• การคำนวณแบบกำหนดแน่นอน:เวิร์กโฟลว์ที่ทำซ้ำได้ถือว่ากระบวนการคำนวณเป็นแบบกำหนดได้ ซึ่งหมายความว่า หากมีอินพุตและพารามิเตอร์เดียวกัน กระบวนการเหล่านั้นก็จะให้ผลลัพธ์ที่เหมือนกันเสมอ ซึ่งต้องมีการจัดการการสร้างตัวเลขสุ่มอย่างระมัดระวัง (โดยใช้ค่าคงที่) การแก้ไขปัญหาความแม่นยำของจุดลอยตัว และการจัดการพฤติกรรมเฉพาะแพลตฟอร์มที่อาจส่งผลต่อผลลัพธ์
• เอกสารประกอบ:แนวทางนี้ถือว่าการตัดสินใจทำความสะอาดข้อมูลทั้งหมด รวมถึงเหตุผลและรายละเอียดการนำไปใช้ สามารถและควรมีการบันทึกอย่างชัดเจน ซึ่งรวมถึงการกำหนดช่วงที่ยอมรับได้สำหรับตัวแปร การระบุข้อกำหนดสำหรับการจัดการข้อมูลที่ขาดหายไป การระบุเกณฑ์การตรวจจับค่าผิดปกติ และการให้เหตุผลสำหรับการแปลงใดๆ ที่ใช้กับข้อมูลดิบ
• แยกความกังวล:เวิร์กโฟลว์ที่ทำซ้ำได้นั้นถือว่ามีการแยกข้อมูล โค้ด และสภาพแวดล้อมอย่างชัดเจน ข้อมูลดิบจะถือว่าไม่เปลี่ยนแปลง โดยการแปลงทั้งหมดจะดำเนินการผ่านโค้ดที่ควบคุมเวอร์ชัน การแยกนี้ทำให้มั่นใจได้ว่าข้อมูลดั้งเดิมจะยังคงอยู่เหมือนเดิม และการเปลี่ยนแปลงทั้งหมดสามารถตรวจสอบย้อนกลับได้
• การเข้าถึงและการถ่ายโอน:วิธีการนี้ถือว่าส่วนประกอบทั้งหมดที่จำเป็นสำหรับการทำซ้ำ รวมถึงโค้ด ข้อมูลจำเพาะของสภาพแวดล้อม และเอกสารประกอบ สามารถถ่ายโอนและดำเนินการโดยนักวิจัยคนอื่นได้อย่างมีประสิทธิภาพ ซึ่งต้องให้ความสำคัญกับการออกใบอนุญาต การอ้างอิง และปัญหาความเข้ากันได้ของแพลตฟอร์ม
• การปรับแต่งซ้ำ:เวิร์กโฟลว์ที่ทำซ้ำได้ยอมรับว่าการทำความสะอาดข้อมูลเป็นกระบวนการแบบวนซ้ำที่ต้องมีการตรวจสอบ การทำความสะอาด และการยืนยันหลายรอบ แนวทางนี้ถือว่าสามารถติดตามและจัดการการวนซ้ำเหล่านี้ได้อย่างเป็นระบบ โดยมีเอกสารประกอบที่ชัดเจนว่าการตัดสินใจพัฒนาไปอย่างไรโดยอิงจากความคุ้นเคยที่เพิ่มขึ้นกับชุดข้อมูล

1. การดำเนินการควบคุมเวอร์ชัน

การควบคุมเวอร์ชันบนพื้นฐาน Git สำหรับสคริปต์ทำความสะอาดข้อมูล:

• การดำเนินการ R: # Initialize Git repository with R project
# In terminal or R console with usethis
library(usethis)
create_project("~/projects/clinical_trial_cleaning")
use_git()

