A framework for classifying and visualising experimental designs when subjects are measured repeatedly
यह शोध पत्र प्रयोगात्मक अनुसंधान में दोहराए गए मापों (रिपीटेड मेजर्स) से जुड़ी भ्रम की स्थिति को संबोधित करता है, जिसमें प्रयोगात्मक इकाइयों, मापन की आवृत्ति और यादृच्छिकीकरण रणनीतियों के आधार पर प्रमुख डिजाइन विशेषताओं को परिभाषित करते हुए ऐसे डिजाइनों को वर्गीकृत करने और हासे आरेख (हासे डायग्राम) का उपयोग करके उन्हें दृश्यमान बनाने के लिए एक रूपरेखा स्थापित की गई है।
मूल पेपर CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/) के तहत सार्वजनिक डोमेन को समर्पित है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक जासूस हैं जो एक रहस्य को सुलझाने की कोशिश कर रहे हैं, लेकिन अपराध स्थल पर सुराग खोजने के बजाय, आप जीवित चीजों—जैसे लोग, कुत्ते, या यहाँ तक कि सूक्ष्म कोशिकाओं—के व्यवहार में उत्तर खोज रहे हैं। विज्ञान की दुनिया में, शोधकर्ता अक्सर प्रयोग करते हैं ताकि यह देख सकें कि विभिन्न चीजें, जैसे कि एक नई दवा या एक विशिष्ट प्रशिक्षण दिनचर्या, उनके विषयों को कैसे प्रभावित करती हैं। लेकिन यहाँ एक पेचीदा बात है: कभी-कभी, वे केवल विषय की एक बार जाँच करके आगे नहीं बढ़ जाते। वे शायद दिन में पाँच बार जाँच करते हैं, या लगातार तीन अलग-अलग उपचार देते हैं, या एक ही रक्त के नमूने से तीन छोटे नमूने लेते हैं। इसे वैज्ञानिक "रिपीटेड मेजर्स" (repeated measures) कहते हैं।
इसे सूप चखने की तरह समझें। यदि आप एक चम्मच लेते हैं, तो वह एक एकल माप है। लेकिन यदि आप यह देखने के लिए हर दस मिनट में एक चम्मच लेते हैं कि पकते समय उसका स्वाद कैसे बदलता है, या यदि आप यह सुनिश्चित करने के लिए तीन अलग-अलग चम्मचों से चखते हैं कि आप कल्पना तो नहीं कर रहे हैं, तो आप "रिपीटेड मेजर्स" कर रहे हैं। समस्या यह है कि वैज्ञानिक इन सभी विभिन्न परिदृश्यों के लिए एक ही लेबल, "रिपीटेड मेजर्स डिज़ाइन", का उपयोग करते आ रहे हैं, भले ही वे वास्तव में बहुत अलग हों। यह एक साइकिल, स्केटबोर्ड और यूनिसाइकिल सबको "पहिए वाले वाहन" कहने जैसा है। उन सभी में पहिए होते हैं, लेकिन आप उन्हें अलग तरह से चलाते हैं, और यदि आप यूनिसाइकिल को बाइक की तरह चलाने की कोशिश करेंगे, तो आप गिर सकते हैं। विज्ञान में, यदि आप अपने डिज़ाइन को गलत समझने के कारण अपने डेटा का गलत तरीके से विश्लेषण करते हैं, तो आपके निष्कर्ष पूरी तरह से गलत हो सकते हैं, जिससे गलत चिकित्सा सलाह या बर्बाद शोध हो सकता है।
यह शोध पत्र, जिसे डेमियनोस माइकलीडेस और साइमन टी. बेट द्वारा लिखा गया है, एक नए निर्देश मैनुअल की तरह है जो अंततः इस भ्रम को दूर करता है। लेखकों ने देखा कि लोग उन विभिन्न प्रकार के प्रयोगों को मिला रहे थे जहाँ विषयों को एक से अधिक बार मापा जाता है, और इससे डेटा के विश्लेषण के तरीकों में त्रुटियाँ हो रही थीं। वे इन डिज़ाइनों को वर्गीकृत करने के लिए एक स्पष्ट ढांचा प्रस्तावित करते हैं जो तीन सरल प्रश्नों पर आधारित है: मुख्य पात्र कौन है (प्रायोगिक इकाई)? क्या हम उस पात्र की बार- बार जाँच कर रहे हैं? और सबसे महत्वपूर्ण बात यह है कि हमने तय कैसे किया कि किसे कौन सा उपचार मिलेगा (यादृच्छिकरण रणनीति/रैंडमाइजेशन स्ट्रैटेजी)?
