Κέρδη:
- Ικανότητα δημιουργίας μιας ξεκάθαρης υπόθεσης, ακριβών ελέγχων, τυχαιοποίησης, τυφλοποίησης και προηγούμενης ανάλυσης ισχύος σε ένα πειραματικό σχέδιο
- Ικανότητα διάκρισης της βιολογικής επανάληψης από την τεχνική επανάληψη και αποφυγή του λάθους ψευδοαναδιπλασιασμού
- Δυνατότητα αποτροπής του p-hacking εξαρχής διορθώνοντας το σχέδιο ανάλυσης πριν από το πείραμα (προκαταγραφή)
Το πιο ακριβό λάθος στη βιολογία είναι ένα κακώς σχεδιασμένο πείραμα. Η λανθασμένη ανάλυση μπορεί να διορθωθεί αργότερα. Όμως τα δεδομένα που συλλέγονται με ανεπαρκή αριθμό επαναλήψεων, μη ελεγχόμενες ή μικτές μεταβλητές δεν μπορούν να ανακτηθούν από καμία στατιστική. «Σκουπίδια μέσα, σκουπίδια έξω». Γι' αυτό το πείραμα πρέπει να σχεδιαστεί σωστά πριν ξεκινήσει. Η τεχνητή νοημοσύνη είναι ένας ισχυρός συνεργάτης σκέψης σε αυτό το στάδιο σχεδιασμού: ανακαλεί ομάδες ελέγχου, γράφει τον κώδικα που εκτελεί ανάλυση ισχύος (υπολογίζοντας τον αριθμό των δειγμάτων που απαιτούνται για να συλλάβει την επιζητούμενη διαφορά), αμφισβητεί τις μεταβλητές που προκαλούν σύγχυση. Αλλά η τελική απόφαση σχεδιασμού είναι δική σας με γνώσεις τομέα.
Σε αυτή την ενότητα, θα συζητήσουμε τα στοιχεία ενός καλού πειραματικού σχεδιασμού και τον τρόπο χρήσης της τεχνητής νοημοσύνης σε αυτή τη διαδικασία.
Συστατικά ενός καλού πειραματικού σχεδίου
- Σαφής υπόθεση: Ένας ελεγχόμενος, μετρήσιμος ισχυρισμός. Όπως "Αυτό το φάρμακο επιβραδύνει την ανάπτυξη των κυττάρων."
- Ανεξάρτητη και εξαρτημένη μεταβλητή: Τι αλλάζετε (δόση φαρμάκου), τι μετράτε (αριθμός κυττάρων);
- Ομάδα ελέγχου: Ομάδα σύγκρισης που δεν έλαβε καμία παρέμβαση. Δεν μπορείτε να ξέρετε τον λόγο της διαφοράς χωρίς αυτό.
- Αντιγραφή: Ο βιολογικός αναδιπλασιασμός (διαφορετικά άτομα/πολιτισμοί) είναι διαφορετικός από τον τεχνικό αναδιπλασιασμό (επαναλαμβανόμενη μέτρηση του ίδιου δείγματος). Η πραγματική δύναμη βρίσκεται στη βιολογική επανάληψη.
- Τυχαιοποίηση: Τυχαία διανομή δειγμάτων σε ομάδες και σειρά επεξεργασίας. μειώνει την προκατάληψη.
- Τύφλωση: Το άτομο που κάνει τη μέτρηση δεν γνωρίζει ποια ομάδα είναι ποια. αποτρέπει την υποκειμενική προκατάληψη.
- Ανάλυση ισχύος: Υπολογισμός εκ των προτέρων πόσα δείγματα χρειάζονται για να ληφθεί το αναμενόμενο αποτέλεσμα με πιθανότητα 80%.
Συμβουλή: Δώστε το πειραματικό σχέδιο στο AI για να το «κριτικάρει». «Τι έλεγχος λείπει σε αυτό το σχέδιο, ποια μπερδεμένη μεταβλητή έχασα;» Η ερώτηση αποκαλύπτει κενά που δεν μπορείτε να δείτε όταν σκέφτεστε μόνοι.
Ανάλυση ισχύος: γιατί και πώς
Ένα πολύ μικρό δείγμα μπορεί να κάνει ακόμη και μια πραγματική διαφορά να φαίνεται «ασήμαντη» (χαμηλή ισχύς). Ένα δείγμα που είναι πολύ μεγάλο είναι σπατάλη πόρων και μπορεί να κάνει τις ασήμαντες διαφορές να φαίνονται «σημαντικές». Ο σωστός αριθμός βρίσκεται με ανάλυση ισχύος και εξαρτάται από: το αναμενόμενο μέγεθος εφέ, τα αποδεκτά ποσοστά σφάλματος (άλφα και βήτα) και τη μεταβλητότητα των δεδομένων.
