નફો:
- પ્રામાણિક અને અસ્પષ્ટ ભાષામાં કૃત્રિમ બુદ્ધિમત્તાના સમર્થન સાથે લક્ષ્ય પ્રેક્ષકો (શૈક્ષણિક, નીતિ, સંચાલન) ને પ્રયોગમૂલક તારણોની જાણ કરવાની ક્ષમતા
- તારણો, મર્યાદાઓ અને નૈતિક નિવેદનો (ડેટા ગોપનીયતા, હિતનો સંઘર્ષ, કૃત્રિમ બુદ્ધિમત્તાના ઉપયોગની જાહેરાત) અને ગેરમાર્ગે દોરતી રજૂઆતને ટાળવાની ક્ષમતા.
- અહેવાલોના ડ્રાફ્ટ્સને ઓળખવા માટે કૃત્રિમ બુદ્ધિની ક્ષમતા કે જે અતિશયોક્તિપૂર્ણ, એકતરફી અથવા કારણભૂત ભાષા ઉત્પન્ન કરે છે અને અંતિમ ટેક્સ્ટ અને દાવાઓ માટેની જવાબદારી સંશોધક પર રહે છે.
મોડ્યુલ પરીક્ષા
1. એક સંશોધક પૂછે છે કે '2015 અને 2020 વચ્ચે તુર્કીમાં બેરોજગારી અને ફુગાવા વચ્ચેનો સહસંબંધ ગુણાંક શું છે?' કૃત્રિમ બુદ્ધિમત્તાને કોઈ ડેટા આપ્યા વિના. તે તેના લેખમાં સીધો 0.62 નંબર પૂછે છે અને લખે છે. આ અભિગમમાં મૂળભૂત ભૂલ શું છે?
- A) ચકાસાયેલ ડેટા આપ્યા વિના કૃત્રિમ બુદ્ધિમત્તાથી નક્કર આંકડાની અપેક્ષા રાખવી; ✔ એવા નંબરનો ઉપયોગ કરવો જે તેને ચકાસ્યા વિના બનાવેલ હોઈ શકે
- બી) લેખમાં સહસંબંધ ગુણાંકનો ક્યારેય ઉપયોગ થવો જોઈએ નહીં.
- C) બેરોજગારી અને મોંઘવારી વચ્ચે સહસંબંધની ગણતરી કરી શકાતી નથી
- ડી) આર્ટિફિશિયલ ઈન્ટેલિજન્સ 2020 પછી જ ડેટા એક્સેસ કરી શકશે
સમજૂતી: AI ભાષા મોડેલ ડેટાસેટને ઍક્સેસ કર્યા વિના આંકડાઓ ઉત્પન્ન કરી શકતું નથી; તે જે નંબર આપે છે તે મોટે ભાગે આભાસ (બનાવટ) હોય છે. ગુણાંક, ગુણોત્તર અને પરીક્ષણ પરિણામોની ગણતરી સંશોધકના પોતાના ચકાસાયેલ ડેટામાંથી થવી જોઈએ, મોડેલની મેમરીમાંથી લેવામાં નહીં આવે.
2. ગુમ થયેલ ડેટાનો 'રેન્ડમ પર ખૂટતો નથી' (MNAR) હોવાનો શું અર્થ થાય છે અને તે શા માટે મહત્વપૂર્ણ છે?
- એ) ઉણપ અવલોકિત મૂલ્યને કારણે છે; તેથી જ સરળ સોંપણી પૂર્વગ્રહ બનાવી શકે છે ✔
- બી) ડેટા સંપૂર્ણપણે રેન્ડમ રીતે અદૃશ્ય થઈ જાય છે અને કોઈ પૂર્વગ્રહ બનાવતો નથી.
- સી) ખૂટતો ડેટા હંમેશા પંક્તિ કાઢી નાખીને ઉકેલવો જોઈએ.
- ડી) ગુમ થયેલ ડેટા વિશ્લેષણને કોઈપણ રીતે અસર કરતું નથી.
