Bilgi Artışı
Verileri toplama, depolama, organize etme, analiz etme ve rasyonelleştirme ve akıllıca kararlar verme yeteneğimiz, artık değişimin büyük hacmi ve hızı tarafından zorlanmaktadır. Uzun süredir yerleşik merkezileştirme paradigmaları çöküyor ve birçok durumda yerelleştirilmiş depolama ve işleme tek geçerli seçenektir.
Bu, 50–250 Milyar birlikte var olan öğeyi kapsayan bir Nesnelerin İnterneti (IoT) için en olası yol olan biyolojik emsallerle uyumludur. Üretilecek ve saklanacak IoT verilerinin olası derinliği ve genişliği, birçok yeni zorluk sunacak ve yeni düşünme, analiz, ağ oluşturma ve operasyon modları talep edecektir.
IoT'nin çoğu özerk ve bizim için büyük ölçüde görünmez olacak olsa da, küçük bir kısmı, işletmelere, kurumlara ve hükümete sağlananlarla birlikte daha fazla kişisel avantaj sağlamak için dikkatimizi talep edecektir.
Yeşil Gündemin bir bileşeni olarak IoT'nin gerekliliği ve ekolojik olarak sürdürülebilir toplumların gerçekleştirilmesi o kadar açık değil. Malzeme tedariği, nakliye, işleme, üretim, teslimat, kullanım ve bakım ve yeniden kullanım, yeniden kullanım ve geri dönüşüm yoluyla nihai imha ile ilgili canlı denetim izleri, sıfıra yakın bir malzeme ve enerji israfı geleceği elde etmemizin tek yoludur. Bu aynı zamanda çiftçilik, gıda malzemeleri, emtialar ve sarf malzemeleri için de geçerlidir.
Zamanında bilgi eksikliği nedeniyle dünya çapında lojistik faaliyet kaybının yılda ~ 3Tn $ olduğu tahmin edilmektedir. Örneğin, nakliye konteyneri paylaşımı, takibi ve envanter kontrolü, sektör gerekli teknolojiye sahip olmadığı için neredeyse yok denecek kadar azdır.
Müşteriler soruyor: mallarım nerede? Ama kimse emin değil! Neden? Niye? Gemiler ve kamyonlar takip edilir, ancak konteynerler, paletler ve kutular izlenmez. Ancak konteynerler, paletler, kutular ve paketler elektronik olarak etiketlenebilseydi ve birbirleriyle konuşabilseydi, lojistik dünyası büyük ölçüde değişecekti. Verimlilik artacak, kayıplar azalacak ve müşteri güveni ve ekonomi iyileşecekti.
Düşünce endüstrisi ve tam zamanında ticaret artık rekabeti büyük ölçüde yönlendiren müşteri talebi ve tutumlarıyla norm haline geldi. Ve böylece Büyük Veri, yukarıdaki lojistik vakasında örneklendiği gibi hem gerekli hem de hayati bir bileşen ve kolaylaştırıcı olmuştur. Ancak bir sonraki aşamada, birincil bileşeni üstlenecek olan Küçük Veri olacaktır. Büyük Veri artık makro üretimi ve sunumu tatmin ederken, Küçük Veri'nin yeni özelleştirme seviyeleri sunması bekleniyor.
Son olarak, iletişim ve bilgi kullanılabilirliğinin her zaman değişime neden olduğunu gözlemliyoruz, ancak IoT durumunda, bu kullanılabilirliğe Küçük Veri hakim olacaktır. Bu yeni boyut, bireysel, örgütsel ve toplumsal düzeyde yaptığımız şeylerin çoğunun temelden yeniden düşünülmesini teşvik edecektir. Bu değişikliklerin nasıl gelişebileceğini göstermek için, büyük fırsatlar sunan az sayıda örneği inceleyeceğiz.
Bilimsel bilgiye örnek
Bilgiye ulaşma yolları
Bilgi Erişim Sistemleri nedir
Bilimsel Bilgiye Erişim Yolları
Bilgi toplumunda iletişim konuları
Bilginin güvenilir olmasının toplumların gelişmesine etkisi nedir
Doğru bilgi
Bilginin önemi
Sanayi
Günümüzün üretim süreçleri ve tedarik zincirleri, Viktorya dönemi atalarının çok cilalı ve verimli bir versiyonudur: otomatikleştirilmiş, daha hızlı ve daha ince, daha yüksek hassasiyete, daha iyi performansa ve azaltılmış malzeme ve enerjiye sahiptir ve kesinlikle daha güvenilirdir, ancak temelde bunu yapamazlar. sürdürülebilir gelecekler sunmak. Bu, daha fazla verimlilik için bir kaplamadan daha fazlasını gerektirecektir.
