Ý nghĩa thống kê: (Các) kích thước mẫu & Lực lượng thống kê - Để hiểu thế giới xung quanh chúng ta, các nhà nghiên cứu sử dụng phương pháp khoa học một cách chính thức như một cách để tách biệt những sự thật đáng nghi ngờ khỏi những điều giả dối. 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 của sinh vật trong việc cảm nhận, tương tác, định hướng và suy nghĩ về thế giới xung quanh họ.

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 đang thường xuyên thử nghiệm các giả định, hoặc giả thuyết, trong một chuỗi 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: 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 tì (NuAc) được kích hoạt bởi các hành vi hoặc những thứ giúp chúng ta có động lực để hành xử. Những thứ này có thể bao gồm:

• Ăn một bữa ăn ngon

• Thời gian bên những người thân yêu

• Tình dục

• Đường

Giả sử chúng ta muốn tìm hiểu xem mức dopamine đạt đỉnh 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, toàn bộ đang được nghiên cứu. Thật không thực tế và không thể xảy ra 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.

Do đó, chúng ta sẽ cố gắng thu thập dữ liệu từ một nhóm hoặc mẫu nhỏ hơn, có tính đại diện để hiểu về quần thể. Để làm được điều đó, chúng ta 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 Hiệu ứng thực sự

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

Hiệu ứng thực sự là nền tảng của thiết kế thí nghiệm. Báo cáo năm 1988 của Cohen, vốn 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 hiệu ứng thực sự. Con số 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 hiệu ứng đáng kể nào trong khi sự khác biệt thực sự tồn tại.

Tại sao Lực lượng thống kê lại quan trọng?

Hãy nghĩ về kịch bản này. Nếu một hiệu ứng thực sự tồn tại trong 100 nghiên cứu khác nhau với lực lượng 80%, các thử nghiệm thống kê sẽ phát hiện ra hiệu ứng thực sự trong 80 trên 100 nghiên cứu. Tuy nhiên, khi một nghiên cứu có lực lượng nghiên cứu là 20%, nếu có 100 hiệu ứng phi không chính thực trong kết quả, các nghiên cứu này dự kiến sẽ 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 một phạm vi rộng từ 8%-31%. Lực lượng thống kê thấp trong nghiên cứu khoa học thần kinh:

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

• Dẫn đến kích thước hiệu ứng bị phóng đại.

• Làm giảm khả năng các kết quả có ý nghĩa thống kê thể hiện chính xác hiệu ứng 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 những giá trị này thấp hơn nhiều so với ngưỡng lý thuyết của Cohen.

Thành lập (các) Nhóm mẫu đại diện

Mục tiêu của Kịch bản một: Tránh các sai số lấy mẫu và sai lầm loại I và II trong thử nghiệm của chúng ta với việc lấy mẫu bao quát và quy mô lớn.

Cần đưa bao nhiêu bản quét não người vào 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 được vào thế giới thực hay không.

Khả năng xác định các hiệu ứng (lực lượng thống kê) trong thí nghiệm của một nhà khoa học thần kinh có liên quan đến kích thước mẫu. Tiếp tục các tham 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 hiệu ứng 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 sai số lấy mẫu.

Làm thế nào để tránh sai số lấy mẫu

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

1. Sai số 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 thu được và các hiệu ứng quan sát được của chúng ta có khả năng là các hiệu ứng thực sự. Trong hầu hết các 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 hiệu ứng quan sát được trong các thí nghiệm của họ.

Cân nhắc xem dữ liệu có hiển thị một mối quan hệ hay không (ví dụ: giải phóng dopamine). Có 5% khả năng hiệu ứng là do ngẫu nhiên và không liên quan đến biến số (kích thích thị giác). Đây sẽ là sai lầm Loại I. Ngoài ra, có 5% xác suất là dữ liệu thu thập được của chúng ta có thể không hiển thị mối quan hệ nào giữa sự giải phóng dopamine và kích thích thị giác trong khi trên thực tế có một hiệu ứng thực sự - kết quả âm tính giả hoặc sai lầm Loại II.

Thiết lập cẩn thận các tiêu chí lựa chọn có tác động lớn hơn vì có một điểm mang lại tỷ suất lợi nhuận giảm dần sau một kích thước mẫu nhất định.

Chúng ta hy vọng thu thập 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 mình, sai số 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 thử nghiệm giả thuyết sau:

• Giả thuyết không - Không có mối quan hệ hoặc hiệu ứng nào giữa thời gian giải phóng dopamine trong NAc và kích thích thị giác có giá trị cảm xúc.

