آموزش کار با لاجیک آنالایزر
سلام! در این آموزش در برنا فراگرد، نحوه کار با یک لاجیک آنالایزر را به شما خواهیم آموخت.
یک logic analyzer میتواند به ما کمک کند تا نحوه انتقال داده را از طریق خطوط داده بررسی کنیم . دستگاه این کار را با تبدیل ولتاژهای ثبت شده در طول زمان به یک سری داده های باینری (1 و 0) انجام می دهد.
در ابتدا اصطلاح کلیدی را تعریف میکنیم. و بعد مثالهایی را از کارهایی که در هر مرحله برای کمک به تجزیه و تحلیل سیستم تان لازم است انجام دهید ، ارائه خواهیم کرد .
در ادامه این آموزش ، پنج مرحله اصلی را که به طور معمول برای ثبت و تجزیه و تحلیل داده ها با استفاده از لاجیک آنالایزر انجام می شود ، بررسی خواهیم کرد:
- پروب ها را به سیستم تحت آزمایش وصل کنید.
- حالت نمونه گیری خود را تنظیم کنید.
- موقعیت تریگر را پیکربندی کنید.
- اطلاعات سیگنال را بدست آورید.
- شکل موج را نمایش داده و تجزیه و تحلیل کنید.
چند تعریف اولیه :
این تعاریف به ما در مسیر یادگیری نحوه کار با لاجیک آالایزر کمک خواهد کرد :
کانال (Channel) : هر کانال یک خط سیگنال منفرد روی سیستم مورد آزمایش است. اغلب لاجیک آنالایزر ها قادر به تحلیل و بررسی چندین کانال به صورت همزمان هستند.
ولتاژ آستانه (Threshold) : سطح ولتاژ تنظیم شده توسط لاجیک آنالایزر یا کاربر است. ولتاژهای شناسایی شده توسط دستگاه اگر زیر ولتاژ آستانه باشند، یک منطق “0” .و اگر بالای آستانه باشند یک “1” در نظر گرفته میشوند.
نمونه(Sample) : یک نقطه داده واحد که توسط دستگاه در یک لحظه خاص از زمان گرفته می شود. لاجیک آنالایزر به طور همزمان ولتاژهای شناسایی شده بر روی همه پراب ها را با ولتاژ آستانه مقایسه می کند . آنها را به منطق 1 و 0 ترجمه کرده و این داده ها را در حافظه ذخیره می کند.
سرعت نمونه برداری (Sample Rate) : سرعتی که لاجیک آنالایزر با آن نمونه ها را در یک بازه زمانی مشخص ثبت می کند. حداکثر میزان سرعت نمونه برداری غالباً در واحد مگا هرتز ( MHz ) یا مگا سمپل در ثانیه ( مبتنی بر کامپیوتر هم به طور معمول از طریق “دکمه های” مجازی واقع در رابط کاربری نرم افزار در رایانه کنترل می شوند.
اکثر لاجیک انالایزرها، راهی برای تعیین حالت نمونه برداری ( sampling mode )، سرعت نمونه برداری ( sampling rate ) و محرک ها ( پس از ثبت اطلاعات ، می توانید الگوها را جستجو کنید. کلیدهای جهت دار یا یک دکمه نشانگر به شما امکان می دهد تا در داده ها جستجو کنید. یا قسمتهای خاصی را بزرگنمایی کنید.
لاجیک انالایزر ها دارای چند پراب جهت اتصال به دستگاه و سیستم تحت آزمایش هستند. که باید آنها را به سیم یا پایه سیگنالی که قصد بررسی ان را دارید متصل کنید.
بعد ، مطمئن شوید سیستم یا دستگاهی که می خواهید آزمایش کنید خاموش است. ما نمی خواهیم به طور تصادفی چیزی را در مدار همه تعاریف SMD خود با یک پراب کوتاه کنیم. پراب “زمین” یا “مشترک” را پیدا کنید و آن را به زمین سیستم خود متصل کنید. هنگام نمونه برداری از خطوط سیگنال ، از زمین به عنوان ولتاژ مرجع استفاده می شود. توجه داشته باشید که برای بعضی از آنالایزرهای منطقی ، فقط باید یک پراب زمین را برای کل سیم مهار کنید. با سایر آنالایزرها ، باید برای هر پراب سیگنال یک پراب زمین متصل کنید. بهتر است به دفترچه راهنمای لاجیک آنالایزر خود مراجعه کنید.
در آخر ، خطوط سیگنال موجود در مدار خود که می خواهید بررسی کنید را ، پیدا کنید. که میتواند خطوط GPIO یا یک گذرگاه ارتباطی مانند UART ، SPI یا I2C باشد. به هر خط سیگنال یک پراب وصل کنید. لاجبک آنالایزر تفاوت بین ولتاژ مرجع و ولتاژ سیگنال را در هر خط اندازه گیری می کند.
مثالی از نحوه اتصال پراب های لاجیک آنالایزر برای گرفتن داده های خطوط I2C
بیشتر آنلابزرهای منطقی دارای پروب های کلیپ هستند. که می توان آنها را به هدرها ، قطعات سوراخ اندود (PTH) یا حتی برخی از دستگاه های بزرگتر روی سطح (SMD) وصل کرد. اگر در حال کار با قطعات کوچک SMD بدون هیچگونه محل اتصال در معرض هستید ، می توانید سیم نازک را به صفحه مدار چاپی در معرض (PCB) لحیم کنید. تا به شما امکان دسترسی به سیگنال را بدهد.
