Comment concevoir une expérience botanique

Les expériences sont au cœur de la science. Ce sont ces petites améliorations progressives qui sont à l'origine des progrès incroyables que nous observons actuellement. Chaque énorme bond en avant est propulsé par des milliers de petites expériences.

Salut à toi ! Je recherche activement des botanistes/biologistes végétaux/scientifiques de tous horizons pour m'aider à concevoir de meilleures expériences. Contactez-moi si vous souhaitez collaborer !

Étapes clés

1. Comment d'autres ont-ils testé votre problème ? Comment pouvez-vous vous améliorer ?
2. Définir une hypothèse testable et répétable
3. Définir une hypothèse nulle
4. Choisissez un niveau de signification
5. Prenez un échantillon (suffisant pour soutenir votre niveau de signification)
6. Calculer une valeur P
7. Si la valeur P est inférieure au niveau de signification, nous pouvons rejeter l’hypothèse nulle !

Qu’est-ce qui fait une bonne hypothèse ?

Une hypothèse est le cœur d'une expérience bien conçue. C'est en fait une question déguisée. Que cherchez-vous à comprendre ? Quelles variables essayez-vous de relier ?

Une bonne hypothèse possède quelques caractéristiques clés :

• Il doit être testable
• Il établit un lien entre la variable explicative et la variable de réponse
• Une expérience peut le tester avec les méthodes, l'équipement et le budget disponibles
• C'est sûr et éthique
• C'est suffisamment spécifique pour être utile et sans ambiguïté

Voici quelques exemples d’hypothèses :

1. Les micro-pousses poussent mieux sous la lumière naturelle.
2. L'engrais rend les micro-pousses plus saines.
3. Les graines saines poussent mieux que les graines endommagées.

Mais si nous voulions prendre les 3 hypothèses ci-dessus au niveau suivantnous pourrions être plus précis (et ainsi créer des recherches plus utiles) :

1. Les micro-pousses de tournesol ont un rendement sec plus élevé sous des LED à indice de rendu des couleurs élevé de 6 500 K que sous des LED à indice de rendu des couleurs moyen de 5 000 K.
2. Les vitamines essentielles (provitamines A, C, E et K1) sont présentes en concentrations plus élevées lorsque les micropousses sont cultivées avec un engrais dilué 10-10-10 contenant des micronutriments qu'avec de l'eau distillée.
3. Les graines exposées à une pression d’écrasement mécanique de 100 psi germent à des taux inférieurs à ceux des graines témoins.

Un exemple:

Prenons un exemple simple : la fertilisation des micro-pousses de pois.

L’hypothèse pourrait être : donner de l’engrais aux pois augmentera le rendement des micro-pousses.

Cela semble assez raisonnable, n'est-ce pas ?

Mais en réalité, cela pose quelques problèmes. Comment mesure-t-on le rendement ? Et si le rendement s'est amélioré, est-ce dû à l'engrais ? Ou bien est-ce dû au fait qu'ils ont été arrosés différemment ? Ou bien la qualité des graines est très variable et elles sont simplement plus fraîches ? Ou bien ont-elles été plantées dans un meilleur sol ?

Comment peut-on réellement dire que l’engrais a amélioré le rendement ?

Ou si vous mesuriez le goût, il s'agissait peut-être simplement d'un effet placebo. Peut-être vous attendiez-vous simplement à ce qu'une micropousse contenant plus de nutriments développe plus de complexité et ait meilleur goût. Alors, comment pouvons-nous contrôler cela ? Et comment pouvons-nous créer des résultats défendables, fiables et reproductibles ?

Variable explicative

La variable explicative est ce que vous faites varier.

C'est le si dans le si… alors.

Si les engrais et les nutriments dans le sol sont plus élevés, alors les rendements secs seront plus élevés.

La variable explicative est au centre de vos recherches. Que comptez-vous faire varier dans votre expérience ?

Densité de semis ? Arrosage ? Type de sol ?

Toutes ces variables pourraient constituer d’excellentes variables explicatives.

Variable de réponse

La variable de réponse est la variable qui permet de mesurer l'impact de l'expérience. Nous apportons un changement, puis nous mesurons quelque chose pour comprendre ce qui s'est passé. Le résultat clé ou les informations clés proviennent souvent de la compréhension de la relation entre les variables explicatives et de réponse.

Dans notre exemple, la variable de réponse est le rendement (le poids frais ou sec des micro-pousses que nous obtenons).

Groupe de contrôle

Un groupe témoin reçoit un traitement standard ou aucun traitement du tout. Le traitement standard pour nos besoins est un sol sans engrais (juste de l'eau).

