پرسشنامهام چقدر ثابتقدمه؟ رمزگشایی از پایایی (Reliability) از صفر تا صد ⚙️💯⏳
سلام مجدد به همه پژوهشگرای عزیز 👋🏻 تو پستهای قبلی یاد گرفتیم که «روایی» یعنی پرسشنامهمون دقیقاً همون چیزی رو بسنجه که باید. اما یه ابزار خوب، علاوه بر دقت، باید «ثبات» هم داشته باشه. یعنی اگه چند بار ازش استفاده کنیم، نتایج مشابهی بهمون بده. به این ویژگی میگن «پایایی» (Reliability).
📌 پایایی به زبان خیلی ساده یعنی چی؟
فکر کنید یه ترازوی دیجیتال دارید. اگه پنج بار پشت سر هم برید روش و هر بار یه وزن متفاوت (با اختلاف زیاد) نشون بده، بهش اعتماد میکنید؟ معلومه که نه! اون ترازو «پایا» نیست. پرسشنامه هم دقیقاً همینه! پایایی یعنی اینکه پرسشنامه شما چقدر نتایج باثبات و قابل تکراری ارائه میده، اگه تحت شرایط یکسان دوباره ازش استفاده بشه.
❓ چرا پایایی اینقدر مهمه؟
اگه پرسشنامهتون پایا نباشه، نتایجی که به دست میارید ممکنه شانسی باشن و قابل اعتماد نیستن.
📌 چطور بفهمیم پرسشنامهمون «پایا» است؟
چندتا روش رایج برای سنجش پایایی داریم که هرکدوم یه جنبه از ثبات رو بررسی میکنن:
✅ پایایی آزمون-بازآزمون (Test-Retest Reliability): آیا در گذر زمان ثبات داره؟ ⏳🔁
• ایده اصلی: اگه امروز از یه گروه پرسشنامه بگیریم و چند وقت دیگه (مثلاً دو هفته بعد) دوباره از همون گروه همون پرسشنامه رو بگیریم، آیا جوابهاشون شبیه به هم خواهد بود؟ (البته برای چیزایی که انتظار داریم تو این مدت ثابت مونده باشن، مثل صفات شخصیتی).
• چطور انجام میشه؟
پرسشنامه رو به یه گروه نمونه (مثلاً ۲۰-۳۰ نفر) میدید.
بعد از یه فاصله زمانی مناسب (معمولاً ۲ تا ۴ هفته)، دوباره همون پرسشنامه رو به همون افراد میدید.
بعد، «همبستگی» (Correlation) بین نمرات بار اول و بار دوم رو با نرمافزاری مثل SPSS حساب میکنید.
• نتیجه خوب چیه؟ همبستگی بالا (معمولاً بالای ۰.۷) نشون میده پرسشنامهتون در طول زمان ثبات خوبی داره.
✅ پایایی همسانی درونی (Internal Consistency Reliability): آیا سوالات با هم «همساز» هستن؟ 🎶🤝
• ایده اصلی: اگه چندتا سوال دارید که همهشون قراره یه مفهوم واحد رو بسنجن (مثلاً «رضایت شغلی»)، آیا این سوالات واقعاً دارن یه چیز رو اندازه میگیرن و با هم همخوانی دارن؟ یا هرکدوم یه ساز دیگه میزنن؟
• چطور انجام میشه (خیلی رایج و مهم)؟
🟢 آلفای کرونباخ (Cronbach's Alpha): این اسم رو حتماً زیاد شنیدید و تو مقالهها دیدید. آلفای کرونباخ یه عدد بین ۰ تا ۱ هست. هرچی این عدد به ۱ نزدیکتر باشه، یعنی سوالات اون بخش از پرسشنامه شما همسانی درونی بهتری دارن و دارن یه مفهوم مشترک رو خوب اندازه میگیرن.
• چه عددی خوبه؟ معمولاً آلفای بالاتر از ۰.۷ قابل قبول تلقی میشه. (برای تصمیمگیریهای بالینی مهم، گاهی دنبال آلفای بالاتر از ۰.۸ یا حتی ۰.۹ هستیم).
• چطوری حسابش کنیم؟ بعد از اینکه پرسشنامه رو روی یه گروه نمونه مناسب (معمولاً حداقل ۵۰ نفر یا بیشتر، بسته به تعداد سوالات) اجرا کردید، میتونید با نرمافزاری مثل SPSS به راحتی آلفای کرونباخ رو برای هر مقیاس یا زیرمقیاس پرسشنامهتون حساب کنید. این روش فقط با یک بار اجرای پرسشنامه قابل محاسبهست و خیلی کاربردیه.
🟢 روش دو نیمه کردن (Split-Half): یه روش قدیمیتر که توش سوالات یه مقیاس رو به دو نیمه تصادفی تقسیم میکنن و همبستگی بین نمرات این دو نیمه رو حساب میکنن. (آلفای کرونباخ معمولاً دقیقتر و رایجتره).
✅ (برای اطلاع) پایایی بین ارزیابها (Inter-Rater Reliability): آیا دو نفر یه چیز رو میبینن؟ 🧑🤝🧑👀
• ایده اصلی: اگه مطالعه شما نیاز به قضاوت یا مشاهده توسط دو یا چند ارزیاب داره (مثلاً تو مطالعات مشاهدهای رفتار)، این روش بررسی میکنه که آیا ارزیابهای مختلف به نتایج مشابهی میرسن یا نه.
• چطور انجام میشه؟ با شاخصهایی مثل «کاپای کوهن» (Cohen's Kappa). (این روش برای پرسشنامههای خودایفا که خود فرد پر میکنه، معمولاً کاربرد نداره).
📌 قدمهای اصلی برای گرفتن پایایی (خلاصه و مفید): 👣⚙️
• ببینید چه نوع پایایی برای پرسشنامه شما و سوال تحقیقتون مناسبتره (معمولاً برای شروع، «همسانی درونی» با آلفای کرونباخ خیلی رایج و مهمه).
• پرسشنامهتون رو روی یه نمونه مناسب از جامعه هدفتون اجرا کنید (برای آلفا، تعداد نمونه مهمه).
• با استفاده از نرمافزار آماری (مثل SPSS)، شاخص پایایی مورد نظرتون رو حساب کنید.
• نتیجه رو تفسیر کنید. اگه پایایی پایینه (مثلاً آلفای کرونباخ زیر ۰.۷)، یعنی سوالات اون بخش از پرسشنامهتون خوب با هم جور نیستن و شاید بعضی از سوالات نیاز به بازنگری یا حذف دارن.
- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱
سلام مجدد به همه پژوهشگرای عزیز 👋🏻 تو پستهای قبلی یاد گرفتیم که «روایی» یعنی پرسشنامهمون دقیقاً همون چیزی رو بسنجه که باید. اما یه ابزار خوب، علاوه بر دقت، باید «ثبات» هم داشته باشه. یعنی اگه چند بار ازش استفاده کنیم، نتایج مشابهی بهمون بده. به این ویژگی میگن «پایایی» (Reliability).
📌 پایایی به زبان خیلی ساده یعنی چی؟
فکر کنید یه ترازوی دیجیتال دارید. اگه پنج بار پشت سر هم برید روش و هر بار یه وزن متفاوت (با اختلاف زیاد) نشون بده، بهش اعتماد میکنید؟ معلومه که نه! اون ترازو «پایا» نیست. پرسشنامه هم دقیقاً همینه! پایایی یعنی اینکه پرسشنامه شما چقدر نتایج باثبات و قابل تکراری ارائه میده، اگه تحت شرایط یکسان دوباره ازش استفاده بشه.
❓ چرا پایایی اینقدر مهمه؟
اگه پرسشنامهتون پایا نباشه، نتایجی که به دست میارید ممکنه شانسی باشن و قابل اعتماد نیستن.
📌 چطور بفهمیم پرسشنامهمون «پایا» است؟
چندتا روش رایج برای سنجش پایایی داریم که هرکدوم یه جنبه از ثبات رو بررسی میکنن:
✅ پایایی آزمون-بازآزمون (Test-Retest Reliability): آیا در گذر زمان ثبات داره؟ ⏳🔁
• ایده اصلی: اگه امروز از یه گروه پرسشنامه بگیریم و چند وقت دیگه (مثلاً دو هفته بعد) دوباره از همون گروه همون پرسشنامه رو بگیریم، آیا جوابهاشون شبیه به هم خواهد بود؟ (البته برای چیزایی که انتظار داریم تو این مدت ثابت مونده باشن، مثل صفات شخصیتی).
• چطور انجام میشه؟
پرسشنامه رو به یه گروه نمونه (مثلاً ۲۰-۳۰ نفر) میدید.
بعد از یه فاصله زمانی مناسب (معمولاً ۲ تا ۴ هفته)، دوباره همون پرسشنامه رو به همون افراد میدید.
بعد، «همبستگی» (Correlation) بین نمرات بار اول و بار دوم رو با نرمافزاری مثل SPSS حساب میکنید.
• نتیجه خوب چیه؟ همبستگی بالا (معمولاً بالای ۰.۷) نشون میده پرسشنامهتون در طول زمان ثبات خوبی داره.
✅ پایایی همسانی درونی (Internal Consistency Reliability): آیا سوالات با هم «همساز» هستن؟ 🎶🤝
• ایده اصلی: اگه چندتا سوال دارید که همهشون قراره یه مفهوم واحد رو بسنجن (مثلاً «رضایت شغلی»)، آیا این سوالات واقعاً دارن یه چیز رو اندازه میگیرن و با هم همخوانی دارن؟ یا هرکدوم یه ساز دیگه میزنن؟
• چطور انجام میشه (خیلی رایج و مهم)؟
🟢 آلفای کرونباخ (Cronbach's Alpha): این اسم رو حتماً زیاد شنیدید و تو مقالهها دیدید. آلفای کرونباخ یه عدد بین ۰ تا ۱ هست. هرچی این عدد به ۱ نزدیکتر باشه، یعنی سوالات اون بخش از پرسشنامه شما همسانی درونی بهتری دارن و دارن یه مفهوم مشترک رو خوب اندازه میگیرن.
• چه عددی خوبه؟ معمولاً آلفای بالاتر از ۰.۷ قابل قبول تلقی میشه. (برای تصمیمگیریهای بالینی مهم، گاهی دنبال آلفای بالاتر از ۰.۸ یا حتی ۰.۹ هستیم).
• چطوری حسابش کنیم؟ بعد از اینکه پرسشنامه رو روی یه گروه نمونه مناسب (معمولاً حداقل ۵۰ نفر یا بیشتر، بسته به تعداد سوالات) اجرا کردید، میتونید با نرمافزاری مثل SPSS به راحتی آلفای کرونباخ رو برای هر مقیاس یا زیرمقیاس پرسشنامهتون حساب کنید. این روش فقط با یک بار اجرای پرسشنامه قابل محاسبهست و خیلی کاربردیه.
