Kasu:
- Võimalus kasutada tehisintellekti mõttepartnerina uurimisküsimuse teravdamisel, hüpoteeside ja muutuja definitsiooni genereerimisel ning meetodite valikul
- Oskus hankida tehisintellektist kvantitatiivseid, kvalitatiivseid ja segadisaini, valimi ja kehtivus-usaldusväärsuse võimalusi ning hinnata neid vastavalt oma valdkonnale ja eetikareeglitele.
- Oskus mõista, et metoodiliste otsuste ja eetikakomitee (IRB) vastutus kuulub teadlasele ning tehisintellekti ettepanek on vaid eelnõu.
Pärast kirjandusega tutvumist on aeg oma uurimus kujundada. Uurimistöö kavandamine on protsess, mille käigus alustatakse küsimusest ja muudetakse see mõõdetavaks, vastatavaks uuringuks: küsimuse teravdamine, hüpoteesi püstitamine, muutujate määratlemine, sobiva kavandi ja meetodi valimine, valimi määramine, valiidsuse ja usaldusväärsuse arvestamine. See on uurimistöö vaimselt kõige nõudlikum osa ja tehisintellekt võib siin olla võimas mõttepartner – valikuvõimaluste genereerimine, pimealade esilekutsumine, alternatiivide võrdlemine. Kuid selle üksuse põhireegel on selge: metoodilised otsused ja eetiline vastutus kuuluvad uurijale; AI pakub ainult hindamisvõimalusi.
Küsimusest hüpoteesini
Hea uurimisküsimus on keskendunud, vastatav ja originaalne. Üldine raamistik on PICO eksperimentaalsetes/kliinilistes uuringutes: populatsioon, sekkumine, võrdlus, tulemus. Sotsiaalteadustes püstitatakse küsimus üldiselt muutujate vahelise seosena. AI aitab teil laiaulatuslikku küsimust kitsendada ja pakub välja mitu alternatiivset sõnastust.
Hüpotees on probleemi muutmine kontrollitavaks ennustuseks; hõlmab tavaliselt suunda (“X suurendab Y”). Muutujad on asjad, mida mõõdate: sõltumatu muutuja (mida mõjutate), sõltuv muutuja (mõõdetav tulemus), kontrollmuutujad (mida hoiate konstantsena). Tehisintellekt on kasulik hüpoteesi teravdamisel, muutujate destilleerimisel operatiivseteks definitsioonideks (mõõdetavad määratlused) ja võimalike segajate meelde tuletamisel (kolmas tegur, mis tulemust salaja mõjutab).
Vihje: Öelge tehisintellektile "tooke ka argumente selle hüpoteesi ümberlükkamiseks." On väärtuslik näha varakult oma disaini nõrkusi, et saaksite õppida kohe, mitte kohtunikuprotsessi ajal.
Disain, näidis ja kehtivus
Uuringu ülesehitus on see, kuidas teie küsimusele vastamiseks andmeid kogutakse ja struktureeritakse. Seal on kolm laia perekonda: kvantitatiivne (arvulised andmed, statistiline testimine – eksperimentaalne, kvaasieksperimentaalne, korrelatsiooniline, küsitlus), kvalitatiivne (tekst/vaatlus, tähendus ja kogemus – intervjuu, juhtumiuuring, fenomenoloogia, põhjendatud teooria) ja segameetod (need kaks kombineerides). AI saab võrrelda iga mustrit selle plusside ja miinustega ning arutada, milline neist võiks teie küsimusele paremini sobida; kuid lõplik valik on teie, tuginedes teie allikatele, välitraditsioonidele ja teie küsimuse olemusele.
Valim on teie universumi alamhulk, mida uurite. Kvantitatiivselt arvutatakse valimi suurus võimsusanalüüsi abil – väikseim valim, mis on vajalik statistiliselt olulise mõju tabamiseks; AI tuletab meelde valemit ja eeldusi, kuid peaksite numbri kinnitama tarkvaraga (nt GPower). Valiidsus (kas tõesti mõõdad seda, mida mõõdad) ja usaldusväärsus* (kas mõõtmist saab korrata) on disaini kvaliteeditagatised; AI loetleb ohud, te võtate ettevaatusabinõusid.
Kõige kriitilisem punkt on eetika. Kõik uuringud, milles osalevad inimesed või loomad, nõuavad eetikakomitee (IRB) heakskiitu: teadlik nõusolek, konfidentsiaalsus, kuritahtlikkus. AI võib aidata teil koostada eetikakomitee avaldust, kuid see ei asenda kunagi heakskiitu ja eetilist vastutust. AI ei saa öelda "see disain on eetiline"; Selle otsustab teie asutuse eetikakomitee.
Segameetodite põhjendus ja eelregistreerimine
Segameetodi valimisel on oluline küsimus, miks ja kuidas kahte andmetüüpi kombineerida. Lihtsalt öeldes: "Ma viisin läbi nii küsitluse kui ka intervjuu" ei ole segameetod; Kujundusel peab olema loogika. Levinud kujunduste hulka kuuluvad uurimuslikud järjestikused (kõigepealt kvantitatiivsed, seejärel kvalitatiivsed leidude süvendamiseks), uurimuslikud järjestikused (kõigepealt kvalitatiivne, seejärel mastaapne arendus ja kvantitatiivne testimine) ja samaaegsed pesastatud kujundused. AI saab võrrelda neid mustreid vastavalt teie küsimusele ja arutada, milline neist sobib integratsiooniloogikaga; kuid valik sõltub sellest, mida teie küsimus tegelikult nõuab.
Võimas vahend metoodilise terviklikkuse tagamiseks on eelregistreerimine: oma hüpoteesi, muutujate ja analüüsiplaani registreerimine avatud hoidlas (näiteks OSF) enne andmete kogumist. See hoiab ära tagantjärele jahtimise (HARKing – hüpoteeside püstitamine pärast tulemuse nägemist) ja suurendab teie uuringu usaldusväärsust. Tehisintellekt aitab teil eelregistreerimise vormi mustandit üles ehitada ja teie plaanis tuvastada ebaselgusi; Kuid iga salvestatud otsus on teie enda teha ja teie kohustus on sellest pärast salvestamist kinni pidada.
kolm minikarpi
1. juhtum – küsimuse kitsendamine. Ühe magistrandi küsimus oli "Kuidas mõjutab sotsiaalmeedia noori?" See oli nii suur ja mõõtmatu. Ta pani tehisintellekti PICO-laadsesse raamistikku; Küsimus on "Kas 14-17-aastaste keskkooliõpilaste igapäevase Instagrami kasutusaja ja une kvaliteedi vahel on seos?" on muutunud. Mõõdetav, piiratud ja vastatav küsimus; AI aitas seda kitsendada, otsustas õpilane.
Juhtum 2 – segane muutuja hoiatus. Üks teadlane püstitas hüpoteesi "veebikursus → madal saavutus". Ta küsis AI-lt selle nõrkuste kohta; AI tuletas meile meelde, et sotsiaalmajanduslik staatus võib segada nii kursuse tüüpi kui ka edu. Teadlane ei teadnud seda, kuid ta jättis selle oma disaini juhtmuutujana lisamata. AI toimis meeldetuletusena; metoodilise otsuse tegi ta ise.
3. juhtum – eetiline piir. Üliõpilane koostas küsitlust tundliku teema (ainete tarbimine) kohta ja küsis YZ-lt: "Kas see uuring läbib eetikakomitee?" küsis ta. AI loetles üldpõhimõtted (nõusolek, anonüümsus, taganemisõigus), kuid õpilane ei asendanud seda nõusolekuga; Päris eetikakomisjon taotles ja juhatus nõudis parandusi kahes artiklis. AI aitas koostada, juhatus tegi otsuse.
Kopeeritavad mallid
1) Küsimuse kitsendamine:
Sinu roll: metoodikakonsultant. Minu suur huvivaldkond on: "[teema]". Kitsendage seda kolmele keskendunud, mõõdetavale alternatiivsele uurimisküsimusele. Määrake iga jaoks valim, peamised muutujad ja võimalik kujundus. Need on valikud; Mina otsustan.
2) Hüpotees ja muutuja täpsustus:
Minu uurimisküsimus: "[küsimus]". Soovitage mulle (a) testitav hüpotees, (b) sõltumatud/sõltuvad/kontrollmuutujad, (c) iga muutuja jaoks operatiivne (mõõdetav) definitsioon. Loetlege ka võimalikud segavad muutujad. Arutage võimalusi, otsus on minu.
