লাভ:
- একটি সৎ এবং দ্ব্যর্থহীন ভাষায় কৃত্রিম বুদ্ধিমত্তার সহায়তায় লক্ষ্য শ্রোতাদের (একাডেমিক, নীতি, ব্যবস্থাপনা) অভিজ্ঞতামূলক ফলাফলগুলি রিপোর্ট করার ক্ষমতা
- সম্পূর্ণরূপে উপসংহার, সীমাবদ্ধতা এবং নৈতিক বিবৃতি লেখার ক্ষমতা (ডেটা গোপনীয়তা, স্বার্থের দ্বন্দ্ব, কৃত্রিম বুদ্ধিমত্তার ব্যবহার প্রকাশ) এবং বিভ্রান্তিকর উপস্থাপনা এড়াতে
- অতিরঞ্জিত, একতরফা বা কার্যকারণ ভাষা তৈরি করে এমন প্রতিবেদনের খসড়া চিনতে কৃত্রিম বুদ্ধিমত্তার ক্ষমতা এবং চূড়ান্ত পাঠ্য এবং দাবির জন্য সেই দায়িত্বটি বজায় রাখা গবেষকের উপর নির্ভর করে।
মডিউল পরীক্ষা
1. একজন গবেষক জিজ্ঞাসা করেছেন '2015 এবং 2020 সালের মধ্যে তুরকিয়ে বেকারত্ব এবং মুদ্রাস্ফীতির মধ্যে পারস্পরিক সম্পর্ক সহগ কী?' কৃত্রিম বুদ্ধিমত্তাকে কোনো তথ্য না দিয়ে। তিনি সরাসরি তার নিবন্ধে 0.62 নম্বরটি জিজ্ঞাসা করেন এবং লেখেন। এই পদ্ধতির মৌলিক ভুল কি?
- ক) যাচাইকৃত তথ্য না দিয়ে কৃত্রিম বুদ্ধিমত্তা থেকে সুনির্দিষ্ট পরিসংখ্যান আশা করা; ✔ এমন একটি নম্বর ব্যবহার করা যা যাচাই না করেই তৈরি করা হয়েছে
- খ) কোনো নিবন্ধে পারস্পরিক সম্পর্ক সহগ ব্যবহার করা উচিত নয়।
- গ) বেকারত্ব এবং মুদ্রাস্ফীতির মধ্যে পারস্পরিক সম্পর্ক গণনা করা যায় না
- ঘ) কৃত্রিম বুদ্ধিমত্তা শুধুমাত্র 2020 সালের পরে ডেটা অ্যাক্সেস করতে পারে
ব্যাখ্যা: এআই ভাষার মডেল ডেটাসেট অ্যাক্সেস না করে পরিসংখ্যান তৈরি করতে পারে না; তিনি যে নম্বর দিয়েছেন তা সম্ভবত একটি হ্যালুসিনেশন (বানোয়াট)। সহগ, অনুপাত এবং পরীক্ষার ফলাফলগুলি গবেষকের নিজস্ব যাচাইকৃত ডেটা থেকে গণনা করা উচিত, মডেলের স্মৃতি থেকে নেওয়া নয়।
2. অনুপস্থিত ডেটার 'এলোমেলোভাবে অনুপস্থিত নয়' (MNAR) হওয়ার অর্থ কী এবং কেন এটি গুরুত্বপূর্ণ?
