Ροή εργασιών από άκρο σε άκρο, διακυβέρνηση και υπεύθυνη χρήση

Κέρδη:

• Δυνατότητα προγραμματισμού της έρευνας ως μια συνεκτική ροή εργασίας έξι σταδίων από το σχεδιασμό έως την τεκμηρίωση
• Δυνατότητα προσδιορισμού του ορίου ασφαλούς χρήσης της τεχνητής νοημοσύνης σε κάθε στάδιο και επαλήθευσης της προηγούμενης απόδοσης σε μεταβάσεις σταδίων
• Ικανότητα δημιουργίας πρωτοκόλλου υπεύθυνης χρήσης σε επίπεδο ομάδας και αυτοαξιολόγησης σύμφωνα με πέντε βασικές αρχές

Στις προηγούμενες δέκα ενότητες, καλύψαμε την τεχνητή νοημοσύνη σε κάθε στάδιο της κοινωνικής έρευνας: ερωτήσεις και βιβλιογραφία, δειγματοληψία, έρευνα και ποσοτική ανάλυση, ποιοτική κωδικοποίηση και θέμα, μικτές μέθοδοι, οπτικοποίηση, ηθική, αναπαραγωγιμότητα και γραφή. Τα συγκεντρώνουμε όλα σε αυτή την τελική ενότητα. Ο στόχος είναι να συνδέσουμε μεμονωμένες δεξιότητες σε μια ροή εργασιών από άκρο σε άκρο — μια συνεπή, ασφαλή και ειλικρινή διαδικασία από το ερευνητικό ερώτημα έως το δημοσιευμένο εύρημα. Θα προχωρήσουμε επίσης πέρα ​​από ένα άτομο και θα μιλήσουμε για τη διακυβέρνηση: τους κοινούς κανόνες για το πώς μια ομάδα, ένα τμήμα ή ένα ίδρυμα μπορεί να χρησιμοποιήσει την τεχνητή νοημοσύνη υπεύθυνα στην κοινωνική έρευνα.

Η αξία της σκέψης από άκρο σε άκρο είναι ότι η απόφαση που παίρνετε σε κάθε στάδιο επηρεάζει το επόμενο. Ένα μεροληπτικό δείγμα δεν μπορεί να σωθεί ακόμη και με μια τέλεια ανάλυση. Μια μη επαληθευμένη πηγή διαψεύδει ακόμη και την καλύτερη γραφή. Γι' αυτό είναι απαραίτητο να χρησιμοποιείτε το AI με τις ίδιες αρχές σε κάθε στάδιο: τροφοδοτήστε το με ισχυρούς πόρους, επαληθεύστε κάθε αποτέλεσμα, προστατεύστε την ανθρώπινη κρίση, φροντίστε εκ των προτέρων για την ηθική και το απόρρητο, τεκμηριώστε τη διαδικασία με διαφάνεια. Αυτές οι αρχές μπορούν να συνοψιστούν σε μία πρόταση: Η τεχνητή νοημοσύνη επιταχύνει την έρευνα, αλλά δεν αντικαθιστά τον ερευνητή.

Βήμα προς βήμα: ροή από άκρο σε άκρο

1. Σχέδιο (ερώτηση + ηθική + δείγμα). Καθιερώστε σαφείς ερωτήσεις, επαναλάβετε την έγκριση δεοντολογίας και τον προγραμματισμό εμπιστευτικότητας και αξιολογήστε την αντιπροσωπευτικότητα του δείγματος. Σε αυτό το στάδιο, η τεχνητή νοημοσύνη βοηθά στον περιορισμό ερωτήσεων και στον έλεγχο ηθικών κινδύνων.

2. Συλλογή δεδομένων (έρευνα + συνέντευξη). Ετοιμάστε έναν συμπαγή οδηγό έρευνας και συνέντευξης. Το AI πιάνει παγίδες ερωτήσεων. Το καθήκον της συλλογής των δεδομένων και της σχέσης συμμετεχόντων είναι δικό σας.

3. Επεξεργασία (καθαρισμός + κωδικοποίηση + ανωνυμοποίηση). Ανωνυμοποίηση, καθαρισμός, κωδικοποίηση δεδομένων. Η τεχνητή νοημοσύνη παράγει σχεδιαγράμματα. Εγκρίνετε κάθε απόφαση και βιβλίο κωδίκων.

4. Ανάλυση (ποσοτική + ποιοτική + τριγωνοποίηση). Εκτελέστε τα στατιστικά στοιχεία μέσω του προγράμματος, συνδέστε θέματα με εισαγωγικά, διασταυρώστε τα ευρήματα. Το AI εξηγεί τη μέθοδο, όχι τον υπολογισμό.

