گوش دادن به داده ها: چگونه یک ابزار NIST به آزمایشگاه ها در سراسر جهان کمک می کند تا اندازه گیری ها را هماهنگ کنند

اگر مسافری از آلمان به ویتنام برود و بیمار شود، نتایج آزمایش خون او در آنجا باید به همان اندازه معنادار باشد که گویی آزمایش در خانه انجام شده است. اگر یک هواپیمای مسافربری ژاپنی در آرژانتین فرود بیاید و به یک قطعه نیاز داشته باشد، آن قطعه باید با استفاده از ابزارهای کالیبره مناسب نصب شود.

تجارت، علم، مهندسی، پزشکی و بیشتر فعالیت های انسانی به اندازه گیری ها بستگی دارد. در یک اقتصاد جهانی، اندازه‌گیری‌ها باید به طور قابل اعتمادی در سراسر جهان قابل مقایسه باشند.

اما چگونه اطمینان حاصل کنیم که واقعاً اتفاق می افتد؟

موسسات ملی اندازه‌شناسی – NIST و موسسات مشابه در سایر کشورها – اغلب در مقایسه‌های سخت و چالش برانگیز توانایی‌های اندازه‌گیری خود شرکت می‌کنند. هر آزمایشگاه همان ماده یا قطعه ای از تجهیزات را اندازه گیری می کند، به طور کلی مراحل یکسانی را دنبال می کند و سپس آزمایشگاه ها نتایج را با هم مقایسه می کنند. اینها نامیده می شوند مقایسه های کلیدی. اگر نتایج متقابلاً سازگار نباشد، آنگاه فرصتی برای یادگیری برای شرکت‌کنندگان است تا روش‌های اندازه‌گیری خود را بهبود بخشند.

موافقت با قوانین

سوال محققان این است که چگونه می توان نتایج همه را به یک ارزش اجماع ترکیب کرد. فرض کنید در حال اندازه گیری غلظت سرب در شراب هستیم. آزمایشگاه‌های شرکت‌کننده ویال‌های شراب را دریافت کرده و آن‌ها را طبق یک پروتکل مشخص اندازه‌گیری می‌کنند. در حالت ایده آل، انتظار می رود که ارزش اجماع برای غلظت سرب در شراب نسبت به اندازه گیری های فردی به حقیقت نزدیک تر باشد.

اگر چه همیشه اینطور نیست، اما هدف این نوع مطالعات همین است.

نتایج اندازه‌گیری که در یک مقدار توافقی ترکیب می‌شوند، هر کدام شامل یک مقدار اندازه‌گیری شده است (چقدر فکر می‌کنیم از آنچه اندازه‌گیری می‌شود وجود دارد) و ارزیابی عدم قطعیت اندازه گیری.

از آنجایی که اندازه‌گیری‌ها کامل نیستند، عدم قطعیت اندازه‌گیری شکی است که در مورد مقدار واقعی یک کمیت پس از انجام اندازه‌گیری باقی می‌ماند. این حاشیه “دادن یا بگیر” است.

عدم قطعیت مانند مه است. اگر در حال رانندگی هستید و مه کمی وجود دارد، ممکن است در حالت آماده باش بالاتر از محیط اطراف خود باشید تا مطمئن شوید که می توانید ایمن رانندگی کنید. اما اگر مه زیادی وجود داشته باشد که به سختی می توانید ببینید، رانندگی شما بسیار خطرناک تر است. عدم قطعیت مانند مهی است که ارزش واقعی شما را احاطه کرده است. هر چه عدم قطعیت بیشتر باشد، شک در مورد حقیقت واقعاً چیست.

بنابراین، اگر از شما بخواهم که جرم دانه های یک کیسه دانه قهوه را تعیین کنید، ممکن است به این نتیجه برسید که 1000 گرم است، 15 گرم بدهید یا بگیرید. 1000 گرم میزان اندازه گیری ما است و 15 گرم عدم قطعیت اندازه گیری است. این بدان معناست که جرم واقعی دانه‌های قهوه احتمالاً بین 985 گرم تا 1015 گرم است.

