متا | مهارت هایی برای پژوهش

▫️توئیکینگ: خطرناک‌ترین نوعِ تقلب علمی دانشگاه MIT به تازگی کتابی را منتشر کرده که نگاه جدیدی دارد به مقوله تقلب در پژوهش و بحران اعتبار علم. این کتاب را Thomas Plümper و Eric Neumayer نوشته‌اند: The Credibility Crisis in Science: Tweakers, Fraudsters, and the Manipulation of Empirical Results   دو نوع تقلب در پژوهش وجود دارد که خیلی آشکار و واضح هستند و در غیراخلاقی بودن آنها شکی نیست. یکی داده‌سازی (Data Fabrication) است؛ یعنی ساختن داده‌هایی که اصلاً وجود ندارند و دیگری دستکاری داده‌ها (Data Manipulation)؛ یعنی داده وافعی وجود دارد ولی پژوهشگر آنها را تغییر می‌دهد تا نتیجه دلخواهش حاصل شود. اما نویسندگان، Tweaking را نوع سوم و البته خطرناک‌ترین نوع تقلب می دانند. یک پژوهشگر در Tweaking، بدون اینکه که داده‌ها را بطور مستقیم تغییر دهد، می‌آید طراحی پژوهش یا مدل آماری را طوری تغییر می‌دهد که نتیجه دلخواهش بدست آید. حذف داده‌های نامناسب، تغییر تعریف متغیرها، انتخاب زیرنمونه خاص، اضافه یا حذف متغیرهای کنترل، آزمودن مدل‌های متعدد و انتشار فقط نتایج معنادار، همگی می‌توانند نتیجه را تغییر دهند. همچنین پژوهشگر ممکن است پس از مشاهده داده‌ها، فرضیه‌ای بسازد، اما در مقاله وانمود کند که فرضیه از ابتدا وجود داشته است؛ رفتاری که HARKing نام دارد (Hypothesizing After Results are Known). هدف اصلی معمولاً افزایش معنی‌داری آماری، بزرگ‌تر شدن اندازه اثر و تأیید فرضیه پژوهشگر است پژوهشگران ممکن است برای کسب منافع شخصی مانند چاپ مقاله بیشتر، چاپ در مجلات معتبرتر، افزایش استناد، گرفتن گرنت، ارتقای شغلی، افزایش حقوق و شهرت علمی دست به توئیک بزنند.   چرا توئیک خطرناک‌تر است؟ چون بسیار رایج‌تر است، کشف آن بسیار دشوار است، معمولاً مجازاتی ندارد و ظاهر آن کاملاً علمی است. به همین دلیل نویسندگان معتقدند: بزرگ‌ترین تهدید برای اعتبار علم، توئیک است؛ نه داده‌سازی. تعریف تقلب علمی از نگاهی دیگر نویسندگان تعریف دیگری از تقلب علمی ارائه می‌دهند که متفاوت از تعاریف موجود است: تقلب علمی یعنی هر گونه دستکاری عمدی نتایج آماری برای کسب منفعت پژوهشگر. بنابراین معیار اصلی قصد است، نه نوع روش.     عناوین بخش‌ها و فصول کامل کتاب در ادامه آمده است. بخش سوم کتاب، در خصوص مقابله با تقلب است که راهکارهای مفیدی را ارائه کرده است. راه‌حل محوری نویسندگان، شفافیت است: انتشار داده خام، کد تحلیل، روش‌ها و تمام تصمیم‌های پژوهشی. هر پژوهش باید از سه جهت ارزیابی شود: بازتولیدپذیری با همان داده و کد (Reproducibility)، تکرارپذیری با داده‌های جدید (Replicability)، و استحکام (Robustness Test) در برابر تغییرات منطقی مدل. بخش اول: آیا علم دچار بحران شده است؟ ۱. سلامت پژوهش (Scientific Integrity) و نارضایتی‌های پیرامون آن ۲. انگیزه‌های متقلبان ۳. نوکِ نوکِ کوه یخ ۴. عوامل کشف تخلف بخش دوم: درجات آزادی پژوهشگر (Researcher Degrees of Freedom) ۵. توئیکینگ در تحلیل داده‌های مشاهده‌ای ۶. توئیکینگ در طرح‌های پژوهش تجربی ۷. توئیکینگ در مدل‌های علّی بخش سوم: مقابله با تقلب ۸. سیاست‌های بازدارندگی ۹. برنامه‌های پیشگیری ۱۰. راهبردهای کشف ۱۱. دو گام به پیش ۱۲. و یک گام به عقب #research_ethics #research_misconduct #book 🆔 @irevidence

