ಸೆನ್ಸರಿ ಅನಾಲಿಸಿಸ್ ಡೇಟಾ — ಆಹಾರ ಎಂಜಿನಿಯರಿಂಗ್‌ನಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ

ಲಾಭಗಳು:

ಸಂವೇದನಾ ಫಲಕ ಪ್ರಕಾರಗಳನ್ನು ಅರ್ಥೈಸುವ ಸಾಮರ್ಥ್ಯ, ಹೆಡೋನಿಕ್/ವಿವರಣಾತ್ಮಕ ಪರೀಕ್ಷೆ ಮತ್ತು ಪ್ಯಾನಲಿಸ್ಟ್ ವಿಶ್ವಾಸಾರ್ಹತೆ
AI ಜೊತೆಗೆ ಸಂವೇದನಾ ಡೇಟಾ ಸಾರಾಂಶ, ಥೀಮ್ ಹೊರತೆಗೆಯುವಿಕೆ ಮತ್ತು ಅಂಕಿಅಂಶಗಳ ವ್ಯಾಖ್ಯಾನವನ್ನು ರಚಿಸುವ ಸಾಮರ್ಥ್ಯ
ಕಚ್ಚಾ ಫಲಕ ಡೇಟಾ ಮತ್ತು ಪ್ರಯೋಗ ವಿನ್ಯಾಸದೊಂದಿಗೆ AI ಯ ಅಂಕಿಅಂಶಗಳ ವ್ಯಾಖ್ಯಾನವನ್ನು ಮೌಲ್ಯೀಕರಿಸುವ ಸಾಮರ್ಥ್ಯ

ನೀವು ಹೊಸದಾಗಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಕಡಿಮೆ-ಸಕ್ಕರೆ ಹಣ್ಣಿನ ಮೊಸರುಗಾಗಿ R&D ಪ್ರಯೋಗಾಲಯದಲ್ಲಿದ್ದೀರಿ. ಮಾರ್ಕೆಟಿಂಗ್ ತಂಡವು "ಗ್ರಾಹಕರು ಅದನ್ನು ಇಷ್ಟಪಡುತ್ತಾರೆಯೇ?" ಅವನು ಕೇಳುತ್ತಾನೆ ಮತ್ತು ಉತ್ಪಾದನೆಯು ಕೇಳುತ್ತದೆ, "ಇದು ಉಲ್ಲೇಖ ಉತ್ಪನ್ನದಿಂದ ಪ್ರತ್ಯೇಕಿಸಬಹುದೇ?" ಅವನು ಆಶ್ಚರ್ಯ ಪಡುತ್ತಾನೆ. ಅವರು 60 ಗ್ರಾಹಕ ಪ್ಯಾನೆಲಿಸ್ಟ್‌ಗಳಿಂದ ತುಂಬಿದ 9-ಪಾಯಿಂಟ್ ಹೆಡೋನಿಕ್ ಫಾರ್ಮ್‌ಗಳನ್ನು ಹೊಂದಿದ್ದಾರೆ, ತರಬೇತಿ ಪಡೆದ 8-ವ್ಯಕ್ತಿ ವಿವರಣಾತ್ಮಕ ಪ್ಯಾನೆಲ್‌ನಿಂದ QDA ಸ್ಕೋರ್‌ಗಳು ಮತ್ತು ತ್ರಿಕೋನ ತಾರತಮ್ಯ ಪರೀಕ್ಷೆಯ ಫಲಿತಾಂಶಗಳು. ಎಕ್ಸೆಲ್‌ನಲ್ಲಿ ನೂರಾರು ಸಾಲುಗಳ ಕಚ್ಚಾ ಸ್ಕೋರ್‌ಗಳು, ಜೊತೆಗೆ ಪ್ರತಿ ಪ್ಯಾನೆಲಿಸ್ಟ್‌ಗಾಗಿ ತೆರೆದ-ಮುಕ್ತ ಕಾಮೆಂಟ್ ಬಾಕ್ಸ್. AI ಸಹಾಯಕರನ್ನು "ಈ ಡೇಟಾವನ್ನು ಸಾರಾಂಶ ಮಾಡಿ, ಗ್ರಾಹಕರು ಇದನ್ನು ಇಷ್ಟಪಡುತ್ತಾರೆಯೇ?" ಎಂದು ಕೇಳಲು ಇದು ಪ್ರಲೋಭನಕಾರಿಯಾಗಿದೆ. ಈ ಘಟಕದಲ್ಲಿ, ಸಂವೇದನಾ ಡೇಟಾವನ್ನು ಸರಿಯಾಗಿ ಓದುವುದು ಹೇಗೆ, ಸಾರಾಂಶ ಮತ್ತು ಥೀಮ್ ಹೊರತೆಗೆಯುವಿಕೆಗಾಗಿ AI ಅನ್ನು ಬಳಸುವುದು ಮತ್ತು ಮುಖ್ಯವಾಗಿ, ಕಚ್ಚಾ ಪ್ಯಾನಲ್ ಡೇಟಾ ಮತ್ತು ಪ್ರಯೋಗ ವಿನ್ಯಾಸದೊಂದಿಗೆ AI ಯ ಅಂಕಿಅಂಶಗಳ ವ್ಯಾಖ್ಯಾನವನ್ನು ಮೌಲ್ಯೀಕರಿಸುವುದು ಹೇಗೆ ಎಂದು ನಾವು ಅಧ್ಯಯನ ಮಾಡುತ್ತೇವೆ.

