ಘಟಕಗಳು
1. ಸಮಾಜಶಾಸ್ತ್ರದಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಪರಿಚಯ: ಪಾತ್ರಗಳು, ಗಡಿಗಳು, ಮೌಲ್ಯೀಕರಣ, ನೀತಿಶಾಸ್ತ್ರ ಮತ್ತು ದೃಢೀಕರಣ 2. ಸಂಶೋಧನಾ ಪ್ರಶ್ನೆ, ಸಾಹಿತ್ಯ ವಿಮರ್ಶೆ ಮತ್ತು ಪರಿಕಲ್ಪನಾ ಚೌಕಟ್ಟು 3. ಮಾದರಿ, ಪ್ರಾತಿನಿಧ್ಯ ಮತ್ತು ಪಕ್ಷಪಾತ 4. ಸಮೀಕ್ಷೆ ವಿನ್ಯಾಸ ಮತ್ತು ಪರಿಮಾಣಾತ್ಮಕ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ 5. ಗುಣಾತ್ಮಕ ಸಂದರ್ಶನ: ಪ್ರತಿಲೇಖನ, ಕೋಡಿಂಗ್ ಮತ್ತು ಥೀಮ್ ವಿಶ್ಲೇಷಣೆ 6. ಮಿಶ್ರ ವಿಧಾನಗಳು ಮತ್ತು ಡೇಟಾ ತ್ರಿಕೋನೀಕರಣ 7. ಡೇಟಾ ದೃಶ್ಯೀಕರಣ ಮತ್ತು ಸಂಶೋಧನೆಗಳ ಪ್ರಸ್ತುತಿ 8. ಸಂಶೋಧನಾ ನೀತಿಶಾಸ್ತ್ರ, ಗೌಪ್ಯತೆ ಮತ್ತು ಅನಾಮಧೇಯತೆ 9. ಪುನರುತ್ಪಾದನೆ ಮತ್ತು ಪಾರದರ್ಶಕ ಸಂಶೋಧನೆ 10. ವರದಿ ಮತ್ತು ಲೇಖನ ಬರವಣಿಗೆ; ಮೂಲ ಪರಿಶೀಲನೆ ಮತ್ತು ಭ್ರಮೆ 11. ಎಂಡ್-ಟು-ಎಂಡ್ ವರ್ಕ್‌ಫ್ಲೋ, ಆಡಳಿತ ಮತ್ತು ಜವಾಬ್ದಾರಿಯುತ ಬಳಕೆ
ಘಟಕ 9 / 11

ಪುನರುತ್ಪಾದನೆ ಮತ್ತು ಪಾರದರ್ಶಕ ಸಂಶೋಧನೆ

ಲಾಭಗಳು:

  • ಕ್ರಮಶಾಸ್ತ್ರೀಯ ನಿರ್ಧಾರಗಳು, ಪ್ರಾಂಪ್ಟ್‌ಗಳು ಮತ್ತು ಮಾದರಿ ಮಾಹಿತಿಯನ್ನು ದಾಖಲಿಸುವ ಮೂಲಕ ಸಂಶೋಧನೆಯನ್ನು ಪತ್ತೆಹಚ್ಚುವ ಸಾಮರ್ಥ್ಯ
  • ಸಂಸ್ಕರಿಸಿದ ಡೇಟಾದಿಂದ ಕಚ್ಚಾ ಡೇಟಾವನ್ನು ಬೇರ್ಪಡಿಸುವ ಮತ್ತು ಎಲ್ಲಾ ಪರಿವರ್ತನೆ ಹಂತಗಳನ್ನು ದಾಖಲಿಸುವ ಸಾಮರ್ಥ್ಯ
  • ವಿಧಾನ ವಿಭಾಗದಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಪಾತ್ರವನ್ನು ಪಾರದರ್ಶಕವಾಗಿ ಘೋಷಿಸಲು ಮತ್ತು 'ಇದು ಪುನರುತ್ಪಾದಿಸಬಹುದೇ' ಪರೀಕ್ಷೆಯನ್ನು ಅನ್ವಯಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ

ವಿಜ್ಞಾನದ ಅತ್ಯಂತ ಮೂಲಭೂತ ಲಕ್ಷಣವೆಂದರೆ ಸಂಶೋಧನೆಯು ಒಬ್ಬ ವ್ಯಕ್ತಿಯ ಮಾತನ್ನು ಆಧರಿಸಿಲ್ಲ, ಆದರೆ ಇತರರಿಂದ ಪರಿಶೀಲಿಸಬಹುದಾದ ಪ್ರಕ್ರಿಯೆಯ ಮೇಲೆ ಆಧಾರಿತವಾಗಿದೆ. ಪುನರುತ್ಪಾದನೆಯು ಮತ್ತೊಂದು ಸಂಶೋಧಕನ ಸಾಮರ್ಥ್ಯವಾಗಿದೆ, ಅಧ್ಯಯನದ ಡೇಟಾ ಮತ್ತು ವಿಧಾನವನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ, ಅದೇ ಹಂತಗಳನ್ನು ಅನುಸರಿಸುವ ಮೂಲಕ ಅದೇ ಫಲಿತಾಂಶವನ್ನು ತಲುಪುತ್ತದೆ. ಇದೇ ರೀತಿಯ ಪರಿಕಲ್ಪನೆಯು ಪಾರದರ್ಶಕತೆಯಾಗಿದೆ: ಸಂಶೋಧಕರು ಅವರು ಏನು ಮಾಡಿದರು ಮತ್ತು ಏಕೆ ಅವರು ಯಾವ ನಿರ್ಧಾರವನ್ನು ಮಾಡಿದರು ಎಂಬುದನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ದಾಖಲಿಸುತ್ತಾರೆ. AI ಯುಗದಲ್ಲಿ, ಈ ಎರಡು ಪರಿಕಲ್ಪನೆಗಳು ಸುಲಭ ಮತ್ತು ಹೆಚ್ಚು ವಿಮರ್ಶಾತ್ಮಕವಾಗಿವೆ. ಸುಲಭ, ಏಕೆಂದರೆ AI ಡಾಕ್ಯುಮೆಂಟ್ ಪ್ರಕ್ರಿಯೆಗಳಿಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ; ನಿರ್ಣಾಯಕ, ಏಕೆಂದರೆ ನೀವು AI ಯ ನಿರ್ಧಾರಗಳ ಯಾವುದೇ ಕುರುಹುಗಳನ್ನು ಬಿಡದಿದ್ದರೆ, ಯಾರೂ - ನೀವೂ ಅಲ್ಲ - ನಿಮ್ಮ ಕೆಲಸವನ್ನು ಪುನರುತ್ಪಾದಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ. ಈ ಘಟಕದಲ್ಲಿ ನಿಮ್ಮ ಸಂಶೋಧನೆಯನ್ನು ಪುನರುತ್ಪಾದಕ ಮತ್ತು ಪಾರದರ್ಶಕವಾಗಿ ಮಾಡುವುದು ಹೇಗೆ ಎಂಬುದನ್ನು ನೀವು ಕಲಿಯುವಿರಿ.

ಸಮಸ್ಯೆಯ ಹೃದಯ ಹೀಗಿದೆ: ನೀವು AI ನೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವಾಗ, ನೀವು ಸಾಕಷ್ಟು ಕಡಿಮೆ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತೀರಿ - ನೀವು ಯಾವ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಬಳಸಿದ್ದೀರಿ, ಯಾವ ಮಾದರಿ, ಯಾವ ಸೆಟ್ಟಿಂಗ್‌ಗಳು, ಯಾವ ಔಟ್‌ಪುಟ್ ಅನ್ನು ನೀವು ಸ್ವೀಕರಿಸಿದ್ದೀರಿ ಮತ್ತು ನೀವು ತಿರಸ್ಕರಿಸಿದ್ದೀರಿ. ಈ ನಿರ್ಧಾರಗಳನ್ನು ದಾಖಲಿಸದಿದ್ದರೆ, ನೀವು ಬೇರೆ ದಿನದಲ್ಲಿ ಅದೇ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಚಲಾಯಿಸಿದಾಗ ನೀವು ಬೇರೆ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಪಡೆಯಬಹುದು (ಭಾಷೆಯ ಮಾದರಿಗಳು ಪ್ರತಿ ಬಾರಿಯೂ ಒಂದೇ ರೀತಿಯ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ನೀಡುವುದಿಲ್ಲ). ವಿಮರ್ಶಕರು ಅಥವಾ ಸಹೋದ್ಯೋಗಿಗಳು "ನೀವು ಈ ಥೀಮ್ ವಿಶ್ಲೇಷಣೆಗೆ ಹೇಗೆ ಬಂದಿದ್ದೀರಿ" ಎಂದು ಕೇಳಿದಾಗ, "AI ಹೀಗೆ ಹೇಳಿದೆ" ಎಂಬುದು ವೈಜ್ಞಾನಿಕ ಉತ್ತರವಲ್ಲ. ಪಾರದರ್ಶಕತೆ ನಿಖರವಾಗಿ ಈ "ಕಪ್ಪು ಪೆಟ್ಟಿಗೆಯನ್ನು" ತೆರೆಯುವುದು ಮತ್ತು ಪ್ರಕ್ರಿಯೆಯನ್ನು ಪತ್ತೆಹಚ್ಚುವಂತೆ ಮಾಡುವುದು.

