اصلاحیه لیلیفورز: آچار فرانسه آزمون کولموگروف-اسمیرنوف 🛠️📊

۱. مشکل اصلی آزمون K-S استاندارد چیست؟ 🧐
آزمون کولموگروف-اسمیرنوف اصلی برای زمانی طراحی شده بود که شما میانگین و انحراف معیار واقعی کل جامعه را می‌دانید.
اما در ۹۹٪ پژوهش‌های علمی، ما پارامترهای واقعی جامعه را نداریم و مجبوریم آن‌ها را از روی «نمونه» خودمان برآورد کنیم. وقتی شما از میانگین نمونه استفاده می‌کنید، آزمون K-S استاندارد بیش از حد «محافظه‌کار» می‌شود؛ یعنی تمایل دارد که به اشتباه بگوید داده‌های شما نرمال هستند (حتی اگر نباشند!). این یعنی خطای نوع دوم افزایش می‌یابد.

۲. لیلیفورز (Lilliefors) چه کرد؟ ✨
در سال ۱۹۶۷، دانشمندی به نام هیوبرت لیلیفورز متوجه این تضاد شد. او جداول توزیع جدیدی را محاسبه کرد که مخصوص زمانی است که پارامترهای جامعه (میانگین و انحراف معیار) مجهول هستند و از داده‌های نمونه استخراج شده‌اند.
• کارکرد اصلی: این اصلاحیه، مقادیر بحرانی آزمون را تعدیل می‌کند تا آزمون نسبت به «عدم نرمالیتی» حساس‌تر شود.
نتیجه: با استفاده از این اصلاحیه P-Value دقیق‌تری به دست می‌آورید که واقعیت داده‌های شما را بهتر منعکس می‌کند.

۳. چه زمانی به درد ما می‌خورد؟ 🚀
اگر از نرم‌افزاری مثل SPSS استفاده می‌کنید، احتمالاً در خروجی آزمون‌های نرمالیتی دیده‌اید که بالای ستون K-S نوشته شده: Kolmogorov-Smirnov^a و در پانویس توضیح داده شده که این با اصلاحیه لیلیفورز محاسبه شده است.
برای حجم نمونه بالا: وقتی تعداد داده‌های شما زیاد است (مثلاً بالای ۵۰ یا ۱۰۰ مورد) و می‌خواهید از K-S استفاده کنید، حتماً و لزوماً باید از نسخه اصلاح‌شده با لیلیفورز استفاده کنید.
برای اعتبار علمی: داوران مجلات معتبر می‌دانند که K-S بدون لیلیفورز دقت بالایی ندارد. پس اگر در متن مقاله بنویسید «نرمالیتی با آزمون K-S و اصلاحیه Lilliefors بررسی شد»، نشان‌دهنده سواد آماری بالای شماست.

۴. یک نکته بسیار مهم (تفاوت با شاپیرو) 🔍
حتی با وجود اصلاحیه لیلیفورز، باز هم در نمونه‌های کوچک (زیر ۵۰ مورد)، آزمون شاپیرو-ویلک (Shapiro-Wilk) از K-S با اصلاحیه لیلیفورز قدرتمندتر است. بنابراین استراتژی طلایی این است:
نمونه کوچک: مستقیم برو سراغ Shapiro-Wilk.
نمونه بزرگ: از K-S با اصلاحیه Lilliefors استفاده کن.

خلاصه کنیم:
آزمون K-S معمولی فکر می‌کند شما میانگین کل جامعه را می‌دانید! چون نمی‌دانید و از میانگین نمونه خودتان استفاده می‌کنید، نتایجش غلط از آب در می‌آید. اصلاحیه لیلیفورز این اشتباه را جبران می‌کند و اجازه می‌دهد در نمونه‌های بزرگ، با خیال راحت نرمالیتی را چک کنید.


- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱

واریانس به زبان ساده: داستان دو تیرانداز 🎯

تصور کنید دو تیرانداز به یک هدف شلیک می‌کنند و میانگینِ فاصله تیرهای هر دو تا مرکز هدف، صفر است (یعنی به طور متوسط در مرکز هستند).
تیرانداز اول: تمام تیرهایش در نزدیکی مرکز جمع شده است. او واریانس کمی دارد؛ یعنی عملکردش پایدار و قابل پیش‌بینی است.
تیرانداز دوم: تیرهایش به شدت پراکنده‌اند؛ یکی بالا، یکی پایین، یکی چپ و یکی راست. او واریانس بالایی دارد؛ یعنی عملکردش بی‌ثبات است، هرچند میانگینش هنوز مرکز باشد.