ಸಂವೇದನಾ ಪರೀಕ್ಷೆಯ ಪ್ರಕಾರಗಳು: ಸರಿಯಾದ ಪರೀಕ್ಷೆಯೊಂದಿಗೆ ಸರಿಯಾದ ಪ್ರಶ್ನೆಯನ್ನು ಕೇಳಿ

ಸಂವೇದನಾ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿನ ಅತ್ಯಂತ ಸಾಮಾನ್ಯ ತಪ್ಪು ಎಂದರೆ ಪ್ರಶ್ನೆಯ ಪ್ರಕಾರವನ್ನು ಪರೀಕ್ಷೆಯ ಪ್ರಕಾರದೊಂದಿಗೆ ಗೊಂದಲಗೊಳಿಸುವುದು. ಮೂರು ಪ್ರಮುಖ ಕುಟುಂಬಗಳಿವೆ ಮತ್ತು ಪ್ರತಿಯೊಂದೂ ವಿಭಿನ್ನ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸುತ್ತದೆ.

ಹೆಡೋನಿಕ್ (ಪರಿಣಾಮಕಾರಿ) ಪರೀಕ್ಷೆಗಳು: "ಇದು ಎಷ್ಟು ಇಷ್ಟವಾಯಿತು?" ಎಂಬ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸುತ್ತದೆ. ಕ್ಲಾಸಿಕ್ ವಾದ್ಯವು 9-ಪಾಯಿಂಟ್ ಹೆಡೋನಿಕ್ ಸ್ಕೇಲ್ ಆಗಿದೆ (1 = ಅತ್ಯಂತ ಇಷ್ಟಪಡದಿರುವುದು, 5 = ಇಷ್ಟವಾಗಲಿಲ್ಲ ಅಥವಾ ಇಷ್ಟಪಡುವುದಿಲ್ಲ, 9 = ಅತ್ಯಂತ ಇಷ್ಟವಾಯಿತು). ಪ್ಯಾನಲಿಸ್ಟ್‌ಗಳು ಅಶಿಕ್ಷಿತ ಗ್ರಾಹಕರು; ಸ್ವೀಕಾರ / ಆದ್ಯತೆಯನ್ನು ಅಳೆಯುವುದು ಗುರಿಯಾಗಿದೆ. ಸಾಮಾನ್ಯವಾಗಿ, 50-100 ಜನರ ಫಲಕ ಅಗತ್ಯವಿದೆ.
ವಿವರಣಾತ್ಮಕ ಪರೀಕ್ಷೆಗಳು (QDA): "ಉತ್ಪನ್ನವು ಯಾವ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಹೊಂದಿದೆ ಮತ್ತು ಯಾವ ತೀವ್ರತೆಯಲ್ಲಿದೆ?" ಎಂಬ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸುತ್ತದೆ. 8-12 ಜನರ ತರಬೇತಿ ಪಡೆದ ಪ್ಯಾನೆಲ್ ಅವರು ವಿವರಿಸುವ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಸ್ಕೋರ್ ಮಾಡುತ್ತದೆ (ಉದಾ: "ಕೆನೆ ಸ್ಥಿರತೆ," "ಹುಳಿ," "ಹಣ್ಣಿನ ಪರಿಮಳ") 0-15 ರ ತೀವ್ರತೆಯ ಪ್ರಮಾಣದಲ್ಲಿ. ಇದು ಇಷ್ಟಗಳನ್ನು ಅಳೆಯುವುದಿಲ್ಲ, ಅದು ಪ್ರೊಫೈಲ್‌ಗಳನ್ನು ರಚಿಸುತ್ತದೆ.
ತಾರತಮ್ಯ ಪರೀಕ್ಷೆಗಳು: "ಎರಡು ಉತ್ಪನ್ನಗಳು ಗ್ರಹಿಕೆಗೆ ಭಿನ್ನವಾಗಿದೆಯೇ?" ಎಂಬ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸುತ್ತದೆ. ತ್ರಿಕೋನ ಪರೀಕ್ಷೆಯಲ್ಲಿ, ಮೂರು ಮಾದರಿಗಳನ್ನು ಫಲಕಕ್ಕೆ ನೀಡಲಾಗುತ್ತದೆ; ಎರಡು ಒಂದೇ, ಒಂದು ಬೇರೆ, ಮತ್ತು ಪ್ಯಾನಲಿಸ್ಟ್ "ಬೇರೆ ಒಂದು" ಆಯ್ಕೆ. ಸೂತ್ರೀಕರಣದಲ್ಲಿನ ಬದಲಾವಣೆಯು ಗಮನಾರ್ಹವಾಗಿದೆಯೇ ಎಂದು ಪರೀಕ್ಷಿಸಲು ಸೂಕ್ತವಾಗಿದೆ.

ಸಲಹೆ: ಪರೀಕ್ಷೆಯನ್ನು ಆರಿಸುವ ಮೊದಲು, ನಿಮ್ಮ ವಾಕ್ಯವನ್ನು ಪೂರ್ಣಗೊಳಿಸಿ: "___ ವೇಳೆ ನಾನು ತಿಳಿದುಕೊಳ್ಳಲು ಬಯಸುತ್ತೇನೆ." ಅಂತರವು "ಇಷ್ಟಪಟ್ಟಿದ್ದರೆ", ಹೆಡೋನಿಕ್ ಪರೀಕ್ಷೆಯನ್ನು ಬಳಸಿ, "ವಿಭಿನ್ನ" ಆಗಿದ್ದರೆ, ತಾರತಮ್ಯ ಪರೀಕ್ಷೆಯನ್ನು ಬಳಸಿ ಮತ್ತು "ಯಾವ ವೈಶಿಷ್ಟ್ಯದಲ್ಲಿ ಪ್ರಬಲವಾಗಿದೆ", ವಿವರಣಾತ್ಮಕ ಪರೀಕ್ಷೆಯನ್ನು ಬಳಸಿ. AI ಗೆ ಡೇಟಾವನ್ನು ನೀಡುವಾಗ ನೀವು ಈ ಉದ್ದೇಶವನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸದಿದ್ದರೆ, ಸಾರಾಂಶವನ್ನು ತಪ್ಪು ರೀತಿಯಲ್ಲಿ ರೂಪಿಸಲಾಗುತ್ತದೆ.

