Наличие требований к программе по стабильности работы при наличии ошибок во входных данных

Обновлено: 24.11.2024

Глава 4

Какие из следующих предположений необходимы для демонстрации согласованности, беспристрастности и эффективности оценки МНК?

ii) Var(u_t) = σ 2

Что из следующего может быть следствием нарушения одного или нескольких допущений CLRM?

i) Оценки коэффициентов не оптимальны

ii) Оценки стандартной ошибки не оптимальны

iii) Распределения, принятые для тестовой статистики, не соответствуют действительности

iv) Выводы относительно силы отношений между иждивенцами

и независимые переменные могут быть недопустимыми.

Что означает термин "гетероскедастичность"?

Что касается вопросов 4 и 5, рассмотрите следующую модель регрессии

Предположим, что исследователь заинтересован в проведении теста Уайта на гетероскедастичность с использованием остатков оценки (2). Какая форма вспомогательной регрессии будет наиболее подходящей?

Предположим, что модель (2) оценивается с использованием 100 ежеквартальных наблюдений и проводится тест типа, описанного в вопросе 4. Каким будет подходящее χ 2 критическое значение, с которым можно сравнить статистику теста, предполагая размер теста 10 %?

Каковы будут последствия для МНК-оценки, если гетероскедастичность присутствует в регрессионной модели, но игнорируется?

Какие из следующих подходов являются вероятными подходами к работе с моделью, демонстрирующей гетероскедастичность?

i) Возьмем логарифмы каждой из переменных

ii) Используйте соответствующим образом измененные стандартные ошибки

iii) Используйте обобщенную процедуру наименьших квадратов

iv) Добавьте лаговые значения переменных в уравнение регрессии.

Отрицательная остаточная автокорреляция определяется одним из следующих признаков?

Что из следующего можно использовать в качестве теста на автокорреляцию до третьего порядка?

Если статистика Дарбина-Уотсона принимает значение, близкое к нулю, каким будет значение коэффициента автокорреляции первого порядка?

Предположим, что тест Дарбина-Уотсона применяется к регрессии, содержащей две независимые переменные и константу (например, уравнение 2 выше) с 50 точками данных. Тестовая статистика принимает значение 1,53. Каков правильный вывод?

Предположим, что исследователь хочет проверить автокорреляцию, используя подход, основанный на вспомогательной регрессии. Какая из следующих вспомогательных регрессий будет наиболее подходящей?

Если использовать МНК при наличии автокорреляции, какие из следующих последствий будут вероятными?

i) Оценки коэффициентов могут вводить в заблуждение

ii) Проверка гипотез может привести к неверным выводам

iii) Прогнозы, сделанные на основе модели, могут быть необъективными

iv) Стандартные ошибки могут быть неприемлемыми

Какой из следующих подходов к остаточной автокорреляции является правдоподобным?

i) Возьмем логарифмы каждой из переменных

ii) Добавьте лаговые значения переменных в уравнение регрессии

iii) Используйте фиктивные переменные для удаления посторонних наблюдений

iv) Попробуйте модель в первой разностной форме, а не в уровнях.

Что из следующего может привести к автокоррелированным остаткам?

i) Медленность реакции зависимой переменной на изменение значений независимых переменных

ii) Чрезмерная реакция зависимой переменной на изменения независимых переменных

iii) Пропуск соответствующих независимых независимых переменных, которые автокоррелированы

iv) Выбросы в данных

Включение соответствующих лаговых значений зависимой переменной в правую часть уравнения регрессии может привести к какому из следующих результатов?

Практическая мультиколлинеарность возникает, когда

Что из следующего НЕ является правдоподобным средством от почти мультиколлинеарности?

Какими будут свойства оценки МНК при наличии мультиколлинеарности?

Что из следующего НЕ является примером неправильного определения функциональной формы?

Если остатки регрессии, рассчитанной с использованием небольшой выборки данных, не распределены нормально, какое из следующих последствий может возникнуть?

Лептокуртическое распределение — это распределение, которое

При нулевой гипотезе теста Бера-Жарка распределение имеет

Что из нижеследующего было бы правдоподобной реакцией на обнаружение остаточной ненормальности?

Исследователь проверяет структурную стабильность в следующей регрессионной модели:

Общая выборка из 200 наблюдений делится ровно пополам для регрессии подвыборки. Какой будет неограниченная остаточная сумма квадратов?

Предположим, что остаточная сумма квадратов для трех регрессий, соответствующих критерию Чоу, описанному в вопросе 35, равна 156,4, 76,2 и 61,9. Каково значение статистики F-теста Чоу?

Каким будет соответствующее критическое значение 5 % для теста, описанного в вопросах 25 и 26?

Предположим теперь, что исследователь хочет провести предварительный прогностический тест неудачи для последних 5 наблюдений, используя ту же модель и данные, что и в вопросе 25. Какой теперь будет неограниченная остаточная сумма квадратов?

Если два RSS для теста, описанного в вопросе 28, составляют 156,4 и 128,5, каково значение статистики теста?

Если релевантная переменная будет исключена из уравнения регрессии, последствия будут следующими:

i) Стандартные ошибки будут смещены

ii) Если исключенная переменная не коррелирует со всеми включенными переменными, все

коэффициенты уклона будут непоследовательными.

iii) Если исключенная переменная не коррелирует со всеми включенными переменными, то

Коэффициент пересечения будет непоследовательным.

iv) Если исключенная переменная не коррелирует со всеми включенными переменными, все

коэффициенты наклона и пересечения будут постоянными и беспристрастными, но неэффективными.

Экономичная модель

Что из нижеперечисленного является недостатком подхода "от общего к частному" или "LSE" ("Hendry") к построению эконометрических моделей по сравнению с подходом от частного к общему?

Тестирование базы данных — это тип тестирования программного обеспечения, при котором проверяются схема, таблицы, триггеры и т. д. тестируемой базы данных. Он также проверяет целостность и непротиворечивость данных. Это может включать создание сложных запросов для загрузки/нагрузочного тестирования базы данных и проверки ее отклика.

Почему важно тестирование базы данных?

Тестирование базы данных важно при тестировании программного обеспечения, поскольку оно гарантирует, что значения данных и информация, полученные и сохраненные в базе данных, действительны или нет. Тестирование базы данных помогает предотвратить потерю данных, сохраняет данные о прерванных транзакциях и предотвращает несанкционированный доступ к информации. База данных важна для любого программного приложения, поэтому тестировщики должны хорошо знать SQL для тестирования базы данных.

