Intéressant

Termes de vocabulaire de méthode scientifique

Termes de vocabulaire de méthode scientifique

Les expériences scientifiques impliquent des variables, des contrôles, des hypothèses et une foule d'autres concepts et termes qui pourraient prêter à confusion.

Glossaire des termes scientifiques

Voici un glossaire d'importants termes et définitions d'expériences scientifiques:

  • Théorème de la limite centrale: Déclare qu'avec un échantillon assez grand, la moyenne de l'échantillon sera normalement distribuée. Une moyenne d'échantillon normalement distribuée est nécessaire pour appliquer le t-Si vous envisagez de réaliser une analyse statistique de données expérimentales, il est important de disposer d’un échantillon suffisamment grand.
  • Conclusion: Déterminer si l'hypothèse doit être acceptée ou rejetée.
  • Groupe de contrôle: Les sujets de test assignés au hasard pour ne pas recevoir le traitement expérimental.
  • Variable de contrôle: Toute variable qui ne change pas pendant une expérience. Aussi connu comme un variable constante.
  • Les données (singulier: datum): Faits, nombres ou valeurs obtenus lors d'une expérience.
  • Variable dépendante: La variable qui répond à la variable indépendante. La variable dépendante est celle mesurée dans l'expérience. Aussi connu sous le mesure dépendante ou variable de réponse.
  • Double aveugle: Lorsque ni le chercheur ni le sujet ne savent si le sujet reçoit le traitement ou un placebo. "Aveuglement" aide à réduire les résultats biaisés.
  • Groupe de contrôle vide: Un type de groupe contrôle qui ne reçoit aucun traitement, y compris un placebo.
  • Groupe expérimental: Les sujets de test assignés au hasard pour recevoir le traitement expérimental.
  • Variable étrangère: Les variables supplémentaires (non indépendantes, dépendantes ou variables de contrôle) qui pourraient influer sur une expérience mais ne sont ni prises en compte, ni mesurées ou qui échappent à tout contrôle. Les exemples peuvent inclure des facteurs que vous considérez sans importance au moment d’une expérience, tels que le fabricant de la verrerie en réaction ou la couleur du papier utilisé pour fabriquer un avion en papier.
  • Hypothèse: Une prédiction indiquant si la variable indépendante aura un effet sur la variable dépendante ou une prédiction de la nature de l'effet.
  • Indépendanceou Indépendamment: Lorsqu'un facteur n'exerce aucune influence sur un autre. Par exemple, ce que fait un participant à une étude ne devrait pas influencer ce que fait un autre participant. Ils prennent des décisions de manière indépendante. L'indépendance est essentielle pour une analyse statistique significative.
  • Affectation aléatoire indépendante: Choisir au hasard si un sujet de test sera dans un groupe de traitement ou de contrôle.
  • Variable indépendante: La variable manipulée ou modifiée par le chercheur.
  • Niveaux variables indépendants: Modification de la variable indépendante d’une valeur à une autre (par exemple, différentes doses de médicament, différentes durées). Les différentes valeurs sont appelées "niveaux".
  • Statistiques déductives: Les statistiques (mathématiques) appliquées pour déduire les caractéristiques d'une population sont basées sur un échantillon représentatif de la population.
  • Validité interne: Quand une expérience peut déterminer avec précision si la variable indépendante produit un effet.
  • Signifier: La moyenne calculée en additionnant tous les scores et en divisant par le nombre de scores.
  • Hypothèse nulle: L'hypothèse "pas de différence" ou "pas d'effet", qui prédit que le traitement n'aura pas d'effet sur le sujet. L’hypothèse nulle est utile car elle est plus facile à évaluer avec une analyse statistique que d’autres formes d’hypothèses.
  • Résultats nuls (résultats non significatifs): Des résultats qui ne réfutent pas l'hypothèse nulle. Les résultats nuls ne prouvent pas l'hypothèse nulle, car ils pourraient résulter d'un manque de puissance. Certains résultats nuls sont des erreurs de type 2.
  • p <0,05: Une indication de la fréquence à laquelle seul le hasard pourrait expliquer l'effet du traitement expérimental. Une valeur p <0,05 signifie que cinq fois sur cent, vous pouvez vous attendre à cette différence entre les deux groupes uniquement par hasard. Comme la possibilité que l'effet se produise par hasard est si faible, le chercheur peut conclure que le traitement expérimental a effectivement eu un effet. Autre p, ou probabilité, les valeurs sont possibles. La limite de 0,05 ou 5% est simplement un repère commun de signification statistique.
  • Placebo (traitement placebo): Un faux traitement qui ne devrait avoir aucun effet en dehors du pouvoir de suggestion. Exemple: lors d'essais sur des médicaments, les patients peuvent recevoir une pilule contenant le médicament ou un placebo, qui ressemble au médicament (pilule, injection, liquide) mais ne contient pas de principe actif.
  • Population: Le groupe entier que le chercheur étudie. Si le chercheur ne peut pas collecter de données auprès de la population, il est possible d’étudier l’échantillonnage d’importants échantillons aléatoires de la population pour estimer la réponse de la population.
  • Puissance: La capacité à observer les différences ou à éviter de commettre des erreurs de type 2.
  • au hasard ou aléatoire: Sélectionné ou exécuté sans suivre aucun schéma ou méthode. Pour éviter les biais involontaires, les chercheurs utilisent souvent des générateurs de nombres aléatoires ou des pièces retournées pour effectuer des sélections.
  • Résultats: L'explication ou l'interprétation des données expérimentales.
  • Expérience simple: Expérience de base conçue pour déterminer s’il existe une relation de cause à effet ou pour tester une prédiction. Une expérience simple fondamentale peut ne comporter qu'un seul sujet de test, comparée à une expérience contrôlée comportant au moins deux groupes.
  • Simple aveugle: Lorsque l'expérimentateur ou le sujet ignore si le sujet reçoit le traitement ou un placebo. Aveugler le chercheur aide à prévenir les biais lorsque les résultats sont analysés. Aveugler le sujet empêche le participant d’avoir une réaction biaisée.
  • Signification statistique: Observation, basée sur l'application d'un test statistique, qu'une relation n'est probablement pas due au pur hasard. La probabilité est indiquée (par exemple, p <0,05) et on dit que les résultats sont statistiquement significatif.
  • T-Test: Analyse statistique commune de données appliquée aux données expérimentales pour tester une hypothèse. le t-test calcule le rapport entre la différence entre les moyennes de groupe et l'erreur type de la différence, une mesure de la probabilité que les moyennes du groupe puissent différer purement par hasard. En règle générale, les résultats sont statistiquement significatifs si vous observez une différence entre les valeurs trois fois plus grande que l’erreur standard de la différence, mais il est préférable de rechercher le rapport requis pour l’importance sur une valeur. table en t.
  • Erreur de type I (erreur de type 1): Cela se produit lorsque vous rejetez l'hypothèse nulle, mais c'était en réalité vrai. Si vous effectuez la t-tester et définir p <0,05, il y a moins de 5% de chances que vous commettiez une erreur de type I en rejetant l'hypothèse basée sur les fluctuations aléatoires des données.
  • Erreur de type II (erreur de type 2): Cela se produit lorsque vous acceptez l'hypothèse nulle, mais elle était en réalité fausse. Les conditions expérimentales ont eu un effet, mais le chercheur n'a pas réussi à le trouver statistiquement significatif.