5. Παρουσίαση (οπτικοποίηση + γραφή). Δημιουργήστε ειλικρινή γραφικά και πρωτότυπο κείμενο. Κάθε πηγή και αριθμός επαληθεύεται. Ο ρόλος του AI δηλώνεται.

6. Τεκμηρίωση (ημερολόγιο + έγκαιρη εγγραφή + κοινή χρήση). Τεκμηριώστε αποφάσεις, προτροπές και μετατροπές και μοιραστείτε ανώνυμα δεδομένα και κώδικα εάν είναι δυνατόν.

Συμβουλή: Κρατήστε μια λίστα ελέγχου από άκρη σε άκρη στο γραφείο σας. Ρωτήστε σε κάθε μετάβαση στο βήμα: "Έχω επικυρώσει το αποτέλεσμα αυτού του βήματος, είμαι ασφαλής για δείγμα/ηθικά/πηγή, δεν άφησα κανένα ίχνος;" Η χαλαρότητα σε ένα στάδιο αποδυναμώνει ολόκληρη την αλυσίδα.

τρεις μίνι θήκες

Περίπτωση 1 — Ο πιο αδύναμος κρίκος στην αλυσίδα. Μια ομάδα έκανε μια εξαιρετική ποιοτική ανάλυση, αλλά το δείγμα της προήλθε από μια ενιαία διαδικτυακή ομάδα. Όσο καλά κι αν κωδικοποίησαν, το εύρημα είχε κολλήσει σε αυτή την ομάδα. Μάθημα: Η ποιότητα από άκρο σε άκρο είναι τόσο καλή όσο το πιο αδύναμο στάδιο. Η μεροληψία στο σχεδιασμό δεν μπορεί να διορθωθεί στην ανάλυση.

Περίπτωση 2 — Η διακυβέρνηση της ομάδας λειτούργησε. Ένα ερευνητικό κέντρο έγραψε ένα κοινό πρωτόκολλο χρήσης AI για ολόκληρη την ομάδα: ποιο εργαλείο, ποια δεδομένα ανώνυμα, με ποιο βήμα επαλήθευσης. Ένας νεοφερμένος βοηθός εργάστηκε με ασφάλεια από την πρώτη μέρα ακολουθώντας το πρωτόκολλο. Τα προσωπικά λάθη έχουν μειωθεί.

Περίπτωση 3 — Η διαφανής αλυσίδα κέρδισε την εμπιστοσύνη του διαιτητή. Ένα άρθρο επισύναψε το αρχείο καταγραφής αποφάσεων, τα αρχεία καταγραφής προτροπών και τη δήλωση AI. Οι αναθεωρητές μπόρεσαν να παρακολουθήσουν τη διαδικασία από την αρχή μέχρι το τέλος και συμφώνησαν, θεωρώντας την «παραγωγική και ειλικρινή». Η διαφάνεια ήταν η κόλλα που έδενε όλα τα επιμέρους βήματα μεταξύ τους.

Τέσσερα πρότυπα με δυνατότητα αντιγραφής

1) Δημιουργία λίστας ελέγχου από άκρο σε άκρο:

Η έρευνά μου θα περάσει από τα ακόλουθα στάδια: σχεδιασμός, συλλογή δεδομένων, επεξεργασία, ανάλυση, παρουσίαση, τεκμηρίωση. Δημιουργήστε μια λίστα ελέγχου για κάθε στάδιο: πού μπορώ να χρησιμοποιήσω την τεχνητή νοημοσύνη με ασφάλεια σε αυτό το στάδιο, ποια αποτελέσματα πρέπει να επαληθεύσω, ποιον ηθικό κίνδυνο/κίνδυνο προστασίας της ιδιωτικής ζωής πρέπει να εξετάσω, τι πρέπει να τεκμηριώσω; Δώστε το σε έναν πίνακα.

2) Προσχέδιο πρωτοκόλλου τεχνητής νοημοσύνης ομάδας:

Σχεδιάστε ένα πρωτόκολλο χρήσης AI για μια ομάδα κοινωνικής έρευνας. Συμπεριλάβετε: εγκεκριμένα εργαλεία, κανόνα ανωνυμοποίησης δεδομένων, όπου επιτρέπεται/περιορίζεται/απαγορεύεται το ρόλο AI, υποχρεωτικά βήματα επαλήθευσης, κανόνας δήλωσης τεχνητής νοημοσύνης, λογοδοσία. Γράψτε απλά, πρακτικά αντικείμενα.