સમજૂતી: MNAR (મિસિંગ નોટ એટ રેન્ડમ) ના કિસ્સામાં, ગુમ થવું એ અવલોકન ન કરાયેલ મૂલ્યની તીવ્રતા પર આધાર રાખે છે (દા.ત. ઉચ્ચ કમાણી કરનારાઓ તેમની આવકની જાણ કરતા નથી). આ કિસ્સામાં, સરળ કાઢી નાખવા અથવા સરેરાશ સોંપણી પક્ષપાતી પરિણામો આપે છે; ઉણપની મિકેનિઝમનું મોડેલિંગ હોવું આવશ્યક છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ દ્વારા સૂચવવામાં આવેલી અસાઇનમેન્ટ પદ્ધતિ આ મિકેનિઝમને જાણ્યા વિના આંખ બંધ કરીને લાગુ કરવી જોઈએ નહીં.
3. વિશ્લેષક પાસે AI એ બાર ચાર્ટ બનાવે છે, અને AI શૂન્યને બદલે 40 થી y-અક્ષ શરૂ કરે છે. બે જૂથો વચ્ચેનો વાસ્તવિક તફાવત 2% ગ્રાફ પર વિશાળ લાગે છે. યોગ્ય અભિગમ શું છે?
- એ) અક્ષને શરૂઆતથી શરૂ કરીને અથવા ચાર્ટનો પ્રકાર બદલવો; ✔ ગેરમાર્ગે દોર્યા વિના તફાવતનું સાચું કદ બતાવવા માટે
- B) ચાર્ટનો ઉપયોગ કારણ કે AI શ્રેષ્ઠ પસંદગી કરે છે
- C) અક્ષને 45 થી શરૂ કરીને તફાવતને વધુ મોટો બનાવવા માટે
- ડી) બાર ચાર્ટને બદલે વિઝ્યુઅલનો ક્યારેય ઉપયોગ કરશો નહીં
સમજૂતી: બાર ચાર્ટમાં, ડેશેડ અક્ષ (વાય-અક્ષ કે જે શૂન્યથી શરૂ થતો નથી) નાના તફાવતોને અતિશયોક્તિ કરીને ગેરમાર્ગે દોરે છે. પ્રમાણિક વિઝ્યુલાઇઝેશનમાં, બાર ચાર્ટની ધરી શૂન્યથી શરૂ થવી જોઈએ અથવા તફાવત સભાનપણે સ્પષ્ટપણે જણાવવો જોઈએ. છબીને ચકાસવાની અને જો જરૂરી હોય તો તેને સુધારવાની જવાબદારી વિશ્લેષકની છે.
4. કૃત્રિમ બુદ્ધિના અર્થઘટનમાં રેખીય રીગ્રેશનમાં ગુણાંક 'નોંધપાત્ર' (p<0.05) છે તે હકીકત કેવી રીતે વારંવાર ખોટી રીતે રજૂ કરવામાં આવે છે?
- એ) મહત્વની અતિશયોક્તિપૂર્ણ રજૂઆત કારણ કે અસર મોટી અને મહત્વપૂર્ણ છે અથવા કાર્યકારણ સ્થાપિત થયેલ છે ✔
- બી) મહત્વ હંમેશા સૂચવે છે કે અસર નાની છે
- C) p<0.05 સાબિત કરે છે કે ગુણાંક એકદમ સાચો છે
- ડી) નોંધપાત્ર ગુણાંકની ક્યારેય જાણ કરવી જોઈએ નહીં.
સમજૂતી: આંકડાકીય મહત્વ પુરાવાની તાકાત સાથે સંબંધિત છે કે અસર શૂન્યથી અલગ છે; તેનો અર્થ એ નથી કે અસર મોટી, મહત્વપૂર્ણ અથવા કારણભૂત છે. AI ઘણીવાર 'નોંધપાત્ર' શબ્દને 'નોંધપાત્ર/મજબૂત અસર' તરીકે રજૂ કરે છે. સંશોધકે અસરનું કદ, આત્મવિશ્વાસ અંતરાલ અને સંદર્ભનું પણ મૂલ્યાંકન કરવું જોઈએ.
5. 'પી-હેકિંગ' શબ્દ શું સૂચવે છે અને AI શા માટે તેને સરળ બનાવી શકે છે?
