Sürümlü veri setleri: dışa aktarma ve analizleri tekrarlanabilir kılmak

Bir dışa aktarma, aynı dosyayı daha sonra birebir yeniden üretebiliyor ve aynı olduğunu kanıtlayabiliyorsanız tekrarlanabilirdir. Bunun için üç şey gerekir: veri setine neyin girdiğini tanımlayan sürümlü bir tanım, verinin hangi ana kadar alındığını sabitleyen bir veri kesimi ve tek bir değer değişse bile değişen bir içerik özeti (hash). Bu üçünü her dışa aktarma ve her analizle birlikte kaydederseniz, ölçümler ve klinik kayıtlar düzeltilmiş olsa bile aylar sonra "bu sonuç hangi veriyi kullandı?" sorusunun kesin bir yanıtı olur. Bu yazı her parçayı ve EnaResearch'ün bunları nasıl ele aldığını anlatıyor.

"Veriyi yeniden indirmek" neden yetmez?Bağlantıyı kopyala

Aylarca veri toplanan bir çalışmada veri seti hiçbir zaman bitmez:

• Yeni ölçümler gelmeye devam eder; çevrimdışı kalan telefonlardan geç gelenler de dahil.
• Klinik kayıtlar düzeltilir: taburculuk tarihi yanlıştır, bir komplikasyon hatalı girilmiştir.
• Biri seçimi değiştirir: bir ölçüm eklenir, katılımcı alt kümesi daraltılır, çözünürlük saatlikten günlüğe çevrilir.

Veri seti yalnızca "bugün veritabanında ne varsa" olursa, aynı analiz iki kez çalıştırıldığında iki farklı sonuç verebilir ve bir makalenin, bir fon raporunun ya da etik kurula verilen bir yanıtın hangi sürüme dayandığını kimse söyleyemez.

1. parça: sürümlü veri seti tanımıBağlantıyı kopyala

Veri seti tanımı veri setine neyin girdiğini belirler: hangi katılımcılar (duruma göre ya da takma kod listesiyle), hangi ölçümler, hangi zaman penceresi ve hangi çözünürlük (ham, dakika, saat, gün). Pencere takvim tarihleriyle ya da bir olaya göre tanımlanabilir; örneğin yatış kabulünden 7 gün önce ile 30 gün sonrası. Burada 0. gün çapa olayın günüdür.

EnaResearch'te tanımın içeriğini değiştiren her düzenleme değiştirilemez yeni bir sürüm bırakır; yalnızca başlık ya da açıklama değişikliği sürüm oluşturmaz. Her dışa aktarma bir sürüme bağlıdır, Sürümler paneli kimin hangi alanı ne zaman değiştirdiğini gösterir ve tanımı değiştirmeden önceki bir sürümden de dışa aktarabilirsiniz. Böylece "mart ayında nabız değişkenliğini ekledik" bir hatıra değil, kayıtlı bir olgu olur.

2. parça: veri kesimiBağlantıyı kopyala

Kesim, verinin hangi ana kadar dahil edildiğini gösterir. Dışa aktarma her kaydı kesim anındaki hâliyle okur. Kesimden sonra yapılan bir ölçüm ya da klinik kayıt düzeltmesi, eski kesimle yeniden üretilen dosyayı değiştirmez.

Bu sayede önceki sonuçları bozmadan veri kalitesini iyileştirmeye devam edebilirsiniz. Taburculuk tarihini bugün düzeltin; geçen ayın dışa aktarması geçen ayın kesimiyle yeniden üretildiğinde yine geçen ayın dosyasını verir.

3. parça: içerik özeti ve manifestBağlantıyı kopyala

EnaResearch'teki her dışa aktarma şunları kaydeden bir manifestle gelir:

• kapsam ve filtre parametreleri,
• tanım sürümü ve tanım özeti,
• dönüşüm sürümü,
• veri kesimi,
• SHA-256 içerik özeti,
• verinin takma adlandırılmış olup olmadığı,
• kalite özeti.

