ಲಾಭಗಳು:
- ಉಪಯುಕ್ತತೆ ಪರೀಕ್ಷಾ ದಾಖಲೆಗಳು ಮತ್ತು ವೀಕ್ಷಣಾ ಟಿಪ್ಪಣಿಗಳನ್ನು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯೊಂದಿಗೆ ಸಂಶೋಧನೆಗಳು, ತೂಕಗಳು ಮತ್ತು ಶಿಫಾರಸುಗಳಾಗಿ ಪರಿವರ್ತಿಸುವ ಸಾಮರ್ಥ್ಯ
- ತೀವ್ರತೆಗೆ ಅನುಗುಣವಾಗಿ ಸಂಶೋಧನೆಗಳನ್ನು ಶ್ರೇಣೀಕರಿಸುವ ಮತ್ತು ಆದ್ಯತೆಯ ಕೋಷ್ಟಕವನ್ನು ಉತ್ಪಾದಿಸುವ ಸಾಮರ್ಥ್ಯ
- ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ನೈಜ ವೀಕ್ಷಣಾ ಪುರಾವೆಗಳೊಂದಿಗೆ ಬಿಟ್ಟುಬಿಡುವ ಅಥವಾ ಉತ್ಪ್ರೇಕ್ಷೆ ಮಾಡುವ ಸಂಶೋಧನೆಗಳನ್ನು ಸರಿಪಡಿಸುವ ಸಾಮರ್ಥ್ಯ
ಉಪಯುಕ್ತತೆ ಪರೀಕ್ಷೆಯು ನೈಜ ಬಳಕೆದಾರರಿಗೆ ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯಗಳನ್ನು ನೀಡುವ ಮೂಲಕ ಮತ್ತು ಅವುಗಳನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವ ಮೂಲಕ ವಿನ್ಯಾಸವು ಎಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಎಲ್ಲಿ ಸಿಲುಕಿಕೊಂಡಿದೆ ಎಂಬುದನ್ನು ಗಮನಿಸುವ ವಿಧಾನವಾಗಿದೆ. ಪರೀಕ್ಷೆಯೇ ಸುಲಭ; ನಿಜವಾದ ಸವಾಲು ನಂತರದ ಹಂತದಲ್ಲಿದೆ: ಗಂಟೆಗಳ ರೆಕಾರ್ಡಿಂಗ್, ವೀಕ್ಷಣಾ ಟಿಪ್ಪಣಿಗಳ ಪುಟಗಳು ಮತ್ತು ಚದುರಿದ ಸ್ಕ್ರೀನ್ಶಾಟ್ಗಳನ್ನು ಸ್ಪಷ್ಟ, ಆದ್ಯತೆಯ ಸಂಶೋಧನೆಗಳಾಗಿ ಪರಿವರ್ತಿಸುವುದು. ಈ ಸಂಶ್ಲೇಷಣೆಯು ಕೈಯಿಂದ ದಿನಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ತಂಡಗಳು ಅದನ್ನು ಪೂರ್ಣಗೊಳಿಸದೆ ಬಿಡುತ್ತವೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಈ ಅಡಚಣೆಯನ್ನು ತೆರೆಯುತ್ತದೆ: ದಾಖಲೆಗಳು ಮತ್ತು ಟಿಪ್ಪಣಿಗಳನ್ನು ಸಂಶೋಧನೆಗಳು, ತೂಕ ಮತ್ತು ಶಿಫಾರಸುಗಳಾಗಿ ಪರಿವರ್ತಿಸುವುದು. ಆದರೆ ವೀಕ್ಷಣೆಯು ನಿಜವಾಗಿಯೂ ಒಂದು ಸಮಸ್ಯೆಯೇ ಮತ್ತು ಅದು ಎಷ್ಟು ಮುಖ್ಯ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುವುದು ಮಾನವ ತೀರ್ಪು.
ವೀಕ್ಷಣೆ, ಕಂಡುಹಿಡಿಯುವಿಕೆ ಮತ್ತು ಸಲಹೆಯ ನಡುವಿನ ವ್ಯತ್ಯಾಸ
ಸಂಶ್ಲೇಷಣೆಯಲ್ಲಿ ಮೂರು ಪದರಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸುವುದು ಬಹಳ ಮುಖ್ಯ:
- ಅವಲೋಕನ: ಏನಾಯಿತು, ಕಾಮೆಂಟ್ ಇಲ್ಲ. "ಭಾಗವಹಿಸುವವರು 3 40 ಸೆಕೆಂಡುಗಳ ಕಾಲ 'ಮುಂದುವರಿಸಿ' ಬಟನ್ಗಾಗಿ ಹುಡುಕಿದ್ದಾರೆ."
