آزمایشگاه آزاد؛ بدون نیاز به ورود
گروه‌بندی تصادفی چطور سوگیری انتخاب رو کم می‌کنه؟
اگر گروه درمان از اول گیاه‌های متفاوتی داشته باشد، نمی‌فهمی اختلاف رشد از درمان آمده یا از خود گیاه‌ها. گروه‌بندی تصادفی این خطر را کم می‌کند، اما دو گروه را در یک آزمایش کوچک دقیقاً همسان نمی‌کند. این شبیه‌ساز چند گیاه ساختگی با توان اولیه‌ی متفاوت می‌سازد تا همین تفاوت را ببینی.
آزمایش رو شروع کنروش را روی تصادفی و تعداد را روی ۱۰ گیاه بگذار و اجرا کن. بعد روش دستی را امتحان کن؛ در این مدل انتخاب دستی یعنی خود شبیه‌ساز ضعیف‌ترها را برای درمان می‌گذارد. نتیجه‌ی یک اجرا را قانون همیشگی حساب نکن.
آزمایشگاه در حال آماده شدنه…
حالا خودت امتحان کن
هر بار فقط یک چیز رو تغییر بده تا اثرش رو ببینی. قبل از اجرا، نتیجه رو حدس بزن.
یک اجرای تصادفی با ۱۰ گیاه
روش تصادفی و تعداد ۱۰ را نگه دار و یک بار اجرا کن؛ میانگین درمان، کنترل و اختلافشان را بخوان.
حدست چیه؟ آیا میانگین‌ها حتماً برابر می‌شوند، یا ممکن است به‌خاطر ترکیب تصادفی کمی فرق داشته باشند؟
توضیح نتیجه رو ببین
مثلاً در یک اجرای نمونه، میانگین گروه درمان حدود ۲۳ سانتی‌متر، کنترل حدود ۲۰٫۶ و اختلاف حدود ۲٫۳ سانتی‌متر است. مدل به گیاه درمان‌شده ۲٫۵ سانتی‌متر اثر ثابت اضافه می‌کند؛ اختلافِ مشاهده‌شده می‌تواند به‌خاطر تفاوت تصادفیِ توان اولیه کمتر یا بیشتر شود.
حالا انتخابِ دستیِ مدل را ببین
بعد از اجرای اول، روش را روی دستی بگذار، تعداد را روی ۱۰ نگه دار و دوباره اجرا کن.
حدست چیه؟ اگر گیاه‌های ضعیف‌تر در گروه درمان و قوی‌ترها در کنترل باشند، اختلاف میانگین‌ها چه برداشتی می‌سازد؟
توضیح نتیجه رو ببین
در یک نمونه‌ی این تنظیم، میانگین درمان حدود ۲۰٫۷ و کنترل حدود ۲۱٫۶ سانتی‌متر است؛ اختلاف منفیِ حدود ۰٫۹ سانتی‌متر دیده می‌شود، با اینکه مدل به درمان ۲٫۵ سانتی‌متر اضافه کرده. روش «دستی» اینجا خودکار ضعیف‌ترها را به درمان می‌فرستد؛ این نمونه‌ی ساختگی یک نوع سوگیری را اغراق‌آمیز نشان می‌دهد.
با ۲۰ گیاه یک نمونه‌ی تازه بساز
روش را دوباره تصادفی کن، تعداد را به ۲۰ برسان و یک بار اجرا کن.
حدست چیه؟ آیا یک اجرای تصادفیِ بزرگ‌تر هم ممکن است اختلافی دور از ۲٫۵ سانتی‌متر نشان دهد؟
توضیح نتیجه رو ببین
مثلاً در یک اجرای نمونه با ۲۰ گیاه، میانگین درمان حدود ۲۰٫۶، کنترل ۱۹٫۳ و اختلاف ۱٫۳ سانتی‌متر است. گروه بزرگ‌تر به‌تنهایی نتیجه‌ی یک اجرای مشخص را تضمین نمی‌کند؛ باید چند تکرار را کنار هم دید و از یک بار اجرا قانون همیشگی نساز.
پشت این حرکت چه خبره؟
تصادفی‌سازی انتخابِ گروه را از سلیقه جدا می‌کند
در آزمایش، گیاه‌ها یا نمونه‌های موجود با یک روش تصادفی بین درمان و کنترل پخش می‌شوند. این کار در تکرارها به کم‌شدن سوگیریِ انتخاب کمک می‌کند؛ اما در یک گروه کوچک ممکن است گیاه‌های قوی‌تر یا ضعیف‌تر تصادفاً در یک سمت جمع شوند. تصادفی‌کردن به معنی همسان‌کردن دقیق دو گروه نیست.
اختلاف میانگین، اثر درمان به‌اضافه‌ی تفاوت اولیه است
difference = treatment_mean - control_mean
در این مدل، به ارتفاع هر گیاهِ گروه درمان ۲٫۵ سانتی‌متر اضافه می‌شود. میانگین دو گروه علاوه بر این اثر، از توان اولیه‌ی گیاه‌هایی که تصادفاً به هر گروه افتاده‌اند هم اثر می‌گیرد؛ برای همین اختلاف یک اجرای تصادفی الزاماً دقیقاً ۲٫۵ نیست.
