लाभ:
- एक ईमानदार और स्पष्ट भाषा में, कृत्रिम बुद्धिमत्ता के समर्थन से लक्षित दर्शकों (अकादमिक, नीति, प्रबंधन) को अनुभवजन्य निष्कर्षों की रिपोर्ट करने की क्षमता
- निष्कर्षों, सीमाओं और नैतिक बयानों (डेटा गोपनीयता, हितों का टकराव, कृत्रिम बुद्धिमत्ता के उपयोग का खुलासा) को पूरी तरह से लिखने और भ्रामक प्रस्तुति से बचने की क्षमता
- अतिशयोक्तिपूर्ण, एकतरफा या कारणात्मक भाषा उत्पन्न करने वाली रिपोर्ट के मसौदे को पहचानने की कृत्रिम बुद्धिमत्ता की क्षमता और यह बनाए रखना कि अंतिम पाठ और दावों की जिम्मेदारी शोधकर्ता की है।
मॉड्यूल परीक्षा
1. एक शोधकर्ता पूछता है '2015 और 2020 के बीच तुर्किये में बेरोजगारी और मुद्रास्फीति के बीच सहसंबंध गुणांक क्या है?' कृत्रिम बुद्धिमत्ता को कोई डेटा दिए बिना। वह सीधे अपने लेख में संख्या 0.62 पूछता है और लिखता है। इस दृष्टिकोण में मूलभूत गलती क्या है?
- ए) सत्यापित डेटा दिए बिना कृत्रिम बुद्धिमत्ता से ठोस आंकड़ों की अपेक्षा करना; ✔ किसी ऐसे नंबर का उपयोग करना जो संभवतः बिना सत्यापित किए बनाया गया हो
- बी) सहसंबंध गुणांक का उपयोग कभी भी किसी लेख में नहीं किया जाना चाहिए।
- C) बेरोजगारी और मुद्रास्फीति के बीच सहसंबंध की गणना नहीं की जा सकती
- D) आर्टिफिशियल इंटेलिजेंस केवल 2020 के बाद ही डेटा तक पहुंच सकता है
स्पष्टीकरण: एआई भाषा मॉडल डेटासेट तक पहुंच के बिना आंकड़े तैयार नहीं कर सकता है; वह जो नंबर देता है वह संभवतः मतिभ्रम (मनगढ़ंत) है। गुणांक, अनुपात और परीक्षण परिणामों की गणना शोधकर्ता के स्वयं सत्यापित डेटा से की जानी चाहिए, न कि मॉडल की मेमोरी से ली गई।
2. गायब डेटा का 'यादृच्छिक रूप से गायब न होना' (MNAR) का क्या मतलब है और यह महत्वपूर्ण क्यों है?
- ए) कमी न देखे गए मूल्य के कारण ही है; इसीलिए साधारण असाइनमेंट पूर्वाग्रह पैदा कर सकता है ✔
- बी) डेटा पूरी तरह से यादृच्छिक रूप से गायब हो जाता है और कोई पूर्वाग्रह पैदा नहीं करता है।
- सी) गुम डेटा को हमेशा पंक्ति को हटाकर हल किया जाना चाहिए।
- डी) गुम डेटा किसी भी तरह से विश्लेषण को प्रभावित नहीं करता है।
स्पष्टीकरण: एमएनएआर (मिसिंग नॉट एट रैंडम) के मामले में, गायब होना स्वयं न देखे गए मूल्य के परिमाण पर निर्भर करता है (उदाहरण के लिए उच्च आय वाले अपनी आय की रिपोर्ट नहीं करते हैं)। इस मामले में, साधारण विलोपन या औसत असाइनमेंट पक्षपातपूर्ण परिणाम देता है; कमी के तंत्र को मॉडल किया जाना चाहिए। कृत्रिम बुद्धिमत्ता द्वारा सुझाई गई असाइनमेंट विधि को इस तंत्र को जाने बिना आँख बंद करके लागू नहीं किया जाना चाहिए।
3. एक विश्लेषक ने AI से एक बार चार्ट बनवाया है, और AI शून्य के बजाय 40 पर y-अक्ष शुरू करता है। दोनों समूहों के बीच 2% का वास्तविक अंतर ग्राफ़ पर बहुत बड़ा दिखता है। सही दृष्टिकोण क्या है?