- ক) অপ্রত্যাশিত মান নিজেই ঘাটতি কারণে; তাই সাধারণ অ্যাসাইনমেন্ট পক্ষপাতিত্ব তৈরি করতে পারে ✔
- খ) ডেটা সম্পূর্ণরূপে এলোমেলোভাবে অদৃশ্য হয়ে যায় এবং কোনো পক্ষপাত সৃষ্টি করে না।
- গ) হারিয়ে যাওয়া ডেটা সর্বদা সারি মুছে ফেলার মাধ্যমে সমাধান করা উচিত।
- D) অনুপস্থিত ডেটা বিশ্লেষণকে কোনোভাবেই প্রভাবিত করে না।
ব্যাখ্যা: MNAR (Missing Not At Random) এর ক্ষেত্রে, অনুপস্থিত হওয়া নিজেই অপ্রদর্শিত মূল্যের মাত্রার উপর নির্ভর করে (যেমন উচ্চ উপার্জনকারীরা তাদের আয়ের রিপোর্ট করেন না)। এই ক্ষেত্রে, সাধারণ মুছে ফেলা বা গড় অ্যাসাইনমেন্ট পক্ষপাতদুষ্ট ফলাফল দেয়; অভাবের প্রক্রিয়াটি অবশ্যই মডেল করা উচিত। কৃত্রিম বুদ্ধিমত্তা দ্বারা প্রস্তাবিত অ্যাসাইনমেন্ট পদ্ধতি এই প্রক্রিয়াটি না জেনে অন্ধভাবে প্রয়োগ করা উচিত নয়।
3. একজন বিশ্লেষকের কাছে AI একটি বার চার্ট তৈরি করে এবং AI y-অক্ষকে শূন্যের পরিবর্তে 40 এ শুরু করে। দুটি গ্রুপের মধ্যে 2% এর প্রকৃত পার্থক্য গ্রাফে বিশাল দেখায়। সঠিক পন্থা কি?
- ক) স্ক্র্যাচ থেকে অক্ষ শুরু করা বা চার্টের ধরন পরিবর্তন করা; ✔ বিভ্রান্তি ছাড়াই পার্থক্যের প্রকৃত আকার দেখানোর জন্য
- খ) চার্টটি ব্যবহার করা কারণ এআই সেরা পছন্দ করে
- গ) পার্থক্যটিকে আরও বড় করতে 45 এ অক্ষ শুরু করা
- ঘ) বার চার্টের পরিবর্তে ভিজ্যুয়াল ব্যবহার করবেন না
ব্যাখ্যা: একটি বার চার্টে, ড্যাশড অক্ষ (y-অক্ষ যা শূন্য থেকে শুরু হয় না) ছোট পার্থক্য অতিরঞ্জিত করে বিভ্রান্ত করে। সৎ ভিজ্যুয়ালাইজেশনে, বার চার্টের অক্ষ শূন্য থেকে শুরু হওয়া উচিত বা পার্থক্যটি সচেতনভাবে স্পষ্টভাবে বলা উচিত। চিত্রটি যাচাই করা এবং প্রয়োজনে সংশোধন করা বিশ্লেষকের দায়িত্ব।
4. কৃত্রিম বুদ্ধিমত্তার ব্যাখ্যায় রৈখিক রিগ্রেশনে একটি সহগ 'গুরুত্বপূর্ণ' (p <0.05) কীভাবে তা প্রায়ই ভুলভাবে উপস্থাপন করা হয়?
- ক) প্রভাব বড় এবং গুরুত্বপূর্ণ বা কার্যকারণ প্রতিষ্ঠিত হওয়ায় তাত্পর্যের অতিরঞ্জিত উপস্থাপনা ✔
- খ) তাৎপর্য সর্বদা নির্দেশ করে যে প্রভাব ছোট
- গ) p <0.05 প্রমাণ করে যে সহগটি একেবারে সঠিক
- ঘ) উল্লেখযোগ্য সহগ কখনই রিপোর্ট করা উচিত নয়।
ব্যাখ্যা: পরিসংখ্যানগত তাৎপর্য প্রমাণের শক্তির সাথে সম্পর্কিত যে প্রভাব শূন্য থেকে ভিন্ন; এর অর্থ এই নয় যে প্রভাবটি বড়, গুরুত্বপূর্ণ বা কার্যকারণ। AI প্রায়ই 'গুরুত্বপূর্ণ' শব্দটিকে 'উল্লেখযোগ্য/শক্তিশালী প্রভাব' হিসেবে উপস্থাপন করে। গবেষকের প্রভাবের আকার, আত্মবিশ্বাসের ব্যবধান এবং প্রসঙ্গও মূল্যায়ন করা উচিত।
5. 'পি-হ্যাকিং' শব্দটি কী বোঝায় এবং কেন এআই এটিকে সহজ করতে পারে?
