Nyereség:
- Képes az empirikus eredményekről a célközönségnek (akadémikus, szakpolitika, menedzsment) mesterséges intelligencia támogatásával, őszinte és egyértelmű nyelvezeten beszámolni
- Következtetések, korlátok és etikai kijelentések (adattitoktartás, összeférhetetlenség, mesterséges intelligencia használatának nyilvánosságra hozatala) teljes körű megírására és a félrevezető bemutatás elkerülésére.
- A mesterséges intelligencia azon képessége, hogy felismerje az eltúlzott, egyoldalú vagy ok-okozati nyelvezetet produkáló jelentéstervezeteket, és fenntartsa, hogy a végső szövegért és állításokért a kutatót terheli a felelősség.
Modul vizsga
1. Egy kutató felteszi a kérdést: "Mi a korrelációs együttható a munkanélküliség és az infláció között Türkiye-ben 2015 és 2020 között?" anélkül, hogy bármilyen adatot adna a mesterséges intelligenciának. – kérdezi, és közvetlenül a cikkébe írja a 0,62-es számot. Mi az alapvető hiba ebben a megközelítésben?
- A) Konkrét statisztikákat várni a mesterséges intelligenciától ellenőrzött adatok megadása nélkül; ✔ Olyan szám használata, amelyet ellenőrzés nélkül találtak ki
- B) A korrelációs együtthatót soha nem szabad egy cikkben használni.
- C) Nem számítható összefüggés a munkanélküliség és az infláció között
- D) A mesterséges intelligencia csak 2020 után férhet hozzá az adatokhoz
Magyarázat: Az AI nyelvi modell nem tud statisztikákat készíteni az adatkészlet elérése nélkül; Az általa megadott szám nagy valószínűséggel hallucináció (kitalált). Az együtthatókat, arányszámokat és teszteredményeket a kutató saját, ellenőrzött adataiból kell kiszámítani, nem a modell memóriájából.
2. Mit jelent az, hogy a hiányzó adatok „nem hiányzik véletlenszerűen” (MNAR), és miért fontos ez?
- A) A hiányosság maga a nem megfigyelt érték következménye; Ezért az egyszerű hozzárendelés torzítást eredményezhet ✔
- B) Az adatok teljesen véletlenszerűen tűnnek el, és nem hoznak létre torzítást.
- C) A hiányzó adatokat mindig a sor törlésével kell megoldani.
- D) A hiányzó adatok semmilyen módon nem befolyásolják az elemzést.
Magyarázat: Az MNAR (Missing Not At Random) esetében maga a hiányosság a nem megfigyelt érték nagyságától függ (pl. a magas keresetűek nem jelentik be a jövedelmüket). Ebben az esetben az egyszerű törlés vagy az átlagos hozzárendelés torz eredményt ad; A hiány mechanizmusát modellezni kell. A mesterséges intelligencia által javasolt hozzárendelési módszert nem szabad vakon alkalmazni e mechanizmus ismerete nélkül.
3. Egy elemző megkéri az AI-t, hogy készítsen oszlopdiagramot, és az AI az y-tengelyt nulla helyett 40-nél kezdi. A két csoport közötti tényleges 2%-os különbség óriásinak tűnik a grafikonon. Mi a helyes megközelítés?
- A) A tengely indítása a nulláról vagy a diagram típusának megváltoztatása; ✔ félrevezetés nélkül megmutatni a különbség valódi méretét
- B) A diagram használata úgy, ahogy van, mert a mesterséges intelligencia a legjobb választás
- C) A tengelyt 45-től kezdjük, hogy még nagyobb legyen a különbség
- D) Soha ne használjon látványelemeket oszlopdiagramok helyett
Magyarázat: Egy oszlopdiagramban a szaggatott tengely (az y tengely, amely nem nulláról indul) félrevezet azáltal, hogy eltúlozza az apró eltéréseket. Az őszinte megjelenítés során az oszlopdiagramok tengelye nulláról induljon, vagy a különbséget tudatosan világosan meg kell fogalmazni. Az elemző feladata a kép ellenőrzése és szükség esetén javítása.