ಪ್ಯಾನೆಲಿಸ್ಟ್ ವಿಶ್ವಾಸಾರ್ಹತೆ ಮತ್ತು ಪ್ರಯೋಗ ವಿನ್ಯಾಸ

ನೀವು ಕಚ್ಚಾ ಅಂಕಗಳನ್ನು ನಂಬುವ ಮೊದಲು, ನೀವು ಫಲಕವನ್ನು ನಂಬಬೇಕು. ಕೆಲವು ಮೂಲ ತತ್ವಗಳು:

ಕುರುಡು ಪರೀಕ್ಷೆ: ಪ್ಯಾನೆಲಿಸ್ಟ್‌ಗೆ ಯಾವ ಮಾದರಿ "ಹೊಸ ಉತ್ಪನ್ನ" ಮತ್ತು ಯಾವುದು "ಉಲ್ಲೇಖ" ಎಂದು ತಿಳಿದಿರಬಾರದು. ಉದಾಹರಣೆಗಳನ್ನು 3-ಅಂಕಿಯ ಯಾದೃಚ್ಛಿಕ ಕೋಡ್‌ಗಳೊಂದಿಗೆ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ (ಉದಾ. 417, 682).
ಪ್ರಸ್ತುತಿ ಆದೇಶ ಪರಿಹಾರ: ಮೊದಲ ಮಾದರಿಯ ರುಚಿ ಸಾಮಾನ್ಯವಾಗಿ ಅನುಕೂಲಕರವಾಗಿರುತ್ತದೆ (ಮೊದಲ ಮಾದರಿ ಪಕ್ಷಪಾತ). ಪ್ಯಾನಲಿಸ್ಟ್‌ಗಳಲ್ಲಿ ಪ್ರಸ್ತುತಿ ಕ್ರಮವನ್ನು ಸಮತೋಲನಗೊಳಿಸಬೇಕು/ಯಾದೃಚ್ಛಿಕಗೊಳಿಸಬೇಕು.
ಪುನರಾವರ್ತನೆ: ಅದೇ ಪ್ಯಾನಲಿಸ್ಟ್ ಬೇರೆ ಬೇರೆ ಕೋಡ್‌ಗಳೊಂದಿಗೆ ಅದೇ ಮಾದರಿಯನ್ನು ಮತ್ತೊಮ್ಮೆ ಸ್ಕೋರ್ ಮಾಡಿದರೆ, ನೀವು ಸ್ಥಿರತೆಯನ್ನು ಅಳೆಯಬಹುದು (ಪುನರಾವರ್ತನೆ). ವಿವರಣಾತ್ಮಕ ಪ್ಯಾನೆಲ್‌ನಲ್ಲಿ, ಅಸಮಂಜಸ ಪ್ಯಾನೆಲಿಸ್ಟ್ ಅನ್ನು ಮರು ತರಬೇತಿ ನೀಡಲಾಗುತ್ತದೆ ಅಥವಾ ಹೊರಗಿಡಲಾಗುತ್ತದೆ.
ಉಲ್ಲೇಖ ಪರಿಶೀಲನೆ: ಎರಡು ಒಂದೇ ಮಾದರಿಗಳನ್ನು ಕುರುಡಾಗಿ ಪ್ರಸ್ತುತಪಡಿಸಿದರೆ ಮತ್ತು ಪ್ಯಾನಲಿಸ್ಟ್ ಅವುಗಳನ್ನು ವಿಭಿನ್ನವಾಗಿ ಸ್ಕೋರ್ ಮಾಡಿದರೆ, ಆ ಪ್ಯಾನಲಿಸ್ಟ್‌ನ ಡೇಟಾ ಶಂಕಿತವಾಗಿದೆ.

ಉದಾಹರಣೆ ಹೆಡೋನಿಕ್ ಡೇಟಾ ಸಾರಾಂಶ

60 ಪ್ಯಾನಲಿಸ್ಟ್‌ಗಳಿಗೆ ಹೆಡೋನಿಕ್ ಪರೀಕ್ಷೆಯ ಸಾರಾಂಶ ಕೋಷ್ಟಕವನ್ನು ಕೆಳಗೆ ನೀಡಲಾಗಿದೆ. ಹೊಸ ಸೂತ್ರವನ್ನು (ಕೋಡ್ 417) ಉಲ್ಲೇಖದೊಂದಿಗೆ (ಕೋಡ್ 682) ಹೋಲಿಸುವುದು.