- ক) একাধিক বিশ্লেষণের চেষ্টা করা যতক্ষণ না এটি বোধগম্য হয়; AI এটি খুব দ্রুত করে, ঝুঁকি বাড়ায় ✔
- খ) একবার এবং পূর্বনির্ধারিত পরিকল্পনার সাথে ডেটা বিশ্লেষণ করা
- গ) পি-মান বাড়ানোর জন্য নমুনা প্রসারিত করা
- ঘ) শুধুমাত্র বর্ণনামূলক পরিসংখ্যান প্রতিবেদন করা
ব্যাখ্যা: p-হ্যাকিং একটি অর্থপূর্ণ ফলাফল আবির্ভূত হওয়া পর্যন্ত বিভিন্ন ভেরিয়েবল, সাবস্যাম্পল, ট্রান্সফরমেশন বা মডেল চেষ্টা করছে; এটি সুযোগের উপর ভিত্তি করে বানোয়াট ফলাফল তৈরি করে। যেহেতু AI সেকেন্ডের মধ্যে কয়েক ডজন মডেল ভেরিয়েন্ট চেষ্টা করতে পারে, তাই এটি একটি সৎ পরিকল্পনা ছাড়াই পি-হ্যাকিংকে দ্রুত করতে পারে। প্রতিরক্ষা; প্রাক-নিবন্ধন, নির্দিষ্ট বিশ্লেষণ পরিকল্পনা এবং একাধিক তুলনা সংশোধন।
6. কেন দুটি অস্থির (ইউনিট রুট) টাইম সিরিজের মধ্যে একটি উচ্চ R-স্কোয়ার রিগ্রেশন খুঁজে পাওয়া বিভ্রান্তিকর হতে পারে?
- ক) সাধারণ প্রবণতার কারণে অনুপযুক্ত রিগ্রেশন ঘটতে পারে; ✔ বাস্তব সম্পর্ক ছাড়া উচ্চ R-স্কয়ার আউটপুট
- খ) একটি উচ্চ R-বর্গ সবসময় একটি শক্তিশালী কার্যকারণ সম্পর্ক প্রমাণ করে।
- গ) নন-স্টেশনারি সিরিজকে মোটেও রিগ্রেশনে প্রবেশ করা যাবে না।
- D) R-squared টাইম সিরিজে গণনা করা যায় না
ব্যাখ্যা: যদি নন-স্টেশনারি সিরিজের মধ্যে কোনো সাধারণ সমন্বিত সম্পর্ক না থাকে, তবে শুধুমাত্র সাধারণ প্রবণতার কারণেই স্পুরিয়াস রিগ্রেশন উচ্চ R-বর্গ এবং উল্লেখযোগ্য সহগ তৈরি করতে পারে; যেখানে প্রকৃত সম্পর্ক নেই। অতএব, প্রথমে স্থিরতা এবং ইউনিট রুট পরীক্ষা করা উচিত এবং প্রয়োজনে পার্থক্যগুলি নেওয়া উচিত বা সমন্বিতকরণ পরীক্ষা করা উচিত।
7. কোন মৌলিক অনুমান ডিফারেন্স-ইন-ডিফারেন্স ডিজাইনের বৈধতার উপর ভিত্তি করে?
- ক) সমান্তরাল প্রবণতা অনুমান: কোন হস্তক্ষেপ না থাকলে দলগুলি একই দিক অনুসরণ করবে ✔
- খ) চিকিত্সা এবং নিয়ন্ত্রণ গ্রুপ শুরুতে ঠিক একই
- গ) নমুনার স্বাভাবিক বন্টন
- D) ভেরিয়েবলে কোনো অনুপস্থিত ডেটা থাকে না
ব্যাখ্যা: ডিআইডি অনুমান করে যে হস্তক্ষেপের অনুপস্থিতিতে, চিকিত্সা এবং নিয়ন্ত্রণ গোষ্ঠীগুলির ফলাফল পরিবর্তনশীল সময়ের সাথে সমান্তরাল হয়ে থাকবে (সমান্তরাল প্রবণতা অনুমান)। এই অনুমান পূরণ না হলে, অনুমানটি পক্ষপাতদুষ্ট। এআই ডিআইডি কোড তৈরি করতে পারে, তবে সমান্তরাল প্রবণতা রক্ষা করা এবং পরীক্ষা করা গবেষকের কাজ।
8. নিচের কোনটি প্রজননযোগ্য বিশ্লেষণের জন্য একটি বাধ্যতামূলক অনুশীলন?