پروب کلیپس متصل به یک قطعه SMD از طریق سیم لحیم شده
پروب های کلیپس مستقیماً به یک قسمت SMD متصل شده اند
حالت های نمونه برداری
بیشتر آنالایزرهای منطقی دو روش برای گرفتن و نمایش داده ها دارند: مد زمان بندی ( مثالی از نمونه برداری از یک موج سینوسی در حالت زمان بندی
در تصویر بالا ، می بینیم که چگونه یک کانال لاجیک آنالایزر ، یک موج سینوسی را در فواصل زمانی دقیق نمونه برداری می کند. ولتاژ در هر نمونه با ولتاژ آستانه مقایسه می شود. یک سیگنال دیجیتالی از 1s و 0s گرفته شده بازسازی می شود تا شکل موج را به کاربر نشان دهد.
در مد حالت که “حالت همزمان”( synchronous mode ) نیز نامیده می شود ، یکی از کانال ها را باید به عنوان کلاک تعریف کرد. از سیگنالهای سایر خطوط داده در لبه (های) سیگنال کلاک نمونه برداری می شود. اگر یک گذرگاه انتقال به خط کلاک متکی باشد . این روش میتواند یک راه مناسب برای تجسم داده ها به همان روشی باشد که گیرنده شما آن را می بیند.
در مثال زیر ، دو عدد فلیپ فلاپ D داریم. هر یک دارای یک خط “data in” (با برچسب D0 یا D1) ، یک خط “data out” (با برچسب Q0 یا Q1) و یک خط کلاک (clk) است. در هر لبه بالارونده سیگنال کلاک ، سطح منطقی پین “data in” بسته شده .و روی پین “data out” تکثیر می شود.
اگر 2 پراب یک آنالایزر منطقی را به پین های ورودی دیتا (D0-D1) وپراب سوم را به خط clk وصل کنیم ، می توانیم از مد حالت استفاده کنیم. تا ببینیم داده ها در خروجی ها چگونه خواهند بود. توجه داشته باشید که داده های مد حالت اغلب در قالب لیست ارائه می شوند. اگر به خروجی ها دسترسی نداشته باشیم، (مثلاً آنها داخل یک IC هستند) . این روش می تواند به ما کمک کند ببینیم چه اتفاقی می تواند در داخل سیستم رخ میدهد.
مثالی از نمونه برداری از ورودی های D flip-f در مد حالت
تنظیم محرک (Trigger) :
قبل از شروع نمونه برداری، باید شرایط ،Trigger را پیکربندی کنید. بهتر است چند گزینه را بررسی کنید تا بتوانید به راحتی داده های مورد نیازتان را بگیرید.
بدون راه انداز (No trigger) : در این حالت لاجیک انالایزر نمونه برداری و ثبت داده ها را به محض اینکه دکمه استارت یا run را فشار دهید، شروع میکند.
راه انداز لبه ( Edge Trigger ): میتوانید دستگاه را به گونه ای تنظیم کنید تا در لبه بالا رونذه یا پایین رونده سگنال یک کانال ، شروع به نونه برداری و ثبت داده ها کند.
راه انداز الگو (Pattern Trigger) : اگر در حال ثبت داده های چندین کانال باشید ، می توانید لاجیک آنالایزر را در این حالت تنظیم کنید. تا هنگام مشاهده یک الگوی 1 و 0 در چندین کانال ، روند ثبت را شروع کند. اگر قصد انتقال یک فریم در خطوط موازی را داشته باشید، این نوع محرک بسیار مفید خواهد بود.
راه انداز پیچیده (Complex Trigger): برخی از لاجیک انالایزرهای پیشرفته به شما امکان می دهند مجموعه ای از دستورات if-then-else را برای ایجاد محرک (trigger) تنظیم کنید. مثلا، برای جستجوی انتقال به یک آدرس خاص در یک باس ، این نوع راه اندازها می توانند مفید باشند.
اکثر آنالایزرهای منطقی به شما امکان می دهند با انتخاب یک کانال با منوی روی صفحه همه تعاریف SMD ، یک تریگر را پیکربندی کنید. از جمله لبه بالارونده ، لبه پایین رونده ، عرض پالس ، و …
جمع آوری داده ها :
در اکثر آنالایزرهای منطقی ، دکمه ای به نام “Start” یا “Run” را وجود دارد. اگر محرک را تنظیم نکرده باشید ، دستگاه شروع به نمونه برداری و ذخیره اطلاعات می کند. تا حافظه پر شود.
از طرف دیگر، اگر محرک را پیکربندی کنید ، آنالایزر شروع به ثبت داده ها می کند. اما نمونه های قبلی به بیرون پرتاب می شوند تا جای نمونه های جدید فراهم شود. هنگامی که شرط محرک برآورده شود ، لاجیک انالایزر به ضبط داده ادامه می دهد. تا زمانی که حافظه همه تعاریف SMD آن پر شود. برخی از آنالایزرهای منطقی بخشی از داده ها را قبل از نقطه محرک حفظ و نمایش می دهند. اطلاعات نشان داده شده قبل از مجرک به عنوان “زمان منفی” شناخته می شود.
مثالی از نمایش داده های قبل از نقطه تریگر در لاجیک آنالایزر
برخی از آنالیزها حالت ثبت “تکرار” یا “مداوم” دارند. که به طور مداوم و بدون توقف داده ها را در زمان واقعی ضبط و نمایش می دهد. این حالت می تواند برای جستجوی سیگنال هایی مفید باشد که شاید هنوز از وجود آنها اطلاع نداشته باشید.
نمایش و تجزیه و تحلیل داده ها :
بیشتر آنالایزرهای منطقی داده ها را به صورت شکل موج با زمان در محور x و حالت منطقی (1 یا 0) در محور y نمایش می دهند. این نوع نمایش برای دیدن همبستگی بین چندین سیگنال در حوزه زمان مفید است.
