✳️از دانشجوهای کارشناسی ارشد پرستاری خواسته بودم که یک مقاله مورد شاهدی را نقد کنند. در خصوص اینکه آیا متغیرهای مخدوشگر در مطالعه کنترل شده بود یا نه چاسخ هایشان با هم مطابقت نداشت خواستم اینجا آن ار تکمیل کنم:


در مطالعات مورد–شاهدی، پژوهشگر معمولاً دو گروه مورد و شاهد را با هم مقایسه می‌کند تا ببیند آیا بین یک مواجهه و یک پیامد خاص رابطه‌ای وجود دارد یا نه. اما در این نوع مطالعات، برخی متغیرها مثل سن و یا جنس می‌توانند هم با مواجهه و هم با پیامد مرتبط باشند و باعث شوند رابطه واقعی به‌درستی دیده نشود. به این متغیرها عوامل مخدوش‌کننده گفته می‌شود.

برای کاهش اثر این عوامل، پژوهشگر می‌تواند در مرحله طراحی مطالعه، دو گروه مورد و شاهد را از نظر یک یا چند متغیر مشخص همسان کند. وقتی همسان‌سازی انجام می‌شود، توزیع آن متغیرها در هر دو گروه یکسان می‌شود و در نتیجه اثر مخدوش‌کنندگی آن‌ها تا حد زیادی کنترل می‌شود. البته این روش فقط متغیرهایی را کنترل می‌کند که آگاهانه برای آن‌ها همسان‌سازی انجام شده است و نمی‌تواند همه عوامل مخدوش‌کننده احتمالی را از بین ببرد.
@nursearch

📌تفاوت‌ بین Umbrella review و Network متاآنالیز

🔸مرور چتری:

🔻هدف: مرور و خلاصه‌سازی تمام مرورهای نظام‌مند و متاآنالیزهای موجود در مورد یک موضوع
🔻سوال: "شواهد خلاصه‌شده از مرورهای موجود در مورد یک موضوع خاص چه می‌گویند و چه میزان قطعیت دارند؟"
🔻خروجی: نقشه‌ای از شواهد موجود، شناسایی شکاف‌های دانش و ارزیابی قطعیت کلی شواهد.

🔸نت‌ورک:

🔺هدف: مقایسه کارآیی چندین مداخله مختلف به صورت همزمان و رتبه‌بندی آن‌ها، حتی اگر مستقیماً در مطالعات با هم مقایسه نشده باشند.
🔺سوال: "کدام یک از بین چندین مداخله یا درمان برای یک بیماری خاص، موثرترین (یا ایمن‌ترین) است؟"
🔺خروجی: ماتریس مقایسه‌های مستقیم و غیرمستقیم، رتبه‌بندی احتمالی درمان‌ها و تخمین اندازه اثر برای هر جفت مقایسه.

╭────•⊰𓐍⊱•───╮
💎   @nursearch 🧬💡🌱
╰────•⊰𓐍⊱•───╯

مقاله‌ای را داوری کردم که در آن نویسندگان برای بررسی روایی محتوای کمّی، شاخص CVR را محاسبه کرده بودند، اما CVI را انجام نداده بودند. در حالی‌که در صورت انتخاب یکی از این دو شاخص، انجام CVI اولویت دارد و مناسب‌تر است.
شاخص CVR از سخت‌گیری بیشتری برخوردار است و رویکردی دوحالتی (صفر و یک) دارد؛ به این معنا که در نهایت تنها دو وضعیت را در نظر می‌گیرد: گویه باقی بماند یا گویه حذف شود. در این شاخص، فقط گزینه «ضروری است» اهمیت دارد و حتی اگر تعدادی از خبرگان نسبت به یک گویه تردید داشته باشند، آن گویه حذف می‌شود. از سوی دیگر، ممکن است یک گویه مفید و مهم باشد، اما همه متخصصان آن را «ضروری» تلقی نکنند. در نتیجه، استفاده صرف از CVR می‌تواند منجر به حذف زودهنگام گویه‌های بالقوه مفید شود.
@nursearch

کار گروهی مورچه ها در حل مشکلات از کار گروهی انسانها موفق تر است!