Обычно члены группы тестирования и разработки уделяют графическому интерфейсу наибольшее внимание, поскольку графический пользовательский интерфейс является наиболее заметной частью приложения. Однако также важно проверить информацию, которая является сердцевиной приложения, также известной как БАЗА ДАННЫХ.

Давайте рассмотрим банковское приложение, в котором пользователь совершает транзакции. Теперь с точки зрения тестирования баз данных или тестирования БД важно следующее:

Приложение сохраняет информацию о транзакциях в базе данных приложения и правильно отображает ее пользователю.
В процессе никакая информация не теряется.
Приложение не сохраняет информацию о частично выполненных или прерванных операциях.
Неуполномоченные лица не имеют права доступа к информации пользователя.

Для достижения всех вышеперечисленных целей нам необходимо использовать проверку или тестирование данных.

В этом руководстве по тестированию баз данных мы узнаем о различных концепциях тестирования баз данных, таких как:

Различия между тестированием пользовательского интерфейса и тестированием данных

текстовые поля
выберите раскрывающиеся списки
календари и кнопки
Навигация по страницам
отображение изображений
Внешний вид приложения в целом.

схема
таблицы базы данных
столбцы
ключи и индексы
триггеры хранимых процедур
проверки сервера базы данных
проверка дублирования данных

Типы тестирования базы данных

Три типа тестирования базы данных

Структурное тестирование
Функциональное тестирование
Нефункциональное тестирование

В этом руководстве по тестированию баз данных мы рассмотрим каждый тип и его подтипы один за другим.

Структурное тестирование базы данных

Структурное тестирование базы данных — это метод тестирования базы данных, который проверяет все элементы внутри репозитория данных, которые в основном используются для хранения данных и которые конечным пользователям не разрешено напрямую манипулировать. Проверка серверов баз данных также является важным фактором при структурном тестировании баз данных. Успешное завершение этого тестирования требует мастерства в SQL-запросах.

Что такое тестирование схемы?

Тестирование схемы в тестировании базы данных проверяет различные форматы схемы, связанные с базой данных, и проверяет, совместимы ли форматы сопоставления таблиц/представлений/столбцов с форматами сопоставления пользовательского интерфейса. Основная цель тестирования схемы — убедиться, что сопоставление схем между интерфейсом и сервером одинаково. Таким образом, это также называется тестированием сопоставления.

Давайте обсудим наиболее важные контрольные точки для тестирования схемы.

Проверка различных форматов схем, связанных с базами данных. Часто формат сопоставления таблицы может быть несовместим с форматом сопоставления, представленным на уровне пользовательского интерфейса приложения.
Необходима проверка в случае несвязанных таблиц/представлений/столбцов.
Также необходимо проверить, согласуются ли разнородные базы данных в среде с общим сопоставлением приложений.

Давайте также рассмотрим некоторые интересные инструменты тестирования баз данных для проверки схем базы данных.

DBUnit, интегрированный с Ant, очень удобен для тестирования сопоставления.
SQL Server позволяет тестировщикам проверять и запрашивать схему базы данных, создавая простые запросы, а не используя код.

Например, если разработчики хотят изменить структуру таблицы или удалить ее, тестировщик должен убедиться, что все хранимые процедуры и представления, использующие эту таблицу, совместимы с конкретным изменением. Другой пример: если тестировщики хотят проверить изменения схемы между двумя базами данных, они могут сделать это с помощью простых запросов.

Таблица базы данных, тестирование столбцов

Давайте рассмотрим различные проверки для тестирования базы данных и столбцов.

Совместимо ли сопоставление полей и столбцов базы данных в серверной части с этими сопоставлениями во внешнем интерфейсе?
Проверка длины и соглашения об именах полей и столбцов базы данных в соответствии с требованиями.
Проверка наличия любых неиспользуемых/несопоставленных таблиц/столбцов базы данных.
Проверка совместимости

тип данных
длины полей

столбцов внутренней базы данных с теми, которые присутствуют во внешнем интерфейсе приложения.

Позволяют ли поля базы данных пользователю вводить желаемые пользовательские данные в соответствии с документами спецификации бизнес-требований.

Тестирование ключей и индексов

Важные проверки ключей и индексов —

Проверьте, требуется ли

Первичный ключ
Внешний ключ

для необходимых таблиц созданы ограничения.

Проверьте правильность ссылок на внешние ключи.
Проверьте, совпадают ли типы данных первичного ключа и соответствующих внешних ключей в двух таблицах.
Проверьте, соблюдены ли необходимые соглашения об именах для всех ключей и индексов.
Проверьте размер и длину обязательных полей и индексов.
Требуется ли

Кластеризованные индексы
Некластеризованные индексы

были созданы необходимые таблицы в соответствии с бизнес-требованиями.

Тестирование хранимых процедур

Приняла ли команда разработчиков необходимые требования.

условия стандартного кодирования
обработка исключений и ошибок

для всех хранимых процедур для всех модулей тестируемого приложения.

Учла ли команда разработчиков все условия/циклы, применив необходимые входные данные к тестируемому приложению?
Правильно ли команда разработчиков применяла операцию TRIM всякий раз, когда данные извлекаются из необходимых таблиц в базе данных?
Дает ли ручное выполнение хранимой процедуры конечному пользователю требуемый результат?
Обеспечивает ли ручное выполнение хранимой процедуры обновление полей таблицы в соответствии с требованиями тестируемого приложения?
Разрешает ли выполнение хранимых процедур неявный вызов необходимых триггеров?
Проверка наличия неиспользуемых хранимых процедур.
Проверка условия Allow Null, которую можно выполнить на уровне базы данных.
Подтверждение того факта, что все хранимые процедуры и функции были успешно выполнены, когда тестируемая база данных пуста.
Подтверждение общей интеграции модулей хранимых процедур в соответствии с требованиями тестируемого приложения.

Некоторыми из полезных инструментов тестирования баз данных для тестирования хранимых процедур являются LINQ , инструмент SP Test и т. д.