🟢 روش دو نیمه کردن (Split-Half): یه روش قدیمیتر که توش سوالات یه مقیاس رو به دو نیمه تصادفی تقسیم میکنن و همبستگی بین نمرات این دو نیمه رو حساب میکنن. (آلفای کرونباخ معمولاً دقیقتر و رایجتره).
✅ (برای اطلاع) پایایی بین ارزیابها (Inter-Rater Reliability): آیا دو نفر یه چیز رو میبینن؟ 🧑🤝🧑👀
• ایده اصلی: اگه مطالعه شما نیاز به قضاوت یا مشاهده توسط دو یا چند ارزیاب داره (مثلاً تو مطالعات مشاهدهای رفتار)، این روش بررسی میکنه که آیا ارزیابهای مختلف به نتایج مشابهی میرسن یا نه.
• چطور انجام میشه؟ با شاخصهایی مثل «کاپای کوهن» (Cohen's Kappa). (این روش برای پرسشنامههای خودایفا که خود فرد پر میکنه، معمولاً کاربرد نداره).
📌 قدمهای اصلی برای گرفتن پایایی (خلاصه و مفید): 👣⚙️
• ببینید چه نوع پایایی برای پرسشنامه شما و سوال تحقیقتون مناسبتره (معمولاً برای شروع، «همسانی درونی» با آلفای کرونباخ خیلی رایج و مهمه).
• پرسشنامهتون رو روی یه نمونه مناسب از جامعه هدفتون اجرا کنید (برای آلفا، تعداد نمونه مهمه).
• با استفاده از نرمافزار آماری (مثل SPSS)، شاخص پایایی مورد نظرتون رو حساب کنید.
• نتیجه رو تفسیر کنید. اگه پایایی پایینه (مثلاً آلفای کرونباخ زیر ۰.۷)، یعنی سوالات اون بخش از پرسشنامهتون خوب با هم جور نیستن و شاید بعضی از سوالات نیاز به بازنگری یا حذف دارن.
- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱
👍1👌1
کمیته تحقیقات و فناوری دانشجویی دانشکده پرستاری گرمی
پرسشنامهام چقدر ثابتقدمه؟ رمزگشایی از پایایی (Reliability) از صفر تا صد ⚙️💯⏳ سلام مجدد به همه پژوهشگرای عزیز 👋🏻 تو پستهای قبلی یاد گرفتیم که «روایی» یعنی پرسشنامهمون دقیقاً همون چیزی رو بسنجه که باید. اما یه ابزار خوب، علاوه بر دقت، باید «ثبات» هم داشته…
خب دوستان، از اتاق فرمان اشاره کردن که درمورد «پایایی بین ارزیابها» (Inter-Rater Reliability) بیشتر صحبت کنیم.
- بریم که بررسی کنیم:
📍اصلا صبر کن ببینم... «ارزیاب» دیگه کیه؟ مگه تحقیق مال من نیست؟
ببین، تا حالا حرفمون سر پرسشنامه بود. یه برگه میدی دست طرف، پر میکنه، تموم. ولی فرض کن پروژه تحقیقت اینه که بری تو یه مهدکودک، فیلم بگیری و ببینی بچهها چند بار در ساعت با هم «مشارکت» میکنن.
اینجا ابزار تحقیق دیگه پرسشنامه نیست؛ خودِ چشمای توئه! حالا استاد میگه برای اینکه کارت علمی باشه، باید با یکی از دوستات این کار رو انجام بدی. یعنی دو نفر (دو تا ارزیاب) میشینین پای لپتاپ و فیلم رو میبینین.
❗چالش اصلی کجاست؟ تو صحنهای که یه بچه اسباببازیشو میده به بغلدستیش، تو تیک «مشارکت» رو میزنی. ولی دوستت میگه «نه! این که مشارکت نبود، اون یکی خودش اسباببازی رو از دستش کشید!».
اینجا اگه تو و دوستت روی تعریف «مشارکت» به یه دیدگاه مشترک نرسیده باشین، آخر کار تو ۳۰ تا مشارکت شمردی، دوستت ۱۵ تا! خب الان کدوم درسته؟ هیچی! کل دادهها قابل اعتماد نیستن چون «پایا» نیستن.
💭 پس کی به دردمون میخوره؟
هر وقت که کار تحقیقت از جنس قضاوت کردن یا مشاهده کردن بود، نه پرسشنامه پر کردن. مثلاً:
تحلیل کامنتهای یه پیج که «توهینآمیز» هستن یا نه.
دیدن فیلم مصاحبه با بیمار و تشخیص اینکه «مضطرب» به نظر میاد یا «آروم».
داوری کردن یه مسابقه (مثلاً دو تا داور به یه اجرا نمره میدن).
✅ خب راه حل چیه؟ آشنا بشین با رفیق شفیقمون: «کاپای کوهن»
این «کاپا» یه فرمول آماری هست که میاد کار شما دو تا ارزیاب رو تحلیل میکنه.
• چیکار میکنه؟ خیلی سادهست. میاد میگه شما دو نفر، روی چند درصد از موارد با هم، همنظر بودین.
• ولی یه حرکت خیلی خفنتر هم میزنه: کاپا میاد توافقی که شانسی هم ممکن بود اتفاق بیفته رو محاسبه میکنه و از نتیجه کم میکنه! یعنی میگه «آقا یه سری موارد رو که شانسی هم ممکن بود مثل هم انتخاب کنین، اونا رو بریز دور! من فقط توافق واقعی و خالص شما رو میخوام.»
تهش یه عدد بهت میده (معمولاً بین ۰ تا ۱، هرچند منابع میگن بین ۱- تا ۱+ هست). اگه این عدد بالای ۰.۷ بود، یعنی دمتون گرم! کارتون درسته و خیلی هماهنگین. اگه پایین بود، یعنی باید بشینین دوباره با هم حرف بزنین و تعریفتون از چیزایی که میبینین رو یکی کنین.
📌 خلاصه کل داستان:
اگه تحقیقتون پرسشنامهای بود، حواستون به آلفای کرونباخ باشه.
اگه تحقیقتون از مدل «بشینیم ببینیم چه خبره» بود (مشاهدهای، تفسیرمحور، قضاوتی)، حتماً قبلش باید پایایی کارتون رو با رفیقای ارزیابتون با کاپای کوهن چک کنین تا کارتون از بیخ و بن علمی و قابل دفاع باشه.
همین! چیز سختی نیست، فقط باید بدونین کِی ازش استفاده کنین. موفق باشین رفقا 😉✌️
- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱
- بریم که بررسی کنیم:
📍اصلا صبر کن ببینم... «ارزیاب» دیگه کیه؟ مگه تحقیق مال من نیست؟
ببین، تا حالا حرفمون سر پرسشنامه بود. یه برگه میدی دست طرف، پر میکنه، تموم. ولی فرض کن پروژه تحقیقت اینه که بری تو یه مهدکودک، فیلم بگیری و ببینی بچهها چند بار در ساعت با هم «مشارکت» میکنن.
اینجا ابزار تحقیق دیگه پرسشنامه نیست؛ خودِ چشمای توئه! حالا استاد میگه برای اینکه کارت علمی باشه، باید با یکی از دوستات این کار رو انجام بدی. یعنی دو نفر (دو تا ارزیاب) میشینین پای لپتاپ و فیلم رو میبینین.
❗چالش اصلی کجاست؟ تو صحنهای که یه بچه اسباببازیشو میده به بغلدستیش، تو تیک «مشارکت» رو میزنی. ولی دوستت میگه «نه! این که مشارکت نبود، اون یکی خودش اسباببازی رو از دستش کشید!».
اینجا اگه تو و دوستت روی تعریف «مشارکت» به یه دیدگاه مشترک نرسیده باشین، آخر کار تو ۳۰ تا مشارکت شمردی، دوستت ۱۵ تا! خب الان کدوم درسته؟ هیچی! کل دادهها قابل اعتماد نیستن چون «پایا» نیستن.
💭 پس کی به دردمون میخوره؟
هر وقت که کار تحقیقت از جنس قضاوت کردن یا مشاهده کردن بود، نه پرسشنامه پر کردن. مثلاً:
تحلیل کامنتهای یه پیج که «توهینآمیز» هستن یا نه.
دیدن فیلم مصاحبه با بیمار و تشخیص اینکه «مضطرب» به نظر میاد یا «آروم».
داوری کردن یه مسابقه (مثلاً دو تا داور به یه اجرا نمره میدن).
✅ خب راه حل چیه؟ آشنا بشین با رفیق شفیقمون: «کاپای کوهن»
این «کاپا» یه فرمول آماری هست که میاد کار شما دو تا ارزیاب رو تحلیل میکنه.
• چیکار میکنه؟ خیلی سادهست. میاد میگه شما دو نفر، روی چند درصد از موارد با هم، همنظر بودین.
• ولی یه حرکت خیلی خفنتر هم میزنه: کاپا میاد توافقی که شانسی هم ممکن بود اتفاق بیفته رو محاسبه میکنه و از نتیجه کم میکنه! یعنی میگه «آقا یه سری موارد رو که شانسی هم ممکن بود مثل هم انتخاب کنین، اونا رو بریز دور! من فقط توافق واقعی و خالص شما رو میخوام.»
تهش یه عدد بهت میده (معمولاً بین ۰ تا ۱، هرچند منابع میگن بین ۱- تا ۱+ هست). اگه این عدد بالای ۰.۷ بود، یعنی دمتون گرم! کارتون درسته و خیلی هماهنگین. اگه پایین بود، یعنی باید بشینین دوباره با هم حرف بزنین و تعریفتون از چیزایی که میبینین رو یکی کنین.
📌 خلاصه کل داستان:
اگه تحقیقتون پرسشنامهای بود، حواستون به آلفای کرونباخ باشه.
اگه تحقیقتون از مدل «بشینیم ببینیم چه خبره» بود (مشاهدهای، تفسیرمحور، قضاوتی)، حتماً قبلش باید پایایی کارتون رو با رفیقای ارزیابتون با کاپای کوهن چک کنین تا کارتون از بیخ و بن علمی و قابل دفاع باشه.
همین! چیز سختی نیست، فقط باید بدونین کِی ازش استفاده کنین. موفق باشین رفقا 😉✌️
- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱
👍1👌1
سلام به همهی همراهان عزیز🌱
اگه تا حالا با عدد و رقمهایی روبرو شدید که خیلی قانعکننده به نظر میاومدن، ولی یه حس مبهم بهتون میگفت که پشتش چیزی درست نیست… وقتشه با یه کتاب فوقالعاده آشنا بشید:
🔍 کتاب «چگونه با آمار دروغ بگوییم» نوشتهی آقای دارل هاف با ترجمه و تألیف آقای حسین راهداری
این کتاب، با زبانی ساده ولی علمی، نشون میده که آمار همیشه هم بیطرف و شفاف نیست!