ಹಂತ ಹಂತವಾಗಿ: ಪತ್ತೆಹಚ್ಚಬಹುದಾದ ಸಂಶೋಧನೆಯನ್ನು ಸ್ಥಾಪಿಸುವುದು

1. ನಿರ್ಧಾರ ದಿನಚರಿಯನ್ನು ಇರಿಸಿ. ಪ್ರತಿ ಪ್ರಮುಖ ಕ್ರಮಶಾಸ್ತ್ರೀಯ ನಿರ್ಧಾರವನ್ನು ಬರೆಯಿರಿ-ಏಕೆ ಈ ಮಾದರಿ, ಏಕೆ ಈ ಕೋಡ್, ನೀವು ಈ AI ಪ್ರಸ್ತಾವನೆಯನ್ನು ಏಕೆ ಸ್ವೀಕರಿಸಿದ್ದೀರಿ - ದಿನಾಂಕದ ಜರ್ನಲ್‌ನಲ್ಲಿ. AI ಈ ಲಾಗ್ ಅನ್ನು ಸಂಘಟಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.

2. ಪ್ರಾಂಪ್ಟ್‌ಗಳು ಮತ್ತು ಮಾದರಿ ಮಾಹಿತಿಯನ್ನು ಉಳಿಸಿ. ನೀವು ಬಳಸಿದ ಪ್ರತಿ ಪ್ರಾಂಪ್ಟ್‌ನ ದಾಖಲೆಯನ್ನು ಇರಿಸಿ, ನೀವು ಯಾವ AI ಮಾದರಿಯಲ್ಲಿ ಅದನ್ನು ಚಲಾಯಿಸಿದ್ದೀರಿ ಮತ್ತು ಯಾವ ದಿನಾಂಕದಂದು. ಇದು ನಿಮ್ಮ ಕೆಲಸಕ್ಕಾಗಿ "ವಸ್ತುಗಳ ಪಟ್ಟಿ" ಆಗಿದೆ.

3. ಸಂಸ್ಕರಿಸಿದ ಡೇಟಾದಿಂದ ಕಚ್ಚಾ ಡೇಟಾವನ್ನು ಪ್ರತ್ಯೇಕಿಸಿ. ಮೂಲ ಡೇಟಾವನ್ನು ಬದಲಾಗದೆ ಇರಿಸಿ; ದಾಖಲಿತ ಹಂತಗಳೊಂದಿಗೆ ಎಲ್ಲಾ ಪರಿವರ್ತನೆಗಳನ್ನು (ಕ್ಲೀನಿಂಗ್, ಎನ್ಕೋಡಿಂಗ್) ಪ್ರತ್ಯೇಕವಾಗಿ ಮಾಡಿ. ಆದ್ದರಿಂದ ಎಲ್ಲರೂ ಮೊದಲಿನಿಂದಲೂ ವೀಕ್ಷಿಸಬಹುದು.

4. AI ನ ಪಾತ್ರವನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಬರೆಯಿರಿ. ವಿಧಾನ ವಿಭಾಗದಲ್ಲಿ, ಯಾವ ಕಾರ್ಯಗಳಲ್ಲಿ ಮತ್ತು ನೀವು AI ಅನ್ನು ಹೇಗೆ ಬಳಸಿದ್ದೀರಿ ಎಂಬುದನ್ನು ಪ್ರಾಮಾಣಿಕವಾಗಿ ತಿಳಿಸಿ. ಹೆಚ್ಚಿನ ನಿಯತಕಾಲಿಕೆಗಳು ಮತ್ತು ಸಂಸ್ಥೆಗಳು ಈಗ ಇದನ್ನು ಬಯಸುತ್ತವೆ.

5. ಸಾಧ್ಯವಾದರೆ ಡೇಟಾ ಮತ್ತು ಕೋಡ್ ಹಂಚಿಕೊಳ್ಳಿ. ನೈತಿಕತೆ ಮತ್ತು ಗೌಪ್ಯತೆ ಅನುಮತಿಸಿದಾಗ, ತೆರೆದ ರೆಪೊಸಿಟರಿಗಳಲ್ಲಿ ಅನಾಮಧೇಯ ಡೇಟಾ ಮತ್ತು ವಿಶ್ಲೇಷಣಾ ಕೋಡ್ ಅನ್ನು ಹಂಚಿಕೊಳ್ಳುವುದು ಪಾರದರ್ಶಕತೆಯ ಪರಾಕಾಷ್ಠೆಯಾಗಿದೆ.

