The disparity in number of trials b

The disparity in number of trials between the different tasks also makes it difficult to compare the different tasks in terms of their reliability. While there is a relationship between the number of trials in a task and the reliability of that task, tasks with similar numbers of trials (such as the n-back tasks) show at times considerable variation in reliability coefficients. The test–retest reliability of the event trials of the n-back tasks, for example, varies between .213 and .603. Fortunately the Monte-Carlo analysis helps us to make sense of these findings. Fig. 1 shows that as data aggregation increases, there are both an increase in the average reliability estimate, and a decrease in the variability in these estimates. Put another way, not only are measures of ISV with few trials unreliable, but estimates of their reliability may be themselves more variable. This suggests that it may be unwise to make comparisons between tasks used here. It further suggests that ISV measures with few trials should be treated with caution, even when reliability estimates seem promising.

ผลลัพธ์ (ไทย) 1:

Disparity จำนวนทดลองระหว่างงานต่าง ๆ ยังทำให้ difficult เพื่อเปรียบเทียบงานแตกต่างกันในแง่ของความน่าเชื่อถือของพวกเขา ขณะมีความสัมพันธ์ระหว่างจำนวนของการทดลองในงานและความน่าเชื่อถือของงาน งานที่ มีจำนวนการทดลอง (เช่นงานหลัง n) คล้ายแสดงการเปลี่ยนแปลงครั้งสำคัญใน coefficients ความน่าเชื่อถือ ทดสอบ – retest ความน่าเชื่อถือของการทดลองกิจกรรมงานหลัง n เช่น ระหว่าง.213 .603 แตกต่างกันไป โชคดี Monte-Carlo วิเคราะห์ช่วยให้เราทำความเข้าใจการ findings เหล่านี้ Fig. 1 แสดงว่า เป็นข้อมูลรวมเพิ่มขึ้น มีทั้งการเพิ่มขึ้นในการประเมินความน่าเชื่อถือค่าเฉลี่ย และความแปรผันในการประเมินเหล่านี้ลดลง ใส่อีกทางหนึ่ง ไม่เพียงแต่เป็นมาตรการของ ISV ด้วยทดลองน้อยไม่น่าเชื่อถือ แต่ประเมินความน่าเชื่อถือของพวกเขาอาจเป็นตัวแปรเพิ่มเติม แนะนำว่า มันอาจจะฉลาดในการเปรียบเทียบระหว่างงานที่ใช้ที่นี่ เพิ่มเติมก็แนะนำว่า มาตรการ ISV ที่ มีการทดลองหลายควรจะรักษา ด้วยความระมัดระวัง แม้ว่าการประเมินความน่าเชื่อถือดูเหมือนว่า

ผลลัพธ์ (ไทย) 2:

ความเหลื่อมล้ำในจำนวนของการทดลองระหว่างงานที่แตกต่างกันนอกจากนี้ยังทำให้มันยากที่จะเปรียบเทียบงานที่แตกต่างกันในแง่ของความน่าเชื่อถือของพวกเขา ในขณะที่มีความสัมพันธ์ระหว่างจำนวนของการทดลองในงานและความน่าเชื่อถือของงานว่างานที่มีตัวเลขของการทดลองที่คล้ายกัน (เช่นงาน n-หลัง) แสดงในบางครั้งการเปลี่ยนแปลงมากในความน่าเชื่อถือ COEF cients Fi ความน่าเชื่อถือการทดสอบซ้ำในกรณีที่มีการทดลองงาน n กลับเช่นแตกต่างกันระหว่าง 0.213 และ 0.603 โชคดีที่การวิเคราะห์ Monte-Carlo ช่วยให้เราที่จะทำให้ความรู้สึกของเหล่านี้ Fi ndings มะเดื่อ 1 แสดงให้เห็นว่าการเพิ่มการรวบรวมข้อมูลมีทั้งการเพิ่มขึ้นของการประเมินความน่าเชื่อถือโดยเฉลี่ยและการลดลงของความแปรปรวนในประมาณการเหล่านี้ วางวิธีอื่นไม่เพียง แต่เป็นมาตรการของ ISV กับการทดลองไม่กี่ไม่น่าเชื่อถือ แต่ประมาณการของความน่าเชื่อถือของพวกเขาอาจเป็นตัวเองตัวแปรอื่น ๆ นี้แสดงให้เห็นว่ามันอาจจะฉลาดที่จะทำการเปรียบเทียบระหว่างงานใช้ที่นี่ มันยังแสดงให้เห็นว่ามาตรการ ISV กับการทดลองไม่กี่ควรได้รับการปฏิบัติด้วยความระมัดระวังแม้ในขณะที่ประมาณการความน่าเชื่อถือดูเหมือนมีแนวโน้ม

ผลลัพธ์ (ไทย) 3:

ความต่างระหว่างจำนวนของการทดลองงานที่แตกต่างกันทำให้มันแยกศาสนาจึงเปรียบเทียบงานที่แตกต่างกันในแง่ของความน่าเชื่อถือของพวกเขา ในขณะที่มีความสัมพันธ์ระหว่างจำนวนของการทดลองในงานและความน่าเชื่อถือของงาน งานที่มีตัวเลขที่คล้ายกันของการทดลอง ( เช่น n-back งาน ) ให้เวลามากการเปลี่ยนแปลงในความน่าเชื่อถือ coef จึง cients .ทดสอบ - ทดสอบความน่าเชื่อถือของกิจกรรมการทดลองของ n-back งานตัวอย่างเช่นแตกต่างกันระหว่าง . 213 . 603 . โชคดีที่ มอนติ คาร์โลการวิเคราะห์จะช่วยให้เราเพื่อให้ความรู้สึกของ ndings จึงเหล่านี้ รูปที่ 1 แสดงให้เห็นว่าเป็นการเพิ่มข้อมูลรวม มีทั้งการเพิ่มประมาณการค่าเฉลี่ย และลดความแปรปรวนในการประมาณการเหล่านี้ วางวิธีอื่นไม่เพียง แต่เป็นมาตรการของวีไม่กี่การทดลองไม่น่าเชื่อถือ แต่การประเมินความน่าเชื่อถือของพวกเขาอาจจะตัวเองตัวแปรเพิ่มเติม นี้แสดงให้เห็นว่ามันอาจจะฉลาดที่จะทำให้การเปรียบเทียบระหว่างการใช้ที่นี่ มันยังแสดงให้เห็นว่าซอฟต์แวร์มาตรการด้วยการทดลองไม่กี่ควรปฏิบัติด้วยความระมัดระวัง แม้ว่าประมาณการความน่าเชื่อถือดูสดใส