«دستی» در این مدل یعنی انتخاب واقعیِ تو نیست
اگر روش دستی را بزنی، شبیه‌ساز خودش گیاه‌های ضعیف‌تر را در گروه درمان و قوی‌ترها را در کنترل می‌گذارد. در یک آزمایش واقعی، پژوهشگر می‌تواند شکل‌های مختلفی از انتخاب ناعادلانه داشته باشد؛ این فقط یک نمونه‌ی نمایشی از سوگیری است.
شاخص سوگیری، سنجه‌ی کاملِ تعادل گروه‌ها نیست
bias = clamp((baseline_control_mean - baseline_treatment_mean) / 8, 0, 1)
این شاخص فقط در حالت دستی از فاصله‌ی میانگین توان اولیه‌ی دو گروه ساخته می‌شود. در حالت تصادفی همیشه صفر است، حتی اگر دو گروه در همان اجرای کوچک کمی تفاوت اولیه داشته باشند؛ پس صفر را مدرکِ همسانی کامل نخوان.
گیاه‌های نمودار، اندازه‌گیری واقعی نیستند
15 <= h_i < 23; effect = 2.5 cm
مدل برای هر گیاه یک ارتفاع ساختگی بین ۱۵ و ۲۳ سانتی‌متر می‌سازد و بعد اثر ثابتی به گروه درمان می‌دهد. رقم‌ها برای تمرینِ طراحی آزمایش‌اند؛ رشد گیاه واقعی به گونه، خاک، آب، نور و زمان بستگی دارد.
سؤالت رو بپرس، جوابش رو هم ببین
وقتی توی چت دربارهٔ یک مفهوم درس می‌خونی، دستیار هوش مصنوعی می‌تونه شبیه‌سازی مرتبط رو کنار توضیحش نشون بده. پارامترها رو تغییر می‌دی و با کمک توضیح بعدی، نتیجه رو بهتر می‌فهمی.
شروع یادگیری با چتبرای ادامه در چت، وارد مسیر شروع و ورود می‌شی. نتیجهٔ این آزمایش به چت منتقل نمی‌شه.
نمونهٔ نمایشی از آموزش در چت
اگه روش تصادفیه، چرا اختلاف دو گروه دقیقاً ۲٫۵ سانتی‌متر نیست؟
چون ۲٫۵ سانتی‌متر اثر ثابتی است که مدل به هر گیاه درمان‌شده اضافه می‌کند، اما هر گروه ترکیب تصادفیِ خودش را از ارتفاع‌های اولیه می‌گیرد. در یک اجرای کوچک، این تفاوت اولیه می‌تواند اختلاف میانگین را کمی بالا یا پایین ببرد؛ تصادفی‌سازی تضمین نمی‌کند هر دو گروه دقیقاً هم‌شکل باشند.
سؤال‌های رایج
گروه‌بندی تصادفی با انتخاب تصادفیِ گیاه‌ها یکیه؟
نه. انتخاب نمونه‌ی تصادفی یعنی انتخاب افراد برای حضور در آزمایش؛ گروه‌بندی تصادفی یعنی تقسیم نمونه‌ی موجود بین درمان و کنترل. این شبیه‌ساز فقط تقسیم بین دو گروه را نشان می‌دهد.
تصادفی‌سازی دو گروه رو دقیقاً برابر می‌کنه؟
نه. در بلندمدت به کم‌شدن تفاوتِ سیستماتیک کمک می‌کند، اما یک تقسیم تصادفی ممکن است گیاه‌های قوی‌تر یا ضعیف‌تر بیشتری به یک گروه بدهد. گروه کوچک بیشتر می‌تواند از این تفاوتِ شانسی اثر بگیرد.
در گزینه‌ی دستی، خودم باید گیاه‌ها رو انتخاب کنم؟
نه. این گزینه خودش ضعیف‌ترها را برای درمان و قوی‌ترها را برای کنترل می‌چیند تا یک نمونه‌ی مشخص از سوگیری را نشان دهد. انتخاب دستی در پژوهش واقعی شکل‌های زیادی دارد.
چرا گاهی میانگین درمان از کنترل کمتر می‌شه؟
در حالت دستی، گیاه‌های ضعیف‌تر از اول به درمان می‌روند؛ در حالت تصادفی هم ممکن است تفاوت اولیه شانسی باشد. اثر ۲٫۵سانتی‌متری مدل می‌تواند از این اختلاف اولیه کوچک‌تر شود.
شاخص سوگیری صفر یعنی گروه‌ها دقیقاً همسان‌اند؟
نه. در گزینه‌ی تصادفی این شاخص به‌طور ثابت صفر می‌شود و تفاوت اولیه‌ی همان اجرا را نمی‌سنجد. برای همین صفر را تضمینِ تعادل کامل ندان.
چرا باید آزمایش را چند بار تکرار کنم؟
چون گیاه‌ها و تقسیم تصادفی هر بار فرق می‌کنند؛ چند تکرار کمک می‌کند نوسانِ یک نمونه را با الگویی که در میان اجراها دیده می‌شود اشتباه نگیری. این شبیه‌ساز خودش خلاصه‌ی چند اجرا را حساب نمی‌کند.