ಸಲಹೆ: ಒಂದು ಸರಳ ಪರೀಕ್ಷೆ: "ನಾನು ಈ ಸಂಶೋಧನೆಯನ್ನು 6 ತಿಂಗಳಲ್ಲಿ ಮತ್ತೊಮ್ಮೆ ಮಾಡಬಹುದೇ?" ನಿಮ್ಮ ಪ್ರಾಂಪ್ಟ್‌ಗಳು, ನಿರ್ಧಾರಗಳು ಮತ್ತು ಹಂತಗಳನ್ನು ನೀವು ದಾಖಲಿಸದಿದ್ದರೆ, ಉತ್ತರವು ಹೆಚ್ಚಾಗಿ "ಇಲ್ಲ" ಆಗಿರುತ್ತದೆ. ಅದನ್ನು ನಿಮಗಾಗಿ ಉತ್ಪಾದಿಸುವಂತೆ ಮಾಡಿ; ಆಗ ಅದು ಬೇರೆಯವರಿಗೂ ಆಗುತ್ತದೆ.

ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು

ಪ್ರಕರಣ 1 - ಟ್ರೇಸ್ಲೆಸ್ ವಿಶ್ಲೇಷಣೆ ಕುಸಿದಿದೆ. ಒಬ್ಬ ಸಂಶೋಧಕರು AI ಯೊಂದಿಗೆ ಥೀಮ್ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಮಾಡಿದರು ಆದರೆ ಅವರು ಯಾವ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಬಳಸಿದರು ಎಂಬುದನ್ನು ದಾಖಲಿಸಲಿಲ್ಲ. ರೆಫರಿ ಕೇಳಿದಾಗ "ನೀವು ಈ ಥೀಮ್‌ಗಳಿಗೆ ಹೇಗೆ ಬಂದಿದ್ದೀರಿ?" ಅವರು ಪ್ರಕ್ರಿಯೆಯನ್ನು ತೋರಿಸಲು ಸಾಧ್ಯವಾಗಲಿಲ್ಲ; ಅವರು ಮತ್ತೊಮ್ಮೆ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಪುನರಾವರ್ತಿಸಬೇಕಾಗಿತ್ತು, ಈ ಬಾರಿ ಡೈರಿಯನ್ನು ಇಟ್ಟುಕೊಂಡು. ಅವರು ಎರಡು ವಾರಗಳನ್ನು ಕಳೆದುಕೊಂಡರು.

ಪ್ರಕರಣ 2 - ನಿರ್ಧಾರದ ಲಾಗ್ ಚರ್ಚೆಯನ್ನು ಕೊನೆಗೊಳಿಸುತ್ತದೆ. "ನಾವು ಈ ಕೋಡ್‌ಗಳನ್ನು ಏಕೆ ಸಂಯೋಜಿಸಿದ್ದೇವೆ?" ಎಂದು ಕೇಳುವ ತಂಡದಲ್ಲಿ ಭಿನ್ನಾಭಿಪ್ರಾಯ ಹುಟ್ಟಿಕೊಂಡಿತು. ಆದರೆ ನಿರ್ಧಾರದ ಲಾಗ್ ಪ್ರತಿ ವಿಲೀನ ನಿರ್ಧಾರದ ದಿನಾಂಕ ಮತ್ತು ಸಮರ್ಥನೆಯನ್ನು ಒಳಗೊಂಡಿದೆ. AI ಲಾಗ್ ಅನ್ನು ಸಂಕ್ಷಿಪ್ತವಾಗಿ ಮತ್ತು ಕಾಲಾನುಕ್ರಮದಲ್ಲಿ ಪ್ರದರ್ಶಿಸಿದಾಗ ವಾದವನ್ನು ನಿಮಿಷಗಳಲ್ಲಿ ಪರಿಹರಿಸಲಾಯಿತು.

ಪ್ರಕರಣ 3 - ಪಾರದರ್ಶಕ ಬಹಿರಂಗಪಡಿಸುವಿಕೆ ವಿಶ್ವಾಸವನ್ನು ನಿರ್ಮಿಸಿದೆ. ಒಂದು ಲೇಖನದಲ್ಲಿ, ಲೇಖಕರು ನಾವು AI ಅನ್ನು "ಪ್ರತಿಲೇಖನ ಸಂಪಾದನೆ ಮತ್ತು ಆರಂಭಿಕ ಕೋಡ್ ಸಲಹೆಗಾಗಿ ಬಳಸಿದ್ದೇವೆ, ಇಬ್ಬರು ಸಂಶೋಧಕರು ಎಲ್ಲಾ ಕೋಡ್‌ಗಳನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಪರಿಶೀಲಿಸುತ್ತಿದ್ದಾರೆ" ಎಂದು ಸ್ಪಷ್ಟವಾಗಿ ಬರೆದಿದ್ದಾರೆ. ವಿಮರ್ಶಕರು ಈ ಪಾರದರ್ಶಕತೆಯನ್ನು ಧನಾತ್ಮಕವಾಗಿ ಕಂಡುಕೊಂಡರು; ಮುಚ್ಚಿದ AI ಅನ್ನು ಬಳಸುವುದಕ್ಕಿಂತ ಇದು ಹೆಚ್ಚು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿದೆ ಎಂದು ಕಂಡುಬಂದಿದೆ.