«در کنار هر عدد آماری، همیشه باید از خودمون بپرسیم:
این آمار از چه نمونه آماری گرفته شده؟
آیا این نمونه، میتونه نمایندهی کل جمعیت باشه؟»
📖 بخونیم، بفهمیم، نقد کنیم.
- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱
اگه تا حالا با عدد و رقمهایی روبرو شدید که خیلی قانعکننده به نظر میاومدن، ولی یه حس مبهم بهتون میگفت که پشتش چیزی درست نیست… وقتشه با یه کتاب فوقالعاده آشنا بشید:
🔍 کتاب «چگونه با آمار دروغ بگوییم» نوشتهی آقای دارل هاف با ترجمه و تألیف آقای حسین راهداری
این کتاب، با زبانی ساده ولی علمی، نشون میده که آمار همیشه هم بیطرف و شفاف نیست!
«در کنار هر عدد آماری، همیشه باید از خودمون بپرسیم:
این آمار از چه نمونه آماری گرفته شده؟
آیا این نمونه، میتونه نمایندهی کل جمعیت باشه؟»
📖 بخونیم، بفهمیم، نقد کنیم.
- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱
👍2❤1👌1
روش آماری که دیجیکالا باهاش پول درمیاره 💵
یه لحظه فکر کنین شما پرسنل فروشگاه هایپراستارین. خب؟
رئیستون میاد بهتون میگه: «میخوام یه رازی رو برام کشف کنی! ببین وقتی مردم میان اینجا، چه چیزایی رو معمولاً با هم میخرن؟»
تو هم هزارتا فاکتور خرید جلوته.
یکی شیر و نون خریده... یکی دیگه ماکارونی و سس... یکی هم پوشک بچه و... یه نوشابه انرژیزا! یکم عجیبه، نه؟
حالا چطوری میخوای از بین این همه کاغذ، یه الگو پیدا کنی؟
اینکه بفهمی اونایی که ماکارونی میخرن، تقریباً همیشه سس هم تو سبدشونه؟ چشمی که نمیشه!
📌 اینجاست که SPSS میاد کمکت!
تو به SPSS میگی:
«این لیست خرید همه مشتریامه. برو ببین چه خبره. ببین چه چیزایی همیشه با هم خریده میشن.»
حالا SPSS، میره همه فاکتورا رو میخونه و چند دقیقه بعد با چندتا سرنخ کلیدی برمیگرده:
سرنخ ۱: «۸۰ درصد اونایی که ماکارونی برمیدارن، سس گوجه هم حتماً میخرن!»
سرنخ ۲: «اونایی که پوشک بچه میخرن، نسبت به بقیه آدما ۳ برابر بیشتر ممکنه نوشابه انرژیزا هم بخرن!»
سرنخ ۳: «چیپس و ماست موسیر هم که انگار دوقلو ان، همیشه با همن!»
📌 خب، اسم این کار چیه؟
به این کارآگاهبازی میگن «تحلیل سبد خرید».
حالا اینا به چه دردی میخوره؟
اینجاست که قضیه باحال میشه!
تو فروشگاه: تو به عنوان پرسنل میری پیش رئیست و میگی: «از فردا قفسه سسها رو بچسبون به ماکارونیها. یه یخچال کوچیک نوشابه انرژیزا هم بذار کنارِ وسایل بچهها!» چی میشه؟ فروش میره بالا!
(حالا فهمیدین دیجیکالا از کجا میفهمه آدمی که دنبال گوشی موبایله، احتمالاً به قاب و گلس هم نیاز داره؟)
📌 تو کار پژوهش (هر رشتهای که هستی):
این داستان فقط مال چیپس و پفک نیست! فکر کن تو تحقیق خودت چه رازایی میتونی کشف کنی:
روانشناسی: «اونایی که اعتماد به نفسشون پایینه، دیگه چه فکرهایی همیشه باهاش تو سرشونه؟»
پزشکی: «مریضایی که میگن "سردرد" دارن، معمولاً چه علائم دیگهای رو هم همزمان دارن؟»
علوم اجتماعی: «خانوادههایی که کتاب میخرن، دیگه چه تفریحایی رو معمولاً با هم انجام میدن؟»
💭 حرف آخر:
این روش یه جورایی مثل ذهنخوانی با دادههاست. به جای اینکه فقط کارای تکراری مثل میانگین گرفتن انجام بدی، داری عادتهای واقعی آدما رو کشف میکنی. داری میفهمی تو دنیای واقعی، چه چیزایی به هم ربط دارن.
- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱
یه لحظه فکر کنین شما پرسنل فروشگاه هایپراستارین. خب؟
رئیستون میاد بهتون میگه: «میخوام یه رازی رو برام کشف کنی! ببین وقتی مردم میان اینجا، چه چیزایی رو معمولاً با هم میخرن؟»
تو هم هزارتا فاکتور خرید جلوته.
یکی شیر و نون خریده... یکی دیگه ماکارونی و سس... یکی هم پوشک بچه و... یه نوشابه انرژیزا! یکم عجیبه، نه؟
حالا چطوری میخوای از بین این همه کاغذ، یه الگو پیدا کنی؟
اینکه بفهمی اونایی که ماکارونی میخرن، تقریباً همیشه سس هم تو سبدشونه؟ چشمی که نمیشه!
📌 اینجاست که SPSS میاد کمکت!
تو به SPSS میگی:
«این لیست خرید همه مشتریامه. برو ببین چه خبره. ببین چه چیزایی همیشه با هم خریده میشن.»
حالا SPSS، میره همه فاکتورا رو میخونه و چند دقیقه بعد با چندتا سرنخ کلیدی برمیگرده:
سرنخ ۱: «۸۰ درصد اونایی که ماکارونی برمیدارن، سس گوجه هم حتماً میخرن!»
سرنخ ۲: «اونایی که پوشک بچه میخرن، نسبت به بقیه آدما ۳ برابر بیشتر ممکنه نوشابه انرژیزا هم بخرن!»
سرنخ ۳: «چیپس و ماست موسیر هم که انگار دوقلو ان، همیشه با همن!»
📌 خب، اسم این کار چیه؟
به این کارآگاهبازی میگن «تحلیل سبد خرید».
حالا اینا به چه دردی میخوره؟
اینجاست که قضیه باحال میشه!
تو فروشگاه: تو به عنوان پرسنل میری پیش رئیست و میگی: «از فردا قفسه سسها رو بچسبون به ماکارونیها. یه یخچال کوچیک نوشابه انرژیزا هم بذار کنارِ وسایل بچهها!» چی میشه؟ فروش میره بالا!
(حالا فهمیدین دیجیکالا از کجا میفهمه آدمی که دنبال گوشی موبایله، احتمالاً به قاب و گلس هم نیاز داره؟)
📌 تو کار پژوهش (هر رشتهای که هستی):
این داستان فقط مال چیپس و پفک نیست! فکر کن تو تحقیق خودت چه رازایی میتونی کشف کنی:
روانشناسی: «اونایی که اعتماد به نفسشون پایینه، دیگه چه فکرهایی همیشه باهاش تو سرشونه؟»
پزشکی: «مریضایی که میگن "سردرد" دارن، معمولاً چه علائم دیگهای رو هم همزمان دارن؟»
علوم اجتماعی: «خانوادههایی که کتاب میخرن، دیگه چه تفریحایی رو معمولاً با هم انجام میدن؟»
💭 حرف آخر:
این روش یه جورایی مثل ذهنخوانی با دادههاست. به جای اینکه فقط کارای تکراری مثل میانگین گرفتن انجام بدی، داری عادتهای واقعی آدما رو کشف میکنی. داری میفهمی تو دنیای واقعی، چه چیزایی به هم ربط دارن.
- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱
❤5👌1
قانون طلایی بیان مسئله که دانشگاه به شما نمیگه❗️
مهمترین راز یک بیان مسئله اورجینال و قدرتمند اینه:
اول با مغزت داستان رو بساز، بعد با مقالات، بهش لباس علمی بپوشون 😬
میدونم، میدونم. بهتون گفتن اول برید صدتا مقاله رو زیر و رو کنید. نتیجهاش چی میشه؟ مغزتون پر از جملات بقیه میشه و آخرش یه متن چهلتیکه و بیروح تحویل میدید که از فرسنگها داد میزنه «من اصالت ندارم!». اون روش، مسیر مستقیم به سمت پژوهشهای تکراری و سرقت علمی ناخواسته هست. (این هفته توی یه حوزهای، 10 تا مقاله خوندم که بیان مسئله اکثرشون شبیه هم بود🫢)
روش درست، که حکم پادزهر رو داره، اینه:
📍مرحله ۱: شیرجه عمیق (اما هوشمندانه) 🏊♂️
بله، شما باید بخونید. حدود ۲۰ تا از مقالات کلیدی و جدید حوزهتون رو انتخاب کنید. اما نه برای اینکه جملاتشون رو کپی کنید! بلکه برای اینکه نقشه دستتون بیاد.
🔴 نکته ناگفته: موقع خوندن، یک جدول خلاصه برای خودتون بسازید. ستونهاتون اینا باشن: ادعای اصلی مقاله؟ / چطور اثباتش کردن؟ / کجای کارشون میلنگه یا چه سوالی بیپاسخ مونده؟. که ستون آخر، معدن طلای شماست.
📍مرحله ۲: دوران کمون (بذارید مغزتون کارشو بکنه) 🧠
بعد از این مطالعه عمیق، فاصله بگیرید! بله، درست شنیدید. حداقل یک روز کامل به پژوهش فکر نکنید. برید قدم بزنید، فیلم ببینید. مغز شما در پسزمینه، مثل یک سوپرکامپیوتر داره اون اطلاعات رو پردازش میکنه و نقاط رو به هم وصل میکنه. بهش زمان بدید.
📍مرحله ۳: طوفان فکری و خلق داستان 🌪️
حالا وقتشه!
🔴 فاز فکر آزاد: کتاب و لپتاپ رو ببندید. یک کاغذ سفید بذارید جلوتون. با زبون خودتون، به این سوال جواب بدید: «بعد از این همه مطالعه، چی تو این حوزه واقعاً رو اعصابه؟ چی ناقصه؟ چه حرف بیاساسی رو همه دارن تکرار میکنن؟» هرچی که هست، فقط بنویسید. این صدای اصیل شماست.
🔴 فاز نوشتن پیشنویس (بدون سانسور): حالا اون ایدههای خام رو تبدیل به یک داستان کنید. با همون ساختار قیفی معروف، اما این بار با این دید بهش نگاه کنید: شما یک کارگردان هستید که دوربین رو از یک نمای خیلی باز (Wide Shot) به یک نمای خیلی بسته (Close-up) میارید.
