے طور پر، مردم شماری کے ڈیٹا کو استعمال کر کے، ہم اوہایو کی ہر کاؤنٹی میں 50 افراد کو random ٹھیک کرتے ہوئے رابطہ کی معلومات حاصل کر سکتے ہیں۔ یہ انتخابی تعصب کو کم کرے گا کیوں کہ ناموں کا random طرز پر تمام جغرافیائی علاقوں سے منتخب کیا جائے گا۔
تجرباتی ڈیزائن کو قائم کرنا، نمونہ کے سائز کو بڑھانا، اور غیر نئے، random, اور یکساں اطلاقی شمولیت کے معیار کو پورا کر کے جلد ہی عملی حدات کے خلاف چلے جاتے ہیں۔ یہ سائنسی تحقیق کے ہر سطح پر مسئلہ ہے، تعلیمی مسلمہ سے مکمل تحقیقاتی یونیورسٹیوں تک۔ عمومی طور پر، بجٹ کا حد اور وقت کیحدات پہلے مصالحت کرنے کو مجبور کرتی ہیں۔ اجتماعی طور پر، شماریاتی اہمیت کے مسائل پر تحقیق کی سرگرمی ہو رہی ہے۔
حقیقی اثر کا سائز کیا ہے؟
کم شماریاتی طاقت کی وجہ سے، علم الاعصاب کی تحقیق میں ہم حقیقی اثر کا سائز بڑھا دیتے ہیں جس سے متعدد مطالعوں کی کم تقلیدیت پیدا ہوتی ہے۔ مزید یہ، علم الاعصاب کی تحقیق کی پیچیدگی کے جو ہر جگہ میں شماریاتی طاقت کو اہم بناتا ہے۔
ایک طریقہ جو میدان اپنان سکتا ہے وہ ہے کہ مطالعہ کی طاقت کو بڑھا کر نمونہ کے سائز کو بڑھا دیا جائے۔ یہ حقیقی اثر کی چھانٹی کرنے کی احتمال کو بڑھاتا ہے۔ مناسب نمونہ سائز کو منتخب کرنا تحقیق کے ڈیزائن کے
واقعتی دریافتیں کرتی ہیں۔
دماغ کے بے شمار عملوں کی سمجھ بوجھ کو آگے بڑھاتی ہیں۔
موثرہ علاجی طریقے بناتی ہیں۔
عصر حاضر علم الاعصاب میں تحقیق کے چیلنجز کا سامنا: EmotivLAB Platform
علم الاعصاب کی تحقیق کے تجرباتی ڈیزائنز کو قابل اعتماد شماریاتی اہمیت حاصل کرنے کے لئے بڑے نمونہ گروپ سائز اور بہتر شمولیت کے معیار قائم کرنا چاہئے۔ایموٹیو لیب کے جیسے کراوڈ-سورس انیبلڈ پلیٹفارم کے ذریعہ رسائی کے ساتھ، محققین کو ممکنہ طور پر زیادہ متنوع، زیادہ نمائندہ موضوع افراد تک رسائی فراہم کی جاتی ہے - نمونہ سائز کو بہتر بنایا جا رہا ہے اور تمام مقسومیوں کی شمولیت کے ساتھ معمولی اضافی لاجسٹک کوشش کے بغیر تحقیقاتی گروپوں کے لئے۔
جدید علم الاعصاب کی تحقیق میں محدود دستیاب وسائل کے ذریعے تجرباتی نمونہ سیٹ کی متنوع گروپ کو بھرتی کرنے کے لئے نمونہ نہیں ہونا والی غلطیوں کی کمزوری ہو سکتی ہے۔ "عجیب گروپ" کا تصور مسئلہ کو ان کیمرے میں پیش کرتا ہے۔ زیادہ تر یونیورسٹی کی تحقیق مختصر بجٹ پر کی جاتی ہے اور عام طور پر تجرباتی موضوعات جو مغربی، تعلیم یافتہ، صنعتی، امیر، اور جمہوری ممالک سے ہوتے ہیں۔ تاہم، دور دراز ڈیٹا جمع کرنے کا سامان، جیسے EmotivLABs کے EEG platform, محققین کوکالج کیمپس کے باہر نمونہ گروپوں کو بھرتی کرنے کے لئے آبادی کو بہتر طور پر منعکس کرنے کے لئے مدد دیتا ہے۔
ایموٹولیبز کے پلیٹفارم اور دور دراز EEG سازوسامان نہ صرف محققین کو تجرباتی نمونہ گروپوں میں شامل افراد کی تنوع کو بڑھانے میں مدد دیتا ہے بلکہ وہ نمونہ کے سائز اور جغرافیائی پہنچ میں بھی سامپلنگ کو ہدفی آبادیوں تک میڈیٹ کرنے کی مسائل حل کرتا ہے۔
ایموٹولیبز کا پلیٹفارم محققین کو حالیہ پابندیوں سے آزاد کرتا ہے اور اس کے بجائے انہیں تجربات کے ڈیزائن بنانے اور نتائج کا تجزیہ کرنے کے کاروبار میں توانائی پر توجہ مرکوز کرنے کی اجازت دیتا ہے۔ ہمارا پلیٹفارم تجربہ کو موضوع کے پول میں سب سے موزوں افراد کے ساتھ ملاتا ہے۔ کوئی ضرورت نہیں ہے کہ شرکاء کو بھرتی کرنے، ان کی ہم آہنگی اور شیڈولنگ کرنے، اور ان لیب ڈیٹا جمع کرنے کی تنظیم کریں۔ صرف یہ ضروری ہے کہ مطلوبہ مقسومی آن لائن پلیٹفارم میں بیان کیا جائے، اور ایموٹولیبز تجربہ کو ان شرکاء کو دستیاب کرتی ہے جو مطلوبہ پیرامیٹرز کے مطابق ہونے کے لئے بہترین تجویز کرتے ہیں۔ شرکاء اپنے اپنے گھر میں اپنے اپنے سامان کا استعمال کرتے ہوئے تجربات کر سکتے ہیں۔ ہیڈسیٹ کے استعمال میں ان کی مہارت کا غائب کرنا محققین کو ہدایت فراہم کرنے کی ضرورت کو ختم کرتا ہے۔
اس سے زیادہ، ایموٹولیبز کا پلیٹفارم خودکار EEG ریکارڈنگ ڈیٹا کوالٹی کنٹرول اور تجزیہ فراہم کرتا ہے۔ کم کوالٹی کے ڈیٹا کی بڑی مقدار سامپلنگ یا شماریاتی غلطیوں سے بچاؤ میں مدد نہیں کرتا تجرباتی ڈیزائنز کے ان میں۔ اس کے برعکس، زیادہ اعلیٰ کوالٹی کے ڈیٹا تک رسائیغلطیوں سے بچنے میں مدد کرتی ہے:
سامپلنگ
آبادی
شماریاتی اہمیت
ایموٹولیبز پلیٹفارم آپ کی تحقیق کے لئے کیا کر سکتی ہے جاننے کی خواہش؟
ایموٹولیبز آپ کو اپنے تجربے کو تیار کرنے، محفوظ اور مؤثر طریقے سے دھماک کرنے، ایک عالمی پینل سے تصدیق شدہ شرکاء کو بھرتی کرنے، اور اعلیٰ کوالٹی EEG ڈیٹا جمع کرنے کے لئے ایک پلیٹفارم سے فعال بناتی ہے۔ یہاں کلک کریں مزید معلومات حاصل کرنے یا ایک ڈیمو درخواست کرنے کے لئے۔
