ಲಾಭಗಳು:
- ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಬೆಂಬಲದೊಂದಿಗೆ ಗುರಿ ಪ್ರೇಕ್ಷಕರಿಗೆ (ಶೈಕ್ಷಣಿಕ, ನೀತಿ, ನಿರ್ವಹಣೆ) ಪ್ರಾಯೋಗಿಕ ಸಂಶೋಧನೆಗಳನ್ನು ಪ್ರಾಮಾಣಿಕ ಮತ್ತು ನಿಸ್ಸಂದಿಗ್ಧ ಭಾಷೆಯಲ್ಲಿ ವರದಿ ಮಾಡುವ ಸಾಮರ್ಥ್ಯ
- ತೀರ್ಮಾನಗಳು, ಮಿತಿಗಳು ಮತ್ತು ನೈತಿಕ ಹೇಳಿಕೆಗಳನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಬರೆಯುವ ಸಾಮರ್ಥ್ಯ (ಡೇಟಾ ಗೌಪ್ಯತೆ, ಆಸಕ್ತಿಯ ಸಂಘರ್ಷ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಬಳಕೆಯ ಬಹಿರಂಗಪಡಿಸುವಿಕೆ) ಮತ್ತು ತಪ್ಪುದಾರಿಗೆಳೆಯುವ ಪ್ರಸ್ತುತಿಯನ್ನು ತಪ್ಪಿಸುವುದು
- ಉತ್ಪ್ರೇಕ್ಷಿತ, ಏಕಪಕ್ಷೀಯ ಅಥವಾ ಸಾಂದರ್ಭಿಕ ಭಾಷೆಯನ್ನು ಉತ್ಪಾದಿಸುವ ವರದಿಗಳ ಕರಡುಗಳನ್ನು ಗುರುತಿಸಲು ಮತ್ತು ಅಂತಿಮ ಪಠ್ಯ ಮತ್ತು ಹಕ್ಕುಗಳ ಜವಾಬ್ದಾರಿಯನ್ನು ನಿರ್ವಹಿಸಲು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಸಾಮರ್ಥ್ಯವು ಸಂಶೋಧಕರ ಮೇಲಿದೆ.
ಮಾಡ್ಯೂಲ್ ಪರೀಕ್ಷೆ
1. ಸಂಶೋಧಕರೊಬ್ಬರು '2015 ಮತ್ತು 2020 ರ ನಡುವೆ Türkiye ನಲ್ಲಿ ನಿರುದ್ಯೋಗ ಮತ್ತು ಹಣದುಬ್ಬರದ ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧದ ಗುಣಾಂಕ ಏನು?' ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ ಯಾವುದೇ ಡೇಟಾವನ್ನು ನೀಡದೆ. ಅವನು ನೇರವಾಗಿ ತನ್ನ ಲೇಖನದಲ್ಲಿ 0.62 ಸಂಖ್ಯೆಯನ್ನು ಕೇಳುತ್ತಾನೆ ಮತ್ತು ಬರೆಯುತ್ತಾನೆ. ಈ ವಿಧಾನದಲ್ಲಿ ಮೂಲಭೂತ ತಪ್ಪು ಏನು?
- ಎ) ಪರಿಶೀಲಿಸಿದ ಡೇಟಾವನ್ನು ನೀಡದೆ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಿಂದ ಕಾಂಕ್ರೀಟ್ ಅಂಕಿಅಂಶಗಳನ್ನು ನಿರೀಕ್ಷಿಸುವುದು; ✔ ಪರಿಶೀಲಿಸದೆ ರಚಿಸಲಾದ ಸಂಖ್ಯೆಯನ್ನು ಬಳಸುವುದು
- ಬಿ) ಪರಸ್ಪರ ಸಂಬಂಧ ಗುಣಾಂಕವನ್ನು ಎಂದಿಗೂ ಲೇಖನದಲ್ಲಿ ಬಳಸಬಾರದು.
- ಸಿ) ನಿರುದ್ಯೋಗ ಮತ್ತು ಹಣದುಬ್ಬರದ ನಡುವೆ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ಲೆಕ್ಕಹಾಕಲಾಗುವುದಿಲ್ಲ
- ಡಿ) ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು 2020 ರ ನಂತರ ಮಾತ್ರ ಡೇಟಾವನ್ನು ಪ್ರವೇಶಿಸಬಹುದು
ವಿವರಣೆ: ಡೇಟಾಸೆಟ್ ಅನ್ನು ಪ್ರವೇಶಿಸದೆ AI ಭಾಷಾ ಮಾದರಿಯು ಅಂಕಿಅಂಶಗಳನ್ನು ಉತ್ಪಾದಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ; ಅವನು ನೀಡುವ ಸಂಖ್ಯೆಯು ಹೆಚ್ಚಾಗಿ ಭ್ರಮೆಯಾಗಿದೆ (ಫ್ಯಾಬ್ರಿಕೇಟೆಡ್). ಗುಣಾಂಕಗಳು, ಅನುಪಾತಗಳು ಮತ್ತು ಪರೀಕ್ಷಾ ಫಲಿತಾಂಶಗಳನ್ನು ಸಂಶೋಧಕರ ಸ್ವಂತ ಪರಿಶೀಲಿಸಿದ ಡೇಟಾದಿಂದ ಲೆಕ್ಕ ಹಾಕಬೇಕು, ಮಾದರಿಯ ಮೆಮೊರಿಯಿಂದ ತೆಗೆದುಕೊಳ್ಳಲಾಗುವುದಿಲ್ಲ.
2. ಕಾಣೆಯಾದ ಡೇಟಾವು 'ಯಾದೃಚ್ಛಿಕವಾಗಿ ಕಾಣೆಯಾಗಿಲ್ಲ' (MNAR) ಎಂಬುದರ ಅರ್ಥವೇನು ಮತ್ತು ಅದು ಏಕೆ ಮುಖ್ಯವಾಗಿದೆ?