Gelecek, verimli geri dönüşümle birlikte dağıtım, tedarik ve destek maliyetlerinin çoğunu ortadan kaldırırken malzeme ve enerji kullanımında azalma talep ediyor. Ancak, yenisi 1 W'tan daha azına ihtiyaç duyduğunda eski ekipman 10 W tüketiyorsa tüm bunların amacı nedir? Nihayetinde sürdürülebilirliğe giden yol bilim ve termodinamik tarafından yönlendirilmelidir.
Bu nedenle, malzemeleri çıkarma noktalarından taşıma ve iyileştirme yoluyla işleme ve üretime ve distribütöre, satıcıya, alıcıya/kullanıcıya, destek ve bakım organizasyonuna, bertarafına ve son olarak tam olarak izlemek için Büyük ve Küçük Verilere ihtiyacımız var. eko-duyarlı geri dönüşüm. Bu, kapalı bir yaratıcı düşünce ve sürekli iyileştirme döngüsüne giren tasarımcılar, üreticiler ve kullanıcılarla yolculuğun neredeyse her mm, cm, m ve km'sinde olacak.
Daha da yanal olarak, tam bir üretim ve kullanım kaydı, sahte ürünlere karşı koruma sağlarken, kazalar, yangından zarar görmüş mallar ve yanlış yerleştirilmiş, nadir ve bulunması zor ürünler gibi diğer arızalar karşısında yedek parça geri kazanımını ve yeniden kullanımını kolaylaştırır. Ordu, çalışan araçların, uçakların ve silah sistemlerinin sayısını gerçek zamanlı olarak ve genellikle baskı altında en üst düzeye çıkarmak için bu yaklaşımı zaten iyi bir şekilde kullanıyor.
Çiftçilik sektörü, hayvan bakımı ve biçerdöverlerin ve diğer yüksek maliyetli bitki öğelerinin paylaşılmasıyla büyük bitki öğelerinin maksimum kullanımı için teknolojilerin izlenmesi, izlenmesi ve analiz edilmesinde oldukça ilerlemiştir.
Ayrıca, hayvan diyetlerini büyüme, hamilelik ve süt üretim döngüleri ile birlikte hava koşullarına uyarlamak için gelişmiş gıda karışımlarını kullanırlar. Bu tür uygulamalar, hammaddelerin, makinelerin ve tesislerin plastiklere, metal levhalara, belirli 3D yazıcılara, değirmenlere veya şekillendiricilere kadar paylaşılabildiği endüstri için de aynı derecede alakalı.
Daha az ekipman ve atıl duran daha az insan, daha az enerji için daha fazla çıktı, her şeyin verimli bir şekilde geri kazanılması, yeniden kullanılması, yeniden kullanılması ve geri dönüştürülmesi, ancak hepsinden iyisi, tasarım ve üretim verileri bireysel bileşen kayıtlarının bir parçası haline geldiğinde entegre öğrenme ve yenilik.
Diğer ilerlemeler arasında güvenlik ve standart altı onarımlara, değiştirme ve kurulum hatalarına, çalıştırma özelliklerinin ötesindeki gezilere ve elektronik enfeksiyonlara/kötü amaçlı yazılımlara/saldırılara karşı koruma da yer alır.
Aletler
Tüketici ürünlerinin (radyo, TV, ocaklar, buzdolapları, dondurucular vb.) ortalama ömrü 7 yıldır ve bu süre zarfında birbirini takip eden ürün nesillerinde önemli iyileştirmeler uygulanmaktadır. Bunlar genellikle daha az parça, daha az ve daha iyi malzeme, daha iyi performans, daha fazla yerleşik "zeka" ve elbette yeni zaman ve enerji tasarrufu sağlayan üretim yöntemleri görür. Satın alma, kullanım ve değiştirme alışkanlıkları kişiye ve eve, bölgeden bölgeye ve ülkeden ülkeye değişiklik gösterir, ancak yükseltmeler 5 yıllık tekrarlanabilir bir zaman aralığında gerçekleşme eğilimindedir.