- ক) এলোমেলো ধাপে বীজ ঠিক করা, প্যাকেজ সংস্করণ এবং কোড রেকর্ড করা ✔
- খ) ম্যানুয়ালি ফলাফলগুলি স্প্রেডশীটে অনুলিপি করুন এবং কোডটি মুছুন
- গ) প্রতিটি রানে ভিন্ন ভিন্ন ফলাফল দেখা স্বাভাবিক।
- ঘ) শুধুমাত্র চূড়ান্ত গ্রাফিক্স রাখা, ডেটা এবং কোড ভাগ করে না
বর্ণনা: প্রজননযোগ্যতা; একই ডেটা এবং কোড দিয়ে একই ফলাফল আবার পাওয়া যেতে পারে। এলোমেলো ধাপে বীজ ঠিক করা, প্যাকেজ সংস্করণ সংরক্ষণ করা এবং নথির মধ্যে কোড কার্যকর করা (সাক্ষর প্রোগ্রামিং) এর মূল ভিত্তি। ম্যানুয়ালি ফলাফল অনুলিপি করা বা ক্লিক-ভিত্তিক, নন-লগিং পদক্ষেপগুলি পুনরুত্পাদনযোগ্যতাকে ক্ষতিগ্রস্ত করে।
9. হেটেরোস্কডেস্টিসিটি কি একটি রৈখিক রিগ্রেশনকে বিকৃত করে এবং এর সাধারণ সমাধান কী?
- ক) এটি স্ট্যান্ডার্ড ত্রুটি বিকৃত করে; সমাধান হল দৃঢ় প্রমিত ত্রুটি বা উপযুক্ত রূপান্তর ✔
- খ) এটি সহগ অনুমান সম্পূর্ণরূপে বাতিল করে এবং এর কোন সমাধান নেই
- গ) সর্বদা R-বর্গকে শূন্যে কমিয়ে দেয়
- ঘ) নমুনা খুব ছোট হলেই ঘটে এবং উপেক্ষা করা যায়
ব্যাখ্যা: Heteroscedasticity সহগ অনুমানকে নিরপেক্ষ রাখে কিন্তু মানক ত্রুটির ভুল গণনা করে; এটি পি-মান এবং আত্মবিশ্বাসের ব্যবধানকে অবিশ্বস্ত করে তোলে। একটি সাধারণ সমাধান হল দৃঢ়/এইচসি স্ট্যান্ডার্ড ত্রুটি বা উপযুক্ত রূপান্তর ব্যবহার করা। এটি অবশ্যই যাচাই করা উচিত যে AI দ্বারা প্রস্তাবিত সমাধানটি আসলে সমস্যাটিকে লুকিয়ে রাখার পরিবর্তে ঠিক করে।
10. একজন গবেষক একটি পাবলিক AI চ্যাট টুলে রোগী-স্তরের শনাক্তকরণ তথ্য এবং আয় সম্বলিত মাইক্রোডেটা আপলোড করেন এবং বলেন 'ডু রিগ্রেশন'। এই আচরণের প্রধান সমস্যা কি?
- ক) একটি বাহ্যিক টুলে ব্যক্তিগত/লাইসেন্সপ্রাপ্ত ডেটা আপলোড করা গোপনীয়তা এবং চুক্তির লঙ্ঘন গঠন করে ✔
- খ) কৃত্রিম বুদ্ধিমত্তা দ্বারা রিগ্রেশন মোটেই করা যায় না
- গ) মাইক্রো ডেটা রিগ্রেশনের জন্য মোটেই উপযুক্ত নয়
- ঘ) AI সবসময় রিগ্রেশনের ভুল হিসাব করে
ব্যাখ্যা: ব্যক্তিগত/বিশেষ ডেটা যেমন পরিচয় এবং আয় কেভিকেকে/জিডিপিআর এবং বেশিরভাগ ডেটা ব্যবহারের চুক্তির অধীনে সুরক্ষিত; ডেটা সঞ্চয় করতে পারে এমন একটি বাহ্যিক ডিভাইসে তাদের আপলোড করা একটি লঙ্ঘন। সঠিক পথ; ডেটা বেনামী করা, স্থানীয়/প্রাতিষ্ঠানিক সুরক্ষিত সরঞ্জামগুলি ব্যবহার করে, বা কেবল কৃত্রিম বুদ্ধিমত্তা থেকে কোডের অনুরোধ করা এবং কোডটি তার নিজস্ব পরিবেশে চালানো।
11. মাল্টিকোলিনিয়ারিটি বেশি হলে কী পরিলক্ষিত হয়?
