Sensoorse analüüsi andmed — Tehisintellekt toidutehnikas

Kasu:

Oskus tõlgendada sensoorseid paneelitüüpe, hedoonilist/kirjeldavat testimist ja paneelide usaldusväärsust
Võimalus koostada tehisintellektiga sensoorsete andmete kokkuvõte, teema eraldamine ja statistiline tõlgendamine
Võimalus kinnitada tehisintellekti statistilist tõlgendust töötlemata paneeliandmete ja katseprojektiga

Olete äsja väljatöötatud madala suhkrusisaldusega puuviljajogurti uurimis- ja arendustegevuse laboris. Turundusmeeskond küsib: "Kas see meeldib tarbijatele?" küsib ta ja tootmine küsib: "Kas seda saab eristada võrdlustootest?" imestab ta. Tal on 9-punktilised hedoonilised vormid, mille on täitnud 60 tarbijapaneeli, koolitatud 8-liikmelise kirjeldava paneeli QDA hinded ja kolmnurga diskrimineerimise testi tulemused. Excelis sadu ridu töötlemata hindeid, lisaks avatud kommentaarikast iga paneeliliikme jaoks. Tundub ahvatlev küsida tehisintellekti assistendilt "võtke need andmed kokku, kas see meeldib tarbijatele?" Selles üksuses uurime, kuidas lugeda sensoorseid andmeid õigesti, kasutada tehisintellekti kokkuvõtete ja teemade eraldamiseks ning mis kõige tähtsam, valideerida tehisintellekti statistilist tõlgendust toorpaneeliandmete ja proovikujundusega.

Sensoorsete testide tüübid: esitage õige küsimus õige testiga

Sensoorse analüüsi kõige levinum viga on küsimuse tüübi ja testi tüübi segi ajamine. Seal on kolm suurt perekonda ja igaüks vastab erinevale küsimusele.

Hedoonilised (afektiivsed) testid: "Kui palju see meeldis?" vastab küsimusele. Klassikaline instrument on 9-punktiline hedooniline skaala (1 = väga ei meeldinud, 5 = ei meeldinud ega ei meeldinud, 9 = väga meeldis). Aruteluliikmed on harimatud tarbijad; Eesmärk on mõõta aktsepteerimist/eelistust. Üldjuhul on vaja 50-100 inimesest koosnevat paneeli.
Kirjeldavad testid (QDA): "Millised omadused tootel on ja millise intensiivsusega?" vastab küsimusele. Koolitatud 8–12 inimesest koosnev paneel hindab nende poolt kirjeldatud omadusi (nt „kreemjas konsistents“, „hapukus“, „puuviljane maitse“) intensiivsuse skaalal 0–15. See ei mõõda meeldimisi, vaid loob profiile.
Diskrimineerimistestid: "Kas need kaks toodet on tajumise poolest erinevad?" vastab küsimusele. Kolmnurga testis antakse paneelile kolm näidist; kaks on samad, üks on erinev ja paneeli liige valib "teistsuguse". Ideaalne testimiseks, kas koostise muutus on märgatav.

Näpunäide. Enne testi valimist lõpetage lause: "Ma tahan teada, kas ___." Kui vahe on "meeldinud", kasutage hedoonilist testi, kui "erinev", kasutage diskrimineerimistesti ja kui "milles tunnuses on tugev", kasutage kirjeldavat testi. Kui te seda eesmärki tehisintellektile andmete andmisel ei täpsusta, raamitakse kokkuvõte valesti.

Paneeli töökindlus ja proovikujundus

Enne töötlemata tulemuste usaldamist peate usaldama paneeli ennast. Mõned põhiprintsiibid:

Pimetest: paneeli liige ei tohiks teada, milline proov on "uus toode" ja milline on "viitetoode". Näited on esitatud 3-kohaliste juhuslike koodidega (nt 417, 682).
Esitlusjärjekorra kompenseerimine: esimene maitstud proov on üldiselt soodne (esimese proovi kõrvalekalle). Ettekannete järjekord peaks olema paneelide vahel tasakaalustatud/juhuslik.
Kordamine: kui sama paneeli liige hindab sama valimit uuesti erinevate koodidega, saate mõõta järjepidevust (kordavust). Kirjeldavas paneelis koolitatakse ebajärjekindel paneeli liige ümber või jäetakse välja.
Võrdluskontroll: kui on kaks identset proovi, mis on esitatud pimesi ja paneeli liige hindab neid väga erinevalt, on selle paneeli liikme andmed kahtlased.

