امروز چهارشنبه 09 بهمن 1398
measurement.cloob24.com
    0

    در سال های اخیر مطالعه ی شبکه ها به صورت گسترده ای در حوزه های مختلف علمی مانند حوزه ی علوم اجتماعی، اقتصاد، سیستم های زیستی، علوم اعصاب، علوم شناختی و رفتاری گسترش یافته است. اصلی ترین دلیل رشد رویکردهای شبکه ای ارتباطات بین سیستم های مختلف و ظهور و گسترش سیستم های پویا است که از طریق مجموعه ای از تکنیک های آماری و ریاضیاتی که خاستگاه آنها نظریه ی گراف است، قابل تببین و توصیف و تحلیل است. کاربردهای نظریه گراف حوزه ی وسیعی را در بر می گیرد. از این نظریه در برنامه ریزی شهری، کنترل ترافیک، همه گیر شناسی، برنامه ریزی مالی، موتورهای جستجوی اینترنت، تحلیل سیستم های زیستی پیچیده محیطی و مولوکولی و روانسنجی استفاده می شود. فعالیت های زیادی روی معماری شبکه، پویایی و همچنین رشد فرآیندهای آن انجام شده است. در حالی که بیشتر نظریه ی گراف کلاسیک به تحلیل گراف های تصادفی می پردازند، علم مدرن شبکه، روی سیستم های جهان واقعی متمرکز است و نشان داده است که شبکه های واقعی در اکثر موارد، تصادفی نیستند. این شبکه ها سازمان هایی با  فرآیندهای بنیادی زیر بنایی اند که ضامن بقا، رشد و ساختار آنها می باشند.

    درک و فهم سازمان شبکه ای به پیچیدگی مغز، در اولین گام مستلزم فهم عملکرد آن به عنوان یک سیستم یکپارچه  است. نتایج تلاش های نقشه بندی مغز و تکنیک های رکورد آن در کنار فعالیت های علمی که به صورت اختصاصی به ارتباطات مغزی می پردازند، مجموعه داده هایی از ارتباطات وسیع مغز گردآوردی کرده است. این داده های نشان می دهند که برای تحلیل، نیازمند تحلیل های کمی و ابزارهای مدلبندی جدید به منظور آشکارسازی ویژگی های سازمان شبکه مغز می باشند.

    با وجود این که روش های گوناگون و متعددی برای مشاهده ی آناتومی و فیزیولوژی مغز وجود دارد، جای تعجب نیست که ابزارهای متعددی نیز به منظور تعریف ارتباطات مغزی و رکورد آنها وجود داشته باشد. به طور کلی سه نوع ارتباط مغزی موجود است: ارتباطات ساختاری، ارتباطات عملکردی و شیوه هایی که ارتباط و تعامل این دو نوع را به یکدیگر مربوط می سازند. ارتباطات ساختاری به مجموعه ای از ارتباطات فیزیکی بین مولفه های عصبی مانند ارتباطات سیناپسی یا مسیرهای متوالی فیبری اشاره دارد. ارتباطات عملکردی الگوهای تعاملی پویایی هستند که معمولا از طریق داده های سری زمانی عصبی (مانند همبستگی های متقاطع، اطلاعات تعاملی یا همگنی درونی)بدست می آیند. شیوه های موثر رابط و تسهیل کننده ی رابطه ی ساختار و عملکرد مغز، شبکه ای از تاثیر و تاثرات علی بین مولفه های عصبی را شامل می شود و اغلب بر اساس سرنخ هایی که از سری های زمانی یا بر اساس مداخلات آزمایشی بدست می آیند، کشف و مطالعه می شوند.

    در حالی که ارتباطات ساختاری (حداقل در مقیاس زمانی ثانیه تا دقیقه)تا حدی ثابت باقی می مانند، ارتباطات عملکردی و شیوه های موثر، می توانند در کسر بسیار کوچکی از ثانیه هم به صورت خودکار و هم زمانی که فعالیت عصبی برانگیخته می شود، تغییر کنند و ساخت جدیدی پیدا کنند.

    وجه مشترک تمام ارتباطات مغزی این است که می توان آنها را از طریق شبکه یا گراف نشان داد و تحلیل نمود. گراف ها زبان ریاضی سیستم هایی هستند که مولفه های آن ارتباطات درونی دارند و با گره ها و یال ها در نظریه گراف قابل مقایسه اند. گره ها ماهیت های عملکردی بنیادین سیستم می باشند و در مغز گره ها می تواند نرون ها به تنهایی، جامعه ی نورونی یا نواحی مغزی باشند. یال ها ارتباطات و اتصالات بین گره ها هستند. در شبکه مغز این ارتباطات می تواند سیناپس ها یا مسیرهای متوالی فیبری و یا روابط علی یا آماری باشند که شباهت، مجاورت یا ارتباط عملکردی را توضیح می دهند. مجموعه ی کامل گره ها و یال ها را می توان از طریق ماتریس ارتباطات که به ماتریس مجاورت مشهور است، نشان داد. این ماتریس نشان می دهد که کدام زوج از گره ها مجاور یکدیگرند.

    مفهوم بنیادین دیگر مربوط به نظریه گراف در شبکه مغزی، مسیر عصبی است: منظور از مسیر، یال های متوالی است که به صورت غیر مستقیم یک گره را به گره دیگر مرتبط می سازند. طول کوتاهترین مسیر بین دو گره به عنوان فاصله بین آن دو گره در نظر گرفته می شود و به عنوان حداقل تعداد یالی تعریف می شود که یک گره را به گرهی دیگر وصل می کند. توجه کنید که در گراف ها، فاصله به عنوان فاصله توپولوژیکی بین دو گره تعریف می شود نه به عنوان فاصله در فضای متریک.

    شبکه مغزی وابسته به روش رکورد آن یا بر اساس سیستم آزمایشی بکار گرفته شده در مطالعه تجربی، می تواند به روش های مختلفی استخراج شود. اولین گام تعریف گره ها و یال های شبکه است. این گام نه تنها اولین گام بلکه مهمترین گام نیز به شمار می رود. تحلیل آماری شبکه مغزی مبتنی بر تعریفی است که بر اساس آن سیستم زیستی به گره و یال تقسیم بندی می شود. در سیستم های بزرگ مقیاسی مانند مغز، تعریف گره در برگیرنده  تقسیم بندی مغز به نواحی یکپارچه بر اساس داده های تصویری و هیستولوژیک است. روش های بخش بندی مستخرج از داده نیازمند حوزه ی فعالی از پژوهش است و در حال حاضر با چالش های جدی روبرو است. روش های خوشه بندی منجر به پردازش های با اعتبار بالا در شبکه مغزی شده است. در این روش ها شباهت بین نیمرخ ارتباطات ساختاری یا عملکردی به منظور استخراج محدوده های بین نواحی مختلف مغز، بدست می آید.  