4. Hogyan jelenik meg gyakran félre a mesterséges intelligencia értelmezésében az a tény, hogy egy együttható „szignifikáns” (p<0,05) a lineáris regresszióban?
- A) A szignifikancia eltúlzott bemutatása, mivel a hatás nagy és fontos, vagy az ok-okozati összefüggés megállapítható ✔
- B) A szignifikancia mindig azt jelzi, hogy a hatás kicsi
- C) p<0,05 bizonyítja, hogy az együttható abszolút helyes
- D) A szignifikáns együtthatókat soha nem szabad jelenteni.
Magyarázat: A statisztikai szignifikancia a bizonyítékok erősségére vonatkozik, hogy a hatás nullától eltérő; Ez nem jelenti azt, hogy a hatás nagy, fontos vagy okozati. A mesterséges intelligencia gyakran a „jelentős” szót „jelentős/erős hatásként” jeleníti meg. A kutatónak értékelnie kell a hatás méretét, a konfidencia intervallumot és a kontextust is.
5. Mire utal a „p-hacking” kifejezés, és miért könnyítheti meg a mesterséges intelligencia?
- A) Több elemzés kipróbálása, amíg nincs értelme; Az AI ezt nagyon gyorsan megteszi, növelve a kockázatot ✔
- B) Adatok egyszeri elemzése előre meghatározott terv szerint
- C) a minta kiterjesztése a p-érték növelésére
- D) Csak leíró statisztikai adatszolgáltatás
Magyarázat: a p-hacking különböző változókkal, részmintákkal, transzformációkkal vagy modellekkel próbálkozik, amíg értelmes eredmény nem születik; ez a véletlenen alapuló hamis megállapításokat eredményez. Mivel az AI több tucat modellváltozatot képes kipróbálni másodpercek alatt, becsületes terv nélkül felgyorsíthatja a p-hackelést. Védelem; előzetes regisztráció, rögzített elemzési terv és többszörös összehasonlítás korrekciója.
6. Miért lehet félrevezető egy magas R-négyzet regresszió megállapítása két nem stacionárius (egységgyök) idősor között?
- A) Hamis regresszió következhet be a közös trend miatt; ✔ Magas R-négyzet kimenet valódi kapcsolat nélkül
- B) A magas R-négyzet mindig erős ok-okozati összefüggést bizonyít.
- C) A nem stacionárius sorozatokat egyáltalán nem lehet regresszióba bevinni.
- D) Az R-négyzet nem számítható idősorban
Magyarázat: Ha nincs közös kointegrációs kapcsolat a nem stacionárius sorozatok között, a hamis regresszió csak a közös trend miatt eredményezhet magas R-négyzetet és szignifikáns együtthatót; holott nincs igazi kapcsolat. Ezért először stacionaritási és egységgyökvizsgálatot kell végezni, és ha szükséges, különbségeket kell venni, vagy kointegrációt kell vizsgálni.
7. Milyen alapfeltevés alapul a Különbség a különbségekben terv érvényességén?
- A) Párhuzamos trendek feltételezése: a csoportok ugyanazt az irányt követnék, ha nem lenne beavatkozás ✔
- B) A kezelési és kontrollcsoportok kezdetben teljesen megegyeznek
- C) A minta normál eloszlása
- D) A változók nem tartalmaznak hiányzó adatokat
Magyarázat: A DiD azt feltételezi, hogy a beavatkozás hiányában a kezelési és a kontrollcsoport kimeneti változója párhuzamosan alakult volna az idő múlásával (párhuzamos trendek feltételezése). Ha ez a feltételezés nem teljesül, a becslés torz. A mesterséges intelligencia képes előállítani a DiD kódot, de a kutató feladata a párhuzamos trendek védelme és tesztelése.
