A framework for classifying and visualising experimental designs when subjects are measured repeatedly
Dit artikel behandelt de verwarring rondom herhaalde metingen in experimenteel onderzoek door de belangrijkste ontwerpkenmerken te definiëren op basis van experimentele eenheden, meetfrequentie en randomisatiestrategieën om een kader vast te stellen voor het classificeren en visualiseren van dergelijke ontwerpen met behulp van Hasse-diagrammen.
Oorspronkelijk artikel vrijgegeven aan het publieke domein onder CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een detective bent die een mysterie probeert op te lossen, maar in plaats van naar aanwijzingen op een plaats delict te zoeken, zoek je naar antwoorden in het gedrag van levende wezens—mensen, honden, of zelfs minuscule cellen. In de wereld van de wetenschap voeren onderzoekers vaak experimenten uit om te zien hoe verschillende zaken, zoals een nieuw medicijn of een specifieke trainingsroutine, deze proefpersonen beïnvloeden. Maar hier komt het lastige deel bij: soms controleren ze de proefpersoon niet slechts één keer en gaan ze dan door. Ze controleren hen misschien vijf keer per dag, of geven hen drie verschillende behandelingen achter elkaar, of nemen drie kleine monsters uit dezelfde bloedafname. Dit is wat wetenschappers "repeated measures" (herhaalde metingen) noemen.
Denk aan het proeven van een soep. Als je één lepel neemt, is dat een enkele meting. Maar als je elke tien minuten een lepel neemt om te zien hoe de smaak verandert terwijl de soep pruttelt, of als je met drie verschillende lepels proeft om er zeker van te zijn dat je het niet verbeeldt, dan ben je bezig met "repeated measures". Het probleem is dat wetenschappers voor al deze verschillende scenario's dezelfde term hebben gebruikt, namelijk "repeated measures design", ook al zijn het in werkelijkheid heel verschillende soorten experimenten. Het is also option als je een fiets, een skateboard en een eenwieler allemaal "voertuigen met wielen" noemt. Ze hebben allemaal wielen, maar je rijdt er anders op, en als je probeert een eenwieler te rijden als een fiets, dan val je eraf. In de wetenschap, als je je gegevens op de verkeerde manier analyseert omdat je het ontwerp verkeerd hebt begrepen, kunnen je conclusies volkomen fout zijn, wat leidt tot slecht medisch advies of verspild onderzoek.
Dit artikel, geschreven door Damianos Michaelides en Simon T. Bate, is als een nieuwe handleiding die eindelijk de verwarring op de klaren komt. De auteurs merkten op dat mensen verschillende soorten experimenten waarbij proefpersonen vaker worden gemeten met elkaar verwarren, en dat dit fouten veroorzaakte in de analyse van de gegevens. Ze stellen een helder kader voor om deze ontwerpen te classificeren op basis van drie eenvoudige vragen: Wie is de hoofdrolspeler (de experimentele eenheid)? Controleren we die hoofdrolspeler keer op keer? En het belangrijkste: hoe hebben we besloten wie welke behandeling krijgt (de randomisatiestrategie)?
In plaats van alleen regels op te sommen, introduceren de auteurs een visueel hulpmiddel genaamd een "Hasse-diagram". Stel je een stamboom voor, maar in plaats van te laten zien wie aan wie verwant is, laat het zien hoe verschillende onderdelen van een experiment met elkaar verbonden zijn en hoe de behandelingen werden toegewezen. Door deze diagrammen te tekenen, laten de auteurs zien dat wat lijkt op een rommelige stapel herhaalde metingen, eigenlijk kan worden gesorteerd in zes onderscheidende categorieën: standaard repeated measures, within-subject designs, block designs, split-plot designs, cross-over designs en nested designs.
Het artikel betoogt dat je niet zomaar het generieke label "repeated measures" op elk experiment kunt plakken waarbij iemand twee keer wordt gemeten. Bijvoorbeeld, als een hond elke dag een pil krijgt in een specifieke volgorde die niet kan worden gewijzigd, dan is dat een "within-subject" design waarbij de volgorde ertoe doet. Maar als een mens een pil krijgt, en de volgorde van de pillen voor elke persoon willekeurig wordt gehusseld, dan is dat een "block" design. De auteurs laten zien dat het behandelen van deze twee verschillende scenario's als hetzelfde een fout is. Ze demonstreren dat door de juiste categorie van de zes te identificeren waar jouw experiment onder valt, je het juiste wiskundige model kunt bouwen om de gegevens te analyseren.
Het artikel beweert niet dat het een nieuw type medicijn of een nieuwe natuurwet heeft ontdekt. In plaats daarvan biedt het een betere manier om de instrumenten te organiseren die wetenschappers al gebruiken. Het suggereert dat door deze specifieke kenmerken en de visuele Hasse-diagrammen te gebruiken, onderzoekers de valkuil kunnen vermijden van het gebruik van de verkeerde statistische methoden. De auteurs laten door middel van verschillende voorbeelden—van klinische studies met mensen tot studies met konijnen en honden—zien dat wanneer je de classificatie correct krijgt, je het juiste antwoord krijgt. Ze zeggen niet dat dit alle problemen in de wetenschap oplost, maar ze suggereren wel dat het veel van de verwarring die leidt tot misleidende resultaten opheldert. Kortom, ze overhandigen onderzoekers een betere kaart zodat ze niet verdwaald raken in het bos van hun eigen gegevens.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.