3) Έλεγχος μετάβασης φάσης:

Τελείωσα τη [Φάση Χ], προχωρώ στη [Φάση Υ]. Καταγράψτε τα πράγματα που πρέπει να ελέγξω πριν από αυτήν τη μετάβαση: έχω επαληθεύσει την έξοδο του προηγούμενου σταδίου, φέρω ένα σφάλμα (λάθος δείγμα, μη επαληθευμένη πηγή, μη ανιχνευμένη απόφαση) που θα διακόψει το επόμενο στάδιο; Είμαι έτοιμος για τη μετάβαση και αν όχι, τι πρέπει να διορθώσω;

4) Αυτοαξιολόγηση υπεύθυνης χρήσης:

Ελέγξτε την έρευνα που ολοκληρώνω για υπεύθυνη χρήση της τεχνητής νοημοσύνης. Βαθμολογήστε και επισημάνετε τις αδυναμίες σε αυτές τις πέντε αρχές: (1) τροφοδοσία με ισχυρή πηγή, (2) επικύρωση κάθε προϊόντος, (3) διατήρηση της ανθρώπινης κρίσης, (4) ηθική και εμπιστευτικότητα, (5) διαφανής τεκμηρίωση. Διαδικασία: [σύνοψη]

Αδύναμη προτροπή / Ισχυρή προτροπή

Αδύναμη προτροπή:

Κάντε αυτή την έρευνα από την αρχή μέχρι το τέλος με AI και ολοκληρώστε την.

Αυτό επιχειρεί να μεταβιβάσει όλη την ευθύνη στο μοντέλο. Αποτέλεσμα: μεροληπτικό δείγμα, κατασκευασμένη πηγή, μη επαληθευμένα στατιστικά στοιχεία και ένα ανυπεράσπιστο κείμενο. Κανένα στάδιο από άκρο σε άκρο δεν είναι ασφαλές.

Ισχυρή προτροπή:

Θέλω να σχεδιάσω την έρευνά μου από άκρη σε άκρη. Σε κάθε στάδιο (σχεδιασμός, δεδομένα, επεξεργασία, ανάλυση, παρουσίαση, τεκμηρίωση), χρησιμεύει ως οδικός χάρτης για το πού μπορώ να χρησιμοποιήσω την τεχνητή νοημοσύνη με ασφάλεια, όπου απαιτείται ανθρώπινη κρίση και επαλήθευση και ποιους κινδύνους ηθικής και ιδιωτικότητας πρέπει να λάβω υπόψη. Να θυμάστε ότι είμαι υπεύθυνος.

Η διαφορά: η δεύτερη προσέγγιση τοποθετεί την τεχνητή νοημοσύνη ως συνοδό. Αποδέχεται από την αρχή ότι οι αποφάσεις και η επαλήθευση ανήκουν στον άνθρωπο.

Πολιτικές υπεύθυνης χρήσης από άκρο σε άκρο

αρχή

Εφαρμογή

Σε ποια μονάδα

Τροφοδοσία με ισχυρή πηγή

Δώστε τα δικά σας δεδομένα/πηγή

1, 2

Ζητήστε το δείγμα

Έλεγχος εκπροσώπησης και μεροληψίας

3

Κάντε τον υπολογισμό στο πρόγραμμα

Κάνοντας το AI να παράγει αριθμούς

4

κρατήστε την πίστη

Συνδέστε την προσφορά με τον αριθμό γραμμής

5

Κρατήστε την αντίφαση ανοιχτή

Τριγωνισμός, ειλικρινής παρουσίαση

6, 7

Η ηθική και το απόρρητο πρώτα

Ανωνυμία, επαληθευμένο εργαλείο

8

Τεκμηριώστε τη διαδικασία

Ημερολόγιο, άμεση καταγραφή

9

Διατηρήστε την πρωτοτυπία

Επαληθεύστε την πηγή, τη δική σας φωνή

10

Συνήθη λάθη

• Εξετάζοντας τα στάδια χωριστά και ξεχνάμε την αλυσίδα. Η προκατάληψη σε ένα στάδιο χαλάει ολόκληρη τη μελέτη.
• Μεταβίβαση της ευθύνης στο AI. Η απόφαση, η επαλήθευση και η ηθική ανήκουν πάντα στον άνθρωπο.
• Δεν υπάρχουν κοινοί κανόνες στην ομάδα. Η ατομική χρήση παράγει ασυνέπεια και κίνδυνο.
• Αφήνοντας την τεκμηρίωση για το τέλος. Το ίχνος διατηρείται σε όλη τη διαδικασία. δεν μπορεί να θυμηθεί αργότερα.
• Μόλις μάθεις και χαλαρώσεις. Η υπεύθυνη χρήση είναι μια πειθαρχία που επαναλαμβάνεται σε κάθε έργο.