Ρόλος: Είστε βοηθός πειραματικού σχεδιασμού και βιοστατιστικής. Εργασία: Εκτελέστε μια ανάλυση ισχύος για ένα πείραμα που συγκρίνει δύο ομάδες. Γράψτε κώδικα που υπολογίζει τον αριθμό των δειγμάτων που χρειάζονται ανά ομάδα με αναμενόμενο μέγεθος εφέ Cohen's d = 0,8, alpha = 0,05, power = 0,80.statsmodels και εξηγήστε τις υποθέσεις.
Εκτελείτε τον κωδικό. για παράδειγμα, θα λάβετε ένα αποτέλεσμα όπως "26 δείγματα ανά ομάδα". Το συγκρίνετε με τον προϋπολογισμό του πειράματός σας και δημιουργείτε ένα ρεαλιστικό σχέδιο.
Βήμα προς βήμα: σχεδιασμός πειράματος
- Να γράψετε την υπόθεση: Μία πρόταση, μετρήσιμη.
- Ορισμός μεταβλητών: Ανεξάρτητη, εξαρτημένη, σταθερή.
- Προσδιορίστε τους ελέγχους: αρνητικός έλεγχος, θετικός έλεγχος, έλεγχος οχήματος.
- Καταγράψτε τους αναμικτήρες: Χρόνος, παρτίδα, θερμοκρασία, πειραματιστής — πώς θα ελέγχονται;
- Εκτελέστε μια ανάλυση δύναμης: Υπολογίστε τον αριθμό των επαναλήψεων που απαιτούνται.
- Σχέδιο τυχαιοποίησης και τύφλωσης.
- Γράψτε το σχέδιο ανάλυσης εκ των προτέρων: Καθορίστε ποιο τεστ θα χρησιμοποιήσετε πριν από το πείραμα (αποτρέπει το p-hacking).
Αντιγράψιμα πρότυπα προτροπών
Κάντε κριτική στο πειραματικό μου σχέδιο. Βρείτε τις αδυναμίες όσον αφορά: ομάδα ελέγχου, αριθμό επαναλήψεων, τυχαιοποίηση, τύφλωση, συγχυτικές ουσίες. Προτείνετε μια συγκεκριμένη διόρθωση για κάθε έλλειψη. Σχέδιο: [κείμενο]
Εξηγήστε με παράδειγμα τη διαφορά μεταξύ βιολογικής επανάληψης και τεχνικής επανάληψης. Από την εμπειρία μου [εξήγηση] ποια πρέπει να είναι πόσα και γιατί;
Θέλω να διορθώσω το σχέδιο ανάλυσής μου ΠΡΙΝ το πείραμα. Απόδοση: [σχέδιο]. Ποιο στατιστικό τεστ είναι κατάλληλο, ποιες υποθέσεις πρέπει να ελέγξω, θα υπάρχουν πολλαπλές συγκρίσεις; Γράψτε βήμα προς βήμα.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμο: "Σχεδιάστε ένα πείραμα".
Δυνατός: «Θέλω να δοκιμάσω αν Ναρκωτικά
Διαφορά: Στην ισχυρή προτροπή, η υπόθεση, οι μεταβλητές, ο χρόνος μέτρησης και οι διαθέσιμοι έλεγχοι είναι σαφείς. Το μοντέλο παρέχει συγκεκριμένη, κατάλληλη για το πεδίο ανατροφοδότηση.
τρεις μίνι θήκες
Περίπτωση 1 — Φαινόμενο άκρου: Μία ομάδα πειραματίστηκε σε πλάκα 96 φρεατίων. Τα αποτελέσματα ήταν περίεργα. Η τεχνητή νοημοσύνη υπενθύμισε ότι τα ακραία φρεάτια της πλάκας συμπεριφέρονται διαφορετικά λόγω εξάτμισης (φαινόμενο άκρου) και πρότεινε τη χρήση των άκρων ως ελέγχου και την τυχαία διανομή των δειγμάτων. Η συνέπεια αυξήθηκε στην επανάληψη.
Περίπτωση 2 — Ψευδοαναδιπλασιασμός: Ένας μαθητής πήρε 10 δείγματα ιστού από ένα μόνο ποντίκι και είπε "n=10". Ωστόσο, αυτές είναι 10 τεχνικές επαναλήψεις. Το βιολογικό n είναι ακόμα 1. Όταν το μοντέλο εξήγησε αυτή τη διάκριση, ο μαθητής επανασχεδίασε το πείραμα με 6 ποντίκια. Μάθημα: το στατιστικό n είναι μια βιολογική μονάδα.