8. Az alábbiak közül melyik kötelező gyakorlat a reprodukálható elemzéshez?
- A) A vetőmag rögzítése véletlenszerű lépésekben, a csomag verziók és a kód rögzítése ✔
- B) Manuálisan másolja át az eredményeket a táblázatba, és törölje a kódot
- C) Normális, ha az egyes futások során különböző eredményeket látunk.
- D) Csak a végső grafika megtartása, az adatok és a kód megosztása nem
Leírás: Reprodukálhatóság; Ugyanaz az eredmény ugyanazzal az adattal és kóddal újra elérhető. Ennek sarokkövei a seed véletlenszerű lépésekben történő rögzítése, a csomagverziók mentése és a kód végrehajtása a dokumentumon belül (literate programozás). Az eredmények kézi vagy kattintáson alapuló, nem naplózási lépések másolása rontja a reprodukálhatóságot.
9. Mit torzít a heteroszkedaszticitás a lineáris regresszióban, és mi a közös megoldása?
- A) Eltorzítja a standard hibákat; megoldás robusztus standard hibák vagy megfelelő transzformáció ✔
- B) Teljesen érvényteleníti az együtthatóbecsléseket, és nincs megoldása
- C) Mindig nullára csökkenti az R-négyzetet
- D) Csak akkor fordul elő, ha a minta nagyon kicsi, és figyelmen kívül hagyható
Magyarázat: A heteroszedaszticitás torzítatlanná teszi az együtthatóbecsléseket, de rosszul számítja ki a standard hibákat; Ez megbízhatatlanná teszi a p-értékeket és a konfidenciaintervallumokat. Gyakori megoldás a robusztus/HC standard hibák vagy a megfelelő átalakítás alkalmazása. Meg kell győződni arról, hogy az AI által javasolt megoldás valóban megoldja a problémát, nem pedig elrejti.
10. Egy kutató feltölti a betegszintű azonosítási információkat és bevételeket tartalmazó mikroadatokat egy nyilvános mesterséges intelligencia csevegőeszközbe, és azt mondja, hogy „regressziót végezzen”. Mi a fő probléma ezzel a viselkedéssel?
- A) A személyes/engedélyezett adatok külső eszközre való feltöltése a titoktartási és szerződéssértést jelenti ✔
- B) A regressziót mesterséges intelligencia egyáltalán nem tudja végrehajtani
- C) A mikroadatok egyáltalán nem alkalmasak regresszióra
- D) Az AI mindig rosszul számítja ki a regressziót
Magyarázat: Az olyan személyes/speciális adatok, mint a személyazonosság és a jövedelem a KVKK/GDPR és a legtöbb adathasználati megállapodás értelmében védettek; Feltöltésük olyan külső eszközre, amely képes adatokat tárolni, szabálysértés. A helyes út; Adatok anonimizálása, helyi/intézményi biztonságos eszközök használata, vagy egyszerűen kód kérése a mesterséges intelligenciától és a kód futtatása a saját környezetében.
11. Mi figyelhető meg, ha nagy a multikollinearitás?
- A) Az együtthatók instabillá válnak, és a standard hibák felfújódnak; Előfordulhat, hogy az egyéni együtthatók értelmetlenek ✔
- B) Az R-négyzet mindig nullára csökken
- C) Az együtthatóbecslések folyamatosan pontosabbak
- D) A függő változó léptéke megváltozik
Magyarázat: Nagy multikollinearitás esetén a független változók erősen korrelálnak egymással; Az együtthatóbecslések instabillá válnak, a standard hibák megnövekednek, és az egyes együtthatók jelentéktelenek, míg a teljes modell szignifikáns lehet. Olyan kritériumok alapján diagnosztizálják, mint a VIF. A mesterséges intelligencia javasolhatja a változók megszüntetését, de a kutatónak kell eldöntenie, hogy melyik változó maradjon elméleti.