- એ) જ્યાં સુધી તેનો અર્થ ન થાય ત્યાં સુધી બહુવિધ વિશ્લેષણ કરવાનો પ્રયાસ કરવો; AI આ ખૂબ જ ઝડપથી કરે છે, જોખમ વધારે છે ✔
- બી) એકવાર અને પૂર્વનિર્ધારિત યોજના સાથે ડેટાનું વિશ્લેષણ કરવું
- C) p-મૂલ્ય વધારવા માટે નમૂનાનું વિસ્તરણ
- ડી) માત્ર વર્ણનાત્મક આંકડાઓની જાણ કરવી
સમજૂતી: p-hacking અર્થપૂર્ણ પરિણામ ન આવે ત્યાં સુધી વિવિધ ચલો, પેટા નમૂનાઓ, રૂપાંતરણો અથવા મોડલ્સનો પ્રયાસ કરે છે; આ તકના આધારે બનાવટી તારણો ઉત્પન્ન કરે છે. AI સેકન્ડોમાં ડઝનેક મોડેલ વેરિઅન્ટ્સ અજમાવી શકે છે, તેથી તે પ્રામાણિક યોજના વિના પી-હેકિંગને ઝડપી બનાવી શકે છે. સંરક્ષણ; પૂર્વ નોંધણી, નિશ્ચિત વિશ્લેષણ યોજના અને બહુવિધ સરખામણી કરેક્શન.
6. શા માટે બે બિન-સ્થિર (યુનિટ રુટ) સમય શ્રેણી વચ્ચે ઉચ્ચ આર-સ્ક્વેર રીગ્રેસન શોધવું ભ્રામક હોઈ શકે?
- એ) સામાન્ય વલણને કારણે નકલી રીગ્રેસન થઈ શકે છે; ✔ વાસ્તવિક સંબંધ વિના ઉચ્ચ R-ચોરસ આઉટપુટ
- B) ઉચ્ચ R-ચોરસ હંમેશા મજબૂત કારણ સંબંધ સાબિત કરે છે.
- સી) બિન-સ્થિર શ્રેણીને રીગ્રેશનમાં બિલકુલ દાખલ કરી શકાતી નથી.
- ડી) સમય શ્રેણીમાં આર-સ્ક્વેરની ગણતરી કરી શકાતી નથી
સમજૂતી: જો બિન-સ્થિર શ્રેણી વચ્ચે કોઈ સામાન્ય સંકલન સંબંધ ન હોય, તો નકલી રીગ્રેસન માત્ર સામાન્ય વલણને કારણે ઉચ્ચ R- વર્ગ અને નોંધપાત્ર ગુણાંક પેદા કરી શકે છે; જ્યારે ત્યાં કોઈ વાસ્તવિક સંબંધ નથી. તેથી, સ્થિરતા અને એકમ રૂટ પરીક્ષણો પ્રથમ કરવા જોઈએ, અને જો જરૂરી હોય તો, તફાવતો લેવા જોઈએ અથવા એકીકરણનું પરીક્ષણ કરવું જોઈએ.
7. ડિફરન્સ-ઇન-ડિફરન્સ ડિઝાઇનની માન્યતા પર કઈ મૂળભૂત ધારણા આધારિત છે?
- A) સમાંતર વલણોની ધારણા: જો કોઈ હસ્તક્ષેપ ન હોત તો જૂથો એ જ દિશાને અનુસરશે ✔
- બી) સારવાર અને નિયંત્રણ જૂથો શરૂઆતમાં બરાબર સમાન છે
- સી) નમૂનાનું સામાન્ય વિતરણ
- ડી) ચલોમાં કોઈ ખૂટતો ડેટા નથી
સમજૂતી: ડીઆઈડી ધારે છે કે હસ્તક્ષેપની ગેરહાજરીમાં, સારવાર અને નિયંત્રણ જૂથો માટે પરિણામ ચલ સમયાંતરે સમાંતર (સમાંતર વલણોની ધારણા) કોર્સ કરશે. જો આ ધારણા પૂરી ન થાય, તો અંદાજ પક્ષપાતી છે. AI ડીઆઈડી કોડનું ઉત્પાદન કરી શકે છે, પરંતુ સમાંતર વલણોનો બચાવ અને પરીક્ષણ કરવાનું સંશોધકનું કામ છે.