# Track changes with meaningful commits
# In terminal
git add data_cleaning_functions.R
git commit -m "Add validation rules for lab values with clinical ranges"
• การใช้งาน Python: # Use DVC for data version control
# In terminal
pip install dvc
dvc init
dvc add raw_patient_data.csv
git add raw_patient_data.csv.dvc .gitignore
git commit -m "Add raw patient data with DVC tracking"

2. กรอบการทำงานการตรวจสอบข้อมูล

• การใช้งาน R ด้วยแพ็คเกจการตรวจสอบ: library(validate)

# Define validation rules
rules <- validator(
age >= 18, # Inclusion criteria
systolic_bp >= 70 & systolic_bp <= 220, # Physiological range
diastolic_bp >= 40 & diastolic_bp <= 120,
if(!is.na(death_date)) death_date >= enrollment_date, # Logical temporal sequence
is_complete(patient_id), # Required fields
is_unique(patient_id) # No duplicates
)

# Apply rules to data
validation_results <- confront(clinical_data, rules)
summary(validation_results)

# Generate validation report
library(validatetools)
validation_report <- validate_report(validation_results, clinical_data)
• การนำ Python ไปใช้งานด้วยความคาดหวังอันยิ่งใหญ่: import great_expectations as ge

# Load data as a Great Expectations DataFrame
df = ge.read_csv("clinical_data.csv")

# Define expectations
df.expect_column_values_to_be_between("age", min_value=18, max_value=100)
df.expect_column_values_to_be_between("systolic_bp", min_value=70, max_value=220)
df.expect_column_values_to_be_between("diastolic_bp", min_value=40, max_value=120)
df.expect_column_values_to_not_be_null("patient_id")
df.expect_column_values_to_be_unique("patient_id")

# Validate and save results
validation_result = df.validate()
print(validation_result)

3. ระบบท่อส่งอัตโนมัติ

• แพ็คเกจการใช้งาน R พร้อมเป้าหมาย: # In _targets.R file
library(targets)

source("R/data_cleaning_functions.R")

list(
tar_target(raw_data, read_csv("data/raw_clinical_data.csv")),
tar_target(validated_data, validate_clinical_ranges(raw_data)),
tar_target(imputed_data, impute_missing_values(validated_data)),
tar_target(derived_variables, create_derived_variables(imputed_data)),
tar_target(final_clean_data, remove_outliers(derived_variables)),
tar_target(quality_report, generate_data_quality_report(final_clean_data))
)

# Execute pipeline
# In R console
library(targets)
tar_make()
• การใช้งาน Python กับ Kedro: # Install and set up Kedro
# In terminal
pip install kedro
kedro new --starter=pandas-iris

# In conf/base/catalog.yml
raw_clinical_data:
type: pandas.CSVDataSet
filepath: data/01_raw/clinical_data.csv

clean_clinical_data:
type: pandas.CSVDataSet
filepath: data/03_primary/clean_clinical_data.csv

# In src/pipeline.py
from kedro.pipeline import Pipeline, node
from .nodes import validate_data, handle_missing, create_features

def create_pipeline():
return Pipeline(
[
node(
func=validate_data,
inputs="raw_clinical_data",
outputs="validated_data",
name="data_validation",
),
node(
func=handle_missing,
inputs="validated_data",
outputs="complete_data",
name="missing_data_handling",
),
node(
func=create_features,
inputs="complete_data",
outputs="clean_clinical_data",
name="feature_engineering",
),
]
)

# Run pipeline
# In terminal
kedro run

4. การสร้างมาตรฐานด้านสิ่งแวดล้อม

• การใช้งาน R ด้วย renv: # Initialize dependency management
library(renv)
renv::init()

# Install required packages
install.packages(c("dplyr", "tidyr", "validate", "mice"))

# Snapshot dependencies
renv::snapshot()

# Share with collaborators
# They run:
# renv::restore()
• การใช้งาน Python กับ Docker: # Dockerfile
FROM python:3.9-slim

WORKDIR /app

COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt

COPY . .