- ಎ) ಕೊರತೆಯು ಗಮನಿಸದ ಮೌಲ್ಯದ ಕಾರಣದಿಂದಾಗಿರುತ್ತದೆ; ಅದಕ್ಕಾಗಿಯೇ ಸರಳ ನಿಯೋಜನೆಯು ಪಕ್ಷಪಾತವನ್ನು ರಚಿಸಬಹುದು ✔
- ಬಿ) ಡೇಟಾ ಸಂಪೂರ್ಣವಾಗಿ ಯಾದೃಚ್ಛಿಕವಾಗಿ ಕಣ್ಮರೆಯಾಗುತ್ತದೆ ಮತ್ತು ಯಾವುದೇ ಪಕ್ಷಪಾತವನ್ನು ಸೃಷ್ಟಿಸುವುದಿಲ್ಲ.
- ಸಿ) ಕಾಣೆಯಾದ ಡೇಟಾವನ್ನು ಯಾವಾಗಲೂ ಸಾಲನ್ನು ಅಳಿಸುವ ಮೂಲಕ ಪರಿಹರಿಸಬೇಕು.
- ಡಿ) ಕಾಣೆಯಾದ ಡೇಟಾವು ಯಾವುದೇ ರೀತಿಯಲ್ಲಿ ವಿಶ್ಲೇಷಣೆಯ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವುದಿಲ್ಲ.
ವಿವರಣೆ: MNAR ಪ್ರಕರಣದಲ್ಲಿ (ಯಾದೃಚ್ಛಿಕವಾಗಿ ಕಾಣೆಯಾಗಿದೆ), ಕಾಣೆಯಾಗಿರುವುದು ಸ್ವತಃ ಗಮನಿಸದ ಮೌಲ್ಯದ ಪ್ರಮಾಣವನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ (ಉದಾಹರಣೆಗೆ ಹೆಚ್ಚಿನ ಆದಾಯದವರು ತಮ್ಮ ಆದಾಯವನ್ನು ವರದಿ ಮಾಡುವುದಿಲ್ಲ). ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಸರಳವಾದ ಅಳಿಸುವಿಕೆ ಅಥವಾ ಸರಾಸರಿ ನಿಯೋಜನೆಯು ಪಕ್ಷಪಾತದ ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡುತ್ತದೆ; ಕೊರತೆಯ ಕಾರ್ಯವಿಧಾನವನ್ನು ರೂಪಿಸಬೇಕು. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಿಂದ ಸೂಚಿಸಲಾದ ನಿಯೋಜನೆ ವಿಧಾನವನ್ನು ಈ ಕಾರ್ಯವಿಧಾನವನ್ನು ತಿಳಿಯದೆ ಕುರುಡಾಗಿ ಅನ್ವಯಿಸಬಾರದು.
3. ವಿಶ್ಲೇಷಕನು AI ಬಾರ್ ಚಾರ್ಟ್ ಅನ್ನು ಮಾಡುತ್ತಾನೆ ಮತ್ತು AI ಶೂನ್ಯಕ್ಕೆ ಬದಲಾಗಿ 40 ನಲ್ಲಿ y-ಅಕ್ಷವನ್ನು ಪ್ರಾರಂಭಿಸುತ್ತದೆ. ಎರಡು ಗುಂಪುಗಳ ನಡುವಿನ ನಿಜವಾದ ವ್ಯತ್ಯಾಸವು 2% ಗ್ರಾಫ್ನಲ್ಲಿ ದೊಡ್ಡದಾಗಿ ಕಾಣುತ್ತದೆ. ಸರಿಯಾದ ವಿಧಾನ ಯಾವುದು?
- ಎ) ಮೊದಲಿನಿಂದ ಅಕ್ಷವನ್ನು ಪ್ರಾರಂಭಿಸುವುದು ಅಥವಾ ಚಾರ್ಟ್ ಪ್ರಕಾರವನ್ನು ಬದಲಾಯಿಸುವುದು; ✔ ತಪ್ಪುದಾರಿಗೆಳೆಯದೆ ವ್ಯತ್ಯಾಸದ ನಿಜವಾದ ಗಾತ್ರವನ್ನು ತೋರಿಸಲು
- ಬಿ) ಚಾರ್ಟ್ ಅನ್ನು ಬಳಸುವುದರಿಂದ AI ಅತ್ಯುತ್ತಮ ಆಯ್ಕೆ ಮಾಡುತ್ತದೆ
- ಸಿ) ವ್ಯತ್ಯಾಸವನ್ನು ಇನ್ನಷ್ಟು ದೊಡ್ಡದಾಗಿಸಲು ಅಕ್ಷವನ್ನು 45 ರಲ್ಲಿ ಪ್ರಾರಂಭಿಸುವುದು
- ಡಿ) ಬಾರ್ ಚಾರ್ಟ್ಗಳ ಬದಲಿಗೆ ದೃಶ್ಯಗಳನ್ನು ಎಂದಿಗೂ ಬಳಸಬೇಡಿ
ವಿವರಣೆ: ಬಾರ್ ಚಾರ್ಟ್ನಲ್ಲಿ, ಡ್ಯಾಶ್ ಮಾಡಿದ ಅಕ್ಷ (ಶೂನ್ಯದಿಂದ ಪ್ರಾರಂಭವಾಗದ y-ಅಕ್ಷ) ಸಣ್ಣ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಉತ್ಪ್ರೇಕ್ಷಿಸುವ ಮೂಲಕ ತಪ್ಪುದಾರಿಗೆಳೆಯುತ್ತದೆ. ಪ್ರಾಮಾಣಿಕ ದೃಶ್ಯೀಕರಣದಲ್ಲಿ, ಬಾರ್ ಚಾರ್ಟ್ಗಳ ಅಕ್ಷವು ಶೂನ್ಯದಿಂದ ಪ್ರಾರಂಭವಾಗಬೇಕು ಅಥವಾ ವ್ಯತ್ಯಾಸವನ್ನು ಪ್ರಜ್ಞಾಪೂರ್ವಕವಾಗಿ ಸ್ಪಷ್ಟವಾಗಿ ಹೇಳಬೇಕು. ಚಿತ್ರವನ್ನು ಪರಿಶೀಲಿಸುವುದು ಮತ್ತು ಅಗತ್ಯವಿದ್ದರೆ ಅದನ್ನು ಸರಿಪಡಿಸುವುದು ವಿಶ್ಲೇಷಕರ ಜವಾಬ್ದಾರಿಯಾಗಿದೆ.
