বিজ্ঞানের একটি দুর্ভাগ্যজনক বাস্তবতা হল যে ছোট ডেটা সেটগুলি প্রায়শই অবিশ্বস্ত ফলাফল দেয়, কারণ যে কোনও ছোট, এলোমেলো ওঠানামা একটি বড় প্রভাব ফেলতে পারে। এই সমস্যার একটি সমাধান হল সর্বদা বড় ডেটা সেট তৈরি করা, যেখানে এই ওঠানামাগুলি যে কোনও প্রকৃত প্রভাবের তুলনায় ছোট হতে থাকে। বিগ ডেটার একটি উল্লেখযোগ্য উৎস হল UK Biobank; সম্প্রতি SARS-CoV-2 সংক্রমণ দ্বারা চালিত মস্তিষ্কের পরিবর্তন শনাক্ত করতে Biobank-এর লোকজনের মস্তিষ্কের স্ক্যানগুলি ব্যবহার করা হয়েছিল।
এখন, গবেষকদের একটি বড় দল একটি নতুন গবেষণাপত্রে এই ধারণাটিকে উল্টে দিয়েছে। তারা কিছু বড় ডেটা সেট নিয়েছিল এবং জিনিসগুলি অবিশ্বস্ত হওয়ার আগে ছোট ডেটা সেটগুলি কীভাবে যেতে পারে তা নির্ধারণ করার জন্য সেগুলিকে ছোট ছোট টুকরোগুলিতে ভাগ করেছিল। এবং অন্তত এক ধরণের পরীক্ষার জন্য, উত্তর হল যে মস্তিষ্কের অধ্যয়নের জন্য হাজার হাজার অংশগ্রহণকারীর প্রয়োজন হয় তাদের বিশ্বাসযোগ্য হওয়ার আগে। এবং তারপরেও, আমাদের অনেক নাটকীয় প্রভাব দেখার আশা করা উচিত নয়।
সমস্ত জিনিস সংযুক্ত করুন
গবেষণার পিছনে গবেষণা দলটি “মস্তিষ্ক-ব্যাপী অ্যাসোসিয়েশন স্টাডিজ” বা বিডব্লিউএএস-এ আগ্রহী কাজের ধরন বলে অভিহিত করেছে। এটি একটি চমত্কার সহজ পদ্ধতির. একগুচ্ছ লোক নিন এবং তাদের আচরণগত বৈশিষ্ট্যের জন্য স্কোর করুন। তারপরে তাদের সমস্ত মস্তিষ্কের স্ক্যান দিন এবং দেখুন যে কোনও মস্তিষ্কের কাঠামোর মধ্যে পার্থক্য রয়েছে যা আচরণগত বৈশিষ্ট্যের সাথে ধারাবাহিকভাবে সম্পর্কযুক্ত।
একবারে পুরো মস্তিষ্ক বিশ্লেষণ করে, আমরা এমন কোনও পক্ষপাত এড়াই যা আমরা মনে করি পৃথক মস্তিষ্কের অঞ্চলগুলি যা করে তা থেকে আসতে পারে। নেতিবাচক দিক হল যে আমরা অনেকগুলি মস্তিষ্কের কাঠামো সংজ্ঞায়িত করেছি, একটি জাল মেলামেশার সম্ভাবনা বাড়িয়ে তোলে। এবং লোকেরা মাত্র কয়েক ডজন অংশগ্রহণকারীদের সাথে BWAS অধ্যয়ন প্রকাশ করেছে, যার অর্থ র্যান্ডম সুযোগ যে কোনও ফলাফলে একটি বড় ভূমিকা পালন করতে পারে।
বর্তমান অধ্যয়নের জন্য, গবেষণা দলটি 50,000 এরও বেশি মোট জনসংখ্যা তৈরি করতে তিনটি বড় ডেটা সেট একত্রিত করেছে। অংশগ্রহণকারীদের মধ্যে স্কোর করা আচরণগত বৈশিষ্ট্যের প্রেক্ষিতে তারা তখন তাদের সম্ভাব্য প্রতিটি সম্ভাব্য সমিতি চালায়।
সবচেয়ে সহজ জিনিসটি তারা খুঁজে পেতে পারে শক্তিশালী পারস্পরিক সম্পর্কের জন্য অনুসন্ধান ছিল. একটি পারস্পরিক সম্পর্কের শক্তির একটি পরিমাপ আছে, যাকে r বলা হয়, যেখানে 1 এর মান একটি নিখুঁত পারস্পরিক সম্পর্কের প্রতিনিধিত্ব করে এবং শূন্য কোনো পারস্পরিক সম্পর্ককে প্রতিনিধিত্ব করে না (-1 হল অ্যান্টি-রিলেশন)। r-এর পরিপ্রেক্ষিতে, কোটি কোটি পরীক্ষার মধ্যে গবেষকরা পাওয়া সবচেয়ে বড় অ্যাসোসিয়েশনটি ছিল 0.16 – যা বিশেষভাবে শক্তিশালী নয়। প্রকৃতপক্ষে, r = 0.06 এর মতো দুর্বল একটি পারস্পরিক সম্পর্ক সমস্ত পারস্পরিক সম্পর্কের শীর্ষ 1 শতাংশে কিছু পেতে যথেষ্ট ছিল। (এটি অ্যান্টি-রিলেশনের ক্ষেত্রেও সত্য ছিল।)
