🌱 #تفکر_فناورانه
«فناوری تنها زمانی ارزشمند است که در خدمت انسان باشد، نه جایگزین او.»
—
پیشرفت واقعی، آنجاست که علم با مسئولیت همراه شود
و نوآوری، به زندگی انسان معنا ببخشد؛
نه فقط سرعت، بلکه کیفیتِ زیستن را افزایش دهد.
📍 روابط عمومی کمیته مرکزی تحقیقات و فناوری دانشجویی دانشگاه علوم پزشکی اردبیل
🆔 @arums_src

📌 فراخوان ثبت‌نام هشتمین دوره انتخابات شورای مرکزی کمیته تحقیقات و فناوری دانشجویی دانشگاه علوم پزشکی اردبیل، سال ۱۴۰۵

🔰 واحدهای کمیته‌های تحقیقات و فناوری دانشجویی دانشکده‌ها:

▫️دانشکده پزشکی
▫️دانشکده دندانپزشکی
▫️دانشکده داروسازی
▫️دانشکده پیراپزشکی
▫️دانشکده بهداشت
▫️دانشکده پرستاری و مامایی اردبیل
▫️دانشکده پرستاری گرمی
▫️مؤسسه آموزش سلامت مشگین شهر

‼️ مهلت ثبت نام: ۲۸ بهمن ماه الی ۳ اسفند ماه ۱۴۰۴

✅ جهت ثبت‌نام به عنوان کاندیدای انتخابات، فرم ثبت‌نام را تکمیل نمایید.

‼️ لطفاً پیش از ثبت‌نام، حتماً آیین‌نامه انتخابات را به دقت مطالعه فرمایید.

🔻جهت کسب اطلاعات بیشتر، می‌توانید با آیدی زیر در ارتباط باشید:
@Arums_SRC_Support

📍 روابط عمومی کمیته مرکزی تحقیقات و فناوری دانشجویی دانشگاه علوم پزشکی اردبیل
🆔 @arums_src

📌 دانشجویان علاقه‌مند جهت شرکت در انتخابات شورای مرکزی کمیته تحقیقات و فناوری دانشجویی دانشگاه علوم پزشکی اردبیل، جهت آشنایی با ضوابط و شرایط شرکت در انتخابات، حتماً آیین‌نامه مربوطه را مطالعه فرمایند.

📍روابط عمومی کمیته مرکزی تحقیقات و فناوری دانشجویی دانشگاه علوم پزشکی اردبیل

🆔️ @arums_src

📌 از کجا بفهمم کدام آزمون آماری برای تحقیقم مناسب است؟
یکی از بزرگ‌ترین دغدغه‌های دانشجویان وقتی به فصل چهارم می‌رسند این است:
«حالا دقیقاً کدام آزمون را باید انتخاب کنم؟»
خبر خوب این است که انتخاب آزمون آماری آن‌قدرها هم پیچیده نیست؛ اگر مسیر را بلد باشید، فقط با چند سؤال ساده می‌توانید به پاسخ درست برسید.
چرا انتخاب آزمون این‌قدر مهم است؟ 🤔
اگر آزمون اشتباه انتخاب شود، حتی بهترین داده‌ها هم می‌توانند به نتیجه‌گیری نادرست منجر شوند. آمار قرار است به سؤال پژوهش شما جواب بدهد، نه اینکه شما را سردرگم کند.
۳ سؤال کلیدی که مسیر را مشخص می‌کنند 🧭
۱️⃣ هدف شما چیست؟
• فقط توصیف داده‌ها؟ → آمار توصیفی کافی است.
• مقایسه بین گروه‌ها؟ → آزمون‌های مقایسه‌ای.
• بررسی رابطه بین متغیرها؟ → همبستگی یا رگرسیون.
۲️⃣ چند گروه دارید؟
• یک گروه → آمار توصیفی یا مقایسه با مقدار ثابت.
• دو گروه → T-Test
• بیش از دو گروه → ANOVA
۳️⃣ نوع داده‌ها چیست؟
• داده‌های نرمال → آزمون‌های پارامتریک
• داده‌های غیرنرمال → آزمون‌های ناپارامتریک
اشتباه رایج دانشجویان 🚫
بعضی‌ها اول آزمون را انتخاب می‌کنند، بعد دنبال سؤالی می‌گردند که به آن بخورد! درحالی‌که مسیر درست برعکس است:
«اول سؤال پژوهش، بعد انتخاب آزمون.»
یک قانون ساده برای یادآوری 🧠
اگر بتوانید به این سه مورد پاسخ دهید، ۸۰٪ مسیر را رفته‌اید:
• هدف تحقیق چیست؟
• چند گروه دارید؟
• داده‌ها چه نوعی هستند؟
وقتی این‌ها مشخص باشد، انتخاب آزمون دیگر حدس‌زدن نیست؛ یک تصمیم منطقی است.