4. ರೇಖೀಯ ಹಿಂಜರಿತದಲ್ಲಿ ಗುಣಾಂಕವು 'ಮಹತ್ವದ' (p<0.05) ಎಂಬ ಅಂಶವನ್ನು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ವ್ಯಾಖ್ಯಾನದಲ್ಲಿ ಹೇಗೆ ತಪ್ಪಾಗಿ ನಿರೂಪಿಸಲಾಗಿದೆ?
- ಎ) ಪರಿಣಾಮವು ದೊಡ್ಡದಾಗಿದೆ ಮತ್ತು ಮಹತ್ವದ್ದಾಗಿದೆ ಅಥವಾ ಕಾರಣವನ್ನು ಸ್ಥಾಪಿಸಿರುವುದರಿಂದ ಪ್ರಾಮುಖ್ಯತೆಯ ಉತ್ಪ್ರೇಕ್ಷಿತ ಪ್ರಸ್ತುತಿ ✔
- ಬಿ) ಪ್ರಾಮುಖ್ಯತೆಯು ಯಾವಾಗಲೂ ಪರಿಣಾಮವು ಚಿಕ್ಕದಾಗಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ
- ಸಿ) p<0.05 ಗುಣಾಂಕವು ಸಂಪೂರ್ಣವಾಗಿ ಸರಿಯಾಗಿದೆ ಎಂದು ಸಾಬೀತುಪಡಿಸುತ್ತದೆ
- ಡಿ) ಮಹತ್ವದ ಗುಣಾಂಕಗಳನ್ನು ಎಂದಿಗೂ ವರದಿ ಮಾಡಬಾರದು.
ವಿವರಣೆ: ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಪ್ರಾಮುಖ್ಯತೆಯು ಪರಿಣಾಮವು ಶೂನ್ಯಕ್ಕಿಂತ ಭಿನ್ನವಾಗಿದೆ ಎಂಬುದಕ್ಕೆ ಪುರಾವೆಗಳ ಬಲಕ್ಕೆ ಸಂಬಂಧಿಸಿದೆ; ಪರಿಣಾಮವು ದೊಡ್ಡದು, ಮುಖ್ಯವಾದುದು ಅಥವಾ ಸಾಂದರ್ಭಿಕವಾದುದು ಎಂದು ಅರ್ಥವಲ್ಲ. AI ಸಾಮಾನ್ಯವಾಗಿ 'ಗಮನಾರ್ಹ' ಪದವನ್ನು 'ಮಹತ್ವದ/ಬಲವಾದ ಪ್ರಭಾವ' ಎಂದು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತದೆ. ಸಂಶೋಧಕರು ಪರಿಣಾಮದ ಗಾತ್ರ, ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರ ಮತ್ತು ಸಂದರ್ಭವನ್ನು ಸಹ ಮೌಲ್ಯಮಾಪನ ಮಾಡಬೇಕು.
5. 'p-ಹ್ಯಾಕಿಂಗ್' ಪದವು ಏನನ್ನು ಸೂಚಿಸುತ್ತದೆ ಮತ್ತು AI ಅದನ್ನು ಏಕೆ ಸುಲಭಗೊಳಿಸುತ್ತದೆ?
- ಎ) ಅರ್ಥವಾಗುವವರೆಗೆ ಅನೇಕ ವಿಶ್ಲೇಷಣೆಗಳನ್ನು ಪ್ರಯತ್ನಿಸುವುದು; AI ಇದನ್ನು ತ್ವರಿತವಾಗಿ ಮಾಡುತ್ತದೆ, ಅಪಾಯವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ ✔
- ಬಿ) ಒಮ್ಮೆ ಮತ್ತು ಪೂರ್ವನಿರ್ಧರಿತ ಯೋಜನೆಯೊಂದಿಗೆ ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಿಸುವುದು
- ಸಿ) p-ಮೌಲ್ಯವನ್ನು ಹೆಚ್ಚಿಸಲು ಮಾದರಿಯನ್ನು ವಿಸ್ತರಿಸುವುದು
- ಡಿ) ವಿವರಣಾತ್ಮಕ ಅಂಕಿಅಂಶಗಳನ್ನು ಮಾತ್ರ ವರದಿ ಮಾಡುವುದು
ವಿವರಣೆ: ಅರ್ಥಪೂರ್ಣ ಫಲಿತಾಂಶ ಹೊರಹೊಮ್ಮುವವರೆಗೆ p-ಹ್ಯಾಕಿಂಗ್ ವಿಭಿನ್ನ ವೇರಿಯಬಲ್ಗಳು, ಉಪ ಮಾದರಿಗಳು, ರೂಪಾಂತರಗಳು ಅಥವಾ ಮಾದರಿಗಳನ್ನು ಪ್ರಯತ್ನಿಸುತ್ತಿದೆ; ಇದು ಅವಕಾಶವನ್ನು ಆಧರಿಸಿ ನಕಲಿ ಸಂಶೋಧನೆಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. AI ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಡಜನ್ಗಟ್ಟಲೆ ಮಾದರಿಯ ರೂಪಾಂತರಗಳನ್ನು ಪ್ರಯತ್ನಿಸಬಹುದಾದ್ದರಿಂದ, ಇದು ಪ್ರಾಮಾಣಿಕ ಯೋಜನೆ ಇಲ್ಲದೆ p-ಹ್ಯಾಕಿಂಗ್ ಅನ್ನು ವೇಗಗೊಳಿಸುತ್ತದೆ. ರಕ್ಷಣಾ; ಪೂರ್ವ ನೋಂದಣಿ, ಸ್ಥಿರ ವಿಶ್ಲೇಷಣೆ ಯೋಜನೆ ಮತ್ತು ಬಹು ಹೋಲಿಕೆ ತಿದ್ದುಪಡಿ.