Συνοπτικά

Η πραγματική αξία της τεχνητής νοημοσύνης στην κοινωνική έρευνα δεν προκύπτει σε μεμονωμένες εργασίες, αλλά σε μια συνεπή και υπεύθυνη ροή εργασίας από άκρη σε άκρη. Εφαρμόστε τις ίδιες αρχές σε κάθε στάδιο, από το σχεδιασμό έως την τεκμηρίωση: πηγή δυναμικά, επαληθεύστε κάθε αποτέλεσμα, διατηρήστε την ανθρώπινη κρίση, δώστε προτεραιότητα στην ηθική και την εμπιστευτικότητα, τεκμηριώστε τη διαδικασία με διαφάνεια. Ένα κοινό πρωτόκολλο σε επίπεδο ομάδας καθιστά αυτές τις αρχές μόνιμες. Η αλυσίδα είναι τόσο δυνατή όσο ο πιο αδύναμος κρίκος της. Μην χαλαρώνετε σε κανένα στάδιο. Η τεχνητή νοημοσύνη επιταχύνει την έρευνα, αλλά ποτέ δεν αντικαθιστά την κρίση, την ευθύνη και την ακεραιότητα του ερευνητή.

Εργασία εφαρμογής

Δημιουργήστε έναν οδικό χάρτη έξι βημάτων για το δικό σας ερευνητικό έργο (πραγματικό ή προγραμματισμένο) με ένα πρότυπο «δημιουργία λίστας ελέγχου από άκρο σε άκρο». Σε κάθε στάδιο, σημειώστε πού θα χρησιμοποιήσετε την τεχνητή νοημοσύνη, τι θα επαληθεύσετε και ποιους ηθικούς κινδύνους/κινδύνους προστασίας της ιδιωτικής ζωής θα εξετάσετε. Στη συνέχεια, χρησιμοποιήστε το πρότυπο «αυτοαξιολόγησης υπεύθυνης χρήσης» για να βαθμολογήσετε τον εαυτό σας έναντι των πέντε αρχών, προσδιορίζοντας τα δύο πιο αδύναμα σημεία σας και πώς να τα ενισχύσετε.

λίστα ελέγχου

• [ ] Σχεδίασα την έρευνα ως ροή έξι σταδίων από άκρη σε άκρη.
• [ ] Καθόρισα το όριο ασφαλούς χρήσης της τεχνητής νοημοσύνης σε κάθε στάδιο.
• [ ] Επιβεβαίωσα την προηγούμενη έξοδο σε κάθε μετάβαση σταδίου.
• [ ] Διατήρησε τη δεοντολογία, την εμπιστευτικότητα και την τεκμηρίωση σε όλη τη διάρκεια.
• [ ] Έχω αυτοαξιολογήσει την υπεύθυνη χρήση έναντι πέντε αρχών.

Εξέταση Ενοτήτων

1. Ποιο από τα παρακάτω είναι η πιο ακριβής τοποθέτηση για την τεχνητή νοημοσύνη στην κοινωνιολογία και την κοινωνική έρευνα;

• Α) Η τεχνητή νοημοσύνη μπορεί να απαντήσει στο ερευνητικό ερώτημα, στην ερμηνεία και στην ηθική απόφαση από μόνη της χωρίς την ανθρώπινη έγκριση.
• Β) Η τεχνητή νοημοσύνη λειτουργεί μόνο στη σύνοψη κειμένου, δεν έχει καμία σχέση με άλλα ερευνητικά στάδια
• Γ) Η τεχνητή νοημοσύνη είναι βοηθός περίληψης, μεταγραφής, κώδικα και προσχέδιο. Η ευθύνη για την ερμηνεία, το πλαίσιο και την ηθική απόφαση ανήκει στον ερευνητή ✔
• Δ) Δεδομένου ότι η τεχνητή νοημοσύνη είναι πάντα πιο αμερόληπτη από τους ανθρώπους, η ερμηνεία θα πρέπει να αφεθεί αποκλειστικά σε αυτήν.

Περιγραφή: Τεχνητή νοημοσύνη. είναι ένας βοηθός που συνοψίζει κείμενα, επεξεργάζεται μεταγραφές, προτείνει κώδικα και γράφει προσχέδια. Η ευθύνη για κρίσιμη εργασία όπως ερευνητικό ερώτημα, θεωρητικό πλαίσιο, δειγματοληπτική κρίση, ερμηνεία και ηθική απόφαση ανήκει στον ερευνητή. Ένα μη επαληθευμένο αποτέλεσμα μπορεί να οδηγήσει σε ψευδή αναφορά, κατασκευασμένα στατιστικά στοιχεία ή εσφαλμένη απόδοση.