- ಫೈಂಡಿಂಗ್: ವೀಕ್ಷಣೆಗಳಿಂದ ಹೊರಹೊಮ್ಮುವ ಮಾದರಿ. "ಪ್ರಾಥಮಿಕ ಕ್ರಿಯೆಯನ್ನು ಹುಡುಕುವಲ್ಲಿ ಬಳಕೆದಾರರು ಸಮಸ್ಯೆಯನ್ನು ಎದುರಿಸುತ್ತಿದ್ದಾರೆ."
- ಶಿಫಾರಸು: ಏನು ಮಾಡಬೇಕು. "ಪ್ರಾಥಮಿಕ ಬಟನ್ ದೃಷ್ಟಿಗೋಚರವಾಗಿ ಎದ್ದು ಕಾಣುವಂತೆ ಮಾಡುತ್ತದೆ."
AI ತ್ವರಿತವಾಗಿ ಈ ಮೂರು ಪದರಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ, ಆದರೆ ಸಾಮಾನ್ಯವಾಗಿ ಒಂದೇ ವೀಕ್ಷಣೆಯಿಂದ ಸಂಪೂರ್ಣ ಶೋಧನೆಯನ್ನು ಕಂಡುಹಿಡಿಯುವುದರೊಂದಿಗೆ ವೀಕ್ಷಣೆಯನ್ನು ಗೊಂದಲಗೊಳಿಸುತ್ತದೆ ಅಥವಾ ಊಹಿಸುತ್ತದೆ. ಪ್ರತಿ ಸಂಶೋಧನೆಯ ಹಿಂದೆ ಸಾಕಷ್ಟು ಅವಲೋಕನಗಳು (ಎಷ್ಟು ಭಾಗವಹಿಸುವವರು, ಎಷ್ಟು ಬಾರಿ) ಇವೆ ಎಂದು ಪರಿಶೀಲಿಸುವುದು ನಿಮ್ಮ ಕೆಲಸ.
ಸಲಹೆ: ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು "ಪ್ರತಿ ಸಂಶೋಧನೆಯ ಕೆಳಗೆ, ಅದನ್ನು ಬೆಂಬಲಿಸುವ ಅವಲೋಕನಗಳನ್ನು ಸೇರಿಸಿ ಮತ್ತು ಎಷ್ಟು ಭಾಗವಹಿಸುವವರಲ್ಲಿ ಕಂಡುಬಂದಿದೆ" ಎಂದು ಹೇಳಲಿ. ಈ ರೀತಿಯಾಗಿ ನೀವು ಒಂದೇ ವೀಕ್ಷಣೆಯಿಂದ ಉಬ್ಬಿಕೊಂಡಿರುವ ಸಂಶೋಧನೆಗಳನ್ನು ತಕ್ಷಣವೇ ಪ್ರತ್ಯೇಕಿಸಬಹುದು.
ತೀವ್ರತೆ: ಮೊದಲು ಏನು ಸರಿಪಡಿಸಬೇಕು?
ಎಲ್ಲಾ ಸಂಶೋಧನೆಗಳು ಸಮಾನವಾಗಿರುವುದಿಲ್ಲ. ಸಮಸ್ಯೆಯನ್ನು ಎಷ್ಟು ತುರ್ತಾಗಿ ಸರಿಪಡಿಸಬೇಕು ಎಂಬುದನ್ನು ತೀವ್ರತೆಯು ಸೂಚಿಸುತ್ತದೆ ಮತ್ತು ಮೂರು ಅಂಶಗಳಿಂದ ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ:
- ಪರಿಣಾಮ: ಸಮಸ್ಯೆಯು ಬಳಕೆದಾರರನ್ನು ಕಾರ್ಯವನ್ನು ಪೂರ್ಣಗೊಳಿಸದಂತೆ ತಡೆಯುತ್ತದೆಯೇ ಅಥವಾ ಅವರಿಗೆ ಕಿರಿಕಿರಿ ಉಂಟುಮಾಡುತ್ತದೆಯೇ?
- ಆವರ್ತನ: ಎಷ್ಟು ಬಳಕೆದಾರರು ಮತ್ತು ಎಷ್ಟು ಬಾರಿ?