📍 روابط عمومی کمیته مرکزی تحقیقات و فناوری دانشجویی دانشگاه علوم پزشکی اردبیل
🆔 @arums_src

🌱 #تفکر_فناورانه
«نوآوری، توانایی دیدن تغییر به‌عنوان یک فرصت است، نه تهدید.»
—
آینده را کسانی می‌سازند
که جرأت متفاوت دیدن،
متفاوت اندیشیدن
و متفاوت عمل کردن دارند.
فناوری، وقتی ارزشمند می‌شود
که پلی باشد میان ایده‌های جسورانه
و زندگی بهتر انسان‌ها.
📍 روابط عمومی کمیته مرکزی تحقیقات و فناوری دانشجویی دانشگاه علوم پزشکی اردبیل
🆔 @arums_src

📌 چرا گاهی با وجود «زیاد بودن داده‌ها» نتیجه معناداری به دست نمی‌آید؟
خیلی از دانشجویان تصور می‌کنند هرچه حجم نمونه بیشتر باشد، حتماً نتیجه‌ی آماری بهتری می‌گیرند. اما واقعیت این است که «تعداد داده» به‌تنهایی تضمین‌کننده‌ی معنادار شدن نتایج نیست.
پس مشکل از کجاست؟ 🤔
۱️⃣ کیفیت مهم‌تر از کمیت است
اگر داده‌ها دقیق جمع‌آوری نشده باشند یا ابزار اندازه‌گیری اعتبار کافی نداشته باشد، حتی با تعداد زیاد هم نتیجه قابل اتکا نخواهد بود.
۲️⃣ انتخاب آزمون مناسب
گاهی نتیجه معنادار نمی‌شود چون آزمون درستی انتخاب نشده است. مثلاً استفاده از آزمون پارامتریک برای داده‌های غیرنرمال می‌تواند نتیجه را تغییر دهد.
۳️⃣ پراکندگی زیاد داده‌ها
اگر انحراف معیار بالا باشد، اختلاف بین گروه‌ها کمتر به چشم می‌آید و احتمال معنادار شدن کاهش پیدا می‌کند.
۴️⃣ فرضیه پژوهش
گاهی واقعاً رابطه‌ای وجود ندارد! آمار قرار نیست حتماً رابطه‌ای را پیدا کند؛ بلکه واقعیت داده‌ها را نشان می‌دهد.
نکته مهم برای پژوهشگران 🧠
«معنادار نشدن» همیشه به معنی شکست تحقیق نیست.
گاهی همین نتیجه می‌تواند نشان دهد که یک روش درمانی تفاوتی ایجاد نکرده یا دو متغیر واقعاً ارتباطی با هم ندارند؛ و این خودش یک یافته علمی ارزشمند است.
نگاه حرفه‌ای به آمار 📊
پژوهشگر خوب فقط دنبال P-Value کوچک نیست؛
بلکه دنبال فهمیدن داستانی است که داده‌ها تعریف می‌کنند.