در مقاله ای که در مجله
Science
به چاپ رسیده است، پژوهشگران نشان دادند که مورچه ها برای انتقال اجسام خاص از منافذ کوچک بسیار توانمند هستند. در مقایسه با انسانها عملکرد گروهی آنها بهتر است (البته در صورتیکه انسانها با هم صحبت نکنند و ارتباط کلامی را قطع کنیم).
مشخصا هوش جمعی مورچه ها از هوش جمعی انسانها بدون ارتباط کلامی بهتر است!

https://www.science.org/content/article/ants-best-humans-test-collective-intelligence?utm_campaign=Science&utm_source=Shorts&utm_medium=ownedSocial

⭐️واژه Set با همه حروف اضافه هاش معني شروع كردن و راه اندازي و برقراركردن ميده!

Set in
Set to
Set off
Set for
Set up
Set to
همه اين کلمات معني شروع كردن و آغاز كردن ميدن☝🏻

⭐️كلمه point با همه حروف اضافه ها معني مطرح كردن و يا اشاره داشتن ميده!

Point off
Point to
Point up
Point for
Point out
همه ی این کلمات معنی مطرح کردن و اشاره داشتن میده.☝🏻

⭐️ يكي از لغتهاي مهمي كه در كنكورها بويژه ارشد پزشكي خيلي كاربرد دارد واژه هايي هستند كه معنيه " ترك كردن و پرهيزكردن " ميدهند.

اين واژه ها عبارتند از....
Withdraw ترك مواد
Abstain ترك الكل
Quit ترك عادت
Relinguish ترك ودست كشدن از چيزي
Avoid پرهيز كردن
Schew شكل فرمال پرهيز كردن
Refrain خودداري و پرهيز كردن
Abandon رها كردن جايي و شيي
Shirk پرهيز ازكار كردن

⭐️در آزمونهاي تافل اين فعلها يك ويژگي خاصي دارند.اونم اينكه بعداز اين كلمات فعل دوم بصورت ing فرم ميايند.

The drunk people are advised to abstain .......... .
1-drinking
2-drink
3-to drink
4-drinks
پاسخ درست گزينه ١ ميباشد.

💎@nursearch🌱#EnglishTips 💡#زبان

✅رگرسیون یکی از پرکاربردترین روش‌های آماری است که برای بررسی و مدل‌سازی رابطه بین یک متغیر وابسته و یک یا چند متغیر مستقل استفاده می‌شود. هدف اصلی رگرسیون این است که بفهمیم تغییرات متغیر وابسته تا چه حد و چگونه تحت تأثیر متغیرهای مستقل قرار می‌گیرد. به بیان ساده‌تر، رگرسیون به ما کمک می‌کند به این سؤال پاسخ دهیم اگر X تغییر کند، Y چقدر و به چه سمتی تغییر می‌کند؟

اجزای اصلی رگرسیون

متغیر وابسته یا Y: متغیری که می‌خواهیم آن را پیش‌بینی یا توضیح دهیم

متغیر مستقل یا X: متغیری که تصور می‌کنیم بر Y اثر می‌گذارد

ضریب رگرسیون: نشان‌دهنده شدت و جهت اثر X بر Y

انواع رایج رگرسیون

رگرسیون خطی ساده: یک متغیر مستقل و یک متغیر وابسته

رگرسیون خطی چندگانه: چند متغیر مستقل

رگرسیون لجستیک: وقتی متغیر وابسته دوحالتی است (مثل قبول/رد)

رگرسیون غیرخطی: وقتی رابطه بین متغیرها خطی نیست

مثلاً اگر بخواهیم بررسی کنیم ساعات مطالعه چه اثری بر نمره امتحان دارد، از رگرسیون استفاده می‌کنیم تا بفهمیم هر یک ساعت مطالعه اضافه، به‌طور متوسط چقدر نمره را افزایش می‌دهد.