ವೈಶಿಷ್ಟ್ಯ

ಹೊಸ ಸೂತ್ರ (417) ಸರಾಸರಿ

ಉಲ್ಲೇಖ (682) ಸರಾಸರಿ

Std. ವಿಚಲನ (417)

ಎನ್

ಸಾಮಾನ್ಯ ಮೆಚ್ಚುಗೆ

7.1

7.4

1.3

ರುಚಿ/ಸುವಾಸನೆ

6.8

7.3

1.5

ಸ್ಥಿರತೆ

7.3

7.2

1.1

ಗೋಚರತೆ

7.6

7.5

0.9

ಖರೀದಿ ಉದ್ದೇಶ (%)

58%

65%

ಈ ಚಾರ್ಟ್ ಅನ್ನು ನೋಡಲು ಮತ್ತು "ಉಲ್ಲೇಖವು ಸ್ವಲ್ಪ ಉತ್ತಮವಾಗಿದೆ, ಆದರೆ ವ್ಯತ್ಯಾಸವು ಚಿಕ್ಕದಾಗಿದೆ" ಎಂದು ಹೇಳುವುದು ಸುಲಭ. ಆದರೆ 0.3 ರ ಸರಾಸರಿ ವ್ಯತ್ಯಾಸವು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ ಮಹತ್ವದ್ದಾಗಿದೆಯೇ ಅಥವಾ ಶಬ್ದವೇ? ಇಲ್ಲಿಯೇ AI ಹೆಚ್ಚು ಭ್ರಮೆಗಳನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ.

ಸಾರಾಂಶ, ಥೀಮ್ ಹೊರತೆಗೆಯುವಿಕೆ ಮತ್ತು AI ಜೊತೆಗೆ ಅಂಕಿಅಂಶಗಳ ವ್ಯಾಖ್ಯಾನ ಕರಡು ರಚನೆ

ನೀವು ಮೂರು ಕಾರ್ಯಗಳಿಗಾಗಿ AI ಅನ್ನು ವೇಗವರ್ಧಕವಾಗಿ ಬಳಸಬಹುದು: ಸಂಖ್ಯಾತ್ಮಕ ಸಾರಾಂಶಗಳನ್ನು ರಚಿಸುವುದು, ಮುಕ್ತ-ಮುಕ್ತ ಕಾಮೆಂಟ್‌ಗಳಿಂದ ಥೀಮ್‌ಗಳನ್ನು ಹೊರತೆಗೆಯುವುದು ಮತ್ತು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವ್ಯಾಖ್ಯಾನಗಳನ್ನು ರಚಿಸುವುದು. ಆದರೆ ಮೂರರಲ್ಲೂ ಔಟ್‌ಪುಟ್ ಡ್ರಾಫ್ಟ್ ಆಗಿರುತ್ತದೆಯೇ ಹೊರತು ನಿರ್ಧಾರವಲ್ಲ.

ಓಪನ್-ಎಂಡೆಡ್ ಕಾಮೆಂಟ್‌ಗಳಿಂದ ಥೀಮ್‌ಗಳನ್ನು ಹೊರತೆಗೆಯಲು ಪ್ರಬಲ ಪ್ರಾಂಪ್ಟ್:

ಪಾತ್ರ: ನೀವು ಸಂವೇದನಾ ವಿಶ್ಲೇಷಕರು. ಕಡಿಮೆ ಸಕ್ಕರೆಯ ಹಣ್ಣಿನ ಮೊಸರು (ಕೋಡ್ 417) ಗಾಗಿ 60 ಗ್ರಾಹಕರಿಂದ ಮುಕ್ತ-ಮುಕ್ತ ಕಾಮೆಂಟ್‌ಗಳನ್ನು ಕೆಳಗೆ ನೀಡಲಾಗಿದೆ. ನಿಮ್ಮ ಕಾರ್ಯ:1) ಕಾಮೆಂಟ್‌ಗಳನ್ನು 5-7 ಥೀಮ್‌ಗಳಾಗಿ ಗುಂಪು ಮಾಡಿ (ಉದಾ. ಸಿಹಿ, ಹುಳಿ, ವಿನ್ಯಾಸ, ಹಣ್ಣಿನ ಸುವಾಸನೆ).2) ಪ್ರತಿ ಥೀಮ್‌ಗೆ ಎಷ್ಟು ಕಾಮೆಂಟ್‌ಗಳು ಧನಾತ್ಮಕ/ಋಣಾತ್ಮಕ/ತಟಸ್ಥವಾಗಿವೆ ಮತ್ತು ಸಂಖ್ಯೆಯನ್ನು ಬರೆಯಿರಿ. 3) ನೇರ ಉಲ್ಲೇಖಗಳನ್ನು ಸೇರಿಸಿ, ಸಾರಾಂಶಗೊಳಿಸಿ. ಕಾಮೆಂಟ್‌ಗಳಲ್ಲಿ ಉಲ್ಲೇಖಿಸದ ಥೀಮ್ ಅನ್ನು ರಚಿಸಬೇಡಿ. 4) ಅಂಕಿಅಂಶಗಳ ತೀರ್ಮಾನಗಳನ್ನು ಬರೆಯಬೇಡಿ; ಇದು ಗುಣಾತ್ಮಕ ಸಾರಾಂಶವಾಗಿದೆ. ಟೇಬಲ್ ಆಗಿ ಔಟ್ಪುಟ್: | ಥೀಮ್ | ಧನಾತ್ಮಕ | ಋಣಾತ್ಮಕ | ತಟಸ್ಥ | ಮಾದರಿ ಹೇಳಿಕೆ |ಕಾಮೆಂಟ್‌ಗಳು:[60 ಕಾಮೆಂಟ್‌ಗಳನ್ನು ಇಲ್ಲಿ ಅಂಟಿಸಲಾಗಿದೆ]

ಈಗ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವ್ಯಾಖ್ಯಾನದಲ್ಲಿ ದುರ್ಬಲ ಮತ್ತು ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ನೋಡೋಣ:

