Please enable JavaScript.
Coggle requires JavaScript to display documents.
Fitness Science Explained - Coggle Diagram
Fitness Science Explained
該注意的環節
1。常見的媒體錯誤。a。弄混了相關與因果，特別是一些觀察型的研究，往往只能看相關，而非因果。b。過度簡化與轟動效應，這個是媒體傳播時容易出現的問題，追求更多點擊率的代價。
6。科學實驗要可重覆。有些研究是幸運甚至作假，不能重覆是有問題的。
7。有些研究的設計或是執行不良 ，對其結論就該跳過。
5。科學所說的事往往是在灰色地帶，而不是能夠說是黑或白的一刀切。一些細節或適用範圍要注意。
8。未發表的論文。有發表的至少有同儕審查作把關，連把關都沒有的要更當心。
4。科學是緩慢移動的。在愈來愈多證據及研究出來之後，科學的結論是有可能會改變的。
9。捏造的論文。不常見，但仍有可能因為某些利益的關係而存在，要小心。
3。論文的證據力是不相同的。不同的研究法或樣本數，或是統計都會影響，要看細節。
2。擇優挑選或是依論文的證據力選擇。不能只挑支持自己的意見當證據，要雙方意見都看，而且看那邊的證據力更好。
常見的名詞解釋
1。prospective study:前瞻型研究，在現在找研究族群，之後來收集資料作分析。例如RCTs的研究。
2。Retrospective study: 回顧型研究，找出已經發生的事情，然後分析看一些重要的關係及結果，很多觀察型研究是這種，要注意這種不能作為因果關係的來源，只能看相關性。
3。In Vitro study: 主要是看在試管內發生的事，通常可分析機轉，對產生假設有幫助。
4。Matched: 在隨機分組之前，先把條件相似的放一起，之後其中一個為實驗組，一個為對照組，避免分析的時候基本條件差太多。
Crossover design: 同一個受試者經歷2種以上的治療。例如要看肌酸補充品的效果，同一個受試者先看控制組的效果4週，再換肌酸補充品的效果4週。這樣可以避免基因的影響。
6。Washout period: 以上述例子延伸，先用肌酸的話，在轉換組別前先停8週，確定效果不影響才作控制組，避免被前一種治療影響。
7。Mean 平均值，Standard Deviation (SD)標準差
8，Standard error: 標準誤，我們畢竟是用抽樣方式來估計母群體，當取樣愈多，樣本及母群組的平均，產生誤差的可能愈小。公式: =樣本標準差/樣本數開根號。
9。Confidence interval: 信賴區間，由樣本資料定義一段數值區間，宣稱有多少信心以估計母體的參數包含於此區間內。
10。Effect size: 效應值(或譯效果量）是量化現象強度的數值，通常分為微弱(小於0.2)，小(0.2-0.49)，中(0.5-0.79，大(0.8以上)
統計的架構
The Multiple Comparison problem: 同時多組比較可能造成Type I error. 例如同時有ABCD組互作比較，實際上比了6 次，那可能出錯的機率是1-0.95^6=26.5%。所以多組比較，要嘛就是降低a值，例如改用0.01，或是要有其他統計較正，包含Tukey, Bonferonni, Holm, Sidak, Hochberg corrections.如果看到多組比較但沒看到這些，對結果就要存疑。
Type Iand II errors: Type I error表示出現偽陽性，有可能只是運氣好，特別是少量樣本的時候。Type IIerror則是相反，是偽陰性，有可能樣本少的取樣偏差或是效應還不足以造成顯著差異。
Comparing groups比較群體: 針對不同的群體作比較，看他們之間是否有差異。常使用統計法有幾種. 1. t-test: 比較2個群體。2。ANOVA: 比較3個或以上群體。3。Wilcoxon test: 跟t-test很像，但是用在"非常態分佈資料" 的分析。p value 訂在<0.05，只是人訂出來的，代表統計後得到這個結論，而出錯的可能性<0.05，最好能把實際數字寫出來，方便評估。有些狀況下，要用更嚴格的方式來訂定。另外統計有意義，但實際無法應用也是有可能的，例如bench作5組比作3組可能提升最大肌力3磅，而且統計p<0.05，但現實中有意義嗎?要想想
常態分佈: 資料是否為常態分佈很重要，使用的統計法不一樣。因此，要先作檢定，例如: Shapiro-Wilk, Anderson-Darling, Kolmogorov-Smirnov。如果不符合，就要改狦特別計算方式讓資料符合，或改non-parametric statistical 無母數統計法來作統計，例如Wilcoxon, Mann-Whitney, Friedman, Kruskal-Wallis tests. 。
estimating error估計誤差: 觀察計算後與真實群體的差異。用來作為說明的統計包含: 1. standard error 2. confidence interval 3. standard deviation.