🔴 نمای باز (کلی): وضعیت کلی در جهان/علم چیه؟ (در دنیای امروز...)
🔴 زوم به داخل (جزئیتر): در این دنیا، مشکل یا تنش اصلی کجاست؟ (اما یک جای کار میلنگه...)
🔴 نمای بسته (جزئی): این مشکل چه عواقب مشخصی داره و چرا مهمه؟ (این قضیه باعث شده که...)
🔴 کلوزآپ نهایی (هدف شما): شما دقیقاً میخواید روی کدوم پیکسل از این تصویر زوم کنید؟ (بنابراین، من میخوام...)
کل این داستان رو بدون حتی یک رفرنس بنویسید! فقط روی قدرت و منطق استدلالتون تمرکز کنید.
📍مرحله ۴: تجهیز به لباس علمی (فاز رفرنسدهی) 🧠
تبریک میگم! شما الان یک اسکلت داستانی قدرتمند و اورجینال دارید. حالا وقتشه که بهش لباس علمی بپوشونید. برگردید به اون پیشنویس و برای ادعاهایی که کردید (بهخصوص در بخش نمای باز و عواقب)، شاهد و مدرک بیارید. برید سراغ مقالاتی که خوندید و بگید: «ببینید؟ من تنها نیستم! فلانی در سال فلان هم به این قضیه اشاره کرده بود.»
با این روش، پژوهش شما روح داره. رفرنسها در خدمت حمایت از ایده شما هستن، نه اینکه منبع ایده شما باشن.
🚨 هشدار:
انجام این فرآیند به صورت برعکس (یعنی اول چیدن رفرنسها کنار هم و بعد تلاش برای ساختن داستان از بین اونا) حکم سم مهلک رو برای اصالت پژوهش شما داره. پس اول نوشتن، بعد لباس علمی.
حالا برید و با اعتماد به نفس، داستان خودتون رو بسازید. 🚀
- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱
مهمترین راز یک بیان مسئله اورجینال و قدرتمند اینه:
اول با مغزت داستان رو بساز، بعد با مقالات، بهش لباس علمی بپوشون 😬
میدونم، میدونم. بهتون گفتن اول برید صدتا مقاله رو زیر و رو کنید. نتیجهاش چی میشه؟ مغزتون پر از جملات بقیه میشه و آخرش یه متن چهلتیکه و بیروح تحویل میدید که از فرسنگها داد میزنه «من اصالت ندارم!». اون روش، مسیر مستقیم به سمت پژوهشهای تکراری و سرقت علمی ناخواسته هست. (این هفته توی یه حوزهای، 10 تا مقاله خوندم که بیان مسئله اکثرشون شبیه هم بود🫢)
روش درست، که حکم پادزهر رو داره، اینه:
📍مرحله ۱: شیرجه عمیق (اما هوشمندانه) 🏊♂️
بله، شما باید بخونید. حدود ۲۰ تا از مقالات کلیدی و جدید حوزهتون رو انتخاب کنید. اما نه برای اینکه جملاتشون رو کپی کنید! بلکه برای اینکه نقشه دستتون بیاد.
🔴 نکته ناگفته: موقع خوندن، یک جدول خلاصه برای خودتون بسازید. ستونهاتون اینا باشن: ادعای اصلی مقاله؟ / چطور اثباتش کردن؟ / کجای کارشون میلنگه یا چه سوالی بیپاسخ مونده؟. که ستون آخر، معدن طلای شماست.
📍مرحله ۲: دوران کمون (بذارید مغزتون کارشو بکنه) 🧠
بعد از این مطالعه عمیق، فاصله بگیرید! بله، درست شنیدید. حداقل یک روز کامل به پژوهش فکر نکنید. برید قدم بزنید، فیلم ببینید. مغز شما در پسزمینه، مثل یک سوپرکامپیوتر داره اون اطلاعات رو پردازش میکنه و نقاط رو به هم وصل میکنه. بهش زمان بدید.
📍مرحله ۳: طوفان فکری و خلق داستان 🌪️
حالا وقتشه!
🔴 فاز فکر آزاد: کتاب و لپتاپ رو ببندید. یک کاغذ سفید بذارید جلوتون. با زبون خودتون، به این سوال جواب بدید: «بعد از این همه مطالعه، چی تو این حوزه واقعاً رو اعصابه؟ چی ناقصه؟ چه حرف بیاساسی رو همه دارن تکرار میکنن؟» هرچی که هست، فقط بنویسید. این صدای اصیل شماست.
🔴 فاز نوشتن پیشنویس (بدون سانسور): حالا اون ایدههای خام رو تبدیل به یک داستان کنید. با همون ساختار قیفی معروف، اما این بار با این دید بهش نگاه کنید: شما یک کارگردان هستید که دوربین رو از یک نمای خیلی باز (Wide Shot) به یک نمای خیلی بسته (Close-up) میارید.
🔴 نمای باز (کلی): وضعیت کلی در جهان/علم چیه؟ (در دنیای امروز...)
🔴 زوم به داخل (جزئیتر): در این دنیا، مشکل یا تنش اصلی کجاست؟ (اما یک جای کار میلنگه...)
🔴 نمای بسته (جزئی): این مشکل چه عواقب مشخصی داره و چرا مهمه؟ (این قضیه باعث شده که...)
🔴 کلوزآپ نهایی (هدف شما): شما دقیقاً میخواید روی کدوم پیکسل از این تصویر زوم کنید؟ (بنابراین، من میخوام...)
کل این داستان رو بدون حتی یک رفرنس بنویسید! فقط روی قدرت و منطق استدلالتون تمرکز کنید.
📍مرحله ۴: تجهیز به لباس علمی (فاز رفرنسدهی) 🧠
تبریک میگم! شما الان یک اسکلت داستانی قدرتمند و اورجینال دارید. حالا وقتشه که بهش لباس علمی بپوشونید. برگردید به اون پیشنویس و برای ادعاهایی که کردید (بهخصوص در بخش نمای باز و عواقب)، شاهد و مدرک بیارید. برید سراغ مقالاتی که خوندید و بگید: «ببینید؟ من تنها نیستم! فلانی در سال فلان هم به این قضیه اشاره کرده بود.»
با این روش، پژوهش شما روح داره. رفرنسها در خدمت حمایت از ایده شما هستن، نه اینکه منبع ایده شما باشن.
🚨 هشدار:
انجام این فرآیند به صورت برعکس (یعنی اول چیدن رفرنسها کنار هم و بعد تلاش برای ساختن داستان از بین اونا) حکم سم مهلک رو برای اصالت پژوهش شما داره. پس اول نوشتن، بعد لباس علمی.
حالا برید و با اعتماد به نفس، داستان خودتون رو بسازید. 🚀
- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱
👍5👌1
🎓 کارگروه تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی صحبت میکنه:
بچهها
اگه درس آمار رو تو کارشناسی جدی نگرفتید، یا اونقدری گذشته که الآن چیز زیادی یادتون نیست،
🔑 بهترین لطفی که میتونید به خودتون بکنید اینه که این کورس رو ببینید:
🎥 Harvard Statistics 110
📍 لینک کامل پلیلیست یوتیوب:
https://youtube.com/playlist?list=PL2SOU6wwxB0uwwH80KTQ6ht66KWxbzTIo
این کورس، یکی از منابع اصلی و بسیار معتبریه که مفاهیم آماری رو از پایه ولی عمیق آموزش میده. تدریسش هم مربوط به دانشگاه هاروارد هست. 😎
👂 فقط یه نکته:
زبان تدریسش انگلیسیه.
دوست دارین ما تو کمیته تحقیقات گرمی، توی این تابستون، براتون یه ترجمه کاربردی و خوشفهم از این کورس آماده کنیم؟
🔥 اگه موافقید و دلتون میخواد این پروژه رو استارت بزنیم،
یه قلب ♥️ برامون بذارید تا بدونیم چند نفر مشتاقن
(و شاید یه تابستون علمی و خفن رو با هم شروع کنیم…)
- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱
بچهها
اگه درس آمار رو تو کارشناسی جدی نگرفتید، یا اونقدری گذشته که الآن چیز زیادی یادتون نیست،
🔑 بهترین لطفی که میتونید به خودتون بکنید اینه که این کورس رو ببینید:
🎥 Harvard Statistics 110
📍 لینک کامل پلیلیست یوتیوب:
https://youtube.com/playlist?list=PL2SOU6wwxB0uwwH80KTQ6ht66KWxbzTIo
این کورس، یکی از منابع اصلی و بسیار معتبریه که مفاهیم آماری رو از پایه ولی عمیق آموزش میده. تدریسش هم مربوط به دانشگاه هاروارد هست. 😎
👂 فقط یه نکته:
زبان تدریسش انگلیسیه.
دوست دارین ما تو کمیته تحقیقات گرمی، توی این تابستون، براتون یه ترجمه کاربردی و خوشفهم از این کورس آماده کنیم؟
🔥 اگه موافقید و دلتون میخواد این پروژه رو استارت بزنیم،
یه قلب ♥️ برامون بذارید تا بدونیم چند نفر مشتاقن
(و شاید یه تابستون علمی و خفن رو با هم شروع کنیم…)
- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱
❤15👌1
This media is not supported in your browser
VIEW IN TELEGRAM
خب دوستان پژوهشگر، بیایید روراست باشیم؛
گیف بالا دیگه شوخی و میم 🦕 نیست، بلکه فرمول کار تحقیقاتی رو تو عصر هوش مصنوعی نشون میده.
اون پارچ زرده (خروجی ChatGPT) رو دیدید؟ یه عالمه اطلاعات خام، کلی، و بعضاً حتی نامربوط بهت میده. مثل این میمونه که از یه بچهی پنج ساله بپرسی "تو مدرسه چیکار میکنی؟" اونم بگه "درس میخونم" خب، این چه کمکی بهت میکنه؟ هیچ! 😞
🟢 ولی اینجا کار اصلی شما شروع میشه...
گیف بالا دیگه شوخی و میم 🦕 نیست، بلکه فرمول کار تحقیقاتی رو تو عصر هوش مصنوعی نشون میده.
اون پارچ زرده (خروجی ChatGPT) رو دیدید؟ یه عالمه اطلاعات خام، کلی، و بعضاً حتی نامربوط بهت میده. مثل این میمونه که از یه بچهی پنج ساله بپرسی "تو مدرسه چیکار میکنی؟" اونم بگه "درس میخونم" خب، این چه کمکی بهت میکنه؟ هیچ! 😞
🟢 ولی اینجا کار اصلی شما شروع میشه...
👍2👌1
🔴 چطور این سیستم رو برای پروپوزالنویسی به بهترین شکل پیاده کنیم؟
📌 مرحله خروجی ChatGPT (پارچ زرد): ایده بگیر.
