سود:
- امکان تشخیص تله های پیشرو، دوگانه و مبهم در سوالات نظرسنجی و اتصال هر سوال به یک مفهوم
- امکان انجام محاسبات آماری واقعی در یک برنامه و استفاده از هوش مصنوعی فقط برای انتخاب روش و تفسیر
- توانایی تشخیص اهمیت آماری از اهمیت عملی و بررسی فرضیات آزمون
تحقیق کمی رویکردی است که پدیدههای اجتماعی را با اعداد اندازهگیری میکند و آنها را با آمار تجزیه و تحلیل میکند: به دنبال پاسخ به سؤالاتی از جمله چند نفر، با چه نرخی، چه تفاوتی بین کدام گروهها است. رایج ترین ابزار برای این رویکرد، نظرسنجی است - روشی برای جمع آوری داده های قابل مقایسه از تعداد زیادی از افراد با استفاده از سؤالات استاندارد. تنظیم یک نظرسنجی خوب و تجزیه و تحلیل صحیح داده های دریافتی نیاز به مهارت دارد. یک سوال بد از همان ابتدا نتیجه را خراب می کند. در این بخش، نحوه استفاده از هوش مصنوعی برای طراحی سوالات نظرسنجی، ساخت مقیاس (گزینههای پاسخی که یک نگرش را رتبهبندی میکنند، به عنوان مثال «کاملاً موافقم… کاملاً مخالفم») و تجزیه و تحلیل دادههای دریافتی را یاد خواهید گرفت. اما خواهید آموخت که چرا باید قضاوت آماری را حفظ کنید.
جایی که هوش مصنوعی در تحلیل کمی بیشترین ارزش را دارد در خود محاسبه نیست، بلکه در توضیح نحوه انجام محاسبات و معنای نتیجه است. هوش مصنوعی میتواند کدهای تجزیه و تحلیل را برای شما ترسیم کند (مثلاً دستوراتی برای اجرا در R یا Python)، به زبان ساده توضیح دهد که چه زمانی از یک آزمون آماری استفاده کنید، و به شما در تفسیر خروجی کمک کند. اما هرگز به اعدادی که هوش مصنوعی در متن تولید می کند اعتماد نکنید: یک مدل زبان یک ماشین حساب نیست و ممکن است میانگین، درصد یا مقدار p اشتباه تولید کند. محاسبه واقعی در یک برنامه آمار واقعی انجام می شود.
گام به گام: از نظرسنجی تا بررسی
1. هر سوال را به یک مفهوم مرتبط کنید. هر سوالی که در نظرسنجی مطرح می کنید باید یک مفهوم را در سوال تحقیق شما اندازه گیری کند. فقط به این دلیل که «جالب خواهد بود» سؤال اضافه نکنید. هوش مصنوعی به شما کمک می کند تا نقشه مفهومی-سوال را در جدول بررسی کنید.
2. سوالات بد را از بین ببرید. سوالات پیشرو ("آیا از این سرویس عالی راضی هستید؟")، دو سوالی ("سرویس سریع و ارزان بود؟")، مبهم ("آیا اغلب آن را دوست داشتید؟" داده ها را مخدوش می کند. هوش مصنوعی در نشان دادن این مشکلات در پیش نویس نظرسنجی شما خوب است.
3. مقیاس را به طور مداوم تنظیم کنید. اگر از مقیاس لیکرت (مقیاس توافق 5 یا 7 درجه ای) استفاده می کنید، جهت و رتبه بندی را در طول نظرسنجی ثابت نگه دارید. هوش مصنوعی ناسازگاری ها را تشخیص می دهد.
4. پاک کردن داده ها دادههای دریافتی ممکن است حاوی پاسخهای گمشده، ناسازگاری یا دو سابقه از یک شخص باشد. هوش مصنوعی می تواند مراحل پاکسازی و کد پیش نویس را فهرست کند. شما تصمیم بگیرید
5. آزمون صحیح را انتخاب کنید و آن را تفسیر کنید. آیا دو گروه را با هم مقایسه می کنید و به دنبال رابطه هستید؟ هوش مصنوعی توضیح می دهد که کدام آزمون مناسب است. این وظیفه شماست که تست را در برنامه اجرا کنید و خروجی را بخوانید و معنا پیدا کنید.