CMD ["python", "run_cleaning_pipeline.py"]

# Build and run
# In terminal
docker build -t clinical-data-cleaning .
docker run -v $(pwd)/data:/app/data clinical-data-cleaning

5. การจัดทำเอกสารแบบบูรณาการ

• การใช้งาน R ด้วย R Markdown: ---
title: "Clinical Trial Data Cleaning Protocol"
author: "Research Team"
date: "`r Sys.Date()`"
output: html_document
---

```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
library(tidyverse)
library(validate)
```

## Data Cleaning Workflow

### 1. Data Loading and Initial Assessment

```{r load-data}
raw_data <- read_csv("data/raw_clinical_data.csv")
glimpse(raw_data)
summary(raw_data)
```

### 2. Validation Rules

```{r validation}
rules <- validator(
age >= 18,
systolic_bp >= 70 & systolic_bp <= 220
)

validation_results <- confront(raw_data, rules)
summary(validation_results)
```
• การใช้งาน Python กับ Jupyter Notebooks และ nbdev: # Install nbdev
# In terminal
pip install nbdev

# In Jupyter notebook
# # Clinical Data Cleaning Pipeline
# > Documented data cleaning workflow for multicenter trial

# ## Import libraries

import pandas as pd
import numpy as np
import great_expectations as ge

# ## Load and examine raw data

def load_clinical_data(filepath):
"""
Load the raw clinical trial data

Args:
filepath: Path to CSV file

Returns:
DataFrame with raw clinical data
"""
return pd.read_csv(filepath)

raw_data = load_clinical_data("data/raw_clinical_data.csv")
raw_data.info()
raw_data.describe()

เมื่อตีความผลลัพธ์ของเวิร์กโฟลว์การทำความสะอาดข้อมูลที่ทำซ้ำได้:

• เมตริกคุณภาพข้อมูล:ประเมินการวัดเชิงปริมาณของคุณภาพข้อมูลก่อนและหลังการทำความสะอาด ซึ่งรวมถึงความสมบูรณ์ (เปอร์เซ็นต์ของค่าที่ไม่หายไป) ความถูกต้อง (เปอร์เซ็นต์ของค่าที่ตรงตามข้อจำกัดของโดเมน) ความสอดคล้อง (ความสอดคล้องเชิงตรรกะระหว่างตัวแปรที่เกี่ยวข้อง) และความเฉพาะตัว (ไม่มีข้อมูลซ้ำ) เวิร์กโฟลว์ที่ประสบความสำเร็จควรแสดงการปรับปรุงในมิติเหล่านี้โดยมีเอกสารประกอบที่ชัดเจนว่าระเบียนใดล้มเหลวและกฎการตรวจสอบใด
• การประเมินผลกระทบจากการเปลี่ยนแปลง:เปรียบเทียบสถิติเชิงพรรณนาและการแจกแจงของตัวแปรหลักก่อนและหลังการทำความสะอาด การเปลี่ยนแปลงที่สำคัญในค่าเฉลี่ย ค่ามัธยฐาน หรือค่าเบี่ยงเบนมาตรฐานอาจบ่งชี้ถึงการเกิดอคติที่อาจเกิดขึ้นระหว่างการทำความสะอาด รายงานสถิติทั้งแบบดิบและแบบแปลง โดยให้ความสนใจเป็นพิเศษกับตัวแปรที่สำคัญต่อผลลัพธ์หลักและผลลัพธ์รองในการวิจัยทางการแพทย์
• การตรวจสอบความสามารถในการทำซ้ำ:ประเมินว่าการดำเนินการเวิร์กโฟลว์โดยอิสระโดยสมาชิกในทีมที่แตกต่างกันหรือในสภาพแวดล้อมการประมวลผลที่แตกต่างกันนั้นให้ผลลัพธ์ที่เหมือนกันหรือคล้ายคลึงกันในระดับที่ยอมรับได้หรือไม่ ความแตกต่างทางตัวเลขเล็กน้อย (ภายใน \(10^{-10}\)) อาจเกิดขึ้นเนื่องจากเลขคณิตจุดลอยตัว แต่ไม่ควรส่งผลต่อข้อสรุปทางวิทยาศาสตร์ บันทึกพฤติกรรมเฉพาะแพลตฟอร์มใดๆ ที่ส่งผลกระทบต่อการทำซ้ำ
• เมตริกการดำเนินการท่อ:ประเมินประสิทธิภาพและความน่าเชื่อถือของเวิร์กโฟลว์โดยพิจารณาจากระยะเวลาในการดำเนินการ การใช้หน่วยความจำ และอัตราความล้มเหลว ไพลน์ไลน์ที่ออกแบบมาอย่างดีควรทำงานอย่างสม่ำเสมอโดยไม่ต้องมีการแทรกแซงด้วยมือ และรวมถึงกลไกการจัดการข้อผิดพลาดและการกู้คืนที่เหมาะสม รายงานข้อกำหนดการคำนวณเพื่อกำหนดความคาดหวังที่เหมาะสมสำหรับความพยายามในการทำซ้ำ
• ความครบถ้วนของเอกสาร:ประเมินว่าเอกสารที่สร้างขึ้นนั้นอธิบายการตัดสินใจในการทำความสะอาดทั้งหมด เหตุผล และการดำเนินการอย่างเหมาะสมหรือไม่ เอกสารที่สมบูรณ์ควรทำให้ผู้อ่านที่มีความรู้เข้าใจได้ว่ามีการใช้การเปลี่ยนแปลงใดบ้าง เหตุใดจึงจำเป็นต้องทำ และดำเนินการอย่างไร โดยไม่จำเป็นต้องถอดรหัสโดยตรง
• ความชัดเจนของแหล่งที่มาของข้อมูล:ตรวจสอบว่าเวิร์กโฟลว์รักษาลำดับชั้นที่ชัดเจนตั้งแต่ข้อมูลดิบจนถึงชุดข้อมูลสุดท้ายที่ผ่านการทำความสะอาดแล้ว การแปลงแต่ละครั้งควรตรวจสอบย้อนกลับได้ โดยสามารถระบุได้ว่าการดำเนินการทำความสะอาดเฉพาะใดส่งผลกระทบต่อบันทึกและตัวแปรใดบ้าง ความโปร่งใสนี้มีความจำเป็นสำหรับการปกป้องทางเลือกในการวิเคราะห์ระหว่างการตรวจสอบโดยผู้เชี่ยวชาญและการส่งเอกสารตามกฎระเบียบ