@nursearch

📚 نسخه PDF کتاب از حال بد به حال خوب

👤 اثری از دیوید برنز

🔹 در این کتاب موضوع داشتن حال خوب زیر ذره‌بین وان‌شناسی قرار ر گرفته است. به‌راستی چگونه می‌توان حال خوب داشت و حال خوب چیست؟ حال خوب در خانه، در کار و به‌طور کلّی در زندگی.

#معرفی_کتاب @nursearch

📊 نکته کلیدی در آمار و پژوهش: رگرسیون (Regression) 📉👇👇

رگرسیون یکی از قدرتمندترین ابزارهای آماری است که به ما کمک می‌کند تا روابط بین متغیرها را درک و پیش‌بینی کنیم. اما نکته کلیدی و مهم آن در چیست؟ 🤔

نکته مهم: 👈 فراموش نکنید که هدف اصلی رگرسیون، صرفاً "پیدا کردن یک رابطه" نیست، بلکه "توضیح دادن و پیش‌بینی کردن تغییرات یک متغیر وابسته بر اساس یک یا چند متغیر مستقل" است. 🎯

این یعنی:

*شناسایی متغیرها: ابتدا باید به وضوح متغیر وابسته (نتیجه‌ای که می‌خواهیم پیش‌بینی کنیم) و متغیرهای مستقل (عواملی که فکر می‌کنیم بر متغیر وابسته تأثیر دارند) را تعریف کنیم.
* نوع رابطه: رگرسیون می‌تواند انواع مختلفی از روابط را مدل‌سازی کند (خطی، چند جمله‌ای، لجستیک و...). انتخاب نوع مناسب به ماهیت داده‌ها و فرضیه‌های ما بستگی دارد.
* قدرت پیش‌بینی: شاخص‌هایی مانند R-squared (ضریب تعیین) به ما نشان می‌دهند که مدل رگرسیون ما چقدر توانایی توضیح واریانس متغیر وابسته را دارد. هر چه R-squared بالاتر باشد، مدل ما قدرت پیش‌بینی بهتری دارد.
* اهمیت آماری: باید به ضرایب رگرسیون و P-value آن‌ها دقت کنیم تا بفهمیم کدام متغیرهای مستقل به طور معناداری بر متغیر وابسته تأثیر می‌گذارند. 💡

درک عمیق رگرسیون به شما این امکان را می‌دهد که نه تنها روابط پیچیده را در پژوهش‌های خود مدل‌سازی کنید، بلکه با دقت بیشتری نتایج را تفسیر کرده و پیش‌بینی‌های معتبرتری ارائه دهید. این مدل به شما کمک می‌کند تا از سطح "همبستگی" فراتر رفته و به "علّیت" نزدیک‌تر شوید (البته با رعایت احتیاط‌های لازم در تفسیر). 🧑‍🔬✨

💡🌱💎@nursearch

مطالعه مولتی‌مودال یعنی پژوهشی که در آن شرکت‌کنندگان می‌توانند از چند روش مختلف به پرسشنامه پاسخ بدهند.
مثلاً بعضی افراد پرسشنامه را آنلاین پر می‌کنند، بعضی کاغذی پاسخ می‌دهند یا حتی از طریق مصاحبه.

این کار باعث می‌شود افراد راحت‌تر در پژوهش شرکت کنند، چون می‌توانند روشی را انتخاب کنند که برایشان ساده‌تر یا در دسترس‌تر است.
به همین دلیل، میزان مشارکت افزایش پیدا می‌کند و افراد بیشتری حاضر می‌شوند در مطالعه شرکت کنند.
@nursearch

✅چرا در روان‌سنجی می‌گویند «مطالعه دلفی» در حالی که CVI یا شاخص روایی محتوا محاسبه شده است؟