- ক) গুণাগুণ অস্থির হয়ে ওঠে এবং মান ত্রুটি স্ফীত হয়; স্বতন্ত্র সহগ অর্থহীন হতে পারে ✔
- খ) আর-বর্গ সর্বদা শূন্যে কমে যায়
- গ) সহগ অনুমান সব সময় আরো সুনির্দিষ্ট হয়ে ওঠে
- D) নির্ভরশীল পরিবর্তনশীলের স্কেল পরিবর্তন হয়
ব্যাখ্যা: উচ্চ মাল্টিকোলিনিয়ারিতে, স্বাধীন চলকগুলি একে অপরের সাথে দৃঢ়ভাবে সম্পর্কযুক্ত; সহগ অনুমান অস্থির হয়ে ওঠে, মানক ত্রুটিগুলি স্ফীত হয়ে যায়, এবং পৃথক সহগগুলি তুচ্ছ হতে পারে, যখন সামগ্রিক মডেল তাৎপর্যপূর্ণ হতে পারে। এটি VIF এর মতো মানদণ্ড দ্বারা নির্ণয় করা হয়। কৃত্রিম বুদ্ধিমত্তা পরিবর্তনশীল নির্মূলের পরামর্শ দিতে পারে, তবে কোন পরিবর্তনশীলটি তাত্ত্বিক থাকা উচিত তা গবেষকের উপর নির্ভর করে।
12. পরিসংখ্যানগত শক্তি কি এবং একটি কম শক্তি অধ্যয়নের ঝুঁকি কি?
- ক) বিদ্যমান প্রভাব সনাক্ত করার সম্ভাবনা; কম শক্তি প্রকৃত প্রভাব মিস করে এবং ফলাফলগুলিকে অবিশ্বস্ত করে তোলে ✔
- খ) p-মান হ্রাস করার সম্ভাবনা; নিম্ন শক্তি সবসময় আরো নির্ভরযোগ্য ফলাফল দেয়
- গ) নমুনার আকার থেকে স্বাধীন একটি ধ্রুবক মান
- ঘ) একটি ধারণা যা বৈধ তখনই যখন কৃত্রিম বুদ্ধিমত্তা ব্যবহার করা হয়
ব্যাখ্যা: শক্তি হল এমন একটি প্রভাব সনাক্ত করার সম্ভাবনা যা আসলে বিদ্যমান (1 বিয়োগ টাইপ II ত্রুটি)। কম ক্ষমতাসম্পন্ন গবেষণা সত্যিকারের প্রভাব মিস করতে পারে; উপরন্তু, কয়েকটি উল্লেখযোগ্য ফলাফল একটি অতিরঞ্জিত প্রভাব আকার বহন করতে পারে ('বিজয়ী অভিশাপ') এবং মিথ্যা ইতিবাচক হার বৃদ্ধি পায়। অতএব, বিশ্লেষণের আগে শক্তি/নমুনা গণনা গুরুত্বপূর্ণ।
13. কেন একটি নিবন্ধে কৃত্রিম বুদ্ধিমত্তার ব্যবহার প্রকাশ করা নৈতিকভাবে প্রয়োজনীয়?
