#лабжурнал

Одна женщина спросила мудреца:
– Почему мужчина, имевший много женщин – хороший мужчина, а женщина, имевшая много мужчин – плохая?
На что мудрец ей ответил:
- Вот если антитело подходит к разным эпитопам - это хорошее антитело?
- Ну, наверное
- А вот если один эпитоп к разным антителам?
- То это плохие антитела
- Дура, такую притчу запорола!

Привет, коллега!

Сегодня расскажу про иммуногистохимическое окрашивание - достаточно рутинный для многих биологов и патоморфологов метод. Те, кто про него никогда не слышали, смогут на простом примере узнать, как выявляют специфические молекулы на основе взаимодействия антиген-антитело. А для тех, кто уже с ним сталкивался, в конце поста я приведу несколько лайфхаков 😁

Пост получился большой и, думаю, в данной рубрике это станет нормой. Так что читай и смотри мемы в телеграфе

Шикарная ситуация: авторы стебанулись над рецензентами, которые заставляли их что-то ненужное (но может быть зато свое, родное) цитировать, и прямо написали об этом в тексте статьи.

Редактор все это дело пустил «в работу» и вот, статья, с таким красивым абзацем в конце введения, уже в печати 🥳

Одним словом авторы - капитальные красавчики. Другими словами - титановые шары у этих авторов 😁

Причем журнал вполне приличный (IF 8.1). Кризис научных журналов продолжается, в общем. Кстати, в том же MDPI, к рекомендациям типа «милок, ты вот эту пачку статей еще процитируй и все будет норм», относятя более чем строго. Своего вообще ничего нельзя советовать, а насчет чужих работ тоже еще десят раз уточнят, точно ли это нужно.

PS. Ссылка на саму статью авторов c Balls of Steel из Поднебесной тут.

#сдохни_или_умри

От ваших ки-пи-ай у меня уже ОКР

Привет, коллега!

На прошлой неделе мы говорили о различных индексах, которые призваны оценивать учёных. И все они не идеальны, как и многие количественные показатели, которыми пытаются измерять труд. Сегодня я бы хотела рассказать о двух подходах к определению эффективности людей и команд. Возможно, эта информация пригодится для того, чтобы говорить с разного рода начальством или хотя бы чтобы понимать, чего они от тебя хотят.

Первый подход оценки работы - это KPI (key performance indicators). Думаю, система знакома многим и у многих вызывает только головную боль 😡 Смысл её в том, чтобы задать некоторые показатели, которые можно будет отслеживать раз в какой-то период, и по результатам, например, определять сколько денежек должен получить сотрудник. Типичные KPI прописаны в трудовом контракте: надо N статей в год, N методичек, N руководства студентами и так далее.

И если ты уже сколько-то поработал в науке, то знаешь, что любые KPI прекрасно закрываются имитационными процессами. Надо N статей? Ок, напишем в нерецензируемые журналы. Надо N статей в Q1? Ок, напишем в MDPI парочку обзоров, а то и вовсе прибегнем к фальсификации данных. Ещё можно покупать соавторство или соавторов, в общем, вариантов масса. Методички посадим писать студентов, которыми и нужно руководить, очень удобно!

И самое главное, люди начинают работать не для какой-то высшей цели, а на выполнение этих самых KPI. Статьи пишутся не ради нового научного знания, а ради самих статей. Ещё пример, в мою аспирантскую пору, полицейские в главном здании МГУ под конец месяца обшаривали все кусты в поисках курильщиков в незаконных местах, чтобы выполнить план по административным преступлениям. Они ещё жаловались, что эти цифры постоянно увеличивают. Не знаю, на что им теперь приходится идти ради показателей 😰

И если мы хотим думать именно о целеполагании, то система KPI не очень подходит и в середине прошлого века стала развиваться альтернативная система оценки эффективности - OKR (Objectives and Key Results). В этой системе первоначально ставятся некие цели (objectives), причём они должны быть достаточно амбициозны, но не недосягаемы. Считается, что эти цели не могут быть достигнуты полностью, иначе они слишком приземлённые, но и слабое продвижение тоже плохо, значит, цели недостижимы. Оптимум считается выполнение на 70%, что бы это ни значило 🤷‍♂️ Далее эти цели разбиваются на 3-5 ключевых результатов (key results). Например, научная группа хочет войти в топ 10 групп по данной тематике в мире. Для этого она ставит ключевые результаты в плане качества работ и, соответственно, журналов для публикации, количества конференций, представленности в соцсетях и тд.

