Ý nghĩa thống kê: Quy mô mẫu & Lực lượng thống kê - Để hiểu thế giới xung quanh chúng ta, các nhà nghiên cứu chính thức sử dụng phương pháp khoa học như một cách để tách biệt những sự thật đáng nghi ngờ khỏi những điều sai trái. Khoa học thần kinh nhận thức nhằm mục đích hiểu cách thức các hệ thống di truyền, thần kinh và hành vi hỗ trợ khả năng cảm nhận, tương tác, điều hướng và suy nghĩ của một sinh vật về thế giới xung quanh chúng.

Điều này có nghĩa là khoa học thần kinh nhận thức thiết kế các thí nghiệm và thu thập dữ liệu ở mọi cấp độ phân tích. Các chương trình nghiên cứu trên toàn thế giới nhằm nâng cao hiểu biết của chúng ta về thế giới tự nhiên thường xuyên thử nghiệm các giả định, hoặc giả thuyết, trong một loạt các thí nghiệm nhỏ hơn được lên kế hoạch tốt. Các thí nghiệm này có xu hướng thăm dò các yếu tố cụ thể có thể hoặc không thể ảnh hưởng đến kết quả, đồng thời giảm thiểu ảnh hưởng của các yếu tố bên ngoài như môi trường, xu hướng tình dục, chủng tộc hoặc tình trạng kinh tế xã hội.

Kịch bản một: Nghiên cứu giải phóng Dopamine

Trong Khoa học thần kinh nhận thức, dopamine thường được coi là một hợp chất "tạo cảm giác dễ chịu". Sự giải phóng của nó trong Nhân áp (NuAc) được kích hoạt bởi các hành vi hoặc những thứ khiến chúng ta có động lực hành xử. Những thứ này có thể bao gồm:

• Ăn một bữa ăn ngon

• Thời gian bên những người thân yêu

• Tình dục

• Đường

Hãy giả sử chúng ta muốn tìm hiểu xem nồng độ dopamine đỉnh điểm trong NuAc xảy ra trước, trong hay sau khi tiếp xúc với một kích thích thị giác mong muốn hoặc quen thuộc. Chúng ta có thể sử dụng thiết kế thí nghiệm EEG được áp dụng từ nghiên cứu của Amatya Johanna Mackintosh. Chúng ta có thể giả thuyết rằng sự giải phóng dopamine xảy ra trong và đạt đỉnh ngay sau khi tiếp xúc với các kích thích thị giác quen thuộc hoặc mong muốn.

Bây giờ, quan trọng nhất là chúng ta lấy đối tượng thử nghiệm ở đâu?

Trong các tình huống thực nghiệm, "quần thể" dùng để chỉ nhóm tập thể lớn hơn, tổng thể đang được nghiên cứu. Việc phòng thí nghiệm của bạn có thể nghĩ ra một kỹ thuật để tuyển dụng và thu thập dữ liệu giải phóng dopamine trên hàng trăm nghìn hoặc hàng triệu người là điều không thực tế và khó có thể xảy ra.

Do đó, chúng ta sẽ cố gắng thu thập dữ liệu từ một nhóm nhỏ hơn, mang tính đại diện hoặc mẫu để hiểu về quần thể. Để làm được điều đó, chúng ta sẽ cần trả lời hai câu hỏi chính.

1. Có bao nhiêu cá nhân cần được đưa vào mẫu của chúng ta?

2. Điều này liên quan như thế nào đến ý nghĩa thực tiễn và lực lượng thống kê?

Hãy cùng phân tích chi tiết dưới đây.

Lực lượng thống kê và Tác động thực sự

Lực lượng thống kê được định nghĩa là xác suất của một thử nghiệm phát hiện ra sự khác biệt có ý nghĩa thống kê khi sự khác biệt đó thực sự tồn tại. Nó cũng được gọi là một tác động thực sự.

Tác động thực sự là nền tảng của thiết kế thực nghiệm. Báo cáo năm 1988 của Cohen, nổi tiếng vì những đóng góp cho phương pháp khoa học, đã lập luận rằng một nghiên cứu nên được thiết kế để có 80% xác suất phát hiện ra tác động thực sự. 80% này đại diện cho thiết kế thử nghiệm có lực lượng cao (HP), trong khi bất kỳ giá trị nào gần 20% là thiết kế thử nghiệm có lực lượng thấp (LP).