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್: "ಈ ಸಂವೇದನಾ ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಿಸಿ, ಹೊಸ ಉತ್ಪನ್ನವು ಉಲ್ಲೇಖಕ್ಕಿಂತ ಉತ್ತಮವಾಗಿದೆಯೇ ಎಂದು ಹೇಳಿ." (ಎಐ ಮಾದರಿಯ ಗಾತ್ರ, ಪರೀಕ್ಷೆಯ ಪ್ರಕಾರ, p-ಮೌಲ್ಯವನ್ನು ತಿಳಿಯದೆ "ಹೌದು ಇದು ಉತ್ತಮವಾಗಿದೆ" ಅಥವಾ "ಗಮನಾರ್ಹ ವ್ಯತ್ಯಾಸವಿದೆ" ಎಂದು ರಚಿಸಬಹುದು.) ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್: "60 ಪ್ಯಾನೆಲಿಸ್ಟ್‌ಗಳೊಂದಿಗೆ 9-ಪಾಯಿಂಟ್ ಹೆಡೋನಿಕ್ ಪರೀಕ್ಷೆಯ ಕಚ್ಚಾ ಒಟ್ಟಾರೆ ಇಚ್ಛೆಯ ಸ್ಕೋರ್‌ಗಳನ್ನು ಕೆಳಗೆ ನೀಡಲಾಗಿದೆ (ಕಾಲಮ್‌ಗಳು 417 ಮತ್ತು 682). ಜೋಡಿಯಾಗಿರುವ ಹಂತಗಳನ್ನು ಲೆಕ್ಕಹಾಕಿ, ಆದರೆ ಬರೆಯಿರಿ. SPSS/R ನಲ್ಲಿ ಫಲಿತಾಂಶ - ಯಾವ ಪರೀಕ್ಷೆಯು ಸೂಕ್ತವಾಗಿದೆ ಮತ್ತು ಏಕೆ (ಜೋಡಿ ಅಥವಾ ಸ್ವತಂತ್ರ) - ಒಂದು ವೇಳೆ ಸಂಖ್ಯಾರೂಪದ p-ಮೌಲ್ಯವನ್ನು ನೀಡಿದರೆ ನಾನು ವ್ಯಾಖ್ಯಾನವನ್ನು ಹೇಗೆ ಹೊಂದಿಸಬಹುದು?

ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್ AI ವಿಧಾನವನ್ನು ಸಲಹೆಗಾರರನ್ನಾಗಿ ಮಾಡುತ್ತದೆ; ನೀವು ಸಂಖ್ಯೆಯನ್ನು ಲೆಕ್ಕ ಹಾಕಿ.

ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಪ್ರಾಮುಖ್ಯತೆ ಮತ್ತು ಮಾದರಿ ಮೌಲ್ಯೀಕರಣ

AI ಸಾರಾಂಶವು "ಹೊಸ ಉತ್ಪನ್ನವನ್ನು ಉಲ್ಲೇಖಕ್ಕಿಂತ ಗಮನಾರ್ಹವಾಗಿ ಕಡಿಮೆ ರೇಟ್ ಮಾಡಲಾಗಿದೆ" ಎಂದು ಬರೆದಿದೆ ಎಂದು ಹೇಳೋಣ. ಕಚ್ಚಾ ಡೇಟಾದೊಂದಿಗೆ ನೀವು ಇದನ್ನು ಪರಿಶೀಲಿಸಬೇಕಾಗಿದೆ. ಸರಳ ಲೆಕ್ಕಾಚಾರದೊಂದಿಗೆ ಜೋಡಿಯಾಗಿರುವ ಟಿ-ಪರೀಕ್ಷೆ ತರ್ಕವನ್ನು ನೋಡೋಣ:

scipy ಆಮದು ಅಂಕಿಅಂಶಗಳಿಂದ nppy ನಂತೆ ಆಮದು ಮಾಡಿ # 60 ಪ್ಯಾನಲಿಸ್ಟ್‌ಗಳ ಒಟ್ಟಾರೆ ಇಷ್ಟದ ಸ್ಕೋರ್‌ಗಳು (9-ಪಾಯಿಂಟ್ ಹೆಡೋನಿಕ್)ಹೊಸ = np.array([7,8,6,7,7,6,8,7, ...]) # ಕೋಡ್ 417, n=60reference = np.array ...7,7,7,7,8,ಕೋಡ್ 682, n=60# ಒಂದೇ ಪ್ಯಾನೆಲಿಸ್ಟ್ ಎರಡೂ ಉತ್ಪನ್ನಗಳನ್ನು ಸ್ಕೋರ್ ಮಾಡಿದ್ದಾರೆ -> ಜೋಡಿಯಾಗಿರುವ t-testit_stat, p_value = stats.ttest_rel(ಹೊಸ, ಉಲ್ಲೇಖ) ವ್ಯತ್ಯಾಸ = new.mean() - reference.mean()print(f"Mean ವ್ಯತ್ಯಾಸ: {ವ್ಯತ್ಯಾಸ:.2f} ಸ್ಕೋರ್ =2}print(f"p"t {p_value:.3f}")# ಕಾಮೆಂಟ್: p >= 0.05 ಆಗಿದ್ದರೆ, ಇದರರ್ಥ "ಯಾವುದೇ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ ಮಹತ್ವದ ವ್ಯತ್ಯಾಸವಿಲ್ಲ."

ಇಲ್ಲಿ ನಿರ್ಣಾಯಕ ಅಂಶ: 0.30 ಅಂಕಗಳ ಸರಾಸರಿ ವ್ಯತ್ಯಾಸವು p = 0.18 ನೊಂದಿಗೆ ಅತ್ಯಲ್ಪವಾಗಬಹುದು. "ಉಲ್ಲೇಖವು ಉತ್ತಮವಾಗಿದೆ" ಎಂಬ AI ಹೇಳಿಕೆಯು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ ಬೆಂಬಲಿಸದ ವ್ಯಾಖ್ಯಾನವಾಗಿದೆ. ನಿಮ್ಮ ನಿರ್ಧಾರವನ್ನು ಮಾಡುವಾಗ, ನೀವು p-ಮೌಲ್ಯ, ಮಾದರಿ ಗಾತ್ರ ಮತ್ತು ಪರೀಕ್ಷೆಯ ಊಹೆಗಳನ್ನು ನೋಡಬೇಕು, ಸರಾಸರಿ ಮಾತ್ರ ಅಲ್ಲ.