statistical inference統計的推斷: 以基於事實的方式作有邏輯的推斷。因為無法直接作全部母群體的計算，所以用抽樣的方式來作推斷。因此有可能產生誤差，例如抽樣來少，或是抽樣誤差，或是邏輯有誤。因此統計是不得不之下的可行方式，誤差的存在的，但是可以想辦法減少誤差。
如何快速評估論文
6。是雙盲? 單盲?或是沒有呢? 注意安慰劑效應。
7。研究的時間多久? 短期研究看立即的效應，較能控制且可能用來看出機轉，但是未必能外推到長期的效應。長期研究就要注意執行及可控的部份。
5。如果是隨機分佈，是獨立個體或是交叉型設計呢? 交叉型設計在fitness 相關較好，可以避免基因影響。
8。受試者的特性，例如年紀，性別，肥胖，正常體重，疾病或是用老鼠…，會影響到可應用的範圍。
4。如果是控制型研究，受試對象是隨機分佈嗎?
9。實驗設計及統計，是不是有交代清楚，如果想要重新複製的話，有沒有辦法用作者寫的東西就複製出來?
3.。觀察型研究看是前瞻型或是回溯型，前瞻型比較好，能降低誤差，例如美軍分析受傷機體問題。
10。研究者執行步驟是否有標準化的方式? 例如要量身體組成，提到要在早上，經過整夜禁食，而且在後測時要穿跟前測時一樣的衣服。
2。是觀察型(只看相關，非因果)，Controlled trial(可建立因果關係)，或是systematic review/mata-analysis.
1。是什麼樣的研究，In Vitro(看機轉適合，但是否能應用不一定)，動物實驗(靜控制，但能不能用到人體不一定)，人體實驗(還要看族群，而且有些不好控制，例如用問卷問如何吃，吃多少就容易誤差)。
11。描述研究成果部份，以及所用的圖表，能不能有足夠的資訊讓看的人能得到自己的結論? 統計數字是否足夠清楚，如果有人中途退出，有沒有作說明?…
12。研究裡每組的人有多少? 通常每組小於10-20 人會被視為小群體。
13。如果受試對象少，有沒有把個別結果顯現? 因為有可能會有離群值的人影響結果，有細節才能評估。
14。在摘要、結果及討論裡面的資料，是否一致? 如果發現有不一樣，就是個警訊。
15。研究結果合理嗎? 如果有違反直覺或是跟這領域其他研究特別不同的結論，要特別注意細節，看是否可重現? 有沒有對價關係?
16。如果有統計上的意義，也要想一想在現實上是否有意義。當然有時候還得分析看適用的族群，例如最大肌力增加25%及27%，對一般人沒差，但對舉重選手可能就有意義。或像低碳飲食可以在6個月多減2磅，有意義嗎?
17。有沒有寫出p value的實際值? 有時雖然p>0.05，但p=0.93及p=0.07是不同的，仍有值得思考的部份。
18。有沒有寫出Confidence interval ? 這個才是代表這些資料的確定性。 光看平均值及標準差是看不出來的。
19。研究者有沒有完整討論這篇研究的限制。如何把研究內容應用到直實世界，什麼問題這篇研究能回答及不能回答。
20。如果是飲食的研究，如何進食有沒有好好控制? 例如是在病房監控，或是自己回報就差很多。
21。如果是運動的研究，運動過程有監控嗎? 有人監控跟自己回報的可信度不一樣。
22。誰資助這篇研究? 並不是有人資助就不採用這篇研究，但是要抱有懷疑的態度去好好研究這篇論文。