Cohen gợi ý rằng các nghiên cứu phải luôn có xác suất dưới 20% mắc sai lầm loại II, được gọi là âm tính giả. Ông cũng sử dụng các phạm vi hướng dẫn tương tự này cho các phát hiện bị bỏ lỡ, xảy ra khi một nhà nghiên cứu báo cáo không chính xác là không có tác động đáng kể nào trong khi thực tế có sự khác biệt thực sự.

Tại sao Lực lượng thống kê lại quan trọng?

Hãy nghĩ về kịch bản này. Nếu một tác động thực sự tồn tại trong 100 nghiên cứu khác nhau với lực lượng 80%, các thử nghiệm thống kê sẽ phát hiện ra tác động thực sự trong 80 trên 100 nghiên cứu. Tuy nhiên, khi một nghiên cứu có lực lượng nghiên cứu là 20%, nếu có 100 tác động phi chuẩn thực sự trong kết quả, các nghiên cứu này dự kiến chỉ phát hiện ra 20 trong số đó.

Những thiếu sót về Lực lượng thống kê trong Nghiên cứu khoa học thần kinh

Không có gì ngạc nhiên khi do tính chất thâm dụng tài nguyên của nghiên cứu khoa học thần kinh, lĩnh vực này có lực lượng thống kê trung vị khoảng 21% và trung bình ở mức dao động rộng từ 8%-31%. Lực lượng thống kê thấp trong nghiên cứu khoa học thần kinh:

• Gây hoài nghi về khả năng lặp lại của các phát hiện.

• Dẫn đến kích thước tác động bị phóng đại.

• Làm giảm khả năng có được các kết quả có ý nghĩa thống kê đại diện chính xác cho tác động thực sự.

Như vậy, tình trạng nghiên cứu khoa học thần kinh hiện tại đang bị mắc kẹt bởi vấn đề lực lượng thống kê vì các giá trị này thấp hơn nhiều so với ngưỡng lý thuyết của Cohen.

Thiết lập (các) Nhóm mẫu đại diện

Mục tiêu của Kịch bản một: Tránh các lỗi lấy mẫu và sai lầm loại I và II trong thử nghiệm của chúng ta bằng cách lấy mẫu toàn diện và lớn.

Cần bao nhiêu bản quét não người trong bộ mẫu của chúng ta nếu chúng ta muốn thí nghiệm có ý nghĩa thực tiễn? Ý nghĩa thực tiễn đề cập đến việc kết quả từ một thí nghiệm có áp dụng vào thế giới thực hay không.

Khả năng xác định các tác động của một thí nghiệm của nhà khoa học thần kinh (lực lượng thống kê) có liên quan đến quy mô mẫu. Tiếp tục các thông số của kịch bản 1, mục tiêu vẫn là thu thập đủ dữ liệu để chúng ta có thể đánh giá về mặt thống kê xem có tác động thực sự nào trong thời gian giải phóng dopamine sau khi hiển thị các kích thích thị giác chứa đầy cảm xúc hay không. Chúng ta cũng cần thiết lập các tiêu chí để đưa vào mẫu nhằm giảm thiểu khả năng xảy ra lỗi lấy mẫu.

Cách tránh lỗi lấy mẫu

Hai thuật ngữ quan trọng cần hiểu trước khi tiếp tục.

1. Lỗi lấy mẫu: Khi lấy mẫu, luôn có khả năng dữ liệu thu thập được từ các cá nhân được chọn sẽ không đại diện cho quần thể.

2. Ý nghĩa thống kê: Ý nghĩa thống kê có nghĩa là dữ liệu và các tác động quan sát được của chúng ta có khả năng là các tác động thực sự. Trong hầu hết các ngành khoa học y sinh, ý nghĩa thống kê được thiết lập với mức ý nghĩa hoặc giá trị p là .05. Về cơ bản, điều này có nghĩa là các nhà khoa học tin tưởng 95% vào tác động quan sát được trong các thí nghiệm của họ.

Hãy xem xét nếu dữ liệu cho thấy một mối quan hệ (ví dụ: giải phóng dopamine). Có 5% khả năng là tác động đó đến từ sự ngẫu nhiên và không liên quan đến biến số (kích thích thị giác). Đây sẽ là sai lầm Loại I. Ngược lại, có 5% xác suất là dữ liệu thu thập được của chúng ta có thể không cho thấy mối quan hệ nào giữa việc giải phóng dopamine và kích thích thị giác trong khi trên thực tế, có một tác động thực sự - một kết quả âm tính giả hoặc sai lầm Loại II.