    گام های نظری تحلیل گراف به صورت زیر است:

    الف)تعریف گره های شبکه ب)برآورد اندازه ای مناسب از ارتباط ج)ساخت ماتریس ارتباطات و د)تحلیل نظری گراف مربوط به شبکه ی استخراج شده.

    بعد از تعریف گره ها، تعریف یال های معمولا در برگیرنده ی برآوردهای ارتباطات جفتی بین گره ها است. شبکه های ساختاری بر مبنای مسیرها و تراکت های فیبری اندازه گرفته شده، ساخته می شوند. در حالی که یال های موثر و عملکردی اغلب بر مبنای ارتباطات آماری برآمده از داده های سری زمانی تعریف می شوند. اندازه های ارزشمندی برای نشان دادن جفت های عملکردی وجود دارد. در حالی که بیشتر مطالعات به منظور تعریف ارتباطات عملکردی از اندازه های ساده ای مانند همبستگی استفاده می کنند، استراتژی های پیچیده تری مانند همبستگی های تفکیکی و نیمه تفکیکی یا ارتباطات جهتدار (علی)و تعاملی را نیز می توان به کار گرفت.

    زمانی که یک شبکه مغزی شکل می گیرد، می تواند از طریق ابزارهای کمی برآمده از نظریه ی گراف تحلیل شوند. بسیاری از این روش ها و ابزارها در اختیارند که می توانند در حوزه ی علوم اعصاب و رفتار به کار گرفته شوند. قبل  از این که رویکردهای نظری گراف به گستردگی استفاده شود، مفاهیم روش شناسی مهمی نیازمند بررسی است.

    اگر بخواهیم اندازه های بدست آمده از نظریه گراف را در مورد شبکه ی مغزی دسته بندی کنیم، سه طبقه مختلف از اندازه های گراف وجود دارد که جنبه های مختلفی از سازمان شبکه ای مغز را متمایز می سازند:

    الف)وجود ارتباطات و ماژول های اختصاصی شده (جداسازی عملکردی).

    ب)الگوی تعاملات کلی بین ارتباطات (یکپارچه سازی عملکردی)

    ج)اثر عملکردی عناصر شبکه های فردی (اثرات عملکردی).

    جداسازی عملکردی: خوشه بندی و ماژول بندی

    یکی از موارد مهم در پردازش ویژگی های گره‏ها و توزیع عملکردی آنها تعاملاتی است که با همسایگان نزدیکشان دارند. در واقع مجموعه ای از گره ها وجود دارند که به صورت مستقیم با هم در ارتباطند. مطالعات بسیار زیادی که در زمینه ی شبکه های مغزی انجام شده است؛ نشان می دهد که نواحی عصبی وجود دارند که در آن نواحی خوشه ها و ارتباطات متقابل و زیادی وجود دارد، که به آن همسایگان می گویند.

    ضریب خوشه بندی یکی از اندازه های ابتدایی برای مشخص کردن درجات گره ها در ارتباطات منطقه ای می باشد. خوشه بندی یک گره زمانی بالا است که همسایگان هر گره همسایه ی یکدیگر باشند. به طور میانگین در تمام شبکه ضریب خوشه بندی نشان دهنده ی درجه ای از شبکه است که ارتباطات محلی بین گره های مختلف آن را نشان می دهد. از آنجا که خوشه بندی خیلی به اندازه و چگالی هر یک از شبکه ها وابسته است، لازم است از علم آمار به منظور تولید شبکه های تصادفی به منظور مقایسه ی معناداری شکل گیری خوشه ها استفاده شود.

    در بسیاری از موارد خوشه بندی بالا نشان دهنده ی ارتباطات چندگانه و بخش بخش گره های مختلف است. این ارتباطات و ماژول ها را می توان از طریق الگوریتم هایی که به دنبال بخش بندی کردن شماها هستند، پیدا کرد. این شماها به صورت بهینه شبکه را به زیر شبکه هایی تقسیم می کند و اندازه هایی از بخش بندی یا ماژولبندی ارائه می دهند. یکی از شاخص ها چگالی نسبی درون ماژول نسبت به چگالی ارتباطات بین ماژول های مختلف است. مطالعات زیادی از شبکه های ساختاری و عملکردی مغز انجام شده است که به شناسایی ماژول های مختلف و مشخص کردن حدود و جایگاه انها می پردازد که به شبکه های شناختی یا زیر بخش های عملکردی مغز انسان مشهورند. از طریق گسترش روش های تحلیلی که به منظور بخش بندی استفاده می شوند، پژوهشگران به این نتیجه رسیده اند که بخش ها و ماژول های شبکه های مغزی ساختار سلسله مراتبی دارند. این ویژگی معماری مغز، ترسیم نقشه ی بخش های مختلف مغز را به لحاظ اقتصادی و فیزیکی ارتقا می دهد و تاثیر مهم و معناداری روی پویایی مغز می گذارد.

    یکپارچه سازی عملکردی: شاخص های طول مسیر و کارایی

    در حالی که بخش بندی و ماژول بندی اطلاعات مهمی را در باره ی ساختار ارتباطی محلی یا منطقه ای مغز ارائه می کند، اندازه های مکملی وجود دارند که گنجایش شبکه در زمینه ی دربرگیرندگی تعاملات کلی تر و گسترده تر از تعاملات منطقه ای و همچنین یکپارچگی فعالیت پویای مغز را نشان می دهند. بعضی از این انداز ها مبتنی بر مسیر می باشند. مخصوصا طول کوتاهترین مسیر که دو گره مختلف را به هم وصل می کند. به طور کلی مسیرهای کوتاهتر به نظر می رسد؛ به صورت کاراتری اطلاعات را انتقال می دهند. بنابراین میانگین طول مسیر برای شبکه می تواند یک شاخص از گنجایش شبکه در تعامل اطلاعات کلی، محسوب شود. یکی دیگر از اندازه های مربوط به این موضوع (که در واقع عکس طول مسیر متوسط است اما کمتر از وجود گره های منفک و جدا شده آسیب می بیند)کارایی کلی است. همانند خوشه بندی، طول مسیر نیز باید از طریق یک آزمون آماری بررسی شود، تا از این طریق به مقادیری معنادار برای حجم و چگالی شبکه دست یافت.  