چرا واریانس در پژوهش حیاتی است؟ 🔬
۱. معیار عدم قطعیت و ریسک:
واریانس به پژوهشگر می‌گوید که نتایج چقدر قابل اطمینان هستند. در یک مطالعه پزشکی، اگر واریانس پاسخ بیماران به یک دارو خیلی بالا باشد، یعنی دارو روی هر نفر یک جورِ کاملاً متفاوت اثر می‌گذارد و این برای پزشکان نگران‌کننده است.
۲. پایه و اساس آزمون‌های آماری (مثل ANOVA):
یکی از مهم‌ترین آزمون‌های پژوهشی، تحلیل واریانس است. در این آزمون، ما با مقایسه واریانسِ «درون گروه‌ها» و «بین گروه‌ها» می‌فهمیم که آیا تفاوتِ میانگین‌ها واقعی است یا صرفاً از روی شانس اتفاق افتاده است.
۳. تشخیص «سیگنال» از «نویز»:
در هر پژوهشی، ما به دنبال کشف یک اثر (سیگنال) هستیم. اما داده‌ها همیشه با مقداری خطا (نویز) همراه هستند. واریانس به ما کمک می‌کند بفهمیم چقدر از تغییراتِ داده‌ها ناشی از متغیر مورد نظر ماست و چقدر ناشی از عوامل مزاحم و تصادفی.
۴. رابطه با انحراف معیار:
واریانس ریشه اصلی «انحراف معیار» است. از آنجایی که در محاسبات واریانس، اعداد به توان دو می‌رسند (تا منفی‌ها حذف شوند)، واحد آن با واحد اصلی داده‌ها متفاوت می‌شود (مثلاً گرم به توان دو!). برای همین ما از آن جذر می‌گیریم تا به انحراف معیار برسیم که با واحد اصلی ما یکی است.

• چرا به توان ۲ می‌رسانیم؟ چون اگر فقط فاصله‌ها را با هم جمع کنیم، فواصل مثبت و منفی همدیگر را خنثی می‌کنند و مجموع صفر می‌شود. توان ۲ باعث می‌شود تمام فاصله‌ها مثبت شوند و وزن بیشتری به «فاصله‌های خیلی دور» داده شود.

خلاصه کنیم:
واریانس یعنی چقدر داده‌های شما «ساز مخالف» می‌زنند! هرچه واریانس کمتر باشد، داده‌ها متحدتر و به میانگین نزدیک‌ترند و پژوهش شما دقیق‌تر است. هرچه بیشتر باشد، یعنی نویز و پراکندگی در کار شما زیاد است.

- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱

تفاوت واریانس و انحراف معیار در یک نگاه 🔍

برای درک تفاوت این دو، اول باید رابطه‌شان را بدانید:
انحراف معیار، در واقع رادیکال (جذر) واریانس است.

۱. واریانس (Variance): دنیای محاسبات ریاضی 📐
واریانس به ما می‌گوید داده‌ها چقدر از مرکز (میانگین) پخش شده‌اند. اما یک مشکل دارد: چون در فرمول واریانس، فاصله‌ها را به توان ۲ می‌رسانیم، واحد آن هم به توان ۲ می‌رسد.
• مثال: اگر در حال بررسی «قد» افراد بر حسب سانتی‌متر باشید، واریانس شما بر حسب سانتی‌متر مربع می‌شود!
• چی رو نشون میده؟ بیشتر برای محاسبات آماری پیچیده و درک قدرت مدل‌های ریاضی (مثل ANOVA) به کار می‌رود. برای ذهن انسان، تصورِ «سانتی‌متر مربع» برای قد سخت است.

۲. انحراف معیار (Standard Deviation): دنیای واقعیت و گزارش 📏
انحراف معیار، آن رادیکال را می‌گیرد تا عدد را به واحد اصلی برگرداند.
• مثال: اگر واریانس قد ۱۰۰ (سانتی‌متر مربع) باشد، انحراف معیار می‌شود ۱۰ سانتی‌متر.
• چی رو نشون میده؟ دقیقاً به ما می‌گوید که به طور متوسط، داده‌ها چند واحد از میانگین فاصله دارند. این عدد برای گزارش دادن در مقاله و درک شهودی عالی است.

چرا دانستن هر دو مهم است؟ 🚀
• چرا واریانس مهمه؟ (پشت صحنه)
واریانس در تحلیل‌های آماری مثل رگرسیون یا آنوا حکم موتور محرک را دارد. آماردانان عاشق واریانس هستند چون خواص ریاضی بهتری دارد و به راحتی می‌توان واریانسِ بخش‌های مختلف یک مدل را با هم جمع یا تفریق کرد تا فهمید کدام عامل تأثیر بیشتری داشته است.
• چرا انحراف معیار مهمه؟ (روی صحنه)
انحراف معیار برای تفسیر نتایج حیاتی است.
اگر بگویید: «میانگین نمرات کلاس ۱۵ و انحراف معیار ۵ است»، یعنی نمرات خیلی پراکنده‌اند (یکی ۱۰ شده، یکی ۲۰).
اگر انحراف معیار ۱ باشد، یعنی همه حول‌وحوش ۱۵ شده‌اند و کلاس کاملاً یکدست است.
در مجلات Q1، شما همیشه باید میانگین را در کنار انحراف معیار گزارش کنید:
Mean ± SD

خلاصه کنیم 💡
• واریانس: عدد درشتی است که واحدش به توان ۲ رسیده. برای محاسبه توسط نرم‌افزار و تست‌های آماری سنگین استفاده می‌شود.
• انحراف معیار: همان عدد است که به واحد اصلی برگشته. برای توضیح دادن به آدم‌ها و گزارش در مقاله استفاده می‌شود.