✅ از ChatGPT برای طوفان فکری استفاده کن. مثلاً بگو: "ده عنوان برای پروپوزال در مورد 'تأثیر هوش مصنوعی بر سلامت روان پرستاران' پیشنهاد بده." یا "ده شکاف پژوهشی در مدیریت درد بیماران مزمن رو بگو."
✅ ازش بخواه سوالات چالشی بپرسه. مثلاً بگو: "چه چالشهایی در پروپوزال من وجود داره؟" اینطوری میتونه جاهایی رو نشون بده که خودت نمیبینی.
📌 مرحله اصلاحیه اول Grok (پارچ قرمز): ساختار و نظم بده.
✅ حالا ایدهها رو با کمک Grok دستهبندی و منظم کن. بگو: "ساختار استاندارد پروپوزال رو بده و هر بخش رو با پروپوزال من پر کن."
✅ از AI برای ترجمه علمی استفاده کن؛ فارسی به انگلیسی و برعکس. ولی حواست باشه که همیشه بازبینی نهایی با خودته.
📌 مرحله اصلاحیه دوم Deep Seek (پارچ سبز): عمق بده و امضای خودت رو بزن.
✅ اینجا باید مثل یه ویرایشگر حرفهای محتوا رو تحلیل و قویترش کنی. از AI بخواه پارافریز کنه یا لحن علمی بده.
✅ ازش برای رفرنسنویسی، بررسی منابع و انتخاب روش آماری کمک بگیر. البته همیشه با نرمافزارهای تخصصی مثل Mendeley یا EndNote هم چک کن.
📌 نکته کلیدی:
فنجون "پروپوزال نهایی" نتیجه ترکیب همه این مراحل و تخصص خود شماست. هوشمندانه از ابزارها استفاده کنید و شاهکارتون رو بسازید. ✨
- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱
📌 مرحله خروجی ChatGPT (پارچ زرد): ایده بگیر.
✅ از ChatGPT برای طوفان فکری استفاده کن. مثلاً بگو: "ده عنوان برای پروپوزال در مورد 'تأثیر هوش مصنوعی بر سلامت روان پرستاران' پیشنهاد بده." یا "ده شکاف پژوهشی در مدیریت درد بیماران مزمن رو بگو."
✅ ازش بخواه سوالات چالشی بپرسه. مثلاً بگو: "چه چالشهایی در پروپوزال من وجود داره؟" اینطوری میتونه جاهایی رو نشون بده که خودت نمیبینی.
📌 مرحله اصلاحیه اول Grok (پارچ قرمز): ساختار و نظم بده.
✅ حالا ایدهها رو با کمک Grok دستهبندی و منظم کن. بگو: "ساختار استاندارد پروپوزال رو بده و هر بخش رو با پروپوزال من پر کن."
✅ از AI برای ترجمه علمی استفاده کن؛ فارسی به انگلیسی و برعکس. ولی حواست باشه که همیشه بازبینی نهایی با خودته.
📌 مرحله اصلاحیه دوم Deep Seek (پارچ سبز): عمق بده و امضای خودت رو بزن.
✅ اینجا باید مثل یه ویرایشگر حرفهای محتوا رو تحلیل و قویترش کنی. از AI بخواه پارافریز کنه یا لحن علمی بده.
✅ ازش برای رفرنسنویسی، بررسی منابع و انتخاب روش آماری کمک بگیر. البته همیشه با نرمافزارهای تخصصی مثل Mendeley یا EndNote هم چک کن.
📌 نکته کلیدی:
فنجون "پروپوزال نهایی" نتیجه ترکیب همه این مراحل و تخصص خود شماست. هوشمندانه از ابزارها استفاده کنید و شاهکارتون رو بسازید. ✨
- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱
👍2👌2
This media is not supported in your browser
VIEW IN TELEGRAM
🎬 امروز میخوام قدرت هوش مصنوعی توی فیلمسازی رو بهتون نشون بدم...
این ویدیویی که میبینید، با هوش مصنوعی ساخته شده.
داستانش برمیگرده به زمانی که دنیا ایستاد، شهرها ساکت شدن و آدمها از پشت ماسک همدیگه رو تماشا میکردن: دوران کرونا.
🤖 از انتخاب نماها تا روایت داستان، همهچی توسط AI انجام شده.
البته هنوز یهسری ایرادای کوچیک داره، چون هوش مصنوعی هم مثل یه دانشآموز تازهکار، در حال یادگیریه...
🧠 تکنولوژی داره آیندهی هنر رو عوض میکنه. این فقط یه شروعه...
- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱
این ویدیویی که میبینید، با هوش مصنوعی ساخته شده.
داستانش برمیگرده به زمانی که دنیا ایستاد، شهرها ساکت شدن و آدمها از پشت ماسک همدیگه رو تماشا میکردن: دوران کرونا.
🤖 از انتخاب نماها تا روایت داستان، همهچی توسط AI انجام شده.
البته هنوز یهسری ایرادای کوچیک داره، چون هوش مصنوعی هم مثل یه دانشآموز تازهکار، در حال یادگیریه...
🧠 تکنولوژی داره آیندهی هنر رو عوض میکنه. این فقط یه شروعه...
- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱
👍2❤1👌1
صبح داشتم یکی از کارهای تحقیقاتی دکتر عبدالحمید مینوچهر (از شهیدان علم هستهای) رو مطالعه میکردم. بار اول که مقاله رو خوندم، حس میکردم دارم یه زبان جدید میبینم؛ پر از اصطلاحات و مفاهیم ناآشنا بود. 🧐
اما از اونجایی که کنجکاوی، قدرتمندترین موتور محرک ذهنه 😉 با چند بار خوندن و البته کمک گرفتن از هوش مصنوعی، کمکم تونستم به عمق تفکر این دانشمند بزرگ نزدیک بشم.
📍خلاصه مقاله، به زبان خیلی ساده، این بود:
تحقیق در مورد یکی از پرکاربردترین فلزات صنعتی یعنی نیکل بود. میخواستن بفهمن که وقتی نقصهای بسیار ریز (در حد جای خالی به اندازه یه اتم!) توی ساختار این فلز ایجاد میشه، چه تأثیراتی روی خواص کلیدیش مثل استحکام، سختی و حتی نحوه هدایت گرما میذاره.
📍و اما راهکار هوشمندانهشون چی بود؟
به جای انجام آزمایشهای فیزیکی بیشمار که هم فوقالعاده گرون هستن و هم بسیار زمانبر، دکتر مینوچهر و همکارانشون از یه روش پیشرفته به اسم شبیهسازی کامپیوتری (دینامیک مولکولی) استفاده کرده بودن.
🔴 اسم نرم افزاری که استفاده کردن: LAMMPS
📍این نرمافزار شبیهساز به چه دردی میخوره؟
فکر کنید یه آزمایشگاه مجازی دارید! این نرمافزار به دانشمندان اجازه میده تا مواد رو در ابعاد اتمی توی کامپیوتر بسازن، به اون مواد نیرو وارد کنن، حرارت بدن و رفتار ماده رو زیر نظر بگیرن. با این کار میتونن با هزینهای نزدیک به صفر و توی زمان بسیار کم، پیشبینی کنن که مثلاً یک آلیاژ داخل بال هواپیما یا داخل راکتور هستهای بعد سالها کار کردن، چه عملکردی میتونه داشته باشه.
🟢 بهترین راه برای زنده نگه داشتن میراث شهدای علم، شاید همین باشه که ما هم دست از کنجکاوی و یادگیری برنداریم و نذاریم چراغی که روشن کردن، خاموش بشه. ✨
- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱
اما از اونجایی که کنجکاوی، قدرتمندترین موتور محرک ذهنه 😉 با چند بار خوندن و البته کمک گرفتن از هوش مصنوعی، کمکم تونستم به عمق تفکر این دانشمند بزرگ نزدیک بشم.
📍خلاصه مقاله، به زبان خیلی ساده، این بود:
تحقیق در مورد یکی از پرکاربردترین فلزات صنعتی یعنی نیکل بود. میخواستن بفهمن که وقتی نقصهای بسیار ریز (در حد جای خالی به اندازه یه اتم!) توی ساختار این فلز ایجاد میشه، چه تأثیراتی روی خواص کلیدیش مثل استحکام، سختی و حتی نحوه هدایت گرما میذاره.
📍و اما راهکار هوشمندانهشون چی بود؟
به جای انجام آزمایشهای فیزیکی بیشمار که هم فوقالعاده گرون هستن و هم بسیار زمانبر، دکتر مینوچهر و همکارانشون از یه روش پیشرفته به اسم شبیهسازی کامپیوتری (دینامیک مولکولی) استفاده کرده بودن.
🔴 اسم نرم افزاری که استفاده کردن: LAMMPS
📍این نرمافزار شبیهساز به چه دردی میخوره؟
فکر کنید یه آزمایشگاه مجازی دارید! این نرمافزار به دانشمندان اجازه میده تا مواد رو در ابعاد اتمی توی کامپیوتر بسازن، به اون مواد نیرو وارد کنن، حرارت بدن و رفتار ماده رو زیر نظر بگیرن. با این کار میتونن با هزینهای نزدیک به صفر و توی زمان بسیار کم، پیشبینی کنن که مثلاً یک آلیاژ داخل بال هواپیما یا داخل راکتور هستهای بعد سالها کار کردن، چه عملکردی میتونه داشته باشه.
🟢 بهترین راه برای زنده نگه داشتن میراث شهدای علم، شاید همین باشه که ما هم دست از کنجکاوی و یادگیری برنداریم و نذاریم چراغی که روشن کردن، خاموش بشه. ✨
- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱
👌3
خب...
حالا اگر ذهن یه پژوهشگر فعال باشه، احتمالاً با خوندن این مطلب یه سوال مهم تو ذهنش جرقه میزنه: "آیا میشه از نرمافزارهایی شبیه این توی حوزه پزشکی هم استفاده کرد؟" 🤔
باید بگم که جوابش بله هست.
طبق منابعی که من بررسی کردم، نرمافزارهایی مثل Monolix با همین رویکرد طراحی شدن؛ که برای شبیهسازی و پیشبینی اثر داروها روی بدن انسان استفاده میشن.
اما نکتهای که باید بدونیم اینه که هرچند این نرمافزارها کاربردهای خیلی جذابی دارن، اما هنوز توی این مسیر با یهسری محدودیتها و چالشها مواجه هستیم.
پس مسیر بازه، اما هنوز کامل هموار نشده 🕊️
(اگه حواستون جمع باشه، اینجا یه سرنخ برای پروژههای بلندپروازانه بهتون دادم 😉)
- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱
حالا اگر ذهن یه پژوهشگر فعال باشه، احتمالاً با خوندن این مطلب یه سوال مهم تو ذهنش جرقه میزنه: "آیا میشه از نرمافزارهایی شبیه این توی حوزه پزشکی هم استفاده کرد؟" 🤔
باید بگم که جوابش بله هست.