Dans notre exemple, un groupe témoin n'impliquerait pas d'engrais. Un groupe témoin est conçu de manière à ce que votre variable explicative ou indépendante soit contrôlée. Le groupe témoin doit être conçu pour être dans des conditions aussi similaires que possible à celles du groupe de traitement, à l'exception de la variable indépendante.

Si le groupe témoin est soumis à des conditions similaires pour toutes les autres variables, il est alors plus facile d’être sûr que les résultats du groupe de traitement sont dus à la variable explicative (ici l’engrais).

Le groupe témoin doit être échantillonné à partir de la même population. Pour nous, cela signifie que nous voulons que le groupe témoin utilise les mêmes semences et soit dans le même environnement (éclairage, sol, température, etc.).

Groupe de traitement ou de test :

Dans ce cas, nous avons deux groupes, l'un qui reçoit un traitement normal (le groupe témoin) et l'autre le groupe qui reçoit de l'engrais (le groupe de traitement).

Dans notre cas, nous mesurons le rendement, qui est facile à mesurer objectivement, mais dans certaines expériences, le jugement humain peut s'immiscer dans les résultats si l'on n'y prend pas garde. Pourrions-nous influencer les résultats de manière inconsciente et constater une augmentation par accident ? L'idéal serait donc de disposer d'un système empêchant les expérimentateurs de savoir à quel groupe ils s'intéressent, un moyen d'anonymiser (ou de rendre aveugles) les groupes aux chercheurs.

Expérience en double aveugle

Le premier aveugle

Vous voulez que les sujets (dans ce cas, les graines de pois) ne sachent pas dans quel groupe ils sont placés. Je ne pense pas que nous ayons à nous inquiéter de l'influence des pois sur notre expérience.

Nous pouvons supposer sans risque que les pois ne savent pas à quel groupe ils appartiennent.

Le deuxième aveugle

L'autre aveugle, ce sont les chercheurs. Les chercheurs ne devraient pas non plus savoir sur quel groupe ils mènent leurs expériences, car ils peuvent influencer inconsciemment les résultats.

Selon la conception de l’expérience, l’aveuglement des chercheurs peut être une option intéressante, voire absolument indispensable (comme dans le cas de nombreux essais médicaux).

Même lorsqu’on mesure quelque chose d’objectif, cela peut être surprenant, mais des biais peuvent jouer un rôle dans les mesures et les analyses.

Résultats

Supposons donc qu’il y ait une augmentation de 5 % des rendements dans le groupe témoin (par rapport aux résultats typiques) et une augmentation de 20 % des rendements dans le groupe fertilisé.

Il serait tentant de dire que dans ce cas, les micro-pousses fertilisées sont 15 à 20 % meilleures que celles non fertilisées. Mais quelle est la probabilité que cette augmentation soit due à l'engrais et non pas simplement à une variation aléatoire.

Si vous cultivez des pois, certains germeront naturellement plus facilement et plus rapidement, et donneront des plantes plus grandes que d’autres.

Les statistiques inférentielles approfondissent ce sujet.

Validité statistique

Valeurs de p et tests de signification

Les tests de signification nous indiquent si nous devons attribuer une différence dans la variable répondante à la variable explicative.

Pour notre exemple ci-dessus, la signification nous donnera une idée de savoir si l'augmentation du rendement est due à l'engrais, ou s'il s'agit simplement d'une variation aléatoire, et notre rendement moyen est le même qu'avant.

L'hypothèse nulle est l'idée qu'il n'y a aucun changement.

Nous devons fixer un seuil, appelé niveau de signification. En général, il est de 5 % ou moins. Nous ne pouvons pas mesurer toutes les pousses de pois cultivées dans des conditions spécifiques. Mais nous pouvons mesurer un certain échantillon, un certain sous-ensemble que nous cultivons.

Hypothèse nulle

Nous avons donc ce que l'on appelle l'hypothèse nulle. En supposant que l'engrais ne fasse rien, quelle est la probabilité que les pois produisent 20 % de rendement en plus ? Ou, en d'autres termes, quelle est la probabilité qu'une plate-bande de micro-pousses de pois non fertilisée produise 20 % de plus que la moyenne ?

Si la probabilité est très faible, on peut dire que l’engrais a de grandes chances d’augmenter les rendements.

Une autre façon d’énoncer l’hypothèse nulle est la suivante :

Si nous constatons une différence de rendement entre les micro-pousses de pois fertilisées et les micro-pousses de pois non fertilisées, c'est parce que :

• Nous commettons une erreur dans notre expérience sur la façon dont nous mesurons le rendement. Si nous mesurons le rendement frais (humide), cela pourrait simplement nous montrer quelles micro-pousses ont eu plus accès à l'eau (l'étagère où se trouvaient les micro-pousses n'était pas de niveau), ou le sol n'était pas mélangé uniformément, de sorte que la moitié du plateau a absorbé plus d'eau par capillarité. Nous devrions donc mesurer le rendement sec la prochaine fois.
• Ou bien la différence mesurée est due au fait que les pois n'ont pas été sélectionnés au hasard. Les pois non fertilisés se trouvaient par hasard sur le dessus du sac, et le sac était en train de cuire sous le soleil brûlant.