8. પુનઃઉત્પાદનક્ષમ વિશ્લેષણ માટે નીચેનામાંથી કયો ફરજિયાત અભ્યાસ છે?
- A) રેન્ડમ સ્ટેપ્સમાં બીજને ઠીક કરવું, પેકેજ વર્ઝન અને કોડ રેકોર્ડ કરવું ✔
- B) સ્પ્રેડશીટમાં પરિણામોની જાતે નકલ કરો અને કોડ કાઢી નાખો
- C) દરેક રનમાં અલગ-અલગ પરિણામો જોવાનું સામાન્ય છે.
- ડી) માત્ર અંતિમ ગ્રાફિક્સ રાખો, ડેટા અને કોડ શેર કરશો નહીં
વર્ણન: પ્રજનનક્ષમતા; સમાન ડેટા અને કોડ સાથે સમાન પરિણામ ફરીથી મેળવી શકાય છે. સીડને રેન્ડમ સ્ટેપ્સમાં ફિક્સ કરવું, પેકેજ વર્ઝન સાચવવું અને ડોક્યુમેન્ટમાં કોડનો અમલ કરવો (સાક્ષર પ્રોગ્રામિંગ) આના પાયાના પથ્થરો છે. પરિણામોને મેન્યુઅલી કૉપિ કરવાથી અથવા ક્લિક-આધારિત, બિન-લોગિંગ પગલાં પુનઃઉત્પાદનક્ષમતાને નબળી પાડે છે.
9. હેટરોસ્કેડસ્ટીસીટી રેખીય રીગ્રેશનને શું વિકૃત કરે છે અને તેનો સામાન્ય ઉકેલ શું છે?
- એ) તે પ્રમાણભૂત ભૂલોને વિકૃત કરે છે; ઉકેલ એ મજબૂત પ્રમાણભૂત ભૂલો અથવા યોગ્ય પરિવર્તન છે ✔
- બી) તે ગુણાંકના અંદાજોને સંપૂર્ણપણે અમાન્ય કરે છે અને તેનો કોઈ ઉકેલ નથી
- C) હંમેશા R-squared ને શૂન્ય સુધી ઘટાડે છે
- ડી) માત્ર ત્યારે જ થાય છે જો નમૂના ખૂબ નાનો હોય અને તેને અવગણી શકાય
સમજૂતી: Heteroscedasticity ગુણાંક અંદાજોને પક્ષપાતી છોડી દે છે પરંતુ પ્રમાણભૂત ભૂલોની ખોટી ગણતરી કરે છે; આ પી-મૂલ્યો અને આત્મવિશ્વાસના અંતરાલોને અવિશ્વસનીય બનાવે છે. એક સામાન્ય ઉકેલ એ છે કે મજબૂત/HC માનક ભૂલો અથવા યોગ્ય રૂપાંતરણનો ઉપયોગ કરવો. તે ચકાસવું આવશ્યક છે કે AI દ્વારા સૂચવવામાં આવેલ ઉકેલ વાસ્તવમાં સમસ્યાને છુપાવવાને બદલે તેને ઠીક કરે છે.
10. એક સંશોધક સાર્વજનિક AI ચેટ ટૂલમાં દર્દી-સ્તરની ઓળખની માહિતી અને આવક ધરાવતો માઇક્રોડેટા અપલોડ કરે છે અને 'ડુ રીગ્રેશન' કહે છે. આ વર્તન સાથે મુખ્ય સમસ્યા શું છે?
- A) બાહ્ય સાધન પર વ્યક્તિગત/લાઈસન્સ પ્રાપ્ત ડેટા અપલોડ કરવો એ ગોપનીયતા અને કરારનો ભંગ છે ✔
- બી) આર્ટિફિશિયલ ઇન્ટેલિજન્સ દ્વારા રીગ્રેશન બિલકુલ કરી શકાતું નથી
- સી) માઇક્રો ડેટા રીગ્રેશન માટે બિલકુલ યોગ્ય નથી
- ડી) AI હંમેશા રીગ્રેશનની ખોટી ગણતરી કરે છે
સમજૂતી: વ્યક્તિગત/વિશેષ ડેટા જેમ કે ઓળખ અને આવક KVKK/GDPR અને મોટાભાગના ડેટા વપરાશ કરાર હેઠળ સુરક્ષિત છે; ડેટા સ્ટોર કરી શકે તેવા બાહ્ય ઉપકરણ પર તેમને અપલોડ કરવું એ ઉલ્લંઘન છે. સાચો રસ્તો; અનામી ડેટા, સ્થાનિક/સંસ્થાકીય સુરક્ષિત સાધનોનો ઉપયોગ કરીને, અથવા ફક્ત આર્ટિફિશિયલ ઇન્ટેલિજન્સમાંથી કોડની વિનંતી કરવી અને કોડને તેના પોતાના વાતાવરણમાં ચલાવવો.