در مطالعات روان‌سنجی ابزار، گاهی می‌بینیم نویسندگان از عنوان مطالعه دلفی استفاده می‌کنند، اما در عمل شاخص‌هایی مثل CVI یا درصد توافق متخصصان را گزارش می‌دهند. این موضوع ممکن است باعث سردرگمی شود، اما از نظر روش‌شناختی قابل توجیه است. دلفی یک روش برای گرفتن نظر از گروه متخصصان است که معمولاً به‌صورت چندمرحله‌ای انجام می‌شود و هدف آن رسیدن به اجماع علمی است. در مقابل، CVI یک شاخص عددی است که برای کمی‌سازی میزان توافق خبرگان درباره روایی محتوایی آیتم‌ها به کار می‌رود. بنابراین دلفی می‌گوید چگونه نظر خبرگان جمع‌آوری شده و CVI نشان می‌دهد این توافق چقدر بوده است. به بیان ساده، دلفی مسیر اجراست و CVI ابزار سنجش اجماع در این مسیر. به همین دلیل، استفاده هم‌زمان از عنوان دلفی و محاسبه شاخص‌های کمی روایی محتوایی نه‌تنها اشتباه نیست، بلکه رویکردی استاندارد و رایج در مقالات معتبر بین‌المللی است

. برای جلوگیری از ایراد داوران، بهترین شیوه این است که در پایان‌نامه یا مقاله بنویسیم:

روایی محتوایی به روش دلفی چندمرحله‌ای و با محاسبه شاخص‌های کمی روایی محتوایی (CVI) ارزیابی شد.
@nursearch

✅در روان‌سنجی ابزارها همیشه لازم نیست ابتدا تحلیل عاملی اکتشافی انجام شود.
اگر یک ابزار بر پایه چارچوب نظری معتبر طراحی شده باشد، سازه‌ها از قبل به‌صورت روشن تعریف شده باشند و آیتم‌ها به‌طور هدفمند برای هر سازه نوشته شده باشند، پژوهشگر می‌تواند مستقیماً از تحلیل عاملی تأییدی استفاده کند.
در این حالت، تعداد عوامل کشف نمی‌شود، بلکه از قبل فرض می‌شود و تحلیل عامل تاییدی فقط بررسی می‌کند که آیا داده‌های واقعی این ساختار نظری را تأیید می‌کنند یا نه. حذف یا نگه‌داشت آیتم‌ها در تحلیل عامل تاییدی به معنی تغییر عوامل نیست، بلکه به‌منظور پالایش آیتم‌هایی است که نمایندگی مناسبی از عامل نظری ندارند. بنابراین تعیین عوامل بدون تحلیل عامل اکتشافی زمانی علمی و قابل دفاع است که پشتوانه نظری، شواهد کیفی و روایی محتوایی قوی وجود داشته باشد؛ در غیر این صورت، ابتدا باید تحلیل عامل اکتشافی انجام شود.
@nursearch

✳️روایی ویژگی خودِ ابزار نیست، بلکه به نمره‌ها و نحوه تفسیر آن‌ها مربوط می‌شود؛ یعنی یک ابزار واحد می‌تواند برای یک هدف خاص معتبر باشد اما برای هدفی دیگر نه.
برای مثال، یک پرسش‌نامه افسردگی ممکن است برای تشخیص افسردگی روایی داشته باشد، اما برای سنجش اضطراب معتبر نباشد. یا مثلاً نمره امتحان بورد قلب برای ارزیابی دانش قلب معتبر است، اما برای سنجش دانش ریه یا مهارت عملی آنژیوگرافی روایی ندارد. بنابراین ابزار ثابت است، اما معنایی که از نمره‌های آن استنباط می‌کنیم تغییر می‌کند.
@nursearch

📖🖋Academic Adverbs

در نوشتار علمی، قیدها نقش مهمی در دقیق‌سازی معنا، کاهش قطعیت، و افزایش رسمیت متن دارند. قیدهای محاوره‌ای یا مبهم، اعتبار متن پژوهشی را کاهش می‌دهند.