- ए) अक्ष को खरोंच से शुरू करना या चार्ट प्रकार बदलना; ✔बिना गुमराह किए अंतर का सही आकार दिखाना
- बी) चार्ट का उपयोग वैसे ही करना क्योंकि एआई सबसे अच्छा विकल्प बनाता है
- सी) अंतर को और भी बड़ा करने के लिए अक्ष को 45 से शुरू करना
- डी) बार चार्ट के स्थान पर कभी भी विज़ुअल का उपयोग न करें
स्पष्टीकरण: एक बार चार्ट में, धराशायी अक्ष (y-अक्ष जो शून्य से शुरू नहीं होता है) छोटे अंतरों को बढ़ा-चढ़ाकर बताकर गुमराह करता है। ईमानदार विज़ुअलाइज़ेशन में, बार चार्ट की धुरी शून्य से शुरू होनी चाहिए या अंतर को सचेत रूप से स्पष्ट रूप से बताया जाना चाहिए। यह विश्लेषक की जिम्मेदारी है कि वह छवि को सत्यापित करे और यदि आवश्यक हो तो उसे सही करे।
4. यह तथ्य कि रैखिक प्रतिगमन में एक गुणांक 'महत्वपूर्ण' (p<0.05) है, कृत्रिम बुद्धिमत्ता की व्याख्या में अक्सर गलत तरीके से कैसे प्रस्तुत किया जाता है?
- ए) महत्व की अतिरंजित प्रस्तुति क्योंकि प्रभाव बड़ा और महत्वपूर्ण है या कार्य-कारण स्थापित किया गया है ✔
- बी) महत्व हमेशा इंगित करता है कि प्रभाव छोटा है
- सी) पी<0.05 साबित करता है कि गुणांक बिल्कुल सही है
- डी) महत्वपूर्ण गुणांकों की कभी भी सूचना नहीं दी जानी चाहिए।
स्पष्टीकरण: सांख्यिकीय महत्व साक्ष्य की ताकत से संबंधित है कि प्रभाव शून्य से भिन्न है; इसका मतलब यह नहीं है कि प्रभाव बड़ा, महत्वपूर्ण या कारणात्मक है। एआई अक्सर 'महत्वपूर्ण' शब्द को 'महत्वपूर्ण/मजबूत प्रभाव' के रूप में प्रस्तुत करता है। शोधकर्ता को प्रभाव के आकार, आत्मविश्वास अंतराल और संदर्भ का भी मूल्यांकन करना चाहिए।
5. 'पी-हैकिंग' शब्द का तात्पर्य क्या है और एआई इसे आसान क्यों बना सकता है?
- ए) जब तक बात समझ में न आ जाए तब तक अनेक विश्लेषणों का प्रयास करना; एआई यह काम बहुत तेजी से करता है, जिससे जोखिम बढ़ जाता है ✔
- बी) डेटा का एक बार और पूर्व निर्धारित योजना के साथ विश्लेषण करना
- सी) पी-वैल्यू बढ़ाने के लिए नमूने का विस्तार करना
- डी) केवल वर्णनात्मक आंकड़ों की रिपोर्टिंग
स्पष्टीकरण: पी-हैकिंग एक सार्थक परिणाम सामने आने तक विभिन्न चर, उप-नमूने, परिवर्तन या मॉडल की कोशिश कर रही है; यह संयोग के आधार पर नकली निष्कर्ष उत्पन्न करता है। चूँकि AI सेकंडों में दर्जनों मॉडल वेरिएंट आज़मा सकता है, यह बिना किसी ईमानदार योजना के पी-हैकिंग को तेज़ कर सकता है। रक्षा; पूर्व पंजीकरण, निश्चित विश्लेषण योजना और एकाधिक तुलना सुधार।
6. दो गैर-स्थिर (इकाई रूट) समय श्रृंखला के बीच उच्च आर-वर्ग प्रतिगमन का पता लगाना भ्रामक क्यों हो सकता है?