    به دلیل اهمیت جریان اطلاعات و ارتباطات در شبکه های مقیاس بزرگ مانند شکبه های مغزی، اندازه ها مربوط به یکپارچه سازی عملکردی، مشخصات زیستی عصبی نسبتا مشخص و روشنی دارند. در یک شبکه با کارایی بالا، مسیرهای ارتباطی کوتاه می توانند بین جفت گره های مختلف مشخص می شوند. با وجود این که خوشه بندی و طول مسیر جنبه های مکملی از شبکه عملکردی سازمان مغز محسوب می شوند، اغلب از طریق اتصال و ارتباط معنی پیدا می کنند. اگر چه این اندازه ها می تواند به منظور سنجش درجه ای از تعادل شبکه بین ارتباطات موجود محلی و ارتباطات بخش بندی شده در کل محسوب شود، می تواند به منظور سنجش یکپارچگی سیستم نیز به حساب آید.

    اثرات عملکردی: مرکزیت و هاب ها

    شبکه های جهان واقعی در بسیاری از موارد تصادفی نیست و اختلاف معناداری با ساخت های تصادفی دارد. علاوه بر این در بین گره های این شبکه ها روابط معناداری وجود دارد. عناصر شبکه را می توان از طریق مشارکت آنها در شبکه به طبقات مختلفی طبقه بندی کرد. به عنوان مثال بر اساس شیوه ی ارتباطی که با سایر اجزای سیستم دارند، طبقه بندی نمود.  یکی از تمایزات مهمی که می تواند بر اساس اثر آنها ساخته شود اثر بالقوه ای است که آنها بر کلیت سیستم می گذارند و گنجایش آنها به منظور انتقال یا پردازش اطلاعات. گره هایی که اثرات بالا دارند اغلب به عنوان هاب شناخته می شوند. شناسایی هاب های شبکه های مغزی برای نقشه بندی نواحی مختلف مغز که بیشترین تعامالات عملکردی را دارند و به یکپارچگی سیستم کمک می کنند، ضرورت دارد. هاب ها می توانند بر اساس تعداد تعاملاتی که در مسیرهای کوتاه شبکه دارند، نیز شناسایی شوند. اندازه ای که از این تعریف بدست می آید به عنوان مرکزیت بینابینی شناخته می شود که برای شبکه های ساختاری اهمیت دارد و همچنین می تواند برای یال ها به خوبی استفاده شود.

    زمانی که یک بخش بندی ماژولی شناخته می شود تنوع ارتباطات گره ها با توجه به  ماژولهای اختصاصی می تواند در قالب ضریب اشتراک سنجش شود. یکی از چیزهای مورد توجه این است که گره هایی که ارتباطات بالا دارند، ضریب اشتراک پذیری بیشتری نیز دارند. به این گره ها هاب های ارتباط دهنده گفته می شود. ارتباط بین ماژول های مختلف از طریق این هاب ها انجام می شود. از طرف دیگر گره های با درجه بالا وجود دارند که ارتباطات ماژولی آنها پایین است و بنابراین شاخص اشتراک پذیری آنها کم است. و به همین دلیل به آنها هاب های دور افتاده یا منزوی گفته می شوند چون بیشترین ارتباط آنها، بین خود ماژول شان می باشند.

    هاب ها در شبکه ی مغزی خیلی اهمیت دارند. درجه‏ی مرکزیت بالا و ارتباط دهندگی آنها و همچنین اشتراک بالای انها در ارتباطات ساختاری نشان می دهد که آنها نقش بسیار حیاتی در جریان یکپارچه سازی فرآیند ها و جریان اطلاعات دارند. پژوهش ها نشان می دهد که ارتباطات بالایی بین هاب های ذهن انسان، با نواحی درد که نرخ متابولیسم در آن بالا است وجود دارد. این موضوع در مورد بیمارانی که مشکلات عصبی دارند، نیز صادق است. این نتایج می تواند به ایجاد این فرض بیانجامد که توپولوژی مغز با ساختار آن در ارتباط است. علاوه بر این سنجش مرکزیت می تواند به منظور پیش بینی نواقص ساختاری که بر اساس حذف گره یا یال در مغز بوجود می آیند، استفاده شود. در یک بافت زیست عصبی، فقدان گره های مرکزی یا یال ها به ترما یا بیماری منجر خواهد شد.

     

    کاربردهای بیشتری برای نظریه گراف متصور است. روش های گراف وکاربرد آنها در شبکه های با مقیاس بزرگ منجر به ظهر بینش معناداری در عملکرد و سازمان مغز انسان شده است این کاربرد ها گسترده زیادی از شبکه های اناتومی مغز تا ارتباطات عملکردی در نواحی مختلف مغزی را در بر می گیرد. علاوه بر این ارتباطات عملکردی در زمانی که از طریق تکالیف ارائه شده، بر انگیخته می شوند، در بررسیر تفاوت های فردی و جامعه ی بالینی بسیار کاربردی خواهد بود. روش های عینی برای مقایسه شبکه ی مغزی افراد مختلف یا بین جامعه های مختلف، امکان مطالعات طولی مغز و رشد بیماری های مغزی مختلف را فراهم می آورد. رویکردهای شبکه ای جنبه های مختلفی از شبکه های مغزی را روشن کرده اند. به عنوان مثال این مطالعات تغییرپذیری معناداری را در ارتباطات ساختاری و عملکردی مغز نشان می دهند. بررسی تغیرپذیری ارتباطات بین شبکه های مختلف مغزی یکی از حوزه های مهم برای پژوهش های آینده در حوزه ی شناختی و رفتاری است.

     

    0
    1. رفتن به سایت r-project.com
    2. انتخاب یکی از لینک ها به دلخواه. مهم نیست چه کشوری باشد. 
    3. عکس
    4. عکس

    بعد دانلود نرم افزار کافی است روی بسته ی دانلود شده کلیک کنید و از طریق انتخاب next اجازه دهید نرم افزار باپیش فرض شرکت نصب شود. 