11. જ્યારે બહુકોલીનેરીટી વધારે હોય ત્યારે શું જોવા મળે છે?
- એ) ગુણાંક અસ્થિર બને છે અને પ્રમાણભૂત ભૂલો ફૂલી જાય છે; વ્યક્તિગત ગુણાંક અર્થહીન હોઈ શકે છે ✔
- B) R-ચોરસ હંમેશા શૂન્ય સુધી ઘટે છે
- સી) ગુણાંક અંદાજો હંમેશા વધુ ચોક્કસ બને છે
- ડી) આશ્રિત ચલ ફેરફારોનો સ્કેલ
સમજૂતી: ઉચ્ચ મલ્ટિકોલિનિયરીટીમાં, સ્વતંત્ર ચલો એકબીજા સાથે મજબૂત રીતે સંકળાયેલા છે; ગુણાંકના અંદાજો અસ્થિર બને છે, પ્રમાણભૂત ભૂલો વધી જાય છે, અને વ્યક્તિગત ગુણાંક નજીવા હોઈ શકે છે, જ્યારે એકંદર મોડેલ નોંધપાત્ર હોઈ શકે છે. તેનું નિદાન VIF જેવા માપદંડો દ્વારા થાય છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ વેરિયેબલ નાબૂદીનું સૂચન કરી શકે છે, પરંતુ કયું ચલ સૈદ્ધાંતિક રહેવું જોઈએ તે સંશોધક પર નિર્ભર છે.
12. આંકડાકીય શક્તિ શું છે અને ઓછી શક્તિના અભ્યાસનું જોખમ શું છે?
- એ) હાલની અસર શોધવાની શક્યતા; ઓછી શક્તિ સાચી અસરો ચૂકી જાય છે અને તારણોને અવિશ્વસનીય બનાવે છે ✔
- બી) પી-મૂલ્ય ઘટાડવાની સંભાવના; ઓછી શક્તિ હંમેશા વધુ વિશ્વસનીય પરિણામો આપે છે
- C) નમૂનાના કદથી સ્વતંત્ર સ્થિર મૂલ્ય
- ડી) એક ખ્યાલ જે ફક્ત ત્યારે જ માન્ય છે જ્યારે કૃત્રિમ બુદ્ધિનો ઉપયોગ કરવામાં આવે
સમજૂતી: પાવર એ અસર શોધવાની સંભાવના છે જે વાસ્તવમાં અસ્તિત્વમાં છે (1 ઓછા પ્રકાર II ભૂલ). ઓછી શક્તિવાળા અભ્યાસ સાચી અસરો ચૂકી શકે છે; વધુમાં, થોડા નોંધપાત્ર પરિણામોમાં અતિશયોક્તિપૂર્ણ અસરનું કદ ('વિજેતાનો શાપ') હોઈ શકે છે અને ખોટા હકારાત્મક દર વધે છે. તેથી, વિશ્લેષણ પહેલાં પાવર/નમૂનાની ગણતરી મહત્વપૂર્ણ છે.
13. લેખમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સનો ઉપયોગ જાહેર કરવો નૈતિક રીતે શા માટે જરૂરી છે?