- ए) सामान्य प्रवृत्ति के कारण नकली प्रतिगमन हो सकता है; ✔ वास्तविक संबंध के बिना उच्च आर-वर्ग आउटपुट
- बी) एक उच्च आर-वर्ग हमेशा एक मजबूत कारण संबंध साबित करता है।
- सी) गैर-स्थिर श्रृंखला को प्रतिगमन में बिल्कुल भी दर्ज नहीं किया जा सकता है।
- डी) आर-वर्ग की गणना समय श्रृंखला में नहीं की जा सकती
स्पष्टीकरण: यदि गैर-स्थिर श्रृंखला के बीच कोई सामान्य सह-एकीकरण संबंध नहीं है, तो नकली प्रतिगमन केवल सामान्य प्रवृत्ति के कारण उच्च आर-वर्ग और महत्वपूर्ण गुणांक उत्पन्न कर सकता है; जबकि कोई वास्तविक रिश्ता नहीं है. अत: सबसे पहले स्थिरता एवं इकाई मूल परीक्षण करना चाहिए और यदि आवश्यक हो तो अंतर लेना चाहिए या सहएकीकरण का परीक्षण करना चाहिए।
7. डिफरेंस-इन-डिफरेंस डिज़ाइन की वैधता पर कौन सी मूल धारणा आधारित है?
- ए) समानांतर रुझान धारणा: यदि कोई हस्तक्षेप नहीं होता तो समूह उसी दिशा का अनुसरण करेंगे ✔
- बी) उपचार और नियंत्रण समूह शुरुआत में बिल्कुल समान होते हैं
- सी) नमूने का सामान्य वितरण
- डी) वेरिएबल्स में कोई गायब डेटा नहीं है
स्पष्टीकरण: डीआईडी मानता है कि हस्तक्षेप की अनुपस्थिति में, उपचार और नियंत्रण समूहों के लिए परिणाम चर समय के साथ समानांतर (समानांतर रुझान धारणा) में बदल गए होंगे। यदि यह धारणा पूरी नहीं होती है, तो अनुमान पक्षपातपूर्ण है। एआई DiD कोड का उत्पादन कर सकता है, लेकिन समानांतर रुझानों का बचाव और परीक्षण करना शोधकर्ता का काम है।
8. प्रतिलिपि प्रस्तुत करने योग्य विश्लेषण के लिए निम्नलिखित में से कौन सा एक अनिवार्य अभ्यास है?
- ए) बीज को यादृच्छिक चरणों में ठीक करना, पैकेज संस्करण और कोड रिकॉर्ड करना ✔
- बी) परिणामों को मैन्युअल रूप से स्प्रेडशीट में कॉपी करें और कोड हटा दें
- सी) प्रत्येक रन में अलग-अलग परिणाम देखना सामान्य है।
- डी) केवल अंतिम ग्राफिक्स रखना, डेटा और कोड साझा नहीं करना
विवरण: प्रतिलिपि प्रस्तुत करने योग्यता; उसी परिणाम को उसी डेटा और कोड के साथ दोबारा प्राप्त किया जा सकता है। बीज को यादृच्छिक चरणों में ठीक करना, पैकेज संस्करणों को सहेजना, और दस्तावेज़ के भीतर कोड को निष्पादित करना (साक्षर प्रोग्रामिंग) इसकी आधारशिला हैं। परिणामों को मैन्युअल रूप से या क्लिक-आधारित, गैर-लॉगिंग चरणों की प्रतिलिपि बनाने से पुनरुत्पादन क्षमता ख़राब हो जाती है।
9. विषमलैंगिकता एक रेखीय प्रतिगमन को क्या विकृत करती है और इसका सामान्य समाधान क्या है?
- ए) यह मानक त्रुटियों को विकृत करता है; समाधान मजबूत मानक त्रुटियाँ या उचित परिवर्तन है ✔
- बी) यह गुणांक अनुमानों को पूरी तरह से अमान्य कर देता है और इसका कोई समाधान नहीं है
- सी) हमेशा आर-स्क्वायर को शून्य तक कम कर देता है
- डी) केवल तभी होता है जब नमूना बहुत छोटा होता है और उसे नजरअंदाज किया जा सकता है
स्पष्टीकरण: विषमलैंगिकता गुणांक अनुमानों को निष्पक्ष छोड़ देती है लेकिन मानक त्रुटियों की गलत गणना करती है; यह पी-वैल्यू और कॉन्फिडेंस अंतराल को अविश्वसनीय बनाता है। एक सामान्य समाधान मजबूत/एचसी मानक त्रुटियों या उचित रूपांतरण का उपयोग करना है। यह सत्यापित किया जाना चाहिए कि एआई द्वारा सुझाया गया समाधान वास्तव में समस्या को छिपाने के बजाय उसे ठीक करता है।
10. एक शोधकर्ता सार्वजनिक एआई चैट टूल में रोगी-स्तर की पहचान जानकारी और आय वाला माइक्रोडेटा अपलोड करता है और कहता है 'डू रिग्रेशन'। इस व्यवहार में मुख्य समस्या क्या है?