2. Γιατί είναι επικίνδυνο να πούμε απευθείας την τεχνητή νοημοσύνη «να καταγράψετε τα 10 πιο σημαντικά άρθρα σχετικά με αυτό το θέμα με βιβλιογραφία» κατά τη σάρωση της βιβλιογραφίας;

• Α) Η τεχνητή νοημοσύνη μπορεί να δημιουργήσει πηγές, συγγραφείς και DOI που φαίνονται ρεαλιστικά αλλά δεν υπάρχουν. Πρέπει να βρείτε την πηγή από τη βάση δεδομένων ✔
• Β) Η τεχνητή νοημοσύνη λειτουργεί πολύ αργά και χάνει χρόνο κατά την καταχώριση πόρων
• Γ) Η τεχνητή νοημοσύνη χάνει την τουρκική λογοτεχνία γιατί μπορεί να βρει μόνο αγγλικές πηγές
• Δ) Η λίστα μεγαλώνει καθώς η τεχνητή νοημοσύνη επαναλαμβάνει την ίδια πηγή πολλές φορές

Περιγραφή: Η ανασκόπηση της βιβλιογραφίας είναι η εργασία όπου η τεχνητή νοημοσύνη προκαλεί τις περισσότερες παραισθήσεις. Μπορεί να δημιουργήσει άρθρα, συγγραφείς και DOI που φαίνονται ρεαλιστικά αλλά δεν υπάρχουν. Η εύρεση πηγών είναι δουλειά των βάσεων δεδομένων. Το AI θα πρέπει να συνθέτει μόνο πραγματικές περιλήψεις που βρίσκετε.

3. Ποιο πρόβλημα θα πρέπει να ερμηνεύεται πιο προσεκτικά το ποσοστό ικανοποίησης 78% σε έρευνα που αναρτάται στον ιστότοπο ενός δήμου;

• Α) Ο υπολογισμός του ποσοστού είναι λάθος. Τα ποσοστά ικανοποίησης δεν μπορούν ποτέ να εκφραστούν ως ένας ενιαίος αριθμός
• Β) Επειδή η έρευνα ήταν πολύ μεγάλη, οι συμμετέχοντες βαρέθηκαν και απάντησαν τυχαία
• Γ) Είναι κοινωνιολογικά αδύνατο να μετρηθεί η ικανοποίηση, άρα το αποτέλεσμα είναι άκυρο
• Δ) Το δείγμα φέρει προκατάληψη επιλογής. Δεδομένου ότι μόνο οι χρήστες του ιστότοπου μπορούν να συμμετέχουν, το εύρημα δεν μπορεί να γενικευτεί σε ολόκληρη την κοινωνία ✔

Επεξήγηση: Η έρευνα που δημοσιεύτηκε στον ιστότοπο υπεραντιπροσωπεύει όσους χρησιμοποιούν ήδη τον ιστότοπο (που μπορούν να έχουν πρόσβαση στην υπηρεσία και είναι πιθανώς πιο ικανοποιημένοι). Αυτή είναι μια προκατάληψη επιλογής. Το εύρημα μπορεί να γενικευτεί μόνο στους «χρήστες του ιστότοπου» και όχι σε ολόκληρη την κοινωνία.

4. Γιατί δεν είναι ασφαλές να επικολλήσετε ένα σύνολο δεδομένων 300 σειρών ως κείμενο και να πείτε στο AI να «υπολογίσει τη μέση τιμή»;

• Α) Δεδομένου ότι η τεχνητή νοημοσύνη μπορεί να διαβάσει μόνο έως και 100 γραμμές δεδομένων, απορρίπτει περισσότερες
• Β) Το μοντέλο γλώσσας δεν είναι αριθμομηχανή. Όταν κάνετε αριθμητική σε κείμενο μπορεί να παράγει λάθος αριθμούς, ο υπολογισμός πρέπει να γίνει στο πρόγραμμα ✔
• Γ) Ο μέσος όρος είναι ένα κοινωνιολογικά ανούσιο μέτρο και δεν πρέπει να υπολογίζεται καθόλου.
• Δ) Όταν τα δεδομένα επικολληθούν ως κείμενο, το AI τα διαγράφει αυτόματα

Επεξήγηση: Ένα μοντέλο γλώσσας δεν είναι αριθμομηχανή και μπορεί να παράγει εσφαλμένα τη μέση τιμή, το ποσοστό ή την τιμή p κατά την εκτέλεση αριθμητικής σε κείμενο. Ο πραγματικός υπολογισμός πρέπει να γίνεται σε ένα στατιστικό πρόγραμμα ή πίνακα. Το AI θα πρέπει να χρησιμοποιείται μόνο για μέθοδο και ερμηνεία.