Тестирование запуска

Соблюдались ли необходимые правила кодирования на этапе кодирования триггеров?
Проверьте, соответствуют ли триггеры, выполняемые для соответствующих транзакций DML, требуемым условиям.
Правильно ли триггер обновляет данные после их выполнения?
Проверка требуемой функциональности триггеров обновления/вставки/удаления в области тестируемого приложения.

Проверка сервера базы данных

Проверьте конфигурации сервера баз данных в соответствии с бизнес-требованиями.
Проверьте авторизацию необходимого пользователя для выполнения только тех уровней действий, которые требуются приложению.
Убедитесь, что сервер базы данных способен удовлетворить потребности максимально допустимого количества пользовательских транзакций, как указано в спецификациях бизнес-требований.

Функциональное тестирование базы данных

Функциональное тестирование базы данных — это тип тестирования базы данных, который используется для проверки функциональных требований к базе данных с точки зрения конечного пользователя. Основная цель функционального тестирования базы данных – проверить, работают ли транзакции и операции, выполняемые конечными пользователями и связанные с базой данных, должным образом или нет.

Ниже приведены основные условия, которые необходимо соблюдать при проверке базы данных.

Является ли поле обязательным при разрешении значений NULL в этом поле?
Достаточно ли длины каждого поля?
Все ли похожие поля имеют одинаковые имена в таблицах?
Есть ли в базе данных вычисляемые поля?

Этот конкретный процесс представляет собой проверку сопоставлений полей с точки зрения конечного пользователя. В этом конкретном сценарии тестер должен выполнить операцию на уровне базы данных, а затем перейти к соответствующему элементу пользовательского интерфейса, чтобы наблюдать и проверять, были ли выполнены надлежащие проверки полей или нет.

Обратное условие, при котором первая операция выполняется тестировщиком в пользовательском интерфейсе, а затем то же самое проверяется из серверной части, также должно быть выполнено.

Проверка целостности и непротиворечивости данных

Следующие проверки важны

Являются ли данные логически хорошо организованными?
Являются ли данные, хранящиеся в таблицах, правильными и соответствуют бизнес-требованиям?
Есть ли в тестируемом приложении какие-либо ненужные данные?
Были ли данные сохранены в соответствии с требованием относительно данных, которые были обновлены из пользовательского интерфейса?
Выполняются ли операции TRIM над данными перед вставкой данных в тестируемую базу данных?
Были ли транзакции выполнены в соответствии со спецификациями бизнес-требований и правильны ли результаты?
Были ли данные правильно зафиксированы, если транзакция успешно выполнена?
Был ли успешно выполнен откат данных, если транзакция не была успешно выполнена конечным пользователем?
Был ли выполнен откат данных, если транзакция не была выполнена успешно и в рассматриваемой транзакции участвовало несколько разнородных баз данных?
Все ли транзакции были выполнены с использованием необходимых процедур проектирования в соответствии с бизнес-требованиями системы?

Безопасность входа и пользователя

При проверке логина и учетных данных пользователя необходимо учитывать следующее.

Предотвращает ли приложение дальнейшие действия пользователя в приложении в случае ошибки

неверное имя пользователя, но правильный пароль
действительное имя пользователя, но неверный пароль.
неверное имя пользователя и неверный пароль.

Разрешено ли пользователю выполнять только те конкретные операции, которые указаны в бизнес-требованиях?
Защищены ли данные от несанкционированного доступа?
Создаются ли разные роли пользователей с разными разрешениями?
Все ли пользователи имеют необходимые уровни доступа к указанной базе данных в соответствии с бизнес-спецификациями?
Убедитесь, что конфиденциальные данные, такие как пароли и номера кредитных карт, зашифрованы и не хранятся в виде обычного текста в базе данных. Хорошей практикой является обеспечение того, чтобы все учетные записи имели сложные пароли, которые нелегко угадать.

Нефункциональное тестирование

Нефункциональное тестирование в контексте тестирования баз данных можно разделить на различные категории в соответствии с бизнес-требованиями. Это может быть нагрузочное тестирование, стресс-тестирование, тестирование безопасности, тестирование удобства использования, тестирование совместимости и так далее.Нагрузочное тестирование, а также стресс-тестирование, которые можно сгруппировать в рамках тестирования производительности, служат двум конкретным целям, когда речь идет о роли нефункционального тестирования.

Количественная оценка риска. Количественная оценка риска помогает заинтересованным сторонам установить различные требования к времени отклика системы при требуемых уровнях нагрузки. Это первоначальная цель любой задачи обеспечения качества. Мы должны отметить, что нагрузочное тестирование не снижает риск напрямую, а через процессы выявления и количественной оценки риска предоставляет возможности для исправления и стимул для исправления, которое снизит риск.

Минимальные требования к системному оборудованию — минимальная конфигурация системы, которая позволит системе соответствовать формально заявленным ожиданиям заинтересованных сторон в отношении производительности. Таким образом, лишнее оборудование, программное обеспечение и связанные с этим затраты на владение могут быть сведены к минимуму. Это конкретное требование можно отнести к категории общих требований по оптимизации бизнеса.

Нагрузочное тестирование

Цель любого нагрузочного теста должна быть четко понята и задокументирована. Для нагрузочного тестирования необходимы следующие типы конфигураций.

Наиболее часто используемые транзакции пользователей могут повлиять на производительность всех остальных транзакций, если они неэффективны.
По крайней мере, одна пользовательская транзакция без редактирования должна быть включена в окончательный набор тестов, чтобы производительность таких транзакций можно было отличить от других, более сложных транзакций.
Следует включить более важные транзакции, которые способствуют достижению основных целей системы, поскольку сбой при нагрузке этих транзакций по определению оказывает наибольшее влияние.
Должна быть включена хотя бы одна редактируемая транзакция, чтобы можно было отличить выполнение таких транзакций от других транзакций.
Оптимальное время отклика при большом количестве виртуальных пользователей для всех предполагаемых требований.
Эффективное время для выборки различных записей.

Важными инструментами нагрузочного тестирования являются load runner, win runner и JMeter.

Что такое стресс-тестирование базы данных?

Стресс-тестирование базы данных — это метод тестирования, используемый для стресс-тестирования системы базы данных с такой большой нагрузкой, что в какой-то момент она дает сбой. Это помогает определить точку сбоя в системе баз данных. Это требует надлежащего планирования и усилий, чтобы избежать чрезмерного использования ресурсов. Стресс-тестирование данных также известно как мучительное тестирование или испытание на усталость.