ನಾಲ್ಕು ನಕಲಿಸಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್‌ಗಳು

1) ನಿರ್ಧಾರದ ಲಾಗ್ ಟೆಂಪ್ಲೇಟ್:

ಕ್ರಮಶಾಸ್ತ್ರೀಯ ನಿರ್ಧಾರದ ಲಾಗ್ ಟೇಬಲ್ ಅನ್ನು ರಚಿಸಿ. ಕಾಲಮ್‌ಗಳು: ದಿನಾಂಕ, ನಿರ್ಧಾರ, ತಾರ್ಕಿಕತೆ, ಪರ್ಯಾಯಗಳು, AI ಪಾತ್ರ (ಯಾವುದಾದರೂ ಇದ್ದರೆ), ಅದನ್ನು ಅನುಮೋದಿಸಿದವರು. ಕೆಳಗಿನ ನನ್ನ ನಿರ್ಧಾರದ ಟಿಪ್ಪಣಿಗಳನ್ನು ಈ ಕೋಷ್ಟಕದಲ್ಲಿ ಸೇರಿಸಿ ಮತ್ತು ಯಾವುದೇ ತಪ್ಪಿದ ತಾರ್ಕಿಕತೆಯನ್ನು "ಪೂರ್ಣಗೊಳಿಸಬೇಕು" ಎಂದು ಗುರುತಿಸಿ. ಟಿಪ್ಪಣಿಗಳು: [ಇಲ್ಲಿ]

2) ಡ್ರಾಫ್ಟ್ AI ಬಳಕೆಯ ಹೇಳಿಕೆ:

ವಿಧಾನಗಳ ವಿಭಾಗದಲ್ಲಿ ಹಾಕಲು AI ಯ ನನ್ನ ಬಳಕೆಯನ್ನು ಪಾರದರ್ಶಕವಾಗಿ ವಿವರಿಸುವ ಪ್ಯಾರಾಗ್ರಾಫ್ ಅನ್ನು ಕರಡು ಮಾಡಿ. ನಾನು ಇದನ್ನು ಈ ಕಾರ್ಯಗಳಲ್ಲಿ ಬಳಸಿದ್ದೇನೆ: [ಪಟ್ಟಿ]. ನಾನು ಇದನ್ನು ಈ ಕೆಳಗಿನ ಕಾರ್ಯಗಳಲ್ಲಿ ಬಳಸಲಿಲ್ಲ: [ಪಟ್ಟಿ]. ನಾನು ಎಲ್ಲಾ ಔಟ್‌ಪುಟ್‌ಗಳನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಪರಿಶೀಲಿಸಿದ್ದೇನೆ. ಮಾದರಿ ಮತ್ತು ದಿನಾಂಕ: [x]. ಪ್ರಾಮಾಣಿಕ, ಕಡಿಮೆ, ಶೈಕ್ಷಣಿಕ ಭಾಷೆಯನ್ನು ಬಳಸಿ.

3) ಪುನರುತ್ಪಾದನೆ ತಪಾಸಣೆ:

ನನ್ನ ಸಂಶೋಧನಾ ಪ್ರಕ್ರಿಯೆಯನ್ನು ನಾನು ವಿವರಿಸುತ್ತೇನೆ: [ಸಾರಾಂಶ]. ಇನ್ನೊಬ್ಬ ಸಂಶೋಧಕರು ಇದನ್ನು ಪುನರುತ್ಪಾದಿಸಬಹುದೇ? ದಾಖಲೆರಹಿತ, ಅಸ್ಪಷ್ಟ ಅಥವಾ ಪತ್ತೆಹಚ್ಚಲಾಗದ ಹಂತಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ: ಯಾವ ಡೇಟಾ, ಯಾವ ರೂಪಾಂತರ, ಯಾವ ಪ್ರಾಂಪ್ಟ್, ಯಾವ ನಿರ್ಧಾರವು ಕಾಣೆಯಾಗಿದೆ? ಪ್ರತಿ ಜಾಗಕ್ಕೆ ಏನು ರೆಕಾರ್ಡ್ ಮಾಡಬೇಕೆಂದು ಹೇಳಿ.