ಎಚ್ಚರಿಕೆ: LLMಗಳು ಕಚ್ಚಾ ಸಂಖ್ಯಾತ್ಮಕ ಡೇಟಾವನ್ನು ನೀಡದಿದ್ದರೂ ಸಹ "p<0.05, ವ್ಯತ್ಯಾಸವು ಗಮನಾರ್ಹವಾಗಿದೆ" ನಂತಹ ನಿರ್ಣಾಯಕ ಹೇಳಿಕೆಗಳನ್ನು ನೀಡಬಹುದು. ಇದೊಂದು ಭ್ರಮೆ. AI ಯ ಪಠ್ಯವನ್ನು ಆಧರಿಸಿ ವರದಿಯಲ್ಲಿ ಯಾವುದೇ p-ಮೌಲ್ಯಗಳು, ಪ್ರಾಮುಖ್ಯತೆಯ ಕಾಮೆಂಟ್‌ಗಳು ಅಥವಾ "ಗ್ರಾಹಕರು ಇಷ್ಟಪಟ್ಟಿದ್ದಾರೆ" ತೀರ್ಪುಗಳನ್ನು ಬರೆಯಬೇಡಿ; ನಿಮ್ಮ ಸ್ವಂತ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಸಾಫ್ಟ್‌ವೇರ್‌ನಲ್ಲಿ (R, SPSS, JASP, ಪೈಥಾನ್) ಮರು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ.

ಮಿನಿ ಕೇಸ್

ಪಾನೀಯ ಕಂಪನಿಯಲ್ಲಿ, ಸಂವೇದನಾ ತಂಡವು ಕಿತ್ತಳೆ ರಸದಲ್ಲಿನ ಸಕ್ಕರೆಯನ್ನು 15% ರಷ್ಟು ಕಡಿಮೆ ಮಾಡುವ ಹೊಸ ಸೂತ್ರವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತಿದೆ. ತಂಡವು 90 ಗ್ರಾಹಕರೊಂದಿಗೆ 9-ಪಾಯಿಂಟ್ ಹೆಡೋನಿಕ್ ಪರೀಕ್ಷೆಯನ್ನು ನಡೆಸುತ್ತದೆ ಮತ್ತು ಫಲಿತಾಂಶಗಳನ್ನು ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸಲು AI ಗೆ ಕಚ್ಚಾ ಚಿತ್ರವನ್ನು ನೀಡುತ್ತದೆ. AI ವರದಿಯು "ಹೊಸ ಸೂತ್ರವು ಗಮನಾರ್ಹವಾಗಿ ಕಡಿಮೆ ಇಷ್ಟವಾಯಿತು (p<0.05)" ಮತ್ತು ತಂಡವು ಸೂತ್ರವನ್ನು ಸ್ಕ್ರ್ಯಾಪ್ ಮಾಡಲು ನಿರ್ಧರಿಸುತ್ತದೆ. ಹಿರಿಯ ಇಂಜಿನಿಯರ್ ಕಚ್ಚಾ ಡೇಟಾವನ್ನು R ನಲ್ಲಿ ಮರುರನ್ ಮಾಡುತ್ತಾರೆ: ನಿಜವಾದ ವ್ಯತ್ಯಾಸ 7.0 vs 6.8, p = 0.31 - ಆದ್ದರಿಂದ ಯಾವುದೇ ಗಮನಾರ್ಹ ವ್ಯತ್ಯಾಸವಿಲ್ಲ. ಇದಲ್ಲದೆ, ಪ್ರಸ್ತುತಿಯ ಕ್ರಮವು ಸಮತೋಲಿತವಾಗಿಲ್ಲ ಎಂದು ಗಮನಿಸಲಾಗಿದೆ, ಹೊಸ ಸೂತ್ರವನ್ನು ಯಾವಾಗಲೂ ಎರಡನೆಯದಾಗಿ ರುಚಿ ನೋಡಲಾಗುತ್ತದೆ ಮತ್ತು ರುಚಿ ಆಯಾಸದಿಂದ (ಅಳವಡಿಕೆ) ಪರಿಣಾಮ ಬೀರುತ್ತದೆ. AI ಎರಡೂ p-ಮೌಲ್ಯವನ್ನು ಮಾಡಿತು ಮತ್ತು ಪ್ರಯೋಗ ವಿನ್ಯಾಸದ ದೋಷವನ್ನು ಗುರುತಿಸಲು ವಿಫಲವಾಗಿದೆ. ತಂಡವು ಸಮತೋಲಿತ ವಿನ್ಯಾಸದೊಂದಿಗೆ ಪರೀಕ್ಷೆಯನ್ನು ಪುನರಾವರ್ತಿಸುತ್ತದೆ ಮತ್ತು ಕಡಿಮೆ-ಸಕ್ಕರೆ ಸೂತ್ರವನ್ನು ಸ್ವೀಕರಿಸಲಾಗುತ್ತದೆ. ಕಚ್ಚಾ ಡೇಟಾಗೆ ತಿರುಗುವುದರಿಂದ ಉತ್ತಮ ಉತ್ಪನ್ನವನ್ನು ಎಸೆಯದಂತೆ ಉಳಿಸಲಾಗಿದೆ.