Важными инструментами стресс-тестирования являются LoadRunner и JMeter.

Наиболее распространенные проблемы, возникающие при тестировании базы данных

Мифы или заблуждения, связанные с тестированием баз данных

Реальность: Эффективное и действенное тестирование баз данных в тестировании программного обеспечения обеспечивает долгосрочную функциональную стабильность всего приложения, поэтому для этого необходимо приложить кропотливую работу.

Реальность. Наоборот, тестирование базы данных повышает ценность всей работы, обнаруживая скрытые проблемы и, таким образом, активно помогая улучшить приложение в целом.

Реальность: значительный объем тестирования базы данных помогает в общем повышении качества приложения базы данных.

Реальность. Любые расходы на тестирование базы данных — это долгосрочные инвестиции, которые обеспечивают долговременную стабильность и надежность приложения. Таким образом, необходимы расходы на тестирование базы данных или тестирование SQL.

Контент-анализ – это исследовательский инструмент, используемый для определения присутствия определенных слов, тем или понятий в определенных качественных данных (например, в тексте). Используя контент-анализ, исследователи могут количественно определить и проанализировать наличие, значения и отношения таких определенных слов, тем или понятий. Например, исследователи могут оценить язык, используемый в новостной статье, для поиска предвзятости или пристрастности. Затем исследователи могут делать выводы о сообщениях в текстах, авторе(ах), аудитории и даже культуре и времени, окружавших текст.

Описание

Источниками данных могут быть интервью, открытые вопросы, заметки о полевых исследованиях, разговоры или буквально любое проявление коммуникативного языка (например, книги, эссе, дискуссии, заголовки газет, речи, СМИ, исторические документы). Одно исследование может анализировать различные формы текста в своем анализе. Чтобы проанализировать текст с помощью контент-анализа, текст должен быть закодирован или разбит на управляемые категории кода для анализа (т. е. «коды»). После того как текст будет закодирован по категориям кодов, коды могут быть далее разбиты на категории по «категориям кодов» для еще большего обобщения данных.

Ниже приведены три различных определения контент-анализа.

Определение 1: «Любая техника для создания выводов путем систематического и объективного выявления особых характеристик сообщений». (из Холсти, 1968 г.)

Определение 2: «Интерпретативный и натуралистический подход. Он носит как наблюдательный, так и описательный характер и в меньшей степени опирается на экспериментальные элементы, обычно связанные с научными исследованиями (надежность, валидность и обобщаемость) (из Ethnography, Observational Research, and Narrative Inquiry, 1994–2012).

Определение 3: «Метод исследования для объективного, систематического и количественного описания явного содержания коммуникации». (из Берельсона, 1952 г.)

Использование контент-анализа

Определить намерения, направленность или коммуникативные тенденции отдельного лица, группы или учреждения

Опишите установочные и поведенческие реакции на сообщения

Определить психологическое или эмоциональное состояние людей или групп

Выявление международных различий в коммуникативном контенте

Выявление закономерностей в информационном содержании

Предварительно протестируйте и улучшите вмешательство или опрос перед запуском

Анализируйте интервью в фокус-группах и открытые вопросы, чтобы дополнить количественные данные

Типы анализа содержания

Существует два основных типа анализа контента: концептуальный анализ и реляционный анализ. Концептуальный анализ определяет наличие и частотность понятий в тексте. Реляционный анализ развивает концептуальный анализ дальше, исследуя отношения между понятиями в тексте. Каждый тип анализа может привести к различным результатам, выводам, интерпретациям и значениям.

Концептуальный анализ

Обычно люди думают о концептуальном анализе, когда думают об анализе контента. В концептуальном анализе понятие выбирается для изучения, и анализ включает количественную оценку и подсчет его присутствия. Основная цель состоит в том, чтобы проверить появление выбранных терминов в данных. Условия могут быть явными или неявными. Явные термины легко идентифицировать. Кодирование неявных терминов более сложное: вам нужно определить уровень импликации и основывать суждения на субъективности (проблема надежности и достоверности). Таким образом, кодирование неявных терминов требует использования словаря или правил контекстного перевода, или и того, и другого.

Чтобы начать концептуальный контент-анализ, сначала определите вопрос исследования и выберите образец или образцы для анализа. Затем текст должен быть закодирован в управляемые категории контента. Это в основном процесс избирательного сокращения. Сокращая текст до категорий, исследователь может сосредоточиться и закодировать определенные слова или шаблоны, которые определяют вопрос исследования.

Общие шаги для проведения концептуального анализа содержания:

<р>1. Определите уровень анализа: слово, смысл слова, фраза, предложение, темы

<р>2. Решите, для скольких понятий нужно закодировать: разработайте предопределенный или интерактивный набор категорий или понятий. Решите: A. предоставить возможность гибкого добавления категорий в процессе кодирования или B. придерживаться предварительно определенного набора категорий.

Вариант A позволяет вводить и анализировать новый и важный материал, который может иметь существенное значение для вопроса исследования.

Вариант Б позволяет исследователю не отвлекаться и изучать данные на наличие конкретных концепций.

<р>3. Решите, кодировать ли наличие или частоту понятия. Решение меняет процесс кодирования.

При кодировании наличия понятия исследователь засчитывал понятие только один раз, если оно появлялось хотя бы один раз в данных и независимо от того, сколько раз оно появлялось.

При кодировании частоты понятия исследователь подсчитывал, сколько раз понятие появляется в тексте.

<р>4. Решите, как вы будете различать понятия:

Должен ли текст кодироваться точно так, как он появляется, или кодироваться одинаково, когда он появляется в разных формах? Например, «опасно» против «опасно». Суть здесь в том, чтобы создать правила кодирования, чтобы эти сегменты слов были четко классифицированы логическим образом. Правила могут привести к тому, что все эти сегменты слов попадут в одну и ту же категорию, или, возможно, правила могут быть сформулированы так, чтобы исследователь мог различать эти сегменты слов в отдельные коды.

Какой уровень импликации допустим? Слова, которые подразумевают понятие или слова, которые явно формулируют понятие? Например, «опасный» или «этот человек страшный» или «этот человек может причинить мне вред». Эти сегменты слов могут не заслуживать отдельной категории из-за неявного значения «опасный».