Kullanılabilirlik Önyargısını Düzeltme Yöntemleri
1980’lerin ortalarından günümüze kadar devam eden istatistikçiler, kullanılabilirlik yanlılığının etkileri için meta-analiz sonuçlarını düzeltmek için istatistiksel yöntemler geliştirdiler. Zamanla, bu yöntemler istatistiksel olarak giderek daha karmaşık hale geldi (ve giderek daha karmaşık hale geldi). Ancak tüm bu yöntemler birincil çalışmaların p değerlerine dayanmaktadır; yani, hepsi yayın olasılığının (bir ağırlık fonksiyonu aracılığıyla) bu çalışmanın p değerine bağlı olduğunu varsaymaktadır.
Çalışmaların diğer özelliklerinin yayınlanma olasılığını etkileme olasılığına ilişkin herhangi bir hüküm yoktur (örneğin, rapor edilen etki büyüklüğü, çalışmanın metodolojik nitelikleri, yazarların itibarı vb.). Bu, bu yöntemleri biraz gerçekçi kılacaktır. Bununla birlikte, belki de daha ciddi bir sorun, tüm bu yöntemlerin, her çalışmanın yalnızca bir hipotezi test ettiğini (ve dolayısıyla dikkate alınması gereken yalnızca bir ilgili p değerine sahip olduğunu) örtük olarak varsayıyor gibi görünmesidir.
Sonuç olarak, bu yöntemlerin birkaç hipotezin test edildiği ve çeşitli anlamlılık testleri ve p değerleri ile sonuçlanan çalışmalara uygulanabilirliği sorgulanabilir. Daha önce belirtildiği gibi, bu tür çalışmalar bugün araştırma literatürlerinin çoğunda büyük çoğunluğu oluşturmaktadır. Bu geniş varsayımsal problemlerin ötesinde, bu yöntemler, gerçek verilerde tutulabilen veya tutulmayan çeşitli ek istatistiksel varsayımlara dayanır.
Bununla birlikte, eğer varsa, yayın yanlılığı, meta-analitik incelemeler de dahil olmak üzere araştırma incelemelerinden elde edilen sonuçları ciddi şekilde çarpıtma potansiyeline sahip olduğundan, bu yöntemler büyük ilgi görmüştür. Gelecekte meta-analizde önemli ölçüde daha önemli hale gelmeleri olasıdır.
Bu yöntemler zaman içinde gelişmiştir ve aşağıdaki sunumda bu yöntemleri göründükleri yaklaşık kronolojik sırayla sunuyoruz. Bu yöntemlerin oldukça teknik doğası ve yer kısıtlamaları nedeniyle, bu yöntemlerin yalnızca genel bakışlarını ve özet açıklamalarını sunuyoruz.
Orijinal Hedges-Olkin (1985) Yöntemi
Hedges (1984) ve Hedges ve Olkin (1985) tarafından sunulan ilk yöntem, tüm önemli çalışmaların (önem yönünden bağımsız olarak) yayınlandığı ve önemsiz çalışmaların hiçbirinin yayınlanmadığı varsayımına dayanıyordu. Yani, en basit “ağırlık fonksiyonları” ile başladılar: Tüm anlamlı çalışmalar 1 ve tüm önemsiz çalışmalar 0 ağırlıklıydı. Daha sonraki yöntemlerde daha karmaşık ve daha az gerçekçi olmayan varsayımlar ve ağırlıklandırma fonksiyonları kullanıldı.
Belirli bir araştırma literatüründe yalnızca yayınlanmış çalışmalar mevcut olsaydı ve yalnızca önemli sonuçlar bildiren çalışmalar yayınlanmış olsaydı, o zaman sıfır hipotezi doğru olsaydı, yayınlananlarda istatistiksel olarak anlamlı pozitif ve negatif d veya r değerleri yaklaşık olarak eşit sayıda olurdu. literatür ve r ̄ ve d ̄ ortalama olarak 0 olacaktır ve yayın yanlılığının r ̄ ve d ̄ tahminleri üzerinde hiçbir etkisi olmayacaktır (ancak Sρ2 ve Sδ2 tahminleri yanlı olacaktır).
Her iki yönde de önemli ve aşırı sonuçlar eşit derecede muhtemel olacaktır. Ancak, sıfır hipotezi yanlış olsaydı (örneğin, δ ̄ > 0), bu tür çalışmalardan hesaplanan ortalama etki büyüklüğü gerçek değerine eşit olmayacak, bunun yerine yukarıya doğru yönlendirilecekti. Bu yanlılığın miktarı, altta yatan δ değerine ve çalışma örneklem büyüklüğüne bağlı olacaktır.
