Viva_academy

برای اینکه این دو تا مفهوم رو برای همیشه تو ذهنتون هک کنید، معروف‌ترین مثال دنیای پزشکی رو با هم مرور می‌کنیم:

🔴 خطای نوع اول (خطای alpha): مثبت کاذب
•  تعریف ساده: داروی جدید شما در واقعیت هیچ اثری نداره، اما تست آماری شما اشتباهاً میگه «جواب داد! دارو موثره!» (رد کردن اشتباه فرض صفر).
•  مثال: پزشکی که به یک مرد نگاه می‌کنه و میگه: «تبریک میگم، شما باردار هستید!» 🫃
•  نکته: این همون خطایی هست که با alpha یا P-value کنترلش می‌کنیم (معمولاً روی 0.05 تنظیم میشه). یعنی فقط ۵٪ به خودمون اجازه میدیم همچین سوتی خطرناکی بدیم!

🔵 خطای نوع دوم (خطای beta): منفی کاذب
•  تعریف ساده: داروی جدید شما در واقعیت به شدت موثره و میتونه جون آدم‌ها رو نجات بده، اما تست آماری شما نمیتونه این اثر رو پیدا کنه و میگه «بی‌اثره»! (پذیرش اشتباه فرض صفر).
•  مثال طلایی: پزشکی که به یک خانم باردار ۹ ماهه میگه: «نه خانم، شما باردار نیستید، فقط نفخ کردید!» 🤰
•  نکته: این خطا با توان آزمون در ارتباطه. دلیل اصلی رخ دادن خطای نوع دوم، کم بودن حجم نمونه هست. یعنی اونقدر داده نداشتید که بتونید اثر واقعی رو اثبات کنید.

⚖️ الاکلنگ آمار:
شما نمی‌تونید همزمان خطای نوع اول و نوع دوم رو به صفر برسونید. وقتی سخت‌گیری رو زیاد می‌کنید که مثبت کاذب ندید، احتمال اینکه منفی کاذب بدید بالا میره! هنر یک پژوهشگر پیدا کردن تعادل بین این دوتاست. ویوا آکادمی کمکت می‌کنه تا این تعادل رو پیدا کنی.

#آموزش_کوتاه

https://t.me/viva_academi

🚨 خطای alpha و beta

تو دنیای پژوهش علوم پزشکی، ما هیچ‌وقت ۱۰۰٪ از چیزی مطمئن نیستیم؛ ما همیشه در حال قضاوت بر اساس «احتمالات» و «نمونه‌ها» هستیم. و همین‌جاست که پای دو تا از ترسناک‌ترین تله‌های آماری به مقالات ما باز میشه: خطای نوع اول (alpha) و خطای نوع دوم (beta).

📍پست بعدی...

https://t.me/viva_academi

برای اینکه بهتر درکش کنیم، بیاید بریم سراغ یک مثال ملموس:

فرض کنید میخوایم شیوع افسردگی رو تو رزیدنت‌های یک بیمارستان بررسی کنیم. تصمیم می‌گیریم پرسشنامه‌ها رو ساعت ۷ صبح روز جمعه تو پاویون پخش کنیم. چه اتفاقی می‌افته؟
شما فقط رزیدنت‌هایی رو می‌بینید که اون روز شیفت هستن یا انرژی بیدار شدن داشتن! رزیدنتی که به خاطر افسردگی شدید اصلاً از تخت بیرون نیومده یا مرخصی استعلاجی گرفته، تو مطالعه شما نیست. پس در نتیجه آمار افسردگی تو مقاله شما به شکل کاذبی پایین درمیاد و داور مقاله رو ریجکت میکنه! 📉

🛡 چطور از این تله فرار کنیم؟
1. تصادفی‌سازی: نمونه‌ها باید به صورت کاملاً راندوم انتخاب بشن، نه صرفاً کسانی که در دسترس‌تر هستن.
2. تعریف دقیق معیارها: معیارهای ورود و خروج باید قبل از شروع کار به صورت مو به مو و کاملاً شفاف نوشته بشن.