📚 باور نادرست دوم: «پاسخ سؤال را از قبل می‌دانیم.» گاهی پژوهشگران تصور می‌کنند چون چند مطالعه را خوانده‌اند، پاسخ سؤال پژوهشی مشخص است و نیازی به مرور سیستماتیک وجود ندارد. اما چند مطالعه پراکنده، معادل «کل شواهد موجود» نیست. ممکن است: 🔹 نتایج مطالعات با یکدیگر متفاوت باشند. 🔹 برخی مطالعات در جست‌وجوی اولیه دیده نشده باشند. 🔹 کیفیت مطالعات یکسان نباشد. مرور سیستماتیک به همین دلیل انجام می‌شود؛ تا همه شواهد مرتبط، با روشی شفاف و استاندارد گردآوری و ارزیابی شوند و نتیجه بر پایه شواهد باشد، نه برداشت شخصی. 📩 @SogandSarmad | @azk78 🔗 t.me/meta_research1

📚 باور نادرست اول: «مطالعات کافی وجود ندارد، پس مرور سیستماتیک فایده‌ای ندارد.» یکی از رایج‌ترین تصورات اشتباه این است که برای انجام یک مرور سیستماتیک باید تعداد بسیار زیادی مطالعه وجود داشته باشد. در حالی که هدف مرور سیستماتیک، بررسی تمام شواهد موجود درباره یک سؤال پژوهشی است؛ حتی اگر تعداد مطالعات محدود باشد. البته اگر قرار باشد متاآنالیز انجام شود، حداقل به دو مطالعه نیاز است. کم بودن تعداد مطالعات، لزوماً به معنای بی‌ارزش بودن مرور سیستماتیک نیست؛ گاهی همین موضوع نشان‌دهنده وجود یک شکاف پژوهشی مهم است. 📩 @SogandSarmad | @azk78 🔗 t.me/meta_research1

� آخرین گام؛ گزارش مطالعه بر اساس PRISMA انجام یک مرور سیستماتیک استاندارد، بدون گزارش صحیح آن کامل نیست. به همین دلیل، امروزه توصیه می‌شود نتایج مطابق دستورالعمل PRISMA 2020 گزارش شوند. در یک گزارش استاندارد باید موارد زیر به‌صورت شفاف ارائه شوند: ✅ نحوه جست‌وجوی مطالعات ✅ فرایند انتخاب و حذف مقالات ✅ ویژگی‌های مطالعات واردشده ✅ ارزیابی خطر سوگیری ✅ نتایج هر مطالعه و نتایج تجمیعی ✅ محدودیت‌ها و تفسیر یافته‌ها PRISMA فقط یک چک‌لیست نیست؛ ابزاری است که به خواننده کمک می‌کند تمام مراحل پژوهش را شفاف و قابل ارزیابی دنبال کند. 📩 @SogandSarmad | @azk78 🔗 t.me/meta_research1

