سود:
- توانایی تعریف واضح جهان و ارزیابی بازنمایی روش نمونه گیری و اینکه چه کسانی به طور سیستماتیک حذف می شوند.
- توانایی تمایز بین تعصب در داده ها و کلیشه های حمل شده توسط هوش مصنوعی و کنترل هر دو
- توانایی بیان یافته های محدود به یک نمونه، بدون اغراق و نوشتن بخش محدودیت های صادقانه.
مهمترین مفهوم تحقیق اجتماعی نمونه است – یعنی زیرگروهی که انتخاب میکنید زیرا نمیتوانید کل گروهی را که به آن علاقه دارید (جهان/جمعیت: همه افراد یا واحدهایی که تحقیق میخواهد درباره آنها صحبت کند) را یک به یک بررسی کنید. یافتههای یک مطالعه برای چه کسانی قابل تعمیم است (یعنی «این نتیجه فقط برای این افراد معتبر است یا برای گروه وسیعتری») کاملاً به بازنمایی نمونه بستگی دارد. نتیجه یک نمونه اشتباه یا مغرضانه اشتباه است، مهم نیست چقدر خوب تجزیه و تحلیل شود. در این بخش، یاد خواهید گرفت که چگونه از هوش مصنوعی برای فکر کردن در مورد طراحی نمونه، تشخیص سوگیری - هدایت سیستماتیک داده ها یا تفسیر در یک جهت، و صادقانه بیان محدودیت های تعمیم استفاده کنید.
در اینجا باید دو نوع تعصب را از هم تشخیص داد. اولی سوگیری در دادهها است: نمونه یک گروه را بیش از حد نشان میدهد و گروه دیگر را کمتر نشان میدهد (به عنوان مثال کسانی که فقط میتوانند در نظرسنجی آنلاین شرکت کنند، به عنوان مثال کسانی که به اینترنت دسترسی دارند). دوم، تعصب خود هوش مصنوعی است: هوش مصنوعی الگوهای متونی است که بر روی آنها آموزش دیده است و می تواند تعمیم های کلیشه ای در مورد یک گروه اجتماعی ایجاد کند. یک محقق اجتماعی خوب باید نسبت به هر دوی آنها هوشیار باشد. هوش مصنوعی می تواند به شما کمک کند هر دو را تشخیص دهید، یا می تواند هر دو را بزرگ کند.
گام به گام: تفکر در مورد نمایندگی
1. جهان هستی را توصیف کنید. می خواهید در مورد یافته خود به چه کسی بگویید؟ "همه رای دهندگان در ترکیه" و "رای دهندگان جوان در یک محله در استانبول" جهان های بسیار متفاوتی هستند. بدون نوشتن واضح این نمونه نمی توان ایجاد کرد.
2. روش نمونه گیری را انتخاب کنید. روشهایی مانند تصادفی (همه شانس مساوی برای انتخاب شدن دارند)، طبقهبندیشده (تقسیم جهان به گروهها و انتخاب از هر گروه)، گلوله برفی (یک شرکتکننده دیگری را توصیه میکند) قدرتهای متفاوتی برای نمایش میدهند. هوش مصنوعی می تواند مزایا و معایب هر روش را به زبان ساده توضیح دهد.
3. بپرسید چه کسی کنار گذاشته شده است. هر نمونه گیری برای کسی تنگ می شود. نظرسنجی آنلاین دلتنگ کسانی است که اینترنت ندارند، نظرسنجی تلفنی برای کسانی که تلفن ثابت ندارند، مصاحبه روزانه برای کارمندان تنگ می شود. هوش مصنوعی چک لیست خوبی برای این موضوع ایجاد می کند که "این روش به طور سیستماتیک چه کسانی را حذف می کند؟"
4. نقشه منابع سوگیری. منابعی مانند سوگیری انتخاب (چه کسی انتخاب می شود)، سوگیری پاسخ (چه کسی پاسخ می دهد)، سوگیری یادآوری (به یاد آوردن اشتباه گذشته) را فهرست کنید.
5. حد تعمیم را بنویسید. یافته را به صورت «جوانان در این نمونه» بیان کنید، نه «همه نوجوانان». هوش مصنوعی می تواند تعمیم بیش از حد را در پیش نویس شما علامت گذاری کند.
