المكاسب:
- القدرة على تقديم النتائج التجريبية إلى الجمهور المستهدف (الأكاديمي والسياسي والإداري) بدعم من الذكاء الاصطناعي، بلغة صادقة لا لبس فيها
- القدرة على كتابة الاستنتاجات والقيود والبيانات الأخلاقية بشكل كامل (سرية البيانات، وتضارب المصالح، والكشف عن استخدام الذكاء الاصطناعي) وتجنب العرض المضلل
- قدرة الذكاء الاصطناعي على التعرف على مسودات التقارير التي تنتج لغة مبالغ فيها أو أحادية الجانب أو سببية والحفاظ على أن المسؤولية عن النص النهائي والادعاءات تقع على عاتق الباحث.
امتحان الوحدة
1. يتساءل أحد الباحثين: ما هو معامل الارتباط بين البطالة والتضخم في تركيا بين عامي 2015 و2020؟ دون إعطاء أي بيانات للذكاء الاصطناعي. يسأل ويكتب الرقم 0.62 مباشرة في مقالته. ما هو الخطأ الأساسي في هذا النهج؟
- أ) توقع إحصائيات ملموسة من الذكاء الاصطناعي دون إعطاء بيانات مؤكدة؛ ✔استخدام رقم قد يكون مختلقًا دون التحقق منه
- ب) لا ينبغي أبدًا استخدام معامل الارتباط في المقالة.
- ج) لا يمكن حساب الارتباط بين البطالة والتضخم
- د) لا يمكن للذكاء الاصطناعي الوصول إلى البيانات إلا بعد عام 2020
توضيح: لا يمكن لنموذج لغة الذكاء الاصطناعي إنتاج إحصائيات دون الوصول إلى مجموعة البيانات؛ الرقم الذي يعطيه على الأرجح هو هلوسة (ملفقة). يجب أن يتم حساب المعاملات والنسب ونتائج الاختبار من البيانات التي تم التحقق منها من قبل الباحث، وليس من ذاكرة النموذج.
2. ماذا يعني أن تكون البيانات المفقودة "غير مفقودة عشوائيًا" (MNAR) وما سبب أهميتها؟
- أ) أن النقص يرجع إلى القيمة غير الملحوظة نفسها؛ ولهذا السبب فإن التكليف البسيط يمكن أن يخلق تحيزًا✔
- ب) تختفي البيانات بشكل عشوائي تمامًا ولا تخلق أي تحيز.
- ج) يجب دائمًا حل البيانات المفقودة عن طريق حذف الصف.
- د) لا تؤثر البيانات المفقودة على التحليل بأي شكل من الأشكال.
توضيح: في حالة MNAR (مفقود ليس عشوائيًا)، يعتمد الفقد نفسه على حجم القيمة غير الملحوظة (على سبيل المثال، أصحاب الدخل المرتفع لا يبلغون عن دخلهم). في هذه الحالة، الحذف البسيط أو التعيين المتوسط يعطي نتائج متحيزة؛ يجب أن تكون على غرار آلية النقص. ولا ينبغي تطبيق طريقة التعيين التي يقترحها الذكاء الاصطناعي بشكل أعمى دون معرفة هذه الآلية.
3. يطلب المحلل من الذكاء الاصطناعي إنشاء مخطط شريطي، ويبدأ الذكاء الاصطناعي المحور الصادي عند 40 بدلاً من الصفر. ويبدو الفرق الفعلي البالغ 2% بين المجموعتين ضخمًا على الرسم البياني. ما هو النهج الصحيح؟
- أ) بدء المحور من الصفر أو تغيير نوع المخطط؛ ✔ لإظهار الحجم الحقيقي للفرق دون تضليل
- ب) استخدام المخطط كما هو لأن الذكاء الاصطناعي هو الذي يقوم بالاختيار الأفضل
- ج) بدء المحور عند 45 لجعل الفرق أكبر
- د) لا تستخدم العناصر المرئية أبدًا بدلاً من المخططات الشريطية
Explanation: في المخطط الشريطي، يكون المحور المتقطع (المحور y الذي لا يبدأ من الصفر) مضللًا من خلال تضخيم الاختلافات الصغيرة. في التصور الصادق، يجب أن يبدأ محور المخططات الشريطية من الصفر أو يجب ذكر الفرق بوضوح. وتقع على عاتق المحلل مسؤولية التحقق من الصورة وتصحيحها إذا لزم الأمر.