    0

    روش های آماری علوم اعصاب، تحلیل داده های علم مغز

    علوم وابسته ی به مغز به دنبال این موضوع هستند تا دریابند که فعالیت نرون ها چگونه است؟ افکار چگونه پدید می آیند و رفتار چگونه ساخته می شود؟ چه چیزی سبب می شود که ما به عنوان یک انسان بتوانیم بشنویم، ببینیم، احساس کنیم، رفتار کنیم؟ چه چیزی سبب خشم، عشق، نفرت و یا بیماری های روانی می شود؟ اساس حافظه چیست؟ چگونه تصمیم می گیریم؟ چگونه روی یک موضوع تمرکز می کنیم؟ و. پاسخ به چنین سوالاتی نیازمند اشتیاق و جسارت فراوان می باشد.اگر چه کار روی سیستم های عصبی از پیچیدگی بالایی برخوردار است؛ اما بعضی از حوزه های دانشی پیشرفت های فراوانی داشته اند. بعضی از حوزه ها مانند: انتقالات بین سیناپسی، پردازش حسی، پایه های زیست شیمیایی حافظه و کنترل حرکتی کشف شده اند. این پیشرفت ها پایه های علوم اعصاب مدرن را تشکیل می دهند و توانسته اند روی حوزه های بالینی نیز تاثیر داشته باشند. روش شناسی که بر اساس آن چنین داده هایی بدست می آید هم مشاهده است و هم روش های آزمایشی. اما یکی از مهمترین پایه های روش شناسی آن ملاحظات دقیق روی داده هایی است که از سیستم عصبی بدست می آید. گاهی اوقات نتایج بدست آمده کاملا کیفی و گاهی کاملا کمی است. امروزه پژوهش در حوزه ی مغز در برگیرنده ی تکنیک های مدرن گوناگونی است که روش هایی مانند روش های مولکولی، گزارش‏گیری Patch clamp، تصویر برداری دو فوتونی، مطالعات تک الکترودی و چند الکترودی، توانمندی های زمینه محلی، تصویربرداری اختیاری، الکتروآنسفالوگرافی، PET، fMRI، MEG و همچنین مطالعات رفتاری و سایکوفیزیکال است. تمام این روش ها به بهبود ذخیره سازی داده ها، دستکاری و تکنولوژی های ارائه ی آنها و همچنین پیشرفت تکنیک های تحلیلی کمک می کند. به عنوان مثال مجموعه داده های بدست آمده در شرایط کنونی نسبت به شرایط پیشین زیادتر و پیچیده ترند. برای دانشجویان حاضر علوم اعصاب و رفتار دانش کاری روش های اساسی تحلیل داده ها غیر قابل اجتناب است. 

    0
    زبان r، یک زبان برنامه نویسی است که برای محاسبات آماری و نمایش گرافیکی اطلاعات آماری استفاده می شود. این زبان یک پیاده سازی از زبان s است که توسط جان کمبرس در آزمایشگاه بل (bell labs)با ترکیب منطق سمانتیک لکس، که خود برگرفته از زبان scheme است، پایه گذاری شد. 

    زبان آر توسط راس ایهاکا و رابرت جنتلمن در دانشگاه آوکلند نیوزلند ساخته شد و در حال حاضر توسط تیم توسعه هسته آر که جان کمبرس یکی از اعضای آن است، مشغول کار روی آن است. نام آر از حرف اول اسم راس ایهاکا و رابرت جنتلمن دو مولف زبان آر گرفته شده است. 

    زبان آر بخشی از پروژه gnu است که کد منبع آن بصورت رایگان و تحت مجوز gnu general public license و نگارش باینری و اجرایی آن برای نسخه های مختلف سیستم عامل از جمله لینوکس قابل دریافت است. 

    این  نرم افزار در سال 2001  ارائه شده است.  از مزایای این نرم افزار مجانی بودن و  Open source بودن آن است؛ یعنی اگر مقاله ای بخواهید در مجله های معتبر علمی جهان به چاپ برسانید همچون SAS از شما پرسیده نخواهد شد که لایسنس نرم افزارتان چه است.

    اگر به وسیله نرم افزار SAS مقاله ای بنویسید و لایسنس معتبری برای آن نداشته باشید، مقاله شما توسط نشریات بین المللی در هر شرایطی رد میشود.

     

    این نرم افزار از  S که در سال 1980 به طور رسمی ارائه شد مشتق شده است. در حقیقت این نسخه جدای نسخه تجاری خود یعنی S یا SPLUS نیست.

     

    یکی از معایب آن این است که هیچ ضمانتی برای آن وجود ندارد در حالی که برای نسخه معادل تجاری آن شرکت Insightful ضمانت لازم را می دهد.

     

    از دیگر معایب آن ضعف برای ترسیم نمودار سطح بالا است که البته برای رفع این مشکل می توان به نسخه تجاری یعنی SPLUS مراجعه کرد.

     

     

    نرم افزار R در شبیه سازی سرعت بیشتری از SPLUS دارد ضعف اساسی SPLUS در Loopها مشخص می شود.

     

    در ضمن نرم افزار R مجانی و به صورت رایگان در اختیار شما قرار می گیرد.این نرم افزار درحقیقت  بر مبنای SPLUS بنا شده است. بنوعی این نرم افزار برای آرادی عمل بیشتر برنامه نویسان طراحی شده است.مثلا من بعنوان یک آماری یک برنامه می نویسم؛ بعد اونو بصورت یک Package در می آرم  حالا یا میفروشمش یا اینکه بطور مجانی در اختیار دیگران قرار می دهیم.  R دی حقیقت نسخه تجاری SPLUS  می باشد.

     

    الان اکثر برنامه نویسان با استفاده از این نرم افزار برای ارائه الگوریتم های سریعتر در حال رقابت هستند مثلا برای رشته Imaging Process برنامه قالبا زمان بر هستند در حالیکه دکتر نولان (فرانسه)بسته ای رو ارائه داده که کمتر از 20 دقیقه به جواب مطلوب می رسد.

     

    در ضمن خوبی این نرم افزار در اینه که زبان برنامه نویسی فوق العاده ساده ای دارد بطوریکه هر آماری که با Pascall کار  کرده باشد می تواند به سادگی در آن به برنامه نویسی بپردازد.

     

    در ضمن هم برای این نرم افزار و هم SPLUS  هر تعداد کتاب راهنما و آموزشی بخوان تو اینترنت بصورت مجانی و PDF در اختیارتون قرار می گیرد.

     

    لازم به ذکر است که تا چندی پیش برنامه نویسان SAS  در اولویت گزینشهای کاری بودند ولی در حال حاضر این نرم افزار جای خودشی پیدا کرده و برنامه نویسان این دو نرم افزار هم پایه برنامه نویسان SAS  هستند.

     

     

    0

    در رشته هایی مانند تحلیل داده های عصب شناختی از روش ها و ابزارهای تحلیلی و مدل های محاسباتی به منظور یکپارچه سازی و تحلیل داده های عصب شناختی استفاده می شود. این حوزه ی علمی بسیار با اهمیت است، چرا که با دستیابی روز افزون به داده های عصب شناختی حجیم که تعداد ابعاد آنها زیاد است و همچنین داده های بدست آمده از آزمایش ها، بیشتر به ضرورت یکپارچه سازی نتایج، به عنوان یک رابط اصلی، پی برده می شود. با استفاده از مدل های ریاضی و آماری و ابزارهای محاسباتی می توان به پایگاههای داده ای سازگار برای دانشمندان بالین و پژوهشگران رسید.