- એ) પારદર્શિતા અને જવાબદારી માટે; ✔ વાચકો અને રેફરી પ્રક્રિયાનું મૂલ્યાંકન કરી શકે છે અને જવાબદારી લેખકની રહે છે
- બી) કૃત્રિમ બુદ્ધિનો ઉપયોગ આપમેળે પરિણામોને અમાન્ય બનાવે છે
- સી) માત્ર જાહેરાત હેતુઓ માટે સામયિકો દ્વારા વિનંતી
- ડી) સમજૂતીના કોપીરાઇટને કૃત્રિમ બુદ્ધિમત્તામાં સ્થાનાંતરિત કરવું
જાહેરાત: પારદર્શિતા જરૂરી છે જેથી વાચક અને સમીક્ષકો પરિણામો કેવી રીતે ઉત્પન્ન થયા તેનું મૂલ્યાંકન કરી શકે; ઘણા સામયિકો અને સંસ્થાઓને હવે AI ઉપયોગની જાહેરાતની જરૂર છે. વધુમાં, આર્ટિફિશિયલ ઇન્ટેલિજન્સ ભૂલો/આભાસ પેદા કરી શકે છે, તેથી તે જણાવવું પ્રામાણિકતાની બાબત છે કે જવાબદારી લેખકની રહે છે અને કયા પગલાઓનું ઓડિટ કરવામાં આવ્યું હતું.
14. ઇન્સ્ટ્રુમેન્ટ વેરીએબલ (IV) પદ્ધતિમાં 'બાકાત પ્રતિબંધ' માટે શું જરૂરી છે?
- A) સાધન ફક્ત આંતરિક ચલ દ્વારા પરિણામને અસર કરે છે, અન્ય કોઈ સીધો માર્ગ નથી ✔
- બી) સાધનનો પરિણામ ચલ સાથે કોઈ સંબંધ નથી.
- C) ઇન્સ્ટ્રુમેન્ટ એન્ડોજેનસ ચલ સાથે અસંબંધિત છે.
- ડી) અર્થ હંમેશા દ્વિસંગી (0/1) ચલ છે
સમજૂતી: બાકાત મર્યાદા માટે જરૂરી છે કે સાધન માત્ર અંતર્જાત સ્પષ્ટીકરણ ચલ દ્વારા પરિણામ ચલને અસર કરે અને અન્ય કોઈ પ્રત્યક્ષ માધ્યમો અથવા અવલોકન ન કરાયેલ પરિબળો દ્વારા નહીં. આ ધારણાને ડેટામાંથી સંપૂર્ણ રીતે ચકાસી શકાતી નથી; સૈદ્ધાંતિક અને સંસ્થાકીય આધારો પર તેનો બચાવ કરવામાં આવે છે. AI IV કોડ લખી શકે છે, પરંતુ સાધનની માન્યતાનો બચાવ કરવાનું સંશોધકનું કામ છે.
15. પૂર્વ-નોંધણી વિના લવચીક વિશ્લેષણમાં 'ફોર્કિંગ પાથનો ગાર્ડન' સમસ્યાનો અર્થ શું થાય છે?
- A) ડેટાના આધારે ઘણી બધી વાજબી વિશ્લેષણ પસંદગીઓ ખોટા હકારાત્મક દરમાં વધારો કરે છે, અજાણતાં પણ ✔
- બી) વિશ્લેષણ પદ્ધતિઓ સિંગલ અને ફરજિયાત હોવી જોઈએ
- સી) એક સમસ્યા જે ત્યારે જ થાય છે જ્યારે ઈરાદાપૂર્વક છેતરપિંડી થાય છે.
- ડી) એક પરિસ્થિતિ કે જે સેમ્પલ વધે તેમ સ્વયંભૂ અદૃશ્ય થઈ જાય છે
સમજૂતી: ડેટા જોયા પછી, સંશોધક કયા ચલ, સબગ્રુપ, ટ્રાન્સફોર્મેશન અથવા થ્રેશોલ્ડનો ઉપયોગ કરવો તે વિશે ઘણી વાજબી પસંદગીઓ કરી શકે છે. જો ત્યાં કોઈ એક 'ઈરાદાપૂર્વકનું પી-હેકિંગ' ન હોય તો પણ, આ લવચીકતા ખોટા સકારાત્મક દરમાં વધારો કરે છે કારણ કે નોંધપાત્રને મોટી સંખ્યામાં વિશ્લેષણોમાંથી અસરકારક રીતે પસંદ કરવામાં આવે છે. પૂર્વ-નોંધણી અને નિશ્ચિત વિશ્લેષણ યોજના આ સુગમતાને મર્યાદિત કરે છે.