6. ಎರಡು ನಿಶ್ಚಲವಲ್ಲದ (ಯೂನಿಟ್ ರೂಟ್) ಸಮಯದ ಸರಣಿಗಳ ನಡುವೆ ಹೆಚ್ಚಿನ R-ಸ್ಕ್ವೇರ್ ರಿಗ್ರೆಶನ್ ಅನ್ನು ಕಂಡುಹಿಡಿಯುವುದು ಏಕೆ ತಪ್ಪುದಾರಿಗೆಳೆಯಬಹುದು?
- ಎ) ಸಾಮಾನ್ಯ ಪ್ರವೃತ್ತಿಯಿಂದಾಗಿ ನಕಲಿ ಹಿಮ್ಮೆಟ್ಟುವಿಕೆ ಸಂಭವಿಸಬಹುದು; ✔ ನೈಜ ಸಂಬಂಧವಿಲ್ಲದೆ ಹೆಚ್ಚಿನ R-ಸ್ಕ್ವೇರ್ ಔಟ್ಪುಟ್
- ಬಿ) ಹೆಚ್ಚಿನ ಆರ್-ಸ್ಕ್ವೇರ್ ಯಾವಾಗಲೂ ಬಲವಾದ ಸಾಂದರ್ಭಿಕ ಸಂಬಂಧವನ್ನು ಸಾಬೀತುಪಡಿಸುತ್ತದೆ.
- ಸಿ) ಸ್ಥಾಯಿಯಲ್ಲದ ಸರಣಿಗಳನ್ನು ಹಿಂಜರಿಕೆಗೆ ಪ್ರವೇಶಿಸಲಾಗುವುದಿಲ್ಲ.
- D) R- ವರ್ಗವನ್ನು ಸಮಯ ಸರಣಿಯಲ್ಲಿ ಲೆಕ್ಕ ಹಾಕಲಾಗುವುದಿಲ್ಲ
ವಿವರಣೆ: ಸ್ಥಿರವಲ್ಲದ ಸರಣಿಗಳ ನಡುವೆ ಯಾವುದೇ ಸಾಮಾನ್ಯ ಸಂಯೋಜನೆಯ ಸಂಬಂಧವಿಲ್ಲದಿದ್ದರೆ, ಸಾಮಾನ್ಯ ಪ್ರವೃತ್ತಿಯಿಂದಾಗಿ ನಕಲಿ ಹಿಂಜರಿತವು ಹೆಚ್ಚಿನ R- ವರ್ಗ ಮತ್ತು ಗಮನಾರ್ಹ ಗುಣಾಂಕವನ್ನು ಉಂಟುಮಾಡಬಹುದು; ಆದರೆ ನಿಜವಾದ ಸಂಬಂಧವಿಲ್ಲ. ಆದ್ದರಿಂದ, ನಿಶ್ಚಲತೆ ಮತ್ತು ಘಟಕ ಮೂಲ ಪರೀಕ್ಷೆಗಳನ್ನು ಮೊದಲು ಮಾಡಬೇಕು, ಮತ್ತು ಅಗತ್ಯವಿದ್ದರೆ, ವ್ಯತ್ಯಾಸಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಬೇಕು ಅಥವಾ ಸಂಯೋಜನೆಯನ್ನು ಪರೀಕ್ಷಿಸಬೇಕು.
7. ಡಿಫರೆನ್ಸ್-ಇನ್-ಡಿಫರೆನ್ಸ್ ವಿನ್ಯಾಸದ ಸಿಂಧುತ್ವವನ್ನು ಯಾವ ಮೂಲಭೂತ ಊಹೆ ಆಧರಿಸಿದೆ?
- ಎ) ಸಮಾನಾಂತರ ಪ್ರವೃತ್ತಿಗಳ ಊಹೆ: ಯಾವುದೇ ಹಸ್ತಕ್ಷೇಪವಿಲ್ಲದಿದ್ದರೆ ಗುಂಪುಗಳು ಒಂದೇ ದಿಕ್ಕನ್ನು ಅನುಸರಿಸುತ್ತವೆ ✔
- ಬಿ) ಚಿಕಿತ್ಸೆ ಮತ್ತು ನಿಯಂತ್ರಣ ಗುಂಪುಗಳು ಆರಂಭದಲ್ಲಿ ಒಂದೇ ಆಗಿರುತ್ತವೆ
- ಸಿ) ಮಾದರಿಯ ಸಾಮಾನ್ಯ ವಿತರಣೆ
- ಡಿ) ವೇರಿಯೇಬಲ್ಗಳು ಯಾವುದೇ ಕಾಣೆಯಾದ ಡೇಟಾವನ್ನು ಹೊಂದಿರುವುದಿಲ್ಲ
ವಿವರಣೆ: ಮಧ್ಯಸ್ಥಿಕೆಯ ಅನುಪಸ್ಥಿತಿಯಲ್ಲಿ, ಚಿಕಿತ್ಸೆ ಮತ್ತು ನಿಯಂತ್ರಣ ಗುಂಪುಗಳ ಫಲಿತಾಂಶದ ವೇರಿಯಬಲ್ ಕಾಲಾನಂತರದಲ್ಲಿ ಸಮಾನಾಂತರವಾಗಿರುತ್ತದೆ (ಸಮಾನಾಂತರ ಪ್ರವೃತ್ತಿಗಳ ಊಹೆ) ಎಂದು ಡಿಐಡಿ ಊಹಿಸುತ್ತದೆ. ಈ ಊಹೆಯನ್ನು ಪೂರೈಸದಿದ್ದರೆ, ಅಂದಾಜು ಪಕ್ಷಪಾತವಾಗಿದೆ. AI ಡಿಐಡಿ ಕೋಡ್ ಅನ್ನು ಉತ್ಪಾದಿಸಬಹುದು, ಆದರೆ ಸಮಾನಾಂತರ ಪ್ರವೃತ್ತಿಗಳನ್ನು ರಕ್ಷಿಸಲು ಮತ್ತು ಪರೀಕ್ಷಿಸಲು ಸಂಶೋಧಕರ ಕೆಲಸ.
8. ಪುನರುತ್ಪಾದಕ ವಿಶ್ಲೇಷಣೆಗೆ ಈ ಕೆಳಗಿನವುಗಳಲ್ಲಿ ಯಾವುದು ಕಡ್ಡಾಯ ಅಭ್ಯಾಸವಾಗಿದೆ?