📚 گرید | GRADE؛ آیا می‌توان به نتایج اعتماد کرد؟ پس از پایان متاآنالیز، تنها گزارش اندازه اثر کافی نیست؛ باید کیفیت شواهد نیز ارزیابی شود. یکی از رایج‌ترین ابزارها برای این کار GRADE است. در این روش، کیفیت شواهد برای هر پیامد در یکی از چهار سطح قرار می‌گیرد: 🟢 High 🔵 Moderate 🟡 Low 🔴 Very Low نکته مهم این است که GRADE کیفیت کل شواهد را ارزیابی می‌کند، نه کیفیت یک مطالعه منفرد. به همین دلیل ممکن است نتیجه‌ای از نظر آماری معنی‌دار باشد، اما کیفیت شواهد آن پایین ارزیابی شود. 📩 @SogandSarmad | @azk78 🔗 t.me/meta_research1

📚 آیا می‌توان همه انواع مطالعات را با هم متاآنالیز کرد؟ پاسخ کوتاه: معمولاً خیر. ترکیب مطالعات با طراحی‌های متفاوت می‌تواند باعث افزایش ناهمگنی و دشوار شدن تفسیر نتایج شود. برای مثال، ترکیب: ❌ کارآزمایی‌های تصادفی‌سازی‌شده (RCT) با ❌ مطالعات مشاهده‌ای در یک متاآنالیز واحد معمولاً توصیه نمی‌شود. اگر بررسی هر دو نوع مطالعه ضروری باشد، بهتر است آن‌ها به‌صورت جداگانه یا در تحلیل‌های زیرگروه (Subgroup Analysis) تحلیل شوند. 📩 @SogandSarmad | @azk78 🔗 t.me/meta_research1

📚ناهمگنی (Heterogeneity) یعنی چه؟ در متاآنالیز، نتایج مطالعات همیشه کاملاً مشابه نیستند. به این تفاوت‌ها ناهمگنی (Heterogeneity) گفته می‌شود. برای ارزیابی ناهمگنی معمولاً از دو شاخص استفاده می‌شود: 🔹 Q Test وجود یا عدم وجود ناهمگنی را بررسی می‌کند. 🔹 I² نشان می‌دهد چه درصدی از اختلاف نتایج مطالعات ناشی از ناهمگنی واقعی است، نه خطای تصادفی. اما یک نکته مهم وجود دارد: 🔸 هیچ عددی به‌تنهایی تصمیم‌گیرنده نیست. حتی اگر مقدار I² پایین باشد، باید بررسی کرد که آیا مطالعات از نظر جمعیت، مداخله، پیامدها و روش اجرا واقعاً قابل مقایسه هستند یا خیر. 📩 @SogandSarmad | @azk78 🔗 t.me/meta_research1

📚 مدل Fixed-effect یا Random-effects؟ یکی از تصمیم‌های مهم در متاآنالیز، انتخاب مدل آماری است. 🔹 Fixed-effect Model فرض می‌کند تمام مطالعات در حال برآورد یک اثر واقعی مشترک هستند و تفاوت نتایج بیشتر ناشی از خطای تصادفی است. 🔹 Random-effects Model فرض می‌کند اثر واقعی ممکن است بین مطالعات متفاوت باشد؛ بنابراین علاوه بر تغییرات درون‌مطالعه‌ای، تغییرات بین مطالعات نیز در تحلیل در نظر گرفته می‌شود. 🔸 نکته مهم: انتخاب مدل آماری نباید پس از مشاهده نتایج انجام شود، بلکه بهتر است از قبل در پروتکل مطالعه مشخص شود. 📩 @SogandSarmad | @azk78 🔗 t.me/meta_research1