برخی از لاجیک انالایزرها توانایی رمزگشایی پروتکل های مختلف ارتباطی مانند UART ، SPI ، I2C و غیره را دارند. رمزگشاها ممکن است داده ها را به صورت شکل موج نشان دهند. اما داده ها را به صورت اعشاری ، هگزادسیمال ، ASCII و غیره نیز ارائه می دهند. رمزگشایی پروتکل ها می تواند در عیب یابی مشکلات در باس های ارتباطی بسیار مفید باشد.
مثالی از رمزگشایی کاراکتر اسکی a در خط Tx پروتکلUART
یک انالایزر منطقی پیشرفته حتی می تواند به رمزگشایی هایی مجهز باشد. که قادر به تجزیه و تحلیل زبان ماشین و تبدیل آن به کد اسمبلی باشند. این نوع تحلیل نیاز به نرم افزاری دارد که مخصوص هر نوع پردازنده یا مجموعه دستورالعمل باشد.
برای مشاهده اطلاعات گرفته شده با جزئیات بیشتر ، اکثرلاجیک انالایزرها به شما امکان می دهند با استفاده از دکمه ها جستجو یا بزرگنمایی کنید. بسیاری از آنالایزرها با وارد کردن اعداد یا کاراکترهای ASCII به شما امکان می دهند الگوها را جستجو کنید. تنظیم رمزگشاها معمولاً شامل انتخاب یک لیست موجود در یکی از منوهای تجزیه و تحلیل است.
در پایان میتوان گفت لاجیک انالایزر ابزاری قدرتمند برای تجزیه و تحلیل سیستم های همه تعاریف SMD دیجیتال است. و درک حالت ها و عوامل مختلف می تواند به شما کمک کند داده ها را به روش صحیح ثبت کنید.
چه چیزی ربات نیست ؟
این روزها درباره برگزاری کلاس های رباتیک و تشویق خانواده ها برای فرستادن فرزندان خود به این کلاس های آموزشی زیاد می شنویم . دغدغه والدینی که خود متولد دهه های ۵۰ و ۶۰ هستند در مورد آموزش و مدیریت اوقات فراغت و نگرانی آن ها درباره وضعیت شغلی و مهارتی آینده فرزندانشان باعث شده بیش از پیش به ثبت نام آن ها در این کلاس ها روی بیاورند .
آموزشگاه ها و مدرسین رباتیک زیادی به مجموعه ما می آیند و تقاضا می کنند که همه تعاریف SMD محتواهای ادامه دار تر و فنی تری به آن ها ارائه دهیم تا بتوانند فضای آموزشی کلاس های خود را پوشش دهند . شرکت های زیادی هم در زمینه تولید پکیج های آموزشی رباتیک فعالیت دارند . اما هنوز خیلی از دانش آموزان و خانواده ها دقیقاً نمی دانند که به چه چیزی ربات می گویند یا چیزهایی که می سازند آیا واقعاً یک ربات به حساب می آیند یا خیر ؟
تعاریف زیادی از ربات و اینکه دقیقاً به چه دستگاهی کلمه ROBOT اطلاق می شود وجود دارد. ولی ما در این مقاله سعی داریم به شما بگوییم چه چیزی یک ربات نیست ؟ شاید به این صورت بهتر بتوانید تشخیص دهید خروجی یک پروژه ربات هست یا نه ؟
ربات وسیله ای نیست که صرفاً خودکار کار کند ؛
بطور مثال اگر در آشپزخانه خود یک دستگاه غذاساز دارید مثال دم دستی و خوبی است . شما در مخزن دستگاه غذا ساز مقداری خوراکی می ریزید ، درب آن را می بندید دکمه اش را روشن می کنید و سپس به حال خود رهایش می کنید . غذاساز شما همه خوراکی ها را خرد می کند بدون اینکه نیاز به دخالت شما باشد . اما آیا این یک ربات است ؟
پاسخ این است : خیر ! شاید در انجام عمل خرد کردن غذاساز از شما کمکی نخواهد ولی در اصل شما اپراتور دستگاه هستید . غذاساز شما نمی تواند تشخیص دهد کی از حرکت باز ایستد ؟ یا نمی تواند تعیین کند مواد به اندازه کافی خرد شده اند یا نه ؟ اتوماتیک بودن به تنهایی ملاک نیست . در واقع ما از ربات انتظار داریم قدری قدرت تشخیص و تصمیم گیری داشته باشد .
ربات وسیله ای نیست که صرفاً کدنویسی و برنامه ریزی شده باشد ؛
خیلی از دستگاه های اطراف ما برنامه ریزی شده اند اما یک ربات نیستند . مثلاً گوشی همراه هوشمند شما برنامه ریزی شده است که اگر بخش آلارم ساعت آن را روشن کنید سر ساعتی مشخص زنگ دلخواه شما را بنوازد . ولی این هم یک ربات نیست! .
ربات وسیله ای نیست که صرفاً تعدادی اجزاء مکانیکی داشته باشد ؛
خیلی همه تعاریف SMD از مکانیزم های ساختنی هستند که بسیار جالب ، پیچیده و کار راه انداز هستند ، ضمناً اتوماتیک اند ولی باز هم یک ربات به حساب نمی آیند . مثلاً یک دستگاه چرخ خیاطی مکانیزم بسیار پیچیده ای دارد ولی باز هم یک ربات به حساب نمی آید .
مطابق فرهنگ واژه آکسفورد ربات به چیزی گفته می شود که :
- یک کامپیوتر برنامه پذیر داشته باشد که همان مغز ربات است ؛
- فعالیت های نسبتاً پیچیده ای را به طور خودکار یا اتوماتیک انجام دهد ؛
- توسط یک مدار کنترل هدایت شود که خارج از آن قرار دارد یا درون آن تعبیه شده است ؛
یک ربات مطابق این تعریف می تواند بدنه مکانیکی نداشته باشد ولی هم خودکار باشد هم برنامه پذیر باشد و هم قابل کنترل . هم چنین یک سری کار پیچیده نیز انجام دهد .
