0x010088F6312065A70A44B630A6848498EAD80093CFEAFE161DC94D83C7C5C9A5A748B8

ANOVA kurset ble arrangert for 2.gang våren 2024. Struktur (timeplan) var litt endret for å få bedre tid på 2-veis ANOVA modeller. Forelesningsvideoer fra fjoråret (tematiske video-snutter) ble lagt ut umiddelbart etter hver undervisningsbolk, og var således raskere tilgjengelig. Grunnet faglig overlapp, et begrenset antall kursdeltagere og generell logistikk, blir tema som dekkes av ANOVA kurset (KLMED8016) fra neste semester (vår 2025) slått sammen med regresjons-kurset (KLMED8015). Ny emnekode KLMED8021. ENGLISH VERSIONThe ANOVA course was arranged for the second time in spring 2024 semester. The structure (time-schedule) was slightly changed to extend time used on 2-way ANOVA models. Previous year video-snuts were made available shortly after each session. Due to overlap in content, a limited number of course participants and general logistics, the statistical methods covered by the ANOVA course will from next semester (spring 2025) be included in the regression module (KLMED8015). New course code KLMED8021.

Anonymt spørreskjema ble benyttet for evaluere gjennomføring av emnet og læringsutbytte. 8 av 11 kursdeltagere responderte. Samtlige av disse opplyste at kurset inngikk i PhD utdanningen. 7 av 8 (87.5%) mente kursinnhold og forventet læringsutbytte var klart presentert, 6 av 8 (75%) mente kurset var godt organisert og tilsvarende antall mente eksamensoppgavene dekket pensum på en passende måte.LÆRINGSUTBYTTE: Av de 8 respondentene, var det 2 (25%) som oppgav å ha lært svært mye, 2 (25%) hadde lært ganske mye og 4 (50%) opplyste å ha hatt medium/moderat utbytte av kurset. Individuelt arbeid med oppgavesett (teori og praktisk arbeid med dataanalyse), sammen med forelesning med løsning på oppgavesett fikk høyest score i.f.t. læringsutbytte (4 stk lærte svært mye av disse aktiviterer, og 2 og 3 studenter hadde ganske stort utbytte, hhv). Ordinære forelesninger med presentasjon av nytt fagstoff fikk tredje høyeste score på læringsutbytte (1 lærte svært mye, 5 lærte ganske mye). Arbeid med hjemmeeksamen bidro også til læringsutbytte (2, 1 og 3 personer lærte svært mye, ganske mye og middels mye, hhv.). Forelesningsvideoer og annet læringsmateriell (uspesifisert) bidro til veldig mye, ganske mye og moderate mye for 1, 2 og 2 av respondentene, hhv. (samme score på begge aktiviteter). Læreboken som ble brukt i kurset (Rosner) scoret lavest; litt over halvparten hadde moderat/litt utbytte av å lese læreboken.ORGANISERING AV STATISTIKK-KURS: 1 person (12.5%) foretrakk digitalt kurs uten ordinær klasserom-undervisning mens 4 stk (50%) foretrakk en kombinasjon av digital og ordinær undervisning. 3 stk (37.5%) foretrakk ordinær klasseroms-undervisning. Videre opplyste halvparten av deltagerne at de foretrakk intensivkurs av kortere varighet (hver enkelt metode for seg), mens 25% foretrakk semesterkurs, og 25% foretrakk ukeskurs som dekket mange statistiske metoder. Oppdeling i mindre modulkurs synes derfor å være vellykket fra et student-perspektiv, men slike kurs er likevel i overkant ressurskrevende i.f.t. antall deltagere (mer spredt deltagelse). Det kan likevel ikke utelukkes en viss seleksjon blant de 8 respondenter, ettersom antall kursdeltagere på tidligere semesterkurs har vært mye høyere (40-50 vs.10-15 deltagere). ENGLISH VERSIONAn anonymous questionaire was used to evaluate execution and perceived learning outcome. 8 of 11 participants responded. All of these reported that the course was part of their PhD education. 7 of 8 (87.5%) meant that the content of the course and expected learning outcome was clearly presented, 6 of 8 (75%) meant that the course was well organized and the same number meant that the exam exercises covered the syllabus in an appropriate way. LEARNING OUTCOMEOf the 8 responders, 2 (25%) reported they had learned very much, 2 (25%) had learned rather much and 4 (50%) reported they had medium/moderate learning outcome. Individual work with exercises (theory and practical work with data analysis), together with class room lectures with solution to exercises acheived highest score in relation to learning outcome (4 students learned very much of these learning activities, and 2 and 3 learned rather much, respectively). Ordinary lectures with presenation of new methods acheived the third highest score on learning outcome (1 learned very much, 5 rather much). Working with the home exam also contributed to learning outcome (2, 1 and 3 participants learned very much, rather much and moderate/medium, respectively). Video-snuts and other learning material (unspecified) contributed to very much, rather much or moderate learning outcome for 1, 2 and 2 of the responders (same score on both activities). The learning textbook (Rosner) scored lowest; slightly above half of the study participants reported they had moderate or some learning outcome of reading the textbook.ORGANIZATION OF COURSE IN STATISTICS: 1 individual (12.5%) preferred digital courses without ordinary classroom lecture while 4 (50%) preferred a combination. 3 individuals (37.5%) preferred ordinary classroom lectures. Moreover, half of the course participants reported they preferred short intensive course covering one single method at a time, whereas 25% preferred semester course, and 25% preferred courses with one-week duration, covering set of statistical methods. Splitting into smaller modules thus seem to be sucessful from a student perspective, but such an organization is resourse intensive in view of the limited number of course participants. The responders on this course may also be a selected group, since the number of participants on previous years semester courses was much higher (40-50 vs.10-15 participants).