- ಎ) ಯಾದೃಚ್ಛಿಕ ಹಂತಗಳಲ್ಲಿ ಬೀಜವನ್ನು ಸರಿಪಡಿಸುವುದು, ಪ್ಯಾಕೇಜ್ ಆವೃತ್ತಿಗಳು ಮತ್ತು ಕೋಡ್ ಅನ್ನು ರೆಕಾರ್ಡ್ ಮಾಡುವುದು ✔
- ಬಿ) ಫಲಿತಾಂಶಗಳನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಸ್ಪ್ರೆಡ್ಶೀಟ್ಗೆ ನಕಲಿಸಿ ಮತ್ತು ಕೋಡ್ ಅನ್ನು ಅಳಿಸಿ
- ಸಿ) ಪ್ರತಿ ಓಟದಲ್ಲಿ ವಿಭಿನ್ನ ಫಲಿತಾಂಶಗಳನ್ನು ನೋಡುವುದು ಸಹಜ.
- ಡಿ) ಅಂತಿಮ ಗ್ರಾಫಿಕ್ಸ್ ಅನ್ನು ಮಾತ್ರ ಇಟ್ಟುಕೊಳ್ಳುವುದು, ಡೇಟಾ ಮತ್ತು ಕೋಡ್ ಅನ್ನು ಹಂಚಿಕೊಳ್ಳುವುದಿಲ್ಲ
ವಿವರಣೆ: ಪುನರುತ್ಪಾದನೆ; ಅದೇ ಡೇಟಾ ಮತ್ತು ಕೋಡ್ನೊಂದಿಗೆ ಅದೇ ಫಲಿತಾಂಶವನ್ನು ಮತ್ತೆ ಪಡೆಯಬಹುದು. ಯಾದೃಚ್ಛಿಕ ಹಂತಗಳಲ್ಲಿ ಬೀಜವನ್ನು ಸರಿಪಡಿಸುವುದು, ಪ್ಯಾಕೇಜ್ ಆವೃತ್ತಿಗಳನ್ನು ಉಳಿಸುವುದು ಮತ್ತು ಡಾಕ್ಯುಮೆಂಟ್ನಲ್ಲಿ ಕೋಡ್ ಅನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವುದು (ಸಾಕ್ಷರ ಪ್ರೋಗ್ರಾಮಿಂಗ್) ಇದರ ಮೂಲಾಧಾರವಾಗಿದೆ. ಫಲಿತಾಂಶಗಳನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ನಕಲಿಸುವುದು ಅಥವಾ ಕ್ಲಿಕ್-ಆಧಾರಿತ, ಲಾಗಿಂಗ್ ಮಾಡದ ಹಂತಗಳು ಪುನರುತ್ಪಾದನೆಯನ್ನು ದುರ್ಬಲಗೊಳಿಸುತ್ತದೆ.
9. ಹೆಟೆರೋಸ್ಕೆಡಾಸ್ಟಿಸಿಟಿಯು ರೇಖೀಯ ಹಿಂಜರಿತವನ್ನು ಏನು ವಿರೂಪಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ಅದರ ಸಾಮಾನ್ಯ ಪರಿಹಾರವೇನು?
- ಎ) ಇದು ಪ್ರಮಾಣಿತ ದೋಷಗಳನ್ನು ವಿರೂಪಗೊಳಿಸುತ್ತದೆ; ಪರಿಹಾರವು ದೃಢವಾದ ಪ್ರಮಾಣಿತ ದೋಷಗಳು ಅಥವಾ ಸೂಕ್ತವಾದ ರೂಪಾಂತರವಾಗಿದೆ ✔
- ಬಿ) ಇದು ಗುಣಾಂಕದ ಅಂದಾಜುಗಳನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಅಮಾನ್ಯಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ಯಾವುದೇ ಪರಿಹಾರವನ್ನು ಹೊಂದಿಲ್ಲ
- ಸಿ) ಯಾವಾಗಲೂ R-ವರ್ಗವನ್ನು ಶೂನ್ಯಕ್ಕೆ ತಗ್ಗಿಸುತ್ತದೆ
- ಡಿ) ಮಾದರಿಯು ತುಂಬಾ ಚಿಕ್ಕದಾಗಿದ್ದರೆ ಮತ್ತು ನಿರ್ಲಕ್ಷಿಸಬಹುದಾದರೆ ಮಾತ್ರ ಸಂಭವಿಸುತ್ತದೆ
ವಿವರಣೆ: ಹೆಟೆರೊಸೆಡೆಸ್ಟಿಸಿಟಿ ಗುಣಾಂಕದ ಅಂದಾಜುಗಳನ್ನು ಪಕ್ಷಪಾತವಿಲ್ಲದೆ ಬಿಡುತ್ತದೆ ಆದರೆ ಪ್ರಮಾಣಿತ ದೋಷಗಳನ್ನು ತಪ್ಪಾಗಿ ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತದೆ; ಇದು p-ಮೌಲ್ಯಗಳು ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರಗಳನ್ನು ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲದಂತೆ ಮಾಡುತ್ತದೆ. ದೃಢವಾದ/HC ಪ್ರಮಾಣಿತ ದೋಷಗಳು ಅಥವಾ ಸೂಕ್ತವಾದ ಪರಿವರ್ತನೆಯನ್ನು ಬಳಸುವುದು ಸಾಮಾನ್ಯ ಪರಿಹಾರವಾಗಿದೆ. AI ಸೂಚಿಸಿದ ಪರಿಹಾರವು ಸಮಸ್ಯೆಯನ್ನು ಮರೆಮಾಚುವ ಬದಲು ಅದನ್ನು ಪರಿಹರಿಸುತ್ತದೆ ಎಂದು ಪರಿಶೀಲಿಸಬೇಕು.