🔹 به‌جای قیدهای ساده و روزمره، از قیدهای آکادمیک استفاده کنید:

❌ very
✔️ significantly / considerably / substantially

❌ really
✔️ highly / markedly

❌ clearly
✔️ evidently / apparently

❌ maybe
✔️ possibly / potentially

❌ a lot
✔️ extensively / considerably

❌ exactly
✔️ precisely

❌ mostly
✔️ largely / predominantly

❌ partly
✔️ partially

❌ usually
✔️ typically / generally

❌ easily
✔️ readily

#EnglishTips
#زبان
@nursearch

در متن پرسشنامه‌ها، fence-sitting به این اشاره دارد که بعضی از افراد نمی‌خواهند نظر مثبت یا منفی بدهند، پس همیشه گزینه وسط (مثلاً نه موافقم نه مخالفم) را انتخاب می‌کنند، حتی اگر نظر خاصی دارند. این کار می‌تواند باعث شود داده‌ها کمتر دقیق باشند، چون فرد از دادن نظر واقعی طفره می‌رود یا بی‌جهت خنثی می‌ماند.
t.me/nursearch

ماجراهای نیم فاصله و پایان نامه و مقاله

۴ ترفند گذاشتن نیم فاصله

@nursearch

✅چالش داده های گمشده

داده‌های گمشده، یعنی مشکلی که زمانی ایجاد می‌شود که برخی افراد به همه گویه‌های یک مقیاس پاسخ نمی‌دهند، چالشی اجتناب‌ناپذیر برای سازندگان و کاربران مقیاس‌هاست. پاسخ‌های از دست‌رفته می‌توانند نشانه‌ای از مشکلات تفسیر یا فهم سؤال، ناراحتی پاسخ‌دهنده از سؤال، نامرتبط بودن گویه برای فرد، و موارد دیگر باشند و هیچ راهی برای اطمینان از اینکه کدام‌یک از این وضعیت‌ها رخ داده یا مقدار واقعی پاسخ چه می‌بود، وجود ندارد. هنگامی که نمرات گویه‌ها برای تشکیل نمره کل مقیاس با هم جمع می‌شوند، باید برای داده‌های گمشده تصمیمی اتخاذ شود؛ در غیر این صورت، نمره کل نادرست خواهد بود. در سایکومتری، نمره کل قرار است نماینده جایگاه واقعی فرد روی سازه باشد. اما وقتی گویه‌ای پاسخ داده نشده نمی‌دانیم فرد واقعاً چه پاسخی می‌داد و هر تصمیمی درباره آن، نوعی فرض آماری است. پس داده گمشده هم یک مسئله مفهومی است، هم آماری.
@nursearch

▫️رفرنس‌های جعلیِ تولید شده توسط هوش مصنوعی مولد باز هم قربانی گرفت

بنا به اطلاعیه دانشگاه هنگ‌کنگ (HKU)، پروفسور پل یِیپ (Paul Yip) از دانشکده علوم اجتماعی، در پی تأیید یک بررسی داخلی مبنی بر وجود رفرنس‌های غیرواقعیِ تولیدشده با هوش مصنوعی در یک مقاله علمی، از سمت معاونت دانشکده استعفا داده است. به گفته دانشگاه، عضویت او در چند کمیته پژوهشی نیز پایان یافته است اما ایشان همچنان عضو هیئت علمی باقی خواهد ماند.

پرونده به مقاله‌ای با عنوان Forty years of fertility transition in Hong Kong مربوط می‌شود که در مجله China Population and Development Studies منتشر شده بود. Yiming Bai (دانشجوی دکتری) نویسنده اصلی مقاله بوده و در حالی از ابزارهای هوش مصنوعی برای تهیه بخش رفرنس‌ها استفاده کرده که این موضوع را اعلام نکرده است؛ در عین حال نام پروفسور یِیپ به عنوان نویسنده مسئول در مقاله درج شده بود. دانشگاه اعلام کرد یِیپ خواستار پس‌گرفتن (retraction) مقاله شده و دانشجوی دکتری نیز اکنون تحت فرایندهای انضباطی قرار دارد.