برای مثال ربات های نرم افزاری که هوشمندانه و خودکار عمل می کنند مثل ربات هایی که برای شبکه ها اجتماعی کار می کنند یا حتی الگوریتم های بهینه سازی جستجو در همه تعاریف SMD گوگل هم از نوع هوشمند ترین ربات های نرم افزاری هستند .
این ربات ها هیچ بدنه فیزیکی ندارند و در قالب کدهای نرم افزاری ویژگی های اصلی یک ربات را دارند . مثلاً کدهای بهینه سازی search در google داخل همه صفحات وب Crawl می کند و تمام کلمات ، لینک ها ، دسته بندی ها ، همه تعاریف SMD کدهای داخلی HTML و … را چک کرده و اصطلاحاً آن ها را Index می کند. و هنگامی که شما صفحه ای مرتبط با یک موضوع سرچ می بینید.
همین ربات ها هستند که تبلیغات مرتبط ، عکس ها و فیلم های مرتبط را برای شما جلوتر از سایر مطالب نشان می دهند . این ربات ها واقعاً هوشمند هستند .
نتیجه:
پس با این تعاریف شما الان می توانید به درستی تشخیص دهید که آیا خروجی پروژه کلاسی شما ربات است یا نه ؟ اگر یک ماشین ساده الکتریکی ساخته اید که با یک یا چند کلید آن را کنترل می کنید پس شما در واقع یک ماشین الکتریکی ساده با قابلیت کنترل ساخته اید .
حتی اگر از یک ریموت کنترل استفاده می کنید اسم دستگاه شما یک ماشین الکتریکی متحرک با کنترل از راه دور است . تا زمانی که شما دست به برنامه نویسی بزنید و یک قطعه کامپیوتر مرکزی را به عنوان مغز ربات به آن اضافه کنید .
بسیاری از ربات ها هستند که چندین گام جلوتر قرار دارند و علاوه بر اینکه خودکار عمل می کنند قدرت یادگیری هم دارند . ربات های یادگیرنده به کمک سنسورها که شبیه به حواس پنجگانه انسان عمل می کنند با محیط پیرامون خود ارتباط برقرار می کنند . ربات های تعاملی از این دسته ربات ها هستند .
اما بین خودمان باشد شاید خیلی از شما به دستگاه غذاساز یا یک اجاق گاز که دستور پخت قرمه سبزی را درونش دارد یا در ریموت دار پارکینگ خانه خود هم بگویید ربات ! شاید به دلیل استفاده فراگیر از ابزارها و لوازم الکترونیکی در سال های آینده تعاریف ربات در بین عموم مردم فرق کند. و آن ها دیگر قدرت تمایز بین این دستگاه ها را نداشته باشند و به همه این ابزارهای هوشمند بگویند ربات در صورتی که مطابق تعاریف علمی یا فنی در واقعیت ربات نباشند .
انتخاب اجزای کار خط داده
هسته این مدار بلوک یکپارچه MAX232 است. دو بسته مشترک وجود دارد، یکی از نوع دوگانه در خط، که کمی بزرگتر و مناسب برای فروش؛ دیگری نوع SMD است که از نظر اندازه کوچکتر است.
علاوه بر این، اگر نمی توانید MAX232 را پیدا کنید، می توانید از بلوک های یکپارچه فرستنده و RS232 مانند MAX232A، HIN232، MAX220، MAX3232، IL32 و غیره نیز استفاده کنید. تعاریف پین با MAX232 یکسان است، و دو بلوک یکپارچه اول سریع تر هستند. ظاهر 78L05 همان تریود معمولی است، لطفا به تعریف پین در هنگام خرید توجه کنید.
اگر تب شدید پیدا شود، می توان آن را با ۷۸۰۵ جایگزین کرد، یا می توان به جای آن از یک لوله تنظیم کننده ولتاژ ۱ ولت و یک مقاومت محدود کننده فعلی استفاده کرد. برای تشخیص قطب های مثبت و منفی باید به این کار توجه شود. یک کپسول CBB 0.1uF در هر دو انتهای کپسول فیلتر مؤثرتر است. بهتر است برای 4 پارامتر، از انواع کپسول های با کیفیت بالا مانند کپسول تانتال برای 4 پارامتر استفاده کنید و با توجه به منایفولدهای مختلف می توانید luF یا O را انتخاب کنید. ظرفیت 1uF.
پیدا کردن آن مشکل تر پلاگین تلفن همراه است، اما می توان آن را از یک شارژر زباله با همان نوع رابط به دست آورد، اما لطفا توجه داشته باشید که تمام پین های فلزی باید کامل باشند. کابل از یک کابل ۶ هسته ای محافظ استفاده می کند. مواد فوق را می توان در فروشگاه های قطعات الکترونیکی و یا فروشگاه های مواد مصرفی شبکه های کامپیوتری خریداری شده، و شما می توانید همه آنها را برای حدود 10 یوان خرید.
همه تعاریف SMD
اندوسکوپی به‌طور سنتی با کارآموزان در حال تمرین روی بیماران واقعی تحت نظارت اندوسکوپیست‌های باتجربه تدریس می‌شود. اخیرا، آگاهی فزاینده از نیاز به ایمنی بیمار، آموزش شبیه‌سازی را به خط مقدم آموزش کشانده است. آموزش شبیه‌سازی میتواند به کارآموزان کمک کند تا مهارت‌های خود را در یک محیط با محوریت یادگیرنده، بدون خطر تمرین کنند. مهم است که اطمینان حاصل شود مهارت‌ها از طریق شبیه‌سازی به‌طور مثبت به محیط بالینی منتقل میشوند. این مرور به‌روزشده برای ارزیابی اثربخشی آموزش شبیه‌سازی واقعیت مجازی (VR) در اندوسکوپی دستگاه گوارش انجام شده‌است.