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

ವಿವರಣಾತ್ಮಕ (ಪ್ರೊಫೈಲ್) ಪರೀಕ್ಷೆಯೊಂದಿಗೆ ಹೆಡೋನಿಕ್ (ಇಷ್ಟಪಡುವ) ಪರೀಕ್ಷೆಯನ್ನು ಗೊಂದಲಗೊಳಿಸುವುದು; "ಹೆಚ್ಚು ಹುಳಿ ಅಂಕ" ಎಂದು ಹೇಳಿದರೆ ಅದು ಇಷ್ಟವಾಗಲಿಲ್ಲ ಎಂದು ಅರ್ಥವಲ್ಲ.
ಕಚ್ಚಾ ಲೆಕ್ಕಾಚಾರವನ್ನು ಮಾಡದೆಯೇ AI-ಸಂಯೋಜಿತ p-ಮೌಲ್ಯ ಅಥವಾ "ಗಮನಾರ್ಹ ವ್ಯತ್ಯಾಸ" ಹೇಳಿಕೆಯನ್ನು ವರದಿಯಲ್ಲಿ ಹಾಕುವುದು.
ಮಾದರಿ ಗಾತ್ರವನ್ನು ನಿರ್ಲಕ್ಷಿಸುವುದು; 12-ವ್ಯಕ್ತಿಗಳ ಹೆಡೋನಿಕ್ ಪರೀಕ್ಷೆಯಿಂದ "ಗ್ರಾಹಕರು ಇದನ್ನು ಇಷ್ಟಪಟ್ಟಿದ್ದಾರೆ" ಎಂದು ಸಾಮಾನ್ಯೀಕರಿಸುವುದು.
ಪ್ರಸ್ತುತಿಯ ಕ್ರಮವನ್ನು ಸಮತೋಲನಗೊಳಿಸದಿರುವುದು ಮತ್ತು ಮೊದಲ-ಮಾದರಿ/ರುಚಿಯ ಆಯಾಸ ಪಕ್ಷಪಾತವನ್ನು ಕಡೆಗಣಿಸದಿರುವುದು.
ಕುರುಡು ಪರೀಕ್ಷೆಯಿಲ್ಲದೆ ಯಾವ ಮಾದರಿ "ಹೊಸ ಉತ್ಪನ್ನ" ಎಂದು ತಿಳಿಯಲು ಪ್ಯಾನಲಿಸ್ಟ್‌ಗಳಿಗೆ ಅವಕಾಶ ನೀಡುವುದು.
AI ನಿರ್ಮಿತ ಉಲ್ಲೇಖಗಳು/ಥೀಮ್‌ಗಳನ್ನು ರಚಿಸುವುದರ ವಿರುದ್ಧ ಮುಕ್ತ-ಮುಕ್ತ ಕಾಮೆಂಟ್‌ಗಳನ್ನು ಸಾರಾಂಶಗೊಳಿಸುತ್ತದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ವಿಫಲವಾಗಿದೆ.
ಪ್ಯಾನಲಿಸ್ಟ್ ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಪರಿಶೀಲಿಸದೆ ಎಲ್ಲಾ ಸ್ಕೋರ್‌ಗಳನ್ನು ಸಮಾನವಾಗಿ ತೂಕ ಮಾಡುವುದು (ಕುರುಡು ನಕಲಿ ಸ್ಥಿರತೆ).

