Ontvang een duidelijke statistische methodeaanbeveling voor uw studieontwerp
geen vaag «het hangt af van de verdeling»
Als u de AI vraagt welke toets u moet gebruiken, krijgt u vaak een vaag antwoord — «het hangt af van de verdeling» — zonder uit te leggen hoe u concreet kunt beslissen. Echt medisch onderzoek heeft een aanbeveling nodig op basis van uw specifieke uitkomsttype, groepsstructuur en steekproefgrootte.
Statistical Method Advisor (Lite) transformeert een echte statistische consultatie in een invulbaar sjabloon. Beschrijf uw gegevens, ontvang een primaire aanbeveling met redenering, alternatieven met aanname-controles en een kant-en-klare zin voor de Methods-sectie — zonder prompt engineering te hoeven leren.
Gebruik het gratis sjabloonTaakverdeling in het sjabloon
U vult alleen de onderzoeksinformatie in. De consultatielogica is al ingebouwd.
U vult in
- Klinisch domein: Vertel de AI of het gaat om cardiologie, oncologie, IC of een ander vakgebied, zodat aanbevelingen aansluiten bij de gangbare rapportageconventies in dat veld.
- Databeschrijving: Beschrijf de uitkomstvariabele, predictoren, aantal groepen, gepaarde of onafhankelijke steekproeven, steekproefgrootte en bekende verdelings- of missende-waardenpatronen.
- Onderzoeksvraag: Geef aan of u groepen wilt vergelijken, verbanden wilt onderzoeken, predictoren wilt evalueren of een time-to-event uitkomst wilt analyseren.
- Uitvoertaal: Ontvang de aanbeveling, toelichting en concepttekst voor de Methoden-sectie in de taal die u daadwerkelijk gebruikt voor discussies of rapporten.
Al ingebouwd
- Als essentiële informatie ontbreekt, vraagt de AI eerst door in plaats van verdeling, koppeling of steekproefstructuur zelf aan te nemen
- Als meerdere methoden in aanmerking komen, presenteert het een hoofdaanbeveling en eerlijke alternatieven met selectiecriteria
- Elke methode bevat sleutelaannames en concrete controlemanier, zoals Shapiro-Wilk, Levene of Q-Q-plots
- Het stopt niet bij het noemen van een toets: het legt ook uit op welke statistiek u moet letten en wat 'niet significant' niet betekent
- Het levert een direct aanpasbare Methods-formulering voor uw manuscript
Dezelfde vraag, twee manieren
Het echte verschil: verduidelijkt de AI de datakenmerken die de beslissing bepalen, vóórdat een methode wordt benoemd?
Wat u verstuurt
Welke statistische methode gebruik ik om de postoperatieve opnameduur van twee patiëntgroepen te vergelijken?
Typisch resultaat
- De AI noemt mogelijk zowel t-toets als Mann-Whitney U zonder uitleg over de keuze - Controleert mogelijk niet of de groepen onafhankelijk zijn, of de opnameduur scheef verdeeld is, of de steekproef klein is - Geeft mogelijk geen advies bij niet-voldane aannames U moet het beslissingsproces alsnog zelf reconstrueren.
Ingevulde variabelen
Klinisch domein: Intensive care Databeschrijving: Uitkomst = postoperatieve opnameduur (continu, duidelijk rechtscheef); twee onafhankelijke groepen; blootstelling = vroege mobilisatie vs standaardzorg; circa 45 patiënten per groep Onderzoeksvraag: opnameduur vergelijken tussen groepen Uitvoertaal: Nederlands
Gestructureerde uitvoer die u terugkrijgt
1. Bevestiging datakenmerken - Continue variabele, 2 onafhankelijke groepen, middelgrote steekproef 2. Aanbevolen methode - Hoofdaanbeveling: Mann-Whitney U-toets - Reden: opnameduur is vaak scheef verdeeld, mediaan/IQR is robuuster 3. Alternatief - Bij benadering normaalverdeling en acceptabele variantie: onafhankelijke t-toets 4. Interpretatie en Methoden-concept - Richtlijn voor rapportering van effectgrootte, significantie en manuscriptformulering
Wat één consultatie u oplevert
Deze secties komen rechtstreeks uit de werkelijke uitvoerstructuur van statistical-method-advisor-lite.