4. كيف يتم تحريف حقيقة أن المعامل "مهم" (P<0.05) في الانحدار الخطي في كثير من الأحيان في تفسير الذكاء الاصطناعي؟
- أ) المبالغة في عرض الأهمية حيث يكون التأثير كبيرا ومهما أو يتم إثبات السببية✔
- ب) تشير الأهمية دائمًا إلى أن التأثير صغير
- ج) p<0.05 يثبت أن المعامل صحيح تمامًا
- د) لا ينبغي أبدا الإبلاغ عن المعاملات الهامة.
الشرح: الأهمية الإحصائية تتعلق بقوة الدليل على أن التأثير يختلف عن الصفر؛ وهذا لا يعني أن التأثير كبير أو مهم أو سببي. غالبًا ما يقدم الذكاء الاصطناعي كلمة "مهم" على أنها "تأثير كبير/قوي". يجب على الباحث أيضًا تقييم حجم التأثير وفاصل الثقة والسياق.
5. إلى ماذا يشير مصطلح "P-hacking" ولماذا يمكن للذكاء الاصطناعي أن يسهل الأمر؟
- أ) تجربة تحليلات متعددة حتى تصبح منطقية؛ يقوم الذكاء الاصطناعي بذلك بسرعة كبيرة، مما يزيد من المخاطر ✔
- ب) تحليل البيانات مرة واحدة وبخطة محددة سلفا
- ج) توسيع العينة لزيادة القيمة p
- د) الإبلاغ عن الإحصائيات الوصفية فقط
Explanation: p-hacking هو تجربة متغيرات أو عينات فرعية أو تحويلات أو نماذج مختلفة حتى تظهر نتيجة ذات معنى؛ وهذا ينتج نتائج زائفة تعتمد على الصدفة. نظرًا لأن الذكاء الاصطناعي يمكنه تجربة العشرات من النماذج المختلفة في ثوانٍ، فيمكنه تسريع عملية القرصنة بدون خطة صادقة. الدفاع؛ التسجيل المسبق وخطة التحليل الثابتة وتصحيح المقارنة المتعددة.
6. لماذا قد يكون العثور على انحدار تربيعي مرتفع بين سلسلتين زمنيتين غير ثابتتين (جذر الوحدة) أمرًا مضللاً؟
- أ) قد يحدث الانحدار الزائف بسبب الاتجاه المشترك؛ ✔مخرجات R-squared عالية بدون علاقة حقيقية
- ب) يشير مربع R المرتفع دائمًا إلى وجود علاقة سببية قوية.
- ج) لا يمكن إدخال السلسلة غير الثابتة في الانحدار على الإطلاق.
- د) لا يمكن حساب R-squared في السلاسل الزمنية
Explanation: إذا لم تكن هناك علاقة تكامل مشترك مشتركة بين السلاسل غير الثابتة، فإن الانحدار الزائف قد ينتج عنه معامل R-squared مرتفع ومعامل كبير فقط بسبب الاتجاه المشترك؛ بينما لا توجد علاقة حقيقية. لذلك، يجب إجراء اختبارات الثبات وجذر الوحدة أولاً، وإذا لزم الأمر، يجب أخذ الاختلافات أو اختبار التكامل المشترك.
7. ما هو الافتراض الأساسي الذي يعتمد على صحة تصميم الفرق في الاختلافات؟
- أ) افتراض الاتجاهات الموازية: ستتبع المجموعات نفس الاتجاه إذا لم يكن هناك تدخل✔
- ب) مجموعات العلاج والسيطرة هي نفسها تمامًا في البداية
- ج) التوزيع الطبيعي للعينة
- د) لا تحتوي المتغيرات على أي بيانات مفقودة
الشرح: يفترض DiD أنه في غياب التدخل، فإن متغير النتيجة لمجموعات العلاج والمجموعات الضابطة سوف يسير بالتوازي مع مرور الوقت (افتراض الاتجاهات الموازية). إذا لم يتم استيفاء هذا الافتراض، فإن التقدير متحيز. يمكن للذكاء الاصطناعي إنتاج كود DiD، لكن مهمة الباحث هي الدفاع عن الاتجاهات الموازية واختبارها.