تعیین اینکه آیا آموزش شبیه‌سازی واقعیت مجازی میتواند مکمل / جایگزین آموزش مقدماتی اندوسکوپی مرسوم (مدل کارآموزی) در ازوفاگوگاسترودئودنوسکوپی (oesophagogastroduodenoscopy) تشخیصی، کولونوسکوپی و / یا سیگموئیدوسکوپی (sigmoidoscopy) برای کارآموزان حرفه‌های سلامت با تجربه اندوسکوپیک محدود یا بدون سابقه قبلی شود.
ما بانک‌های اطلاعاتی حرفه‌های سلامت، آموزشی و کامپیوتری زیر را تا 12 جولای 2017 جست‌وجو کردیم: پایگاه ثبت کارآزمایی‌های کنترل شده کاکرین؛Ovid MEDLINE Ovid Embase؛ Scopus؛ Web of Science؛ BIOSIS Previews؛ (CINAHL) Cumulative Index to Nursing and Allied Health Litreture؛ AMED، ERIC؛ Education Full Text؛ CBCA Education؛ ACM Digital Library؛ IEEE Xplore؛ Abstracts in New Technology and Engineering، Computer and Information Systems Abstracts و ProQuest Dissertations and Theses Global. ما همچنین منابع خاکستری را تا نوامبر 2017 جست‌وجو کردیم.
ما کارآزمایی‌های بالینی تصادفی‌سازی و شبه - تصادفی‌سازی شده را وارد کردیم که به مقایسه آموزش شبیه‌سازی اندوسکوپی VR با دیگر روش‌های آموزش اندوسکوپی با پیامدهای اندازه‌گیری شده روی انسان‌ها در محیط بالینی، از جمله آموزش سنتی مبتنی بر بیمار، آموزش با استفاده از شکل دیگری از شبیه‌سازی اندوسکوپی یا هیچ آموزشی پرداخته بودند. ما همچنین کارآزمایی‌هایی را وارد کردیم که به مقایسه دو روش مختلف آموزش VR پرداخته بودند.
دو نویسنده به‌طور مستقل از هم واجد شرایط بودن و کیفیت روش‌شناسی کارآزمایی‌ها را ارزیابی کردند و داده‌ها را روی ویژگی‌ها و پیامدهای کارآزمایی استخراج کردند. ما داده‌هایی را برای متاآنالیز ترکیب کردیم که در آن گروه‌های شرکت‌کننده مشابه بودند، مطالعات مداخله و مقایسه‌کننده مشابه را ارزیابی کردند و تعاریف مشابهی از معیارهای پیامد داشتند. ما خطر نسبی را برای پیامدهای دو تایی با 95% فاصله‌های اطمینان (CI) محاسبه کردیم. ما تفاوت میانگین (MD) و تفاوت میانگین استاندارد شده (SMD) را با 95% فاصله‌های اطمینان (CI) برای نتایج پیوسته، زمانی که مطالعات معیارهای مشابه یا متفاوت پیامد را گزارش دادند، محاسبه کردیم. ما از سیستم GRADE (نظام درجه‌بندی کیفیت شواهد و قدرت توصیه‌ها) برای رتبه‌بندی کیفیت شواهد استفاده کردیم.
ما 18 کارآزمایی (421 شرکت‌کننده؛ 3817 پروسیجر اندوسکوپیک) را وارد کردیم. ما سه کارآزمایی را در معرض خطر کم سوگیری (bias) قضاوت کردیم. 10 کارآزمایی آموزش VR را با عدم آموزش، پنج کارآزمایی با آموزش‌های سنتی اندوسکوپی، یک کارآزمایی با شکل دیگری از آموزش شبیه‌سازی اندوسکوپی، و دو کارآزمایی با دو روش مختلف آموزش VR مقایسه کردند. با توجه به ناهمگونی قابل‌توجه بالینی و روش‌شناختی در طول چهار مقایسه ما، ما یک متاآنالیز را برای چندین پیامد انجام ندادیم. ما کیفیت شواهد را به صورت متوسط، پائین، یا خیلی پائین به علت خطر سوگیری، عدم دقت و ناهمگونی رده‌بندی کردیم.