    علوم اعصاب شاخه ی از علوم است که بیشترین تنوع رشته ها را در خود جای می دهد. به عنوان مثال روانشناسی شناختی، علوم اعصاب رفتاری، ژنتیک رفتاری، نورولوژی، علوم اعصاب کاربردی و. به منظور فهم مغز و دستیابی به عمیق ترین لایه های آن، لازم است، این زیر شاخته ها بتوانند داده ها و یافته هایشان را به روشی صحیح و موثر به اشتراک بگذارند. وظیفه ی اصلی تحلیل داده های عصب شناختی، ایجاد همین توانمندی است. چنین تسهیلاتی پژوهشگران را قادر می سازد تا بتوانند به سادگی و به شکل کمی نظریات کاری خود را آزمون نمایند. به منظور دستیابی به این اهداف لازم است الف)ابزارهای و دیتا بیس هایی به منظور مدیریت و به اشتراک گذاری داده های مربوط به علوم اعصاب در همه ی سطوح تحلیلی فراهم شود. ب)ابزارهایی به منظور تحلیل و مدلبندی داده های عصب شناختی گسترش یابد و ج)مدل های محاسباتی مربوط به سیستم عصبی و فرآیند های عصبی ایجاد شود.

    در دهه ی اخیر و با گسترش و ازدیاد حجم بالای داده های متنوع در حوزه ی مغز که از پژوهش های گروههای مختلف بدست آمده است، مسئله ی پیش رو این بود که چگونه باید انبوه داده ها را به صورت موثری و با ابزار معتبری یکپارچه کرد. داده های عصب شناختی و زیستی به شدت با یکدیگر در ارتباط اند و از پیچیدگی بالایی برخوردارند که همین خصوصیت می تواند یکپارچه سازی را به عنوان یکی از چالش های بزرگ پیش روی دانشمندان این حوزه مطرح کند. در صورتی که متصدیان این حوزه به استقبال چنین چالشی نروند، متحمل هزینه های زیادی خواهند شد و سرمایه های دانشی موجود در داده های این حوزه از دست خواهند رفت و رویکردهای الهام بخش و تبیین کننده آن همواره مغفول خواهد ماند.   

    0

    شاید مغز پیچیده ترین سیستمی باشد که به حوزه های مطالعاتی علمی وارد شده است. مقیاس متناوبی که 10 به توان 11 نرون دارد که هر کدام به طور میانگین 1000 سیناپس می سازند که موضوع محاسبات مغزی می تواند در مورد یک دندریت ستون فقرات تا کل حوزه ی کورتکس مغز را در برگیرد. در حال حاضر تلاش می شود تا ابزاری آزمایشگاهی ساخته شود که بتواند این حجم عظیم داده را گردآوری کند. با این وجود، در حال حاضر تکنولوژی دانشمندان حوزه ی علوم اعصاب و رفتار را به انبوه غیر قابل تصوری از داده رسانده است. به منظور کشف دانش معتبر و تفسیر داده های بدست آمده نیازمند گام های اساسی در راه دستیابی به تکنیک های آماری و استنباطی هستیم. برای بسیاری از پژوهشگران علوم اعصاب و شاخه های وابسته،  گلوگاه و تنگه ی اصلی پژوهش آنها مرحله ای است که قرار است داده های بدست آمده را تحلیل نمایند. تحلیل داده ها در برگیرنده ی مراحل مختلفی است و از پیش پردازش اطلاعات تا نتیجه گیری و بیان گزاره های علمی را در برمی گیرد. تکنیک های مختلف و به نسبت پیچیده ای به منظور دستیابی به نتایج بکار گرفته می شود. کار با داده های حجیم  با ابعاد و سطوح تعاملی بالا، نیازمند استفاده از برنامه های کامپیوتری مناسب و تجربه ی لازم است.  داده هایی که از تکنیک های مدرن گوناگونی بدست می آیند (روش هایی مانند روش های مولکولی، گزارش‏گیری Patch clamp، تصویر برداری دو فوتونی، مطالعات تک الکترودی و چند الکترودی، توانمندی های زمینه محلی، تصویربرداری اختیاری، الکتروآنسفالوگرافی، PET، fMRI، MEG و همچنین مطالعات رفتاری و سایکوفیزیکال)، به صورت خام قابل مطالعه و پژوهش نمی باشند. این تکنیک ها می توانند از امواج و تصاویر به منظور گردآوری داده ها استفاده کنند. 

    0
    فرونشانی و تجزیه، دو مکانیسم دفاعی روانکاوی، توسط عصب شناسی مدرن مورد مطالعه قرار می گیرند
    هیتر برلین، کریستف کخ؛ آوریل 9002

    چه مقدار از آنچه شما در زندگی روزمره به صورت هشیارانه تجربه میکنید تحت تاثیر فرایندهای ناهشیار و
    ناآشکار است؟ این سوال یکی از بیشمار سواالتی است که فهم ما از خودمان را مشکل کرده است. ما
    نمیدانیم که چطور تکانهها، امیال و انگیزههای هشیار، ناهشیار شده؛ یا برعکس اینکه چطور تکانهها، امیال و
    انگیزههای ناهشیار به طور ناگهانی هشیار میشوند.
    پیشرفتهای تکنولوژی نظیر fMRI دانشمندان را قادر ساخت تا مستقیما فعالیتهای مغزی را اندازهگیری
    کنند. این توانایی منجر به احیا و مفهوم پردازی دوبارهی مفاهیم کلیدی روانکاوی بر اساس این ایده شد که
    نیروهای درونی خارج از هشیاری بر رفتار ما تاثیر میگذارند. بر اساس نظریه روان پویشی، فرایندهای پویشی
    ناهشیار به صورت دفاعی، تفکرات و تکانههای اضطراب برانگیز را در پاسخ به موقعیتهای ناسازگار از
    هشیاری دور میکنند. این فرایندها که مانع ورود افکار ناخواستنی و نامطلوب به هشیاری میشود را
    2، فرونشانی 1 مکانیسمهای دفاعی مینامند و شامل سرکوبی
    3 و تجزیه
    است.
    فرونشانی یک شکل ارادی از سرکوب است که توسط زیگموند فروید در سال 2981 مطرح شد. این
    مکانیسم فرایند هشیارانهی بیرون راندن افکار، احساسات، خیالپردازیها و امیال ناخواستنی و اضطراب
    برانگیز از آگاهی است. فرونشانی نسبت به سرکوبی که فرایند ناهشیار راندن افکار، خاطرات و تکانههای
    دردناک از هشیاری است، بیشتر توسط آزمایشهای کنترل شده قابل بررسی است.