پاسخ واضح به این سوال که چگونه می توان به یک مقدار توافقی دست یافت، ممکن است میانگین مقادیر اندازه گیری شده از آزمایشگاه های مختلف باشد. اما این لزوما بهترین پاسخ نیست زیرا نتایج اندازه‌گیری‌های مختلف ممکن است عدم قطعیت‌های متفاوتی داشته باشند و برخی از نتایج اندازه‌گیری ممکن است بسیار دور از سایر نتایج باشند. اندازه‌گیری‌های دور اغلب نیاز به بررسی مجدد دارند و ممکن است نیاز به درمان خاصی داشته باشند.

اغلب، آزمایشگاه‌های شرکت‌کننده در مورد بهترین روش ترکیب کردن نتایج حاصل از یک مقایسه کلیدی در یک مقدار توافقی، اختلاف نظر دارند. آنها همچنین گاهی اوقات در مورد اینکه چگونه نتایج فردی باید با ارزش اجماع و با یکدیگر مقایسه شوند، توافق ندارند.

چنین اختلاف نظرهایی می تواند مشکلات و تاخیرهای قابل توجهی ایجاد کند. ورزشی را تصور کنید که قبل از هر بازی، شرکت کنندگان باید قوانین را با هم مذاکره می کردند! این غیر قابل تحمل است.

به همین دلیل است که آماردانان و دانشمندان NIST ابزاری مبتنی بر وب به نام the ایجاد کردند درخت تصمیم NIST. سازمان‌دهندگان یک مطالعه بین آزمایشگاهی می‌توانند از این ابزار برای تعیین نحوه مدیریت بهترین داده‌های مطالعه استفاده کنند. این ابزار پیشنهاداتی را ارائه می دهد، اما دانشمندان همیشه در صندلی راننده هستند تا روش تجزیه و تحلیل داده ها را انتخاب کنند که معتقدند با داده های آنها مطابقت دارد و به بهترین وجه هدف مطالعه آنها را برآورده می کند.

این ابزار از محققان چند سوال ساده در مورد داده هایشان می پرسد. بر اساس پاسخ ها، NIST تصمیم Tree توصیه می کند که چگونه آن داده ها باید مدل سازی و تجزیه و تحلیل شوند. برای بازگشت به قیاس ورزشی، قوانینی را پیشنهاد می کنیم که شرکت کنندگان در بازی با آن موافقت کنند.

کاربردهای واقعی درخت تصمیم NIST

فرض کنید در حال انجام مطالعه ای هستیم که در آن آزمایشگاه های مختلف میزان آرسنیک موجود در نمونه آرد برنج را اندازه گیری می کنند. این معیاری است که به دلیل خطراتی که برای سلامت مردم وجود دارد، باید آن را درست انجام دهیم.

آزمایشگاهی که یک مطالعه را هدایت می کند، دسته ای از آرد را تهیه می کند، ویال ها را با آن پر می کند، ویال ها را مهر و موم می کند و برای شرکت کنندگان ارسال می کند. قبل از ارسال، آزمایشگاه سازمان‌دهنده مطالعه اولیه خود را انجام می‌دهد تا بررسی کند که نمونه‌های آرد موجود در ویال‌ها اساساً دارای همان مقدار آرسنیک هستند. به عنوان مثال، آزمایشگاه چند میکروگرم آرسنیک در هر گرم آرد را اندازه گیری می کند.

آزمایشگاه‌های شرکت‌کننده در این مطالعه پروتکلی در مورد نحوه کار با آرد دریافت کردند و احتمالاً مراحل اندازه‌گیری را برای تعیین مقدار آرسنیک در آن پیشنهاد کردند. در موارد دیگر، آزمایشگاه های شرکت کننده روش های اندازه گیری خود را انتخاب می کنند.

پس از تکمیل اندازه گیری ها، آزمایشگاه ها باید در مورد نحوه مقایسه نتایج اندازه گیری آنها به توافق برسند. این اغلب یک موضوع بحث برانگیز است که زمان و منابع را می طلبد. آنجاست که درخت تصمیم NIST وارد می شود

بخش کلیدی این فرآیند، انتخاب بهترین مدل آماری برای استفاده برای تجزیه و تحلیل داده ها است. من چنین شناسایی را “گوش دادن به داده ها” می نامم. یک مدل آماری خوب باید به داده‌ها و افرادی که برای به دست آوردن آن آزمایش‌هایی را به‌دقت برنامه‌ریزی و انجام داده‌اند، احترام بگذارد.

