🧠 پروتکل تحقیقاتی: آزمون تکرارپذیری تصمیم‌گیری در شرایط احتمالی یکسان

Research Protocol: Repeatability Test of Decision-Making Under Identical Probabilistic Conditions

def generate_unique_trial():
    """
    تولید یک آرایش تصادفی جدید
    """
    positions = []
    
    # Grid 3×3 با هر سلول 33.33% عرض/ارتفاع
    grid_size = screen_height / 2 / 3  # نیمه بالایی / 3
    
    for i in range(10):
        # موقعیت تصادفی در نیمه بالایی صفحه
        x = random.uniform(20, screen_width - 20)
        y = random.uniform(20, screen_height / 2 - 20)
        
        # اطمینان از عدم همپوشانی
        while is_overlapping(x, y, positions):
            x = random.uniform(20, screen_width - 20)
            y = random.uniform(20, screen_height / 2 - 20)
        
        positions.append({'x': x, 'y': y})
    
    return positions

def is_overlapping(x, y, existing_positions, min_distance=60):
    """
    بررسی فاصله حداقل 60 پیکسل بین دایره‌ها
    """
    for pos in existing_positions:
        distance = sqrt((x - pos['x'])**2 + (y - pos['y'])**2)
        if distance < min_distance:
            return True
    return False

/* 15 رنگ پاستلی */
const colors = [
  '#E8F4F8', // آبی روشن
  '#FCE8EC', // صورتی روشن
  '#FFF4E6', // نارنجی روشن
  '#F0FFF4', // سبز روشن
  '#EDE9FE', // بنفش روشن
  '#FEF3C7', // زرد روشن
  '#DBEAFE', // آبی آسمانی
  '#FED7AA', // نارنجی کرم
  '#E0E7FF', // یاسی روشن
  '#BFDBFE', // آبی ملایم
  '#FEE2E2', // قرمز روشن
  '#D1FAE5', // سبز یشمی
  '#F3E8FF', // بنفش پاستلی
  '#FDE68A', // زرد طلایی
  '#BAE6FD'  // فیروزه‌ای
]

previous_color = None

def get_fixation_color():
    global previous_color
    
    # انتخاب تصادفی (بدون تکرار متوالی)
    available = [c for c in colors if c != previous_color]
    selected = random.choice(available)
    previous_color = selected
    
    return selected

/* دایره‌ها */
.circle {
  width: 40px;
  height: 40px;
  border-radius: 50%;
  background-color: #6B7280; /* طوسی تیره */
  cursor: pointer;
  transition: transform 100ms;
}

.circle:hover {
  transform: scale(1.1); /* بازخورد بصری */
}

.circle:active {
  transform: scale(0.95);
}

تابع تبدیل:

def pixel_to_grid(x, y, screen_width=390, screen_height=844):
    """
    تبدیل مختصات پیکسلی به شماره گرید (1-9)
    
    فقط نیمه بالایی صفحه (y < 422) معتبر است
    """
    if y >= screen_height / 2:
        raise ValueError("انتخاب در نیمه پایینی!")
    
    # محاسبه ستون (1, 2, 3)
    col = int(x / (screen_width / 3)) + 1
    
    # محاسبه ردیف (0, 1, 2)
    row = int(y / (screen_height / 2 / 3))
    
    # شماره گرید
    grid_number = row * 3 + col
    
    return grid_number

# مثال
pixel_to_grid(150, 100) → 1  # گوشه بالا-چپ
pixel_to_grid(195, 211) → 5  # مرکز
pixel_to_grid(350, 400) → 9  # گوشه پایین-راست (نیمه بالایی)

6️⃣ پروتکل اجرایی

6.1 فرآیند گام‌به‌گام

6.2 رضایت‌نامه آگاهانه (Informed Consent)

متن نمونه:

آزمایش تصمیم‌گیری سریع

هدف: بررسی الگوهای انتخاب در شرایط محدودیت زمانی

مدت زمان: حدود 5 دقیقه

روش: شما 10 دایره خواهید دید و باید سریعاً یکی را انتخاب کنید.

محرمانگی: تمام داده‌ها ناشناس ذخیره می‌شوند.

حق انصراف: در هر زمان می‌توانید از آزمایش خارج شوید.

سوالات؟ ایمیل: researcher@example.com

☐ متوجه شدم و موافقم

6.3 فرم دموگرافیک

interface Demographics {
  age: number;              // سن (18-45)
  gender: 'male' | 'female' | 'other' | 'prefer_not_to_say';
  handedness: 'right' | 'left' | 'both';
  vision: 'normal' | 'corrected' | 'impaired';
  education: 'high_school' | 'bachelor' | 'master' | 'phd';
  device: 'android' | 'ios';
  screen_size: number;      // اینچ
}

چرا این اطلاعات؟

• سن: تأثیر بر سرعت پردازش شناختی
• جنسیت: تفاوت‌های احتمالی در risk-taking
• دست برتر: تأثیر بر سوگیری چپ/راست
• بینایی: کنترل کیفیت
• تحصیلات: متغیر کنترل
• دستگاه: کنترل تفاوت‌های فنی