8. أي مما يلي يعد ممارسة إلزامية لإجراء تحليل قابل للتكرار؟
- أ) إصلاح البذرة بخطوات عشوائية وتسجيل إصدارات الحزمة والكود ✔
- ب) انسخ النتائج يدويًا إلى جدول البيانات واحذف الكود
- ج) من الطبيعي رؤية نتائج مختلفة في كل جولة.
- د) الاحتفاظ بالرسومات النهائية فقط، وعدم مشاركة البيانات والتعليمات البرمجية
الوصف: إمكانية تكرار نتائج؛ ويمكن الحصول على نفس النتيجة مرة أخرى بنفس البيانات والكود. يعد إصلاح البذرة في خطوات عشوائية، وحفظ إصدارات الحزمة، وتنفيذ التعليمات البرمجية داخل المستند (البرمجة المتعلمة) حجر الزاوية في ذلك. يؤدي نسخ النتائج يدويًا أو النقر على خطوات غير مسجلة إلى إضعاف إمكانية التكرار.
9. ما الذي يشوه التباين الخطي الانحدار الخطي وما هو الحل المشترك له؟
- أ) يشوه الأخطاء المعيارية؛ الحل هو الأخطاء المعيارية القوية أو التحويل المناسب ✔
- ب) يبطل تقديرات المعاملات تماما ولا يوجد له حل
- ج) دائمًا يقلل R-squared إلى الصفر
- د) لا يحدث إلا إذا كانت العينة صغيرة جدًا ويمكن تجاهلها
Explanation: التغايرية تترك تقديرات المعاملات غير متحيزة ولكنها تخطئ في حساب الأخطاء المعيارية؛ وهذا يجعل القيم الاحتمالية وفترات الثقة غير موثوقة. الحل الشائع هو استخدام الأخطاء القياسية القوية/HC أو التحويل المناسب. ويجب التحقق من أن الحل الذي يقترحه الذكاء الاصطناعي يعمل بالفعل على إصلاح المشكلة بدلاً من إخفائها.
10. يقوم أحد الباحثين بتحميل البيانات الجزئية التي تحتوي على معلومات تعريفية على مستوى المريض والدخل في أداة دردشة عامة تعمل بالذكاء الاصطناعي ويقول "قم بالتراجع". ما هي المشكلة الرئيسية في هذا السلوك؟
- أ) يشكل تحميل البيانات الشخصية/المرخصة إلى أداة خارجية انتهاكًا للسرية والعقد ✔
- ب) لا يمكن أن يتم الانحدار عن طريق الذكاء الاصطناعي على الإطلاق
- ج) البيانات الجزئية ليست مناسبة للانحدار على الإطلاق
- د) يخطئ الذكاء الاصطناعي دائمًا في تقدير الانحدار
توضيح: البيانات الشخصية/الخاصة مثل الهوية والدخل محمية بموجب KVKK/GDPR ومعظم اتفاقيات استخدام البيانات؛ يعد تحميلها على جهاز خارجي يمكنه تخزين البيانات انتهاكًا. الطريق الصحيح؛ إخفاء هوية البيانات، باستخدام أدوات آمنة محلية/مؤسسية، أو ببساطة طلب التعليمات البرمجية من الذكاء الاصطناعي وتشغيل التعليمات البرمجية في بيئتها الخاصة.
11. ما الذي يتم ملاحظته عندما تكون التعددية الخطية عالية؟
- أ) تصبح المعاملات غير مستقرة وتتضخم الأخطاء المعيارية؛ قد يتبين أن المعاملات الفردية لا معنى لها ✔
- ب) يتناقص R-squared دائمًا إلى الصفر
- ج) تصبح تقديرات المعامل أكثر دقة طوال الوقت
- د) يتغير حجم المتغير التابع
Explanation: في حالة وجود علاقة خطية عالية، ترتبط المتغيرات المستقلة بقوة مع بعضها البعض؛ وتصبح تقديرات المعاملات غير مستقرة، وتتضخم الأخطاء المعيارية، وقد يتبين أن المعاملات الفردية غير ذات أهمية، في حين أن النموذج العام قد يكون كبيرا. ويتم تشخيصه بمعايير مثل VIF. قد يقترح الذكاء الاصطناعي إزالة المتغيرات، ولكن الأمر متروك للباحث ليقرر أي متغير يجب أن يبقى نظريًا.