� متاآنالیز؛ ترکیب نتایج، نه ترکیب بیماران گاهی تصور می‌شود متاآنالیز یعنی همه بیمارانِ مطالعات مختلف در یک مطالعه بزرگ ادغام می‌شوند؛ اما این تصور درست نیست. در متاآنالیز، نتایج مطالعات با استفاده از روش‌های آماری ترکیب می‌شوند، نه داده‌های خام شرکت‌کنندگان. بنابراین: ✔️ مرور سیستماتیک می‌تواند بدون متاآنالیز انجام شود. ❌ اما متاآنالیز بدون یک مرور سیستماتیک استاندارد، از نظر روش‌شناسی قابل قبول نیست. هدف متاآنالیز، ارائه یک برآورد دقیق‌تر از اثر واقعی بر اساس مجموع شواهد موجود است. 📩 @SogandSarmad | @azk78 🔗 t.me/meta_research1

� از مطالعات چه اطلاعاتی استخراج می‌شود؟ پس از انتخاب مطالعات، داده‌های مورد نیاز استخراج می‌شوند. مهم‌ترین اطلاعات عبارت‌اند از: 🔹 مشخصات مطالعه (نویسنده، سال انتشار و…) 🔹 ویژگی‌های شرکت‌کنندگان 🔹 جزئیات مداخله و گروه مقایسه 🔹 تعریف و زمان ارزیابی پیامدها 🔹 نتایج آماری 🔹 ارزیابی خطر سوگیری هرچه فرم استخراج داده‌ها دقیق‌تر طراحی شود، احتمال بروز خطا در مراحل بعدی کمتر خواهد بود. 📩 @SogandSarmad | @azk78 🔗 t.me/meta_research1

� انتخاب مطالعات باید چگونه انجام شود؟ بعد از پایان جست‌وجو، نوبت به غربالگری مطالعات می‌رسد. در یک مرور سیستماتیک استاندارد: ✅ عنوان و چکیده مطالعات ابتدا بررسی می‌شوند. ✅ سپس متن کامل مقالات واجد شرایط ارزیابی می‌شود. ✅ این مراحل باید توسط حداقل دو پژوهشگر مستقل انجام شوند. ✅ دلیل حذف هر مطالعه باید ثبت شود تا در نمودار PRISMA گزارش شود. این فرایند احتمال خطا و سوگیری را به حداقل می‌رساند. 📩 @SogandSarmad | @azk78 🔗 t.me/meta_research1

📚 یک جست‌وجوی خوب، نیمی از موفقیت مرور سیستماتیک است هدف از جست‌وجوی منابع، پیدا کردن تمام مطالعات مرتبط است، نه فقط مقالاتی که به‌راحتی در دسترس هستند. برای یک جست‌وجوی استاندارد: 🔹 از چند پایگاه اطلاعاتی استفاده کنید. 🔹 راهبرد جست‌وجو را مستندسازی کنید. 🔹 تا حد امکان محدودیت زبان یا نوع انتشار اعمال نکنید. 🔹 از یک استراتژی قابل تکرار استفاده کنید. هرچه جست‌وجوی شما جامع‌تر باشد، احتمال سوگیری در نتایج کمتر خواهد بود. 📩 @SogandSarmad | @azk78 🔗 t.me/meta_research1

📚 چه پیامدهایی را در مرور سیستماتیک انتخاب کنیم؟ انتخاب پیامدها (Outcomes) یکی از مهم‌ترین مراحل طراحی مرور سیستماتیک است. توصیه می‌شود: ✅ فقط پیامدهای مهم و مرتبط با سؤال پژوهش انتخاب شوند. ✅ تعداد پیامدها بیش از حد زیاد نباشد (معمولاً حداکثر ۷ پیامد). ✅ ترکیبی از پیامدهای بیمارمحور و بیماری‌محور بررسی شود. ✅ علاوه بر اثربخشی، عوارض و پیامدهای نامطلوب نیز گزارش شوند. به خاطر داشته باشید که هرچه پیامدهای بیشتری انتخاب کنید، تحلیل و تفسیر نتایج پیچیده‌تر خواهد شد. 📩 @SogandSarmad | @azk78 🔗 t.me/meta_research1