• Giả thuyết - CÓ mối quan hệ giữa thời gian 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 các kích thích thị giác.

Có một mối quan hệ giữa thời gian giải phóng dopamine trong NAc và các 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 hiệu ứng hoặc sự khác biệt thực sự nào.

• Các hiệu ứng quan sát được của chúng ta cũng có nhiều khả năng là kết quả của sự ngẫu nhiên.

Thấu hiểu quần thể?

Những hạn chế thực tế trong thiết kế thí 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 đưa vào mẫu trong toàn bộ quần thể để tránh các sai số lấy mẫu. Chúng ta cần tránh chọn các cá nhân chỉ vì họ ở gần nhất hoặc dễ tiếp cận nhất để thu thập dữ liệu, vì đây là công thức dẫn đến sai số lấy mẫu.

Cách tiếp cận tốt nhất để tạo bộ mẫu là sử dụng các tiêu chí lựa chọn giúp cân bằng ngẫu nhiên khả năng lựa chọn trong toàn bộ quần thể. Ví dụ, sử dụng dữ liệu điều tra dân số, chúng tôi có thể có được thông tin liên hệ của 50 cá nhân được chọn ngẫu nhiên ở mỗi quận của Ohio. Điều này sẽ giảm thiểu sai lệch lựa chọn vì các tên tuổi sẽ được chọn ngẫu nhiên đồng đều từ tất cả các khu vực địa lý.

Việc thiết lập thiết kế thí nghiệm, tăng kích thước 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 vấp phải những 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 quy. Thông thường, các hạn chế về ngân sách và mốc thời gian là những yếu tố đầu tiên buộc phải thỏa hiệp. Nói chung, những vấn đề xung quanh ý nghĩa thống kê này là những lĩnh vực nghiên cứu tích cực.

Kích thước Hiệu ứng thực sự là bao nhiêu?

Do lực lượng thống kê thấp của nghiên cứu khoa học thần kinh, chúng ta có xu hướng đánh giá quá cao kích thước hiệu ứng 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 khiến 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 kích thước mẫu. Điều này làm tăng xác suất phát hiện ra một hiệu ứng thực sự. Việc lựa chọn kích thước mẫu phù hợp là điều حی tử để thiết kế một nghiên cứu mà:

• Tạo ra những phát hiện thực tế.

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

• Phát triển các liệu pháp hiệu quả.

Vượt qua các thách thức trong Nghiên cứu khoa học thần kinh đương đại: Nền tảng EmotivLAB

Các thiết kế thí nghiệm của nghiên cứu khoa học thần kinh nên cố gắng thiết lập kích thước nhóm mẫu lớn hơn và tiêu chí lựa chọn tốt hơn để đạt được ý nghĩa thống kê đáng tin cậy. Với quyền truy cập vào 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 nhiều, mang tính đại diện hơn nhiều - cải thiện kích thước mẫu và tính bao trùm của tất cả các nhóm nhân khẩu học với nỗ lực hậu cần bổ sung tối thiểu cho các nhóm nghiên cứu.

Nghiên cứu khoa học thần kinh hiện đại có thể dễ bị tổn thương bởi các sai số 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 vấn và đến từ các quốc gia công nghiệp hóa, 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 tiếp cận xa hơn ngoài khuôn viên trường đại học để tuyển dụng các nhóm mẫu phản ánh tốt hơn về quần thể.

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 và thiết bị EEG từ xa của EmotivLAB không chỉ giúp các nhà nghiên cứu mở rộng sự đa dạng của các cá nhân được đưa vào các nhóm mẫu thực nghiệm. Nó cũng điều hòa các vấn đề liên quan đến kích thước mẫu tổng thể và phạm vi tiếp cận địa lý vào 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 khớp thí nghiệm với những cá nhân phù hợp nhất trong nhóm đối tượng. Không cần phải dành 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 nhóm nhân khẩu học mong muốn trên nền tảng trực tuyến và EmotivLAB sẽ cung cấp thí nghiệm cho những người đóng góp phù hợp nhất với các tham 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 tai nghe giúp các nhà nghiên cứu không cần phải hướng dẫn về cách sử dụng nó.

Ngoài ra, nền tảng Emotiv 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 sai số lấy mẫu hoặc sai số thống kê trong các thiết kế thí nghiệm. Tuy nhiên, việc tiếp cận nhiều dữ liệu chất lượng cao hơn sẽ cung cấp một giải pháp giúp tránh các sai sót 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?

EmotivLABS 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 toàn cầu đã được xác minh 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.