5. Τι πρέπει να κάνετε πριν αποδεχτείτε μια πρόταση που προτείνει η τεχνητή νοημοσύνη στην ποιοτική ανάλυση θεμάτων;

• Α) Εάν το απόσπασμα φαίνεται ευχάριστο και εντυπωσιακό, μπορεί να προστεθεί απευθείας στην αναφορά
• Β) Εάν το μήκος της προσφοράς δεν υπερβαίνει τη μία παράγραφο, δεν χρειάζεται επαλήθευση
• Γ) Θα πρέπει να επιβεβαιωθεί με τον αριθμό γραμμής ότι η προσφορά εμφανίζεται πράγματι στη μεταγραφή ✔
• Δ) Το απόσπασμα είναι αυτόματα αξιόπιστο γιατί η τεχνητή νοημοσύνη αναφέρει την πηγή

Εξήγηση: Η καρδιά της ποιοτικής έρευνας είναι η πιστότητα στα λόγια του ίδιου του συμμετέχοντα. Το AI μπορεί να δημιουργήσει ένα απόσπασμα που είναι άπταιστα αλλά δεν υπάρχει καθόλου στη μεταγραφή. Επομένως, κάθε απόσπασμα θα πρέπει να συνδέεται και να επαληθεύεται με την πραγματική δήλωση στο κείμενο και κατά προτίμηση τον αριθμό γραμμής.

6. Εάν, σε μια μελέτη, το 72% λέει «ανακυκλώνω» σε μια έρευνα, αλλά σε συνεντεύξεις οι περισσότεροι από αυτούς λένε ότι το κάνουν παράτυπα, πώς πρέπει να αντιμετωπιστεί αυτή η αντίφαση;

• Α) Η αντίφαση δεν πρέπει να κρύβεται. θα πρέπει να παρουσιάζεται ως εύρημα με πιθανές εξηγήσεις όπως η μεροληψία κοινωνικής επιθυμίας ✔
• Β) Τα δεδομένα της συνέντευξης θα πρέπει να απορριφθούν ως ανακριβή και να αναφέρονται μόνο τα αποτελέσματα της έρευνας
• Γ) Τα δεδομένα της έρευνας θα πρέπει να απορριφθούν επειδή είναι λανθασμένα, θα πρέπει να αναφέρεται μόνο η συνέντευξη
• Δ) Και τα δύο δεδομένα πρέπει να αφαιρεθούν από την αναφορά γιατί η αντίφαση είναι ενοχλητική

Εξήγηση: Η ασυμφωνία μεταξύ ποσοτικών και ποιοτικών ευρημάτων δεν είναι ελάττωμα, αλλά είναι συχνά το πιο πολύτιμο εύρημα. Η αντίφαση εδώ υποδεικνύει ένα φαινόμενο όπως η «κοινωνική προκατάληψη της επιθυμίας» και θα πρέπει να παρουσιάζεται ως εύρημα χωρίς να το κρύβεται.

7. Τι πρέπει να γίνει εάν η διαφορά μεταξύ δύο ομάδων (51% έναντι 54%) μοιάζει με ένα «γίγαντα χάσμα» σε ένα γράφημα με τον άξονα y να ξεκινά από το 50;

• Α) Το γράφημα πρέπει να μείνει ως έχει αφού η διαφορά φαίνεται ήδη μεγάλη
• Β) Η διαφορά θα πρέπει να κρύβεται τελείως με την εμφάνιση ενός μόνο μέσου όρου αντί για δύο ομάδες
• Γ) Η διαφορά θα πρέπει να γίνει ακόμα πιο εντυπωσιακή προσθέτοντας ένα τρισδιάστατο εφέ στο γράφημα.
• Δ) Ο άξονας Υ πρέπει να αρχικοποιηθεί από το μηδέν. ο περικομμένος άξονας παραπλανά τον αναγνώστη υπερβάλλοντας τις μικρές διαφορές ✔

Εξήγηση: Ένας περικομμένος άξονας (που δεν ξεκινά από το μηδέν) παραπλανά μια μικρή διαφορά κάνοντας τον να φαίνεται τεράστιος. Σε ένα ειλικρινές διάγραμμα ράβδων, ο άξονας πρέπει να ξεκινά από το μηδέν. οπότε η διαφορά είναι ορατή στο πραγματικό, μικρό του μέγεθος. Ο σκοπός του οπτικού δεν είναι η πειθώ, αλλά η σωστή επικοινωνία.