    اگر شما در سوگ یک عزیز یا در غم از هم پاشیدن یک رابطه باشید، ممکن است آگاهانه تصمیم بگیرید که
    برای از سر گرفتن زندگیتان از تفکر در مورد این موقعیتها اجتناب کنید. در مثالی دیگر، ممکن است شما
    مایل باشید که به رییستان آنچه را که در مورد او فکر میکنید و همچنین رفتار نامناسبش به او بگویید، اما
    شما این فکر را فرو مینشانید چون به شغلتان نیاز دارید. در هر دو مورد، میل هشیار است اما توسط نیروی
    اراده که از تصمیم منطقی برای اجتناب از عمل نشات میگیرد، خنثی میشود. اما این تکانه یا سائق ممکن
    است خودش را به شیوههای دیگری نشان دهد: مثال شما ممکن است مدام در کنار رئیستان شروع به سرفه
    کردن کنید، هرچند که بیمار نیستید؛ یا یک میل جنسی فرونشانده شده ممکن است در عبارات رکیک و
    لغزشهای زبانی باز ظاهر شود. در کل، افکار، خاطرات و امیال "فراموش شده" میتوانند بر رفتار، افکار و
    4 احساسات هشیار ما اثر بگذارند و همچنین میتوانند خودشان را به عنوان نشانهها
    و یا حتی بیماریهای
    روانی ابراز کنند.
    اگرچه عدهای ادعا میکنند که فرونشانی یکی از افسانههای روانکاوانه است که فاقد پشتوانه علمی است،
    دادههای fMRI خالف این را ثابت می کند. میشل سی. اندرسون، روانشناس دانشگاه اندروز اسکاتلند و
    5 همکارانش آزمایشی را تحت عنوان "فکر کن- فکر نکن"
    طراحی کردند تا مبنایی برای فرونشانی خاطرات
    در مغز بیابند. آزمودنیها میبایست 89 جفت لغت)مثال امتحان- سوسک؛ یا بخار- قطار(را حفظ میکردند.
    سپس درحالیکه زیر دستگاه اسکنر مغزی بودند به آنها یک لغت سرنخ)مثال امتحان(را نشان دادند و آن ها
    باید دو تکلیف را انجام میدادند: یا باید لغت همتا)مثال سوسک(را بیاد میآوردند)موقعیت پاسخ(یا مانع
    6 ورود آن به آگاهی میشدند)موقعیت فرونشانی(.
    فرونشانی فعاالنه لغت همتا)موقعیت فرونشانی(منجر به
    کاهش به یاد آوری آن لغت شد)در مقایسه با موقعیت پاسخ(. این نتیجه فقط یک فراموشی ساده که به
    علت مرور زمان رخ میدهد نبود.
    یافتههای تصویری که اندرسون و همکارانش جمع آوری کردند نشان داد برای فرونشانی لغات، قسمتهایی
    از مغز آزمودنیها که در »کنترل اجرایی« نقش دارند، یعنی مناطقی از کرتکس پیشپیشانی، به کار میافتند
    تا پردازش را در بخشهای مهمی از مغز که در ذخیره و بازیابی اطالعات نقش دارند، به ویژه هیپوکامپ،
    متوقف کنند. این یافتهها بسیار ارزشمنداند زیرا مطالعات قبلی نشان داده بود که سطح فعالیت هیپوکامپ
    متناسب با به یادآوری خاطرات است؛ هرچه فعالیت هیپوکامپ بیشتر شود، احتمال یادآوری افزایش مییابد.
    یافتهی جالب توجه دیگر این بود که مغز زمانی که از بهیادآوری خاطرهای اجتناب می کند، فعال تر از زمانی

    به عبارتی در یک تکلیف باید لغت همتا را بیاد آوردند)فکر کن(و در تکلیف دیگر پس از مشاهده لغت سرنخ، نباید به لغت همتا فکر کنند یا آن را به
    زبان بیاورند)فکر نکن(. م
    است که در حال یادآوری آن است. افراد خاطرات ناخوشایند را با اعمال تالشهای فعاالنه، درست به همان
    شیوهای که فروید تصویر کرده بود فرو مینشانند؛ فرایندی که در سیستم عصبی قابل ردیابی است.
    شواهد فرونشانی
    پیوند فرونشانی یا مکانیسمهای مغزی کامال پذیرفته شده که درگیر در کنترل رفتاری هستند، این مفهوم را
    از تخت روانکاوی بیرون کشیده و آن را در قلمرو فیزیکی مغز گسترده است. یک شکل متفاوت فرونشانی،
    که به عنوان فرونشانی ادراکی-دیداری شناخته شده است وقتی اتفاق میافتد که یک شی یا قسمتی از آن
    به صورت هشیارانه دیده نشود، حتی با وجود اینکه یک تصویر گویا و شفاف از آن وجود دارد. یک مورد
    7 عمده شامل تصاویر دوپایا
    است؛ مثال تصویر مکعب، تصویر گلدان- صورت یا تصویر اردک- خرگوش در
    شکل زیر.
    چشمها خطوط و اشکال یکسانی را میبینند، اما آنچه شما هشیارانه در ذهنتان میبینید از اردک به
    خرگوش و از خرگوش به اردک تغییر می کند. وقتی تصویر اردک در ذهنتان به صورت هشیارانه دیده ]و
    تثبیت[ شود، تصویر خرگوش »فرونشانده« می شود)و بر عکس(.


    8 یک مثال دیگر، فرونشانی دیداری رقابت دوچشمی
    است. در این حالت، دو تصویر متفاوت همزمان به هر
    یک از چشمها ارائه میشود؛ برای مثال تصویر یک دختر خندان به چشم چپ و تصویر یک ماشین به چشم
    راست شما داده میشود. این دو تصویر برای دستیابی به هشیاری رقابت میکنند و هر یک از آنها تنها برای
    مدت کوتاهی دیگری را فرو مینشاند. برای چند ثانیه شما صورت دختر را میبینید، اما ناگهان قطعات
    ماشین شروع به درخشیدن میکنند تا اینکه چهره دختر کم کم محو میشود و شما تنها ماشین را
    میبینید. سپس چشمهای خندان دختر بار دیگر ماشین را کنار میزنند و به صحنه میآیند و این رقص بی
    پایان همینطور ادامه مییابد.
    بنابرین اگرچه هر دو چشم همیشه یک چیز را میبینند، اما ادراک هشیارانه شما از لحظهای به لحظهی
    دیگر تغییر مییابد. ادراک دوپایا موقعیتی ایده آل برای ردیابی هشیاری در مغز انسان با استفاده از
    تصویربرداری کارکردی مغز است. از آنجایی که چشمها در حالت بی حرکتی و پلک نزدن قرار گرفتند، این
    رقص و تغییر دائمی تحت کنترل ارادی اندکی است. بنابرین، از نقطه نظر روانکاوی، شاید بهتر باشد این
    فرایند را سرکوب ادراکی بنامیم تا فرونشانی ادراکی. حال باید پرسید که آیا مکانیسمهای نورونی پایه ایِ
    فرونشانی و سرکوب ادراکی دیداری ارتباطی با فرونشانی و سرکوب روانکاوانه دارد؟
    هیجانات مجزا
    تجزیه یک موضوع بحث برانگیز دیگر است که در آن افکار، هیجانات، حسها و خاطرات از سایر بخشهای
    روان جدا میشوند. تجزیه که ابتدا توسط روان پزشک فرانسوی، پیر ژانه معرفی شد، میتواند در افراد سالم
    نیز اتفاق بیفتد؛ مثال هنگام رانندگی در آزادراه پس از یکی دو مایل مسافت طی شده چیزی به خاطر
    نمیآورید چون به اطراف توجهی نداشتهاید، یا زمانی که غرق در یک فیلم و کتاب میشوید، یا مثال هنگامی
    که به یک اتاق وارد میشوید اما فراموش میکنید که چرا به آن قدم گذاشتهاید.
    9 حاالت شدیدتر تجزیه در اختالالت روانی مانند اختالل هویت تجزیه ای
    )DID)قابل مشاهده است؛
    اختاللی که قبال با نام اختالل هویت چندگانه شناخته میشد و دربردارنده ظهور دو یا چند شخصیت متمایز
    است. این حاالت هویتی متمایز با پاسخهای عاطفی، افکار، خلق و تصویر خود ادراک شده متفاوتی مشخص
    میشوند که به صورت مداوم و متناوب کنترل رفتار و هشیاری فرد را بر عهده میگیرند. اختالل هویت
    تجزیهای در نتیجه چند پارگی هویت در نظر گرفته میشود و نه تکثر شخصیتهای متمایز. بنابرین نه تنها