#آموزش_کوتاه

https://t.me/viva_academi

🚨 سوگیری انتخاب

یکی از خطرناک‌ترین قاتل‌های خاموش مقالات علوم پزشکی رو می‌شناسید؟ شما می‌تونید بهترین نرم‌افزارهای آماری رو داشته باشید و دقیق‌ترین تست‌ها رو بگیرید، اما اگر خشت اول (یعنی انتخاب بیماران) کج باشه، تا ثریا می‌رود دیوار کج!

به این پدیده تو دنیای پژوهش میگیم سوگیری انتخاب یا Selection Bias. یعنی نمونه‌هایی که برای مطالعه انتخاب کردید، نماینده واقعی جامعه هدف شما نیستند.

📍پست بعدی...

https://t.me/viva_academi

❌ بزرگترین اشتباه رایج:
خیلیا دقیقاً همون کلماتی که تو عنوان مقاله هست رو کپی می‌کنن تو بخش کلمات کلیدی! موتورهای جستجو عنوان شما رو به هر حال ایندکس می‌کنن. کلمات کلیدی در واقع شانس دوباره‌ی شما برای دادن «آدرس‌های جدید و مترادف» به موتور جستجو هستن. این فرصت رو نسوزونید!

✅ راه‌حل طلایی: ورود به دنیای MeSH
در علوم پزشکی، ما یک دیکشنری استاندارد و قدرتمند داریم به نام MeSH (مخفف Medical Subject Headings). پاب‌مد از این سیستم استفاده می‌کنه تا مقالات رو دسته‌بندی کنه.

مثال میزنم: شما تو مقاله نوشتی Heart Attack، اما دیتابیس پاب‌مد به شما میگه استاندارد علمیش میشه Myocardial Infarction. اگر این معادل استاندارد رو تو کلمات کلیدی نیارید، کاربرانی که با زبان علمی سرچ می‌کنن رو از دست میدین!

🛠 چطور مثل حرفه‌ای‌ها کلمه کلیدی انتخاب کنیم؟
۱. برید تو سایت پاب‌مد و از منوی پایین، بخش MeSH Database رو باز کنید.
۲. مفاهیم اصلی مقاله‌تون (حتی همون کلمات عنوان) رو اونجا سرچ کنید.
۳. ببینید پاب‌مد چه کلمات استانداردی (معادل‌های دقیق علمی یا Entry Terms) رو بهتون پیشنهاد میده.
۴. ترکیبی از این کلمات MeSH رو به عنوان Keywords مقاله‌تون انتخاب کنید تا مقاله‌تون تو هر سرچ مرتبطی مثل الماس بدرخشه!

#آموزش_کوتاه

https://t.me/viva_academi

🔍 جادوی MeSH

بدترین اتفاق برای یک پژوهشگر اینه که ماه‌ها زحمت بکشه، مقاله تو یه ژورنال خوب چاپ بشه، اما تو سرچ‌های پاب‌مد بالا نیاد! دلیل اصلی این فاجعه، انتخاب اشتباه و سرسری کلمات کلیدی (Keywords) هست.

📍پست بعدی...

https://t.me/viva_academi

📈 ۱. رگرسیون خطی: پیش‌بینی یک «مقدار دقیق»
وقتی خروجی یا نتیجه‌ای که دنبالشیم یه «عدد پیوسته» باشه، میریم سراغ رگرسیون خطی.
💉 مثال بالینی: می‌خوایم پیش‌بینی کنیم که بر اساس سن و شاخص توده بدنی (BMI) بیمار، میزان دقیق قند خون ناشتا (FBS) چند میلی‌گرم بر دسی‌لیتر خواهد بود. خروجی یه عدده (مثلاً 105).

⚖️ ۲. رگرسیون لجستیک: پیش‌بینی «صفر و یک»
وقتی خروجی ما حالت دسته‌ای یا دوگانه داره (مثل Yes/No یا Success/Failure)، پای رگرسیون لجستیک میاد وسط.
🫀 مثال بالینی: می‌خوایم پیش‌بینی کنیم که آیا این بیمار با توجه به سابقه مصرف سیگار و کلسترول خونش، در 5 سال آینده دچار سکته قلبی می‌شود یا خیر؟ خروجی فقط دو حالته: بله یا خیر (ابتلا یا عدم ابتلا).