4) ಡೇಟಾ ಮೂಲ ನಕ್ಷೆ:

ಕಚ್ಚಾ ಡೇಟಾದಿಂದ ನನ್ನ ಅಂತಿಮ ಶೋಧನೆಯವರೆಗಿನ ಎಲ್ಲಾ ರೂಪಾಂತರ ಹಂತಗಳನ್ನು ಒಂದು ಹರಿವಿನಂತೆ ಪಟ್ಟಿ ಮಾಡಿ: ಕಚ್ಚಾ ಡೇಟಾ → ಕ್ಲೀನಿಂಗ್ → ಕೋಡಿಂಗ್ → ವಿಶ್ಲೇಷಣೆ → ಕಂಡುಹಿಡಿಯುವಿಕೆ. ಪ್ರತಿ ಹಂತದಲ್ಲಿ ಏನು ಮಾಡಲಾಗಿದೆ ಎಂಬುದನ್ನು ತೋರಿಸಿ, ಯಾವ ಸಾಧನ ಮತ್ತು ಯಾವ ನಿರ್ಧಾರದೊಂದಿಗೆ. ಪತ್ತೆಹಚ್ಚಲಾಗದ ಹಂತವನ್ನು ಗುರುತಿಸಿ. ಪ್ರಕ್ರಿಯೆ: [ಇಲ್ಲಿ]

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:

ಈ ವಿಶ್ಲೇಷಣೆಯ ವಿಧಾನವನ್ನು ಒಂದು ಪ್ಯಾರಾಗ್ರಾಫ್ನಲ್ಲಿ ಬರೆಯಿರಿ.

AI ಪ್ರಕ್ರಿಯೆಯನ್ನು ದಾಖಲಿಸದೆ ಸಾಮಾನ್ಯ ವಿಧಾನದ ಪ್ಯಾರಾಗ್ರಾಫ್ ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ; ನಿರ್ಧಾರವನ್ನು ಹೇಗೆ ತೆಗೆದುಕೊಳ್ಳಲಾಗಿದೆ ಮತ್ತು AI ಅನ್ನು ಎಲ್ಲಿ ಬಳಸಲಾಗಿದೆ ಎಂಬುದು ಅಸ್ಪಷ್ಟವಾಗಿದೆ. ಇದು ತಯಾರಿಸಲಾಗದು.

ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:

ವಿಧಾನ ವಿಭಾಗಕ್ಕೆ ಉತ್ಪಾದಕ ವಿವರಣೆಯನ್ನು ಬರೆಯಿರಿ. ಕೆಳಗಿನ ಮಾಹಿತಿಯನ್ನು ಬಳಸಿ: ಡೇಟಾ ಮೂಲ [x], ಮಾದರಿ [y], ವಿಶ್ಲೇಷಣೆ ಹಂತಗಳು [z], ನಾನು ಬಳಸಿದ AI ಮಾದರಿ ಮತ್ತು ಅದರ ದಿನಾಂಕ [t], AI [r] ನ ನಿಖರವಾದ ಪಾತ್ರ, ಮಾನವ ಪರಿಶೀಲನೆ ಪ್ರಕ್ರಿಯೆ [d]. ಬೇರೊಬ್ಬರು ಈ ಹಂತಗಳನ್ನು ಅನುಸರಿಸಬಹುದು ಮತ್ತು ಅವುಗಳನ್ನು ಪುನರುತ್ಪಾದಿಸಬಹುದು ಎಂದು ಸಾಕಷ್ಟು ಸ್ಪಷ್ಟವಾಗಿ ಬರೆಯಿರಿ. ನಾನು ಬಿಟ್ಟುಹೋದ ಯಾವುದೇ ಮಾಹಿತಿಗಾಗಿ ನನ್ನನ್ನು ಕೇಳಿ.

ವ್ಯತ್ಯಾಸ: ಎರಡನೆಯ ವಿಧಾನವು ಪ್ರಕ್ರಿಯೆಯನ್ನು ಕಾಂಕ್ರೀಟ್, ಪತ್ತೆಹಚ್ಚಬಹುದಾದ ಮತ್ತು ನಿಜವಾಗಿಯೂ ಪುನರುತ್ಪಾದಿಸುವಂತೆ ಮಾಡುತ್ತದೆ.

ಪಾರದರ್ಶಕ ಪದರಗಳು

ಪದರ

ಏನು ದಾಖಲಿಸಲಾಗಿದೆ

ಇದು ಏಕೆ ಮುಖ್ಯ?