8. Γιατί η απλή διαγραφή ονομάτων από τις μεταγραφές συχνά δεν είναι επαρκής ανωνυμοποίηση;

• Α) Η διαγραφή ενός ονόματος είναι πάντα αρκετή. καμία άλλη πληροφορία δεν αποκαλύπτει ταυτότητα
• Β) Τα έμμεσα αναγνωριστικά (μοναδικός ρόλος, τοποθεσία, σπάνιο χαρακτηριστικό) μπορούν να δώσουν ένα άτομο χωρίς το όνομά του ✔
• Γ) Η ανωνυμοποίηση είναι απαραίτητη μόνο εάν υπάρχει αριθμός τηλεφώνου
• Δ) Η διαγραφή ονομάτων δεν έχει νόημα γιατί κάνει το κείμενο δυσανάγνωστο

Εξήγηση: Δεν αρκεί απλώς η διαγραφή του ονόματος. Έμμεσοι περιγραφείς όπως «η μόνη φαρμακοποιός στη γειτονιά Χ» ή «η μόνη γυναίκα επιθεωρητής στο δήμο» μπορούν να παραχωρήσουν το άτομο μόνοι τους. Η σωστή ανωνυμοποίηση απαιτεί διαγραφή όλων των άμεσων και έμμεσων αναγνωριστικών.

9. Γιατί είναι σημαντικό να καταγράφονται οι προτροπές, το μοντέλο που χρησιμοποιείται και η ημερομηνία σε μια ανάλυση που πραγματοποιείται με τεχνητή νοημοσύνη;

• Α) Εφόσον είναι μόνο νομική υποχρέωση, δεν έχει καμία επιστημονική αξία
• Β) Οι προτροπές διατηρούνται για εμπορικούς λόγους επειδή φέρουν πνευματικά δικαιώματα.
• Γ) Κάνει τη διαδικασία ανιχνεύσιμη και αναπαραγώγιμη. Διαφορετικά, το 'AI είπε έτσι' δεν θα ήταν επιστημονική αιτιολόγηση ✔
• Δ) Η εγγραφή είναι απλώς μια τυπική διαδικασία γιατί το μοντέλο δίνει πάντα την ίδια απάντηση

Εξήγηση: Τα μοντέλα γλώσσας δεν δίνουν ακριβώς την ίδια απάντηση κάθε φορά. Εάν τα μηνύματα και οι πληροφορίες μοντέλου δεν καταγράφονται, η διαδικασία γίνεται μαύρο κουτί και κανείς άλλος (ακόμα και εσείς) δεν μπορεί να αναπαράγει το έργο. Αυτά τα αρχεία είναι ο «τιμολόγιο των υλικών» του έργου και αποτελούν τη βάση της αναπαραγωγιμότητας.

10. Ποια είναι η γραμμή μεταξύ της νόμιμης χρήσης τεχνητής νοημοσύνης στην ακαδημαϊκή γραφή και των παραβιάσεων της ακαδημαϊκής ακεραιότητας;

• Α) Η τεχνητή νοημοσύνη μπορεί να σας βοηθήσει να εκφράσετε το δικό σας περιεχόμενο. Ωστόσο, είναι παράβαση για εσάς να σκέφτεστε για λογαριασμό σας και να παράγετε περιεχόμενο και να το παρουσιάζετε ως έργο σας ✔
• Β) Οποιοδήποτε κείμενο που παράγεται από τεχνητή νοημοσύνη μπορεί να χρησιμοποιηθεί άμεσα, αρκεί η γραμματική να είναι σωστή
• Γ) Εφόσον η τεχνητή νοημοσύνη προσθέτει πόρους, η πλήρης εκτύπωση του περιεχομένου σε αυτήν είναι χωρίς προβλήματα.
• Δ) Η χρήση τεχνητής νοημοσύνης απαγορεύεται υπό οποιεσδήποτε συνθήκες και δεν μπορεί να χρησιμοποιηθεί σε κανένα στάδιο.

Αποκάλυψη: Η χρήση τεχνητής νοημοσύνης για τη διευκρίνιση του σχεδίου σας και τη βελτίωση της γλώσσας και της δομής είναι νόμιμη και δηλώνεται διαφανής. Το να έχετε περιεχόμενο γραμμένο από τεχνητή νοημοσύνη και να το παρουσιάζετε ως δικό σας έργο παραβιάζει την πρωτοτυπία και σχεδόν σίγουρα παράγει κατασκευασμένες πηγές. Γραμμή: Το AI σας βοηθά να εκφράσετε τις σκέψεις σας, δεν σκέφτεται για εσάς.

11. Τι σημαίνει στην κοινωνική έρευνα η αρχή «Η ποιότητα από άκρο σε άκρο βρίσκεται στο πιο αδύναμο στάδιο»;

• Α) Μόνο το τελευταίο στάδιο, η ορθογραφία, είναι σημαντικό. τα λάθη στα προηγούμενα στάδια διορθώνονται με ορθογραφία.
• Β) Τα στάδια είναι ανεξάρτητα το ένα από το άλλο. Το λάθος σε ένα δεν επηρεάζει τους άλλους
• Γ) Η πιο δυνατή φάση σώζει ολόκληρη την αλυσίδα, επομένως αρκεί η εστίαση σε μία μόνο φάση
• Δ) Η αδυναμία σε ένα στάδιο (προκατειλημμένο δείγμα, μη επαληθευμένη πηγή) δεν μπορεί να διορθωθεί σε μεταγενέστερα στάδια και αποδυναμώνει ολόκληρη τη μελέτη ✔