• การจัดการข้อมูลการทดลองทางคลินิก: การนำเวิร์กโฟลว์การทำความสะอาดที่ทำซ้ำได้ไปใช้สำหรับการทดลองแบบสุ่มที่มีการควบคุมหลายศูนย์ การกำหนดมาตรฐานหน่วยมูลค่าของห้องปฏิบัติการในทุกไซต์ การตรวจสอบความถูกต้องของข้อมูลแบบฟอร์มรายงานกรณีเทียบกับเกณฑ์คุณสมบัติเฉพาะโปรโตคอล การบันทึกข้อมูลการจัดการการเบี่ยงเบนของโปรโตคอล การสร้างชุดข้อมูลที่สอดคล้องกับ CDISC สำหรับการส่งไปยังหน่วยงานกำกับดูแล การสร้างเส้นทางการตรวจสอบการทำความสะอาดข้อมูลเพื่อให้เป็นไปตาม GCP
• การศึกษากลุ่มประชากรตามระบาดวิทยา: การประสานความแปรต่างๆ ทั่วทั้งคลื่นการติดตามผลหลายๆ คลื่น; การนำการจัดการการสูญเสียในการติดตามผลที่สอดคล้องไปปฏิบัติ; การกำหนดมาตรฐานคำจำกัดความผลลัพธ์ในแต่ละช่วงเวลา; การบันทึกเกณฑ์การคัดออกที่เปลี่ยนแปลงไป; การสร้างการอนุมานคะแนนความเสี่ยงแบบองค์รวมที่สามารถทำซ้ำได้; การสร้างเอกสารที่โปร่งใสของการเลือกกลุ่มตัวอย่างเพื่อการรายงานที่สอดคล้องกับ STROBE
• การวิจัยบันทึกสุขภาพอิเล็กทรอนิกส์: การสร้างมาตรฐานรหัสการวินิจฉัยและขั้นตอนต่างๆ ในระบบการดูแลสุขภาพ การนำอัลกอริทึมฟีโนไทป์ที่ทำซ้ำได้มาใช้ การบันทึกการตัดสินใจเรื่องเวลาสำหรับความสัมพันธ์ระหว่างการเปิดเผยและผลลัพธ์ การสร้างแนวทางที่สอดคล้องกันในการจัดการกับตอนการดูแลที่กระจัดกระจาย การสร้างวิศวกรรมคุณลักษณะที่โปร่งใสสำหรับการสร้างแบบจำลองเชิงทำนาย
• บทวิจารณ์เชิงระบบและการวิเคราะห์อภิมาน: การนำเวิร์กโฟลว์การดึงข้อมูลที่ทำซ้ำได้จากการศึกษาขั้นพื้นฐานไปใช้งาน; การกำหนดมาตรฐานการวัดผลลัพธ์ในแต่ละการศึกษา; การบันทึกการตัดสินใจในการรวม/แยก; การสร้างการประเมินความเสี่ยงจากอคติที่โปร่งใส; การสร้างการสังเคราะห์หลักฐานที่ทำซ้ำได้สำหรับการรายงานที่สอดคล้องกับ PRISMA
• การศึกษาด้านจีโนมและไบโอมาร์กเกอร์: การนำการควบคุมคุณภาพที่ทำซ้ำได้ไปใช้กับข้อมูลที่มีมิติสูง; การทำให้การแก้ไขผลแบบแบตช์เป็นมาตรฐาน; การบันทึกการจัดการค่าผิดปกติในข้อมูลการแสดงออก; การสร้างไปป์ไลน์ที่โปร่งใสสำหรับการเรียกตัวแปรและคำอธิบายประกอบ; การสร้างเวิร์กโฟลว์การค้นพบไบโอมาร์กเกอร์ที่ทำซ้ำได้พร้อมการแก้ไขการทดสอบหลายรายการที่เหมาะสม