پروفسور یِیپ در گفت‌وگو با رسانه‌های محلی گفته بود دانشجو از AI برای "مرتب‌سازی" منابع استفاده کرده اما بررسی نهایی انجام نشده است. او با پذیرش مسئولیت خود به عنوان نویسنده مسئول، عذرخواهی کرد، اما در عین حال تأکید داشت متن مقاله ساختگی نیست و دو دور داوری را پشت سر گذاشته است.

دانشگاه هنگ‌کنگ با تأکید دوباره بر "استانداردهای سخت‌گیرانه اخلاق پژوهش"، اعلام کرد برای پیشگیری از موارد مشابه، آموزش و ارزیابی درباره کاربرد هوش مصنوعی در پژوهش را برای همه پژوهشگران تقویت و اجباری خواهد کرد.

🔻برای من جالب بود که استاد خودش درخواست ریترکشن داده و بلافاصله از سمت‌های مدیریتی‌اش استعفا کرده است. هم دانشگاه و هم خودِ استاد عذرخواهی کرده‌اند و دانشگاه هم قول داده برای همه پژوهشگران، آموزش‌های اجباری درباره استفاده مسئولانه از هوش مصنوعی برگزار کند. این را مقایسه کنید با آنچه در کشور ما می‌گذرد: آیا دانشگاه‌های ما جرئت برخورد با بداخلاقی‌های پژوهشی یک استاد تمام را دارند؟

#research_ethics
#retraction
#AI

🆔 @nursearch

🔆 راهنمای شناسایی مجلات برتر در هر رشته

🔺برای شناسایی مجلات برتر در رشته خود، به Google Scholar مراجعه کنید.

🔺سپس از منوی بالای صفحه، گزینه Metrics را انتخاب کنید.

🔺در بخش Categories، رشته خود را انتخاب کرده و در ادامه به Subcategories بروید تا حوزه تخصصی مورد نظر خود را مشخص کنید.

🔺در نهایت، می‌توانید فهرست ۲۰ مجله برتر مرتبط با آن دسته‌بندی و زیرشاخه را مشاهده کنید.


🎓 مرجع مقاله‌نویسی و پایان‌نامه👇

🆑 @nursearch

🔗 Academic Linking Words in Research Writing (✍🏻part1)

در نوشتار آکادمیک، linking word ها فقط برای «وصل کردن جمله‌ها» نیستند؛ آن‌ها منطق متن را نشان می‌دهند. استفاده‌ی درست از آن‌ها باعث می‌شود متن پژوهشی روان، متقاعدکننده و حرفه‌ای به نظر برسد.

🔎در ادامه مهم‌ترین و پرکاربردترین آنهارا در دسته های مختلف بررسی می کنیم.

🟣اضافه کردن اطلاعات
(Adding Information)

moreover → علاوه بر این / مزید بر آن
furthermore → افزون بر این / همچنین
additionally → به‌طور اضافی / علاوه بر این
in addition → علاوه بر این

🟣 تضاد و تقابل
(Contrast)

however → با این حال / اما
nevertheless → با وجود این / با این حال
nonetheless → با این وجود / علی‌رغم آن
in contrast → در مقابل / در تضاد با آن

🟣 علت و معلول
(Cause & Effect)

therefore → بنابراین
thus → بدین ترتیب / بنابراین
consequently → در نتیجه
as a result → در نتیجه‌ی آن

🟣 توضیح و شفاف‌سازی
(Clarification)

that is → یعنی / به این معنا که
in other words → به عبارت دیگر
namely → یعنی / به‌طور مشخص

🟣 مثال آوردن
(Giving Examples)

for example →برای مثال
for instance → برای نمونه
such as → مانند / از قبیل

#EnglishTips
#زبان
@nursearch