نکته: یک گزارش تحقیقاتی خوب توسط بخش "محدودیت ها" تقویت می شود، نه ضعیف. نوشتن صادقانه در مورد اینکه چه کسی نمونه شما را نمایندگی نمی کند، مطالعه شما را قابل اعتمادتر می کند. این بخش را از هوش مصنوعی بخواهید، اما هر گونه محدودیت را خودتان تأیید کنید.
سه کیف کوچک
مورد 1 - سوگیری انتخاب پنهان. برای سنجش میزان رضایت از خدمات شهرداری، یک تیم نظرسنجی را در وب سایت شهرداری قرار داد و رضایت 78 درصدی را دریافت کرد. وقتی از هوش مصنوعی پرسیدم "این نمونه کیست؟"، مشخص شد که بخشی که قبلاً از سایت استفاده می کند (یعنی به سرویس دسترسی دارد و احتمالاً رضایت بیشتری دارد) بیش از حد نشان داده شده است. این یافته به "78٪ در میان کاربران سایت" اصلاح شد.
مورد 2 - کلیشه هوش مصنوعی. زمانی که یک محقق از هوش مصنوعی خواست «دیدگاه سالمندان روستایی نسبت به فناوری» را خلاصه کند، هوش مصنوعی یک چارچوب کلیشهای را اضافه کرد که در دادهها وجود نداشت، مانند «افراد مسن از فناوری میترسند». زمانی که محقق متوجه این موضوع شد و گفت "فقط به اظهارات موجود در متن تکیه کنید"، مشاهده شد که در واقع نگرش های بسیار متنوعی در داده ها وجود دارد.
مورد 3 - تصحیح نمونه گیری طبقه ای. در یک نمونه 500 نفری، زنان 30 درصد بودند، در حالی که 51 درصد در جمعیت بود. هوش مصنوعی منطق وزندهی را به زبان ساده توضیح داد و تیم نتایج را با توجه به نسبت جمعیت وزن کرد و در نتیجه تصویری نمایندهتر به دست آورد.
چهار قالب قابل کپی
1) انتقاد از نمونه:
جهان تحقیق من: [شرح]. روش نمونه گیری من این است: [روش]. وظیفه شما: فهرست کنید که این نمونه چه کسانی را به طور سیستماتیک کمتر یا بیش از حد نشان می دهد. خطاهای انتخاب، پاسخ و یادآوری را جداگانه در نظر بگیرید. برای هر خطر یک توصیه کاهش دهید. یافته های من را مبالغه نکنید. مرزها را صادقانه نشان دهید.
2) کنترل تعمیم:
این جملات یافته را بررسی کنید: [متن]. هر تعمیم بیش از حد را علامت گذاری کنید. جملاتی مانند «همه/همه/جوانان/زنان» را با یک عبارت محدودتر که داده ها واقعاً پشتیبانی می کنند، بازنویسی کنید. برای مثال، به جای «جوانان X انجام میدهند»، «Y% از نوجوانان این نمونه X را گزارش کردند». هر ادعایی با منشأ نامشخص را علامت گذاری کنید.
3) ضبط سوگیری هوش مصنوعی:
خلاصه زیر رو براتون گذاشتم بررسی کنید: آیا قضاوت ها، صفت ها یا تعمیم هایی که اضافه کرده اید واقعاً در متن داده شده وجود دارد؟ هر عبارتی را که در متن نیست اما از الگوهای خودتان آمده است علامت بزنید و حذف کنید. فقط به آنچه در متن است پایبند باشید.
4) بخش محدودیت های پیش نویس:
پیشنویس بخش «محدودیتها» را بر اساس اطلاعات روش زیر بنویسید: اندازه نمونه [n]، روش [x]، زمینه [y]. توضیح دهید که چگونه هر محدودیت ممکن است بر یافته ها تأثیر بگذارد. نه اغراق و نه دست کم گرفتن; متعادل و صادق باشید. من هر مورد را تایید خواهم کرد.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
طبق نتایج نظرسنجی من، اکثر جوانان این نظر را دارند. این را در یک جمله قوی بنویسید.