• ค่าใช้จ่ายเบื้องต้นในการพัฒนา:การสร้างเวิร์กโฟลว์ที่สามารถทำซ้ำได้นั้นต้องมีการลงทุนล่วงหน้าอย่างมากในโครงสร้างโค้ด เอกสารประกอบ และการทดสอบ ซึ่งอาจถือได้ว่าไม่สมดุลสำหรับการศึกษาขนาดเล็ก ทางเลือก: นำแนวทางการทำซ้ำแบบค่อยเป็นค่อยไปมาใช้ โดยเริ่มจากการควบคุมเวอร์ชันพื้นฐานและเทมเพลตเอกสารประกอบ จากนั้นค่อยเพิ่มการทำงานอัตโนมัติและการตรวจสอบทีละน้อยเมื่อความซับซ้อนของโครงการเพิ่มขึ้น สำหรับโครงการขนาดเล็ก วิธีการเขียนโปรแกรมที่เข้าใจง่าย เช่น R Markdown หรือ Jupyter Notebooks อาจเป็นจุดเริ่มต้นที่เบากว่าสำหรับการทำซ้ำได้
• อุปสรรคด้านทักษะทางเทคนิค:การนำเวิร์กโฟลว์ที่สามารถทำซ้ำได้อย่างครอบคลุมมาใช้ต้องมีความเชี่ยวชาญด้านการเขียนโปรแกรม ระบบควบคุมเวอร์ชัน และเครื่องมือจัดการเวิร์กโฟลว์ ซึ่งอาจเกินกว่าการฝึกอบรมของนักวิจัยทางการแพทย์หลายๆ คน ทางเลือก: ใช้เครื่องมือเวิร์กโฟลว์แบบกราฟิก เช่น KNIME หรือ Orange ที่ให้การสร้างไปป์ไลน์แบบภาพในขณะที่ยังคงความสามารถในการทำซ้ำได้ พิจารณาแนวทางการทำงานร่วมกัน โดยนักระเบียบวิธีจะพัฒนาเทมเพลตที่นักวิจัยทางคลินิกสามารถนำไปปรับใช้โดยมีค่าใช้จ่ายทางเทคนิคน้อยที่สุด
• การจัดการข้อมูลที่ละเอียดอ่อน:เวิร์กโฟลว์ที่สามารถทำซ้ำได้อย่างสมบูรณ์อาจขัดแย้งกับกฎระเบียบความเป็นส่วนตัวและข้อจำกัดการแบ่งปันข้อมูลที่พบได้ทั่วไปในการวิจัยทางการแพทย์ โดยเฉพาะอย่างยิ่งเมื่อทำงานกับข้อมูลสุขภาพที่ได้รับการคุ้มครอง ทางเลือก: ใช้แนวทางการทำซ้ำได้แบบสองชั้น โดยที่ขั้นตอนการประมวลผลข้อมูลที่ละเอียดอ่อนจะถูกจำกัดการเข้าถึง ในขณะที่การวิเคราะห์ข้อมูลที่ไม่ระบุตัวตนในภายหลังยังคงเปิดกว้างอย่างสมบูรณ์ ใช้เครื่องสร้างข้อมูลสังเคราะห์เพื่อสร้างชุดข้อมูลทดสอบที่รักษาความเป็นส่วนตัวซึ่งเลียนแบบโครงสร้างและคุณสมบัติทางสถิติของข้อมูลที่ละเอียดอ่อน
• มาตรฐานที่เปลี่ยนแปลงและความล้าสมัยของเครื่องมือ:เวิร์กโฟลว์ที่ทำซ้ำได้นั้นขึ้นอยู่กับเวอร์ชันซอฟต์แวร์และแพ็คเกจเฉพาะที่อาจล้าสมัยหรือเข้ากันไม่ได้เมื่อเวลาผ่านไป โดยเฉพาะอย่างยิ่งสำหรับการศึกษาในระยะยาว ทางเลือกอื่น: เทคโนโลยีการสร้างคอนเทนเนอร์ เช่น Docker หรือ Singularity สามารถรักษาสภาพแวดล้อมการคำนวณทั้งหมดได้ ระบบการจัดการแพ็คเกจ เช่น Conda, renv หรือ pip ที่มีไฟล์ requirements.txt สามารถบันทึกการอ้างอิงอย่างชัดเจน พิจารณาการปรับปรุงเวิร์กโฟลว์เป็นระยะด้วยการตรวจสอบอย่างรอบคอบกับเอาต์พุตอ้างอิงที่เก็บรักษาไว้

เมื่อรายงานเวิร์กโฟลว์การทำความสะอาดข้อมูลที่ทำซ้ำได้ในสิ่งพิมพ์วิจัยทางการแพทย์:

