【研究】審視研究性期刊與文獻的合理性
閱讀時間約 3 分鐘
如何從摘要快速審視研究文獻的合理性?
其實研究文獻的摘要約已經涵蓋60-70%以上的重點
多數時候已經足以讓我們知道文章目的、簡單統計方式、結果分析的合理性與可信度如何
讀完一篇品質良好的摘要通常可以知道下列幾個問題
1. 研究屬於前瞻性或回溯性?
這會牽涉到統計結果的解釋，前瞻性可以定義出前後因果關係，回溯性只能知道兩者有相關但不知道因果關係。
無論是前瞻或回溯都需要考慮干擾因子的排除，以下一個經典例子供大家參考：吸菸者時常帶著打火機，所以一篇研究發現長期暴露在打火機的人有較高的機會罹患呼吸道疾病，請問這個結論是否怪怪的？這就是干擾因子需要排除重新分析的重要性，多數時候這些干擾可能不是那麼簡單被發現，像是採樣的年齡是不是都集中在一個區間?是不是剛好採到的都是同一性別等等...
2. 研究是否含有增加可信度的設計?
樣本數大小/雙盲/安慰組/是否排除干擾因子，特別是前瞻性研究多了著些設計研究可信度可說如虎添翼，直接被cited到不要不要，但設計越繁瑣通常樣本數也會被縮限就是了。
醫學性研究的可信程度大概分成：單一病例報告>回溯性研究[單一時間點>長期回顧]>前瞻性研究[時間、樣本數、盲測]
3. 統計的運用?
這點是很多臨床工作者最終會陷入的誤區，首先好的統計流程需要有下列幾個重點：
(1)族群樣本數是否夠大? 當樣本數不夠大時通常不能進行母數分析, 必須進行對顯著性更嚴格的無母數分析
(2)樣本數具的分布是否呈現常態分佈? 當樣本數據不是常態分布時必須進行無母數分析
(3)研究分析是顯著相關還是顯著差異?有差異不見得有相關/有相關不見得有差異/有相關那些關係數是多少?/沒有相關和沒有差異就是沒有意義?→當然不是，特別是回歸分析類只能呈現線性分布結果， 如果結果呈現指數或對數關係的話未必會有結果。其他有關顯著性的議題還有p<0.05，這個牽扯到流行病與統計分析較為深入的部分, 簡單來說p值只能說碰巧出現的可能性低於多少%，而0.05或5%只是人類定義出的一個可以接受的variation，對於數據結果本人並不能直接賦予＂很厲害或很有效＂的意義，像是臨床上有些藥物與安慰劑相較下能產生雖顯著影響，但在控制臨床症狀上仍是不理想，用我自己的話來翻譯翻譯就是：只能表示兩組間的variation都很小且不重疊所以有差異，他們兩者間可以就是1+/-0.0001和1.5+/-0.0001的差別，然後p<0.001之類的，但是看得到效果嗎？未必喔
4.最後就是檢視作者結論的合理性
綜合以上分析再次的好好的檢視作者的解釋合理嗎?根據研究的性質差異，也會有因果關係上的差別，最常被拿來開玩笑的就是：台灣是世界上珍珠奶茶販售密度最高的幾個國家之一，同時又發現2021台灣因為covi-19死亡人數占比低於世界平均值，那我們可以結論喝珍奶有助防疫嗎? 應該不是吧？！再剛好的時間區間限制的區域中都可能造成錯誤的建構因果關係，上述這個例子只能說兩者存在相關性，至於相關性個人的推測就是台灣這個地理地區同時包含適當防疫措施和一群愛喝手搖飲的族群。
同時要檢視我是不是陷入統計學的窠臼裡了?或是作者的統計484錯誤的? 越小眾的期刊越容易有這些問題喔，畢竟在Re文獻時未必有專門學統計的人幫忙看過。
為什麼會看到廣告
33會員
18內容數
留言0
查看全部
你可能也想看
Google News 追蹤
我們做實驗的目的，
往往是想要量化「確定的不確定性 Certain Uncertainty」。
什麼是「不確定性 Uncertainty」？
其實就是無法透過控制各種變因來控制下來的現象。
在做實驗的時候，
就算你已經把實驗條件盡量控制一樣了，
其實實驗的結果每次還是會有一些差異。
2-1 取得統計資料
統計學，指的就是搜集、整理、表現及分析資料的方法。
一般來說，當我們想要知道對於某件事，大眾的普遍想法時，我們可能會透過調查的方式，得到想要的答案。也就是說，我們可能透過問卷或者是電訪的方式，直接收集所要的母體資料。舉個例子來說，在總統選舉時，當侯選人舉辦政見發表會後，為了
前面說明了所謂「假設檢定」的邏輯，也就是推論統計的基礎。但前面都還只是概念的階段，目前沒有真正進行任何的操作──還沒有提到推論統計的技術。
這篇其實有點像是一個過渡，是將前面的概念銜接到下一篇t分數之間的過程，也可以說是稍微解釋一下t檢定怎麼發展出來的。
隨因為推論統計邏輯明顯有問題
心理學實驗看到的 p value是 P(Data| Hyptohesis), 也就是假設成立的情況下拿到這樣的資料的機率 以下是大家常見的推論步驟:
先設一個虛無假設 (H0)
拿資料, 算 p value ( = P(Data | Hypothesis)