<р>5. Разработайте правила кодирования ваших текстов. После принятия решений шагов 1-4 исследователь может приступить к разработке правил перевода текста в коды. Это позволит сохранить процесс кодирования организованным и последовательным. Исследователь может закодировать именно то, что он/она хочет закодировать.Валидность процесса кодирования обеспечивается, когда исследователь последователен и последователен в своих кодах, что означает, что они следуют своим правилам перевода. В контент-анализе соблюдение правил перевода эквивалентно достоверности.

<р>6. Решите, что делать с не относящейся к делу информацией: следует ли ее игнорировать (например, общеупотребительные английские слова, такие как «the» и «and») или использовать для пересмотра схемы кодирования в случае, если это улучшит результат кодирования?

<р>7. Закодируйте текст: это можно сделать вручную или с помощью программного обеспечения. Используя программное обеспечение, исследователи могут вводить категории и выполнять кодирование автоматически, быстро и эффективно с помощью программного обеспечения. Когда кодирование выполняется вручную, исследователь может гораздо легче распознать ошибки (например, опечатки, орфографические ошибки). При использовании компьютерного кодирования текст можно очистить от ошибок, чтобы включить все доступные данные. Выбор между ручным и компьютерным кодированием наиболее актуален для неявной информации, где подготовка категорий необходима для точного кодирования.

<р>8. Проанализируйте свои результаты: сделайте выводы и обобщения, где это возможно. Определите, что делать с нерелевантным, нежелательным или неиспользуемым текстом: пересмотреть, игнорировать или пересмотреть схему кодирования. Внимательно интерпретируйте результаты, поскольку концептуальный контент-анализ может дать только количественную оценку информации. Как правило, можно выявить общие тенденции и закономерности.

Реляционный анализ

Реляционный анализ начинается с концептуального анализа, когда концепция выбирается для изучения. Однако анализ предполагает изучение отношений между понятиями. Отдельные понятия рассматриваются как не имеющие внутреннего значения, а скорее значение является продуктом отношений между понятиями.

Чтобы начать анализ реляционного контента, сначала определите вопрос исследования и выберите образец или образцы для анализа. Вопрос исследования должен быть сфокусирован так, чтобы типы понятий не были открыты для интерпретации и могли быть обобщены. Далее выберите текст для анализа. Тщательно выбирайте текст для анализа, уравновешивая наличие достаточного количества информации для тщательного анализа, чтобы результаты не ограничивались наличием информации, которая слишком обширна, так что процесс кодирования становится слишком трудоемким и тяжелым для получения значимых и стоящих результатов.

Есть три подкатегории реляционного анализа, из которых можно выбрать, прежде чем перейти к общим шагам.

Извлечение аффекта: эмоциональная оценка понятий, явных в тексте. Проблема этого метода заключается в том, что эмоции могут варьироваться в зависимости от времени, населения и пространства. Однако он может быть эффективным для фиксации эмоционального и психологического состояния говорящего или пишущего текст.

Анализ близости: оценка совпадения явных понятий в тексте. Текст определяется как строка слов, называемая «окном», которая сканируется на совпадение понятий. В результате создается «матрица понятий» или группа взаимосвязанных одновременно встречающихся понятий, которые предполагают общее значение.

Когнитивное картирование: метод визуализации для извлечения аффектов или анализа близости. Когнитивное картирование пытается создать модель общего значения текста, например графическую карту, которая представляет отношения между понятиями.

Общие шаги для проведения реляционного анализа контента:

<р>1. Определите тип анализа: после того, как образец был выбран, исследователь должен определить, какие типы отношений исследовать и уровень анализа: слово, смысл слова, фраза, предложение, темы.
2. Сократите текст до категорий и кода для слов или шаблонов. Исследователь может закодировать существование значений или слов.
3. Исследуйте взаимосвязь между понятиями: после того, как слова закодированы, текст можно проанализировать на предмет следующего:

Сила связи: степень, в которой два или более понятия связаны.

Признак родства: понятия положительно или отрицательно связаны друг с другом?

Направление связи: типы отношений, которые демонстрируют категории. Например, «X подразумевает Y», или «X предшествует Y», или «если X, то Y», или если X является основным мотиватором Y.

<р>4. Закодируйте отношения: разница между концептуальным и реляционным анализом заключается в том, что операторы или отношения между понятиями закодированы.
5. Выполняйте статистический анализ: исследуйте различия или ищите связи между идентифицированными переменными во время кодирования.
6. Наметьте представления: такие как отображение решений и ментальные модели.

Надежность и достоверность

Надежность. Из-за человеческой природы исследователей ошибки кодирования невозможно устранить, их можно только свести к минимуму. Как правило, 80% является приемлемым запасом надежности. Надежность контент-анализа определяется тремя критериями:

Стабильность: склонность программистов постоянно перекодировать одни и те же данные одним и тем же способом в течение определенного периода времени.

Воспроизводимость: склонность группы кодировщиков классифицировать принадлежность к категориям одинаково.

Точность: степень статистического соответствия классификации текста стандарту или норме.

Действительность. Три критерия определяют достоверность анализа содержания:

Близость категорий: этого можно добиться, используя несколько классификаторов для достижения согласованного определения каждой конкретной категории. Используя несколько классификаторов, категорию понятия, которая может быть явной переменной, можно расширить, включив в нее синонимы или неявные переменные.

Выводы. Какой уровень последствий допустим? Правильно ли выводы следуют данным? Можно ли объяснить результаты другими явлениями? Это становится особенно проблематичным при использовании компьютерных программ для анализа и различения синонимов. Например, слово «шахта» по-разному обозначает личное местоимение, взрывное устройство и глубокую яму в земле, из которой добывают руду. Программное обеспечение может получить точный подсчет встречаемости и частотности этого слова, но не может произвести точный учет значения, присущего каждому конкретному употреблению. Эта проблема может исказить результаты и сделать любой вывод недействительным.

Обобщаемость результатов для теории: зависит от четких определений категорий понятий, от того, как они определяются и насколько они надежны при измерении идеи, которую пытаются измерить. Обобщаемость аналогична надежности, поскольку во многом она зависит от трех критериев надежности.