Databevestiging
Uitkomsttype, predictoren, groepsstructuur, koppelstatus en steekproefgrootte worden eerst samengevat zodat de aanbeveling niet op een misverstand berust.
Hoofdaanbeveling
Er wordt duidelijk aangegeven welke methode prioriteit heeft, met een begrijpelijke uitleg waarom die bij uw data past.
Alternatieven en aanname-controles
Vervangmethoden, overstapvoorwaarden en concrete controles van normaliteit, variantiegelijkheid of andere sleutelaannames worden gepresenteerd.
Interpretatie en Methoden-formulering
De meest relevante statistiek wordt aangewezen, veelgemaakte misinterpretaties worden benoemd, en een direct bewerkbare Methoden-formulering voor uw manuscript wordt meegeleverd.
Hoe gebruikt u het
De data nauwkeurig beschrijven
Geef variabelentypes, aantal groepen, gepaarde of onafhankelijke structuur, steekproefgrootte en bekende verdelingskenmerken op. Hoe vollediger de informatie, hoe bruikbaarder de aanbeveling.
De prompt in de AI plakken
Plak de gegenereerde prompt in ChatGPT, Claude of het AI-hulpmiddel dat u al gebruikt. De AI bevestigt eerst wat het heeft begrepen over uw data.
De analyse bepalen
Controleer eerst de vermelde aannames en kies dan de definitieve methode. Als het probleem multivariaat, longitudinaal of op overleving gericht is, stap over naar een uitgebreidere workflow.
Vul uw vakgebied, databeschrijving en onderzoeksvraag in en ontvang direct een hoofdaanbeveling, alternatieven, aanname-controles, interpretatiegids en een Methoden-concept.
Veelgestelde vragen
Voor welke situaties is dit sjabloon het meest geschikt?
Het is het meest geschikt voor gangbare univariate of bivariate beslissingen: groepsvergelijkingen, analyse van binaire uitkomsten, verbandtoetsing of een eerste beoordeling van een time-to-event vraag. Het helpt de beslissingsprocedure te structureren, maar vervangt geen volledige statistische consultatie.
Wat als mijn data niet normaal verdeeld zijn?
Het sjabloon instrueert de AI om uit te leggen hoe normaliteit en variantiegelijkheid gecontroleerd worden en welke alternatieven er zijn als aannames niet kloppen. Voor duidelijk scheve data zoals opnameduur of kosten zijn niet-parametrische methoden vaak geschikter.
Genereert het een volledig R- of SPSS-script?
De Lite-versie richt zich op methodeselectie, onderbouwing en eenvoudige opdrachtenhinten, niet op volledige productieklare scripts. Voor uitvoerbare code of complexere modellen stapt u over naar een uitgebreidere analyseworkflow.
Mag ik echte patiëntgegevens in de AI plakken?
Gewoonlijk niet. Een structuuromschrijving is veiliger en vaak voldoende: variabelentype, groepsstructuur, geschatte steekproefgrootte en verdelingspatroon. Vermijd herleidbare informatie of ruwe patiëntgegevens.
Kan het ook meervoudige regressie, herhaalde metingen of overlevingsanalyse aan?
Een eerste oriëntatie is mogelijk, maar de Lite-versie is niet ontworpen om complexe modelleringskeuzes volledig op te lossen. Als u al weet dat meervoudige regressie, longitudinale clustering of overlevingsmethoden nodig zijn, gebruik dan de uitgebreidere statistiekversie van het platform.