6.4 راهنمای تصویری

صفحه 1:

6.5 نحوه ثبت داده‌ها

ساختار JSON هر Trial:

{
  "trial_id": "550e8400-e29b-41d4-a716-446655440000",
  "user_id": "anonymous_abc123",
  "trial_number": 15,
  "trial_type": "implicit_repeat",
  "timestamp": "2025-10-08T14:23:45.678Z",
  
  "stimulus": {
    "circles": [
      {"x": 45.2, "y": 67.8, "id": 0},
      {"x": 123.5, "y": 189.3, "id": 1},
      // ... 10 دایره
    ],
    "scene_id": "scene_042",
    "is_repeat": true,
    "original_trial": 8,
    "lag": 7
  },
  
  "response": {
    "selected_circle_id": 3,
    "grid_position": 5,
    "rt_ms": 847,
    "mouse_path": [[0,100], [50,150], ...], // اختیاری
    "timeout": false
  },
  
  "context": {
    "fixation_color": "#E8F4F8",
    "block_number": 2,
    "time_of_day": "afternoon"
  }
}

7️⃣ متغیرها و ابزارهای اندازه‌گیری

7.1 متغیرهای مستقل (Independent Variables)

الف) نوع Trial

• سطوح: Unique / Implicit Repeat / Explicit Repeat / Catch
• نوع: Categorical (طبقه‌ای)

ب) فاصله تکرار (Lag)

• سطوح: Short (5-10) / Medium (15-25) / Long (35-50)
• نوع: Ordinal (ترتیبی)
• فقط برای Implicit Repeats

ج) موقعیت در Grid

• سطوح: 1, 2, 3, 4, 5, 6, 7, 8, 9
• نوع: Categorical

7.2 متغیرهای وابسته (Dependent Variables)

الف) Consistency Index (CI) - شاخص اصلی

تعریف:
$$CI = \frac{\text{تعداد انتخاب‌های یکسان در تکرارها}}{\text{تعداد کل تکرارها}} \times 100$$

محاسبه برای هر فرد:

def calculate_CI(user_data):
    """
    محاسبه Consistency Index
    """
    repeats = user_data[user_data['is_repeat'] == True]
    
    matches = 0
    total = 0
    
    for _, repeat in repeats.iterrows():
        original_trial = user_data[
            user_data['scene_id'] == repeat['scene_id']
        ].iloc[0]
        
        if repeat['selected_circle_id'] == original_trial['selected_circle_id']:
            matches += 1
        
        total += 1
    
    CI = (matches / total) * 100
    return CI

# مثال
user_001: 12 تکرار → 4 یکسان → CI = 33.3%
user_002: 12 تکرار → 1 یکسان → CI = 8.3%

تفسیر:

• $CI \leq 15\%$: تصادفی (در محدوده شانس)
• $15\% < CI < 30\%$: سوگیری ضعیف
• $CI \geq 30\%$: الگوی قوی ⭐

ب) Reaction Time (RT)

تعریف:
زمان از نمایش محرک تا کلیک (میلی‌ثانیه)

محاسبه:

// کد فرانت‌اند
const stimulusOnset = performance.now();

// ... کاربر کلیک می‌کند ...

const clickTime = performance.now();
const RT = clickTime - stimulusOnset; // ms

آنالیز آماری:

import pandas as pd
import scipy.stats as stats

# حذف outliers (RT < 200ms یا RT > 1800ms)
df_clean = df[(df['rt'] >= 200) & (df['rt'] <= 1800)]

# مقایسه
rt_repeated = df_clean[df_clean['is_repeat'] == True]['rt']
rt_unique = df_clean[df_clean['is_repeat'] == False]['rt']

# t-test
t_stat, p_value = stats.ttest_ind(rt_repeated, rt_unique)

# Effect size (Cohen's d)
pooled_std = np.sqrt(
    (rt_repeated.std()**2 + rt_unique.std()**2) / 2
)
cohen_d = (rt_repeated.mean() - rt_unique.mean()) / pooled_std

فرضیه:
$$H_0: \mu_{RT_{\text{repeat}}} = \mu_{RT_{\text{unique}}}$$

اگر $p < 0.05$ و $d < 0$: حافظه ضمنی وجود دارد!

ج) Spatial Entropy (H)

تعریف - آنتروپی شانون:
$$H = -\sum_{i=1}^{9} p_i \log_2(p_i)$$

با:
$$p_i = \frac{n_i}{\sum_{j=1}^{9} n_j}$$

محاسبه:

import numpy as np

def calculate_entropy(choices):
    """
    محاسبه آنتروپی فضایی
    
    choices: لیست شماره گریدها [5, 2, 5, 7, 1, ...]
    """
    # شمارش فراوانی
    counts = np.bincount(choices, minlength=10)[1:10]  # گریدهای 1-9
    