12. ما هي القوة الإحصائية وما هي مخاطر دراسة القوة المنخفضة؟
- أ) إمكانية الكشف عن التأثير الموجود. الطاقة المنخفضة تفوت التأثيرات الحقيقية وتجعل النتائج غير موثوقة ✔
- ب) احتمال تخفيض القيمة p؛ الطاقة المنخفضة تعطي دائمًا نتائج أكثر موثوقية
- ج) قيمة ثابتة مستقلة عن حجم العينة
- د) مفهوم صالح فقط عند استخدام الذكاء الاصطناعي
Explanation: القوة هي احتمال اكتشاف تأثير موجود بالفعل (1 ناقص خطأ من النوع II). قد تفوت الدراسات ذات الطاقة المنخفضة التأثيرات الحقيقية؛ بالإضافة إلى ذلك، فإن النتائج الهامة القليلة قد تحمل حجم تأثير مبالغ فيه ("لعنة الفائز") ويزيد المعدل الإيجابي الكاذب. ولذلك، حساب الطاقة/العينة مهم قبل التحليل.
13. لماذا من الضروري أخلاقياً الكشف عن استخدام الذكاء الاصطناعي في مقال ما؟
- أ) من أجل الشفافية والمساءلة؛ ✔ يمكن للقراء والحكام تقييم العملية وتبقى المسؤولية على عاتق المؤلف
- ب) يؤدي استخدام الذكاء الاصطناعي إلى إبطال النتائج تلقائيًا
- ج) تطلبها المجلات لأغراض إعلانية فقط
- د) نقل حقوق النشر للشرح إلى الذكاء الاصطناعي
الإفصاح: الشفافية ضرورية حتى يتمكن القارئ والمراجعون من تقييم كيفية إنتاج النتائج؛ تتطلب العديد من المجلات والمؤسسات الآن الكشف عن استخدام الذكاء الاصطناعي. بالإضافة إلى ذلك، بما أن الذكاء الاصطناعي يمكن أن ينتج أخطاء/هلوسة، فمن الصدق أن نذكر أن المسؤولية تظل على عاتق المؤلف والخطوات التي تم تدقيقها.
14. ما الذي يتطلبه "تقييد الاستبعاد" في طريقة متغير الأداة (IV)؟
- أ) تؤثر الأداة على النتيجة فقط من خلال المتغير الداخلي، فلا توجد طريقة أخرى مباشرة✔
- ب) ليس للأداة علاقة بمتغير النتيجة.
- ج) الأداة لا علاقة لها بالمتغير الداخلي.
- د) المتوسط هو دائمًا متغير ثنائي (0/1).
Explanation: يتطلب قيد الاستبعاد أن تؤثر الأداة على متغير النتيجة فقط من خلال المتغير التوضيحي الداخلي وليس من خلال أي وسيلة مباشرة أخرى أو عوامل غير ملحوظة. لا يمكن اختبار هذا الافتراض بالكامل من خلال البيانات؛ ويتم الدفاع عنه على أسس نظرية ومؤسسية. قد يكتب الذكاء الاصطناعي الكود الرابع، لكن مهمة الباحث هي الدفاع عن صلاحية الأداة.
15. ماذا تعني مشكلة "حديقة المسارات المتشعبة" في التحليلات المرنة دون تسجيل مسبق؟
- أ) كثرة خيارات التحليل المعقولة التي يتم اتخاذها بناءً على البيانات تزيد من المعدل الإيجابي الكاذب، حتى عن غير قصد ✔
- ب) يجب أن تكون طرق التحليل فردية وإلزامية
- ج) مشكلة لا تحدث إلا عند حدوث الغش المتعمد.
- د) حالة تختفي تلقائياً مع نمو العينة
Explanation: بعد عرض البيانات، يمكن للباحث اتخاذ العديد من الاختيارات المعقولة حول المتغير أو المجموعة الفرعية أو التحويل أو العتبة التي سيتم استخدامها. حتى لو لم يكن هناك "اختراق متعمد" واحد، فإن هذه المرونة تزيد من المعدل الإيجابي الكاذب لأنه يتم اختيار المعدل الهام بشكل فعال من عدد كبير من التحليلات. يحد التسجيل المسبق وخطة التحليل الثابتة من هذه المرونة.