🩺 چرا رگرسیون لجستیک برای کادر درمان و پزشکان مهمه؟

چون دنیای بالین، بیشتر اوقات دنیای تصمیمات صفر و یکه!
پزشک‌ها معمولاً می‌خوان بدونن:
• آیا بیمار زنده می‌مونه یا فوت می‌کنه؟
• آیا تومور بدخیمه یا خوش‌خیم؟
• آیا دارو اثر کرد یا نکرد؟

به علاوه، رگرسیون لجستیک به ما یه شاخص طلایی به اسم نسبت شانس یا OR میده که تو مقالات علوم پزشکی به شدت محبوبه و نشون میده فلان فاکتور خطر، چند برابر شانس ابتلا به بیماری رو بالا می‌بره.

#آموزش_کوتاه
https://t.me/viva_academi

🔮 پیشگویی به کمک علم آمار

رگرسیون تو دنیای آمار مثل یه گوی پیشگو عمل میکنه و به ما کمک میکنه بر اساس دیتای زمان حال، اتفاقات آینده رو پیش‌بینی کنیم. اما بین دو مدل اصلی رگرسیون، یعنی خطی و لجستیک، یه تفاوت خیلی مهم وجود داره.

📍پست بعدی...

https://t.me/viva_academi

🎯 ۱. مقدمه (Introduction): 👈 بیشتر معلوم
اینجا باید قلاب رو بندازید. وقتی می‌خواید هدف مطالعه رو بگید، محکم و با اعتماد به نفس بنویسید.

✅ درست:

We investigated the effect of Drug X.

❌ نادرست (ضعیف):

The effect of Drug X was investigated.

🧪 ۲. مواد و روش‌ها (Methods): 👈 مطلقاً مجهول
اینجا ستاره‌ی داستان «شما» نیستید، بلکه «پروسه آزمایش و بیماران» هستن! داور اصلاً براش مهم نیست «شما» خون گرفتید، مهم اینه که خون «گرفته شده است».

✅ درست:
Blood samples were collected after 12 hours.

📊 ۳. نتایج (Results): 👈 ترکیبی (بیشتر مجهول)
اینجا تمرکز روی دیتای به دست اومده است. پس معمولاً مجهول می‌نویسیم تا توجه روی متغیرها و اعداد بمونه.

✅ مثال:
A significant increase in heart rate was observed.

🗣 ۴. بحث و نتیجه‌گیری (Discussion & Conclusion) 👈 بیشتر معلوم
وقتی دارید از دستاوردهاتون دفاع می‌کنید یا یافته‌ها رو تفسیر می‌کنید، از جملات معلوم استفاده کنید تا نشان‌دهنده مالکیت و قطعیت شما باشه.

✅ مثال:
Our findings strongly demonstrate that.

⚠️ قانون طلایی: جملات معلوم همیشه کوتاه‌تر و جذاب‌تر هستن. داورها از متن‌های پر از جملات مجهول و طولانی خسته میشن. هر جا تو بخش مقدمه یا بحث حس کردید جمله‌تون خیلی ثقیل شده، سریع تبدیلش کنید به معلوم!

#آموزش_کوتاه

https://t.me/viva_academi

✍️ قانون نانوشته‌ی ژورنال‌ها برای هر بخش مقاله

سال‌ها به ما گفتن متن علمی باید خشک، رسمی و کاملاً «مجهول» (Passive) باشه. اما ژورنال‌های مدرن علوم پزشکی (حتی غول‌هایی مثل نیچر و لنست) الان عاشق جملات «معلوم» (Active) هستن چون خواناتر و کوبنده‌تره!

اما راز تایید شدن مقاله اینه: هر بخش مقاله، ساختار خودش رو می‌طلبه! بریم ببینیم کجای مقاله باید از کدوم لحن استفاده کنیم.