آموزش شبیه‌سازی واقعیت مجازی اندوسکوپی در مقابل عدم آموزش: شواهد ناکافی برای تعیین تاثیر بر نمرات ترکیبی صلاحیت وجود داشت (MD: 3.10 ؛ 95% فاصله اطمینان (CI): 0.16 - تا 6.36؛ 1 کارآزمایی؛ 24 روش؛ شواهد با کیفیت پائین). نمرات ترکیبی صلاحیت براساس مقیاس‌های 5 نمره‌ای Likert بودند که 7 حوزه را ارزیابی می‌کردند: تکنیک آتروماتیک (atraumatic)، پیشرفت کولونوسکوپ، استفاده از کنترل‌های ابزاری، جریان پروسیجر، استفاده از کمک‌کننده‌ها، دانش پروسیجر خاص و عملکرد کلی. نمره‌ها از 7 تا 35 هستند و نمره بالاتر نشان‌دهنده سطح بالاتر صلاحیت است. آموزش واقعیت مجازی در مقایسه با عدم آموزش، احتمالا مزیت‌هایی برای شرکت‌کنندگان دارد، که با تکمیل مستقل پروسیجر اندازه‌گیری شد (RR: 1.62 ؛ 95% فاصله اطمینان (CI): 1.15 تا 2.26؛ 6 کارآزمایی؛ 815 روش؛ شواهد با کیفیت متوسط). ما رتبه‌بندی کلی عملکرد (MD: 0.45 ؛ 95% فاصله اطمینان (CI): 0.15 تا 0.75؛ 1 کارآزمایی؛ 18 روش)، به تصویر درآوردن مخاط (MD: 0.60 ؛ 95% فاصله اطمینان (CI): 0.20 تا 1.00؛ 1 کارآزمایی؛ 55 روش)، زمان انجام (MD: 0.20 - دقیقه؛ 95% فاصله اطمینان (CI): 0.71 - تا 0.30؛ 2 کارآزمایی؛ 29 روش)، و ناراحتی بیمار (SMD: 0.16 -؛ 95% فاصله اطمینان (CI): 0.68 - تا 0.35؛ 2 کارآزمایی؛ 145 روش) را ارزیابی کردیم و همه آنها شواهدی با کیفیت بسیار پائین داشتند. هیچ کارآزمایی عوارض مرتبط با پروسیجر یا خطاهای بحرانی (مثلا، خونریزی، پاره شدن لومینال) را گزارش نکردند (3 کارآزمایی؛ 550 روش؛ شواهد با کیفیت متوسط).
آموزش شبیه‌سازی واقعیت مجازی اندوسکوپی در مقابل آموزش مرسوم بر پایه بیمار: یک مطالعه نمرات ترکیبی صلاحیت را گزارش کرد اما داده‌های کافی برای آنالیز کمی فراهم نکرد. آموزش واقعیت مجازی در مقایسه با آموزش مرسوم بر پایه بیمار منجر به تکمیل کمتر مستقل پروسیجر شد (RR: 0.45 ؛ 95% فاصله اطمینان (CI): 0.27 تا 0.74 ؛ 2 کارآزمایی؛ 174 روش؛ شواهد با کیفیت پائین). ما زمان انجام (SMD: 0.12 ؛ 95% فاصله اطمینان (CI): 0.55 - تا 0.80؛ 2 کارآزمایی؛ 34 روش)، رتبه‌بندی کلی عملکرد (MD: 0.90 -؛ 95% فاصله اطمینان (CI): 4.40 - تا 2.60؛ 1 کارآزمایی؛ 16 روش) و به تصویر درآوردن مخاط (MD: 0.0 ؛ 95% فاصله اطمینان (CI): 6.02 - تا 6.02؛ 1 کارآزمایی؛ 18 روش) را بررسی کردیم، همگی با شواهدی با کیفیت بسیار پائین. آموزش واقعیت مجازی در ترکیب با آموزش مرسوم به نظر می‌رسد بر آموزش واقعیت مجازی به‌تنهایی ارجح باشد. هیچ کارآزمایی عوارض مرتبط با همه تعاریف SMD پروسیجر یا خطاهای بحرانی را گزارش نکردند (3 کارآزمایی؛ 72 روش؛ شواهد با کیفیت بسیار پائین).
آموزش شبیه‌سازی واقعیت مجازی اندوسکوپی در برابر فرم دیگری از شبیه‌سازی اندوسکوپی: براساس یک مطالعه، هیچ تفاوتی بین گروه‌ها با توجه به امتیاز مرکب از شایستگی، زمان اجرا و به تصویر درآوردن مخاط وجود نداشت. به نظر نمی‌رسد که آموزش واقعیت مجازی در ترکیب با شکل دیگری از آموزش شبیه‌سازی اندوسکوپی در مقایسه با آموزش VR به‌تنهایی، هیچ مزیتی داشته باشد.
دو روش آموزش واقعیت مجازی: براساس یک مطالعه، یک برنامه‌درسی ساختارمند آموزشی مبتنی بر شبیه‌سازی VR در مقایسه با یادگیری شخصی کنترل‌شده روی یک شبیه‌ساز VR، به نظر می‌رسد که با توجه به نمره مرکب ارزیابی‌کننده صلاحیت، مزایایی را فراهم کند. براساس یک مطالعه دیگر، یک برنامه آموزشی در حال یادگیری پیشرو که به طور مداوم دشواری کار را افزایش میدهد، مزایایی را با توجه به امتیاز ترکیبی صلاحیت نسبت به برنامه آموزشی ساختارمند VR، فراهم میکند.
آموزش مبتنی بر شبیه‌سازی VR میتواند به عنوان مکمل آموزش‌های مقدماتی اندوسکوپی مرسوم برای کارآموزان حرفه‌ای سلامت، با تجربه محدود یا بدون تجربه قبلی، استفاده شود. با این حال، ما شواهد کافی را برای توصیه یا مقابله با استفاده از آموزش مبتنی بر شبیه‌سازی VR به عنوان جایگزینی برای آموزش مقدماتی اندوسکوپی مرسوم، پیدا نکردیم. کیفیت شواهد موجود به علت عدم انجام تصادفی‌سازی کافی، پنهان کردن تخصیص و / یا کورسازی ارزیابان پیامد در چندین کارآزمایی پایین بودند. کارآزمایی‌های بیشتری مورد نیاز هستند که در معرض خطر پایین سوگیری، استفاده از معیارهای پیامدی با شواهد قوی از اعتبار و قابلیت اطمینان و بررسی ماهیت بهینه و طول مدت آموزش هستند.