Hedoniliste andmete kokkuvõtte näide

Allpool on hedoonilise testi kokkuvõtlik tabel 60 panelisti jaoks. Uue valemi (kood 417) võrdlemine viitega (kood 682).

funktsiooni

Uus valem (417) keskm.

Viide (682) keskm.

Std. kõrvalekalle (417)

Üldine tunnustus

7.1

7.4

1.3

Maitse/lõhn

6.8

7.3

1.5

järjepidevus

7.3

7.2

1.1

Välimus

7.6

7.5

0.9

Ostukavatsus (%)

58%

65%

—

Seda diagrammi on lihtne vaadata ja öelda, et "viide on veidi parem, kuid erinevus on väike". Kuid kas keskmine erinevus 0,3 on statistiliselt oluline või müra? Siin tekitab AI kõige rohkem hallutsinatsioone.

Kokkuvõte, teema väljavõte ja statistilise tõlgendamise koostamine tehisintellektiga

Tehisintellekti saab kasutada kiirendajana kolme ülesande jaoks: numbriliste kokkuvõtete koostamine, teemade eraldamine avatud kommentaaridest ja statistiliste tõlgenduste koostamine. Kuid kõigi kolme puhul on väljundiks eelnõu, mitte otsus.

Võimas viip teemade eraldamiseks avatud kommentaaridest:

Roll: olete sensoorne analüütik. Allpool on avatud kommentaarid 60 tarbijalt madala suhkrusisaldusega puuviljajogurti (kood 417) kohta. Sinu ülesanne:1) Rühmitage kommentaarid 5-7 teemaks (nt magusus, hapukus, tekstuur, puuviljamaitse).2) LOENDAGE iga teema kohta mitu kommentaari on positiivsed/negatiivsed/neutraalsed ja kirjutage arv.3) Lisage otsesed tsitaadid, tehke kokkuvõte. ÄRA mõtle välja teemat, mida kommentaarides ei mainita.4) ÄRGE TEE statistilisi järeldusi; See on kvalitatiivne kokkuvõte. Väljund tabelina: | Teema | Positiivne | Negatiivne | Neutraalne | Näidisavaldus | Kommentaarid: [siia on kleebitud 60 kommentaari]

Vaatame nüüd erinevust nõrga ja tugeva viipa vahel statistilises tõlgenduses:

NÕRK VIIPA: "Analüüsige neid sensoorseid andmeid ja öelge mulle, kas uus toode on võrdlustootest parem." (AI VÕIB moodustada "jah, see on parem" või "erinevus on märkimisväärne", teadmata valimi suurust, testi tüüpi, p-väärtust.) TUGEV VIIP: "Allpool on toodud 60 paneeliliikmega 9-punktilise hedoonilise testi (veerud 417 ja 682) üldised toores üldskoorid (veerud 417 ja 682). Paaristulemuse jaoks arvutab t-testi vajalikud sammud ja, kuid kinnitab t-testi. SPSS/R - Milline test on sobiv ja miks (paaris või sõltumatu)

Võimas viip muudab AI meetodi nõustajaks; Arvutate arvu.

Statistiline olulisus ja valimi valideerimine

Oletame, et tehisintellekti kokkuvõttes oli kirjas, et "uus toode hinnati oluliselt madalamaks kui viide". Peate seda algandmetega kontrollima. Vaatame paaris t-testi loogikat lihtsa arvutusega:

import numpy as np from scipy import stats# 60 panelisti üldine meeldimise hinded (9-punktiline hedooniline)new = np.array([7,8,6,7,7,6,8,7, ...]) # kood 417, n=60viite = np.array([7,8, ...],8,8,7, ...],8 n=60# Sama panelist hindas mõlemat toodet -> paaris t-testit_stat, p_value = stats.ttest_rel(new, reference)difference = new.mean() - reference.mean()print(f"Keskmine erinevus: {erinevus:.2f} skoor")print(f"t = {t_stat:.pf}" p >= 0,05, see tähendab "statistiliselt olulist erinevust ei ole."

Siin on kriitiline punkt: keskmine erinevus 0,30 punkti võib osutuda ebaoluliseks, kui p = 0,18. AI väide, et "viide on parem" on tõlgendus, mida statistiliselt ei toetata. Otsuse tegemisel peaksite vaatama p-väärtust, valimi suurust ja testi eeldusi, mitte ainult keskmist.