Rendez votre expérience reproductible

Votre expérience doit être suffisamment détaillée et contrôlée pour que quelqu'un d'autre puisse la reproduire. Il est naturel de s'attendre à ce que des biais s'infiltrent dans les expériences (en particulier lorsque d'AUTRES personnes les réalisent), alors comment une expérience peut-elle être reproduite ?

Est-ce que d'autres personnes obtiendront les mêmes résultats ? Même si vous pensez avoir sélectionné les deux groupes au hasard, vous aviez peut-être certains préjugés dont vous n'aviez pas conscience. Peut-être avez-vous utilisé un cultivar de semences spécifique qui réagit bien à l'engrais. Peut-être que votre éclairage était limité et que vos semences n'étaient donc pas en mesure d'utiliser tous les nutriments à leur disposition. Ou peut-être que votre lot de semences était en fait un mélange de deux lots et que le fournisseur de semences ne l'a jamais mentionné.

Si quelqu'un reproduit votre expérience (selon vos spécifications) mais sous des contraintes légèrement différentes. Peut-être en utilisant un autre fournisseur de semences. Ou une autre marque du même engrais NPK, ou un éclairage différent. Et qu'il obtient un résultat différent. Peut-être que la différence est plus ou moins grande, ou due à une variable différente de celle que vous aviez initialement prévue.

Taille et variabilité de l'échantillon

Plus l'échantillon que vous êtes en mesure de réaliser est grand, plus les résultats sont robustes.

De plus, plus vous pouvez faire varier les autres variables, plus vos résultats sont fiables. Ainsi, si vous pouvez montrer que l'engrais augmente les rendements, que les pois soient exposés à une lumière de 5 000 ou 6 500 K, que les pois soient trempés au préalable ou non, qu'ils soient cultivés en terre ou sur un tapis de chanvre, vous pouvez alors être très confiant dans vos résultats.

Le progrès de la science est en jeu !

Être rigoureux dans ce processus vaut la peine de faire un effort supplémentaire.

Regardez les autres expériences. Et examinez les données rapportées dans les médias ou dans les cours que vous suivez. Vous pourriez être surpris de constater qu'une grande partie des informations disponibles ne sont que vaguement étayées par les données.

Il y a donc clairement beaucoup de travail à faire (et idéalement à refaire !).

La valeur P est une probabilité conditionnelle. La probabilité que la moyenne de l'échantillon soit supérieure ou égale à nos résultats, étant donné que notre hypothèse nulle est vraie. Donc, pour notre exemple : si nous supposons que l'engrais ne fait rien (ou qu'un plateau non fertilisé donne le même rendement qu'un plateau fertilisé), quelle est la probabilité qu'un plateau non fertilisé de micropousses entraîne une augmentation de 20 % des rendements ?

Sur la base de ce qui précède, pouvons-nous rejeter l’hypothèse nulle ?

Hypothèses

Les gens s'appuient sur des expériences antérieures. Si vous pouvez mener des recherches de manière à ce que les gens aient confiance en vos résultats, ils pourront s'appuyer sur votre travail et l'améliorer. Vous vous appuyez toujours sur des hypothèses, et l'essentiel est de les suivre du mieux que vous pouvez. Ensuite, les gens peuvent examiner vos conclusions, et s'ils sont en mesure de démontrer qu'une hypothèse est erronée à l'avenir, ils peuvent refaire l'expérience et en tenir compte et approfondir encore davantage les connaissances.

Je m'appelle Alex Lafrenière. J'ai beaucoup appris sur les plantes lorsque j'ai créé et exploité une entreprise d'aménagement paysager. Mais il y a toujours plus à apprendre. Depuis que je voyage à travers le monde, je veux trouver des moyens d'intégrer davantage de plantes tropicales et exotiques dans ma vie. C'est sur ce site que je partage tout ce que j'ai appris avec vous.

Ce site est détenu et exploité par Plant Hardware, une entreprise à propriétaire unique dont le siège social est situé à Calgary, au Canada. Plant Hardware participe au programme d'affiliation d'Amazon Services LLC, un programme de publicité d'affiliation conçu pour fournir aux sites un moyen de gagner des frais de publicité en faisant de la publicité et en créant des liens vers Amazon.com. Plant Hardware peut également participer à des programmes d'affiliation avec Bluehost, Clickbank, CJ, ShareASale et d'autres sites. Plant Hardware est rémunéré pour avoir référé du trafic et des affaires à ces entreprises.