    8 binocular rivalry
    9 dissociative identity disorder
    بیماران بیش از یک هویت)چند خود متمایز(ندارند، بلکه آنها حتی فاقد یک هویتاند)یک خود چند
    پاره(.
    اختالل هویت تجزیهای اغلب با آسیبهای شدید و طوالنی مدت کودکی)مثل مورد غفلت یا سو استفاده
    عاطفی و جنسی واقع شدن(مرتبطاند، و به عنوان راهی برای مقابله با موقعیتهایی که جذب آن در
    خویشتن هشیار فرد دردناک و تهدیدکننده است ایجاد میشود. شخص به اصطالح »ذهن خودش را ترک
    کرده است« تا از تجارب اضطراب برانگیزی که نمیتوان به صورت جسمی از آنها اجتناب کرد فرار کند.
    فرآیند تجزیه اجازه میدهد احساسها و خاطرههای آسیبزا به لحاظ روانشناختی از دیگر احساسها و
    خاطره ها مجزا شوند تا فرد بتواند به فعالیت خود ادامه دهد، انگار که هیچ حادثهای اتفاق نیفتاده است. در
    حالی که یک حالت ذهنی بیمار به تاریخچه خاطرات آسیب زا برای مثال تجاوز جنسی دسترسی دارد، یک
    حالت ذهنی دیگر وی ادعا می کند که هیچ چیزی از این خاطره به یاد نمیآورد. این استفاده دفاعی فرایند
    تجزیه، حتی مدتها بعد از اتمام تجربه آسیبزا ادامه مییابد.
    مطالعات زیستی عصبی اختالل هویت تجزیهای از اعتبار این تشخیص بالینی حمایت میکنند و نشان
    میدهند که یک مغز میتواند دو یا بیش از دو حالت خودآگاهی مجزا را تولید کند که در هر یک از این
    حاالت، الگوهای منحصر به فرد دیدن، فکر کردن، رفتار کردن و به یاد آوردن قابل مشاهده است.
    شاخصهای جسمانی مانند تغییر در میزان رسانایی الکترکی پوست)مرتبط با عرق کردن(، ضربان قلب،
    میزان پاسخ به داروها، واکنشهای آلرژیک و حساسیت، و عملکرد غدد درون ریز، بسته به اینکه اکنون فرد
    و همکارانش در دانشگاه گرونینگن 10 در کدام حالت ذهنی است، متفاوت است. برای مثال سیمون ریندرز
    هلند، واکنشهای ذهنی)شامل واکنشهای عاطفی مثل ترس و واکنشهای حسی حرکتی مثل بی قراری(،
    پاسخهای قلبی عروقی)شامل تعداد ضربان قلب، فشار خون، و تغییر در تعداد ضربان قلب(و الگوهای
    تحریک مغزی 22 بیمار دارای اختالل هویت تجزیهای را ثبت کردند. در حالی که افراد ابتدا در یک حالت
    ذهنی و بعد در حالت ذهنی دیگر بودند، داستانی در مورد زندگیشان را که هم مربوط به تجربه آسیبزا و
    هم تجارب و خاطرات غیر آسیبزای آنها بود خواندند. این بیماران در حالت ذهنی خنثیشان، به داستان
    آسیبزا طوری واکنش نشان میدادند که گویی یک خاطره خنثی است و ادعا میکردند که آن را به یاد
    نمیآورند. اما همین افراد در حالت ذهنی آسیب دیده، واکنش شدید ذهنی و قلبی عروقی و همچنین الگوی
    متفاوت تحریک مغزی به خاطرات آسیبزا نشان دادند و همچنین آن خاطره دردناک را به خاطر میآوردند.
    بنابرین مشهود است که چند هویت متمایز میتوانند در یک جمجمه زندگی کنند.
    دیدن یا ندیدن
    12 و الکس اولریچ 11 گاهی اوقات تفاوت بین شخصیتها به اندازه تفاوت بین روز و شب است. برونو والدووگل
    روانشناس در مونیخ آلمان بیماری با اختالل تجزیهای را گزارش کردند که 13 روانکاو و هانس استراسبرگر
    پس از حدود 21 سال تشخیص نابینایی، در طول رواندرمانی به تدریج بیناییاش را به دست آورد. چشمهای
    این بیمار فی نفسه مشکلی نداشت و تستهای چشم پزشکی نیز این را ثابت میکردند، اما وی مدعی بود
    که نمیتواند ببیند. در طول یک آزمایش که در اینجا مرور میکنیم، یک شخصیت بینایی نرمالی داشت، در
    حالی که شخصیت جوانتر)که سریعا با صدا زدن نامش فراخوانده میشود(کور بود. اگر فعالیتهای
    الکتریکی که توسط الکترودهای دستگاه الکتروانسفالوگرافی ثبت میشود نبود، این پدیده میتوانست به
    هیستری تعبیر شود. در حالت شخصیت بینا، در پاسخ به یک صفحه شطرنجی که مربعهایش هر ثانیه ده بار
    رنگشان از سفید به سیاه و برعکس عوض میشد، EEG نشاندهنده امواج مغزی نرمال بود. اما در حالت
    شخصیتی نابینا، فعالیتهای برانگیخته شده توسط بینایی کاهش یافت)توضیحات عکس زیر را مشاهده
    کنید(. هیچ مکانیسم شناخته شدهای وجود ندارد که به فرد اجازه دهد مانع دیدن تصاویر با چشم باز شود.