Ettevaatust! LLM-id võivad esitada lõplikke väiteid, nagu "p<0,05, erinevus on märkimisväärne" isegi siis, kui neile ei anta numbrilisi töötlemata andmeid. See on hallutsinatsioon. Ärge kirjutage tehisintellekti teksti põhjal aruandesse p-väärtusi, olulisuse kommentaare ega "tarbijatele meeldinud" hinnanguid; arvuta oma statistikatarkvaras ümber (R, SPSS, JASP, Python).

mini korpus

Joogifirmas hindab sensoorne meeskond uut valemit, mis vähendab apelsinimahla suhkrusisaldust 15%. Meeskond viib läbi 90 tarbijaga 9-punktilise hedoonilise testi ja edastab toorpildi tehisintellektile, et tulemused kokku võtta. Tehisintellekti aruandes öeldakse, et "uus valem meeldis oluliselt vähem (p<0,05)" ja meeskond otsustab valemi ära visata. Vaneminsener käitab R algandmed uuesti: tegelik erinevus 7,0 vs 6,8, p = 0,31 – seega olulist erinevust pole. Pealegi on märgata, et esitusjärjekord ei ole tasakaalus, uut valemit maitsetakse alati teisena ja seda mõjutab maitse väsimus (kohanemine). Tehisintellekt moodustas mõlemad p-väärtuse ega suutnud tuvastada proovikujunduse viga. Meeskond kordab testi tasakaalustatud disainiga ja madala suhkrusisaldusega valem on aktsepteeritud. Algandmete poole pöördumine päästis hea toote äraviskamise eest.

Levinud vead

Hedoonilise (meeldimise) testimise segamine kirjeldava (profiili) testimisega; Kui öeldakse "kõrge hapukuse hind", ei tähenda see, et see ei meeldiks.
Tehisintellekti väljamõeldud p-väärtuse või "olulise erinevuse" avalduse lisamine aruandesse töötlemata arvutusi tegemata.
valimi suuruse ignoreerimine; Üldistades "tarbijatele meeldis" 12 inimese hedoonilise testi põhjal.
Ei tasakaalusta esitusjärjekorda ja jätab tähelepanuta esimese proovi/maitse väsimuse kallutatuse.
Võimaldades paneeli liikmetel ilma pimetestimiseta teada, milline proov on "uus toode".
Suutmatus tagada, et tehisintellekt teeks avatud kommentaaridest kokkuvõtte väljamõeldud tsitaatide/teemade loomiseks.
Kõikide skooride kaalumine võrdselt ilma paneeliliikmete usaldusväärsust kontrollimata (pime duplikaadi järjepidevus).

Kokkuvõttes

Sensoorses testis määrake esmalt küsimus: kasutage maitse jaoks hedoonilist testi, erinevuse jaoks kolmnurga testi, profiili jaoks kirjeldavat testi (QDA).
Enne töötlemata tulemuste usaldamist usaldage paneeli: kontrollige usaldusväärsust pimetesti, esitlusjärjestuse tasakaalustamise, taasesituse ja pimeduplikaadiga.
Kasutage tehisintellekti arvuliste kokkuvõtete tegemiseks, avatud kommentaaridest teema väljavõtmiseks ja statistiliste meetodite nõustamiseks; aga väljund on mustand.
Keskmine erinevus ei ole sama, mis statistiline olulisus; Väikesed keskmised erinevused võivad p-väärtuse korral osutuda ebaolulisteks.
Tehisintellekt võib tekitada p-väärtust, olulisuse tõlgendust ja hallutsinatsioone "pöial püsti" otsustusvõimest; Arvutage iga statistiline tulemus oma tarkvara algandmetega ümber.
lõpptoote/valemi otsus; Valideeritud statistikat, tugevat katsekujundust ja paneelide usaldusväärsust käsitletakse koos, mitte AI tekstil.

Rakenduse ülesanne

Kavandage iseõppinud või hüpoteetilisele tootele (nt vähendatud soolasisaldusega supp, gluteenivaba kook) 9-punktiline hedooniline test ja kolmnurga test 40–60 panelistile. Kirjutage üles oma katse kujundus: mitu panelisti, pimekodeerimine, esitlusjärjekorra tasakaalustamise plaan ja kas kasutate pimedaid duplikaate. Looge realistlik algandmete tabel (vähemalt 20 rida) ja andke tehisintellektile kaks erinevat viipa: (1) teema eraldamine avatud kommentaaridest, (2) statistilise meetodi nõuanded (paluge selgesõnaliselt p-väärtust mitte moodustada). Seejärel käivitage Pythonis/R/JASP-is paaris-t-test ja võrrelge seda tehisintellekti tõlgendusega. Üheleheküljelises märkuses: selgitage, milliseid tehisintellekti väiteid kinnitasite, mille ümber lükkasite algandmetega ja mille põhjal tegite toote lõpliku otsuse. Kirjeldage oma memos vähemalt üht kallutatuse riski oma proovikujunduses ja seda, kuidas te seda vähendasite.