Việc thiết lập cẩn thận các tiêu chí lựa chọn có tác động lớn hơn vì có một điểm mang lại tỷ suất lợi ích giảm dần sau một quy mô mẫu nhất định.

Chúng ta hy vọng thu thập được dữ liệu đại diện cho tất cả con người, và chúng ta muốn các kết luận của mình vừa có ý nghĩa thực tiễn vừa có ý nghĩa thống kê. Để thiết kế thành công bộ mẫu của chúng ta, lỗi lấy mẫu, sai lầm loại I (dương tính giả) hoặc sai lầm loại II (âm tính giả) phải được tính đến và tránh.

Thí nghiệm của chúng ta đang kiểm tra giả thuyết sau:

• Giả thuyết khống - Không có mối quan hệ hoặc tác động nào giữa thời điểm giải phóng dopamine trong NAc và kích thích thị giác có giá trị cảm xúc.

• Giả thuyết - CÓ một mối quan hệ giữa thời điểm giải phóng dopamine trong NAc và kích thích thị giác có giá trị cảm xúc, và sự giải phóng dopamine đạt đỉnh xảy ra sau khi nhìn thấy kích thích thị giác.

Có một mối quan hệ giữa thời điểm giải phóng dopamine trong NAc và kích thích thị giác có hóa trị cảm xúc. Khi dữ liệu không có ý nghĩa thống kê:

• Giả thuyết của chúng ta bị bác bỏ.

• Không tìm thấy tác động hay sự khác biệt thực sự nào.

• Các tác động quan sát được của chúng ta cũng có khả năng là kết quả của sự ngẫu nhiên.

Hiểu về Quần thể?

Những hạn chế thực tế trong thiết kế thực nghiệm.

Trong nghiên cứu khoa học thần kinh, một tiêu chí lựa chọn chính thức thường cố gắng ngẫu nhiên hóa và/hoặc cân bằng khả năng được chọn trong toàn bộ quần thể để tránh các lỗi lấy mẫu. Chúng ta cần tránh chọn các cá nhân chỉ vì họ ở gần hoặc dễ tiếp cận nhất để thu thập dữ liệu, vì đây là công thức gây ra lỗi lấy mẫu.

Cách tiếp cận tốt nhất để tạo bộ mẫu là sử dụng các tiêu chí lựa chọn chia đều cơ hội lựa chọn một cách ngẫu nhiên trên toàn bộ quần thể. Ví dụ, sử dụng dữ liệu điều tra dân số, chúng ta có thể có được thông tin liên lạc của 50 cá nhân được chọn ngẫu nhiên ở mỗi hạt của Ohio. Điều này sẽ giảm thiểu sai lệch lựa chọn vì các tên sẽ được chọn ngẫu nhiên đồng đều từ tất cả các khu vực địa lý.

Việc thiết lập thiết kế thực nghiệm, tăng quy mô mẫu và thực hiện đầy đủ các tiêu chí lựa chọn không thiên vị, ngẫu nhiên và được áp dụng bình đẳng có thể nhanh chóng gặp phải các hạn chế thực tế. Đây là một vấn đề đối với nghiên cứu khoa học ở mọi cấp độ, từ các bài tập học thuật đến các trường đại học nghiên cứu chính thức. Thông thường, các hạn chế về ngân sách và mốc thời gian là những yếu tố đầu tiên buộc phải thỏa hiệp. Nhìn chung, những vấn đề xung quanh ý nghĩa thống kê này là các lĩnh vực nghiên cứu tích cực.

Kích thước Tác động Thực sự là gì?

Do lực lượng thống kê thấp của nghiên cứu khoa học thần kinh, chúng ta có xu hướng đánh giá quá cao kích thước tác động thực sự dẫn đến khả năng tái lập thấp của nhiều nghiên cứu. Hơn nữa, sự phức tạp vốn có của nghiên cứu khoa học thần kinh làm cho lực lượng thống kê trở nên cực kỳ quan trọng.

Một phương pháp mà lĩnh vực này có thể áp dụng là tăng lực lượng của một nghiên cứu bằng cách tăng quy mô mẫu. Điều này làm tăng xác suất phát hiện ra tác động thực sự. Chọn một quy mô mẫu phù hợp là điều quan trọng để thiết kế nghiên cứu:

• Đưa ra các phát hiện thực tiễn.