Преимущества контент-анализа

Непосредственно проверяет общение с помощью текста

Позволяет проводить как качественный, так и количественный анализ

Содержит ценную историческую и культурную информацию с течением времени

Допускает близость к данным

Кодированная форма текста может быть подвергнута статистическому анализу

Ненавязчивые средства анализа взаимодействий

Дает понимание сложных моделей человеческого мышления и использования языка

Если все сделано правильно, считается относительно «точным» методом исследования

Контент-анализ – это понятный и недорогой метод исследования

Более мощный инструмент в сочетании с другими методами исследования, такими как интервью, наблюдение и использование архивных записей. Это очень удобно для анализа исторических материалов, особенно для документирования тенденций с течением времени.

Недостатки контент-анализа

Может занять очень много времени

Подвергается повышенной ошибке, особенно когда реляционный анализ используется для достижения более высокого уровня интерпретации

Часто не имеет теоретической базы или слишком свободно пытается сделать осмысленные выводы о взаимосвязях и влиянии, подразумеваемых в исследовании

По своей сути редуктивен, особенно при работе со сложными текстами

Слишком часто просто состоит из количества слов

Часто игнорирует контекст, в котором был создан текст, а также положение вещей после его создания

Может быть сложно автоматизировать или компьютеризировать

Чтения

Учебники и главы

Берельсон, Бернард. Контент-анализ в коммуникационных исследованиях. Нью-Йорк: Free Press, 1952.

Буша, Чарльз Х. и Стивен П. Хартер. Методы исследования в библиотечном деле: методы и интерпретация. Нью-Йорк: Academic Press, 1980.

Бассейн де Сола, Итиэль. Тенденции контент-анализа. Урбана: Университет Иллинойса, 1959 г.

Криппендорф, Клаус. Контент-анализ: введение в его методологию. Беверли-Хиллз: Sage Publications, 1980 г.

Филдинг Н.Г. и Ли Р.М. Использование компьютеров в качественных исследованиях. Публикации SAGE, 1991 г. (см. главу Зейделя Дж. «Метод и безумие в применении компьютерных технологий к качественному анализу данных»).

Методологические статьи

Шей Х.Ф. и Шеннон С.Е. (2005). Три подхода к качественному контент-анализу. Качественные исследования в области здравоохранения. 15(9): 1277-1288.

Эло С., Каарианинен М., Кансте О., Полкки Р., Утриайнен К. и Кынгас Х. (2014). Качественный контент-анализ: внимание к достоверности. Сейдж Опен. 4:1–10.

Статьи о приложениях

Абромс Л.С., Падманабхан Н., Тавитаи Л. и Филлипс Т. (2011). Приложения для iPhone для отказа от курения: контент-анализ. Американский журнал профилактической медицины. 40(3):279–285.

Ульстрем С. Сакс, М. А., Ханссон Дж., Овретвейт Дж. и Броммелс М. (2014). Страдания в тишине: качественное исследование вторых жертв неблагоприятных событий. Британский медицинский журнал, выпуск «Качество и безопасность». 23:325-331.

Оуэн П. (2012). Изображение шизофрении от Entertainment Media: контент-анализ современных фильмов. Психиатрические услуги. 63:655-659.

Программное обеспечение

Выбрать, проводить ли контент-анализ вручную или с помощью компьютерного программного обеспечения, может быть непросто.Обратитесь к «Метод и безумие в применении компьютерных технологий к качественному анализу данных», перечисленным выше в «Учебниках и главах», для обсуждения этого вопроса.

Веб-сайты

Курсы

В Школе общественного здравоохранения имени Мейлмана Колумбийского университета

Более подробное обучение доступно в Департаменте социомедицинских наук – P8785 Качественные методы исследования

Содержание статей или рекламных объявлений в The Clinical Biochemist – Reviews не должно рассматриваться как официальные заявления, оценки или одобрения со стороны AACB, его официальных органов или его агентов. Заявления о мнении в публикациях AACB принадлежат авторам. Одобрено для печати — PP255003/01665. Copyright © 2005 Австралазийская ассоциация клинических биохимиков, Inc. Никакие литературные материалы в The Clinical Biochemist – Reviews не должны воспроизводиться, храниться в поисковой системе или передаваться в любой форме с помощью электронных или механических средств, фотокопирования или записи без разрешения. Запросы на это следует направлять в редакцию. ISSN 0159–8090

Аннотация

Преданалитические этапы, основной источник ошибок в лабораторной диагностике, возникают во время подготовки пациента, отбора проб, транспортировки проб, подготовки проб и хранения проб. Однако, хотя сообщалось, что преаналитическая фаза подвержена ошибкам, только недавно было продемонстрировано, что большинство ошибок происходит на «препреаналитической фазе». Сюда входят начальные процедуры процесса тестирования, выполняемые медицинским персоналом вне стен лаборатории и вне прямого контроля клинической лаборатории. Таким образом, показатели качества (ИК) должны охватывать все этапы преаналитического этапа, от запроса на тестирование до хранения проб. В настоящей статье описывается современное состояние КИ в лабораторных испытаниях. Основное внимание уделяется опыту рабочей группы Международной федерации клинической химии и лабораторной медицины (IFCC) по разработке модели КИ, 16 из которых относятся к преаналитической фазе.

Введение

Качество в лабораторной медицине следует определять как гарантию того, что каждый шаг в общем процессе тестирования (TTP) выполняется правильно, что обеспечивает принятие важных медицинских решений и эффективное лечение пациентов. Как заявил несколько лет назад Лундберг, вводя концепцию «петли мозг-мозг» для описания ТТП, получение любого результата лабораторного исследования включает девять этапов: заказ, сбор, идентификация, транспортировка, разделение или подготовка, анализ. , отчеты и действия. 1 Интересно, что хотя концепция «мозг-мозг» была определена еще 40 лет назад, она до сих пор считается рабочей парадигмой в обеспечении качества и безопасности врачей и пациентов. Действительно, последующие изменения в медицинском ландшафте сильно повлияли на качество и предоставление лабораторных услуг. 2 За последние десятилетия было достигнуто десятикратное снижение частоты аналитических ошибок 3 благодаря повышению надежности и стандартизации аналитических методов, реагентов и приборов, а также достижениям в области информационных технологий, методов контроля и обеспечения качества.