یک نکته کلیدی:
اگر در مقاله‌تان انحراف معیار (SD) خیلی بزرگتر از میانگین باشد، داور بلافاصله می‌فهمد که داده‌های شما احتمالاً «نرمال» نیستند یا داده‌های پرت زیادی دارید که نتایج را خراب کرده‌اند.

- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱

در دنیای آمار، وقتی می‌خواهیم داده‌ها را تحلیل کنیم، با دو مسیر اصلی روبرو هستیم: آزمون‌های پارامتریک و آزمون‌های ناپارامتریک. انتخاب بین این دو مسیر، تعیین‌کننده اعتبار نتایج مقاله شماست.
در ادامه، این تفاوت را به زبان ساده و با دسته‌بندی مشخص بررسی می‌کنیم:

۱. آزمون‌های پارامتریک: جاده صاف و استاندارد 🛣️
این آزمون‌ها بر اساس فرض‌های مشخصی درباره جامعه آماری بنا شده‌اند (پارامترهای جامعه را تخمین می‌زنند).
شرط اصلی استفاده: 1. داده‌ها باید توزیع نرمال داشته باشند.
2. مقیاس اندازه‌گیری باید فاصله‌ای یا نسبی باشد (مثل سن، وزن، نمره).
3. واریانس گروه‌ها باید با هم برابر باشد (همگنی واریانس).
• مزیت: قدرت آماری (Power) بالایی دارند؛ یعنی اگر واقعاً تفاوتی وجود داشته باشد، به احتمال زیاد آن را پیدا می‌کنند.

۲. آزمون‌های ناپارامتریک: جاده خاکی و ناهموار 🚜
این آزمون‌ها به «آزمون‌های آزاد از توزیع» معروف هستند؛ چون نیازی به فرض نرمال بودن ندارند.
• چه زمانی استفاده کنیم؟
وقتی حجم نمونه بسیار کم است (مثلاً زیر ۱۵ یا ۲۰ نفر).
وقتی داده‌ها نرمال نیستند و با تبدیل ریاضی هم نرمال نمی‌شوند.
وقتی داده‌های شما از نوع رتبه‌ای (Ordinal) یا اسمی (Nominal) هستند (مثلاً سطح رضایت: کم، متوسط، زیاد).
وقتی داده‌های پرت (Outliers) شدیدی دارید که میانگین را خراب می‌کنند.
• عیب: قدرت کمتری نسبت به پارامتریک دارند. یعنی ممکن است تفاوتی وجود داشته باشد اما آزمون بگوید چیزی پیدا نکردم.

۳. کدام آزمون برای کدام هدف؟ (لیست معادل‌ها) 📋
برای اینکه بدانید از کدام آزمون استفاده کنید، از این راهنمای سریع استفاده کنید:

الف) مقایسه دو گروه مستقل (مثلاً زن و مرد)
پارامتریک: Independent T-test
ناپارامتریک: Mann-Whitney U test

ب) مقایسه یک گروه در دو زمان (مثلاً قبل و بعد از آموزش)
پارامتریک: Paired T-test
ناپارامتریک: Wilcoxon Signed-Rank test

ج) مقایسه بیش از دو گروه (مثلاً سه نوع روش درمان)
پارامتریک: One-way ANOVA
ناپارامتریک: Kruskal-Wallis test

د) بررسی رابطه بین دو متغیر
پارامتریک: Pearson Correlation (ضریب همبستگی پیرسون)
ناپارامتریک: Spearman Correlation (ضریب همبستگی اسپیرمن)

چطور تصمیم نهایی بگیریم؟ ⚖️
استراتژی پیشنهادی برای محققان:
ابتدا آزمون نرمالیتی (مثل شاپیرو-ویلک) را انجام دهید.
اگر داده‌ها نرمال بودند و حجم نمونه کافی بود، حتماً از پارامتریک استفاده کنید تا قدرت تحلیل بالا برود.
اگر نرمالیتی رد شد یا داده‌ها کیفی (رتبه‌ای) بودند، بدون شک به سراغ ناپارامتریک بروید.

نکته طلایی برای مقاله: در بخش روش‌شناسی (Methodology) حتماً ذکر کنید که چرا یک آزمون را انتخاب کردید (مثلاً: «به دلیل عدم توزیع نرمال داده‌ها در آزمون شاپیرو-ویلک، از آزمون ناپارامتریک یو من-ویتنی استفاده شد»). این جمله داوران را متقاعد می‌کند که شما بر آمار مسلط هستید.


- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱

برای بررسی واریانس و انحراف معیار در SPSS و گزارش استاندار آن‌ها در مقاله یا پایان‌نامه، باید مراحل زیر را به ترتیب دنبال کنید. این آموزش طوری تنظیم شده که مستقیم بروید سراغ اصل مطلب.