📍پست بعدی...

https://t.me/viva_academi

بیاید نمودار کاپلان-مایر رو به زبان ساده بررسی کنیم:

🎯 ۱. مفهوم زمان تا رویداد
کاپلان-مایر فقط با یک سوال کار داره: «چقدر طول میکشه تا یک اتفاق خاص بیفته؟»
این «اتفاق» لزوماً مرگ نیست. میتونه اتفاقات زیر باشه:
• چقدر طول میکشه تا بیمار بعد از جراحی مرخص بشه؟ (اتفاق مثبت)
• چقدر طول میکشه تا تومور دوباره عود کنه؟
• چقدر طول میکشه تا داروی مسکن اثر کنه؟

📉 ۲. چرا نمودارش پله‌ایه؟
هر بار که اون «اتفاق» برای یکی از بیمارهای تحت مطالعه رخ میده (مثلا یک نفر فوت میکنه یا یک نفر مرخص میشه)، نمودار یک پله میاد پایین. هرچی پله‌ها زودتر و تندتر بیان پایین، یعنی اون اتفاق داره سریع‌تر تو جمعیت شما رخ میده.

✂️ ۳. قدرت مخفی کاپلان-مایر: دیتای سانسور شده!
فرض کنید تو یک مطالعه 5 ساله، یک بیمار تو سال سوم مهاجرت میکنه و دیگه جواب تلفن محقق رو نمیده! حالا باید دیتای این آدم رو کامل دور بریزیم؟
خیر! نقطه قوت کاپلان-مایر اینه که دیتای این فرد رو تا همون سال سوم (به عنوان دیتای سانسور شده) تو تحلیل نگه می‌داره و زحمات شما هدر نمیره.

💡 کاربرد در کارآزمایی‌های بالینی (RCT):
وقتی می‌خواید دو تا دارو رو مقایسه کنید. مثلاً نمودار بقای داروی A رو با داروی B تو یک گراف می‌کشید. اگه فاصله بین پله‌های دو تا نمودار زیاد باشه (و از نظر آماری معنادار بشه)، داور مقاله می‌فهمه که یکی از داروها به شکل چشمگیری زمان زنده موندن (یا بهبودی) رو تغییر داده.

🆔 @VivaAcademy

#آموزش_کوتاه

⏳ نمودار Kaplan-Meier چیو نشون میده؟

وقتی اسم «تحلیل بقا» میاد، همه ناخودآگاه یاد سرطان و مرگ‌ومیر میفتن. اما نمودار معروف و پله‌ایِ کاپلان-مایر کاربردی خیلی وسیع‌تر از این حرف‌ها تو مقالات علوم پزشکی داره!

📍پست بعدی...

https://t.me/viva_academi

بیاید با «مثال قد دانشجوهای یک کلاس» این پرونده رو برای همیشه ببندیم:

📏 ۱. انحراف معیار (Standard Deviation − SD)
انحراف معیار، پراکندگی «داده‌های نمونه» شما رو نشون میده.
فرض کنید قد بچه‌های کلاس رو اندازه گرفتیم. SD به ما میگه قد این بچه‌ها چقدر با هم فرق داره؟ یکی 160 سانتی‌متره، یکی 190. هرچی SD بزرگتر باشه، یعنی اختلاف و پراکندگی قد تو این کلاس بیشتره.

🎯 ۲. خطای معیار (Standard Error − SE)
خطای معیار، دقت «میانگین نمونه» شما رو نسبت به کل جامعه نشون میده.
فرض کنید میانگین قد این کلاس شده 175 سانتی‌متر. SE به ما میگه این عدد چقدر به میانگین قد «کل دانشجوهای دانشگاه» (جامعه اصلی) نزدیکه؟ طبیعتاً هرچی حجم نمونه شما بزرگتر باشه، SE کوچیک‌تر میشه و دقت شما بالاتره.