- ए) किसी बाहरी टूल पर व्यक्तिगत/लाइसेंस प्राप्त डेटा अपलोड करना गोपनीयता और अनुबंध का उल्लंघन है ✔
- बी) प्रतिगमन कृत्रिम बुद्धिमत्ता द्वारा बिल्कुल भी नहीं किया जा सकता है
- सी) माइक्रो डेटा प्रतिगमन के लिए बिल्कुल भी उपयुक्त नहीं है
- डी) एआई हमेशा प्रतिगमन की गलत गणना करता है
स्पष्टीकरण: पहचान और आय जैसे व्यक्तिगत/विशेष डेटा केवीकेके/जीडीपीआर और अधिकांश डेटा उपयोग समझौतों के तहत संरक्षित हैं; उन्हें किसी बाहरी डिवाइस पर अपलोड करना जो डेटा संग्रहीत कर सकता है, उल्लंघन है। सही तरीका; डेटा को अज्ञात बनाना, स्थानीय/संस्थागत सुरक्षित उपकरणों का उपयोग करना, या बस कृत्रिम बुद्धिमत्ता से कोड का अनुरोध करना और कोड को अपने वातावरण में चलाना।
11. बहुसंरेखता अधिक होने पर क्या देखा जाता है?
- ए) गुणांक अस्थिर हो जाते हैं और मानक त्रुटियाँ बढ़ जाती हैं; व्यक्तिगत गुणांक निरर्थक हो सकते हैं ✔
- बी) आर-वर्ग हमेशा शून्य तक घटता है
- सी) गुणांक अनुमान हर समय अधिक सटीक हो जाते हैं
- डी) आश्रित चर का पैमाना बदल जाता है
स्पष्टीकरण: उच्च बहुसंरेखता में, स्वतंत्र चर एक दूसरे के साथ दृढ़ता से सहसंबद्ध होते हैं; गुणांक अनुमान अस्थिर हो जाते हैं, मानक त्रुटियाँ बढ़ जाती हैं, और व्यक्तिगत गुणांक महत्वहीन हो सकते हैं, जबकि समग्र मॉडल महत्वपूर्ण हो सकता है। इसका निदान वीआईएफ जैसे मानदंडों द्वारा किया जाता है। कृत्रिम बुद्धिमत्ता परिवर्तनशील उन्मूलन का सुझाव दे सकती है, लेकिन यह शोधकर्ता पर निर्भर है कि वह कौन सा चर सैद्धांतिक बना रहना चाहिए।
12. सांख्यिकीय शक्ति क्या है और कम-शक्ति अध्ययन का जोखिम क्या है?
- ए) मौजूदा प्रभाव का पता लगाने की संभावना; कम शक्ति वास्तविक प्रभावों से चूक जाती है और निष्कर्षों को अविश्वसनीय बना देती है ✔
- बी) पी-मान को कम करने की संभावना; कम शक्ति हमेशा अधिक विश्वसनीय परिणाम देती है
- सी) नमूना आकार से स्वतंत्र एक स्थिर मूल्य
- डी) एक अवधारणा जो केवल तभी मान्य होती है जब कृत्रिम बुद्धिमत्ता का उपयोग किया जाता है
स्पष्टीकरण: शक्ति उस प्रभाव का पता लगाने की संभावना है जो वास्तव में मौजूद है (1 शून्य प्रकार II त्रुटि)। कम शक्ति वाले अध्ययनों से वास्तविक प्रभाव चूक सकते हैं; इसके अतिरिक्त, कुछ महत्वपूर्ण परिणाम अतिरंजित प्रभाव आकार ('विजेता का अभिशाप') ले सकते हैं और झूठी सकारात्मक दर बढ़ जाती है। इसलिए, विश्लेषण से पहले शक्ति/नमूना गणना महत्वपूर्ण है।
13. किसी लेख में कृत्रिम बुद्धिमत्ता के उपयोग का खुलासा करना नैतिक रूप से क्यों आवश्यक है?