10. ಒಬ್ಬ ಸಂಶೋಧಕರು ರೋಗಿಯ-ಮಟ್ಟದ ಗುರುತಿನ ಮಾಹಿತಿ ಮತ್ತು ಆದಾಯವನ್ನು ಒಳಗೊಂಡಿರುವ ಮೈಕ್ರೋಡೇಟಾವನ್ನು ಸಾರ್ವಜನಿಕ AI ಚಾಟ್ ಟೂಲ್ಗೆ ಅಪ್ಲೋಡ್ ಮಾಡುತ್ತಾರೆ ಮತ್ತು 'ರಿಗ್ರೆಶನ್ ಮಾಡು' ಎಂದು ಹೇಳುತ್ತಾರೆ. ಈ ನಡವಳಿಕೆಯ ಮುಖ್ಯ ಸಮಸ್ಯೆ ಏನು?
- ಎ) ಬಾಹ್ಯ ಉಪಕರಣಕ್ಕೆ ವೈಯಕ್ತಿಕ/ಪರವಾನಗಿ ಪಡೆದ ಡೇಟಾವನ್ನು ಅಪ್ಲೋಡ್ ಮಾಡುವುದು ಗೌಪ್ಯತೆ ಮತ್ತು ಒಪ್ಪಂದದ ಉಲ್ಲಂಘನೆಯಾಗಿದೆ ✔
- ಬಿ) ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಿಂದ ಹಿಂಜರಿಕೆಯನ್ನು ಮಾಡಲಾಗುವುದಿಲ್ಲ
- ಸಿ) ಮೈಕ್ರೋ ಡೇಟಾವು ಹಿಂಜರಿಕೆಗೆ ಸೂಕ್ತವಲ್ಲ
- ಡಿ) AI ಯಾವಾಗಲೂ ಹಿಂಜರಿತವನ್ನು ತಪ್ಪಾಗಿ ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತದೆ
ವಿವರಣೆ: ಗುರುತು ಮತ್ತು ಆದಾಯದಂತಹ ವೈಯಕ್ತಿಕ/ವಿಶೇಷ ಡೇಟಾವನ್ನು KVKK/GDPR ಮತ್ತು ಹೆಚ್ಚಿನ ಡೇಟಾ ಬಳಕೆಯ ಒಪ್ಪಂದಗಳ ಅಡಿಯಲ್ಲಿ ರಕ್ಷಿಸಲಾಗಿದೆ; ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಬಹುದಾದ ಬಾಹ್ಯ ಸಾಧನಕ್ಕೆ ಅವುಗಳನ್ನು ಅಪ್ಲೋಡ್ ಮಾಡುವುದು ಉಲ್ಲಂಘನೆಯಾಗಿದೆ. ಸರಿಯಾದ ಮಾರ್ಗ; ಡೇಟಾವನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸುವುದು, ಸ್ಥಳೀಯ/ಸಾಂಸ್ಥಿಕ ಸುರಕ್ಷಿತ ಸಾಧನಗಳನ್ನು ಬಳಸುವುದು ಅಥವಾ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಿಂದ ಕೋಡ್ ಅನ್ನು ವಿನಂತಿಸುವುದು ಮತ್ತು ಕೋಡ್ ಅನ್ನು ತನ್ನದೇ ಆದ ಪರಿಸರದಲ್ಲಿ ರನ್ ಮಾಡುವುದು.
11. ಮಲ್ಟಿಕಾಲಿನಿಯರಿಟಿ ಹೆಚ್ಚಿರುವಾಗ ಏನನ್ನು ಗಮನಿಸಬಹುದು?
- ಎ) ಗುಣಾಂಕಗಳು ಅಸ್ಥಿರವಾಗುತ್ತವೆ ಮತ್ತು ಪ್ರಮಾಣಿತ ದೋಷಗಳು ಉಬ್ಬಿಕೊಳ್ಳುತ್ತವೆ; ವೈಯಕ್ತಿಕ ಗುಣಾಂಕಗಳು ಅರ್ಥಹೀನವಾಗಬಹುದು ✔
- ಬಿ) ಆರ್-ಸ್ಕ್ವೇರ್ ಯಾವಾಗಲೂ ಶೂನ್ಯಕ್ಕೆ ಕಡಿಮೆಯಾಗುತ್ತದೆ
- ಸಿ) ಗುಣಾಂಕದ ಅಂದಾಜುಗಳು ಎಲ್ಲಾ ಸಮಯದಲ್ಲೂ ಹೆಚ್ಚು ನಿಖರವಾಗಿರುತ್ತವೆ
- ಡಿ) ಅವಲಂಬಿತ ವೇರಿಯಬಲ್ ಬದಲಾವಣೆಗಳ ಪ್ರಮಾಣ
ವಿವರಣೆ: ಹೆಚ್ಚಿನ ಮಲ್ಟಿಕಾಲಿನಿಯರಿಟಿಯಲ್ಲಿ, ಸ್ವತಂತ್ರ ಅಸ್ಥಿರಗಳು ಪರಸ್ಪರ ಬಲವಾಗಿ ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿವೆ; ಗುಣಾಂಕದ ಅಂದಾಜುಗಳು ಅಸ್ಥಿರವಾಗುತ್ತವೆ, ಪ್ರಮಾಣಿತ ದೋಷಗಳು ಉಬ್ಬಿಕೊಳ್ಳುತ್ತವೆ ಮತ್ತು ವೈಯಕ್ತಿಕ ಗುಣಾಂಕಗಳು ಅತ್ಯಲ್ಪವಾಗಬಹುದು, ಆದರೆ ಒಟ್ಟಾರೆ ಮಾದರಿಯು ಮಹತ್ವದ್ದಾಗಿರಬಹುದು. ಇದನ್ನು VIF ನಂತಹ ಮಾನದಂಡಗಳಿಂದ ನಿರ್ಣಯಿಸಲಾಗುತ್ತದೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ವೇರಿಯಬಲ್ ಎಲಿಮಿನೇಷನ್ ಅನ್ನು ಸೂಚಿಸಬಹುದು, ಆದರೆ ಯಾವ ವೇರಿಯಬಲ್ ಸೈದ್ಧಾಂತಿಕವಾಗಿ ಉಳಿಯಬೇಕು ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಲು ಸಂಶೋಧಕರಿಗೆ ಬಿಟ್ಟದ್ದು.
12. ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಶಕ್ತಿ ಎಂದರೇನು ಮತ್ತು ಕಡಿಮೆ-ಶಕ್ತಿಯ ಅಧ್ಯಯನದ ಅಪಾಯವೇನು?
- ಎ) ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಪರಿಣಾಮವನ್ನು ಕಂಡುಹಿಡಿಯುವ ಸಾಧ್ಯತೆ; ಕಡಿಮೆ ಶಕ್ತಿಯು ನಿಜವಾದ ಪರಿಣಾಮಗಳನ್ನು ತಪ್ಪಿಸುತ್ತದೆ ಮತ್ತು ಸಂಶೋಧನೆಗಳನ್ನು ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲ ✔ ಮಾಡುತ್ತದೆ
- ಬಿ) p-ಮೌಲ್ಯವನ್ನು ಕಡಿಮೆ ಮಾಡುವ ಸಂಭವನೀಯತೆ; ಕಡಿಮೆ ಶಕ್ತಿಯು ಯಾವಾಗಲೂ ಹೆಚ್ಚು ವಿಶ್ವಾಸಾರ್ಹ ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡುತ್ತದೆ
- ಸಿ) ಮಾದರಿ ಗಾತ್ರದಿಂದ ಸ್ವತಂತ್ರವಾದ ಸ್ಥಿರ ಮೌಲ್ಯ
- ಡಿ) ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಬಳಸಿದಾಗ ಮಾತ್ರ ಮಾನ್ಯವಾಗಿರುವ ಪರಿಕಲ್ಪನೆ
ವಿವರಣೆ: ಶಕ್ತಿಯು ವಾಸ್ತವವಾಗಿ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಪರಿಣಾಮವನ್ನು ಪತ್ತೆಹಚ್ಚುವ ಸಂಭವನೀಯತೆಯಾಗಿದೆ (1 ಮೈನಸ್ ಟೈಪ್ II ದೋಷ). ಕಡಿಮೆ-ಶಕ್ತಿಯ ಅಧ್ಯಯನಗಳು ನಿಜವಾದ ಪರಿಣಾಮಗಳನ್ನು ಕಳೆದುಕೊಳ್ಳಬಹುದು; ಹೆಚ್ಚುವರಿಯಾಗಿ, ಕೆಲವು ಗಮನಾರ್ಹ ಫಲಿತಾಂಶಗಳು ಉತ್ಪ್ರೇಕ್ಷಿತ ಪರಿಣಾಮದ ಗಾತ್ರವನ್ನು ಹೊಂದಿರಬಹುದು ('ವಿಜೇತರ ಶಾಪ') ಮತ್ತು ತಪ್ಪು ಧನಾತ್ಮಕ ದರವು ಹೆಚ್ಚಾಗುತ್ತದೆ. ಆದ್ದರಿಂದ, ವಿಶ್ಲೇಷಣೆಯ ಮೊದಲು ಶಕ್ತಿ / ಮಾದರಿ ಲೆಕ್ಕಾಚಾರವು ಮುಖ್ಯವಾಗಿದೆ.
13. ಲೇಖನದಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಬಳಕೆಯನ್ನು ಬಹಿರಂಗಪಡಿಸುವುದು ನೈತಿಕವಾಗಿ ಏಕೆ ಅಗತ್ಯ?
- ಎ) ಪಾರದರ್ಶಕತೆ ಮತ್ತು ಹೊಣೆಗಾರಿಕೆಗಾಗಿ; ✔ ಓದುಗರು ಮತ್ತು ತೀರ್ಪುಗಾರರು ಪ್ರಕ್ರಿಯೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಬಹುದು ಮತ್ತು ಜವಾಬ್ದಾರಿಯು ಲೇಖಕರ ಬಳಿ ಇರುತ್ತದೆ
- ಬಿ) ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಬಳಕೆಯು ಫಲಿತಾಂಶಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಅಮಾನ್ಯಗೊಳಿಸುತ್ತದೆ
- C) ಜಾಹೀರಾತು ಉದ್ದೇಶಗಳಿಗಾಗಿ ಮಾತ್ರ ನಿಯತಕಾಲಿಕೆಗಳಿಂದ ವಿನಂತಿಸಲಾಗಿದೆ
- ಡಿ) ವಿವರಣೆಯ ಹಕ್ಕುಸ್ವಾಮ್ಯವನ್ನು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ ವರ್ಗಾಯಿಸುವುದು
ಬಹಿರಂಗಪಡಿಸುವಿಕೆ: ಪಾರದರ್ಶಕತೆ ಅಗತ್ಯ ಆದ್ದರಿಂದ ಫಲಿತಾಂಶಗಳನ್ನು ಹೇಗೆ ಉತ್ಪಾದಿಸಲಾಗಿದೆ ಎಂಬುದನ್ನು ಓದುಗರು ಮತ್ತು ವಿಮರ್ಶಕರು ಮೌಲ್ಯಮಾಪನ ಮಾಡಬಹುದು; ಅನೇಕ ನಿಯತಕಾಲಿಕೆಗಳು ಮತ್ತು ಸಂಸ್ಥೆಗಳು ಈಗ AI ಬಳಕೆಯ ಬಹಿರಂಗಪಡಿಸುವಿಕೆಯ ಅಗತ್ಯವಿದೆ. ಹೆಚ್ಚುವರಿಯಾಗಿ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ದೋಷಗಳು/ಭ್ರಮೆಗಳನ್ನು ಉಂಟುಮಾಡಬಹುದು, ಜವಾಬ್ದಾರಿಯು ಲೇಖಕರ ಮೇಲಿರುತ್ತದೆ ಮತ್ತು ಯಾವ ಹಂತಗಳನ್ನು ಲೆಕ್ಕಪರಿಶೋಧಿಸಲಾಗಿದೆ ಎಂದು ಹೇಳುವುದು ಪ್ರಾಮಾಣಿಕತೆಯ ವಿಷಯವಾಗಿದೆ.