ಸಾರಾಂಶದಲ್ಲಿ

ಸಂವೇದನಾ ಪರೀಕ್ಷೆಯಲ್ಲಿ, ಮೊದಲು ಪ್ರಶ್ನೆಯನ್ನು ನಿರ್ಧರಿಸಿ: ರುಚಿಗೆ ಹೆಡೋನಿಕ್ ಪರೀಕ್ಷೆ, ವ್ಯತ್ಯಾಸಕ್ಕಾಗಿ ತ್ರಿಕೋನ ಪರೀಕ್ಷೆ, ಪ್ರೊಫೈಲ್‌ಗಾಗಿ ವಿವರಣಾತ್ಮಕ ಪರೀಕ್ಷೆ (QDA) ಬಳಸಿ.
ಕಚ್ಚಾ ಸ್ಕೋರ್‌ಗಳನ್ನು ನಂಬುವ ಮೊದಲು ಫಲಕವನ್ನು ನಂಬಿರಿ: ಕುರುಡು ಪರೀಕ್ಷೆ, ಪ್ರಸ್ತುತಿ ಕ್ರಮದ ಸಮತೋಲನ, ಮರುಪಂದ್ಯ ಮತ್ತು ಕುರುಡು ನಕಲುಗಳೊಂದಿಗೆ ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಪರಿಶೀಲಿಸಿ.
ಸಂಖ್ಯಾತ್ಮಕ ಸಾರಾಂಶ, ಮುಕ್ತ-ಮುಕ್ತ ಕಾಮೆಂಟ್‌ಗಳಿಂದ ಥೀಮ್ ಹೊರತೆಗೆಯುವಿಕೆ ಮತ್ತು ಅಂಕಿಅಂಶಗಳ ವಿಧಾನದ ಸಲಹೆಗಾಗಿ AI ಬಳಸಿ; ಆದರೆ ಔಟ್ಪುಟ್ ಒಂದು ಡ್ರಾಫ್ಟ್ ಆಗಿದೆ.
ಸರಾಸರಿ ವ್ಯತ್ಯಾಸವು ಅಂಕಿಅಂಶಗಳ ಪ್ರಾಮುಖ್ಯತೆಯಂತೆಯೇ ಅಲ್ಲ; ಸಣ್ಣ ಸರಾಸರಿ ವ್ಯತ್ಯಾಸಗಳು p-ಮೌಲ್ಯದೊಂದಿಗೆ ಅತ್ಯಲ್ಪವಾಗಿ ಹೊರಹೊಮ್ಮಬಹುದು.
AI p-ಮೌಲ್ಯ, ಪ್ರಾಮುಖ್ಯತೆಯ ವ್ಯಾಖ್ಯಾನ ಮತ್ತು "ಥಂಬ್ಸ್ ಅಪ್" ತೀರ್ಪಿನ ಭ್ರಮೆಯನ್ನು ಉಂಟುಮಾಡಬಹುದು; ನಿಮ್ಮ ಸ್ವಂತ ಸಾಫ್ಟ್‌ವೇರ್‌ನಲ್ಲಿ ಕಚ್ಚಾ ಡೇಟಾದೊಂದಿಗೆ ಪ್ರತಿ ಅಂಕಿಅಂಶ ಫಲಿತಾಂಶವನ್ನು ಮರು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ.
ಅಂತಿಮ ಉತ್ಪನ್ನ/ಸೂತ್ರ ನಿರ್ಧಾರ; ಮೌಲ್ಯೀಕರಿಸಿದ ಅಂಕಿಅಂಶಗಳು, ದೃಢವಾದ ಪ್ರಯೋಗ ವಿನ್ಯಾಸ ಮತ್ತು ಪ್ಯಾನಲಿಸ್ಟ್ ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಒಟ್ಟಿಗೆ ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ, AI ಪಠ್ಯವನ್ನು ಆಧರಿಸಿಲ್ಲ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ಸ್ವಯಂ-ಅಧ್ಯಯನ ಅಥವಾ ಕಾಲ್ಪನಿಕ ಉತ್ಪನ್ನದ ಮೇಲೆ 40-60 ಪ್ಯಾನಲಿಸ್ಟ್‌ಗಳಿಗೆ 9-ಪಾಯಿಂಟ್ ಹೆಡೋನಿಕ್ ಪರೀಕ್ಷೆ ಮತ್ತು ತ್ರಿಕೋನ ಪರೀಕ್ಷೆಯನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿ (ಉದಾ., ಕಡಿಮೆ-ಉಪ್ಪು ಸೂಪ್, ಗ್ಲುಟನ್-ಮುಕ್ತ ಕೇಕ್). ನಿಮ್ಮ ಪ್ರಯೋಗ ವಿನ್ಯಾಸವನ್ನು ಬರೆಯಿರಿ: ಎಷ್ಟು ಪ್ಯಾನೆಲಿಸ್ಟ್‌ಗಳು, ಬ್ಲೈಂಡ್ ಕೋಡಿಂಗ್, ಪ್ರಸ್ತುತಿ ಆರ್ಡರ್ ಬ್ಯಾಲೆನ್ಸಿಂಗ್ ಯೋಜನೆ ಮತ್ತು ನೀವು ಅಂಧ ನಕಲುಗಳನ್ನು ಬಳಸುತ್ತೀರಾ. ವಾಸ್ತವಿಕ ಕಚ್ಚಾ ಡೇಟಾ ಟೇಬಲ್ ಅನ್ನು ರಚಿಸಿ (ಕನಿಷ್ಠ 20 ಸಾಲುಗಳು) ಮತ್ತು AI ಗೆ ಎರಡು ವಿಭಿನ್ನ ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು ನೀಡಿ: (1) ಓಪನ್-ಎಂಡೆಡ್ ಕಾಮೆಂಟ್‌ಗಳಿಂದ ಥೀಮ್ ಹೊರತೆಗೆಯುವಿಕೆ, (2) ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಧಾನದ ಸಲಹೆ (ಪಿ-ಮೌಲ್ಯವನ್ನು ಮಾಡದಂತೆ ಸ್ಪಷ್ಟವಾಗಿ ಕೇಳಿ). ನಂತರ ಜೋಡಿಯಾಗಿರುವ t-ಪರೀಕ್ಷೆಯನ್ನು ನೀವೇ ಪೈಥಾನ್/R/JASP ನಲ್ಲಿ ರನ್ ಮಾಡಿ ಮತ್ತು ಅದನ್ನು AI ನ ವ್ಯಾಖ್ಯಾನದೊಂದಿಗೆ ಹೋಲಿಕೆ ಮಾಡಿ. ಒಂದು ಪುಟದ ಟಿಪ್ಪಣಿಯಲ್ಲಿ: ನೀವು ದೃಢಪಡಿಸಿದ AI ನ ಯಾವ ಹೇಳಿಕೆಗಳನ್ನು ವಿವರಿಸಿ, ಕಚ್ಚಾ ಡೇಟಾದೊಂದಿಗೆ ನೀವು ನಿರಾಕರಿಸಿರುವಿರಿ ಮತ್ತು ನಿಮ್ಮ ಅಂತಿಮ ಉತ್ಪನ್ನದ ನಿರ್ಧಾರವನ್ನು ನೀವು ಆಧರಿಸಿರುತ್ತೀರಿ. ನಿಮ್ಮ ಮೆಮೊದಲ್ಲಿ, ನಿಮ್ಮ ಪ್ರಯೋಗ ವಿನ್ಯಾಸದಲ್ಲಿ ಪಕ್ಷಪಾತದ ಕನಿಷ್ಠ ಒಂದು ಅಪಾಯವನ್ನು ವಿವರಿಸಿ ಮತ್ತು ನೀವು ಅದನ್ನು ಹೇಗೆ ಕಡಿಮೆಗೊಳಿಸಿದ್ದೀರಿ.