گام اول: استخراج واریانس و انحراف معیار در SPSS 💻

ساده‌ترین و کامل‌ترین راه برای گرفتن این آمارها، استفاده از منوی Frequencies است:
از منوی بالا به مسیر مقابل بروید: Analyze > Denoscriptive Statistics > Frequencies.
متغیرهای مورد نظر خود را (که باید عددی باشند) به کادر Variable(s) منتقل کنید.
روی دکمه Statistics در سمت راست کلیک کنید.
در پنجره باز شده، در بخش Dispersion (پراکندگی)، تیک گزینه‌های Std. deviation و Variance را بزنید.
نکته: می‌توانید تیک Range، Minimum و Maximum را هم برای گزارش کامل‌تر بزنید.
روی Continue و سپس OK کلیک کنید.

گام دوم: تحلیل خروجی (Output) 📊

در جدول ظاهر شده (بخش Statistics):
Std. Deviation: همان انحراف معیار است که نشان می‌دهد داده‌ها به طور متوسط چقدر از میانگین فاصله دارند.
Variance: توان دوم انحراف معیار است.

نکته حرفه‌ای: اگر انحراف معیار شما از میانگین بزرگتر است، یعنی پراکندگی داده‌هایتان بسیار زیاد است و احتمالاً داده‌های پرت (Outliers) دارید یا توزیع داده‌ها نرمال نیست.

گام سوم: نحوه گزارش در مقاله و پایان‌نامه 📝

در گزارش‌های علمی، واریانس معمولاً در متن آورده نمی‌شود و بیشتر انحراف معیار (SD) در کنار میانگین (M) گزارش می‌شود.

۱. گزارش در متن (فرمت APA):
باید میانگین و انحراف معیار را داخل پرانتز و با حروف اختصاری بنویسید:
فارسی: میانگین نمرات دانش‌آموزان در آزمون نهایی ۱۵.۴۰ با انحراف معیار ۲.۳۱ بود (SD = ۲/۳۱ , M = ۱۵/۴۰).
انگلیسی: The participants' ages ranged from 18 to 45 years (M = 28.5, SD = 4.2).

۲. گزارش در جدول:
اگر تعداد متغیرها زیاد است، از فرمت زیر استفاده کنید:
ستون اول: نام متغیر
ستون دوم: میانگین (Mean)
ستون سوم: انحراف معیار (SD)
ستون چهارم: واریانس (Variance) - اختیاری

نکات کلیدی برای داوران مقالات Q1 💡
• تعداد رقم اعشار: طبق استاندارد APA، انحراف معیار را تا دو رقم اعشار رند کنید (مثلاً ۲.۳۱).
• تفسیر: اگر SD شما کم است، در بخش بحث (Discussion) قید کنید که «داده‌ها از همگنی بالایی برخوردار بودند». اگر SD زیاد است، به «تنوع زیاد در پاسخ‌های شرکت‌کنندگان» اشاره کنید.
• خطای استاندارد (SE): اشتباه نکنید! انحراف معیار (SD) با خطای استاندارد (Standard Error) فرق دارد. SD پراکندگی داده‌های شما را نشان می‌دهد، اما SE نشان می‌دهد میانگین شما چقدر به میانگین واقعی جامعه نزدیک است. برای توصیف داده‌های نمونه، همیشه SD را گزارش کنید.


- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱

۱. خطای استاندارد (SE) یعنی چه؟ به زبان ساده 🗣️

اگر شما یک تحقیق را ۱۰۰ بار تکرار کنید و هر بار از یک گروه جدید از مردم نمونه‌گیری کنید، میانگین‌هایی که به دست می‌آورید دقیقاً مثل هم نخواهند بود.
خطای استاندارد به ما می‌گوید که این میانگین‌های مختلف چقدر با هم اختلاف دارند. به عبارت دیگر:

خطای استاندارد نشان‌دهنده میزان «دقت» میانگین نمونه شما به عنوان نماینده‌ای از کل جامعه است.

هرچه SE کمتر باشد، یعنی اگر تحقیق را تکرار کنید، به احتمال زیاد دوباره به همین نتیجه می‌رسید.

۲. تفاوت حیاتی: SE در برابر SD ⚖️
این بخش را با دقت بخوانید، چون کلید اصلی اینجاست:
• انحراف معیار (Standard Deviation): درباره «تک‌تک افراد» داخل نمونه شما حرف می‌زند. می‌گوید آدم‌های داخل این اتاق چقدر قدشان با هم فرق دارد. (توصیف نمونه فعلی)
• خطای استاندارد (Standard Error): درباره «میانگین کل» حرف می‌زند. می‌گوید اگر من از کل شهر نمونه‌های دیگری بگیرم، میانگین آن‌ها چقدر با میانگین فعلی من فرق خواهد داشت. (تخمین جامعه)

۳. خطای استاندارد کجا به درد می‌خورد؟ 🛠️

۱. ساخت بازه اطمینان (Confidence Interval): ما از SE استفاده می‌کنیم تا بگوییم: «من ۹۵٪ مطمئنم که میانگین واقعی جامعه بین این دو عدد قرار دارد.»

۲. آزمون‌های فرضیه (مثل T-test): تمام آزمون‌های آماری برای محاسبه مقدار t یا Z، تفاوت میانگین‌ها را بر خطای استاندارد تقسیم می‌کنند.

۳. نمودارهای علمی: در مقالات Q1، روی نمودارهای ستونی، باله‌هایی (Error Bars) قرار می‌دهند. اگر این باله‌ها بر اساس SE باشند، نشان‌دهنده پایداری و اعتبار میانگین شما هستند.

۴. چطور محاسبه می‌شود؟ (فرمول ساده) 📐
خطای استاندارد از تقسیم انحراف معیار بر رادیکال تعداد نمونه به دست می‌آید
نتیجه استراتژیک:
هرچه تعداد نمونه (N) شما بیشتر شود، مخرج کسر بزرگتر شده و خطای استاندارد کمتر می‌شود.
بنابراین: برای اینکه به دنیای علم ثابت کنید نتایج شما اتفاقی نبوده و دقیق است، باید تعداد نمونه را بالا ببرید.

۵. خلاصه برای گزارش در مقاله 📝
اگر می‌خواهید بگویید داده‌هایتان چقدر پخش هستند (توصیف وضعیت موجود): SD را گزارش کنید.
اگر می‌خواهید بگویید میانگین شما چقدر علمی و قابل اعتماد است (تخمین برای جامعه): SE را گزارش کنید.

نکته حرفه‌ای: در اکثر مجلات پزشکی و بیولوژی، گزارش Mean ± SEM (میانگین به اضافه/منهای خطای استاندارد میانگین) بسیار رایج‌تر و پسندیده‌تر است چون دقتِ برآورد شما را نشان می‌دهد.

- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱

📣 نخستین ویژه‌نامهٔ علمی–پژوهشی بیوسا منتشر شد

این شماره، صرفاً یک نشریه نیست؛ روایتی علمی از یک مسئلهٔ زنده، پیچیده و معاصر است.
ویژه‌نامه‌ای که با نگاه بوم‌شناختی و زیست‌شناسانه، به یکی از چالش‌برانگیزترین رخدادهای طبیعی می‌پردازد.

📘ویژه‌نامهٔ دوزبانه: آتش‌سوزی جنگل‌های شمال؛ از تخریب تا باززایی
با تمرکز بر جنگل‌های کهن هیرکانی و تحلیل علمی آتش، از منظر:
– ژنتیک و فیزیولوژی گیاه
– بوم‌شناسی آتش و بازسازی پساآتش
– آسیب‌شناسی اکوسیستم
– مدیریت مبتنی بر شواهد و داده‌های علمی

این شماره، نخستین ویژه‌نامهٔ بیوسا است؛ تلاشی برای پیوند دانش تخصصی با دغدغه‌ای عمومی و تبدیل حساسیت زیست‌محیطی به فهم علمی عمیق.

🎧در کنار مقالات علمی، پادکست روایی–علمی نیز منتشر شده است؛ روایتی شنیداری از علم، جنگل و باززایی.
📚برای مطالعهٔ نسخهٔ انگلیسی نشریه و دسترسی به منابع علمی، از طریق QR Code داخل ویژه‌نامه اقدام کنید.
لینک دریافت ویژه‌نامه و پادکست‌ها در کانال تلگرام: t.me/Biosa_uai

صاحب امتیاز: انجمن علمی بیوسا
استاد مشاور: دکتر معصومه سادات شهیدی
مدیر مسئول: مهدی بیگ‌دلی
سردبیر: حانیه شریفی

#ویژه_نامه
#بیوسا
@Biosa_uai

🌿 هیرکانی؛ وقتی جنگل حرف می‌زند

این فقط یک پادکست نیست.
روایتی است از جنگلی کهن؛
جنگلی که میلیون‌ها سال ایستاده،
سوخته، نفس کشیده،
و دوباره از دل خاکستر برخاسته است.

در این اپیزود از رادیو بیوسا،
به هیرکانی گوش می‌دهیم؛
نه از زبان خبر،
بلکه از نگاه علم.

🔬 از ژن‌هایی که رویش مجدد را ممکن می‌کنند،
از بانک‌های بذر خاکی که حافظهٔ جنگل‌اند،
از آستانه‌های حرارتی که مرز بقا و نابودی را تعیین می‌کنند،
و از این پرسش بنیادین:
چگونه برخی زیست‌بوم‌ها با آتش سازگارند و برخی نه؟

🎧 این پادکست، تلاقی روایت و پژوهش است؛
جایی که بوم‌شناسی، ژنتیک و احساس مسئولیت به هم می‌رسند.
جایی که می‌فهمیم آتش همیشه پایان نیست ...
گاهی آغازِ بازسازی است، اگر درست فهمیده شود.

🌫 پایان این روایت،
صدای مه صبحگاهی در راش‌هاست…
و امیدی آرام برای جنگل‌های کهن شمال.

🔗 شنیدن پادکست از طریق لینک کانال
🎙 رادیو بیوسا

#هیرکانی
#رادیو_بیوسا

‼️‼️ آخرین مهلت ثبت نام


✅ ✅  اگه قصد کارکردن در داروخانه داری و یا دانشجو و فارغ التحصیلی هستی که میخوای به نسخه ها و داروهای مختلف مسلط بشی 👇👇


💊 💊 دوره تکنسین داروخانه


📝‌ سرفصل های دوره در پوستر موجود است.


‼️ ظرفیت باقی مانده دوره محدود است.


⏱ زمان برگزاری :

چهارشنبه ها ، پنجشنبه ها و جمعه ها

ساعت ۲۰  لغایت  ۲۲

( شروع دوره از  ۵ دیماه )

به مدت ۲۰ ساعت


🟠 دوره بصورت مجازی برگزار می شود.
(‌ بعد از برگزاری هر جلسه آنلاین ، محتوای جلسه نیز در اختیار شما قرار خواهد گرفت. )


📜 اعطای گواهینامه از علوم پزشکی کرمانشاه


🔹 شهریه دوره با ارسال کدتخفیف :
فقط ۷۹۸ تومان ( در صورت ثبت نام گروهی  ۳  نفره شهریه هر نفر فقط  ۶۹۸  تومان و ثبت نام گروهی حداقل  ۶  نفره شهریه هر نفر فقط  ۵۹۸  تومان )


🎁 کدتخفیف:  k103


📎 جهت ثبت نام دوره به آیدی زیر پیام دهید :

 @new_webinar 


✅✅ کانال اطلاع رسانی سایر دوره های آموزشی کشور 👇👇

https://news.1rj.ru/str/new_learningg


#نسخه
#تکنسین_داروخانه

این ترم اولین مقاله‌ت رو مینویسی...

👨🏻‍🎓👩🏻‍🎓 استاد تمام مقاله نویسی شو!
هفت دوره جامع + هفت سرتیفیکیت انگلیسی به قیمت یک دوره...

💯 آموزش صفر تا صد هرچیزی که برای نوشتن انواع مقالات isi لازم دارید، شامل:

✅نوشتن مقالات اصیل
✅نوشتن مقالات کیس ریپورت
✅نوشتن مقالات مرور سیستماتیک
✅آمار در مقاله نویسی
✅انتخاب مجله و سابمیت مقاله
✅سرچ در پایگاه‌های اطلاعاتی
✅رفرنس نویسی با اندنوت


⏰  بیش از 35 ساعت آموزش تخصصی، همراه با پشتیبانی پاسخ به سوالات شما!


💰قیمت اصلی پکیج:
2/897/000 تومان

🎁به مدت محدود، فقط با پرداخت:
550/000 تومان

کدتخفیف ثبت‌نام:
✅ os141
✅ os141
[برای کپی کردن روی کد بالا کلیک کنید]

اطلاعات کامل و ثبت‌نام در دوره:
https://zhivaramoozan.com/?p=33523
https://zhivaramoozan.com/?p=33523



👨‍🏫آموزشها برای همیشه در دسترس شما میمونن و مدرسین به تمام سوالات شما جواب میدن.


📌📌 درصورتی که تا ساعت ۲۳ فردا ثبت‌نام کنید، دوره ۱۵ ساعته و جامع پروپوزال نویسی نیز که تنها پیشنیاز مقاله نویسی است به صورت رایگان برای شما فعال خواهد شد.


@zhivaramoozan | ژیوارآموزان

‼️‼️‌ آخرین مهلت ثبت نام


🟣 دوره جامع فتوشاپ


📝‌ سرفصل های دوره :

✅ طراحی پوستر

✅ طراحی بروشور و کاتالوگ

✅ طراحی اینفوگرافیک

✅ طراحی ست اداری

✅ آموزش رتوش

✅ تایپوگرافی و کالیگرافی – افکت متن

✅ ترفندها و کلیدهای میانبر

✅ مبانی متوسط ( ابزارها و دستورات )

✅ طراحی و تکنیک های پیشرفته


‼️‼️ ظرفیت باقی مانده محدود است.


📜 اعطای گواهینامه دوزبانه معتبر


🗓 زمان برگزاری :

۱۴ ، ۱۵ ، ۲۱ ، ۲۲ ،  ۲۸ ، ۲۹ و ۳۰ دی ماه

ساعت ۱۸ الی ۲۰


🔗 دوره بصورت مجازی برگزار می شود.
( بعد از برگزاری هر جلسه آنلاین ، محتوای جلسه نیز در اختیار شما قرار می گیرد. )


🔸 شهریه دوره با ارسال کدتخفیف :
فقط ۶۹۸ تومان ( در صورت ثبت نام گروهی  ۳  نفره شهریه هر نفر فقط ۵۹۸ تومان و ثبت نام گروهی حداقل  ۶  نفره شهریه هر نفر فقط ۴۹۸ تومان )


🎁 کدتخفیف :  k303


📎 جهت ثبت نام دوره به آیدی زیر پیام دهید :

 @new_webinar 


🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹


https://news.1rj.ru/str/course_land_org

https://news.1rj.ru/str/foodindustryofuma


#فتوشاپ

🔔انجمن علمی نانو فناوری باهمکاری کمیته تحقیقات‌وفناوری دانشجویی دانشکده پرستاری و مامایی دانشگاه علوم پزشکی شهید صدوقی یزد برگزار می کند:


♨️نقشه‌راه مخترع شدن: آموزش کاربردی از ایده تا ثبت اختراع♨️


👩‍💻مدرس: خانم دکتر هاجر صادقی

🔹️پژوهشگر برجسته و مخترع
🔸️عضو انجمن حقوق مالکیت فکری
🔹️عضو باشگاه پژوهشگران جوان و نخبگان
🔸️برگزیده جشنواره ممتازین و مبتکرین کشوری
🔹️مولف و مترجم کتب تخصصی علوم پزشکی و مالکیت فکری (23 عنوان)
🔸️که دارای مدال طلای جشنواره بین المللی اختراعات آمریکا (2022)

🔰سرفصل ها:
🔸️مقدمه ای بر ایده پردازی
🔸️ثبت اختراع
🔸️روش سرچ اختراع

🗓شنبه ۶ دی ماه ۱۴۰۴
⏰ساعت : ۱۸ الی ۲۰

💻در بستر اسکای روم
💰هزینه ثبت‌نام: رایگان
🔴مهلت ثبت نام: تا ۵ دی ماه

🔺️گروه هدف:اساتید و تمامی دانشجویان علاقمند به پژوهش

📜 گواهی معتبر از طرف کمیته تحقیقات برای افراد شرکت کننده

🌐لینک ثبت نام :

https://docs.google.com/forms/d/e/1FAIpQLSdZ9f5qbxY7mfMlE92NsSV6RImN-f4IHVloRmnkWN12JsvUbg/viewform?usp=publish-editor


🆔️@ssu_nano
🆔️@src_nursing

تفاوت خطای استاندارد (SE) و پی-ولیو (P-Value) به زبان ساده ⚖️

برای درک تفاوت، این دو را به عنوان دو ابزار سنجش متفاوت در نظر بگیرید:

۱. خطای استاندارد (Standard Error): معیار «دقت» 🎯
خطای استاندارد به ما می‌گوید که میانگین به‌دست‌آمده در نمونه شما، چقدر به میانگین واقعی کل جامعه نزدیک است.
• تمرکز: روی تخمین و دقت اندازه‌گیری است.
• پیام: هرچه SE کوچکتر باشد، یعنی اگر تحقیق را دوباره تکرار کنید، به احتمال خیلی زیاد دوباره به همین نتیجه می‌رسید.
• مثال: اگر بگوییم میانگین فشار خون ۱۲۰ با SE برابر ۲ است، یعنی ما با دقت بالایی می‌دانیم که فشار خون جامعه دوروبر ۱۲۰ می‌چرخد.

۲. پی-ولیو (P-Value): معیار «اثر یا شانس» 🎲
پی-ولیو به ما می‌گوید که نتایج به‌دست‌آمده (مثلاً تفاوت بین دو دارو) چقدر احتمال دارد ناشی از «شانس و تصادف» باشد.
• تمرکز: روی تصمیم‌گیری و رد یا تأیید فرضیه است.
• پیام: اگر p < 0.05 باشد، یعنی احتمال اینکه این نتیجه شانسی باشد کمتر از ۵٪ است؛ پس نتیجه «معنی‌دار» است.
• مثال: اگر بعد از مصرف دارو، فشار خون پایین بیاید و P = 0.01 شود، یعنی این کاهش فشار خون «واقعی» بوده و شانس در آن دخالتی نداشته است.

تفاوت‌های کلیدی در یک نگاه 🔍

واحد اندازه‌گیری:
SE: هم‌واحد با داده‌های شماست (مثلاً اگر داده‌ها «کیلوگرم» باشند، SE هم به کیلوگرم است).
P-Value: یک عدد بدون واحد بین ۰ تا ۱ است.

رابطه با حجم نمونه (N):
با افزایش تعداد نمونه، SE همیشه کوچکتر می‌شود (دقت بالا می‌رود).
با افزایش تعداد نمونه، P-Value معمولاً کوچکتر می‌شود (چون پیدا کردن تفاوت‌های واقعی در نمونه‌های بزرگ راحت‌تر است).

کاربرد در گزارش:
از SE برای کشیدن نمودارها و نشان دادن «بازه اطمینان» استفاده می‌کنیم.
از P-Value برای اعلام «نتیجه نهایی» تحقیق (تأیید یا رد فرضیه) استفاده می‌کنیم.

رابطه مخفی بین SE و P-Value 🔗
این دو کاملاً از هم جدا نیستند! در واقع، نرم‌افزارهای آماری برای محاسبه P-Value، ابتدا باید SE را حساب کنند.
فرمول ساده اکثر آزمون‌ها (مثل T-test) این است:

t = Effect \Standard Error

سپس از روی این مقدار t، مقدار P-Value به دست می‌آید. این یعنی:
هرچه خطای شما (SE) کمتر باشد، احتمال اینکه به یک P-Value معنی‌دار (زیر ۰.۰۵) برسید، بیشتر می‌شود.

نکته:
در مقالات خود، هرگز فقط به P-Value اکتفا نکنید. داوران مجلات بزرگ می‌خواهند بدانند که «دقت» کار شما چقدر بوده است. بنابراین همیشه میانگین را به همراه خطای استاندارد (M ± SE) گزارش کنید تا اعتبار علمی کارتان ثابت شود.

- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱

دلفی چیست؟ 🧠

دلفی یک روش تحقیق پیمایشی و چندمرحله‌ای است که هدف آن رسیدن به نظر واحد و اجماع (Consensus) در میان گروهی از خبرگان (Expert Panel) درباره یک موضوع خاص است.
ویژگی متمایز دلفی در پژوهش، «ناشناس بودن» و «بازخورد کنترل شده» است. برخلاف جلسات حضوری، در اینجا متخصصان از نظرات هم باخبر می‌شوند اما نمی‌دانند چه کسی چه نظری داده است؛ این کار از سلطه افراد بانفوذ بر کل گروه جلوگیری می‌کند.

چرا در پژوهش از دلفی استفاده می‌کنیم؟ 🎯
پژوهشگران معمولاً در سه موقعیت بحرانی سراغ این روش می‌روند:
• ساخت ابزار و پرسشنامه: وقتی می‌خواهید برای اولین بار پرسشنامه‌ای طراحی کنید، گویه‌های آن باید توسط خبرگان تایید شود تا روایی محتوا تضمین گردد.
• پیش‌بینی آینده: در حوزه‌هایی که داده‌های گذشته وجود ندارد (مثل تاثیر متاورس بر آموزش پزشکی)، تنها منبع معتبر، شهود و تخصص نخبگان است.
• مدل‌سازی کیفی: برای شناسایی عوامل اصلی و شاخص‌های کلیدی در یک پدیده پیچیده (مثلاً شناسایی موانع توسعه صادرات دانش‌بنیان).

فرآیند گام‌به‌گام دلفی در یک پایان‌نامه یا مقاله 📑
اجرای دلفی یک فرآیند تکرارپذیر است که معمولاً ۳ تا ۴ راند طول می‌کشد:
۱. شناسایی و انتخاب پنل خبرگان
اعتبار پژوهش دلفی به افراد آن بستگی دارد، نه تعدادشان. شما باید معیارهای سخت‌گیرانه‌ای (مانند سوابق علمی، تالیفات یا تجربه اجرایی) برای انتخاب ۱۰ تا ۳۰ خبره داشته باشید.
۲. راند اول: پرسشگری باز
در این مرحله پرسشنامه‌ای با سوالات باز ارسال می‌شود. هدف این است که تمام ابعاد موضوع از ذهن خبرگان بیرون کشیده شود. پژوهشگر پاسخ‌ها را تحلیل محتوا کرده و لیستی از گویه‌ها می‌سازد.
۳. راند دوم: امتیازدهی
لیست استخراج شده به خبرگان برمی‌گردد. آن‌ها معمولاً با طیف لیکرت (مثلاً از ۱ تا ۵) به اهمیت هر مورد امتیاز می‌دهند.
۴. راند سوم: بازخورد و اصلاح
پژوهشگر میانگین نظرات گروه را به تک‌تک اعضا گزارش می‌دهد. خبرگان می‌بینند که نظرشان چقدر با میانگین گروه فاصله دارد. آن‌ها می‌توانند نظر خود را اصلاح کنند یا اگر اصرار بر نظر متفاوت دارند، دلیل بیاورند. این کار تا رسیدن به ثبات در نظرات ادامه می‌یابد.

معیارهای علمی برای توقف پژوهش دلفی 📊
در یک مقاله علمی، شما نمی‌توانید سلیقه‌ای بگویید «تحقیق تمام شد». باید با شاخص‌های آماری ثابت کنید که به اجماع رسیده‌اید:
• ضریب هماهنگی کندال (Kendall’s W): عددی بین ۰ تا ۱ است. اگر این ضریب در دو راند متوالی افزایش یابد و به عدد قابل قبولی (معمولاً بالای ۰.۷) برسد، یعنی اجماع حاصل شده است.
• انحراف معیار (SD): کاهش انحراف معیار در نمرات نهایی نشان‌دهنده همگرا شدن نظرات خبرگان است.
• میانگین و میانه: برای اولویت‌بندی نهایی شاخص‌ها استفاده می‌شود.

مزایای کلیدی برای محققان ✅
• اعتبار علمی بالا: نتایج شما مستند به نظر چندین متخصص است، نه فقط یک نفر.
• صرفه‌جویی در زمان و هزینه: نیازی به جمع کردن فیزیکی متخصصان از شهرهای مختلف نیست.
• جلوگیری از Groupthink: چون افراد همدیگر را نمی‌بینند، پدیده «هم‌رنگی با جماعت» یا ترس از مخالفت با اساتید بزرگ رخ نمی‌دهد.

یک نکته برای فصل سوم (متدولوژی): اگر از این روش استفاده می‌کنید، حتماً ذکر کنید که دلفی شما از چه نوعی است (دلفی کلاسیک، دلفی فازی یا دلفی سیاست‌گذار) تا داوران متوجه تسلط شما بر ظرایف این متد شوند.


- تیم تولید محتوای کمیته تحقیقات دانشجویی دانشکده پرستاری گرمی 🌱