14. ಇನ್ಸ್ಟ್ರುಮೆಂಟ್ ವೇರಿಯೇಬಲ್ (IV) ವಿಧಾನದಲ್ಲಿ 'ಹೊರಗಿಡುವ ನಿರ್ಬಂಧ'ಕ್ಕೆ ಏನು ಅಗತ್ಯವಿರುತ್ತದೆ?
- ಎ) ಉಪಕರಣವು ಆಂತರಿಕ ವೇರಿಯಬಲ್ ಮೂಲಕ ಮಾತ್ರ ಫಲಿತಾಂಶದ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ, ಬೇರೆ ಯಾವುದೇ ನೇರ ಮಾರ್ಗವಿಲ್ಲ ✔
- ಬಿ) ಫಲಿತಾಂಶದ ವೇರಿಯಬಲ್ನೊಂದಿಗೆ ಉಪಕರಣವು ಯಾವುದೇ ಸಂಬಂಧವನ್ನು ಹೊಂದಿಲ್ಲ.
- ಸಿ) ಉಪಕರಣವು ಅಂತರ್ವರ್ಧಕ ವೇರಿಯಬಲ್ಗೆ ಸಂಬಂಧಿಸಿಲ್ಲ.
- ಡಿ) ಮೀನ್ಸ್ ಯಾವಾಗಲೂ ಬೈನರಿ (0/1) ವೇರಿಯೇಬಲ್ ಆಗಿದೆ
ವಿವರಣೆ: ಹೊರಗಿಡುವ ನಿರ್ಬಂಧಕ್ಕೆ ಉಪಕರಣವು ಫಲಿತಾಂಶದ ವೇರಿಯಬಲ್ ಅನ್ನು ಅಂತರ್ವರ್ಧಕ ವಿವರಣಾತ್ಮಕ ವೇರಿಯಬಲ್ ಮೂಲಕ ಮಾತ್ರ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ ಮತ್ತು ಯಾವುದೇ ಇತರ ನೇರ ವಿಧಾನಗಳು ಅಥವಾ ಗಮನಿಸದ ಅಂಶಗಳ ಮೂಲಕ ಅಲ್ಲ. ಈ ಊಹೆಯನ್ನು ಡೇಟಾದಿಂದ ಸಂಪೂರ್ಣವಾಗಿ ಪರೀಕ್ಷಿಸಲಾಗುವುದಿಲ್ಲ; ಇದು ಸೈದ್ಧಾಂತಿಕ ಮತ್ತು ಸಾಂಸ್ಥಿಕ ಆಧಾರದ ಮೇಲೆ ಸಮರ್ಥಿಸಲ್ಪಟ್ಟಿದೆ. AI IV ಕೋಡ್ ಅನ್ನು ಬರೆಯಬಹುದು, ಆದರೆ ಉಪಕರಣದ ಸಿಂಧುತ್ವವನ್ನು ರಕ್ಷಿಸಲು ಸಂಶೋಧಕರ ಕೆಲಸ.
15. ಪೂರ್ವ-ನೋಂದಣಿ ಇಲ್ಲದೆ ಹೊಂದಿಕೊಳ್ಳುವ ವಿಶ್ಲೇಷಣೆಗಳಲ್ಲಿ 'ಗಾರ್ಡನ್ ಆಫ್ ಫೋರ್ಕಿಂಗ್ ಪಾತ್ಸ್' ಸಮಸ್ಯೆಯ ಅರ್ಥವೇನು?
- ಎ) ಡೇಟಾದ ಆಧಾರದ ಮೇಲೆ ಮಾಡಿದ ಹಲವಾರು ಸಮಂಜಸವಾದ ವಿಶ್ಲೇಷಣೆ ಆಯ್ಕೆಗಳು ತಪ್ಪು ಧನಾತ್ಮಕ ದರವನ್ನು ಹೆಚ್ಚಿಸುತ್ತವೆ, ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿಯೂ ಸಹ ✔
- ಬಿ) ವಿಶ್ಲೇಷಣೆ ವಿಧಾನಗಳು ಏಕ ಮತ್ತು ಕಡ್ಡಾಯವಾಗಿರಬೇಕು
- ಸಿ) ಉದ್ದೇಶಪೂರ್ವಕ ವಂಚನೆ ಸಂಭವಿಸಿದಾಗ ಮಾತ್ರ ಸಂಭವಿಸುವ ಸಮಸ್ಯೆ.
- ಡಿ) ಮಾದರಿ ಬೆಳೆದಂತೆ ಸ್ವಯಂಪ್ರೇರಿತವಾಗಿ ಕಣ್ಮರೆಯಾಗುವ ಪರಿಸ್ಥಿತಿ
ವಿವರಣೆ: ಡೇಟಾವನ್ನು ವೀಕ್ಷಿಸಿದ ನಂತರ, ಸಂಶೋಧಕರು ಯಾವ ವೇರಿಯಬಲ್, ಉಪಗುಂಪು, ರೂಪಾಂತರ ಅಥವಾ ಮಿತಿಯನ್ನು ಬಳಸಬೇಕೆಂಬುದರ ಬಗ್ಗೆ ಅನೇಕ ಸಮಂಜಸವಾದ ಆಯ್ಕೆಗಳನ್ನು ಮಾಡಬಹುದು. ಒಂದೇ ಒಂದು 'ಉದ್ದೇಶಪೂರ್ವಕ p-ಹ್ಯಾಕಿಂಗ್' ಇಲ್ಲದಿದ್ದರೂ ಸಹ, ಈ ನಮ್ಯತೆಯು ತಪ್ಪು ಧನಾತ್ಮಕ ದರವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ ಏಕೆಂದರೆ ಗಮನಾರ್ಹವಾದದನ್ನು ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ವಿಶ್ಲೇಷಣೆಗಳಿಂದ ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಆಯ್ಕೆಮಾಡಲಾಗುತ್ತದೆ. ಪೂರ್ವ-ನೋಂದಣಿ ಮತ್ತು ಸ್ಥಿರ ವಿಶ್ಲೇಷಣೆ ಯೋಜನೆಯು ಈ ನಮ್ಯತೆಯನ್ನು ಮಿತಿಗೊಳಿಸುತ್ತದೆ.