আশ্চর্যজনকভাবে, অনেক গবেষণা ইতিমধ্যেই এর থেকে শক্তিশালী পারস্পরিক সম্পর্ক রিপোর্ট করেছে। ফলাফলগুলি পরামর্শ দেয় যে আমাদের এই ফলাফলগুলিকে বেশ সন্দেহজনকভাবে চিকিত্সা করা উচিত।
যেখানে জিনিস ভুল হয়
অ্যাসোসিয়েশন অধ্যয়নের সাথে সম্ভাব্য সমস্যাগুলি আরও অন্বেষণ করার জন্য, গবেষকরা অধ্যয়নের জনসংখ্যাকে অনেক ছোট দলে বিভক্ত করেছেন, মাত্র 25 জন অংশগ্রহণকারী থেকে 32,000 পর্যন্ত, এবং তারপরে এই ছোট জনসংখ্যার মধ্যে BWAS পুনরায় স্থানান্তর করেছেন। ক্ষুদ্রতম গবেষণায়, অ্যাসোসিয়েশনগুলি r = 0.52 পর্যন্ত উচ্চতায় পৌঁছাতে পারে। এটি সম্পূর্ণ ডেটা সেটের উপর ভিত্তি করে আমরা যা আশা করব তার চেয়ে অনেক বেশি শক্তিশালী এবং এটি ছোট অধ্যয়নের সাথে কিছু গুরুতর সমস্যাগুলির পরামর্শ দেয়।
কিন্তু এই সমস্যাগুলো দূর করতে গবেষকদের অনেক বড় হতে হয়েছে। “পরিসংখ্যানগত ত্রুটিগুলি BWAS নমুনা আকার জুড়ে ব্যাপক ছিল,” গবেষকরা লিখেছেন। এমনকি 1,000 এলাকায় জনসংখ্যার সাথেও, মিথ্যা-নেতিবাচক হারগুলি খুব বেশি ছিল, যার অর্থ সম্পূর্ণ ডেটা সেটে পাওয়া একটি সমিতি সনাক্ত করা যায়নি। এবং বাস্তব সংস্থাগুলি কখনও কখনও পূর্ণ জনসংখ্যার তুলনায় দ্বিগুণ শক্তিশালী বলে মনে হয়।
সামগ্রিকভাবে, এটা প্রতীয়মান হয় যে BWAS-স্টাইলের অধ্যয়নগুলি নির্ভরযোগ্য, পুনরুত্পাদনযোগ্য ফলাফল তৈরি করার আগে আমাদের একাধিক হাজার হাজার অংশগ্রহণকারীর প্রয়োজন।
গবেষকরা সতর্ক করেছেন যে এই কাজটি একটি নির্দিষ্ট ধরণের মস্তিষ্কের গবেষণায় প্রযোজ্য। এর মানে এই নয় যে কম জনসংখ্যার সমস্ত মস্তিষ্কের অধ্যয়ন অবিশ্বস্ত – আসলে, কাগজটি দেখায় যে আমরা অনেক ছোট গবেষণা থেকে মস্তিষ্কের কার্যকারিতা সম্পর্কে অনেক কিছু শিখেছি। আমি মনে করি যে মস্তিষ্কের বিভিন্ন অঞ্চলের কার্যকারিতা সম্পর্কে আমরা যা বুঝি তার বেশিরভাগই আসে আঘাতের অধ্যয়ন থেকে যা একজন একক ব্যক্তিকে প্রভাবিত করে। লেখকরা আরও দেখতে পান যে কিছু সম্পর্কিত বিশ্লেষণ — কার্যকরী এমআরআই ব্যবহার করে বা মাল্টিভেরিয়েট বিশ্লেষণ করে — তাদের ডেটা সেট ব্যবহার করে আরও শক্তিশালী ফলাফল তৈরি করার প্রবণতা রয়েছে।
তবুও, কাগজটি ক্ষেত্রের গবেষণা করা লোকেদের জন্য একটি পরিষ্কার এবং গুরুত্বপূর্ণ সতর্কতা প্রদান করে। প্রশ্ন হল সেই সতর্কতা কীভাবে কার্যকর হবে। এই ধারণার জন্য কাগজপত্র প্রকাশ করা হয় এমন মান পরিবর্তন করার জন্য, জার্নাল সম্পাদকদের মনোযোগ দিতে হবে, সেই ক্ষেত্রে অন্যান্য গবেষকরা যারা পিয়ার রিভিউয়ার হিসাবে কাজ করবেন। সৌভাগ্যবশত, বায়োব্যাঙ্কের মতো বৃহৎ, পাবলিক ডেটা সেটের বৃদ্ধি প্রত্যেকের জন্য বৃহত্তর, আরও কঠোর অধ্যয়নের দাবি করা সহজ করে তুলবে।
প্রকৃতি2022. DOI: 10.1038 / s41586-022-04492-9 (DOI সম্পর্কে)।