طبق منابعی که من بررسی کردم، نرمافزارهایی مثل Monolix با همین رویکرد طراحی شدن؛ که برای شبیهسازی و پیشبینی اثر داروها روی بدن انسان استفاده میشن.
اما نکتهای که باید بدونیم اینه که هرچند این نرمافزارها کاربردهای خیلی جذابی دارن، اما هنوز توی این مسیر با یهسری محدودیتها و چالشها مواجه هستیم.
پس مسیر بازه، اما هنوز کامل هموار نشده 🕊️
(اگه حواستون جمع باشه، اینجا یه سرنخ برای پروژههای بلندپروازانه بهتون دادم 😉)
- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱
👌5
چطور حرفهای توخالی رو علمی و جذاب نشون بدیم؟ 🎤✨
دوستان تا حالا شده جذب حرفهایی بشید که آخرش متوجه بشید هیچ چیزی به اطلاعاتتون اضافه نشده؟ 🤯
بعضیها استاد ارائه حرفهای بیاساس به شکل جذاب و قانعکننده هستن و با همین کار، کلی طرفدار پیدا میکنن.
بیایید با تکنیکهاشون آشنا بشیم تا راحت فریب نخوریم. 🤫
🔴 پست بعدی...
دوستان تا حالا شده جذب حرفهایی بشید که آخرش متوجه بشید هیچ چیزی به اطلاعاتتون اضافه نشده؟ 🤯
بعضیها استاد ارائه حرفهای بیاساس به شکل جذاب و قانعکننده هستن و با همین کار، کلی طرفدار پیدا میکنن.
بیایید با تکنیکهاشون آشنا بشیم تا راحت فریب نخوریم. 🤫
🔴 پست بعدی...
❤3👍1
🔴 شناخت تکنیکهای شبهعلم:
📌 اصل عدم قطعیت تعمیمیافته:
حرفهای کلی و مبهم میزنن که نشه ردشون کرد. چون جمله گنگه، ذهن خودمون براش معنی میسازه و فکر میکنیم خیلی عمیقه!
📌 نقلقولهای خارج از بافت و ارجاعات شبح:
اسم دانشمندها و کتابهای معروف رو میارن تا حرفاشون معتبر بهنظر بیاد، حتی اگه نقلقول اشتباه یا ساختگی باشه. کمتر کسی دنبال بررسی منبع میره.
📌 سؤالات بیپاسخ و ایجاد نیاز کاذب:
سوالهای بزرگ و ترسناک میپرسن تا بگن فقط خودشون جواب رو دارن. با ایجاد ترس، شما رو به سمت حرف خودشون میکشن.
📌 بازی با آمار و ارقام:
آمارهای گزینشی و غیرواقعی میدن تا شما رو قانع کنن. اعداد بهظاهر علمی هستن ولی ممکنه کاملاً فریبنده باشن.
✅ هدفمون از گفتن این موارد چی بود؟
این که تکنیکها رو بشناسیم تا فریب نخوریم و بتونیم حرفهای علمی و درست خودمون رو صادقانه و حرفهای ارائه بدیم.
🔍 سلاح ما در برابر فریب: آگاهی و تفکر انتقادی.
- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱
📌 اصل عدم قطعیت تعمیمیافته:
حرفهای کلی و مبهم میزنن که نشه ردشون کرد. چون جمله گنگه، ذهن خودمون براش معنی میسازه و فکر میکنیم خیلی عمیقه!
📌 نقلقولهای خارج از بافت و ارجاعات شبح:
اسم دانشمندها و کتابهای معروف رو میارن تا حرفاشون معتبر بهنظر بیاد، حتی اگه نقلقول اشتباه یا ساختگی باشه. کمتر کسی دنبال بررسی منبع میره.
📌 سؤالات بیپاسخ و ایجاد نیاز کاذب:
سوالهای بزرگ و ترسناک میپرسن تا بگن فقط خودشون جواب رو دارن. با ایجاد ترس، شما رو به سمت حرف خودشون میکشن.
📌 بازی با آمار و ارقام:
آمارهای گزینشی و غیرواقعی میدن تا شما رو قانع کنن. اعداد بهظاهر علمی هستن ولی ممکنه کاملاً فریبنده باشن.
✅ هدفمون از گفتن این موارد چی بود؟
این که تکنیکها رو بشناسیم تا فریب نخوریم و بتونیم حرفهای علمی و درست خودمون رو صادقانه و حرفهای ارائه بدیم.
🔍 سلاح ما در برابر فریب: آگاهی و تفکر انتقادی.
- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱
❤2👍1👌1
باکتریهای کیمیاگر✨
تاحالا به «کیمیاگری» فکر کردین؟ اینکه بشه یک ماده رو به طلا تبدیل کرد؟
بذارید قصهی یک موجود خیلی خیلی ریز رو براتون بگم که این کار رو بلده...
🟢 به تصویر بالا هم توجه نکنید و همیشه اخلاق رو توی کار با نمونههای آزمایشگاهی رعایت کنید 🙂
(علمی که به طبیعت و حیوانات احترام نذاره، از مسیر انسانی دور شده 🌿)
🔴 پست بعدی...
تاحالا به «کیمیاگری» فکر کردین؟ اینکه بشه یک ماده رو به طلا تبدیل کرد؟
بذارید قصهی یک موجود خیلی خیلی ریز رو براتون بگم که این کار رو بلده...
🟢 به تصویر بالا هم توجه نکنید و همیشه اخلاق رو توی کار با نمونههای آزمایشگاهی رعایت کنید 🙂
(علمی که به طبیعت و حیوانات احترام نذاره، از مسیر انسانی دور شده 🌿)
🔴 پست بعدی...
❤5
📍قهرمان داستان: باکتری Cupriavidus metallidurans
در اعماق خاک، جاهایی هست که پر از مواد سمی و خطرناکه. یکی از این سمها، یه جور طلای مایع و محلوله که برای اکثر موجودات زنده کشندهست. تقریباً هرچیزی که بهش نزدیک بشه، از بین میره.
اما، یه باکتری خاص، توی همین محیط سمی زندگی میکنه.
📍یک نقشه هوشمندانه برای زنده ماندن
این باکتری برای اینکه از این سم کشنده جون سالم به در ببره، یک راه حل خلاقانه پیدا کرده. اونم اینه که سم رو میبلعه!
بعد، مثل یه کارخونهی کوچیک، اون طلای سمی و خطرناک رو در بدن خودش پردازش میکنه و تبدیلش میکنه به طلای خالص، جامد و بیخطر 💰تیکههای خیلی خیلی ریز (در حد نانو) از طلای ۲۴ عیار!
این باکتری در واقع داره زبالههای سمی رو به گنج تبدیل میکنه تا بتونه در محیط سمی اطرافش زنده بمونه.
🔴 خب، حالا چندتا سوال مهم که حتماً تو ذهن شما هم اومده:
۱. این داستان واقعیه یا تخیلی؟
کاملاً واقعیه! دانشمندها این باکتریها رو به آزمایشگاه بردن و دیدن که دقیقاً همین کار رو انجام میدن.
۲. پس چرا هنوز این روش به شکل گسترده استفاده نمیشه؟
اینم سوال خوبیه! دلیلش سادهست: این فرآیند فعلاً خیلی کُند و گرونه.
فکر کنین برای اینکه این کارخونه کوچولو کار کنه، اول باید براش ماده اولیهاش یعنی همون «طلای مایع سمی» رو فراهم کنیم که خودش ارزشمنده! برای همین در حال حاضر، استخراج طلا از معدن با روشهای معمولی خیلی راحتتر و ارزونتره. پس فعلاً خبری از تولید انبوه طلا با باکتری نیست.
🟢 این داستان به ما چی یاد میده؟
اینکه طبیعت پر از راهحلهای هوشمندانه و خلاقانهای هست که ما هنوز ازشون بیخبریم. دنیای موجودات میکروسکوپی، یک گنجینه پنهانه. شاید همین امروز، یک باکتری در گوشهای از دنیا مشغول انجام کاری هست که میتونه در آینده، الهامبخش ما برای درمان یک بیماری، پاکسازی محیط زیست یا هزاران کار بزرگ دیگه باشه.
(مثل داوینچی فکر کن و از طبیعت الهام بگیر 🫵🏻)
- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱
در اعماق خاک، جاهایی هست که پر از مواد سمی و خطرناکه. یکی از این سمها، یه جور طلای مایع و محلوله که برای اکثر موجودات زنده کشندهست. تقریباً هرچیزی که بهش نزدیک بشه، از بین میره.
اما، یه باکتری خاص، توی همین محیط سمی زندگی میکنه.
📍یک نقشه هوشمندانه برای زنده ماندن
این باکتری برای اینکه از این سم کشنده جون سالم به در ببره، یک راه حل خلاقانه پیدا کرده. اونم اینه که سم رو میبلعه!
بعد، مثل یه کارخونهی کوچیک، اون طلای سمی و خطرناک رو در بدن خودش پردازش میکنه و تبدیلش میکنه به طلای خالص، جامد و بیخطر 💰تیکههای خیلی خیلی ریز (در حد نانو) از طلای ۲۴ عیار!
این باکتری در واقع داره زبالههای سمی رو به گنج تبدیل میکنه تا بتونه در محیط سمی اطرافش زنده بمونه.
🔴 خب، حالا چندتا سوال مهم که حتماً تو ذهن شما هم اومده:
۱. این داستان واقعیه یا تخیلی؟
کاملاً واقعیه! دانشمندها این باکتریها رو به آزمایشگاه بردن و دیدن که دقیقاً همین کار رو انجام میدن.
۲. پس چرا هنوز این روش به شکل گسترده استفاده نمیشه؟
اینم سوال خوبیه! دلیلش سادهست: این فرآیند فعلاً خیلی کُند و گرونه.
فکر کنین برای اینکه این کارخونه کوچولو کار کنه، اول باید براش ماده اولیهاش یعنی همون «طلای مایع سمی» رو فراهم کنیم که خودش ارزشمنده! برای همین در حال حاضر، استخراج طلا از معدن با روشهای معمولی خیلی راحتتر و ارزونتره. پس فعلاً خبری از تولید انبوه طلا با باکتری نیست.
🟢 این داستان به ما چی یاد میده؟
اینکه طبیعت پر از راهحلهای هوشمندانه و خلاقانهای هست که ما هنوز ازشون بیخبریم. دنیای موجودات میکروسکوپی، یک گنجینه پنهانه. شاید همین امروز، یک باکتری در گوشهای از دنیا مشغول انجام کاری هست که میتونه در آینده، الهامبخش ما برای درمان یک بیماری، پاکسازی محیط زیست یا هزاران کار بزرگ دیگه باشه.