12. Mi a statisztikai teljesítmény és mi a kockázata egy kis teljesítményű vizsgálatnak?
- A) A meglévő hatás észlelésének lehetősége; Az alacsony teljesítmény hiányzik a valódi hatásokról, és megbízhatatlanná teszi a megállapításokat ✔
- B) a p-érték csökkentésének valószínűsége; a kisebb teljesítmény mindig megbízhatóbb eredményt ad
- C) A minta méretétől független állandó érték
- D) Olyan fogalom, amely csak mesterséges intelligencia használata esetén érvényes
Magyarázat: A teljesítmény egy ténylegesen létező hatás észlelésének valószínűsége (1 mínusz II. típusú hiba). Az alacsony teljesítményű vizsgálatokból hiányozhatnak a valódi hatások; Ezenkívül a néhány jelentős eredmény túlzott hatásméretet hordozhat ("győztes átka"), és a téves pozitív arány nő. Ezért az elemzés előtt fontos a teljesítmény/minta számítás.
13. Miért szükséges etikailag egy cikkben nyilvánosságra hozni a mesterséges intelligencia használatát?
- A) Az átláthatóság és az elszámoltathatóság érdekében; ✔ Az olvasók és a referensek értékelhetik a folyamatot, és a felelősség a szerzőt terheli
- B) A mesterséges intelligencia használata automatikusan érvényteleníti az eredményeket
- C) Magazinok csak hirdetési célból kérik
- D) A magyarázat szerzői jogának átruházása a mesterséges intelligenciára
Közzététel: Átláthatóságra van szükség ahhoz, hogy az olvasó és a bírálók értékelni tudják az eredmények előállítását; Sok folyóirat és intézmény ma már megköveteli az AI használatának közzétételét. Ezen túlmenően, mivel a mesterséges intelligencia hibákat/hallucinációkat okozhat, becsületesen kijelenthetjük, hogy a felelősség a szerzőt terheli, és hogy mely lépéseket ellenőrizték.
14. Mit követel meg a „kizárási korlátozás” a műszerváltozó (IV) módszerben?
- A) Az eszköz csak a belső változón keresztül hat az eredményre, nincs más közvetlen út ✔
- B) Az eszköznek nincs kapcsolata az eredményváltozóval.
- C) Az eszköz nem kapcsolódik az endogén változóhoz.
- D) Az átlag mindig bináris (0/1) változó
Magyarázat: A kizárási megszorítás megköveteli, hogy az eszköz csak az endogén magyarázó változón keresztül befolyásolja az eredményváltozót, semmi más közvetlen eszközzel vagy nem megfigyelt tényezővel. Ez a feltételezés nem tesztelhető teljes mértékben adatokból; Elméleti és intézményi alapon védik. Az AI megírhatja az IV kódot, de a kutató feladata, hogy megvédje az eszköz érvényességét.
15. Mit jelent az „elágazó utak kertje” probléma az előzetes regisztráció nélküli rugalmas elemzésekben?
- A) Az adatok alapján túl sok ésszerű elemzési választás növeli a téves pozitív arányt, még ha akaratlanul is ✔
- B) Az elemzési módszereknek egyedinek és kötelezőnek kell lenniük
- C) Olyan probléma, amely csak szándékos csalás esetén fordul elő.
- D) Olyan helyzet, amely a minta növekedésével spontán eltűnik
Magyarázat: Az adatok megtekintése után a kutató számos ésszerű döntést hozhat arról, hogy melyik változót, alcsoportot, transzformációt vagy küszöböt használja. Még ha nincs is egyetlen „szándékos p-hackelés”, ez a rugalmasság növeli a hamis pozitív arányt, mivel a szignifikánsat hatékonyan választják ki számos elemzés közül. Az előzetes regisztráció és a rögzített elemzési terv korlátozza ezt a rugalmasságot.