適合訂閱的族群
自我學習時間不夠多的讀者，無法快速閱讀原文期刊或者書籍
看到統計就頭暈的讀者，本專題不會有繁雜的統計公式
英文程度尚在強化的族群，沒辦法了解論文架構者
對運動科學研究的最新現況有興趣的族群
對於統計分析不是很清楚的族群，無法瞭解統計結果背後所代表的含義或者是無法快速判斷究竟該使用什麼
選舉民調是預測選舉結果的重要工具。然而，如果我們不了解樣本和母體的概念，就很容易被民調結果誤導。
在本文中，我們將介紹樣本和母體的概念，以及它們對民調結果的影響。我們還將提供一些在閱讀民調報告時的注意事項。
接續上一篇，繼續來講如何從常態分布的機率進行假設檢定，進而推論母體的平均數吧！
這篇會提到否證的邏輯、魔法數字0.5以及統計檢定到底是什麼這三個主題。
在上一篇文章解釋了常態分布怎麼幫助我們計算事件發生的機率，而更之前也看過了抽樣分布是如何形成常態分布的過程，現在就要利用這兩件事情來慢慢帶出什麼是統計學中的「假設檢定」了。
我們常把研究分成量化與質性兩種不同的方法（當然不止這兩種方法），其中量化分析主要在討論變數與變數的關係，而質性分析則在變數間在的互動過程與事件。因此通常在進行質性研究時，我們需要收集大量田野調查或訪談資料。做過訪談的人都知道，訪談後需要反覆的聆聽訪談錄音並將其轉化為訪談逐字稿，這是一個大工程，還好現
研究問題是研究的出發點，有研究價值的問題指的是能回答、在研究者的能力範圍內，而且可以透過實際證據驗證的問題。
上野千鶴子教授在《如何做好研究論文》一書中說明：提出研究問題之後，要假設這一個研究問題過去一定也有人提過類似或相關的問題。常常有人認自己提出的是屬於原創性」問題，之前沒有任何人提過，上野教
我們做實驗的目的，
往往是想要量化「確定的不確定性 Certain Uncertainty」。
什麼是「不確定性 Uncertainty」？
其實就是無法透過控制各種變因來控制下來的現象。
在做實驗的時候，
就算你已經把實驗條件盡量控制一樣了，
其實實驗的結果每次還是會有一些差異。
2-1 取得統計資料
統計學，指的就是搜集、整理、表現及分析資料的方法。
一般來說，當我們想要知道對於某件事，大眾的普遍想法時，我們可能會透過調查的方式，得到想要的答案。也就是說，我們可能透過問卷或者是電訪的方式，直接收集所要的母體資料。舉個例子來說，在總統選舉時，當侯選人舉辦政見發表會後，為了
前面說明了所謂「假設檢定」的邏輯，也就是推論統計的基礎。但前面都還只是概念的階段，目前沒有真正進行任何的操作──還沒有提到推論統計的技術。
這篇其實有點像是一個過渡，是將前面的概念銜接到下一篇t分數之間的過程，也可以說是稍微解釋一下t檢定怎麼發展出來的。
隨因為推論統計邏輯明顯有問題
心理學實驗看到的 p value是 P(Data| Hyptohesis), 也就是假設成立的情況下拿到這樣的資料的機率 以下是大家常見的推論步驟:
先設一個虛無假設 (H0)
拿資料, 算 p value ( = P(Data | Hypothesis)
適合訂閱的族群
自我學習時間不夠多的讀者，無法快速閱讀原文期刊或者書籍
看到統計就頭暈的讀者，本專題不會有繁雜的統計公式
英文程度尚在強化的族群，沒辦法了解論文架構者
對運動科學研究的最新現況有興趣的族群
對於統計分析不是很清楚的族群，無法瞭解統計結果背後所代表的含義或者是無法快速判斷究竟該使用什麼
選舉民調是預測選舉結果的重要工具。然而，如果我們不了解樣本和母體的概念，就很容易被民調結果誤導。
在本文中，我們將介紹樣本和母體的概念，以及它們對民調結果的影響。我們還將提供一些在閱讀民調報告時的注意事項。
接續上一篇，繼續來講如何從常態分布的機率進行假設檢定，進而推論母體的平均數吧！
這篇會提到否證的邏輯、魔法數字0.5以及統計檢定到底是什麼這三個主題。
在上一篇文章解釋了常態分布怎麼幫助我們計算事件發生的機率，而更之前也看過了抽樣分布是如何形成常態分布的過程，現在就要利用這兩件事情來慢慢帶出什麼是統計學中的「假設檢定」了。
我們常把研究分成量化與質性兩種不同的方法（當然不止這兩種方法），其中量化分析主要在討論變數與變數的關係，而質性分析則在變數間在的互動過程與事件。因此通常在進行質性研究時，我們需要收集大量田野調查或訪談資料。做過訪談的人都知道，訪談後需要反覆的聆聽訪談錄音並將其轉化為訪談逐字稿，這是一個大工程，還好現
研究問題是研究的出發點，有研究價值的問題指的是能回答、在研究者的能力範圍內，而且可以透過實際證據驗證的問題。
上野千鶴子教授在《如何做好研究論文》一書中說明：提出研究問題之後，要假設這一個研究問題過去一定也有人提過類似或相關的問題。常常有人認自己提出的是屬於原創性」問題，之前沒有任何人提過，上野教