    این یافته داللت بر این دارد که مغز میتواند به سرعت در مراحل ابتدایی سیستم بینایی مداخله کرده و مانع
    رسیدن اطالعات بینایی به قشر مخ فرد شود. حال چگونگی این کار چندان مشخص نیست.
    آنچه در اختالل تجزیهای تغییر می کند نه میزان فعالیت قسمتهای خاصی از مغز، بلکه میزان فعالیت بین
    این قسمتها است. انسجام و هماهنگی در عملکرد مناطق قشری و زیر قشری برای تجربه هشیارانه منسجم
    و پیوسته ضروری است. شیوهای که مغز با سایر اجزا ارتباط دارد و همچنین شیوهای که قسمتهای مختلف
    مغز با هم تعامل میکنند بسیار مهم است. تجزیه ممکن است از اختالل در ارتباطات و پیوندهای خاصی بین
    مناطق مغزی سرچشمه گیرد. بنابرین، اختالالت تجزیهای ممکن است در نتیجه نقص در هماهنگی و
    ما را شکل میدهد. 14 انسجام مدارهای نورونی توزیع شدهای باشد که خودآگاهی ذهنی
    پیشرفتهای جدید در عصب شناسی و تکنولوژی، عصب- زیست شناسیِ ناهشیار پویشی را که توسط فروید،
    ژانه و سایر نظریه پردازان پا به عرصه گذاشت، آشکار کرده است. در این مسیر، اکثر آنچه که در ابتدا تنها از
    " مطرح شده بودند، تجدید نظر، تصحیح و گسترش یافت. یافتن روشهایی 15 راه "درمان از طریق گفتگو
    جدید برای آزمایش تجربی فرایندهای ناهشیار پویشی مثل سرکوب، فرونشانی و تجزیه، اساس نورونی آنها
    را در آینده به صورت کامل آشکار خواهد ساخت. این تالشها به بیماران برای گزینههای درمانی اثربخشتر
    و به ما در درک بهتر هشیاریمان کمک خواهد کرد.

    14 subjective self-awareness
    15 talking cure
    منابعی برای مطالعه بیشتر:
     Neural Systems Underlying the Suppression of Unwanted Memories. michael c.
    anderson et al. in Science, vol. 303, pages 232–235; January 9, 2004.
     Psychobiological Characteristics of Dissociative Identity Disorder: A Symptom
    Provocation Study. a.a.t. simone reinders et al. in Biological Psychiatry, vol. 60,
    no. 7 ,pages 730–740; october 1, 2006

    .

    ترجمه: امید رضا قاسمی

    0

    انواع آزمون z

    1. آزمون z تک نمونه ای به منظور مقایسه ی میانگین یک نمونه با میانگین جامعه یا یک عدد ثابت: واریانس جامعه مشخص
    2. آزمون z به منظور مقایسه ی میانگین مربوط به دو جامعه: مقدار واریانس جوامع مشخص و برابر
    3. آزمون z به منظور مقایسه ی میانگین دو جامعه: مقدار واریانس مشخص و نابرابر
    4. آزمون z به منظور مقایسه ی یک نسبت با یک مقدار ثابت: توزیع دو جمله ای
    5. آزمون z به منظور مقایسه ی دو نسبت با یکدیگر (توزیع دو جمله ای)
    6. آزمون z به منظور مقایسه ی دو فراوانی (توزیع پواسون)
    7. آزمون z برای مقایسه ی یک مقدار ضریب همبستگی با یک مقدار ثابت
    8. آزمون z به منظور مقایسه ی دو ضریب همبستگی
    9. آزمون z به منظور مقایسه ی دو نسبت وابسته
    10. آزمون z به منظور بررسی فقدان قطعیت وقایع
    11. آزمون z به منظور مقایسه ی ارتباطات متوالی در طول گروهها
    0

    فلسفه ی علم و آمار

    یکی از موضوعات مهمی که به فلسفه ی آمار مربوط است نظریه ی تاییدی (confirmation theory)است. این نظریه یک نظریه ی فلسفی است که ارتباط بین نظریه ی علمی و شواهد تجربی را بررسی و مطالعه می کند. نظریه ی آمار بخش مهمی از نظریه ی تاییدی است که رابطه ی بین تئوریهای آماری و شواهدی که از نمونه بدست می آید را توضیح داده و در مورد ان قضاوت می کند. اگر جامع تربه نظریه ی آماری نگاه کنیم، متوجه می شویم که نظریه ی آماری بخشی از فلسفه ی روش شناسی است. به عنوان مثال نظریه ی عمومی در باب این موضوع که آیا علم به دانش منجر می شود و چگونه به دانش منجر می شود؟ بنابراین آمار یک مولفه در مجموعه ی وسیع تری از روش های علمی قرار می گیرد که از شکل دهی مفاهیم، طرح های آزمایشی، مداخله و مشاهده، تایید، نحوه ی عمل و نظریه پردازی، تشکیل شده است.

    موضوعات خاص دیگری در فلسفه ی علم وجود دارد که با واژگان آماری بیان می شوند و یا در مجاورت آن قرار دارند. یکی از این موضوعات فرآیند اندازه گیری و به بیان خاص تر، اندازه گیری متغیرهای مکنون بر مبنای اصول آماری از روی متغیرهای آشکار است. به این رویکرد اندازه گیری، نظریه ی بازنمودی اندازه گیری (representational theory of measurement)می گویند.  که بر آمار بنا نهاده شده است و فنون مختلفی مانند تحلیل عاملی را در بر می گیرد. این تکنیک ها از طریق ساختارهای ریاضی، پدیده ی تجربی را به صورت روشن مفهوم بندی می کنند.

    موضوع مهم دیگر که فلسفه علم رو تشکیل می دهد مبحث علیت است. فلاسفه از نظریه ی احتمال به منظور دستیابی به روابط علی استفاده کرده اند. استفاده از تئوری آمار از 1956 در اصل علیت مشترک ریچنباخ  تا حال حاضر و بررسی علیت و آمار (با نظریه ی علیت احتمالاتی)ادامه داشته است. در زمان حاضر نیز آمار پایه ی تحلیل های مفهومی در روابط علی است.

    علاوه بر این بعضی از تکنیک های خاص آماری مانند تحلیل عاملی و شبکه های بیزی، بحث های مفهومی (فلسفی)را بدون این که خود خواسته باشد، پیش می کشند. اگر چه موضوعات زیادی در فلسفه علم وامدار روشن سازی های آماری هستند به عنوان مثال: یکپارچگی، آگاهی بخشی و ارائه ی شاهد، با این وجود، حوزه ی گسترده ای از بحث های فلسفه ی علم در فهم آمار کمک کننده اند. در این بین می توان به بحث هایی در باره ی آزمایش و مداخله، مفاهیم شانس و ماهیت مدل های علمی و واژگان نظری اشاره کرد.