📚 چرا پروتکل مهم‌ترین بخش مرور سیستماتیک است؟ یکی از رایج‌ترین اشتباهات پژوهشگران، شروع مرور سیستماتیک بدون تدوین پروتکل است. پروتکل در واقع نقشه راه مطالعه است و باید قبل از آغاز پژوهش نوشته شود. در پروتکل باید مشخص شود: ✔️ سؤال پژوهش چیست؟ ✔️ معیارهای ورود و خروج مطالعات کدام‌اند؟ ✔️ جست‌وجو در چه پایگاه‌هایی انجام می‌شود؟ ✔️ چه پیامدهایی بررسی خواهند شد؟ ✔️ داده‌ها چگونه استخراج می‌شوند؟ ✔️ تحلیل آماری چگونه انجام خواهد شد؟ اصل مهم این است که همه تصمیم‌ها قبل از مشاهده نتایج گرفته شوند، نه بعد از آن. به همین دلیل، ثبت پروتکل در سامانه‌هایی مانند PROSPERO یا INPLASY به افزایش شفافیت و کاهش سوگیری کمک می‌کند. 📩 @SogandSarmad | @azk78 🔗 t.me/meta_research1

📚 قبل از شروع، یک سؤال مهم! آیا اصلاً انجام این مرور سیستماتیک ارزش دارد؟ قبل از نوشتن پروتکل، باید یک جست‌وجوی مقدماتی (Feasibility Search) انجام دهید. هدف از این جست‌وجو چیست؟ ✅ بررسی کنید مطالعات کافی برای پاسخ به سؤال پژوهش وجود دارد یا خیر. ✅ ببینید آیا مرور سیستماتیک جدیدی روی همان موضوع منتشر شده است. ✅ بررسی کنید پروتکل مشابهی در PROSPERO یا سایر رجیسترها ثبت نشده باشد. اگر مرور سیستماتیک معتبر و به‌روزی از قبل وجود داشته باشد، انجام دوباره همان مطالعه معمولاً توجیهی ندارد؛ مگر اینکه مطالعات جدید منتشر شده باشند یا مرور قبلی از نظر روش‌شناسی ضعف داشته باشد. نکته: برای انجام متاآنالیز حداقل به دو مطالعه نیاز است، اما مرور سیستماتیک حتی بدون متاآنالیز نیز قابل انجام است. 📩 @SogandSarmad | @azk78 🔗 t.me/meta_research1

📚 اولین قدم در مرور سیستماتیک؛ سؤال پژوهشی درست هر مرور سیستماتیک با یک سؤال پژوهشی دقیق آغاز می‌شود، نه با جست‌وجوی مقاله. برای طراحی این سؤال، معمولاً از چارچوب PICOTS استفاده می‌شود: 🔹 P (Population): جامعه یا بیماران مورد مطالعه 🔹 I (Intervention): مداخله یا مواجهه 🔹 C (Comparison): گروه مقایسه 🔹 O (Outcome): پیامد مورد نظر 🔹 T (Type): نوع سؤال (درمان، تشخیص، پیش‌آگهی و…) 🔹 S (Study Design): مناسب‌ترین نوع مطالعه نکته مهم این است که نوع سؤال، طراحی مطالعه را تعیین می‌کند. برای مثال: ✔️ اگر سؤال درباره اثربخشی درمان باشد، بهترین شواهد از کارآزمایی‌های تصادفی‌سازی‌شده (RCT) به دست می‌آید. ✔️ اگر سؤال درباره دقت یک آزمون تشخیصی باشد، مطالعات مقطعی تحلیلی مناسب‌تر هستند. اگر سؤال پژوهش از ابتدا به‌درستی طراحی نشود، کل مرور سیستماتیک می‌تواند از نظر روش‌شناسی دچار ضعف شود. 📩 @SogandSarmad | @azk78 🔗 t.me/meta_research1

