Εντοπίστηκε ένα σφάλμα στη λειτουργία της ΠΥΞΙΔΑΣ όταν χρησιμοποιείται μέσω του προγράμματος περιήγησης Safari. Μέχρι να αποκατασταθεί το πρόβλημα, προτείνουμε τη χρήση εναλλακτικού browser όπως ο Chrome ή ο Firefox. A bug has been identified in the operation of the PYXIDA platform when accessed via the Safari browser. Until the problem is resolved, we recommend using an alternative browser such as Chrome or Firefox.
Λογότυπο αποθετηρίου

Πλοήγηση ανά Επιβλέπων "Ntzoufras, Ioannis"

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Τ Υ Φ Χ Ψ Ω
Φιλτράρετε τα αποτελέσματα πληκτρολογώντας τα πρώτα γράμματα
Τώρα δείχνει 1 - 2 από 2
  • Μικρογραφία εικόνας
    Τεκμήριο
    Bayesian ANOVA and multiplicity adjustment
    (2025-03-21) Μαμούγκα, Άλκηστη; Mamougka, Alkisti; Papastamoulis, Panagiotis; Tsiamyrtzis, Panagiotis; Ntzoufras, Ioannis
    Η παρούσα διατριβή εξετάζει τη Bayesian ANOVA ως εναλλακτική προσέγγιση έναντι των κλασικών μεθόδων, εστιάζοντας στα πλεονεκτήματά της στη διαχείριση πολλαπλών συγκρίσεων και την αξιοποίηση της α πριόρι πληροφορίας. Οι παραδοσιακές μέθοδοι ANOVA βασίζονται στα p-value και απαιτούν αυθαίρετες διορθώσεις πολυπλοκότητας, όπως η Bonferroni, προκειμένου να ελεγχθεί ο κίνδυνος ψευδών ανακαλύψεων. Αντίθετα, η Μπεϋζιανή ANOVA ενσωματώνει φυσικά τη διόρθωση πολυπλοκότητας μέσω των εκ των προτέρων κατανομών. Το κυριότερο κομμάτι της μελέτης βασίζεται σε μια προσομοίωση, στην οποία εφαρμόζουμε Bayesian ANOVA με διαφορετικές επιλογές α πριόρι κατανομών. Εξετάζουμε την επίδραση των κατανομών αυτών στην επιλογή μοντέλου, την ακρίβεια των συμπερασμάτων και τη διαχείριση των πολλαπλών συγκρίσεων. Επιπλέον, διερευνούμε την εφαρμογή της Bayesian ANOVA σε πραγματικά δεδομένα, εστιάζοντας σε παράγοντες που επηρεάζουν την απόδοση των αθλητών στον μαραθώνιο. Τα αποτελέσματα αναδεικνύουν τη Bayesian ANOVA ως μια πιο ευέλικτη και πληροφοριακά πλουσιότερη προσέγγιση στην ανάλυση διακύμανσης, η οποία αντιμετωπίζει τη διόρθωση πολυπλοκότητας εγγενώς, χωρίς την ανάγκη αυθαίρετων προσαρμογών. Με τη βελτίωση της επιλογής μοντέλου και τον περιορισμό του κινδύνου ψευδών ανακαλύψεων, η Bayesian προσέγγιση καθίσταται μια ισχυρή εναλλακτική των κλασικών μεθόδων, ενισχύοντας την υιοθέτηση Μπεϋζιανών τεχνικών στη στατιστική ανάλυση και την εφαρμοσμένη έρευνα.
  • Μικρογραφία εικόνας
    Τεκμήριο
    Εγκυρότητα και αξιοπιστία των ψηφιακών βιοδεικτών για τη μετωποκροταφική άνοια
    (2025-03-27) Stylidis, Ioannis; Στυλίδης, Ιωάννης; Kornak, John; Spelta, Alessandro; Ntzoufras, Ioannis
    Η μετωποκροταφική άνοια είναι μια νευρολογική πάθηση που απασχολεί την ανθρωπότητα για μεγάλο χρονικό διάστημα. Οι ασθενείς με αυτή την πάθηση υποφέρουν από διάφορες συνέπειες, όπως γνωστική δυσλειτουργία, κινητικά προβλήματα και συναισθηματική αναστάτωση. Δυστυχώς, δεν υπάρχει μόνιμη θεραπεία για αυτήν. Επομένως, η αναζήτηση τρόπων για τη συλλογή περισσότερων δεδομένων θα ήταν εξαιρετικά χρήσιμη στην αντιμετώπιση αυτού του προβλήματος. Ως απάντηση, έχει αναπτυχθεί μια εφαρμογή κινητού (ALLFTDMobileApp), η οποία έχει ως στόχο να προσομοιώσει τα δεδομένα που συλλέγονται από διαγνωστικά τεστ. Αυτή η εφαρμογή περιλαμβάνει παιχνίδια κινητού σχεδιασμένα για να αξιολογούν τη γνωστική λειτουργία των ασθενών, τα οποία μπορεί να παρέχουν πληροφορίες για το επίπεδο της άνοιας στους ασθενείς. Συλλέγοντας περισσότερα δεδομένα από τους ασθενείς, η εφαρμογή αυτή διευκολύνει τις ερευνητικές προσπάθειες που αποσκοπούν στην εύρεση θεραπείας και στην καλύτερη πρόβλεψη της σοβαρότητας της νόσου στους ασθενείς. Στην ανάλυσή μας, θα αποδείξουμε ότι αυτή η εφαρμογή κινητού έχει τη δυνατότητα να αντικαταστήσει ορισμένα διαγνωστικά τεστ που συνήθως πραγματοποιούνται στα νοσοκομεία, επιτρέποντας στους ασθενείς να υποβληθούν σε λιγότερες διαδικασίες. Αυτό θα επιτευχθεί χρησιμοποιώντας δεδομένα από τις επιδόσεις των παιχνιδιών με την πάροδο του χρόνου από τους συμμετέχοντες και αξιολογώντας τη συσχέτισή τους με διαγνωστικά τεστ, όπως οι όγκοι περιοχών του εγκεφάλου από εγκεφαλικές απεικονίσεις. Στη μελέτη αυτή, θα χρησιμοποιηθούν δύο τεχνικές — Μοντέλα Μικτών Επιδράσεων και Μοντελοποίηση Δομικών Εξισώσεων — για να αναλυθεί η σχέση μεταξύ των επιδόσεων στα παιχνίδια και των όγκων του εγκεφάλου