- ವ್ಯಾಪಾರದ ಪರಿಣಾಮ: ಈ ಸಮಸ್ಯೆಯು ಪರಿವರ್ತನೆ, ಆದಾಯ ಅಥವಾ ನಂಬಿಕೆಯ ಮೇಲೆ ಎಷ್ಟು ಪರಿಣಾಮ ಬೀರುತ್ತದೆ?
ವಿಶಿಷ್ಟ ಪ್ರಮಾಣ: ನಿರ್ಣಾಯಕ (ಮಿಷನ್ ಅನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಅಡ್ಡಿಪಡಿಸುತ್ತದೆ), ಹೆಚ್ಚಿನ (ತೀವ್ರ ತೊಂದರೆ), ಮಧ್ಯಮ (ನಿಧಾನಗೊಳಿಸುತ್ತದೆ), ಕಡಿಮೆ (ಕಾಸ್ಮೆಟಿಕ್). AI ಆರಂಭಿಕ ಶ್ರೇಯಾಂಕವನ್ನು ಸೂಚಿಸಬಹುದು, ಆದರೆ ಅಂತಿಮ ತೂಕದ ನಿರ್ಧಾರ - ನಿರ್ದಿಷ್ಟವಾಗಿ ವ್ಯಾಪಾರದ ಪ್ರಭಾವ - ಸಂದರ್ಭದ ಬಗ್ಗೆ ತಂಡದ ಜ್ಞಾನದ ಅಗತ್ಯವಿದೆ.
ಕಂಡುಹಿಡಿಯುವುದು
ಪರಿಣಾಮ
ಆವರ್ತನ
ಪ್ರಾಮುಖ್ಯತೆ
ಸಲಹೆ
ಪ್ರಾಥಮಿಕ ಬಟನ್ ಕಂಡುಬಂದಿಲ್ಲ
ಇದು ಕಾರ್ಯದಲ್ಲಿ ಹಸ್ತಕ್ಷೇಪ ಮಾಡುತ್ತದೆ
4/6 ಭಾಗವಹಿಸುವವರು
ನಿರ್ಣಾಯಕ
ಹೈಲೈಟ್ ಬಟನ್
ದೋಷ ಸಂದೇಶವು ಸ್ಪಷ್ಟವಾಗಿಲ್ಲ
ನಿಧಾನವಾಗುತ್ತಿದೆ
3/6
ಹೆಚ್ಚು
ಸಂದೇಶವನ್ನು ಸ್ಪಷ್ಟಪಡಿಸಿ
ಐಕಾನ್ ಅರ್ಥ ಅಸ್ಪಷ್ಟ
ಸ್ವಲ್ಪ ಹಿಂಜರಿಕೆ
2/6
ಮಧ್ಯಮ
ಟ್ಯಾಗ್ ಸೇರಿಸಿ
ಬಣ್ಣದ ಟೋನ್ ಇಷ್ಟವಾಗಲಿಲ್ಲ
ಸೌಂದರ್ಯವರ್ಧಕಗಳು
1/6
ಕಡಿಮೆ
ಅದನ್ನು ನಂತರ ಬಿಡಿ
ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು
ಪ್ರಕರಣ 1 - 5 ಗಂಟೆಗಳ ರೆಕಾರ್ಡಿಂಗ್, ಅರ್ಧ ದಿನದಲ್ಲಿ ಸಂಶೋಧನೆಗಳು. ಒಂದು ತಂಡವು 6 ಬಳಕೆದಾರರ ಪರೀಕ್ಷೆಗಳ ಟಿಪ್ಪಣಿಗಳನ್ನು (ಒಟ್ಟು 5 ಗಂಟೆಗಳು) AI ಗೆ ನೀಡಿತು. ಮಾದರಿಯು 14 ಸಂಶೋಧನೆಗಳನ್ನು ಸೂಚಿಸಿದೆ; ತಂಡವು ಪ್ರತಿಯೊಂದನ್ನು ಅವಲೋಕನಗಳ ಸಂಖ್ಯೆಯ ವಿರುದ್ಧ ಪರಿಶೀಲಿಸಿ, ಅದನ್ನು 9 ಕ್ಕೆ ಸಂಕುಚಿತಗೊಳಿಸಿತು ಮತ್ತು ಪ್ರಾಮುಖ್ಯತೆಯ ಕ್ರಮದಲ್ಲಿ ಅವುಗಳನ್ನು ಶ್ರೇಣೀಕರಿಸಿತು. ಹಸ್ತಚಾಲಿತವಾಗಿ 2 ದಿನಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಬಹುದಾದ ಸಂಶ್ಲೇಷಣೆಯನ್ನು ಅರ್ಧ ದಿನಕ್ಕೆ ಇಳಿಸಲಾಯಿತು.