ನಿರ್ಧಾರ ಡೈರಿ

ಕ್ರಮಶಾಸ್ತ್ರೀಯ ನಿರ್ಧಾರಗಳು + ತರ್ಕಬದ್ಧತೆ

ನ್ಯಾಯಾಂಗವನ್ನು ಸಮರ್ಥಿಸುತ್ತದೆ

ತ್ವರಿತ ನೋಂದಣಿ

ಪ್ರಾಂಪ್ಟ್ ಬಳಸಿದ, ಮಾದರಿ, ದಿನಾಂಕ

AI ಅನ್ನು ಟ್ರಾಕ್ಟಬಲ್ ಮಾಡುತ್ತದೆ

ಡೇಟಾ ಮೂಲ

ಕಚ್ಚಾ → ಸಂಸ್ಕರಿಸಿದ ಪರಿವರ್ತನೆಗಳು

ಹಂತಗಳನ್ನು ತೆರೆಯುತ್ತದೆ

AI ಹೇಳಿಕೆ

AI ನ ಪಾತ್ರ ಮತ್ತು ಮಿತಿ

ಪ್ರಾಮಾಣಿಕತೆ

ಹಂಚಿಕೆ

ಅನಾಮಧೇಯ ಡೇಟಾ + ಕೋಡ್

ಅಂತಿಮ ಪಾರದರ್ಶಕತೆ

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

  • ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು ಉಳಿಸುತ್ತಿಲ್ಲ. ನೀವು ಬಳಸಿದ ಸೂಚನೆಯನ್ನು ನೀವು ಇಟ್ಟುಕೊಳ್ಳದಿದ್ದರೆ, ನೀವು ಪ್ರಕ್ರಿಯೆಯನ್ನು ಪ್ರದರ್ಶಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ.
  • ಇದರ ಅರ್ಥ "AI ಹೀಗೆ ಹೇಳಿದೆ." ವೈಜ್ಞಾನಿಕ ಸಮರ್ಥನೆಯು ಪ್ರಕ್ರಿಯೆ ಮತ್ತು ತೀರ್ಪು, ಮಾದರಿಯ ಪದವಲ್ಲ.
  • ಕಚ್ಚಾ ಡೇಟಾವನ್ನು ತಿದ್ದಿ ಬರೆಯುವುದು. ಮೂಲವನ್ನು ಇರಿಸಿ; ಪರಿವರ್ತನೆಗಳನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಮಾಡಿ ಮತ್ತು ದಾಖಲಿಸಲಾಗಿದೆ.
  • AI ಬಳಕೆಯನ್ನು ಮರೆಮಾಡುವುದು. ಪಾರದರ್ಶಕ ಹೇಳಿಕೆ ವಿಶ್ವಾಸವನ್ನು ನಿರ್ಮಿಸುತ್ತದೆ; ಮರೆಮಾಚುವಿಕೆಯು ಖ್ಯಾತಿಯನ್ನು ಕಳೆದುಕೊಳ್ಳುತ್ತದೆ.
  • ನಿನಗಾಗಿಯೂ ಅದನ್ನು ಉತ್ಪಾದಿಸಲಾಗದಂತೆ ಬಿಡುವುದು. ಆರು ತಿಂಗಳ ನಂತರ ಮತ್ತೆ ಮಾಡಲಾಗದ ಕೆಲಸ ವಿಜ್ಞಾನವಲ್ಲ.