سوال مطالعه مروری
آیا آموزش شبیه‌سازی واقعیت مجازی میتواند به عنوان مکمل و / یا جایگزین آموزش مقدماتی بر پایه بیمار در اندوسکوپی دستگاه گوارش قرار گیرد؟
پیشینه
به طور سنتی، کارآموزان آموخته شده‌اند که اندوسکوپی دستگاه گوارش (یک دوربین لوله‌ای که برای به تصویر درآوردن ساختارهای درون روده یا معده به کار می‌رود) را در محیط بالینی تحت نظارت یک اندوسکوپیست آموزش‌دیده اجرا کنند. شبیه‌سازان کامپیوتری واقعیت مجازی از تکنولوژی کامپیوتر برای ایجاد یک تصویر سه‌بعدی یا محیطی استفاده می‌کنند که می‌توانند با یک روش به ظاهر واقعی یا فیزیکی تعامل داشته باشد. این روش در حال محبوب شدن به عنوان راهی برای فراهم کردن فرصت برای آموزش مهارت‌ها در محیطی بدون خطر است. با این حال، آموزش مبتنی بر شبیه‌سازی میتواند گران‌قیمت باشد. بنابراین مهم است که از مهارت‌های به‌دست‌آمده از طریق آموزش مبتنی بر شبیه‌سازی برای استفاده در محیط بالینی اطمینان حاصل شود.
زمان انجام پژوهش
شواهد تا 12 جولای 2017 به‌روز هستند.
ویژگی‌های مطالعه
ما 18 کارآزمایی را با 421 شرکت‌کننده و 3817 پروسیجر اندوسکوپی وارد کردیم. 10 کارآزمایی به مقایسه آموزش واقعیت مجازی با عدم آموزش؛ پنج مورد به مقایسه آموزش واقعیت مجازی با آموزش اندوسکوپی مبتنی بر بیمار؛ یک مورد به مقایسه آموزش واقعیت مجازی با نوع دیگری از آموزش شبیه‌سازی اندوسکوپی؛ و دو مورد به مقایسه دو روش متفاوت از آموزش واقعیت مجازی پرداختند. ده کارآزمایی کولونوسکوپی، سه مطالعه سیگموئیدوسکوپی، و پنج مطالعه ازوفاگوگاسترودئودنوسکوپی را مطالعه کردند. شرکت‌کنندگان شامل کارآموزان پزشکی با آموزش‌های محدود یا بدون آموزش از دستگاه گوارش، پزشکی، پزشک خانواده یا جراحی عمومی همراه با پرستاران می‌شدند.
نتایج اصلی
در مقایسه با هیچ آموزشی، به نظر می‌رسد که آموزش واقعیت مجازی، برای کارآموزان مزیت‌هایی داشته باشد که با اندازه‌گیری توانایی تکمیل پروسیجر به صورت مستقل، درجه‌بندی کلی عملکرد، و به تصویر درآوردن کولون یا مری، سنجیده میشوند. ما هیچ شواهد قطعی را دال بر اینکه آموزش واقعیت مجازی، در مقایسه با آموزش سنتی مبتنی بر بیمار یا روش دیگر آموزش شبیه‌سازی اندوسکوپی، مزیتی داشته باشد پیدا نکردیم هر چند داده‌ها محدود بودند. برنامه‌های شبیه‌سازی واقعیت مجازی موجود را میتوان با استفاده از نظریه آموزشی مانند یک استراتژی یادگیری تدریجی، که به موجب آن کارآموزان موارد دشوار را به‌طور فزاینده‌ای کامل می‌کنند، بهبود بخشید. نتایج این مرور نشان میدهد که آموزش واقعیت مجازی اندوسکوپی میتواند برای تکمیل آموزش‌های مقدماتی اندوسکوپی مرسوم برای کارآموزان با تجربه محدود یا بدون تجربه اندوسکوپی مورد استفاده قرار گیرد.
کیفیت شواهد
به‌طور کلی، کیفیت شواهد براساس سوگیری بالقوه ناشی از گزارش‌دهی ضعیف روش‌شناختی در کارآزمایی‌ها و عدم دقت ناشی از تعداد اندک شرکت‌کنندگان و روش‌های اندوسکوپیک، ضعیف بود. مطالعات آینده باید با استانداردهای کیفی مانند تصادفی‌سازی مناسب همراه با استفاده از معیارهای معتبر برای اندازه‌گیری عملکرد اندوسکوپی تناسب داشته باشند. محققان همچنین باید اثربخشی برنامه‌های مختلف شبیه‌سازی را که براساس نظریه‌های آموزشی هستند، مقایسه کنند.
چه همه تعاریف SMD چیزی ربات نیست ؟
این روزها درباره برگزاری کلاس های رباتیک و تشویق خانواده ها برای فرستادن فرزندان خود به این کلاس های آموزشی زیاد می شنویم . دغدغه والدینی که خود متولد دهه های ۵۰ و ۶۰ هستند در مورد آموزش و مدیریت اوقات فراغت و نگرانی آن ها درباره وضعیت شغلی و مهارتی آینده فرزندانشان باعث شده بیش از پیش به ثبت نام آن ها در این کلاس ها روی بیاورند .