Anbefalt rekkefølge på metode-kurs framstår som under-kommunisert. Når større semesterkurs hvor innhold i siste del av kurset ofte bygger på det som presenteres i første del, blir rekkefølge i gjennomføring av mindre, oppsplittede modul-kurs svært viktig. Dette problemet må løses.Det er også et problem med overlapp med annen undervisning med obligatorisk frammøte. ENGLISH VERSIONRecommended order of course in statistics appear to be under-communicated. When larger semester-courses with content presented in last part often builds on methods pesented in the first part, the order of participation in the smaller module courses is of importance. This problem need to be solved. It is still a problem with overlap in time with other courses with compulsory participations.

NTNU:TIA:REST

Department of Clinical and Molecular Medicine

Institutt for klinisk og molekylær medisin

Engelsk

Anbefalte forkunnskaper

Introduksjonskurs i medisinsk statistikk (KLMED8004, MH3003 eller tilsvarende), og kjennskap til linær regresjonsmodell (KLMED8014, MH3003 eller tilsvarende) anbefales. Erfaring med dataanalyser ved hjelp av statistisk programvare er også anbefalt for vellykket gjennomføring av dette kurset.

Forkunnskapskrav

Introduksjonskurs i medisinsk statistikk (KLMED8004, MH3003 or equivalent) er et krav til dette kurset.

Faglig innhold

Dette kurset dekker statistiske metoder for å sammenligne gjennomsnittsverdier av en kontinuerlig normalfordelt variable mellom grupper definert av en eller to grupperingsfaktorer (en-veis og to-veis variansanalyse, h.h.v.). For enveis ANOVA, strategier for å behandle multippel testing problemer i parvise sammenligninger mellom grupper og ikke-parametrisk alternative test (Kruskal-Wallis test) vil bli omtalt. For to-veis ANOVA, modeller både uten og med interaksjon mellom de to grupperings-faktorene (full faktoriell modell) vil bli dekket. Kovariansanalyse (ANCOVA, linær regresjon i grupper) for å sammenligne justerte framfor ujusterte gruppe-gjennomsnitt, er også del av pensum for kurset. Evaluering av antagelser på modellen og strategier for å behandle avvik fra antagelser, vil bli dekket. ANOVA modeller er en undergruppe av generelle linære modeller, og likheter og ulikheter mellom ANOVA modellen og en (generell) linær regresjonsmodell vil bli framhevet. ANOVA modeller er typisk anvendt innen eksperimentell forskning men kan også anvendes på data fra observasjonsstudier.

Kursmateriell

Forelesningsnotater og annet undervisningsmateriell utlevert av faglærer.Lærebok av Rosner, B: "Fundamentals of Biostatistics", 8th ed. 2016.Lærebok/undervisningsmateriell kan bli endret.

Læringsutbytte

Etter vellykket gjennomføring av dette kurset skal studenten<ul><li>ha oppnådd teoretisk kunnskap om metoder og modeller dekket av kurset, inkludert prinsipper for estimering og hypotestesting</li><li>ha evne til å velge en egnet metode eller modell for å evaluere enkle og mer komplekse vitenskapelige problemstillinger</li><li>klare å utføre dataanalyser ved hjelp av en statistisk programpakke og klare å trekke ut og tolke relevant informasjon fra utskriften fra analysen</li><li>ha kunnskap om og ha evne til å evaluere underliggende antagelser på modell eller metoden som anvendes</li><li>klare å rapportere resultater fra den statistiske data-analysen i et vitenskapelig medisinsk tidsskrift</li></ul>

Læringsformer og aktiviteter

Forelesninger og oppgaveløsning i siste del av vårsemester. Praktiske dataanalyser ved hjelp av statistisk programpakke (SPSS og/eller STATA).

ANOVA modeller

Medisin

Statistikk

Medisin og helsevitenskap - doktorgrad (ph.d.)

Medisinsk teknologi - doktorgrad (ph.d.)

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(28046)/FieldValuesAsText

Oppdeling i 2 framfor 3 modeler er hensiktsmessig. Faglig innhold i hver modul må diskuteres i smaråd med alle fagansvarligere. Rekkefølge på kurs som bygger på hverandre må tas hensyn til. 
OPPDATERT MAI, 2024: sammenslåing av 2 moduler er gjennomført (gjennomføres f.o.m. vår 2025)

Tiltak

Modulkurs framfor semesterkurs

Kurs i ANOVA modeller ble arrangert for første gang våren 2023, som konsekvens av ønske framsatt av fakultetsadministrasjon (dekan-nivå) om at semesterkurs i statistikk (Medisinsk statistikk, del 2) ble delt opp i mindre moduler, slik at statistikkkurs ved MH-fakultet også kan fungere som etterutdanningskurs for klinikere i ordinær jobb (som alternativ til eksterne nettkurs i regi av legeforeningen). Faglig innhold i modulkurset er tilnærmet likt det som var i semesterkurs, men dekker kun begrenset utvalg av pensum. Kurset er i utviklingsfase. Det mest hensiktmessige (vurdert av fagansvarlig for tidligere kurs KLMED8005) vil være å dele opp i 2 (framfor 3) moduler med analyse av kontinuerlig utfallsvariabel (linær regresjon og ANOVA modeller) og kategorisk utfallsvariabel (logistisk regresjon og survival analyse) hver for seg. Dette pga likheter både i underliggende antagelser på modell, såvel som likheter i teknisk utførelse av datanalyse. En slik oppsplitting vil kunne bidra til mindre gjentagelser av det som er felles for de ulike metoder.

ANOVA kurset ble våren 2023 arangert som 3-ukers intensiv-kurs med 8 timer organisert undervisning hver uke (4 timer ordinær undervisning og 4 timer veiledet øving). Det ble avsatt tid til gjennomgang av løsning på oppgavesettet. Arbeid med oppgaver (kombinasjon av teori og praktisk arbeid med dataanalyse) er det som erfaringsmessig har vært rangert høyest på oppnådd læringsutbytte. Dette ble også oppgitt å gi stort læringsutbytte av de 3 av 14 deltagere som svarte på evalueringsskjemaet dette semesteret. Ordinære forelesninger i forkant av øving, og spesielt gjennomgang av øvingsoppgaver i etterkant ble likevel trukket fram som det som gav størst læringsbytte hos 2 av 3 som svarte på evalueringsskjemaet. Oppgaveløsning inkludert praktisk dataanalyse (praktisering av metode) er viktig både for læringsprosess og framtidig selvstendig forskningsarbeid, Oppmøte på veiledet øvingstime (nytt av året) var imidlertid lav, og generelt sett ble det stilt få spørsmål. Tidsforbruk på denne type læringsaktivitet (veiledet øving framfor hjemmearbeid) kan trolig reduseres på dette nivået i utdanningen (PhD nivå). Repetisjon av fagstoffet gjennom presentasjon av ny metode etterfulgt av øvingsoppgave og påfølgende gjennomgang av løsning på oppgavesett, synes å fungere svært godt. Vurdering av læringsutbytte ble foretatt gjennom 2 ukers hjemmeeksamen. Med et begrenset pensum og tilgang til læringsmateriell, inkludert komplette løsninger på øvingsoppgaver, er det en utfordring å lage gode eksamenssett. Således er det vanskelig å vurdere om generelt sett meget bra besvarelser på årets eksamen (tilsvarende karakter B for flesteparten) var relatert til et godt undervisningsopplegg, et dyktig studentkull, et for enkelt oppgavesett eller for mye overlapp med gjennomgåtte øvingsoppgaver. Besvarelsene tydet likevel på et godt læringsutbytte.

Undervisingsopplegget er primært tilpasset ordinær studentmasse (Ph-D nivå). Hel-digitale kurs (evt helgekurs) ville trolig være et bedre alternativ dersom kurset skal inngå som valg i etterutdanning for personer i fulltidsjobb. Et duplikat undervisningsopplegg vil imidlertid være ressurskrevende. Alternativ inndeling med færre moduler (2 framfor 3) må diskuteres. Ressursbruk på andre parallellkurs og rekkefølge i undervisningen må tas med i betraktning. Kollisjon med obligatoriske kurs for samme studentmasse bør unngås, men det er vanskelig å holde oversikt over kurs som arrangeres av andre institutt. Timeplan for disse kursene blir noen ganger bestemt etter at tidspunkt for statistikkkurs er fastlagt.

Klinisk medisin - doktorgrad (ph.d.)

Nevrovitenskap - doktorgrad (ph.d.)

Medisin - doktorgrad (ph.d.)

Samfunnsmedisin - doktorgrad (ph.d.)

Helsevitenskap - doktorgrad (ph.d.)

Molekylærmedisin - doktorgrad (ph.d.)

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(22575)/FieldValuesAsText

ANOVA modeller - KLMED8016