Escolar Documentos
Profissional Documentos
Cultura Documentos
conhecimento humano
Por Jim Frost Deixe um Comentário
Minha experiência inclui trabalhar em projetos científicos como o cara dos dados. Nessas
posições, eu era responsável por estabelecer procedimentos válidos de coleta de dados, coletar
dados utilizáveis e analisar estatisticamente e apresentar os resultados. Neste post, descrevo a
emoção de ser um estatístico ajudando a expandir os limites do conhecimento humano, o que
aprendi sobre estatística aplicada e análise de dados durante o primeiro grande projeto da minha
carreira e os desafios ao longo do caminho!
Ir além dos limites do conhecimento humano parece um lugar empolgante para trabalhar. E isso
é! Cientistas e analistas fazem isso todos os dias. No entanto, isso não significa que você sempre
ouvirá sobre nosso trabalho nas notícias. As perguntas e respostas são novas, mas nem sempre
dignas de publicação. Portanto, a maioria de nós trabalha no anonimato. Aos poucos, os
cientistas usam as estatísticas para empurrar a bolha do conhecimento humano cada vez mais
para longe, à medida que fazem descobertas. Registramos os resultados no número cada vez
maior de artigos de periódicos. Os pesquisadores estudam esses artigos e fazem novas
perguntas adicionais. Desse modo, recuamos a fronteira do que é conhecido.
Ter dados válidos é um pré-requisito para usar todas as ferramentas fantásticas que o software
estatístico oferece. Como os pesquisadores trabalham com questões que a ciência não
respondeu, não é surpreendente que encontremos obstáculos para coletar dados
úteis. Freqüentemente, esses são problemas novos. Na verdade, os pesquisadores podem nunca
ter coletado um tipo específico de dados antes. A coleta de um novo tipo de dados requer que os
cientistas aprendam como coletá-los de maneira precisa e precisa antes mesmo de começarmos
a responder à principal questão de pesquisa. Em dias bons, você pode felizmente pensar nessas
dificuldades como desafios criativos. Em alguns dias, parecia que estava resolvendo um
problema após o outro. Afinal, estamos tentando gerar dados legais e simples que possamos
analisar, mas a realidade é confusa.
Coletar dados válidos é um processo , não um único evento de medição. Este processo requer
que você tenha procedimentos padrão e instrumentos de medição que trabalhem juntos em
perfeita harmonia para produzir dados que você verifica ativamente como corretos. Se você tem
um processo ruim ou um instrumento imperfeito, seus dados estão corrompidos. Tudo tem que
ser perfeito. Você deve estar diretamente envolvido nos detalhes essenciais do processo e nas
medições para garantir a perfeição.
Postagem relacionada : 5 etapas para a realização de estudos científicos com análises
estatísticas
Também tínhamos uma enfermeira em tempo integral no projeto que interagia com os sujeitos
diariamente. Ela forneceu feedback sobre a adequação do uso de nossos dispositivos e
avaliações de pesquisa, administrou as pesquisas e ajustou o equipamento de monitoramento em
nossos assuntos. Fora desse meio, tive que garantir que produzíssemos uma montanha de
muitos tipos diferentes de dados confiáveis. Foi um ato de equilíbrio!
Bons dados são um capataz severo. Eu era mais uma pessoa de números, mas apenas saber
estatísticas não é bom o suficiente. Nenhuma análise estatística pode salvá-lo se você tiver dados
ruins. Por causa dos dados utilizáveis, aprendi muitas novas habilidades e rapidamente coloquei
as mãos na massa nos minúsculos detalhes da coleta de dados.
Há muito trabalho a ser feito antes mesmo de você começar a coletar dados.
Como parte do estudo de densidade óssea, planejamos medir a atividade de cada sujeito. Nossos
participantes deveriam usar monitores de atividade por 12 horas, em dias programados
aleatoriamente, várias vezes por ano. Esses monitores de atividade usam acelerômetros para
medir o movimento. Eles são sofisticados o suficiente para distinguir ações humanas naturais de
tipos de movimentos artificiais, como andar de carro. Eles também são muito duráveis e fáceis de
usar - o pesquisador não ajusta nada. E foram bem validados na literatura científica usando
análises muito sofisticadas.
Resumindo, ninguém esperava problemas com esses dispositivos confiáveis. Achei que seria um
lugar bom e simples para começar a verificar as medições antes do estudo para evitar problemas
mais tarde. Ele foi um excelente lugar para começar, mas não é tão simples como esperado!
Para coletar bons dados, você precisa de procedimentos padrão para configurar e usar
equipamentos de medição. Então, eu queria estabelecer esses padrões para os monitores de
atividades. Os participantes usam esses dispositivos em um cinto em volta da cintura. Uma boa
prática é padronizar a posição dos dispositivos na cintura - as leituras não devem ser maiores ou
menores entre os sujeitos por causa do posicionamento inconsistente.
Não havia literatura sobre as diferenças de posicionamento, então fiz meu próprio estudo
piloto. Desta vez, fiz com que os participantes usassem vários dispositivos ao redor da cintura. Eu
queria quantificar o risco potencial envolvido, vendo o quanto as leituras variariam por posição em
cada participante.
Conforme os dados chegavam, parecia que o posicionamento era essencial. As leituras alta e
baixa costumavam ser diferentes em 15%. Essas diferenças eram mais do que eu esperava, mas
não havia nenhuma pesquisa para compará-las na época. No entanto, a coleta de mais dados
forneceu uma visão. O padrão posicional de valores altos e baixos variou de sujeito para
sujeito. Finalmente, tornou-se evidente que, embora o padrão fosse inconsistente entre os
assuntos, era consistente entre os dispositivos.
Em outras palavras, vários de nossos monitores tendiam a ler muito baixo, em vários graus.
Essa experiência foi perturbadora e positiva. Foi enervante porque confirmou meus medos: algo
de que você definitivamente sente falta pode voltar e morder você mais tarde - mesmo quando
você está lidando com uma situação simples. Além disso, alguns problemas de dados são
sutis. Eles não aparecem até que você verifique os dados de várias maneiras diferentes. Também
foi uma experiência positiva porque me manteve alerta e pronto para desafios maiores em
estatística aplicada que estavam por vir!
Leia sobre outro problema de coleta de dados que encontrei durante este projeto em minha
postagem sobre o uso de gráficos de controle com testes de hipótese .