3) Mustri võrdlus:
Võrrelge tabelis oleva „[küsimus]” kvantitatiivseid, kvalitatiivseid ja segameetodite kujundusi: sobivus, tugevus, piir, vajalik ressurss. Ärge öelge kindlasti "vali see"; Andke mulle plussid ja miinused, ma teen valiku.
4) Kehtivus/usaldusväärsusohtude loend:
Loetlege järgmised disainilahenduse ohud sisemisele kehtivusele, välisele kehtivusele ja usaldusväärsusele ning soovitage igaühe jaoks võimalik vastumeede. Disain: [kokkuvõte]. Need on minu kontrollnimekiri; Mina teen otsuse.
Nõrk viip / Tugev viip
Nõrk viip:
Andke mulle uurimistöö kujundus.
Puuduvad teemad, küsimused, valdkonnad ja piirangud; AI loob ühise, kasutu malli.
Võimas viip:
Sinu roll: kogenud kasvatusteaduste metoodik. Minu küsimus: "Segaõppe mõju 7. klassi reaalainete saavutustele". Kvaasieksperimentaalse ülesehituse jaoks: arutlege VALIKUTENA sobivat kontrollrühma strateegiat, mõõtmisvahendite tüüpi, võimalikke segajaid ja sisemisi kehtivusohte. Öelge, millist teavet on vaja võimsuse analüüsiks; Arvutan arvu benG*Poweriga. Märkige punktid, mis nõuavad eetilist heakskiitu.
Disaini otsus
AI roll
Kelle vastutus
Kitsendage küsimust
toodab alternatiive
Uurija valib
Hüpotees/muutuja
Mustand + meeldetuletus
Teadlane määratleb
Mustri valik
võrdleb
Uurija otsustab
valimi suurus
Valem tuletab meelde
Tarkvaraga kinnitatud
Eetiline heakskiit
mustandi assistent
Ainult eetikakomitee
Levinud vead
- AI tegemisel valige muster. Metoodiline otsus kuulub uurijale; AI soovitab, teie valite.
- Eetikanõukogust mööda hiilimine. AI ei saa öelda "eetiline"; Heakskiit tuleb asutuse eetikakomisjonilt.
- Mikserite ignoreerimine. Kui kontrollmuutujaid ei planeerita, ei saa tulemust tõlgendada.
- Täpse proovide arvu saamine tehisintellektist. Kontrollige võimsuse analüüsi sobiva tarkvaraga.
- Ei kitsenda küsimust. Mõõtmatult lai küsimus tähendab uuringut, mida ei saa kavandada.
Ettevaatust: AI soovitatud meetod ei pruugi olla teie valdkonnas standardne. Võrrelge iga soovitust oma valdkonna metoodikaressurssidega (õpik, konsultant, sarnased väljaanded); AI räägib üldiselt, domeenikokkulepped on spetsiifilised.
Kokkuvõttes
Uurimistöö kavandamine on ahel, mis ulatub küsimuse teravdamisest valimi moodustamise ja eetikani. AI on võimas mõttepartner, kes toodab valikuid selle ahela igas lülis ja meenutab pimealasid; täpsustab hüpoteesi, võrdleb mustreid, loetleb ohte. Kuid vastutus kavandi valiku, näidise kinnitamise ja eriti eetilise heakskiitmise eest kuulub teadurile ja eetikakomiteele. Lühim rusikareegel: valiku teeb tehisintellekt, metoodiline ja eetiline otsus on sinu enda teha.
Rakenduse ülesanne
Hankige oma uurimistöö idee. Tehisintellektiga kitsendage see kolmele keskendunud küsimusele ja valige üks. Genereerige valitud küsimuse jaoks hüpoteesid, muutujad ja operatiivdefinitsioonid ning parandage need vastavalt oma valdkonnale. Küsige kvantitatiivset/kvalitatiivset/segatud kujunduse võrdlust ja põhjendage lõigus, millise ja miks valisite. Märkige punktid, mis nõuavad eetilist heakskiitu.
kontrollnimekiri
- [ ] Kas ma olen oma uurimisküsimust mõõdetavalt kitsendanud?
- [ ] Kas ma olen hüpoteese ja muutujaid operatiivdefinitsioonidega selgitanud?
- [ ] Kas ma olen planeerinud segavaid muutujaid?
- [ ] Kas valisin mustri enda põhjustel?
- [ ] Kas olen kindlaks määranud punktid, mis nõuavad eetikakomitee heakskiitu?