- ক) স্বচ্ছতা ও জবাবদিহিতার জন্য; ✔ পাঠক এবং রেফারিরা প্রক্রিয়াটি মূল্যায়ন করতে পারেন এবং দায়িত্ব লেখকের সাথে থাকে
- খ) কৃত্রিম বুদ্ধিমত্তার ব্যবহার স্বয়ংক্রিয়ভাবে ফলাফলকে বাতিল করে দেয়
- গ) শুধুমাত্র বিজ্ঞাপনের উদ্দেশ্যে পত্রিকা দ্বারা অনুরোধ করা হয়েছে
- ঘ) ব্যাখ্যার কপিরাইট কৃত্রিম বুদ্ধিমত্তায় স্থানান্তর করা
প্রকাশ: স্বচ্ছতা প্রয়োজনীয় যাতে পাঠক এবং পর্যালোচকরা মূল্যায়ন করতে পারেন কিভাবে ফলাফল উত্পাদিত হয়েছে; অনেক জার্নাল এবং প্রতিষ্ঠানের এখন এআই ব্যবহারের প্রকাশের প্রয়োজন। উপরন্তু, যেহেতু কৃত্রিম বুদ্ধিমত্তা ত্রুটি/হ্যালুসিনেশন তৈরি করতে পারে, তাই এটা বলা সততার বিষয় যে দায়িত্ব লেখকের কাছেই রয়ে গেছে এবং কোন পদক্ষেপগুলি নিরীক্ষিত হয়েছে।
14. ইনস্ট্রুমেন্ট ভেরিয়েবল (IV) পদ্ধতিতে 'বর্জনের সীমাবদ্ধতা' কী প্রয়োজন?
- ক) টুলটি শুধুমাত্র অভ্যন্তরীণ ভেরিয়েবলের মাধ্যমে ফলাফলকে প্রভাবিত করে, অন্য কোন সরাসরি উপায় নেই ✔
- খ) ফলাফল পরিবর্তনশীলের সাথে উপকরণটির কোনো সম্পর্ক নেই।
- গ) যন্ত্রটি এন্ডোজেনাস পরিবর্তনশীলের সাথে সম্পর্কহীন।
- D) মানে সবসময় একটি বাইনারি (0/1) পরিবর্তনশীল
ব্যাখ্যা: বর্জনের সীমাবদ্ধতার জন্য প্রয়োজন যে যন্ত্রটি ফলাফলের পরিবর্তনশীলকে শুধুমাত্র অন্তঃসত্ত্বা ব্যাখ্যামূলক পরিবর্তনশীলের মাধ্যমে প্রভাবিত করে এবং অন্য কোনো প্রত্যক্ষ উপায় বা অপ্রত্যক্ষিত কারণগুলির মাধ্যমে নয়। এই অনুমান সম্পূর্ণরূপে তথ্য থেকে পরীক্ষা করা যাবে না; এটি তাত্ত্বিক এবং প্রাতিষ্ঠানিক ভিত্তিতে রক্ষা করা হয়। AI IV কোড লিখতে পারে, তবে টুলটির বৈধতা রক্ষা করা গবেষকের কাজ।
15. প্রাক-নিবন্ধন ছাড়াই নমনীয় বিশ্লেষণে 'কাঁটা পথের বাগান' সমস্যাটির অর্থ কী?
- ক) ডেটার উপর ভিত্তি করে করা অনেক যুক্তিসঙ্গত বিশ্লেষণ পছন্দ মিথ্যা ইতিবাচক হার বৃদ্ধি করে, এমনকি অনিচ্ছাকৃতভাবে ✔
- খ) বিশ্লেষণ পদ্ধতি একক এবং বাধ্যতামূলক হতে হবে
- গ) একটি সমস্যা যা শুধুমাত্র তখনই ঘটে যখন ইচ্ছাকৃত প্রতারণা ঘটে।
- ঘ) একটি পরিস্থিতি যা নমুনা বৃদ্ধির সাথে সাথে স্বতঃস্ফূর্তভাবে অদৃশ্য হয়ে যায়
ব্যাখ্যা: ডেটা দেখার পরে, গবেষক কোন পরিবর্তনশীল, উপগোষ্ঠী, রূপান্তর বা থ্রেশহোল্ড ব্যবহার করবেন সে সম্পর্কে অনেক যুক্তিসঙ্গত পছন্দ করতে পারেন। কোনো একক 'ইচ্ছাকৃত পি-হ্যাকিং' না থাকলেও, এই নমনীয়তা মিথ্যা ইতিবাচক হারকে বাড়িয়ে দেয় কারণ উল্লেখযোগ্যটি কার্যকরভাবে বিপুল সংখ্যক বিশ্লেষণ থেকে বেছে নেওয়া হয়। প্রাক-নিবন্ধন এবং একটি নির্দিষ্ট বিশ্লেষণ পরিকল্পনা এই নমনীয়তা সীমিত করে।