    # احتمالات
    probabilities = counts / counts.sum()
    
    # حذف صفرها (log(0) تعریف نشده)
    probabilities = probabilities[probabilities > 0]
    
    # آنتروپی
    H = -np.sum(probabilities * np.log2(probabilities))
    
    return H

# مثال
choices_uniform = [1,2,3,4,5,6,7,8,9] * 10  # کاملاً یکنواخت
H_uniform = calculate_entropy(choices_uniform)
# H = 3.17 bits (maximum)

choices_biased = [5] * 50 + [1,2,3,4,6,7,8,9] * 5  # سوگیری به مرکز
H_biased = calculate_entropy(choices_biased)
# H ≈ 2.1 bits

تفسیر:

7.3 متغیرهای کنترل (Control Variables)

الف) Counterbalancing Groups

دو گروه با شماره‌گذاری معکوس:

تحلیل ترکیبی:

def mirror_grid(grid_number, group):
    """
    تبدیل شماره گرید به فضای یکسان
    """
    if group == 'B':
        mirror_map = {1:3, 2:2, 3:1, 4:6, 5:5, 6:4, 7:9, 8:8, 9:7}
        return mirror_map[grid_number]
    return grid_number

# در آنالیز نهایی
df['normalized_grid'] = df.apply(
    lambda row: mirror_grid(row['grid'], row['group']), 
    axis=1
)

هدف: جداسازی "سوگیری واقعی" از "artifact طراحی"

ب) زمان روز (Time of Day)

def get_time_category(timestamp):
    hour = timestamp.hour
    
    if 6 <= hour < 12:
        return 'morning'
    elif 12 <= hour < 18:
        return 'afternoon'
    elif 18 <= hour < 24:
        return 'evening'
    else:
        return 'night'

چرا مهم است?
Circadian rhythm - تحقیقات نشان داده‌اند که:

• صبح: سرعت پردازش بالاتر
• بعدازظهر: دقت بیشتر
• شب: خستگی شناختی

کنترل آماری:

# ANCOVA با زمان روز به‌عنوان covariate
from statsmodels.formula.api import ols

model = ols('CI ~ C(trial_type) + C(time_of_day)', data=df).fit()

8️⃣ تحلیل آماری

8.1 آمار توصیفی (Descriptive Statistics)

برای کل نمونه (N=75):

import pandas as pd
import numpy as np

def describe_sample(df):
    """
    آمار توصیفی کلی
    """
    stats = {
        'CI': {
            'mean': df.groupby('user_id')['CI'].first().mean(),
            'std': df.groupby('user_id')['CI'].first().std(),
            'median': df.groupby('user_id')['CI'].first().median(),
            'range': (
                df.groupby('user_id')['CI'].first().min(),
                df.groupby('user_id')['CI'].first().max()
            )
        },
        'RT': {
            'mean': df['rt'].mean(),
            'std': df['rt'].std(),
            'median': df['rt'].median()
        },
        'Entropy': {
            'mean': df.groupby('user_id')['entropy'].first().mean(),
            'std': df.groupby('user_id')['entropy'].first().std()
        }
    }
    
    return stats

# خروجی نمونه
"""
Consistency Index (CI):
  Mean = 18.7% (SD = 12.3%)
  Median = 16.7%
  Range = [0%, 53.3%]

Reaction Time (RT):
  Mean = 847ms (SD = 203ms)
  Median = 812ms

Spatial Entropy (H):
  Mean = 2.89 bits (SD = 0.34)
"""

8.2 آزمون فرضیه اصلی

آزمون Binomial (دو جمله‌ای)

فرضیه:
$$H_0: p = 0.10 \quad \text{vs} \quad H_1: p > 0.10$$

محاسبه:

from scipy.stats import binomtest

# برای هر شرکت‌کننده
user = df[df['user_id'] == 'user_001']
repeats = user[user['is_repeat'] == True]

n_trials = len(repeats)  # مثلاً 15
n_matches = (repeats['is_match'] == True).sum()  # مثلاً 6

# Binomial test (one-tailed)
result = binomtest(
    k=n_matches,
    n=n_trials,
    p=0.10,
    alternative='greater'
)

print(f"p-value = {result.pvalue}")

# مثال:
# 6 موفقیت از 15 → p-value = 0.0012 ⭐
# پس CI این فرد معنادار است!

تحلیل گروهی:

# تعداد افرادی که CI معنادار دارند
significant_users = 0

for user_id in df['user_id'].unique():
    user_data = df[df['user_id'] == user_id]
    # ... محاسبه p-value ...
    
    if p_value < 0.05:
        significant_users += 1

proportion = significant_users / len(df['user_id'].unique())

print(f"{proportion*100:.1f}% افراد CI معنادار دارند")

# پیش‌بینی: اگر > 50% → فرضیه تأیید می‌شود

8.3 مقایسه RT (زمان واکنش)

Paired t-test

from scipy.stats import ttest_rel

# برای هر شرکت‌کننده
user = df[df['user_id'] == 'user_001']

# RT در دفعه اول دیدن صحنه
first_encounters = user[
    (user['is_repeat'] == False) | 
    (user['is_original'] == True)
]['rt']

# RT در تکرارها
repeats = user[
    (user['is_repeat'] == True) & 
    (user['is_original'] == False)
]['rt']

# t-test
t_stat, p_value = ttest_rel(first_encounters, repeats)

# Effect size
d = (repeats.mean() - first_encounters.mean()) / np.std(first_encounters - repeats)

print(f"t({len(first_encounters)-1}) = {t_stat:.2f}, p = {p_value:.4f}, d = {d:.2f}")

# مثال خروجی:
# t(14) = -2.31, p = 0.036, d = -0.42
# تفسیر: RT در تکرارها 42ms کمتر است (معنادار)

نمودار Box Plot:

import matplotlib.pyplot as plt
import seaborn as sns

plt.figure(figsize=(8, 6))
sns.boxplot(data=[first_encounters, repeats])
plt.xticks([0, 1], ['اولین مواجهه', 'تکرار'])
plt.ylabel('زمان واکنش (ms)')
plt.title('مقایسه RT در مراحل اول و تکرار')
plt.show()

8.4 تحلیل سوگیری مکانی

آزمون Chi-Square

فرضیه:
$$H_0: p_1 = p_2 = \cdots = p_9 = \frac{1}{9}$$

from scipy.stats import chisquare

# فراوانی مشاهده‌شده
observed = df['grid'].value_counts().sort_index().values

# فراوانی مورد انتظار (یکنواخت)
expected = [len(df) / 9] * 9

# Chi-square test
chi2, p_value = chisquare(observed, expected)

print(f"χ²(8) = {chi2:.2f}, p = {p_value:.4f}")

# اگر p < 0.05 → توزیع غیریکنواخت است

Heatmap سوگیری:

import seaborn as sns
import matplotlib.pyplot as plt

# محاسبه نسبت‌ها
grid_counts = df['grid'].value_counts()
grid_proportions = grid_counts / grid_counts.sum()

# تبدیل به ماتریس 3×3
heatmap_data = np.array([
    [grid_proportions.get(1, 0), grid_proportions.get(2, 0), grid_proportions.get(3, 0)],
    [grid_proportions.get(4, 0), grid_proportions.get(5, 0), grid_proportions.get(6, 0)],
    [grid_proportions.get(7, 0), grid_proportions.get(8, 0), grid_proportions.get(9, 0)]
])

# رسم نمودار
plt.figure(figsize=(8, 6))
sns.heatmap(
    heatmap_data * 100,  # به درصد
    annot=True,
    fmt='.1f',
    cmap='YlOrRd',
    cbar_kws={'label': 'درصد انتخاب'},
    vmin=8,  # حداقل: کمتر از میانگین
    vmax=15  # حداکثر: بیشتر از میانگین
)
plt.title('نقشه حرارتی سوگیری مکانی')
plt.xlabel('ستون')
plt.ylabel('ردیف')
plt.show()

# خروجی نمونه:

    
نقشه حرارتی سوگیری مکانی (خروجی نمونه):
    

        

            

                

                    
9.2%
                    
13.1%
                    
8.7%
                
                

                    
11.5%
                    
17.8%
                    
10.3%
                
                

                    
8.9%
                    
12.4%
                    
8.1%
                
            
        
    
    

         کمتر از میانگین
         نزدیک میانگین
         بیشترین انتخاب (مرکز)
    

8.5 تأثیر فاصله زمانی (Lag Effect)

ANOVA یک‌طرفه

from scipy.stats import f_oneway

# گروه‌بندی بر اساس lag
short_lag = df[df['lag_category'] == 'short']['is_match']
medium_lag = df[df['lag_category'] == 'medium']['is_match']
long_lag = df[df['lag_category'] == 'long']['is_match']

# ANOVA
F, p_value = f_oneway(short_lag, medium_lag, long_lag)

print(f"F(2, {len(df)-3}) = {F:.2f}, p = {p_value:.4f}")

# Post-hoc: Tukey HSD
from statsmodels.stats.multicomp import pairwise_tukeyhsd

tukey = pairwise_tukeyhsd(
    endog=df['is_match'],
    groups=df['lag_category'],
    alpha=0.05
)

print(tukey)

نمودار خط روند:

import matplotlib.pyplot as plt

lag_means = df.groupby('lag_category')['CI'].mean()

plt.figure(figsize=(10, 6))
plt.plot(['کوتاه', 'متوسط', 'بلند'], lag_means, marker='o', linewidth=2)
plt.xlabel('فاصله زمانی')
plt.ylabel('Consistency Index (%)')
plt.title('تأثیر فاصله زمانی بر همسانی انتخاب')
plt.grid(True, alpha=0.3)
plt.show()

# پیش‌بینی: نمودار نزولی (فراموشی زمانی)

8.6 رگرسیون لجستیک چندمتغیره

مدل پیش‌بینی:
$$\log\left(\frac{P(\text{match})}{1 - P(\text{match})}\right) = \beta_0 + \beta_1 \cdot RT_1 + \beta_2 \cdot \text{lag} + \beta_3 \cdot \text{grid}_{\text{center}}$$

from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import StandardScaler

# آماده‌سازی داده
X = df[['rt_first', 'lag', 'is_center_grid']]
y = df['is_match']

# نرمال‌سازی
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# مدل
model = LogisticRegression()
model.fit(X_scaled, y)

# ضرایب
print("ضرایب:")
print(f"  RT اول: {model.coef_[0][0]:.3f}")
print(f"  Lag: {model.coef_[0][1]:.3f}")
print(f"  مرکز: {model.coef_[0][2]:.3f}")

# Odds Ratios
odds_ratios = np.exp(model.coef_[0])
print("\nOdds Ratios:")
print(f"  RT اول: {odds_ratios[0]:.2f}")
print(f"  Lag: {odds_ratios[1]:.2f}")
print(f"  مرکز: {odds_ratios[2]:.2f}")

# تفسیر:
# اگر OR(مرکز) = 1.85 → انتخاب مرکزی 85% بیشتر تکرار می‌شود

9️⃣ کنترل متغیرهای مخدوش‌کننده

9.1 تهدیدهای روایی داخلی (Internal Validity Threats)

الف) Learning Effect (اثر یادگیری)

مشکل:
شرکت‌کننده در طول آزمایش یاد می‌گیرد "چگونه بازی کند"

کنترل:

1. ✅ 5 Trial تمرینی (قبل از شروع اصلی)
2. ✅ تحلیل جداگانه برای بلوک‌های اول/آخر
3. ✅ کنترل آماری:

# اضافه کردن trial_number به مدل
model = ols('CI ~ trial_number + trial_type', data=df).fit()

ب) Fatigue Effect (اثر خستگی)

مشکل:
در پایان آزمایش، توجه کاهش می‌یابد

شواهد:

# مقایسه RT در بلوک‌های مختلف
early = df[df['block'] == 'early']['rt'].mean()
late = df[df['block'] == 'late']['rt'].mean()

if late > early * 1.2:  # 20% افزایش
    print("⚠️ نشانه‌های خستگی مشاهده می‌شود")

کنترل:

1. ✅ مدت کوتاه آزمایش (4-5 دقیقه)
2. ✅ حذف trials با RT > 1500ms در بلوک پایانی
3. ✅ آنالیز sensitivity:

# تحلیل با/بدون 10 trial آخر
results_full = analyze_data(df)
results_trimmed = analyze_data(df[df['trial_number'] <= 65])

if results_full['CI'] ≈ results_trimmed['CI']:
    print("✅ نتایج پایدار هستند")

ج) Priming Effect (اثر آماده‌سازی)

مشکل:
دیدن یک محرک، پردازش محرک بعدی را تحت تأثیر قرار می‌دهد

مثال:
اگر trial قبلی گوشه بالا-راست بود، ممکن است trial بعدی هم همان‌جا!

کنترل:

def check_sequential_dependency(df):
    """
    بررسی وابستگی متوالی
    """
    df['prev_grid'] = df.groupby('user_id')['grid'].shift(1)
    
    # آیا انتخاب فعلی به قبلی وابسته است؟
    contingency_table = pd.crosstab(df['prev_grid'], df['grid'])
    
    chi2, p_value = chi2_contingency(contingency_table)
    
    if p_value < 0.05:
        print("⚠️ وابستگی متوالی وجود دارد!")
    
    return p_value

راه‌حل:
Fixation screen با رنگ‌های مختلف این اثر را کاهش می‌دهد.

9.2 تهدیدهای روایی خارجی (External Validity)

الف) محدودیت به گوشی هوشمند

مشکل:
آیا نتایج به کامپیوتر/تبلت تعمیم می‌یابد؟

پاسخ:
بله، چون:

1. تصمیم‌گیری سریع از دستگاه مستقل است
2. Grid نسبی است (نه پیکسل مطلق)

اما:
Mouse بهتر از touch دنبال می‌شود → ثبت می‌کنیم و کنترل می‌کنیم

ب) نمونه‌گیری راحت (Convenience Sampling)

مشکل:
شرکت‌کنندگان داوطلب هستند → ممکن است motivated باشند

کنترل:

1. ✅ ثبت دموگرافیک متنوع
2. ✅ مقایسه با نمونه‌های مرجع (اگر موجود باشد)
3. ✅ تکرار با نمونه متفاوت

9.3 تهدیدهای روایی سازه (Construct Validity)

آیا CI واقعاً "تکرارپذیری" را می‌سنجد؟

تهدیدها:

1. ممکن است فرد یاد بگیرد "کدام دایره راحت‌تر است"
2. ممکن است به‌خاطر عادت، همان موقعیت را انتخاب کند

کنترل:
✅ مقایسه Implicit vs Explicit:

CI_implicit = calculate_CI(df[df['repeat_type'] == 'implicit'])
CI_explicit = calculate_CI(df[df['repeat_type'] == 'explicit'])

if CI_implicit > CI_explicit:
    print("✅ CI ناخودآگاه است (نه عمدی)")

🔟 ملاحظات اخلاقی

10.1 اصول اخلاق در پژوهش

الف) Informed Consent (رضایت آگاهانه)

شرکت‌کننده باید بداند:

• ✅ هدف کلی تحقیق (بدون افشای فرضیه دقیق)
• ✅ مدت زمان
• ✅ نحوه استفاده از داده‌ها
• ✅ حق انصراف

نمونه متن:

"در این مطالعه، الگوهای تصمیم‌گیری سریع را بررسی می‌کنیم.
شما باید دایره‌ها را سریع انتخاب کنید.
تمام داده‌ها ناشناس است و می‌توانید در هر زمان خارج شوید."

ب) Anonymity (ناشناس‌بودن)

# تولید شناسه ناشناس
import uuid

user_id = str(uuid.uuid4())  # مثلاً: "550e8400-e29b-41d4-..."

# هیچ اطلاعات شخصی‌ساز (PII) ذخیره نمی‌شود:
# ❌ نام
# ❌ ایمیل
# ❌ IP address
# ❌ شماره تلفن

# فقط:
# ✅ سن (بازه)
# ✅ جنسیت
# ✅ تحصیلات

ج) Data Security (امنیت داده)

// ارتباط رمزنگاری‌شده
const API_URL = 'https://api.example.com'; // HTTPS فقط

// ذخیره‌سازی رمزشده
const encryptData = (data) => {
  // استفاده از AES-256
  return CryptoJS.AES.encrypt(JSON.stringify(data), SECRET_KEY);
};

مدت نگهداری:

• داده‌های خام: 5 سال (برای تکرار تحقیق)
• بعد از آن: حذف کامل

د) Debriefing (توضیح پس از آزمایش)

چرا مهم است؟

• افراد حق دارند بدانند چه چیزی سنجیده شده
• کاهش اضطراب احتمالی ("آیا خوب عمل کردم؟")

10.2 تأییدیه کمیته اخلاق

این مطالعه باید قبل از اجرا، توسط یک کمیته اخلاق (IRB - Institutional Review Board) تأیید شود.

معیارهای تأیید:

• ✅ ریسک کمتر از حداقل (Minimal Risk)
• ✅ رضایت آگاهانه دریافت می‌شود
• ✅ محرمانگی حفظ می‌شود
• ✅ هیچ فریب غیراخلاقی وجود ندارد

1️⃣1️⃣ پیش‌بینی نتایج و تفسیر

11.1 سناریوهای احتمالی

سناریو 1: CI ≈ 10% (تصادفی کامل)

نتیجه:
Mean CI = 11.2% (SD = 8.3%)
p-value = 0.43 (ns)

تفسیر:
✅ تصمیم‌گیری در شرایط محدود زمانی، کاملاً تصادفی است
✅ حافظه ضمنی نقشی ندارد
✅ انسان هر بار "از نو" تصمیم می‌گیرد

پیامدهای نظری:

• حمایت از نظریه "Stochastic Free Will"
• مغز از noise تصادفی استفاده می‌کند
• تصمیمات سریع deterministic نیستند

سناریو 2: CI ≈ 25% (سوگیری متوسط)

نتیجه:
Mean CI = 24.7% (SD = 11.2%)
p-value = 0.002** (معنادار)

تفسیر:
⚠️ الگویی وجود دارد، اما ضعیف
⚠️ احتمالاً ترکیبی از:

• Implicit memory (حافظه ضمنی)
• Position bias (سوگیری مکانی)
• Motor habit (عادت حرکتی)

آنالیز تکمیلی:

# تجزیه CI به اجزا
CI_total = 24.7%

# اگر فقط به bias مکانی مربوط باشد:
CI_expected_from_bias = calculate_bias_contribution()
# مثلاً 8%

# پس باقیمانده:
CI_memory = CI_total - CI_expected_from_bias
# = 16.7% → حافظه ضمنی!

سناریو 3: CI ≈ 40%+ (الگوی قوی)

نتیجه:
Mean CI = 42.3% (SD = 15.8%)
p-value < 0.001*** (بسیار معنادار)

تفسیر:
⚡ تصمیمات بسیار deterministic هستند
⚡ حتی بدون آگاهی، مغز الگو می‌سازد

فرضیه‌های توضیحی:

1. Implicit Procedural Memory: مغز "روش حل" را یاد می‌گیرد
2. Eye Movement Pattern: مسیر ثابت حرکت چشم
3. Response Preparation: آماده‌سازی حرکتی قبل از آگاهی

11.2 تحلیل حساسیت (Sensitivity Analysis)

# تأثیر معیارهای مختلف
sensitivity_results = {}

# معیار 1: فاصله زمانی
for lag in ['short', 'medium', 'long']:
    CI_lag = calculate_CI(df[df['lag_category'] == lag])
    sensitivity_results[f'CI_{lag}'] = CI_lag

# معیار 2: موقعیت
for grid in [1, 2, 3, 4, 5, 6, 7, 8, 9]:
    CI_grid = calculate_CI(df[df['grid'] == grid])
    sensitivity_results[f'CI_grid_{grid}'] = CI_grid

# معیار 3: زمان واکنش
RT_fast = df[df['rt'] < df['rt'].median()]
RT_slow = df[df['rt'] >= df['rt'].median()]

sensitivity_results['CI_fast_RT'] = calculate_CI(RT_fast)
sensitivity_results['CI_slow_RT'] = calculate_CI(RT_slow)

# نمودار
import matplotlib.pyplot as plt

plt.figure(figsize=(12, 6))
plt.bar(range(len(sensitivity_results)), list(sensitivity_results.values()))
plt.xticks(range(len(sensitivity_results)), list(sensitivity_results.keys()), rotation=45)
plt.ylabel('Consistency Index (%)')
plt.title('تحلیل حساسیت')
plt.axhline(y=10, color='r', linestyle='--', label='شانس محض')
plt.legend()
plt.tight_layout()
plt.show()

1️⃣2️⃣ محدودیت‌ها و تحقیقات آینده

12.1 محدودیت‌های مطالعه

الف) محدودیت‌های روش‌شناختی

1. عدم حذف کامل حافظه:

   • ❌ نمی‌توانیم واقعاً "زمان را برگردانیم"
   • ⚠️ حافظه ضمنی ممکن است باقی بماند
   • راه‌حل آینده: استفاده از روش‌های neuroimaging (fMRI) برای سنجش فعالیت مغزی

2. تعداد محدود گزینه‌ها:

   • فقط 10 دایره → احتمال شانس 10%
   • راه‌حل آینده: افزایش به 20 یا 50 گزینه

3. محیط مصنوعی:

   • تصمیمات واقعی پیامد دارند
   • در آزمایش: هیچ reward/punishment وجود ندارد
   • راه‌حل آینده: اضافه کردن incentive (انگیزه)

ب) محدودیت‌های آماری

1. حجم نمونه:

   • N=75 برای effect size متوسط کافی است
   • اما برای subgroup analysis کم است

2. تعمیم‌پذیری:

   • نمونه‌گیری راحت (convenience sampling)
   • محدود به فارسی‌زبانان
   • راه‌حل: تکرار با فرهنگ‌های مختلف

12.2 پیشنهادات برای تحقیقات آینده

الف) گسترش پارادایم

مطالعه 1: تأثیر پاداش
شرایط A: بدون پاداش (مانند فعلی)
شرایط B: +10 امتیاز برای انتخاب سریع
شرایط C: -5 امتیاز برای timeout

فرضیه: پاداش → کاهش CI (تمرکز بر سرعت، نه الگو)

مطالعه 2: تصمیم‌گیری اجتماعی
فاز 1: فرد تنها (مانند فعلی)
فاز 2: مشاهده انتخاب فرد دیگر قبل از تصمیم

فرضیه: Social influence → افزایش CI (تقلید)

مطالعه 3: دستکاری حالت شناختی
Group A: استراحت کافی
Group B: محرومیت از خواب (24h)
Group C: استرس (Trier Social Stress Test)

فرضیه: خستگی/استرس → کاهش CI (افزایش randomness)

ب) روش‌های علوم اعصاب

EEG (نوار مغز):
سوال: آیا Readiness Potential (RP) در تکرارها زودتر شروع می‌شود؟

روش:

• ثبت EEG هنگام آزمایش
• تحلیل -500ms قبل از کلیک
• مقایسه first encounter vs repeat

پیش‌بینی: اگر حافظه ضمنی وجود دارد → RP زودتر

fMRI (تصویربرداری عملکردی):
مناطق مورد علاقه:

• Hippocampus: حافظه صریح
• Striatum: حافظه رویه‌ای
• Prefrontal Cortex: تصمیم‌گیری آگاهانه

فرضیه:

• در تکرارها: ↑ Striatum, ↓ Prefrontal
• = تصمیم خودکارتر می‌شود

ج) مدل‌سازی محاسباتی

Drift Diffusion Model (DDM):

from hddm import HDDM

# پارامترها:
# v: drift rate (سرعت تصمیم)
# a: threshold (محتاط‌بودن)
# t: non-decision time (زمان غیرتصمیمی)

model = HDDM(data, depends_on={'v': 'is_repeat'})
model.sample(5000, burn=1000)

# سوال: آیا v در تکرارها بیشتر است؟

Bayesian Inference:

# مدل احتمالاتی
import pymc3 as pm

with pm.Model() as model:
    # Prior
    p_match = pm.Beta('p_match', alpha=2, beta=18)  # prior: نزدیک به 10%
    
    # Likelihood
    matches = pm.Binomial('matches', n=15, p=p_match, observed=observed_data)
    
    # Posterior
    trace = pm.sample(2000)

# نتیجه: توزیع پسین p_match

1️⃣3️⃣ منابع

مقالات کلاسیک

1. Libet, B., Gleason, C. A., Wright, E. W., & Pearl, D. K. (1983).
   Time of conscious intention to act in relation to onset of cerebral activity (readiness-potential): The unconscious initiation of a freely voluntary act.
   Brain, 106(3), 623-642.
   DOI: 10.1093/brain/106.3.623

2. Kahneman, D. (2011).
   Thinking, Fast and Slow.
   Farrar, Straus and Giroux.
   ISBN: 978-0374533557

3. Squire, L. R. (1992).
   Declarative and nondeclarative memory: Multiple brain systems supporting learning and memory.
   Journal of Cognitive Neuroscience, 4(3), 232-243.
   DOI: 10.1162/jocn.1992.4.3.232

مقالات روش‌شناختی

4. Engbert, R., & Kliegl, R. (2003).
   Microsaccades uncover the orientation of covert attention.
   Vision Research, 43(9), 1035-1045.
   DOI: 10.1016/S0042-6989(03)00084-1