📍 روابط عمومی کمیته مرکزی تحقیقات و فناوری دانشجویی دانشگاه علوم پزشکی اردبیل
🆔 @arums_src

🌱 #تفکر_فناورانه
«علم، زیباترین هدیه‌ای است که بشر در اختیار دارد؛ باید از آن خردمندانه استفاده کنیم.»
— ماری کوری
پژوهش، زمانی ماندگار می‌شود
که مسئولیت‌پذیر باشد
و کشف، در خدمت انسانیت قرار گیرد.
📍 روابط عمومی کمیته مرکزی تحقیقات و فناوری دانشجویی دانشگاه علوم پزشکی اردبیل
🆔 @arums_src

📌 آیا هر P-Value کوچکی یعنی نتیجه مهم است؟

خیلی وقت‌ها وقتی عدد P کمتر از 0.05 می‌شود، سریع خوشحال می‌شویم و فکر می‌کنیم به یک کشف بزرگ رسیده‌ایم. اما واقعیت کمی عمیق‌تر از این است.

چرا همیشه P-Value همه‌چیز را نشان نمی‌دهد؟ 🤔

۱️⃣ معناداری آماری با اهمیت بالینی فرق دارد
ممکن است یک نتیجه از نظر آماری معنادار باشد، اما در دنیای واقعی تأثیر قابل توجهی نداشته باشد.

۲️⃣ حجم نمونه تأثیرگذار است
در نمونه‌های خیلی بزرگ، حتی اختلاف‌های کوچک هم می‌توانند معنادار شوند.

۳️⃣ باید به اندازه اثر هم نگاه کنید
فقط دانستن «معنادار بودن» کافی نیست؛ باید بدانید این تفاوت چقدر مهم است.

نگاه حرفه‌ای به تحلیل 📊
پژوهشگر خوب فقط به یک عدد نگاه نمی‌کند؛ بلکه مجموعه‌ای از شاخص‌ها را در کنار هم تفسیر می‌کند.

📍 روابط عمومی کمیته مرکزی تحقیقات و فناوری دانشجویی دانشگاه علوم پزشکی اردبیل
🆔 @arums_src

🌱 #نوآوری_مسئولانه
«تنها یک چیز از دانش خطرناک‌تر است؛ نداشتن آن.»
— آلبرت اینشتین
آینده از آنِ ذهن‌هایی است
که می‌آموزند،
می‌پرسند
و هرگز از فهمیدن خسته نمی‌شوند.
📍 روابط عمومی کمیته مرکزی تحقیقات و فناوری دانشجویی دانشگاه علوم پزشکی اردبیل
🆔 @arums_src

📌 چرا قبل از تحلیل باید داده‌ها را تمیز (Data Cleaning) کنیم؟

یکی از مهم‌ترین مراحل قبل از ورود به SPSS، بررسی و اصلاح داده‌هاست؛ مرحله‌ای که خیلی‌ها آن را دست‌کم می‌گیرند.

اگر داده‌ها تمیز نباشند چه می‌شود؟ 🤔

۱️⃣ ورود اشتباه اعداد نتایج را تغییر می‌دهد
مثلاً وارد کردن 200 به جای 20 می‌تواند کل میانگین را جابه‌جا کند.

۲️⃣ داده‌های گمشده تحلیل را مختل می‌کنند
باید بدانید با Missing Data چه کار کنید.

۳️⃣ داده‌های پرت نتیجه را منحرف می‌کنند
Outlierها گاهی تصویر واقعی را مخدوش می‌کنند.

نکته مهم 🧠
تحلیل خوب از داده‌ی خوب شروع می‌شود، نه از نرم‌افزار.

📍 روابط عمومی کمیته مرکزی تحقیقات و فناوری دانشجویی دانشگاه علوم پزشکی اردبیل
🆔 @arums_src