💡 قانون کاربردی برای مقاله‌نویسی:

✅ کی از SD استفاده کنیم؟
وقتی می‌خواید تو جدول دموگرافیک (جدول شماره یک مقاله)، ویژگی‌های نمونه خودتون (مثل سن، وزن، قد) رو توصیف کنید. (به فرمت Mean±SD)

✅ کی از SE استفاده کنیم؟
وقتی می‌خواید تو نمودارها نشون بدید که برآورد میانگین‌تون چقدر دقیق هست، یا وقتی می‌خواید میانگین دو گروه (مثلا گروه کنترل و مداخله) رو با هم مقایسه کنید.

#آموزش_کوتاه

https://t.me/viva_academi

📊 بالاخره تو نمودار SD بزنیم یا SE؟

یکی از رایج‌ترین سوالات موقع کشیدن نمودارها (مخصوصا تو مقالات علوم پزشکی) اینه که اون خط‌های کوچیک بالا و پایین ستون‌ها (Error bars) رو بر چه اساسی تنظیم کنیم؟ انحراف معیار (SD) یا خطای معیار (SE)؟ داور به کدوم گیر میده؟

📍پست بعدی...

https://t.me/viva_academi

🥇 نویسنده اول: سرباز خط مقدم
کسی که بیشترین زحمت فیزیکی و فکری رو کشیده، ایده رو پیاده کرده، دیتا جمع کرده، آنالیز کرده و درفت (پیش‌نویس) اولیه مقاله رو نوشته.
مزیت: برای اپلای کردن، گرفتن فاند تحصیلی یا رزومه مصاحبه تخصص، داشتن مقالاتی که توشون نویسنده اول هستید، یک امتیاز طلایی و تعیین‌کننده‌ است.

📮 نویسنده مسئول: فرمانده عملیات
معمولاً استاد راهنما یا منتور ارشد تیمه. کسی که شاید تو جمع‌آوری دیتا تو بیمارستان کمتر همکاری کرده باشه، اما مسئولیت قانونی تمام محتوای مقاله، سابمیت کردن، پاسخ به داورها و ارتباط با ژورنال با ایشونه.
نکته مهم: اگر 5 سال بعد کسی بگه دیتای این مقاله ساختگیه، ژورنال یقه «نویسنده مسئول» رو می‌گیره! برای اساتید، نویسنده مسئول بودن نشونه لیدر بودن و برای ارتقای رتبه آکادمیک حیاتیه.

⚖️ جمع‌بندی به سبک ویوا:
اگر دانشجو یا پژوهشگر تازه‌کار هستید، تمام تمرکزتون رو بذارید روی نویسنده اول شدن. نقش نویسنده مسئول رو بسپارید به استادی که اعتبار علمی بالاتری داره.

#آموزش_کوتاه

https://t.me/viva_academi

🥊 نویسنده اول یا نویسنده مسئول؟

توی دنیای پژوهش علوم پزشکی، جایگاه شما در لیست نویسندگان مقاله، وزن اعتبار شما رو نشون میده. یکی از پرتکرارترین سوالاتی که بچه‌های کادر درمان و دانشجوها می‌پرسند اینه: «بالاخره First Author بشم یا Corresponding؟»

امروز #به_زبان_آدمیزاد این دعوای شیرین مقاله‌نویسی رو حل می‌کنیم!

📍پست بعدی...

https://t.me/viva_academi

🔢 ونکوور: سبک مینیمال و محبوب کادر درمان
تو این روش، رفرنس‌ها با عدد (توی پرانتز، کروشه یا به صورت بالانویس) داخل متن مشخص میشن.
مثال: "شیوع دیابت در ایران رو به افزایش است [1]."
کجا طرفدار داره؟ این سبک، عشقِ بی‌چون‌وچرای ژورنال‌های بالینی، پزشکی، داروسازی و زیست‌شناسیه. ژورنال‌های بزرگی مثل Lancet یا BMJ این مدلی کار می‌کنند.
چرا؟ متون پزشکی پر از اصطلاحات تخصصی و طولانیه. وقتی وسط متن اعداد 1 تا 3 رو می‌بینید، سرعت خوندنتون پایین نمیاد و فضای کمتری هم اشغال میشه. خواننده اگر بخواد، میره ته مقاله لیست شماره‌ها رو نگاه می‌کنه.