- ए) पारदर्शिता और जवाबदेही के लिए; ✔ पाठक और रेफरी प्रक्रिया का मूल्यांकन कर सकते हैं और जिम्मेदारी लेखक की रहेगी
- बी) कृत्रिम बुद्धिमत्ता का उपयोग स्वचालित रूप से परिणामों को अमान्य कर देता है
- सी) केवल विज्ञापन प्रयोजनों के लिए पत्रिकाओं द्वारा अनुरोध किया गया
- डी) स्पष्टीकरण के कॉपीराइट को कृत्रिम बुद्धिमत्ता में स्थानांतरित करना
प्रकटीकरण: पारदर्शिता आवश्यक है ताकि पाठक और समीक्षक मूल्यांकन कर सकें कि परिणाम कैसे उत्पन्न हुए; कई पत्रिकाओं और संस्थानों को अब एआई के उपयोग का खुलासा करने की आवश्यकता है। इसके अतिरिक्त, चूँकि कृत्रिम बुद्धिमत्ता त्रुटियाँ/मतिभ्रम उत्पन्न कर सकती है, इसलिए यह बताना ईमानदारी की बात है कि जिम्मेदारी लेखक की है और किन कदमों का ऑडिट किया गया था।
14. इंस्ट्रूमेंट वेरिएबल (IV) विधि में 'बहिष्करण प्रतिबंध' के लिए क्या आवश्यक है?
- ए) उपकरण केवल आंतरिक चर के माध्यम से परिणाम को प्रभावित करता है, कोई अन्य प्रत्यक्ष तरीका नहीं है ✔
- बी) उपकरण का परिणाम चर के साथ कोई संबंध नहीं है।
- सी) उपकरण अंतर्जात चर से असंबंधित है।
- डी) मीन्स हमेशा एक बाइनरी (0/1) वेरिएबल होता है
स्पष्टीकरण: बहिष्करण बाधा के लिए आवश्यक है कि उपकरण केवल अंतर्जात व्याख्यात्मक चर के माध्यम से परिणाम चर को प्रभावित करता है, न कि किसी अन्य प्रत्यक्ष साधन या अप्राप्य कारकों के माध्यम से। इस धारणा का डेटा से पूरी तरह परीक्षण नहीं किया जा सकता है; इसका सैद्धांतिक और संस्थागत आधार पर बचाव किया जाता है। एआई IV कोड लिख सकता है, लेकिन टूल की वैधता का बचाव करना शोधकर्ता का काम है।
15. पूर्व-पंजीकरण के बिना लचीले विश्लेषण में 'गार्डन ऑफ फोर्किंग पाथ्स' समस्या का क्या मतलब है?
- ए) डेटा के आधार पर किए गए बहुत सारे उचित विश्लेषण विकल्प गलत सकारात्मक दर को बढ़ाते हैं, यहां तक कि अनजाने में भी ✔
- बी) विश्लेषण विधियां एकल और अनिवार्य होनी चाहिए
- सी) एक समस्या जो केवल तब उत्पन्न होती है जब जानबूझकर धोखाधड़ी की जाती है।
- डी) ऐसी स्थिति जो नमूना बढ़ने पर स्वतः ही गायब हो जाती है
स्पष्टीकरण: डेटा को देखने के बाद, शोधकर्ता कई उचित विकल्प चुन सकता है कि किस चर, उपसमूह, परिवर्तन या सीमा का उपयोग करना है। भले ही कोई एकल 'जानबूझकर पी-हैकिंग' न हो, यह लचीलापन झूठी सकारात्मक दर को बढ़ाता है क्योंकि महत्वपूर्ण को बड़ी संख्या में विश्लेषणों से प्रभावी ढंग से चुना जाता है। पूर्व-पंजीकरण और एक निश्चित विश्लेषण योजना इस लचीलेपन को सीमित करती है।