Aynı tanım sürümü ve aynı kesim aynı SHA-256 içerik özetini üretir. İki dosyanın aynı veri seti olup olmadığını özetleri karşılaştırarak anlarsınız; bir dosyayı yeniden üretmek için manifestindeki sürümü ve kesimi kullanırsınız. Dışa aktarma dosyaları 30 gün sonra silinir; tanım ve manifest kalır ve dosya bunlardan yeniden üretilebilir.

Ölçüm veri setinde neler var?Bağlantıyı kopyala

Ölçüm veri seti tek bir ZIP dosyasıdır: uzun biçimde ölçümler (katılımcı, ölçüm, zaman, kaynak), katılımcı listesi ve manifest. Klinik kayıtlar seçilmişse events.csv eklenir. Her dışa aktarmada katılımcı ve ölçüm başına tamlık ve kalite işareti sayılarını içeren quality.csv bulunur; ham satırlar işaretlerini taşır. Aynı ölçüm birden çok kaynaktan geliyorsa kaynaklar birleştirilmez: bir kaynak sütunu onları ayırır ve nasıl ele alınacağına analiziniz karar verir.

Katılımcılar yalnızca P001 gibi bir çalışma takma koduyla görünür; katılımcıya ait öznitelikler yalnızca cinsiyet ve katılım başındaki yaştır. Ad, kişi kimlik kodu ve doğum tarihi hiçbir dışa aktarmaya girmez. Takma adlandırılmış verinin hâlâ kişisel veri olduğunu ve paylaşılmasının organizasyonunuzun ve protokolünüzün kurallarına tabi olduğunu unutmayın.

Değişkenler ve analizler de aynı kurala uyarBağlantıyı kopyala

Yatış süresi ya da bir olay etrafındaki penceredeki bir ölçümün ortalaması gibi değişkenler de sürümlüdür: formüldeki her değişiklik değiştirilemez yeni bir sürüm oluşturur ve değişken veri seti kullandığı sürümleri sabitler. Hesaplanamayan bir değer asla sıfır ya da tahmin olarak yazılmaz; hücre boş kalır ve gerekçesi missing.csv dosyasına yazılır. Değişken veri setleri variables.csv, missing.csv ve codebook.csv veri sözlüğü olarak gelir; isteğe bağlı olarak Excel dosyası, etiketli SPSS (.sav) dosyası ve veriyi okuyan bir R betiği eklenir.

İstatistiksel analizler bir adım daha ileri gider. Analiz planı (test, değişkenler, anlamlılık düzeyi ve hipotez) henüz hiçbir sonuç yokken onaylanır ve onay veri seti sürümünü ve kesimi dondurur. Testler SciPy ve statsmodels gibi yerleşik açık kaynak kütüphanelerle deterministik olarak hesaplanır; girdi sağlama toplamı ve kütüphane sürümleri her sonuçla birlikte saklanır. Onaylanmış planlar değişmez.

Yöntem bölümünüze ne yazmalı?Bağlantıyı kopyala

Bir EnaResearch dışa aktarmasına dayanan bir sonucu raporlarken şunları kaydedin:

1. veri seti tanım sürümü,
2. veri kesimi,
3. manifestteki SHA-256 içerik özeti,
4. değişken sürümleri (değişken veri setlerinde),
5. analizle birlikte saklanan istatistik kütüphanesi sürümleri.

Bu beş satırla çalışmaya erişimi olan herkes aynı dosyayı yeniden üretip özeti doğrulayabilir; bir hakemin bir sayıyla ilgili sorusu hafızadan değil kayıttan yanıtlanır. Üretim ve her indirme denetim kaydına yazıldığı için bir dosyayı kimin ürettiğini ve kimin indirdiğini de gösterebilirsiniz.

Ayrıntılar araştırma veri seti ve dışa aktarma ve değişkenler ve istatistik sayfalarında.