• รวมส่วน "การประมวลผลข้อมูล" หรือ "การเตรียมข้อมูล" เฉพาะในวิธีการที่อธิบายเวิร์กโฟลว์การทำความสะอาดข้อมูลอย่างชัดเจน รวมถึงเครื่องมือซอฟต์แวร์ แพ็คเกจพร้อมหมายเลขรุ่น และการอ้างอิงไปยังที่เก็บโค้ดที่เผยแพร่ต่อสาธารณะในกรณีที่เกี่ยวข้อง
• รายงานเมตริกคุณภาพข้อมูลเชิงปริมาณก่อนและหลังการทำความสะอาด รวมทั้งจำนวนบันทึกที่ได้รับผลกระทบจากการดำเนินการทำความสะอาดหลักแต่ละครั้ง เปอร์เซ็นต์ของข้อมูลที่หายไปสำหรับตัวแปรหลัก และวิธีการแก้ไขปัญหาเหล่านี้
• จัดทำแผนภาพการไหลของข้อมูลเพื่อแสดงความคืบหน้าจากข้อมูลดิบไปจนถึงชุดข้อมูลที่พร้อมสำหรับการวิเคราะห์ โดยเน้นที่ขั้นตอนการแปลงที่สำคัญ จุดตรวจสอบการตรวจสอบ และจุดที่ระเบียนอาจถูกยกเว้น
• จัดทำเอกสารเกณฑ์การยกเว้นทั้งหมดที่ใช้ในระหว่างการทำความสะอาดข้อมูลพร้อมขนาดตัวอย่างที่สอดคล้องกันในแต่ละขั้นตอน โดยปฏิบัติตาม CONSORT (สำหรับการทดลองทางคลินิก) STROBE (สำหรับ การศึกษาเชิงสังเกตการณ์) หรือแนวปฏิบัติด้านการบันทึก (สำหรับข้อมูลสุขภาพที่รวบรวมเป็นประจำ)
• ระบุแนวทางการจัดการสำหรับปัญหาข้อมูลสำคัญต่างๆ รวมถึงค่าที่ขาดหายไป (เช่น การวิเคราะห์กรณีทั้งหมด การนำค่ามาแทนค่าหลายรายการ) ค่าที่ผิดปกติ (เช่น การถอดรหัส วิธีการที่มั่นคง) และตัวแปรที่ได้มา (โดยให้สูตรที่ชัดเจน)
• รวมคำชี้แจงความพร้อมใช้งานของข้อมูลที่ไม่เพียงแต่ระบุถึงชุดข้อมูลสุดท้ายเท่านั้น แต่ยังรวมถึงวัสดุที่สามารถทำซ้ำได้ (รหัส ไฟล์การกำหนดค่า กฎการตรวจสอบ) พร้อมด้วยกลไกการเข้าถึงที่เหมาะสมที่เคารพข้อจำกัดความเป็นส่วนตัว
• สำหรับวารสารที่รองรับเนื้อหาที่ได้รับการพัฒนา ให้จัดเตรียมลิงก์ไปยังสมุดบันทึกที่สามารถทำงานได้ (เช่น Code Ocean, Binder) ที่สาธิตขั้นตอนการทำความสะอาดข้อมูลสำคัญด้วยตัวอย่างข้อมูลสังเคราะห์หรือข้อมูลที่ไม่ระบุตัวตน
• รายงานการเบี่ยงเบนใด ๆ จากขั้นตอนการทำความสะอาดข้อมูลที่ลงทะเบียนไว้ล่วงหน้าหรือระบุตามโปรโตคอล พร้อมคำอธิบายว่าเหตุใดจึงจำเป็นต้องเปลี่ยนแปลง และการประเมินผลกระทบที่อาจเกิดขึ้นต่อผลลัพธ์

บริการตรวจสอบสถิติต้นฉบับของเรามักตรวจพบข้อผิดพลาดเหล่านี้ในการทำความสะอาดข้อมูลที่สามารถทำซ้ำได้

บริการตรวจสอบสถิติต้นฉบับของเรามักระบุข้อผิดพลาดเหล่านี้ในเวิร์กโฟลว์การทำความสะอาดข้อมูลที่ทำซ้ำได้:

• เกณฑ์การยกเว้นที่ไม่มีเอกสาร:การลบข้อสังเกตตามเกณฑ์เฉพาะกิจหรือหลังการพิจารณาโดยไม่มีเอกสารประกอบที่ชัดเจน อาจทำให้เกิดอคติในการเลือกได้ ซึ่งมักแสดงออกมาในรูปแบบของความไม่สอดคล้องระหว่างขนาดตัวอย่างที่รายงานกับชุดข้อมูลการวิเคราะห์จริง โดยเฉพาะอย่างยิ่งเมื่อมีการนำการยกเว้นไปใช้ในสคริปต์การทำความสะอาดหลายชุดโดยไม่มีการติดตามแบบรวมศูนย์
• วิธีการใส่ค่าที่ไม่เหมาะสม:การใช้แนวทางข้อมูลที่ขาดหายไปอย่างเรียบง่าย (เช่น การคำนวณค่ากลาง การสังเกตครั้งสุดท้ายที่ส่งต่อ) ซึ่งไม่สามารถอธิบายกลไกข้อมูลที่ขาดหายไปได้ ซึ่งอาจทำให้เกิดความลำเอียงในการเชื่อมโยงและประเมินค่าผิดพลาดมาตรฐานต่ำเกินไป เวิร์กโฟลว์ที่ทำซ้ำได้ควรบันทึกการวิเคราะห์รูปแบบข้อมูลที่ขาดหายไปซึ่งแจ้งการเลือกแนวทางการคำนวณ
• การจัดการค่าผิดปกติที่ไม่สอดคล้องกัน:การใช้การตรวจจับและการจัดการค่าผิดปกติที่แตกต่างกันในตัวแปรต่างๆ โดยไม่มีเหตุผลที่ชัดเจน หรือการใช้การจัดการค่าผิดปกติที่แตกต่างกันระหว่างการวิเคราะห์เชิงพรรณนาและเชิงอนุมาน เวิร์กโฟลว์ที่เหมาะสมควรใช้เกณฑ์ค่าผิดปกติที่กำหนดไว้ล่วงหน้าอย่างสอดคล้องกัน โดยมีเอกสารประกอบที่ชัดเจนทั้งเกี่ยวกับวิธีการตรวจจับและแนวทางการจัดการ
• การแปลงข้อมูลที่ไม่ได้ติดตาม:การนำการแปลงตัวแปรไปใช้ (เช่น การแปลงลอการิทึม การจัดหมวดหมู่ตัวแปรต่อเนื่อง) โดยไม่ต้องบันทึกผลกระทบต่อการแจกแจงและความสัมพันธ์ เวิร์กโฟลว์ที่ทำซ้ำได้ควรมีการเปรียบเทียบสถิติสรุปที่สำคัญและการแสดงภาพก่อนและหลังเพื่อประเมินผลกระทบของการแปลง
• ความไวของพารามิเตอร์ท่อ:ไม่สามารถประเมินได้ว่าการเปลี่ยนแปลงในพารามิเตอร์การทำความสะอาดข้อมูล (เช่น เกณฑ์ค่าผิดปกติ ข้อกำหนดของแบบจำลองการใส่ค่า) ส่งผลต่อผลลัพธ์สุดท้ายอย่างไร เวิร์กโฟลว์ที่ทำซ้ำได้ที่มั่นคงควรมีการวิเคราะห์ความอ่อนไหวที่วัดปริมาณว่าผลลัพธ์ที่สำคัญเปลี่ยนแปลงไปอย่างไรภายใต้การตัดสินใจทำความสะอาดข้อมูลที่เหมาะสมที่แตกต่างกัน
• ความไม่รู้เลื่อนลอยแห่งกาลเวลา:ไม่คำนึงถึงการเปลี่ยนแปลงที่อาจเกิดขึ้นในกระบวนการรวบรวมข้อมูล แนวทางการเข้ารหัส หรือเครื่องมือวัดในช่วงเวลาหนึ่งในการศึกษาวิจัยในระยะยาว เวิร์กโฟลว์ที่ทำซ้ำได้ควรมีการตรวจสอบความสอดคล้องตามเวลาอย่างชัดเจน และบันทึกขั้นตอนการประสานงานที่ใช้เพื่อรักษาความสามารถในการเปรียบเทียบ