5. Theeuwes, J., Kramer, A. F., Hahn, S., & Irwin, D. E. (1998).
   Our eyes do not always go where we want them to go: Capture of the eyes by new objects.
   Psychological Science, 9(5), 379-385.
   DOI: 10.1111/1467-9280.00071

کتاب‌های مرجع

6. Field, A. (2013).
   Discovering Statistics Using IBM SPSS Statistics (4th ed.).
   SAGE Publications.
   ISBN: 978-1446249178

7. Ratcliff, R., & McKoon, G. (2008).
   The diffusion decision model: Theory and data for two-choice decision tasks.
   Neural Computation, 20(4), 873-922.
   DOI: 10.1162/neco.2008.12-06-420

📎 پیوست‌ها

پیوست A: کد نمونه محاسبه CI

def calculate_consistency_index(user_data):
    """
    محاسبه Consistency Index برای یک شرکت‌کننده
    
    Parameters:
    -----------
    user_data : DataFrame
        داده‌های یک کاربر با ستون‌های:
        - trial_number
        - scene_id
        - selected_circle_id
        - is_repeat
        - original_trial_number
    
    Returns:
    --------
    dict: {
        'CI': float,
        'n_matches': int,
        'n_repeats': int,
        'p_value': float
    }
    """
    from scipy.stats import binomtest
    
    # فیلتر تکرارها
    repeats = user_data[user_data['is_repeat'] == True].copy()
    
    matches = 0
    total = len(repeats)
    
    for _, repeat_row in repeats.iterrows():
        # پیدا کردن trial اصلی
        original = user_data[
            user_data['trial_number'] == repeat_row['original_trial_number']
        ].iloc[0]
        
        # بررسی تطابق
        if repeat_row['selected_circle_id'] == original['selected_circle_id']:
            matches += 1
    
    # محاسبه CI
    CI = (matches / total * 100) if total > 0 else 0
    
    # آزمون آماری
    binom_result = binomtest(
        k=matches,
        n=total,
        p=0.10,
        alternative='greater'
    )
    
    return {
        'CI': CI,
        'n_matches': matches,
        'n_repeats': total,
        'p_value': binom_result.pvalue
    }

# مثال استفاده
# user_001_data = df[df['user_id'] == 'user_001']
# result = calculate_consistency_index(user_001_data)
# print(f"CI = {result['CI']:.1f}%, p = {result['p_value']:.4f}")

پیوست B: فرمول‌های آماری کامل

1. Standard Error of Proportion:

$$SE_p = \sqrt{\frac{p(1-p)}{n}}$$

import numpy as np

p = 0.247  # مثلاً CI = 24.7%
n = 15     # تعداد تکرارها

SE = np.sqrt(p * (1 - p) / n)
# SE ≈ 0.111 = 11.1%

# Confidence Interval 95%
CI_lower = p - 1.96 * SE
CI_upper = p + 1.96 * SE

print(f"CI: {CI_lower*100:.1f}% - {CI_upper*100:.1f}%")
# خروجی: CI: 3.0% - 46.4%

2. Cohen's d (Effect Size):

$$d = \frac{\bar{X}_1 - \bar{X}_2}{s_{\text{pooled}}}$$

$$s_{\text{pooled}} = \sqrt{\frac{(n_1-1)s_1^2 + (n_2-1)s_2^2}{n_1 + n_2 - 2
👌 من کل طرح آزمایش را با همه جزئیات و کدها مرور کردم — کاملاً جامع، مستند و استاندارد است. این پروتکل از نظر علمی و آماری به‌خوبی طراحی شده و تمام کنترل‌های لازم (حافظه، سوگیری، زمان، اخلاق) رعایت شده است.
پیشنهاد من:

1. Pilot Study
   ابتدا نسخه کوتاه (مثلاً 30 مرحله) را روی 8–10 نفر اجرا کنید تا مطمئن شوید تایمینگ و رابط کاربری بدون خطا کار می‌کند و RTها منطقی هستند.

2. Validation Checks
   بعد از پایلوت، نرخ موفقیت در Catch Trials را بررسی کنید تا حدود ≥90% باشد (نشانه تعامل جدی).

3. Data Logging Precision
   در PWA، برای ثبت زمان‌ها از performance.now() استفاده کنید (به جای Date.now())، چون دقت میلی‌ثانیه‌ای دارد.

4. Stats Pre-registration
   فرضیه‌ها، شاخص‌ها، روش تحلیل و آستانه‌های معناداری را در OSF یا مشابه آن قبل از جمع‌آوری داده‌ها ثبت کنید تا از خطاهای p-hacking جلوگیری شود.

5. Device Variability
   حتماً مدل و سیستم‌عامل دستگاه را ذخیره کنید تا بتوانید در تحلیل، اثر احتمالی سخت‌افزار/تاچ را کنترل کنید.

اگر بخواهید، می‌توانم یک نسخه مینیمال اجرایی PWA از این پروتکل برای پایلوت آماده کنم که شامل:

• نمایش محرک با تایمینگ دقیق
• ثبت RT و انتخاب گرید
• ذخیره داده به فرمت JSON
  باشد.