Εξήγηση: Η απόφαση σε κάθε στάδιο επηρεάζει το επόμενο: ένα μεροληπτικό δείγμα δεν μπορεί να σωθεί ακόμη και με μια τέλεια ανάλυση. Μια μη επαληθευμένη πηγή διαψεύδει ακόμη και την καλύτερη γραφή. Επομένως, οι ίδιες αρχές υπεύθυνης χρήσης θα πρέπει να εφαρμόζονται σε κάθε στάδιο, από το σχεδιασμό μέχρι την τεκμηρίωση.

12. Εάν η τεχνητή νοημοσύνη συνοψίζει μια μεταγραφή που δώσατε και προσθέσει ένα πλαίσιο που δεν υπάρχει στο κείμενο, όπως «οι ηλικιωμένοι φοβούνται την τεχνολογία», ποιο είναι αυτό το παράδειγμα;

• Α) Είναι μια ακριβής περίληψη της αληθινής γνώμης του συμμετέχοντος
• Β) Είναι η εισαγωγή ενός στερεότυπου που φέρει η τεχνητή νοημοσύνη από τα δικά της δεδομένα εκπαίδευσης στα δεδομένα ✔
• Γ) Είναι αποτέλεσμα δοκιμής στατιστικής σημαντικότητας
• Δ) Αποτελεί απόδειξη ότι η ανωνυμοποίηση έχει εφαρμοστεί με επιτυχία

Εξήγηση: Αυτό είναι ένα παράδειγμα στερεότυπου (στερεοτυπική γενίκευση) που μεταφέρει το AI από τα κείμενα στα οποία εκπαιδεύεται. Το μοντέλο μπορεί να προσθέσει μια κρίση που στην πραγματικότητα δεν υπάρχει στα δεδομένα. Ο ερευνητής θα πρέπει να εξαλείψει αυτήν την προσθήκη λέγοντας «απλά βασιστείτε στις δηλώσεις του κειμένου».

13. Ποιο από τα παρακάτω είναι ένα καλά περιορισμένο ερευνητικό ερώτημα;

• Α) Γιατί η κοινωνία βρίσκεται σε αυτή την κατάσταση;
• Β) Είναι οι άνθρωποι ευτυχισμένοι;
• Γ) Ποιοι είναι οι λόγοι για τους φοιτητές ηλικίας 18-25 ετών να μην συμμετέχουν στις αυτοδιοικητικές εκλογές; ✔
• Δ) Ποια είναι η σχέση των social media με τα πάντα;

Εξήγηση: Μια καλή ερευνητική ερώτηση είναι απαντήσιμη, περιορισμένη και ουσιαστική. Ο πληθυσμός, το πλαίσιο και η εστίασή του είναι ξεκάθαρα. Αντί για ένα ευρύ αίτημα όπως «Γιατί οι νέοι απομακρύνονται από την πολιτική;», μια ερώτηση που περιλαμβάνει μια συγκεκριμένη ηλικιακή ομάδα, το πλαίσιο και τη συγκεκριμένη εστίαση μπορεί να ερευνηθεί.

14. Γιατί δεν είναι αληθινός τριγωνισμός εάν δύο διαφορετικές διαδικτυακές έρευνες προσλαμβάνουν συμμετέχοντες από την ίδια ομάδα μέσων κοινωνικής δικτύωσης και δίνουν τα ίδια αποτελέσματα;

• Α) Οι δύο πηγές δεν είναι ανεξάρτητες επειδή προέρχονται από το ίδιο μεροληπτικό δείγμα. αυτό είναι μια επανάληψη της ίδιας προκατάληψης ✔
• Β) Είναι πάντα περιττό να χρησιμοποιείτε δύο έρευνες, μια έρευνα αρκεί
• Γ) Οι διαδικτυακές έρευνες δεν παράγουν ποτέ έγκυρα δεδομένα
• Δ) Το ότι δίνουν το ίδιο αποτέλεσμα αποδεικνύει ότι το αποτέλεσμα είναι απολύτως σωστό.

Εξήγηση: Η τριγωνοποίηση είναι η διασταυρούμενη δοκιμή ενός ευρήματος με πραγματικά ανεξάρτητες πηγές. Εάν δύο πηγές προέρχονται από το ίδιο μεροληπτικό δείγμα, είναι παραπλανητικό για αυτές να «επιβεβαιώνουν» η μία την άλλη. πρόκειται για επανάληψη της ίδιας προκατάληψης, όχι για ανεξάρτητη επιβεβαίωση.