नियमों की सूची देने के बजाय, लेखक एक दृश्य उपकरण पेश करते हैं जिसे "हासे डायग्राम" (Hasse diagram) कहा जाता है। एक वंशावली वृक्ष की कल्पना करें, लेकिन यह दिखाने के बजाय कि कौन किससे संबंधित है, यह दिखाता है कि एक प्रयोग के विभिन्न भाग कैसे जुड़े हुए हैं और उपचार कैसे सौंपे गए थे। इन रेखाचित्रों को बनाकर, लेखक दिखाते हैं कि जो एक अव्यवस्थित ढेर जैसा दिखता है, उसे वास्तव में छह विशिष्ट श्रेणियों में वर्गीकृत किया जा सकता है: मानक रिपीटेड मेजर्स, विदिन-सब्जेक्ट (विषय के भीतर) डिज़ाइन, ब्लॉक डिज़ाइन, स्प्लिट-प्लॉट डिज़ाइन, क्रॉस-ओवर डिज़ाइन और नेस्टेड डिज़ाइन।
लेखक तर्क देते हैं कि आप किसी भी प्रयोग पर, जहाँ किसी को दो बार मापा जाता है, केवल एक सामान्य "रिपीटेड मेजर्स" लेबल नहीं लगा सकते। उदाहरण के लिए, यदि एक कुत्ते को एक विशिष्ट क्रम में हर दिन एक गोली दी जाती है जिसे बदला नहीं जा सकता, तो वह एक "विदिन-सब्जेक्ट" डिज़ाइन है जहाँ क्रम मायने रखता है। लेकिन यदि एक इंसान को एक गोली मिलती है, और फिर प्रत्येक व्यक्ति के लिए गोलियों का क्रम यादृच्छिक रूप से बदला जाता है, तो वह एक "ब्लॉक" डिज़ाइन है। लेखक दिखाते हैं कि इन दो अलग-अलग परिदृश्यों को एक ही चीज़ मानना एक गलती है। वे प्रदर्शित करते हैं कि यह सही पहचान करके कि आपका प्रयोग किन छह श्रेणियों में से किसमें आता है, आप डेटा का विश्लेषण करने के लिए सही गणितीय मॉडल बना सकते हैं।
यह पत्र यह दावा नहीं करता है कि इसने किसी नई दवा या भौतिकी के नए नियम की खोज की है। इसके बजाय, यह वैज्ञानिकों द्वारा पहले से उपयोग किए जाने वाले उपकरणों को व्यवस्थित करने का एक बेहतर तरीका प्रदान करता है। वे सुझाव देते हैं कि इन विशिष्ट विशेषताओं और दृश्य हासे डायग्रामों का उपयोग करके, शोधकर्ता गलत सांख्यिकीय विधियों के जाल से बच सकते हैं। लेखक कई उदाहरणों के माध्यम से—मानवों के साथ नैदानिक परीक्षणों से लेकर खरगोशों और कुत्तों के अध्ययन तक—दिखाते हैं कि जब आप वर्गीकरण सही करते हैं, तो आपको सही उत्तर मिलता है। वे यह नहीं कहते कि इससे विज्ञान की हर समस्या ठीक हो जाएगी, लेकिन वे यह सुझाव जरूर देते हैं कि इससे उस भ्रम में काफी स्पष्टता आती है जो भ्रामक परिणामों का कारण बनता है। संक्षेप में, वे शोधकर्ताओं को एक बेहतर मानचित्र दे रहे हैं ताकि वे अपने स्वयं के डेटा के जंगल में खो न जाएं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।