Περίπτωση 3 — Ανεπαρκής ισχύς: Μία ομάδα έτρεξε 4 δείγματα ανά ομάδα και έχασε ένα πραγματικό αποτέλεσμα (p=0,09). Η ανάλυση ισχύος έδειξε ότι 4 δείγματα παρείχαν μόνο 35% ισχύ. Εάν το μοντέλο είχε υπολογίσει εκ των προτέρων τον σωστό αριθμό δειγμάτων, το πείραμα είτε θα είχε στηθεί με επαρκή ισχύ είτε δεν θα είχε ξεκινήσει καθόλου. Μάθημα: υπολογίστε την ισχύ εκ των προτέρων, όχι αργότερα.
γράφημα σύγκρισης
έννοια
Σωστή εφαρμογή
συχνό λάθος
πάλι
Μετρήστε τη βιολογική επανάληψη
σκεφτείτε την τεχνική επανάληψη
έλεγχος
Αρνητικό+θετικό+φορέας
ανεξέλεγκτο πείραμα
Τυχαιοποίηση
Ομαδοποιήστε και παραγγείλετε τυχαία
Διαδοχική επεξεργασία
δύναμη
Υπολογίστε πριν από το πείραμα
μην κοιτάς πίσω
σχέδιο ανάλυσης
καρφιτσώστε εκ των προτέρων
Επιλογή δοκιμών με βάση δεδομένα
Συνήθη λάθη
- Παράλειψη της ομάδας ελέγχου: Κάνει την αιτία της διαφοράς ανερμήνευτη.
- Ψευδο-επανάληψη: Η εξέταση της τεχνικής επανάληψης ως βιολογικού n παράγει ψευδο-σημασία.
- Μη εκτέλεση ανάλυσης ισχύος: Ανεπαρκής ή σπάταλη δειγματοληψία.
- Παράβλεψη συγχυτικών παραγόντων: Εφέ όπως παρτίδα, τοποθεσία, χρόνος παραμορφώνουν το αποτέλεσμα.
- Επιλογή του τεστ ανάλυσης στη συνέχεια: Αναζήτηση του τεστ που δίνει το αποτέλεσμα που θέλετε (p-hacking).
Προσοχή: Η τεχνητή νοημοσύνη σάς παρέχει στατιστικές και προτάσεις σχεδίασης, αλλά απαιτεί γνώση του τομέα της βιολογικής σημασίας του πειράματος και του ελέγχου που απαιτείται στην πραγματικότητα. Καμία ανάλυση δεν μπορεί να σώσει ένα πείραμα με κακή σχεδίαση. Αποσαφηνίστε το σχέδιο πριν ξεκινήσει το πείραμα, κατά προτίμηση με έναν στατιστικολόγο.
Λαμβάνοντας υπόψη τις πηγές μεταβλητότητας
Ο αφανής ήρωας του καλού σχεδιασμού είναι να σκεφτείς εκ των προτέρων από πού προέρχεται η μεταβλητότητα στα δεδομένα. Η βιολογική μεταβλητότητα (φυσική διαφορά μεταξύ των ατόμων) είναι αναπόφευκτη και αυτό που θέλετε να μελετήσετε. Η τεχνική μεταβλητότητα (σφάλμα πιπέτας, απόκλιση συσκευής, διαφορά ημέρας) είναι θόρυβος και πρέπει να μειωθεί. Ο τρόπος διαχωρισμού των δύο είναι στο σχεδιασμό: κατανομή της τεχνικής μεταβλητότητας με τυχαιοποίηση και τύφλωση, δείγμα βιολογικής μεταβλητότητας με επαρκή επανάληψη.
Είναι χρήσιμο να ξεκινήσετε έχοντας την AI λίστα πιθανών πηγών μεταβλητότητας στο πείραμά σας. Για παράδειγμα, σε ένα πείραμα κυτταροκαλλιέργειας: αριθμός διελεύσεως (πόσες φορές διαιρέθηκαν τα κύτταρα), μεσαία παρτίδα, θέση επωαστήρα, χρόνος συγκομιδής. Η γνώση αυτών των πηγών σάς επιτρέπει να αποφασίσετε ποιες να διατηρήσετε σταθερές και ποιες να τυχαιοποιήσετε.