• Nâng cao hiểu biết của chúng ta về vô số quá trình trong não.

• Phát triển các liệu pháp hiệu quả.

Vượt qua những Thách thức trong Nghiên cứu Khoa học thần kinh Đương đại: Nền tảng EmotivLAB

Các thiết kế thực nghiệm của nghiên cứu khoa học thần kinh nên đẩy mạnh việc thiết lập quy mô nhóm mẫu lớn hơn và các tiêu chí lựa chọn tốt hơn nhằm đạt được ý nghĩa thống kê đáng tin cậy. Với việc tiếp cận một nền tảng hỗ trợ nguồn lực cộng đồng như EmotivLAB, các nhà nghiên cứu được cung cấp quyền tiếp cận với các đối tượng cá nhân có khả năng đa dạng hơn, mang tính đại diện cao hơn nhiều - cải thiện quy mô mẫu và tính bao trùm của tất cả các nhân khẩu học với nỗ lực hậu cần tối thiểu cho các nhóm nghiên cứu.

Nghiên cứu khoa học thần kinh hiện đại có thể dễ bị lỗi lấy mẫu do nguồn lực sẵn có hạn chế để tuyển dụng một nhóm đa dạng cho bộ mẫu thực nghiệm. Khái niệm "nhóm WEIRD" gói gọn vấn đề này. Hầu hết các nghiên cứu của trường đại học được thực hiện với ngân sách eo hẹp trên các đối tượng thực nghiệm nói chung là người phương Tây, có học thức, và đến từ các nước công nghiệp phát triển, giàu có và dân chủ. Tuy nhiên, thiết bị thu thập dữ liệu từ xa, như nền tảng EEG của EmotivLAB, cho phép các nhà nghiên cứu vươn ra ngoài khuôn viên trường đại học để tuyển dụng các nhóm mẫu phản ánh tốt hơn quần thể.

Nền tảng của EmotivLAB và thiết bị EEG từ xa không chỉ giúp các nhà nghiên cứu mở rộng tính đa dạng của các cá nhân được đưa vào các nhóm mẫu thực nghiệm. Nó còn điều hòa các vấn đề liên quan đến quy mô mẫu tổng thể và phạm vi địa lý tiếp cận các quần thể mục tiêu.

Nền tảng EmotivLAB giải phóng các nhà nghiên cứu khỏi những ràng buộc hiện tại và thay vào đó cho phép họ tập trung năng lượng vào việc thiết kế các thí nghiệm và phân tích kết quả. Nền tảng của chúng tôi đối sánh thí nghiệm với các cá nhân phù hợp nhất trong tệp đối tượng. Không cần phải mất thời gian tuyển dụng người tham gia, điều phối và lên lịch cho họ, cũng như thực hiện thu thập dữ liệu trong phòng thí nghiệm. Tất cả những gì được yêu cầu là chỉ định nhân khẩu học mong muốn trong nền tảng trực tuyến, và EmotivLAB sẽ cung cấp thí nghiệm cho những người đóng góp phù hợp nhất với các thông số mong muốn. Người tham gia có thể thực hiện các thí nghiệm ngay tại nhà của họ, sử dụng thiết bị của riêng họ. Sự quen thuộc của họ với thiết bị đeo đầu giúp các nhà nghiên cứu không cần phải hướng dẫn cách sử dụng.

Hơn thế nữa, nền tảng EmotivLAB cung cấp tính năng đánh giá và kiểm soát chất lượng dữ liệu ghi EEG tự động. Lượng lớn dữ liệu chất lượng thấp không giúp khắc phục các lỗi lấy mẫu hoặc lỗi thống kê trong các thiết kế thực nghiệm. Tuy nhiên, việc tiếp cận nhiều dữ liệu chất lượng cao hơn sẽ cung cấp một giải pháp giúp tránh các lỗi trong:

• Lấy mẫu

• Quần thể

• Ý nghĩa thống kê

Bạn muốn Tìm hiểu Thêm về Những gì Nền tảng EmotivLAB Có thể Làm cho Nghiên cứu của Bạn?

EmotivLAB cho phép bạn xây dựng thí nghiệm của mình, triển khai thí nghiệm một cách an toàn và bảo mật, tuyển dụng từ một hội đồng người tham gia đã được xác minh trên toàn cầu và thu thập dữ liệu EEG chất lượng cao, tất cả chỉ từ một nền tảng. Nhấp vào đây để tìm hiểu thêm hoặc yêu cầu bản demo.