آموزشگاه ها و مدرسین رباتیک زیادی به مجموعه ما می آیند و تقاضا می کنند که محتواهای ادامه دار تر و فنی تری به آن ها ارائه دهیم تا بتوانند فضای آموزشی کلاس های خود را پوشش دهند . شرکت های زیادی هم در زمینه تولید پکیج های آموزشی رباتیک فعالیت دارند . اما هنوز خیلی از دانش آموزان و خانواده ها دقیقاً نمی دانند که به چه چیزی ربات می گویند یا چیزهایی که می سازند آیا واقعاً یک ربات به حساب می آیند یا خیر ؟
تعاریف زیادی از ربات و اینکه دقیقاً به چه دستگاهی کلمه ROBOT اطلاق می شود وجود دارد. ولی ما در این مقاله سعی داریم به شما بگوییم چه چیزی یک ربات نیست ؟ شاید به این صورت بهتر بتوانید تشخیص دهید خروجی یک پروژه ربات هست یا نه ؟
ربات وسیله ای نیست که صرفاً خودکار کار کند ؛
بطور مثال اگر در آشپزخانه خود یک دستگاه غذاساز دارید مثال دم دستی و خوبی است . شما در مخزن دستگاه غذا ساز مقداری خوراکی می ریزید ، درب آن را می بندید دکمه اش را روشن می کنید و سپس به حال خود رهایش می کنید . غذاساز شما همه خوراکی ها را خرد می کند بدون اینکه نیاز به دخالت شما باشد . اما آیا این یک ربات است ؟
پاسخ این است : خیر ! شاید در انجام عمل خرد کردن غذاساز از شما کمکی نخواهد ولی در اصل شما اپراتور دستگاه هستید . غذاساز شما نمی تواند تشخیص دهد کی از حرکت باز ایستد ؟ یا نمی تواند تعیین کند مواد به اندازه کافی خرد شده اند یا نه ؟ اتوماتیک بودن به تنهایی ملاک نیست . در واقع ما از ربات انتظار داریم قدری قدرت تشخیص و تصمیم گیری داشته باشد .
ربات وسیله ای نیست که صرفاً کدنویسی و برنامه ریزی شده باشد ؛
خیلی از دستگاه های اطراف ما برنامه ریزی شده اند اما یک ربات نیستند . مثلاً گوشی همراه هوشمند شما برنامه ریزی شده است که اگر بخش آلارم ساعت آن را روشن کنید سر ساعتی مشخص زنگ دلخواه شما را بنوازد . ولی این هم یک ربات نیست! .
ربات وسیله ای نیست که صرفاً تعدادی اجزاء مکانیکی داشته باشد ؛
خیلی از مکانیزم های ساختنی هستند که بسیار جالب ، پیچیده و کار راه انداز هستند ، ضمناً اتوماتیک اند ولی باز هم یک ربات به حساب نمی آیند . مثلاً یک دستگاه چرخ خیاطی مکانیزم بسیار پیچیده ای دارد ولی باز هم یک ربات به حساب نمی آید .
مطابق فرهنگ واژه آکسفورد ربات به چیزی گفته می شود که :
- یک کامپیوتر برنامه پذیر داشته باشد که همان مغز ربات است ؛
- فعالیت های نسبتاً پیچیده ای را به طور خودکار یا اتوماتیک انجام دهد ؛
- توسط یک مدار کنترل هدایت شود که خارج از آن قرار دارد یا درون آن تعبیه شده است ؛
یک ربات مطابق این تعریف می تواند بدنه مکانیکی نداشته باشد ولی هم خودکار باشد هم برنامه پذیر باشد و هم قابل کنترل . هم چنین یک سری کار پیچیده نیز انجام دهد .
برای مثال ربات های نرم افزاری که هوشمندانه و خودکار عمل می کنند مثل ربات هایی که برای شبکه ها اجتماعی کار می کنند یا حتی الگوریتم های بهینه سازی جستجو در گوگل هم از نوع هوشمند ترین ربات های نرم افزاری هستند .
این ربات ها هیچ بدنه فیزیکی ندارند و در قالب کدهای نرم افزاری ویژگی های اصلی یک ربات را دارند . مثلاً کدهای بهینه سازی search در google داخل همه صفحات وب Crawl می کند و تمام کلمات ، لینک ها ، دسته بندی ها ، کدهای داخلی HTML و … را چک کرده و اصطلاحاً آن ها را Index می کند. و هنگامی که شما صفحه ای مرتبط با یک موضوع سرچ می بینید.
همین ربات ها هستند که تبلیغات مرتبط ، عکس ها و فیلم های مرتبط را برای شما جلوتر از سایر مطالب نشان می دهند . این ربات ها واقعاً هوشمند هستند .
نتیجه:
پس با این تعاریف شما الان می توانید به درستی تشخیص دهید که آیا خروجی پروژه کلاسی شما ربات است یا نه ؟ اگر یک ماشین ساده الکتریکی ساخته اید که با یک یا چند کلید آن را کنترل می کنید پس شما در واقع یک ماشین الکتریکی ساده با قابلیت کنترل ساخته اید .
حتی اگر از یک ریموت کنترل استفاده می کنید اسم دستگاه شما یک ماشین الکتریکی متحرک با کنترل از راه دور است . تا زمانی که شما دست به برنامه نویسی بزنید و یک قطعه کامپیوتر مرکزی را به عنوان مغز ربات به آن اضافه کنید .
بسیاری از ربات ها هستند که چندین گام جلوتر قرار دارند و علاوه بر اینکه خودکار عمل می کنند قدرت یادگیری هم دارند . ربات های یادگیرنده به کمک سنسورها که شبیه به حواس پنجگانه انسان عمل می کنند با محیط پیرامون خود ارتباط برقرار می کنند . ربات های تعاملی از این دسته ربات ها هستند .
اما بین خودمان باشد شاید خیلی از شما به دستگاه غذاساز یا یک اجاق گاز که دستور پخت قرمه سبزی را درونش دارد یا در ریموت دار پارکینگ خانه خود هم بگویید ربات ! شاید به دلیل استفاده فراگیر از ابزارها و لوازم الکترونیکی در سال های آینده تعاریف ربات در بین عموم مردم فرق کند. و آن ها دیگر قدرت تمایز بین این دستگاه ها را نداشته باشند و به همه این ابزارهای هوشمند بگویند ربات در صورتی که مطابق تعاریف علمی یا فنی در واقعیت ربات نباشند .
دیدگاه شما