Однако, в то время как текущие ИК в лабораторной медицине, как правило, сосредоточены на производительности и эффективности аналитических процессов, 4 недавние данные свидетельствуют о том, что большинство ошибок в петле фактически не связаны с аналитической фазой, а пре- и постаналитические этапы оказалось более уязвимым к риску ошибки. 5 Таким образом, нынешнее невнимание к внелабораторным факторам резко контрастирует с совокупностью доказательств, указывающих на множество ошибок, которые продолжают происходить на преаналитическом этапе.

Достижение консенсуса Техническим комитетом Международной организации по стандартизации (ISO/TC 212) по всеобъемлющему определению ошибок в лабораторных исследованиях 6 стало важной вехой, поскольку оно поощряет подход, ориентированный на пациента, и подчеркивает необходимость оценки всех этапов процесса тестирования, независимо от того, находятся ли они под непосредственным контролем лабораторного персонала.

Ошибки на преаналитическом этапе

В настоящее время на преаналитические ошибки приходится до 70% всех ошибок, допускаемых при лабораторной диагностике, большинство из которых возникает из-за проблем с подготовкой пациента, взятием образцов, транспортировкой, подготовкой к анализу и хранением. 7 Несмотря на то, что подготовка пациентов и сбор образцов (включая идентификацию пациента и образцов, а также обращение с образцами) широко признаны частыми источниками ошибок, транспортировке образцов следует уделять больше внимания. Эта область нуждается в инициативах по улучшению, поскольку наблюдается растущая тенденция к объединению лабораторных помещений с последующей необходимостью транспортировки образцов на большие расстояния. 8

Однако, хотя известно, что преаналитический этап подвержен ошибкам, только недавно были собраны данные, свидетельствующие о том, что возникающие ошибки в основном связаны с процедурами, выполняемыми вне стен лаборатории медицинским персоналом, не находящимся под непосредственным контролем. клинической лаборатории. 10 Таким образом, инициативы по улучшению качества должны учитывать как «классические» преаналитические этапы, так и начальные процедуры, включенные в так называемую «преаналитическую фазу», которые «обычно не выполняются ни в клинической лаборатории, ни, по крайней мере частично, под контролем лабораторного персонала». 5 Это имеет первостепенное значение, поскольку было доказано, что автоматизация повторяющихся, подверженных ошибкам и биологически опасных преаналитических процессов, выполняемых в стенах лаборатории, эффективно снижает количество ошибок при подготовке образцов, центрифугировании, приготовлении аликвот, пипетировании и сортировке. . 11

Более того, стандарт ISO 15189: 2007 для аккредитации лабораторий определяет преаналитическую фазу как «этапы, начинающиеся в хронологическом порядке от запроса врача и включающие запрос на исследование, подготовку пациента, сбор первичного образца и транспортировка в лабораторию и внутри нее и окончание, когда начинается процедура аналитического исследования». 12 Это четко указывает на необходимость оценки, мониторинга и улучшения всех процедур и процессов на начальном этапе цикла «мозг-мозг».

Показатели качества

Согласно подходу Института медицины (IOM) к качеству в здравоохранении, определение надежных показателей качества (ИК) является важным шагом, позволяющим пользователям количественно оценить качество выбранного аспекта медицинской помощи путем сравнения его с определенный критерий. 13 Индикатор качества, таким образом, является «объективной мерой, которая потенциально оценивает все области интенсивной терапии, как это определено IOM (безопасность пациентов, эффективность, справедливость, ориентированность на пациента, своевременность и эффективность), которая основана на доказательствах, связанных с этими областями, и могут быть реализованы согласованным и сопоставимым образом в разных условиях и во времени». 14

Поэтому при оценке качества лабораторных услуг с использованием ИК важно обеспечить систематический и последовательный сбор и анализ данных с использованием комплексного набора показателей, охватывающих все этапы ТТП и фокусирующихся на областях с важным воздействием. об уходе за больными и результатах в отношении здоровья. Также была подчеркнута необходимость гармонизации предлагаемых ИК. 15 Тем не менее, как указывали Shahangian и Snyder, существует «значительная проблема в выявлении, определении и, в конечном счете, внедрении индикаторов, которые охватывают различные этапы TTP…. которые касаются доменов IOM, различных сред тестирования и множества соответствующих заинтересованных сторон». 16

Показатели качества на преаналитическом этапе

Как указано выше, преаналитический этап следует подразделить на «преаналитический этап» и «настоящий» преаналитический этап, который проводится в стенах лаборатории после получения образца. Первый этап, который включает в себя первоначальные процедуры, обычно не выполняемые ни в клинической лаборатории, ни, по крайней мере, частично, под контролем лабораторного персонала, включает запрос на исследование, идентификацию пациента и образца и сбор образца. Последний включает этапы, необходимые для подготовки образцов к анализу (центрифугирование, разделение на аликвоты и сортировку). В сценарии, ориентированном на пациента, КИ должны охватывать все этапы преаналитической фазы, включая уместность выбора тестов, что является ключевым вопросом в проектах, направленных на обеспечение клинической эффективности.

16 КИ, разработанные рабочей группой IFCC WG-LEPS для преаналитического этапа, показаны в таблице 1 . Предварительная оценка данных, собранных несколькими лабораториями по всему миру, подчеркнула необходимость улучшения спецификации некоторых ИК. 19 Например, КИ «Количество запросов с ошибками в отношении идентификации пациента/Общее количество запросов» следует разделить на две категории: а) «истинная» неправильная идентификация пациента и/или несоответствие, и возраст, пол или запрашивающий врач записаны ошибочно), которые не «существенно» ставят под угрозу безопасность пациента.