توجه: به هوش مصنوعی نگویید "میانگین این داده ها را محاسبه کنید" و عدد حاصل را مستقیماً در گزارش بنویسید. مدل زبان در محاسبات اشتباه می کند. آیا محاسبه در یک صفحه گسترده یا برنامه آماری انجام شده است. از هوش مصنوعی فقط برای روش و تفسیر آن استفاده کنید.
سه کیف کوچک
مورد 1 - سؤال اصلی تصحیح شد. در یک پیش نویس نظرسنجی پرسیده شد "چقدر از خدمات حمل و نقل شهرداری موفق ما راضی هستید؟" او یک سوال داشت. هوش مصنوعی نشان داد که صفت "موفق" پاسخ را به سمت مثبت سوق داد. سوال این است که خدمات حمل و نقل شهرداری را چگونه ارزیابی می کنید؟ خنثی شد و نتایج متعادل تر بود.
مورد 2 - محاسبات اشتباه هوش مصنوعی کشف شد. یک محقق 300 خط داده را به عنوان متن در هوش مصنوعی چسباند و گفت: «میانگین سن را پیدا کنید». YZ گفت 34.2. وقتی همین داده ها در جدول قرار گرفتند، میانگین واقعی 31.7 بود. هوش مصنوعی در متن اشتباه محاسبه کرده بود. وقتی حساب به برنامه منتقل شد، رفع شد.
مورد 3 - انتخاب آزمون روشن شد. یک تیم می خواست میانگین نمره دو گروه را با هم مقایسه کند اما نمی دانست از کدام آزمون استفاده کند. YZ توضیح داد که آزمون t (آزمایشی که آزمایش می کند که آیا تفاوت بین میانگین های دو گروه تصادفی است) برای "دو گروه مستقل، یک متغیر پیوسته" مناسب است، مفروضات خود را فهرست کرد و پیش نویس کد را ارائه کرد. تیم آزمایش را در برنامه اجرا کرد و نتیجه را تفسیر کرد.
چهار قالب قابل کپی
1) ممیزی سوال نظرسنجی:
سوالات نظرسنجی زیر را مرور کنید. برای هر سوال بررسی کنید: آیا این سوال پیشرو است، آیا این یک سوال دوگانه است (دو چیز در یک سوال)، آیا مبهم است، آیا گزینه های پاسخ با هم تداخل دارند/غایب هستند؟ مشکل و نسخه بهتر را در کنار هم قرار دهید. بررسی کنید آیا جهت مقیاس سازگار است یا خیر. سؤالات: [اینجا]
2) جدول نگاشت مفهوم-سوال:
سوال تحقیق من: [سوال]. مفاهیم کلیدی من: [فهرست]. سؤالات نظرسنجی زیر را در یک جدول مرتب کنید: هر سؤال چه مفهومی را می سنجد؟ سوالاتی را که به هیچ مفهومی مرتبط نیستند ("اضافی") و مفاهیمی که سوالی ندارند ("بیکار") علامت گذاری کنید. نظرسنجی: [اینجا]
3) طرح پاکسازی داده ها (پیش نویس کد):
من یک مجموعه داده نظرسنجی با متغیرهای زیر دارم: [متغیرها]. یک چک لیست پاکسازی داده ها و پیش نویس کد با خطوط نظر برای [R/Python] به من بدهید: داده های از دست رفته، موارد پرت، سوابق تکراری، کدگذاری ناسازگار. من کد را اجرا می کنم و خروجی را تأیید می کنم. حسابی انجام نده
4) نظر آماری (من محاسبه کردم):
من یک [تست نام] را اجرا کردم و خروجی زیر را دریافت کردم: [خروجی]. این نتیجه را به زبان ساده تفسیر کنید: معنای آن در عمل چیست، بین اهمیت آماری و اهمیت عملی تمایز قائل شوید و به شما یادآوری کنید که کدام فرضیات باید بررسی شوند. در نتیجه اغراق نکنید؛ حد و حدودت را هم بگو
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
میانگین گروه ها را در این داده ها محاسبه کنید و بگویید کدام یک بالاتر است. [500 خط داده]
هوش مصنوعی سعی می کند در متن محاسبه کند و ممکن است اعداد اشتباه تولید کند. علاوه بر این، پاسخ به سوال "آیا تفاوت معنی داری وجود دارد" بدون آزمون آماری غیر قابل اعتماد است.
اعلان قدرتمند:
من می خواهم نمرات دو گروه را مقایسه کنم: یک متغیر پیوسته، دو گروه مستقل. (1) کدام آزمون آماری مناسب است و چرا؟ (2) مفروضات آن چیست؟ (3) پیشنویس کد نظر برای [R/Python]. من محاسبه را در برنامه انجام خواهم داد. شما فقط روش و کد را بدهید، اعداد تولید نکنید.
تفاوت: هوش مصنوعی دیگر به عنوان یک ماشین حساب غیرقابل اعتماد استفاده نمی شود، بلکه به عنوان یک مشاور روش قابل اعتماد استفاده می شود.
تقسیم کار در وظایف کمی
تلاش
آیا هوش مصنوعی ایمن است؟
نحوه استفاده
ممیزی طرح سوال
بله
علامت گذاری تله ها
سازگاری مقیاس
بله
چک لیست
کد پاکسازی داده ها
بله (پیش نویس)
شما کد را اجرا می کنید
حساب درون متنی
نه
هرگز اعتماد نکنید
انتخاب آزمون
بله
روش را توضیح دهید
نظر پایانی
بله (پشتیبانی)
قضاوت با شماست
اشتباهات رایج
- مستقیماً با استفاده از عدد تولید شده توسط هوش مصنوعی. مدل زبان در حساب اشتباه است. محاسبه را وارد برنامه کنید.
- قرار دادن یک سوال پیشرو صفت ها و فرضیات پاسخ را تحریف می کنند.
- اشتباه گرفتن اهمیت آماری با اهمیت عملی. "مهم" حتی می تواند یک تفاوت کوچک باشد. به اندازه نگاه کنید.
- رد شدن از فرضیات هر آزمونی دارای پیش نیازهایی است. بدون بررسی نظر ندهید.
- پرسیدن سوالات اضافی هر سوال نظرسنجی باید به یک مفهوم مرتبط باشد. بقیه داده ها را باد می کند.
به طور خلاصه
هوش مصنوعی در تحقیقات کمی؛ او یک مشاور قوی در تشخیص مشکلات سوالات نظرسنجی، نقشه برداری مفهومی-سوال، تهیه پیش نویس کد پاکسازی و تجزیه و تحلیل داده ها و تفسیر نتیجه به زبان ساده است. اما هرگز اجازه ندهید هوش مصنوعی محاسبه واقعی را انجام دهد. مدل زبان یک ماشین حساب نیست. شما آزمون را انتخاب می کنید، اما آن را در برنامه اجرا می کنید، خروجی را می خوانید و بین اهمیت آماری و معناداری عملی تمایز قائل می شوید. هوش مصنوعی روش را سرعت می بخشد. مسئولیت موضوع و اظهار نظر با شماست.
وظیفه کاربردی
یک پیش نویس نظرسنجی با 10 سوال بنویسید. پرچم هوش مصنوعی و سوالات پیشرو، تکراری و مبهم را با الگوی "ممیزی سوال نظرسنجی" درست کنید. سپس یک مجموعه داده نمونه کوچک (20-30 ردیف) ایجاد کنید و میانگین و درصد واقعی را در یک برنامه صفحه گسترده محاسبه کنید. همان داده ها را به عنوان متن به هوش مصنوعی بدهید، آن را با اعداد به دست آمده مقایسه کنید و تفاوت را گزارش کنید. در نهایت، یک خروجی تست را با الگوی "تفسیر آماری" تفسیر کنید.
چک لیست
- [ ] من هر سوال نظرسنجی را به یک مفهوم مرتبط کردم.
- [ ] سوالات پیشرو، دوگانه و مبهم را حذف کردم.
- [ ] من محاسبه واقعی را در برنامه آمار انجام دادم، نه هوش مصنوعی.
- [ ] من فرضیات آزمون را بررسی کردم.
- [ ] من اهمیت آماری را از اهمیت عملی متمایز کردم.