Звучит как KPI, не так ли? Не совсем, очень важно, что key results никак не должны влиять на зарплату сотрудника. И это именно то, на чём часто сыпятся бюджетные учреждения, пытающиеся внедрить систему OKR, не будучи готовыми отпустить финансовые кнут с пряником. И тогда, если спустить ключевые результаты сверху, сотрудники займутся имитацией. Если дать им самим обозначить для себя результаты - то они обозначат те, что заведомо смогут выполнить или даже перевыполнить. А в OKR перевыполнение заведомо невозможно.

Критика OKR связана как раз с туманностью формулировки цели, которую нужно выполнить на 70% и никак иначе, а также с теорией о том, что без финансового стимула люди не будут хорошо делать свою работу. Тем не менее, многие IT компании достаточно успешно работают с OKR.

На мой взгляд, KPI хороши для операционных процессов, не требующих творческого подхода. Завод должен выпускать подшипники в нужном количестве нужного качества и тут KPI подходят как нельзя лучше. Но если завод хочет перестраиваться, выпускать ещё и шарики, то постановка новой производственной линии и системы разделения труда, как мне кажется, требует уже OKR. А если говорить про науку, то это же вообще очень творческий процесс и опыт показывает, что если отстать от учёных с цифрами и дать им относительную свободу - то они сами прекрасно справятся, чай не дураки 🤓

#статистика_для_котиков

Я всегда считала, что мои шутки про статистику выше среднего, но, похоже, это была стандартная ошибка

Привет, коллега!

Когда-то я писала о мерах разброса и говорила, что такая вещь как стандартная ошибка среднего (SEM) не может использоваться как мера разброса. Штош, думаю теперь ты готов узнать почему.

Представь себе распределение зарплат всех-всех учёных в России. Как ты скорее всего догадываешься, оно будет ассиметричным. Теперь представь, что ты решил ездить на разные конференции и опрашивать по 50 учёных на каждой, узнавая какая у них зарплата ❓ Каждая конференция - это отдельная выборка с одинаковым количеством значений в ней. И для каждой выборки ты можешь посчитать выборочное среднее.

А теперь смотри какая крутая штука. Если ты возьмёшь все эти выборочные средние и сформируешь из них свою выборку с блекджеком и переменными, то она будет иметь нормальное распределение 🌈 Независимо от того, какое распределение имела генеральная совокупность.

Это следует из центральной предельной теоремы, которая гласит, что сумма большого количества слабо зависимых случайных величин имеет распределение, близкое к нормальному. Очень важно, что для работы этой теоремы мы должны опрашивать прям много учёных на каждой конференции, то есть n в выборках должно быть достаточно большим, иначе нормального распределения не будет. Условная граница стоит на 30 значениях: если их меньше - сорян, центральная предельная теорема не работает 😪

Наше новое распределение будем называть распределением выборочных средних. Так вот, как и у любого нормального распределения у него есть среднее и стандартное отклонение. В идеальной ситуации, где мы опросили по 50 учёных на бесконечном количестве конференций и не обанкротили наш институт, среднее распределения выборочных средних будет равно математическому ожиданию генеральной совокупности. В нашем случае - средней зарплате всех-всех учёных. А стандартное отклонение будет рассчитываться как стандартное отклонение генеральной совокупности, делённое на корень из количества значений в выборках, (в нашем случае из 50). И вот это стандартное отклонение распределения выборочных средних и называется стандартной ошибкой среднего (standard error mean, SEM)

Получается, если ты делаешь биологические повторности, то это тоже самое, что опросить учёных только на одной конференции и SEM как мера разброса для них будет попросту некорректна. И только для выборки из средних по многим независимым экспериментам, в каждом из которых будет более 30 биологических повторностей, можно использовать SEM. Но, если честно, я пока не встречала таких работ 🤷‍♂️

И что же получается, SEM это какая-то гипотетическая характеристика сферических коней в вакууме и она никому не нужна? Конечно же нет, без неё не получится рассчитать доверительные интервалы, о которых я расскажу уже в следующем посте про статистику.