(مثل داوینچی فکر کن و از طبیعت الهام بگیر 🫵🏻)
- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱
❤5👍1
📍
مخاطب: سلام به کمیته تحقیقات 👋 این روزا همه جا حرف از تفکر انتقادی میزنن، از کلاس درس و مقاله علمی گرفته تا بحثهای روزمره. ولی من هنوز نفهمیدم تفکر انتقادی یعنی چی 🧐 از کجا بفهمم اصلاً تفکر انتقادی دارم یا نه؟ و از همه مهمتر، چطور میتونم این مهارت رو تو خودم تقویت کنم؟
کمیته تحقیقات گرمی: سلام به روی ماهت دوست عزیز و پرسشگر ما 🌟 سوالت به هدف زد. بریم بررسی کنیم 🧠
🔴 پست بعدی...
مخاطب: سلام به کمیته تحقیقات 👋 این روزا همه جا حرف از تفکر انتقادی میزنن، از کلاس درس و مقاله علمی گرفته تا بحثهای روزمره. ولی من هنوز نفهمیدم تفکر انتقادی یعنی چی 🧐 از کجا بفهمم اصلاً تفکر انتقادی دارم یا نه؟ و از همه مهمتر، چطور میتونم این مهارت رو تو خودم تقویت کنم؟
کمیته تحقیقات گرمی: سلام به روی ماهت دوست عزیز و پرسشگر ما 🌟 سوالت به هدف زد. بریم بررسی کنیم 🧠
🔴 پست بعدی...
🔴 تفکر انتقادی یعنی چی؟
🟢 خیلی ساده: چشم بسته قبول نکن 🤨💡
✅ فکر کن پازل حل میکنی، باید همیشه بپرسی:
این تیکه درسته؟ جای درستی هست؟ گزینه دیگهای هست؟ تصویر کلی چیه؟
✅ تفکر انتقادی یعنی:
کنجکاوی و پرسیدن «چرا» و «چطور»
شکاکیت سالم (بدون بدبینی)
تحلیل منطقی بدون تعصب
آمادگی برای تغییر نظر با شواهد جدید
✅ نشونهها:
سریع دنبال منبع و دلیل میگردی
راحت قانع نمیشی
از بحث منطقی استقبال میکنی
اشتباه رو میپذیری
مقاله رو عمیق میخونی (روش کار و محدودیتها)
✅ چطور قویترش کنیم؟
اخبار و حرفهای روزمره رو هم مثل کارآگاه بررسی کن
سوالهای باز بپرس: «چرا؟ چطور؟» (باز هم سقراط و تفکر پیازی 🧅)
به حرف مخالفها هم گوش بده
فرضهای پنهان رو پیدا کن
خودت رو وکیل مدافع ایده مخالف کن
مراقب سوگیریهای ذهنی باش
از ابهام و جوابهای نصفهنیمه نترس
🔍 تفکر انتقادی مهارتیه که با تمرین قوی میشه. پس هر روز ازش استفاده کن!
- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱
🟢 خیلی ساده: چشم بسته قبول نکن 🤨💡
✅ فکر کن پازل حل میکنی، باید همیشه بپرسی:
این تیکه درسته؟ جای درستی هست؟ گزینه دیگهای هست؟ تصویر کلی چیه؟
✅ تفکر انتقادی یعنی:
کنجکاوی و پرسیدن «چرا» و «چطور»
شکاکیت سالم (بدون بدبینی)
تحلیل منطقی بدون تعصب
آمادگی برای تغییر نظر با شواهد جدید
✅ نشونهها:
سریع دنبال منبع و دلیل میگردی
راحت قانع نمیشی
از بحث منطقی استقبال میکنی
اشتباه رو میپذیری
مقاله رو عمیق میخونی (روش کار و محدودیتها)
✅ چطور قویترش کنیم؟
اخبار و حرفهای روزمره رو هم مثل کارآگاه بررسی کن
سوالهای باز بپرس: «چرا؟ چطور؟» (باز هم سقراط و تفکر پیازی 🧅)
به حرف مخالفها هم گوش بده
فرضهای پنهان رو پیدا کن
خودت رو وکیل مدافع ایده مخالف کن
مراقب سوگیریهای ذهنی باش
از ابهام و جوابهای نصفهنیمه نترس
🔍 تفکر انتقادی مهارتیه که با تمرین قوی میشه. پس هر روز ازش استفاده کن!
- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱
❤3👌2
⚠️ هشدار! مغز شما در حال فریب دادن شماست!
تا حالا شده با اطمینان یه حرفی بزنی یا تصمیمی بگیری و بعد بفهمی اشتباه کردی؟ 🤯
مغز ما با همه قدرتش، پر از تلههای ذهنی (سوگیریهای شناختی) هست.
✅ چرا مغزمون گول میخوره؟
مغز برای صرفهجویی در انرژی و تصمیمگیری سریع، از میانبرهای ذهنی استفاده میکنه. این میانبرها تو زندگی کمک میکنن اما تو پژوهش میتونن خطرناک باشن!
✅ میخوای بدونی این تلهها چی هستن و چطور ما رو فریب میدن؟
🔴 پست بعدی...
تا حالا شده با اطمینان یه حرفی بزنی یا تصمیمی بگیری و بعد بفهمی اشتباه کردی؟ 🤯
مغز ما با همه قدرتش، پر از تلههای ذهنی (سوگیریهای شناختی) هست.
✅ چرا مغزمون گول میخوره؟
مغز برای صرفهجویی در انرژی و تصمیمگیری سریع، از میانبرهای ذهنی استفاده میکنه. این میانبرها تو زندگی کمک میکنن اما تو پژوهش میتونن خطرناک باشن!
✅ میخوای بدونی این تلهها چی هستن و چطور ما رو فریب میدن؟
🔴 پست بعدی...
🔴 تلههای ذهنی خطرناک برای پژوهشگران 🧠💣
📌 سوگیری تأییدی:
فقط دنبال شواهدی میگردیم که فرضیهمون رو تأیید کنه و مخالفها رو نادیده میگیریم.
✅ راهحل: دنبال شواهد مخالف باش، از نقد استقبال کن، پروتکل پژوهش رو از قبل ثبت کن.
📌 اثر لنگر انداختن:
اولین اطلاعاتی که میشنویم بیش از حد روی تصمیماتمون تأثیر میذاره.
✅ راهحل: منابع مختلف بخون، طوفان فکری بدون قضاوت اولیه داشته باش.
📌 سوگیری در دسترس بودن:
چیزی که راحتتر یادمون میاد رو مهمتر از بقیه میدونیم.
✅ راهحل: به آمار و شواهد واقعی تکیه کن، مرور ادبیات سیستماتیک انجام بده.
📌 سوگیری نتیجهنگر:
فقط به نتیجه نگاه میکنیم، نه به کیفیت روش.
✅ راهحل: فرآیند پژوهش رو مستقل از نتیجه ارزیابی کن، نتایج منفی هم ارزشمند هستن.
- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱
📌 سوگیری تأییدی:
فقط دنبال شواهدی میگردیم که فرضیهمون رو تأیید کنه و مخالفها رو نادیده میگیریم.
✅ راهحل: دنبال شواهد مخالف باش، از نقد استقبال کن، پروتکل پژوهش رو از قبل ثبت کن.
📌 اثر لنگر انداختن:
اولین اطلاعاتی که میشنویم بیش از حد روی تصمیماتمون تأثیر میذاره.
✅ راهحل: منابع مختلف بخون، طوفان فکری بدون قضاوت اولیه داشته باش.
📌 سوگیری در دسترس بودن:
چیزی که راحتتر یادمون میاد رو مهمتر از بقیه میدونیم.
✅ راهحل: به آمار و شواهد واقعی تکیه کن، مرور ادبیات سیستماتیک انجام بده.
📌 سوگیری نتیجهنگر:
فقط به نتیجه نگاه میکنیم، نه به کیفیت روش.
✅ راهحل: فرآیند پژوهش رو مستقل از نتیجه ارزیابی کن، نتایج منفی هم ارزشمند هستن.
- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱
❤3👌1
مبحث P-value به زبان ساده 🔍
فکر کنید شما یه کارآگاه هستید و میخواید یه معمای علمی رو حل کنید. مثلاً اینکه «آیا یه داروی گیاهی جدید واقعاً میتونه سردرد رو بهتر کنه یا نه؟» اینجور وقتا، پای دوتا «مظنون اصلی» یا همون «فرضیه» به داستان ما باز میشه:
📌 مظنون شماره ۱: فرضیه «هیچ اتفاقی نیفتاده» (ایشون همون فرضیه صفر یا H₀ هستن) 🥱
• شخصیتش چطوریه؟ این فرضیه خیلی بدبین و محافظهکاره. همیشه میگه: «نه بابا! هیچ خبری نیست. این دارو الکیه، هیچ تأثیری نداره. اگه هم چند نفر بعد از خوردنش بهتر شدن، کاملاً شانسی بوده و ربطی به دارو نداشته.»
• حرف حسابش چیه؟ فرضیه صفر همیشه میگه «هیچ تأثیری وجود نداره» یا «هیچ تفاوتی بین گروهها نیست». این یه جورایی حالت پیشفرض ماجراست. ما اول فرض میکنیم که هیچ اتفاق خاصی نیفتاده.
📌 مظنون شماره ۲: فرضیه «یه خبرایی هست» (ایشون همون فرضیه یک یا H₁ هستن) 🥳
• شخصیتش چطوریه؟ این فرضیه خیلی امیدوار و کنجکاوه. همیشه دنبال یه کشف جدیده و میگه: «چرا که نه! به نظر من این دارو واقعاً یه کاری میکنه و سردرد رو بهتر میکنه.»
• حرف حسابش چیه؟ فرضیه یک دقیقاً برعکس فرضیه صفره و همون چیزیه که ما به عنوان پژوهشگر، معمولاً دلمون میخواد بتونیم ثابتش کنیم. یعنی «یه تأثیر واقعی وجود داره» یا «بین گروهها تفاوت معناداری هست».
📌 حالا کارآگاه (یعنی شما🫵🏻) چطور باید تصمیم بگیره حق با کیه؟ اینجا پای P-value وسط میاد ⚖️
شما به عنوان کارآگاه، یه تحقیقی انجام میدید. مثلاً به یه گروه از آدمایی که سردرد دارن، داروی گیاهی رو میدید و به یه گروه دیگه، یه قرص الکی (دارونما یا پلاسیبو). بعد نتایج رو با هم مقایسه میکنید.
حالا P-value مثل یه «دستگاه دروغسنج» عمل میکنه. شما نتایج تحقیقتون رو میدید به این دستگاه، و دستگاه بهتون میگه:
• معنیش چیه؟ یعنی «اگه این دارو واقعاً الکی بود، خیلی خیلی بعید بود (کمتر از ۵٪ شانس داشت) که ما ببینیم این همه آدم بعد از خوردنش بهتر شدن. این دیگه نمیتونه شانسی باشه!»