Таблица 1

Показатели качества на преаналитическом этапе. 17

< td align="left" valign="top" rowspan="1" colspan="1">Количество неправильно сохраненных образцов (%)

QI-1: Уместность запроса на тестирование	Количество запросов с клиническим вопросом (%)
QI-2: Уместность запроса на тестирование	Количество подходящих тестов по клиническому вопросу (%)
QI-3: Заявка на обследование	Количество запросов без идентификации врача (%)
QI-4: Заявка на экзамен	Количество непонятных запросов (%)
QI-5: Идентификация	Количество запросов с ошибочной идентификацией пациента (%)
QI-6: Идентификация	Количество запросов с ошибочной идентификацией врача (% )
QI-7: Тестовый запрос	Количество запросов с ошибками относительно тестового ввода (%)
QI-8: Образцы	Количество потерянных образцов/ не получено (%)
QI-9: Образцы	Количество образцов, собранных в неподходящих контейнерах (%)
QI-10: Образцы	Количество гемолизированных образцов (гематологические, химические) (%)
QI-11: Образцы	Количество свернувшихся образцов (гематология, биохимия) (% )
QI-12: Образцы	Количество образцов с недостаточным объемом (%)
QI-13: Образцы	Количество образцов с недостаточным антикоагулянтом соотношение (%)
QI-14: Образцы	Количество образцов, поврежденных при транспортировке (%)
QI-15: Образцы	Число неправильно помеченные образцы (%)
QI-16: Образцы

Выводы

Разработка СКК в программах аккредитации лабораторной медицины является фундаментальным шагом в обеспечении надежных доказательств качества всех процедур и процессов ТТР. QI также играют ключевую роль в обеспечении проведения целенаправленных мероприятий по постоянному совершенствованию, направленных на снижение риска ошибок в клинической практике. Однако, особенно на преаналитическом этапе (на котором исследуются процедуры, которые обычно выполняются медицинскими работниками вне стен лаборатории), сбор и мониторинг данных по ИК не приводит к автоматическому улучшению качества. 21 Эффективных улучшений на начальных (и конечных) этапах ТТР можно добиться только в том случае, если будут предприняты дальнейшие усилия для достижения консенсуса в отношении подготовки, принятия и мониторинга эффективных стандартных операционных процедур на начальных этапах лабораторных испытаний. 10

Сноски

Конкурирующие интересы: не объявлены.

Ссылки

<р>1. Лундберг ГД. Действия на основании значимых лабораторных результатов. ДЖАМА. 1981 год; 245:1762–1763. [PubMed] [Академия Google]

<р>2. Плебани М., Лапосата М., Лундберг Г.Д. Концепция петли «мозг-мозг» для лабораторных испытаний спустя 40 лет после ее появления. Ам Джей Клин Патол. 2011 г.; 136: 829–33. [PubMed] [Академия Google]

<р>3. Плебани М. Ошибки в клинических лабораториях или ошибки в лабораторной медицине? Clin Chem Lab Med. 2006 г.; 44: 750–9. [PubMed] [Академия Google]

<р>4. Барт Дж. Х. Клинические показатели качества в лабораторной медицине. Энн Клин Биохим. 2012 г.; 49:9–16. [PubMed] [Академия Google]

<р>5. Плебани М. Обнаружение и предотвращение ошибок в лабораторной медицине. Энн Клин Биохим. 2010 г.; 47: 101–10. [PubMed] [Академия Google]

<р>6.Международная Организация Стандартизации. ISO/PDTS 22367:2008 Медицинские лаборатории. Снижение количества ошибок за счет управления рисками и постоянного улучшения. Женева, Швейцария: ИСО; 2008. [Академия Google]

<р>7. Липпи Г., Чанс Дж. Дж., Черч С., Дацци П., Фонтана Р., Джаварина Д. и др. Преаналитическое улучшение качества: от мечты к реальности. Clin Chem Lab Med. 2011 г.; 49:1113–26. [PubMed] [Академия Google]

<р>8. Zaninotto M, Tasinato A, Padoan A, Vecchiato G, Pinato A, Sciacovelli L, et al. Комплексная система контроля качества транспортировки проб. Клин Биохим. 2012 г.; 45: 688–90. [PubMed] [Академия Google]

<р>9. Карраро П., Плебани М. Ошибки в статистической лаборатории: типы и частота 10 лет спустя. Клин Хим. 2007 г.; 53:1338–42. [PubMed] [Академия Google]

<р>10. Карраро П., Заго Т., Плебани М. Изучение начальных этапов процесса тестирования: частота и характер пре-преаналитических ошибок. Клин Хим. 2012 г.; 58: 638–42. [PubMed] [Академия Google]

<р>11. Плебани М. Исследование айсберга ошибок в лабораторной медицине. Клин Чим Акта. 2009 г.; 404: 16–23. [PubMed] [Академия Google]

<р>12. Международная Организация Стандартизации. ISO 15189:2007: Медицинские лаборатории: особые требования к качеству и компетентности. Женева, Швейцария: ИСО; 2007. [Академия Google]

<р>14. Комитет Института медицины по качеству здравоохранения в Америке. Человеку свойственно ошибаться: создание более безопасной системы здравоохранения. Вашингтон, округ Колумбия: Издательство национальных академий; 2000. [Google Академия]

<р>15. Плебани М., Шаковелли Л., Липпи Г. Показатели качества для лабораторной диагностики: необходим консенсус. Энн Клин Биохим. 2011 г.; 48:479. [PubMed] [Академия Google]

<р>16. Шагангян С., Снайдер С.Р. Показатели качества лабораторной медицины: обзор литературы. Ам Джей Клин Патол. 2009 г.; 131: 418–31. [PubMed] [Академия Google]

<р>17. Шаковелли Л., Плебани М. Рабочая группа IFCC по лабораторным ошибкам и безопасности пациентов. Клин Чим Акта. 2009 г.; 404: 79–85. [PubMed] [Академия Google]

<р>18. Ente Nazionale Italiano ди Unificazione. UNI 11097:2003. Менеджмент качества. Показатели качества и сводные таблицы менеджмента качества. Общие рекомендации. УНИ; 2003. [Google Академия]

<р>19. Шаковелли Л., О'Кейн М., Скайк Ю.А., Качагли П., Пеллегрини С., Да Рин Г. и др. Показатели качества в лабораторной медицине: от теории к практике. Предварительные данные проекта рабочей группы IFCC «Лабораторные ошибки и безопасность пациентов» Clin Chem Lab Med. 2011 г.; 49: 835–44. [PubMed] [Академия Google]

<р>20. Барт Дж. Х. Клинические показатели качества в лабораторной медицине: обзор текущей практики в Великобритании. Энн Клин Биохим. 2011 г.; 48: 238–40. [PubMed] [Академия Google]

21. Sciacovelli L, Sonntag O, Padoan A, Zambon CF, Carraro P, Plebani M. Мониторинг показателей качества в лабораторной медицине не приводит автоматически к улучшению качества. Clin Chem Lab Med. 2011 г.; 50: 463–9. [PubMed] [Академия Google]

Статьи из журнала The Clinical Biochemist Reviews предоставлены Австралазийской ассоциацией клинической биохимии и лабораторной медицины

Читайте также: