Kattava työnkulku, hallinto ja vastuullinen käyttö — Tekoäly sosiologiassa ja yhteiskuntatutkimuksessa

Voitot:

Kyky suunnitella tutkimusta yhtenäisenä kuusivaiheisena työnkulkuna suunnittelusta dokumentointiin
Kyky määrittää tekoälyn turvallisen käytön raja kussakin vaiheessa ja todentaa aikaisempi tulos vaihesiirtymissä
Kyky muodostaa vastuullisen käytön protokolla tiimitasolla ja arvioida itseään viiden perusperiaatteen mukaisesti

Edellisellä kymmenellä jaksolla olemme käsitelleet tekoälyä kaikissa yhteiskuntatutkimuksen vaiheissa: kysymykset ja kirjallisuus, otanta, kysely ja kvantitatiivinen analyysi, laadullinen koodaus ja teema, sekamenetelmät, visualisointi, etiikka, toistettavuus ja kirjoittaminen. Kokoamme kaiken tähän viimeiseen yksikköön. Tavoitteena on yhdistää yksilölliset taidot päästä päähän -työnkulkuun – johdonmukaiseen, turvalliseen ja rehelliseen prosessiin tutkimuskysymyksestä julkaistuun havaintoon. Menemme myös yksilöä pidemmälle ja puhumme hallinnosta: yhteisistä säännöistä, joilla tiimi, osasto tai laitos voi käyttää tekoälyä vastuullisesti yhteiskuntatutkimuksessa.

Päästä päähän -ajattelun arvo on, että jokaisessa vaiheessa tekemäsi päätös vaikuttaa seuraavaan. Puolueetonta näytettä ei voida pelastaa edes täydellisellä analyysillä; Vahvistamaton lähde kumoaa parhaankin kirjoituksen. Siksi tekoälyä on käytettävä samoilla periaatteilla kaikissa vaiheissa: syötä se tehokkailla resursseilla, tarkista jokainen tulos, suojele ihmisten harkintaa, huolehdi etiikasta ja yksityisyydestä etukäteen, dokumentoi prosessi läpinäkyvästi. Nämä periaatteet voidaan tiivistää yhteen lauseeseen: AI nopeuttaa tutkimusta, mutta ei korvaa tutkijaa.

Askel askeleelta: virtaus päästä päähän

1. Suunnittelu (kysymys + etiikka + näyte). Tee selkeitä kysymyksiä, muokkaa eettisiä hyväksyntöjä ja luottamuksellisuussuunnittelua ja arvioi otoksen edustavuutta. Tässä vaiheessa tekoäly auttaa kyseenalaistamaan kaventumisen ja eettisen riskien seulonnan.

2. Tiedonkeruu (kysely + haastattelu). Valmistele vankka kysely- ja haastatteluopas. AI saa kiinni kysymysansat; Tietojen keräämisen ja osallistujasuhteen tehtävä on sinun.

3. Käsittely (puhdistus + koodaus + anonymisointi). Anonymisoi, puhdista ja koodaa tiedot. AI tuottaa piirustuksia; Hyväksyt jokaisen päätöksen ja koodikirjan.

4. Analyysi (kvantitatiivinen + laadullinen + kolmiomittaus). Suorita tilastot ohjelman läpi, yhdistä teemoja lainauksiin, ristiin validoi havainnot. AI selittää menetelmän, ei laskentaa.

5. Esittely (visualisointi + kirjoitus). Tuota rehellistä grafiikkaa ja alkuperäistä tekstiä. Jokainen lähde ja numero tarkistetaan; Tekoälyn rooli on julistettu.

6. Dokumentaatio (päiväkirja + kehotetallennus + jakaminen). Dokumentoi päätökset, kehotteet ja muunnokset ja jaa anonyymejä tietoja ja koodia, jos mahdollista.

Vinkki: Pidä täydellinen tarkistuslista työpöydälläsi. Kysy jokaisessa siirtymävaiheessa: "Olenko vahvistanut tämän vaiheen tuloksen, olenko näyte/eettinen/lähde turvallinen, enkö ole jättänyt jälkeä?" Löysyys yhdessä vaiheessa heikentää koko ketjua.

kolme minilaukkua

Tapaus 1 – Ketjun heikoin lenkki. Yksi tiimi teki erinomaisen kvalitatiivisen analyysin, mutta heidän otoksensa tuli yhdestä verkkoryhmästä. Huolimatta siitä, kuinka hyvin he koodasivat, löytö juuttui tähän ryhmään. Oppitunti: päästä päähän -laatu on vain niin hyvä kuin heikoin vaihe; suunnittelun harhaa ei voida korjata analyysissä.

Tapaus 2 – Ryhmän hallinta toimi. Tutkimuskeskus kirjoitti koko tiimille yhteisen tekoälyn käyttöprotokollan: mikä työkalu, mitkä tiedot anonymisoitiin, millä vahvistusvaiheella. Äskettäin saapunut avustaja työskenteli turvallisesti ensimmäisestä päivästä lähtien protokollaa noudattaen; Henkilökohtaiset virheet ovat vähentyneet.

Tapaus 3 – Läpinäkyvä ketju sai erotuomarin luottamuksen. Yksi artikkeli liitti päätöslokin, kehotelokit ja tekoälyn lausunnon. Arvostelijat pystyivät seuraamaan prosessia alusta loppuun ja olivat yhtä mieltä siitä, että se oli "tuotettavissa ja rehellinen". Läpinäkyvyys oli liima, joka sidoi kaikki yksittäiset vaiheet yhteen.

Neljä kopioitavaa mallia

1) Päästä päähän -tarkistuslistan luominen:

Tutkimukseni läpikäy seuraavat vaiheet: suunnittelu, tiedonkeruu, käsittely, analysointi, esittely, dokumentointi. Luo tarkistuslista jokaiselle vaiheelle: missä voin käyttää tekoälyä turvallisesti tässä vaiheessa, mikä tulos minun tulee varmistaa, mitä eettisiä/yksityisyyteen liittyviä riskejä minun tulee ottaa huomioon, mitä minun pitäisi dokumentoida? Anna se taulukossa.

2) Team AI -protokollaluonnos:

Laadi tekoälyn käyttöprotokolla sosiaalisen tutkimusryhmän käyttöön. Sisältää: hyväksytyt työkalut, tietojen anonymisointisääntö, jossa rooliAI on sallittu/rajoitettu/kielletty, pakolliset vahvistusvaiheet, tekoälyn ilmoitussääntö, vastuullisuus. Kirjoita yksinkertaisia, toimivia kohteita.

3) Vaiheensiirron ohjaus:

Lopetin [vaiheen X], siirryn [vaiheeseen Y]. Luettele asiat, jotka minun on tarkistettava ennen tätä siirtymää: olenko vahvistanut edellisen vaiheen tulosteen, onko minulla virhe (väärä näyte, vahvistamaton lähde, jäljittämätön päätös), joka katkaisee seuraavan vaiheen? Olenko valmis siirtymään, ja jos en, mitä minun pitäisi korjata?

4) Vastuullisen käytön itsearviointi:

Tarkastele tekemäni tutkimusta tekoälyn vastuullisesta käytöstä. Arvioi ja osoita heikkoudet näitä viittä periaatetta vastaan: (1) vahva lähdesyöttö, (2) jokaisen tuotoksen validointi, (3) inhimillisen harkintakyvyn säilyttäminen, (4) etiikka ja luottamuksellisuus, (5) läpinäkyvä dokumentointi. Prosessi: [yhteenveto]

Heikko kehote / Vahva kehote

Heikko kehote:

Tee tämä tutkimus alusta loppuun tekoälyllä ja lopeta se.

Tämä yrittää siirtää kaiken vastuun mallille. Tulos: puolueellinen näyte, väärennetty lähde, tarkistamattomat tilastot ja puolustettava teksti. Mikään päästä päähän -vaihe ei ole turvallinen.

Tehokas kehotus:

Haluan suunnitella tutkimukseni alusta loppuun. Se toimii jokaisessa vaiheessa (suunnittelu, data, käsittely, analyysi, esitys, dokumentointi) etenemissuunnitelmana sille, missä voin käyttää tekoälyä turvallisesti, missä tarvitaan ihmisen harkintaa ja todentamista ja mitä eettisiä ja yksityisyyteen liittyviä riskejä minun tulisi ottaa huomioon. Muista, että olen vastuussa.

Ero: toinen lähestymistapa asettaa tekoälyn kumppaniksi; Se hyväksyy alusta alkaen, että päätökset ja todentaminen kuuluvat ihmisille.

Päästä-päähän vastuullisen käytön käytännöt

periaatetta

Sovellus

Missä yksikössä

Syötä tehokkaalla lähteellä

Anna oma tietosi/lähde

1, 2

Kysy näyte

Edustuksen ja puolueellisuuden auditointi

Tee laskelma ohjelmaan

Tekoälyn saaminen tuottamaan numeroita

säilytä uskollisuus

Linkitä lainaus rivin numeroon

Pidä ristiriita avoimena

Kolmiomittaus, rehellinen esitys

6, 7

Etiikka ja yksityisyys ensin

Anonymisoi, vahvistettu työkalu

Dokumentoi prosessi

Päiväkirja, nopea tallennus

Säilytä omaperäisyys

Tarkista lähde, oma äänesi

Yleisiä virheitä

Otetaan vaiheet erikseen huomioon ja ketju unohdetaan. Erottelu yhdessä vaiheessa pilaa koko tutkimuksen.
Vastuun siirtäminen tekoälylle. Päätös, todentaminen ja etiikka ovat aina ihmisellä.
Joukkueessa ei ole yhteisiä sääntöjä. Yksittäinen käyttö aiheuttaa epäjohdonmukaisuutta ja riskejä.
Asiakirjat jätetään viimeiseksi. Jälki säilyy koko prosessin ajan; ei voi muistaa myöhemmin.
Kun kerran opit ja rentoudut. Vastuullinen käyttö on kurinalaisuutta, jota sovelletaan uudelleen jokaisessa projektissa.

Yhteenvetona

Tekoälyn todellinen arvo yhteiskuntatutkimuksessa ei esiinny yksittäisissä tehtävissä, vaan johdonmukaisessa ja vastuullisessa työnkulussa päästä päähän. Käytä samoja periaatteita kaikissa vaiheissa suunnittelusta dokumentointiin: käytä tehokkaasti lähteitä, tarkista jokainen tulos, säilytä inhimillinen harkinta, aseta etiikka ja luottamuksellisuus etusijalle, dokumentoi prosessi läpinäkyvästi. Yhteinen protokolla tiimitasolla tekee näistä periaatteista pysyviä. Ketju on vain niin vahva kuin sen heikoin lenkki; Älä rentoudu missään vaiheessa. Tekoäly nopeuttaa tutkimusta, mutta se ei koskaan korvaa tutkijan arvostelukykyä, vastuuta ja rehellisyyttä.

Sovellustehtävä

Luo kuusivaiheinen etenemissuunnitelma omalle tutkimusprojektillesi (todelliselle tai suunnitellulle) "päästä päähän -tarkistuslistan luominen" -mallin avulla. Kirjoita jokaisessa vaiheessa muistiin, missä aiot käyttää tekoälyä, mitä aiot tarkistaa ja mitä eettisiä/yksityisyyteen liittyviä riskejä otat huomioon. Käytä sitten "vastuullisen käytön itsearviointi" -mallia pisteyttääksesi itsesi viittä periaatetta vastaan, tunnistaaksesi kaksi heikointa kohtaasi ja kuinka vahvistaa niitä.

tarkistuslista

[ ] Suunnittelin tutkimuksen kuusivaiheisena kulkuna päästä loppuun.
[ ] Määritin tekoälyn turvallisen käytön rajan jokaisessa vaiheessa.
[ ] Varmistin edellisen lähdön jokaisessa vaihesiirrossa.
[ ] Ylläpitetty etiikka, luottamuksellisuus ja dokumentaatio kaikkialla.
[ ] Olen itse arvioinut vastuullisen käytön viittä periaatetta vasten.

Moduulin tentti

1. Mikä seuraavista on tarkin tekoälyn paikannus sosiologiassa ja yhteiskuntatutkimuksessa?

A) Tekoäly voi vastata tutkimuskysymykseen, tulkintaan ja eettiseen päätökseen yksin ilman ihmisen hyväksyntää.
B) Tekoäly toimii vain yhteenvetotekstinä, sillä ei ole mitään tekemistä muiden tutkimusvaiheiden kanssa
C) Tekoäly on tiivistelmä, transkriptio, koodi ja luonnos avustaja; Vastuu tulkinnasta, viitekehyksestä ja eettisestä päätöksestä on tutkijalla ✔
D) Koska tekoäly on aina puolueettomampaa kuin ihminen, tulkinta tulisi jättää kokonaan sen varaan.

Kuvaus: Tekoäly; on avustaja, joka tekee yhteenvedon teksteistä, muokkaa transkriptioita, ehdottaa koodia ja kirjoittaa luonnoksia. Vastuu kriittisestä työstä, kuten tutkimuskysymyksestä, teoreettisesta viitekehyksestä, näytearvioinnista, tulkinnasta ja eettisestä päätöksestä, kuuluu tutkijalle; Vahvistamaton tulos voi johtaa väärään viittaukseen, tekaistuun tilastoon tai virheelliseen määrittelyyn.

2. Miksi on riskialtista käskeä tekoälylle suoraan "listaa 10 tärkeintä tätä aihetta käsittelevää artikkelia bibliografialla" kirjallisuutta selattaessa?

A) AI voi muodostaa lähteitä, tekijöitä ja DOI:ita, jotka näyttävät realistisilta, mutta joita ei ole olemassa; Sinun on löydettävä lähde tietokannasta ✔
B) Tekoäly toimii hyvin hitaasti ja tuhlaa aikaa resurssien luetteloimiseen
C) Tekoäly kaipaa turkkilaista kirjallisuutta, koska se löytää vain englanninkielisiä lähteitä
D) Lista kasvaa, kun tekoäly toistaa saman lähteen useita kertoja

Kuvaus: Kirjallisuuskatsaus on tehtävä, jossa tekoäly tuottaa eniten hallusinaatioita; Osaa laatia artikkeleita, tekijöitä ja asiakirjoja, jotka näyttävät realistisilta, mutta joita ei ole olemassa. Lähteiden etsiminen on tietokantojen tehtävä; Tekoälyn pitäisi syntetisoida vain löytämäsi todelliset yhteenvedot.

3. Minkä ongelman kannalta kunnan verkkosivuille lähetetyn kyselyn tuloksena olevaa 78 %:n tyytyväisyyttä tulisi tulkita huolellisimmin?

A) Prosenttilaskenta on virheellinen; Tyytyväisyysastetta ei voi koskaan ilmaista yhtenä numerona
B) Koska kysely oli liian pitkä, osallistujat kyllästyivät ja vastasivat satunnaisesti
C) On sosiologisesti mahdotonta mitata tyytyväisyyttä, joten tulos on virheellinen
D) Otos sisältää valintaharhaa; Koska vain sivuston käyttäjät voivat osallistua, löytöä ei voi yleistää koko yhteiskuntaan ✔

Selitys: Sivustolle lähetetty kysely yliedustaa niitä, jotka jo käyttävät sivustoa (jotka voivat käyttää palvelua ja ovat todennäköisesti tyytyväisempiä); Tämä on valintaharha. Havainto voidaan yleistää vain "sivuston käyttäjille", ei koko yhteiskunnalle.

4. Miksi ei ole turvallista liittää 300-rivistä tietojoukkoa tekstinä ja käskeä tekoälyä "laskemaan keskiarvo"?

A) Koska tekoäly pystyy lukemaan vain 100 riviä dataa, se hylkää enemmän
B) Kielimalli ei ole laskin; Kun aritmetiikka tekstissä saattaa tuottaa vääriä lukuja, laskenta on suoritettava ohjelmassa ✔
C) Keskiarvo on sosiologisesti merkityksetön mitta, eikä sitä pidä laskea ollenkaan.
D) Kun tiedot liitetään tekstinä, tekoäly poistaa ne automaattisesti

Selitys: Kielimalli ei ole laskin, ja se voi tuottaa virheellisesti keskiarvon, prosentin tai p-arvon suorittaessaan aritmeettista tekstiä. Varsinainen laskelma tulee tehdä tilasto-ohjelmassa tai -taulukossa; Tekoälyä tulee käyttää vain menetelmään ja tulkintaan.

5. Mitä pitäisi tehdä ennen kuin hyväksytään tekoälyn ehdottama tarjous kvalitatiivisessa teema-analyysissä?

A) Jos lainaus näyttää sujuvalta ja vaikuttavalta, se voidaan lisätä suoraan raporttiin
B) Jos lainauksen pituus ei ylitä yhtä kappaletta, tarkistusta ei tarvita
C) Rivinumerolla on vahvistettava, että lainaus todella näkyy kopiossa ✔
D) Lainaus on automaattisesti luotettava, koska tekoäly mainitsee lähteen

Selitys: Laadullisen tutkimuksen ydin on uskollisuus osallistujan omille sanoille. Tekoäly voi tehdä lainauksen, joka on sujuva, mutta jota ei ole transkriptissa ollenkaan. Siksi jokainen lainaus tulee linkittää ja tarkistaa tekstin varsinaiseen väitteeseen ja mieluiten rivin numeroon.

6. Jos tutkimuksessa 72 % sanoo "kierrätän" kyselyssä, mutta haastatteluissa suurin osa heistä itse asiassa sanoo tekevänsä sen epäsäännöllisesti, miten tämä ristiriita pitäisi käsitellä?

A) Ristiriitaa ei pidä piilottaa; tulee esittää havainnona mahdollisten selitysten kanssa, kuten sosiaalisen toivottavuuden harha ✔
B) Haastattelutiedot tulee hylätä virheellisinä ja raportoida vain tutkimuksen tulos
C) Tutkimustiedot tulee hylätä, koska ne ovat virheellisiä, vain haastattelu tulee raportoida
D) Molemmat tiedot tulisi poistaa raportista, koska ristiriita on kiusallista

Selitys: Määrällisten ja laadullisten tulosten välinen ero ei ole virhe, mutta se on usein arvokkain havainto. Tässä oleva ristiriita viittaa sellaiseen ilmiöön kuin "sosiaalinen toivottavuusharha", ja se tulisi esittää löydöksenä sitä salaamatta.

7. Mitä pitäisi tehdä, jos kahden ryhmän välinen ero (51 % vs 54 %) näyttää "jättiläiseltä aukolta" kaaviossa, jonka y-akseli alkaa arvosta 50?

A) Kaavio tulee jättää ennalleen, koska ero näyttää jo suurelta
B) Ero tulee piilottaa kokonaan näyttämällä yksi keskiarvo kahden ryhmän sijaan
C) Erosta tulisi tehdä vieläkin vaikuttavampi lisäämällä kuvaajaan kolmiulotteinen tehoste.
D) Y-akseli tulee alustaa nollasta; katkaistu akseli johtaa lukijaa harhaan liioittelemalla pieniä eroja ✔

Selitys: Katkaistu akseli (ei aloita nollasta) johtaa pienen eron harhaan tekemällä sen näyttämään valtavalta. Rehellisessä pylväskaaviossa akselin tulisi alkaa nollasta; joten ero näkyy sen todellisessa, pienessä koossa. Visuaalin tarkoitus ei ole suostuttelu, vaan oikea viestintä.

8. Miksi pelkkä nimien poistaminen transkriptioista ei useinkaan riitä anonymisointiin?

A) Nimen poistaminen riittää aina; mikään muu tieto ei paljasta henkilöllisyyttä
B) Epäsuorat tunnisteet (ainutlaatuinen rooli, sijainti, harvinainen ominaisuus) voivat paljastaa henkilön ilman nimeä ✔
C) Anonymisointi on tarpeen vain, jos puhelinnumero on olemassa
D) Nimien poistaminen on merkityksetöntä, koska se tekee tekstistä lukukelvottoman

Selitys: Pelkkä nimen poistaminen ei riitä; Epäsuorat kuvaajat, kuten "alueen X ainoa apteekki" tai "kunnan ainoa naispuolinen tarkastaja", voivat luovuttaa henkilön yksin. Asianmukainen anonymisointi edellyttää kaikkien suorien ja epäsuorien tunnisteiden poistamista.

9. Miksi on tärkeää kirjata kehotteet, käytetty malli ja päivämäärä tekoälyllä suoritettavaan analyysiin?

A) Koska se on vain lakisääteinen velvoite, sillä ei ole tieteellistä arvoa
B) Kehotteet säilytetään kaupallisista syistä, koska niillä on tekijänoikeus.
C) Tekee prosessista jäljitettävän ja toistettavan; Muuten 'AI sanoi niin' ei olisi tieteellinen perustelu ✔
D) Rekisteröinti on vain muodollisuus, koska malli antaa aina saman vastauksen

Selitys: Kielimallit eivät anna joka kerta täsmälleen samaa vastausta; Jos kehotteita ja mallitietoja ei tallenneta, prosessista tulee musta laatikko, eikä kukaan muu (edes sinä) voi toistaa teosta. Nämä tietueet ovat työn "materiaaliluettelo" ja ovat toistettavuuden perusta.

10. Missä menee raja tekoälyn laillisen käytön akateemisessa kirjoittamisessa ja akateemisen eheyden loukkausten välillä?

A) AI voi auttaa sinua ilmaisemaan omaa sisältöäsi; On kuitenkin rikkomus, jos ajattelet puolestasi ja tuot sisältöä ja esität sen työnäsi ✔
B) Mitä tahansa tekoälyn tuottamaa tekstiä voidaan käyttää suoraan, kunhan kielioppi on oikea
C) Niin kauan kuin tekoäly lisää resursseja, sisällön tulostaminen siihen on täysin ongelmatonta.
D) Tekoälyn käyttö on kielletty kaikissa olosuhteissa, eikä sitä voida käyttää missään vaiheessa.

Paljastus: tekoälyn käyttäminen oman luonnoksesi selkeyttämiseen sekä kielen ja rakenteen parantamiseen on laillista ja julistettu läpinäkyväksi. Tekoälyn kirjoittaman sisällön esittäminen omana työnä rikkoo sekä omaperäisyyttä että tuottaa lähes varmasti tekoälyn lähteitä. Linja: AI auttaa sinua ilmaisemaan ajatuksesi, se ei ajattele puolestasi.

11. Mitä periaate "päästä-päähän laatu on heikoimpaan vaiheeseen asti" tarkoittaa yhteiskuntatutkimuksessa?

A) Vain viimeinen vaihe, oikeinkirjoitus, on tärkeä; edellisten vaiheiden virheet korjataan oikeinkirjoituksen avulla.
B) Vaiheet ovat toisistaan riippumattomia; Virhe yhdessä ei vaikuta muihin
C) Vahvin vaihe säästää koko ketjun, joten yhteen vaiheeseen keskittyminen riittää
D) Yhden vaiheen heikkoutta (harhainen näyte, todentamaton lähde) ei voida korjata myöhemmissä vaiheissa ja heikentää koko tutkimusta ✔

Selitys: Jokaisen vaiheen päätös vaikuttaa seuraavaan: puolueellista näytettä ei voida tallentaa edes täydellisellä analyysillä; Vahvistamaton lähde kumoaa parhaankin kirjoituksen. Siksi samoja vastuullisen käytön periaatteita tulisi soveltaa kaikissa vaiheissa suunnittelusta dokumentointiin.

12. Jos tekoäly tiivistää antamasi transkription ja lisää kehyksen, jota ei ole tekstissä, kuten "vanhukset pelkäävät tekniikkaa", mistä tämä on esimerkki?

A) Se on tarkka yhteenveto osallistujan todellisesta mielipiteestä
B) Se on tekoälyn kantaman stereotyypin tuomista omasta harjoitusdatasta dataan ✔
C) Se on tilastollisen merkitsevyystestin tulos
D) Se on todiste siitä, että anonymisointi on toteutettu onnistuneesti

Selitys: Tämä on esimerkki stereotypioista (stereotyyppisestä yleistyksestä), jonka tekoäly kantaa teksteistä, joihin se on koulutettu. Malli voi lisätä arvion, jota ei todellisuudessa ole tiedoissa. Tutkijan tulisi karsia tämä lisäys sanomalla "luottakaa vain tekstin väitteisiin".

13. Mikä seuraavista on hyvin supistettu tutkimuskysymys?

A) Miksi yhteiskunta on tässä tilanteessa?
B) Ovatko ihmiset onnellisia?
C) Mistä syistä 18-25-vuotiaat yliopisto-opiskelijat eivät osallistu kuntavaaleihin? ✔
D) Mikä on sosiaalisen median ja kaiken välinen suhde?

Selitys: Hyvä tutkimuskysymys on vastattava, rajoitettu ja merkityksellinen; Sen väestö, konteksti ja painopiste ovat selvät. Laajan pyynnön, kuten "Miksi nuoret kääntyvät pois politiikasta?" sijaan, kysymys, joka sisältää tietyn ikäryhmän, kontekstin ja konkreettisen painopisteen, on tutkittava.

14. Miksi se ei ole totta kolmiomittausta, jos kaksi erilaista verkkokyselyä värvää osallistujia samasta sosiaalisen median ryhmästä ja tuo samat tulokset?

A) Nämä kaksi lähdettä eivät ole riippumattomia, koska ne ovat peräisin samasta puolueellisesta otoksesta; tämä on saman harhan toistoa ✔
B) Kahden kyselyn käyttäminen on aina tarpeetonta, yksi kysely riittää
C) Verkkokyselyt eivät koskaan tuota kelvollista tietoa
D) Se, että ne antavat saman tuloksen, osoittaa, että tulos on ehdottoman oikea.

Selitys: Triangulaatiolla testataan löytöä todella riippumattomien lähteiden kanssa. Jos kaksi lähdettä ovat peräisin samasta puolueellisesta näytteestä, on harhaanjohtavaa niiden "vahvistaa" toisiaan; tämä on saman harhan toistoa, ei itsenäinen vahvistus.