• تصمیم کارآگاه (شما): پس به احتمال زیاد، فرضیه «هیچ اتفاقی نیفتاده» راستشو نمیگه! ما شواهد کافی داریم که حرفشو رد کنیم و بگیم «فرضیه "یه خبرایی هست" درست میگه. این دارو واقعاً یه تأثیری داره.». به این میگن نتیجه «از نظر آماری معنادار». یعنی انقدر تفاوت بزرگه که دیگه نمیشه به شانس نسبتش داد. 🎉
📌 سناریوی دوم: P-value یه عدد بزرگ نشون میده (مثلاً بیشتر از ۰.۰۵). 📟➡️😕
• معنیش چیه؟ یعنی «خب، اگه این دارو الکی هم بود، باز هم احتمال زیادی داشت (مثلاً ۴۰٪ شانس) که ما همین نتایج رو شانسی ببینیم. خیلی چیز عجیبی نیست.»
• تصمیم کارآگاه (شما): پس ما نمیتونیم با اطمینان بگیم که فرضیه «هیچ اتفاقی نیفتاده» دروغ میگه. شواهدمون کافی نیست که محکومش کنیم. در این حالت، میگیم نتیجه «از نظر آماری معنادار نیست».
• خیلی مهم: این به معنی این نیست که دارو «حتماً» بیاثره! فقط یعنی «ما تو این تحقیق نتونستیم ثابت کنیم که اثر داره». شاید اگه با تعداد آدمای بیشتری تحقیق میکردیم، یا روشمون یه کم فرق داشت، نتیجه عوض میشد.
📌 چطور P-value رو به دست بیاریم؟ 💻
خوشبختانه لازم نیست خودتون این عدد رو حساب کنید. نرمافزارهای آماری مثل SPSS یا R این کار رو براتون انجام میدن. شما دادههاتون رو بهشون میدید، میگید چه چیزی رو میخواید مقایسه کنید، و اونا P-value رو بهتون تحویل میدن (معمولاً با اسم Sig. یا P-value تو خروجیها نشون داده میشه).
📌 حالا چندتا نکته خیلی خیلی مهم که حکم فوت کوزهگری رو داره: 🏺✨
• مقدار P-value کوچیک، به معنی «درمان معجزهآسا» نیست! فقط میگه نتیجه شانسی نبوده. اینکه اون دارو چقدر حال بیمار رو «واقعاً» بهتر میکنه، یه داستان دیگهست و با چیزی به اسم «اندازه اثر» (Effect Size) سنجیده میشه.
• عدد طلایی ۰.۰۵ هم وحی منزل نیست! فقط یه قرارداد رایجه. اصل قضیه، فهمیدن داستان پشت عدده.
• مراقب باشید با دادههاتون بازی نکنید تا به زور P-value رو پایین بیارید!
• اگه P-value بزرگ شد، دنیا به آخر نرسیده! این هم یه نتیجه علمیه و نشون میده که (حداقل با این تحقیق) نتونستید اون چیزی که فکر میکردید رو ثابت کنید. این هم برای علم مهمه و باید گزارش بشه.
- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱
فکر کنید شما یه کارآگاه هستید و میخواید یه معمای علمی رو حل کنید. مثلاً اینکه «آیا یه داروی گیاهی جدید واقعاً میتونه سردرد رو بهتر کنه یا نه؟» اینجور وقتا، پای دوتا «مظنون اصلی» یا همون «فرضیه» به داستان ما باز میشه:
📌 مظنون شماره ۱: فرضیه «هیچ اتفاقی نیفتاده» (ایشون همون فرضیه صفر یا H₀ هستن) 🥱
• شخصیتش چطوریه؟ این فرضیه خیلی بدبین و محافظهکاره. همیشه میگه: «نه بابا! هیچ خبری نیست. این دارو الکیه، هیچ تأثیری نداره. اگه هم چند نفر بعد از خوردنش بهتر شدن، کاملاً شانسی بوده و ربطی به دارو نداشته.»
• حرف حسابش چیه؟ فرضیه صفر همیشه میگه «هیچ تأثیری وجود نداره» یا «هیچ تفاوتی بین گروهها نیست». این یه جورایی حالت پیشفرض ماجراست. ما اول فرض میکنیم که هیچ اتفاق خاصی نیفتاده.
📌 مظنون شماره ۲: فرضیه «یه خبرایی هست» (ایشون همون فرضیه یک یا H₁ هستن) 🥳
• شخصیتش چطوریه؟ این فرضیه خیلی امیدوار و کنجکاوه. همیشه دنبال یه کشف جدیده و میگه: «چرا که نه! به نظر من این دارو واقعاً یه کاری میکنه و سردرد رو بهتر میکنه.»
• حرف حسابش چیه؟ فرضیه یک دقیقاً برعکس فرضیه صفره و همون چیزیه که ما به عنوان پژوهشگر، معمولاً دلمون میخواد بتونیم ثابتش کنیم. یعنی «یه تأثیر واقعی وجود داره» یا «بین گروهها تفاوت معناداری هست».
📌 حالا کارآگاه (یعنی شما🫵🏻) چطور باید تصمیم بگیره حق با کیه؟ اینجا پای P-value وسط میاد ⚖️
شما به عنوان کارآگاه، یه تحقیقی انجام میدید. مثلاً به یه گروه از آدمایی که سردرد دارن، داروی گیاهی رو میدید و به یه گروه دیگه، یه قرص الکی (دارونما یا پلاسیبو). بعد نتایج رو با هم مقایسه میکنید.
حالا P-value مثل یه «دستگاه دروغسنج» عمل میکنه. شما نتایج تحقیقتون رو میدید به این دستگاه، و دستگاه بهتون میگه:
«اگر حرف فرضیه "هیچ اتفاقی نیفتاده" (فرضیه صفر) درست باشه، و این دارو واقعاً هیچ اثری نداشته باشه، چقدر احتمال داشت که شما این نتایجی رو که الان تو دستتونه، همینجوری شانسی و اتفاقی ببینید؟»📌 سناریوی اول: P-value یه عدد خیلی کوچیک نشون میده (مثلاً کمتر از ۰.۰۵ یا ۵٪). 📟➡️😲
• معنیش چیه؟ یعنی «اگه این دارو واقعاً الکی بود، خیلی خیلی بعید بود (کمتر از ۵٪ شانس داشت) که ما ببینیم این همه آدم بعد از خوردنش بهتر شدن. این دیگه نمیتونه شانسی باشه!»
• تصمیم کارآگاه (شما): پس به احتمال زیاد، فرضیه «هیچ اتفاقی نیفتاده» راستشو نمیگه! ما شواهد کافی داریم که حرفشو رد کنیم و بگیم «فرضیه "یه خبرایی هست" درست میگه. این دارو واقعاً یه تأثیری داره.». به این میگن نتیجه «از نظر آماری معنادار». یعنی انقدر تفاوت بزرگه که دیگه نمیشه به شانس نسبتش داد. 🎉
📌 سناریوی دوم: P-value یه عدد بزرگ نشون میده (مثلاً بیشتر از ۰.۰۵). 📟➡️😕
• معنیش چیه؟ یعنی «خب، اگه این دارو الکی هم بود، باز هم احتمال زیادی داشت (مثلاً ۴۰٪ شانس) که ما همین نتایج رو شانسی ببینیم. خیلی چیز عجیبی نیست.»
• تصمیم کارآگاه (شما): پس ما نمیتونیم با اطمینان بگیم که فرضیه «هیچ اتفاقی نیفتاده» دروغ میگه. شواهدمون کافی نیست که محکومش کنیم. در این حالت، میگیم نتیجه «از نظر آماری معنادار نیست».
• خیلی مهم: این به معنی این نیست که دارو «حتماً» بیاثره! فقط یعنی «ما تو این تحقیق نتونستیم ثابت کنیم که اثر داره». شاید اگه با تعداد آدمای بیشتری تحقیق میکردیم، یا روشمون یه کم فرق داشت، نتیجه عوض میشد.
📌 چطور P-value رو به دست بیاریم؟ 💻
خوشبختانه لازم نیست خودتون این عدد رو حساب کنید. نرمافزارهای آماری مثل SPSS یا R این کار رو براتون انجام میدن. شما دادههاتون رو بهشون میدید، میگید چه چیزی رو میخواید مقایسه کنید، و اونا P-value رو بهتون تحویل میدن (معمولاً با اسم Sig. یا P-value تو خروجیها نشون داده میشه).
📌 حالا چندتا نکته خیلی خیلی مهم که حکم فوت کوزهگری رو داره: 🏺✨
• مقدار P-value کوچیک، به معنی «درمان معجزهآسا» نیست! فقط میگه نتیجه شانسی نبوده. اینکه اون دارو چقدر حال بیمار رو «واقعاً» بهتر میکنه، یه داستان دیگهست و با چیزی به اسم «اندازه اثر» (Effect Size) سنجیده میشه.
• عدد طلایی ۰.۰۵ هم وحی منزل نیست! فقط یه قرارداد رایجه. اصل قضیه، فهمیدن داستان پشت عدده.
• مراقب باشید با دادههاتون بازی نکنید تا به زور P-value رو پایین بیارید!
• اگه P-value بزرگ شد، دنیا به آخر نرسیده! این هم یه نتیجه علمیه و نشون میده که (حداقل با این تحقیق) نتونستید اون چیزی که فکر میکردید رو ثابت کنید. این هم برای علم مهمه و باید گزارش بشه.
- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱
👍2❤1👌1
بچهها، یادتونه در مورد «راهحلهایی که تو خواب جرقه میزنن» حرف زدیم؟ 😴✨ انگار استاد مجتبی کاشانی هم با ما همعقیده بوده 😉 ایشون تو یه شعر فوقالعاده، تعریف خیلی قشنگی ارائه میدن. میگن خوشبخت واقعی اونیه که:
خلاصه که، وقتی اونقدر تو کارِت غرق بشی که حتی تو خواب هم داری مسئله حل میکنی، بدون که به بهترین جای ممکن رسیدی✨
🔴 پست بعدی با هم میریم سراغ چند نمونه واقعی از الهاماتی که توی خواب شکل گرفتن...
بخت از آن کسی است که مناجات کند با کارش و در اندیشهٔ یک مسئله خوابش ببرد
و کتابش را بگذارد در زیر سرش و ببیند در خواب، حل یک مسئله را...
باز با شادی درگیری یک مسئله بیدار شود
خلاصه که، وقتی اونقدر تو کارِت غرق بشی که حتی تو خواب هم داری مسئله حل میکنی، بدون که به بهترین جای ممکن رسیدی✨
🔴 پست بعدی با هم میریم سراغ چند نمونه واقعی از الهاماتی که توی خواب شکل گرفتن...