ಸಾರಾಂಶದಲ್ಲಿ

ಪುನರುತ್ಪಾದನೆ ಮತ್ತು ಪಾರದರ್ಶಕತೆಯು ಒಬ್ಬ ವ್ಯಕ್ತಿಯ ಪದದಿಂದ ಅಧ್ಯಯನವನ್ನು ಯಾರಾದರೂ ಪರೀಕ್ಷಿಸಬಹುದಾದ ವಿಜ್ಞಾನವಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ. AI ಯೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವಾಗ ಇದು ಇನ್ನಷ್ಟು ನಿರ್ಣಾಯಕವಾಗಿದೆ, ಏಕೆಂದರೆ ಮಾದರಿಯ ನಿರ್ಧಾರಗಳನ್ನು ಅನುಸರಿಸದಿದ್ದರೆ, ಪ್ರಕ್ರಿಯೆಯು ಕಪ್ಪು ಪೆಟ್ಟಿಗೆಯಾಗುತ್ತದೆ. ನಿರ್ಧಾರದ ಲಾಗ್, ರೆಕಾರ್ಡ್ ಪ್ರಾಂಪ್ಟ್‌ಗಳು ಮತ್ತು ಮಾದರಿ ಮಾಹಿತಿಯನ್ನು ಇರಿಸಿ, ಸಂಸ್ಕರಿಸಿದ ಕಚ್ಚಾ ಡೇಟಾವನ್ನು ಪ್ರತ್ಯೇಕಿಸಿ, AI ಪಾತ್ರವನ್ನು ಪ್ರಾಮಾಣಿಕವಾಗಿ ಘೋಷಿಸಿ ಮತ್ತು ನೀತಿಗಳು ಅನುಮತಿಸಿದಾಗ ಡೇಟಾ ಮತ್ತು ಕೋಡ್ ಅನ್ನು ಹಂಚಿಕೊಳ್ಳಿ. "6 ತಿಂಗಳ ನಂತರ ನಾನು ನನ್ನನ್ನು ಸಂತಾನೋತ್ಪತ್ತಿ ಮಾಡಬಹುದೇ" ಪರೀಕ್ಷೆಯಲ್ಲಿ ಉತ್ತೀರ್ಣರಾಗುವ ಅಧ್ಯಯನವು ಇತರರಿಗೆ ವಿಶ್ವಾಸಾರ್ಹವಾಗಿದೆ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ನೀವು ಮಾಡುತ್ತಿರುವ ಅಥವಾ ಯೋಜಿಸುತ್ತಿರುವ ಸಣ್ಣ ವಿಶ್ಲೇಷಣೆಗಾಗಿ, "ನಿರ್ಣಯ ಜರ್ನಲ್ ಟೆಂಪ್ಲೇಟ್" ನೊಂದಿಗೆ ಸಮರ್ಥನೆಗಳೊಂದಿಗೆ ಕನಿಷ್ಠ 5 ಕ್ರಮಶಾಸ್ತ್ರೀಯ ನಿರ್ಧಾರಗಳನ್ನು ರೆಕಾರ್ಡ್ ಮಾಡಿ. ನೀವು ಬಳಸುವ ಪ್ರಾಂಪ್ಟ್‌ಗಳು, ಮಾದರಿ ಮತ್ತು ದಿನಾಂಕವನ್ನು ಪ್ರತ್ಯೇಕ ಫೈಲ್‌ನಲ್ಲಿ ಇರಿಸಿ. ನಂತರ AI ನಿಮ್ಮ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ದಾಖಲೆರಹಿತ ಅಂತರವನ್ನು ಕಂಡುಹಿಡಿಯಲು ಮತ್ತು ಪ್ರತಿ ಅಂತರವನ್ನು ಮುಚ್ಚಲು "ಪುನರುತ್ಪಾದನೆ ಆಡಿಟ್" ಟೆಂಪ್ಲೇಟ್ ಅನ್ನು ಬಳಸಿ. ಅಂತಿಮವಾಗಿ, "AI ಬಳಕೆಯ ಹೇಳಿಕೆಯ" ರೂಪರೇಖೆಯನ್ನು ಬರೆಯಿರಿ ಮತ್ತು ವಿಧಾನಗಳ ವಿಭಾಗದಲ್ಲಿ ಇರಿಸಬೇಕಾದ ಪಾರದರ್ಶಕ ಪ್ಯಾರಾಗ್ರಾಫ್.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

  • [ ] ನಾನು ಜರ್ನಲ್‌ನಲ್ಲಿ ಪ್ರತಿ ಪ್ರಮುಖ ಕ್ರಮಶಾಸ್ತ್ರೀಯ ನಿರ್ಧಾರಕ್ಕೆ ಕಾರಣಗಳನ್ನು ಬರೆದಿದ್ದೇನೆ.
  • [ ] ನಾನು ಬಳಸಿದ ಪ್ರಾಂಪ್ಟ್‌ಗಳು, ಮಾದರಿ ಮತ್ತು ದಿನಾಂಕವನ್ನು ನಾನು ರೆಕಾರ್ಡ್ ಮಾಡಿದ್ದೇನೆ.
  • [ ] ನಾನು ಕಚ್ಚಾ ಡೇಟಾವನ್ನು ಬದಲಾಗದೆ ಇರಿಸಿದೆ ಮತ್ತು ರೂಪಾಂತರಗಳನ್ನು ದಾಖಲಿಸಿದೆ.
  • [ ] ನಾನು ವಿಧಾನ ವಿಭಾಗದಲ್ಲಿ ಪ್ರಾಮಾಣಿಕವಾಗಿ AI ಪಾತ್ರವನ್ನು ಘೋಷಿಸಿದೆ.
  • [ ] ನಾನು "6 ತಿಂಗಳ ನಂತರ ಪುನರುತ್ಪಾದಿಸಬಹುದೇ" ಪರೀಕ್ಷೆಯನ್ನು ಅನ್ವಯಿಸಿದೆ.