📚 تفاوت مرور سیستماتیک و مرور روایی چیست؟ مهم‌ترین تفاوت این دو، قابلیت بازتولید (Reproducibility) است. در یک مرور سیستماتیک: ✅ سؤال پژوهش از ابتدا مشخص است. ✅ پروتکل تدوین می‌شود. ✅ معیارهای ورود و خروج مطالعات از قبل تعیین می‌شوند. ✅ جست‌وجو در چند پایگاه اطلاعاتی انجام می‌شود. ✅ انتخاب مطالعات و استخراج داده‌ها با روشی شفاف انجام می‌شود. اما در مرور روایی، روش کار بیشتر به تجربه و قضاوت نویسنده وابسته است و معمولاً امکان تکرار دقیق آن توسط پژوهشگران دیگر وجود ندارد. نکته جالب اینکه در یک کارآزمایی بالینی، واحد تحلیل «بیمار» است؛ اما در مرور سیستماتیک، واحد تحلیل «مطالعه» است. 📩 @SogandSarmad | @azk78 🔗 t.me/meta_research1

🚨 بیشتر پژوهشگران فکر می‌کنند «سیستماتیک ریویو» یعنی فقط چند مقاله را جمع کنیم و خلاصه بنویسیم! اما واقعیت چیز دیگری است… یک Systematic Review استاندارد، یکی از پیچیده‌ترین و دقیق‌ترین انواع پژوهش است؛ پژوهشی که اگر اصول آن را ندانید، حتی ممکن است ماه‌ها زمان صرف پروژه‌ای کنید که از همان ابتدا اشکال اساسی داشته است. 📚 از امروز در کانال، فصلی از جدیدترین کتاب Springer (2026) را قدم‌به‌قدم با هم مرور می‌کنیم؛ فصلی که مسیر انجام یک Systematic Review و Meta-analysis را از انتخاب سؤال پژوهش تا نگارش مقاله، با زبانی کاربردی آموزش می‌دهد. 📩 @SogandSarmad | @azk78 🔗 t.me/meta_research1

📊 خطای نوع اول و نوع دوم - دو تا اشتباهی که هر پژوهشگری ممکنه بکنه فرض کن یه تست پزشکی برای تشخیص یه بیماری داری. دو نوع اشتباه ممکنه رخ بده: 🔹 خطای نوع اول (False Positive): تست میگه فرد بیماره، ولی در واقع سالمه. توی آمار یعنی فرض صفر رو رد می‌کنیم (میگیم «اثر هست»)، در حالی که واقعاً اثری نیست. احتمالش رو با α (آلفا) نشون میدن، معمولاً ۰.۰۵. 🔹 خطای نوع دوم (False Negative): تست میگه فرد سالمه، ولی در واقع بیماره. توی آمار یعنی فرض صفر رو رد نمی‌کنیم، در حالی که واقعاً اثر وجود داشته. احتمالش رو با β (بتا) نشون میدن. ⚖️ نکته کلیدی: این دو خطا رابطه‌ی معکوس دارن. هر چی سخت‌گیرتر باشی که خطای نوع اول رخ نده (مثلاً α رو از ۰.۰۵ به ۰.۰۱ کاهش بدی)، احتمال خطای نوع دوم بالا میره - چون تشخیص اثر واقعی سخت‌تر میشه. 💡 راه کاهش هر دو با هم: بزرگ‌تر کردن حجم نمونه. همون‌طور که پست قبل گفتیم، نمونه بزرگ‌تر هم قدرت آزمون (Power) رو بالا می‌بره، هم دقت تشخیص رو بهتر می‌کنه. ⚠️ کدوم بدتره؟ بستگی به زمینه داره. توی تشخیص بیماری خطرناک، خطای نوع دوم (ندیدن بیمار واقعی) فاجعه‌باره. توی دادگاه، خیلیا معتقدن خطای نوع اول (محکوم کردن بی‌گناه) بدتره. 📩 @SogandSarmad | @azk78 🔗 t.me/meta_research1