✍️ هاروارد: سبک اسم و رسم‌دار
تو این روش که بهش Author-Date هم میگن، خبری از عدد نیست؛ بلکه اسم نویسنده و سال انتشار مستقیم میاد تو متن مقاله.
مثال: "شیوع دیابت در ایران رو به افزایش است (احمدی و همکاران، 2025)."
کجا طرفدار داره؟ بیشتر تو ژورنال‌های علوم انسانی، روان‌شناسی، جامعه‌شناسی پزشکی و گاهی پرستاری یا بهداشت عمومی.
چرا؟ تو این رشته‌ها، اینکه چه کسی و تو چه سالی اون حرف رو زده، به اندازه خودِ حرف مهمه! خواننده همون لحظه تو متن می‌فهمه رفرنس چقدر جدید و متعلق به کدوم تئوریسین یا پژوهشگره.

💡یک نکته از اتاق عملیات:
اصلاً و ابداً خودتون رو درگیر حفظ کردن نقطه و کامای این سبک‌ها نکنید! نرم‌افزارهای مدیریت رفرنس مثل EndNote ، Mendeley یا Zotero با یک کلیک، کل مقاله شما رو از ونکوور به هاروارد (یا برعکس) تغییر میدن.
تنها کاری که شما باید بکنید اینه که برید تو سایت ژورنال هدف، بخش Author Guidelines (راهنمای نویسندگان) رو باز کنید و ببینید ژورنال دقیقاً چه سبکی رو از شما خواسته.

#آموزش_کوتاه

https://t.me/viva_academi

📚 هاروارد یا ونکوور؟

توی مسیر مقاله‌نویسی، وقتی به بخش شیرین (و گاهی اعصاب‌خردکن!) رفرنس‌دهی می‌رسیم، معمولاً با دو تا اسم مواجه می‌شیم: ونکوور و هاروارد. خیلی از دانشجوها می‌پرسند «اصلاً فرق اینا چیه و چرا ژورنال‌ها اینقدر روشون حساسن؟»

امروز #به_زبان_آدمیزاد این گره رو باز می‌کنیم تا بدونید برای ژورنال‌های علوم پزشکی باید از کدوم استفاده کنید.

📍پست بعدی...

https://t.me/viva_academi

• شناسه ORCID (بخوانید اُرکید) چیست؟

ارکید مخفف Open Researcher and Contributor ID است. اما #به_زبان_آدمیزاد یعنی:
یک کد 16 رقمی اختصاصی که مثل شماره ملی یا اثر انگشت علمی شما عمل می‌کند.

چرا داشتن این کد از نون شب برای پژوهشگر واجب‌تره؟

1️⃣ خداحافظی با تشابه اسمی: دیگر مهم نیست اسمتان را در مقاله A. Mohammadi بنویسند یا Ali Mohammadi. این کد تمام مقالات شما را مثل یک نخ تسبیح به هم وصل می‌کند.
2️⃣ رزومه اتوماتیک: ارکید به دیتابیس‌های بزرگ (مثل Scopus و Web of Science) متصل می‌شود. مقاله که چاپ شد، رزومه شما خودکار آپدیت می‌شود!
3️⃣ شرط عبور از گیت داوری: امروزه ۹۰٪ ژورنال‌های معتبر علوم پزشکی، بدون داشتن شناسه ارکید اصلا به شما اجازه سابمیت مقاله را نمی‌دهند.

📌 نکته: ساختن این کد کاملاً رایگان است و کمتر از 3 دقیقه وقت شما را می‌گیرد (فقط کافیه برید تو سایت orcid.org).

🆔 کد ملی شما در دنیای پژوهش

فرض کنید اسم شما «علی محمدی» یا «زهرا حسینی» است. می‌دانید چند نفر با همین اسم و فامیل دقیق در سراسر دنیا مقاله چاپ می‌کنند؟
فردا روزی که خواستید اپلای کنید یا رزومه‌تان را ارائه بدهید، ژورنال و دانشگاه از کجا بفهمند این مقاله دقیقا مال شماست و نه یک نفر دیگر با همین اسم در یک دانشگاه دیگر؟ 🤔

📍پست بعدی...