Καταγράψτε όλες τις πιθανές πηγές μεταβλητότητας (βιολογική και τεχνική) στο ακόλουθο πείραμα. Προτείνετε "διατήρηση σταθερής", "τυχαιοποίηση" ή "αποθήκευση και προσθήκη στο μοντέλο ως μεταβλητή" για καθεμία. Πείραμα: [περιγραφή]
Προεγγραφή: το πιο ισχυρό εργαλείο ακεραιότητας
Η πιο ισχυρή μορφή επιδιόρθωσης του σχεδίου ανάλυσης πριν από το πείραμα είναι η προκαταχώριση: καταγραφή της υπόθεσής σας, του μεγέθους του δείγματος και του σχεδίου ανάλυσης σε μια θέση με χρονική σήμανση πριν από τη συλλογή δεδομένων. Αυτό εξαλείφει την μεταγενέστερη αμφιβολία «Προσπάθησα ανάλυση μέχρι να πετύχω αυτό που ήθελα» και αυξάνει σημαντικά την αξιοπιστία της δουλειάς σας. Το AI μπορεί να σας βοηθήσει να συντάξετε το φύλλο όρου σας, να διευκρινίσετε την υπόθεση και να γράψετε το σχέδιο ανάλυσης. Με αυτόν τον τρόπο, θα έχετε δημιουργήσει την ισχυρότερη ασπίδα ενάντια στο p-hacking, την οποία θα δούμε στην Ενότητα 8, πριν ξεκινήσει το πείραμα.
Διαφορές σχεδίασης ανάλογα με τον τύπο πειράματος
Δεν ακολουθεί κάθε βιολογικό πείραμα το ίδιο μοτίβο. Ο σχεδιασμός ποικίλλει ανάλογα με τον τύπο του προβλήματος. Ένα πείραμα δόσης-απόκρισης απαιτεί πολλαπλές δόσεις και ένα μοντέλο καμπύλης. Μια μόνο δόση δεν είναι αρκετή. Σε ένα πείραμα χρονολογικής σειράς, η απόσταση και η εξάρτηση των σημείων μέτρησης (εκ νέου μέτρηση του ίδιου ατόμου) καθορίζει το σχέδιο. Σε μια μελέτη πεδίου/οικολογίας, η τυχαία δειγματοληψία και η χωρική εξάρτηση (ομοιότητα κοντινών σημείων) έρχονται στο προσκήνιο. Λέτε στην τεχνητή νοημοσύνη τον τύπο του πειράματός σας και ρωτάτε "ποια στοιχεία σχεδίασης είναι κρίσιμα για αυτόν τον τύπο;" Ερώτηση: σας επιτρέπει να πιάσετε νωρίς ένα στοιχείο που παραβλέπεται. Αλλά θυμηθείτε: το μοντέλο υπενθυμίζει γενικές αρχές, δεν γνωρίζει τις βιολογικές λεπτομέρειες του συστήματός σας.
Συνοπτικά
Ένα συμπαγές πείραμα. Βασίζεται σε μια σαφή υπόθεση, ακριβείς ελέγχους, επαρκή βιολογικά αντίγραφα, τυχαιοποίηση, τύφλωση και προ-υπολογισμένη ισχύ. Το AI είναι ένας ισχυρός συνεργάτης που ανακαλεί αυτά τα στοιχεία, γράφει τον κώδικα ανάλυσης ισχύος και ασκεί κριτική στο σχέδιό σας. Αλλά η βιολογική σημασία και η τελική απόφαση σχεδιασμού είναι δική σας. Η διόρθωση του σχεδίου ανάλυσης πριν από το πείραμα είναι το αντίδοτο στην παγίδα p-hacking που θα δούμε στην επόμενη ενότητα.
Εργασία εφαρμογής
Περιγράψτε ένα πείραμα που έχετε στο μυαλό σας (ή ένα παράδειγμα) σε μία παράγραφο: υπόθεση, μεταβλητές, στοιχεία ελέγχου, προγραμματισμένη αναπαραγωγή. Είχατε την τεχνητή νοημοσύνη να επικρίνει αυτό το σχέδιο. Λίστα χειριστηρίων και μίξερ που λείπουν. Στη συνέχεια, εκτυπώστε έναν κωδικό ανάλυσης ισχύος (με τις τιμές d και alpha) και βάλτε τον να υπολογίσει τον αριθμό των απαιτούμενων δειγμάτων. Αναθεωρήστε το σχέδιό σας με αυτά τα σχόλια.
λίστα ελέγχου
- [ ] Έγραψα την υπόθεσή μου σε μια μετρήσιμη πρόταση.
- [ ] Προσδιόρισα τις απαραίτητες ομάδες ελέγχου (αρνητικό/θετικό/φορέα).
- [ ] Διέκρινα σωστά τη βιολογική και τεχνική επανάληψη.
- [ ] Έκανα την ανάλυση ισχύος πριν από το πείραμα.
- [ ] Σχεδίασα την τυχαιοποίηση και την τύφλωση.
- [ ] Διόρθωσα τη δοκιμή ανάλυσης χωρίς να δω τα δεδομένα.