درخت تصمیم NIST تاکنون در تعداد کمی از مطالعات مورد استفاده قرار گرفته است، از جمله در مقایسه های کلیدی در شیمی و در اندازه گیری دما که توسط کمیته های فرعی کمیته بین المللی وزن ها و اندازه گیری ها سازماندهی شده است.

ما اکنون با اقیانوس شناسان کار می کنیم تا تعیین کنیم چگونه درخت تصمیم NIST می تواند در یک تلاش مشترک بین المللی برای مطالعه شرایط متغیر اقیانوس و محیطی که به عنوان شناخته شده است استفاده شود. ژئوتریس.

استفاده از آمار در سراسر رشته ها

به عنوان رئیس آمار NIST، و در تمام زندگی ام به عنوان یک آمارگیر، داده ها را برای نشان دادن اینکه چگونه باید تجزیه و تحلیل شوند، وسوسه کرده ام. داده ها اطلاعات مربوط به طبیعت و حقایق و فرآیندهای صنعتی، فنی و علمی را منتقل می کنند – اگر بدانیم چگونه به آن گوش دهیم.

حدود 40 سال پیش، زمانی که دانشجوی کارشناسی ارشد در دانشگاه ییل بودم، دو تابستان را به عنوان دستیار پژوهشی فلیکس چایس در آزمایشگاه ژئوفیزیک موسسه کارنگی واشنگتن گذراندم.

یک روز، او به من گفت: “بیا به ملاقات دوستم چرچیل آیزنهارت در NIST در گیترزبورگ برویم.”

در آن زمان هیچ کنترل امنیتی وجود نداشت، بنابراین ما فقط سوار ماشین شدیم و وارد ساختمانی غارنشین شدیم که در آنجا افتخار ملاقات با این مرد بزرگ را داشتم. یکی از مقالاتش را دوباره چاپ کرد. حتی نمی‌توانستم تصور کنم که سال‌ها بعد، هم به‌عنوان رئیس بخش مهندسی آمار (که آیزنهارت در سال 1948 تأسیس کرد) و هم به‌عنوان عضو NIST، جانشین او شوم.

امروز، من می توانم با دانشمندان و مهندسانی که در بسیاری از رشته های مختلف در NIST کار می کنند، همکاری کنم. من برای درک مشکلاتی که آنها در حال تحقیق هستند کار می‌کنم، بنابراین می‌توانم به آنها کمک کنم تا داده‌ها را به گونه‌ای مدل‌سازی و تجزیه و تحلیل کنند که به تحقیقات آنها ارزش بیشتری می‌بخشد. من بیشتر وقتم را صرف پشتیبانی از خدمات اندازه گیری NIST می کنم، از جمله توسعه مواد مرجع استاندارد که ما برای کمک به آزمایشگاه‌ها و تولیدکنندگان در کالیبره کردن ابزارهای خود و تأیید صحت آنها تولید می‌کنیم.

هر از گاهی از پروژه های خارج از NIST پشتیبانی می کنم. یکی از خاطره انگیزترین تجربیات دوران حرفه ای من شرکت در واکنش ملی به این بود نشت نفت Deepwater Horizon در خلیج مکزیک در سال 2010.

من از نزدیک با همکاران دیگر سازمان های دولتی کار کردم تا ابزاری مبتنی بر وب ایجاد کنم که گارد ساحلی ایالات متحده از آن برای تخمین مقدار روزانه نفت ریخته شده که هنوز آب های خلیج فارس و خط ساحلی آن را آلوده می کند، استفاده می کند.

من همچنین مفتخر بودم که در سال 2012 در دادگاه فدرال در یک پرونده مربوط به نشت نفت، علیه چندین متهم شرکتی، از جانب ایالات متحده شهادت دهم.

سعی می کنم هر روز چیز جدیدی یاد بگیرم، حتی اگر چیز کوچکی باشد. چند روز پیش، من کشف کردم سیستم نرم افزار ریاضی منبع باز رایگان. من قبلاً از آن در برخی از تحقیقاتم استفاده کرده ام.

در پایان هر روز، همیشه از خودم می‌پرسم: «امروز چه یاد گرفتم؟» حتی پس از چندین دهه از انجام این کار، همیشه چیز جدیدی برای یادگیری وجود دارد.