این امر باعث تعمیم بیش از حد بدون سؤال کردن نمونه می شود. هوش مصنوعی به راحتی وارد ادعایی می شود که داده ها آن را ندارند، مانند "جوانان در ترکیه..."
اعلان قدرتمند:
نمونه من: 220 دانشجوی کارشناسی در یک دانشگاه، نظرسنجی آنلاین، مشارکت داوطلبانه. من می خواهم یک یافته را بیان کنم: 61٪ از شرکت کنندگان نظر X را بیان کردند. این را در یک جمله آکادمیک بدون حاشیه بنویسید که به وضوح محدودیت های نمونه را بیان کند (نمایندگی، سوگیری داوطلبانه). تعمیم را به این نمونه محدود کنید.
تفاوت: جمله دوم یک ادعای قابل دفاع ایجاد می کند که داده ها در واقع از آن پشتیبانی می کنند.
روش های نمونه گیری و نمایندگی
روش
چگونه کار می کند
قدرت نمایندگی
ریسک معمولی
تصادفی ساده
شانس برابر برای همه
بالا
هزینه حمل و نقل
طبقه بندی شده
به گروه ها تقسیم و انتخاب کنید
بالا
خطای تعریف گروه
سهمیه
پر کردن نرخ های گروه
متوسط
تعصب درون گروهی
آسان
از کسی که می توان با او تماس گرفت نپرس
پایین
سوگیری شدید در انتخاب
گلوله برفی
با پیشنهاد شرکت کنندگان
پایین
شباهت درون شبکه ای
اشتباهات رایج
- ایجاد یک نمونه بدون تعریف جهان. بازنمایی را نمی توان بدون دانستن اینکه به چه کسی تعمیم می دهید ارزیابی کرد.
- تعمیم نمونه گیری آسان به کل جمعیت. رایج ترین اشتباه؛ "پاسخگویان در نظرسنجی" با "همه" اشتباه گرفته می شوند.
- هرگز نپرسید که چه کسی کنار گذاشته شده است. هر روشی یک نفر را می رباید. آگاهانه به دنبال این باشید.
- توجه نکردن به کلیشه اضافه شده توسط هوش مصنوعی. مدل ممکن است کلیشه هایی را اضافه کند که در داده ها وجود ندارد.
- پنهان کردن محدودیت ها پنهان کردن شکنندگی نمونه باعث می شود مطالعه شکننده و قابل اعتماد نباشد.
به طور خلاصه
ارزش یک یافته به اندازه نماینده نمونه ای است که بر اساس آن است. هوش مصنوعی کمک قدرتمندی در توضیح روشهای نمونهگیری، ترسیم افرادی که کمتر ارائه شدهاند، پرچمگذاری تعمیمهای بیش از حد، و تهیه پیشنویس بخش محدودیتهای صادقانه است. اما مراقب دو سوگیری باشید: سوگیری خود داده ها و کلیشه هایی که هوش مصنوعی حمل می کند. جهان را به وضوح تعریف کنید، بپرسید چه کسی کنار گذاشته شده است، تعمیم را به نمونه محدود کنید، و محدودیت ها را صادقانه بنویسید.
وظیفه کاربردی
جامعه و روش نمونه گیری برای یک مطالعه واقعی یا فرضی را شرح دهید. کسانی که ممکن است کمتر/بیش از حد از هوش مصنوعی با الگوی «نقد نمونهگیری» ارائه شوند را استخراج کنید و حداقل سه منبع سوگیری را شناسایی کنید. سپس یک عبارت یافته را به یک عبارت باریک ترجمه کنید که داده ها در واقع با الگوی "بررسی تعمیم" پشتیبانی می کنند. در نهایت، یک بخش محدودیت های نیم صفحه صادقانه بنویسید.
چک لیست
- [ ] من جهان را به وضوح تعریف کرده ام (به آنها تعمیم خواهم داد).
- [ ] من نماینده بودن روش نمونه گیری را ارزیابی کردم.
- [ ] من لیستی از افرادی که به طور سیستماتیک کنار گذاشته شدند را فهرست کردم.
- [ ] یافته ها را محدود به نمونه و بدون اغراق بیان کردم.
- [ ] کلیشه ها/تعمیم هایی را که هوش مصنوعی اضافه کرده بود حذف کردم.