Hedges ve Olkin (1985), maksimum olabilirlik yöntemlerine dayanarak, farklı çalışma örneklem büyüklükleri ve g∗ değerleri için δ tahminlerini tahmin etmiş ve tablolaştırmıştır; burada g∗, bir çalışmadan elde edilen d’nin gözlemlenen değeridir. önemsiz ds elendi (sansürlendi). Tüm anlamlı olmayan ds’yi hariç tutan bir dizi çalışmada, her d değerinde bir yanlılık vardır.
Meta analiz Nedir
Meta regresyon nedir
Meta analiz çalışması Nedir
Meta-analiz makale nedir
meta-analiz çalışması örneği
Meta-analiz kitap PDF
Meta-analiz pdf
meta-analiz makale örneği
Bu taraflı d değerleri (sembolize edilmiş g∗), Hedges ve Olkin’in Tablo 2’si (s. 293–294) kullanılarak yaklaşık olarak yansız δ tahminlerine dönüştürülebilir. Örneğin, NE = NC = 20 ve g∗ = .90 ise, bu tablo δ (δˆ) için maksimum olabilirlik tahmininin .631 olduğunu gösterir. g∗’den δˆ’ye bu dönüşüm, çalışma setindeki g∗ değerlerinin her biri için yapılabilir.
Tablo NE =NC, ancak Hedges ve Olkin (s. 292) varsayımına dayalıdır (s. 292), deney ve kontrol grubu örneklem büyüklükleri eşit olmadığında, tabloya minimum doğruluk kaybıyla girmek için ikisinin ortalamasının kullanılabileceğini kaydetti. Gözlenen tüm d değerleri, yalnızca önemli sonuçların rapor edilmesinin neden olduğu yanlılık için düzeltildikten sonra, Hedges ve Olkin, elde edilen δˆ değerlerinin çalışma örneklem büyüklükleriyle ağırlıklandırılmasını ve (neredeyse) yansız ortalama etki büyüklüğünü (δ ̄) tahmin etmek için ortalamasının alınmasını tavsiye etti.
Bu nedenle, analiz için yalnızca önemli etki büyüklüklerini bildiren çalışmalar mevcut olduğunda bile, ortalama etki büyüklüğünün yansız bir tahminini elde etmek mümkündür. Bu tahminin, δ ̄, gözlemlenen ortalama etki büyüklüğünden, g ̄∗ oldukça küçük olacağına dikkat edin. Bu yöntemin formülleri, popülasyon etki büyüklüğünün δ çalışmalar arasında değişmediği varsayımı altında türetilmiştir (yani, bu bir sabit etkiler modelidir). δ çalışmalar arasında önemli ölçüde farklılık gösteriyorsa, bu yöntem yalnızca ortalama etki büyüklüğünün (δ ̄) yaklaşık bir tahminini verir.
δˆ değerlerinin örnekleme hatası varyansı, formülde sıradan d değerleri için verilenden oldukça büyüktür. , NE = NC = 50 ve δ = 1.50). Meta-analizde ortaya çıkan çoğu veri seti için, örnekleme hatası varyans formülleri, gerçek örnekleme hatası varyansını yaklaşık üçte bir ila yarıya kadar hafife alacaktır. Bu nedenle, elde edilen SDδ tahmini çok büyük olacaktır. Ancak, daha önce belirtildiği gibi, δ ̄ tahmini yaklaşık olarak yansız olmalıdır.
Normalde, çalışmaların sansürlenmesi tamamlanmamıştır. Önemli olanlar arasında bazı önemsiz çalışmalar bulunacaktır. Bu durumlarda, Hedges ve Olkin (1985), araştırmacının önemsiz olan çalışmaları elemesini ve ardından burada açıklanan yöntemleri kullanmaya devam etmesini önermiştir. Bununla birlikte, daha sonra geliştirilen yöntemler, toplam yayın yanlılığından daha azına izin verir. Yani, bazı önemsiz çalışmaların yayınlanması ve bazı önemli çalışmaların yayınlanmama ihtimaline izin veriyorlar. Bu, önemli olmayan çalışmaları analizden çıkarma ihtiyacını ortadan kaldırır.