ಪ್ರಕರಣ 2 - ಉಬ್ಬಿಕೊಂಡಿರುವ ಶೋಧನೆ ಸಿಕ್ಕಿಬಿದ್ದಿದೆ. "ಬಳಕೆದಾರರು ನ್ಯಾವಿಗೇಷನ್ ಅನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದಿಲ್ಲ" ಎಂದು AI ನಿರ್ಣಾಯಕ ಸಂಶೋಧನೆಯಲ್ಲಿ ಬರೆದಿದೆ. ತಂಡವು ಬೆಂಬಲಿಸುವ ಅವಲೋಕನಗಳನ್ನು ನೋಡಿದಾಗ, ಇದು ಒಬ್ಬ ಭಾಗವಹಿಸುವವರ ಒಂದು ಕ್ಷಣವನ್ನು ಆಧರಿಸಿದೆ ಎಂದು ಅವರು ಕಂಡುಕೊಂಡರು. ಸಂಶೋಧನೆಯನ್ನು "ಮಧ್ಯಮ" ಗೆ ಡೌನ್ಗ್ರೇಡ್ ಮಾಡಲಾಗಿದೆ ಮತ್ತು ಹೆಚ್ಚಿನ ಡೇಟಾವನ್ನು ವಿನಂತಿಸಲಾಗಿದೆ. ಪಾಠ: ಒಂದೇ ಅವಲೋಕನವು ನಿರ್ಣಾಯಕ ಆವಿಷ್ಕಾರವನ್ನು ಮಾಡುವುದಿಲ್ಲ.
ಪ್ರಕರಣ 3 - ತಪ್ಪಿದ ನಿರ್ಣಾಯಕ ಸಮಸ್ಯೆ. ಮಾದರಿಯು ಪುನರಾವರ್ತಿತ ಆದರೆ ತೋರಿಕೆಯಲ್ಲಿ ಸಣ್ಣ ಸಮಸ್ಯೆಯನ್ನು (ಫಾರ್ಮ್ ಸ್ವಯಂ-ಸ್ಕ್ರೋಲಿಂಗ್ ಅಲ್ಲ) "ಕಡಿಮೆ" ಎಂದು ಎಣಿಸಿದೆ. ಡಿಸೈನರ್ ಅವಲೋಕನಗಳನ್ನು ನೋಡಿದಾಗ, ಇದು 5 ಭಾಗವಹಿಸುವವರಲ್ಲಿ ಕಾರ್ಯವನ್ನು ತ್ಯಜಿಸಲು ಕಾರಣವಾಯಿತು ಎಂದು ಅವರು ಅರಿತುಕೊಂಡರು ಮತ್ತು ಅದನ್ನು "ಉನ್ನತ" ಗೆ ಹೊಂದಿಸಿದರು. ಪಾಠ: AI ಪ್ರಾಮುಖ್ಯತೆಯ ಅಂದಾಜನ್ನು ಅವಲೋಕನದ ಪುರಾವೆಗಳಿಂದ ಸರಿಪಡಿಸಲಾಗಿದೆ.
ಪರಿಮಾಣಾತ್ಮಕ ಮತ್ತು ಗುಣಾತ್ಮಕ ಡೇಟಾವನ್ನು ಒಟ್ಟಿಗೆ ಓದುವುದು
ಉಪಯುಕ್ತತೆ ಪರೀಕ್ಷೆಯು ಹೆಚ್ಚಾಗಿ ಗುಣಾತ್ಮಕವಾಗಿದೆ (ವೀಕ್ಷಣೆ ಆಧಾರಿತ), ಆದರೆ ಪರಿಮಾಣಾತ್ಮಕ (ಸಂಖ್ಯೆಯ) ಸಂಕೇತಗಳೂ ಇವೆ: ಕಾರ್ಯವನ್ನು ಪೂರ್ಣಗೊಳಿಸುವ ದರ, ಕಾರ್ಯದ ಅವಧಿ, ದೋಷಗಳ ಸಂಖ್ಯೆ, ತೃಪ್ತಿ ಸ್ಕೋರ್. ಅತ್ಯಂತ ಶಕ್ತಿಯುತವಾದ ಸಂಶ್ಲೇಷಣೆಯು ಎರಡನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ: "ಕೇವಲ 33% ಭಾಗವಹಿಸುವವರು ಚೆಕ್ಔಟ್ ಕಾರ್ಯವನ್ನು ಪೂರ್ಣಗೊಳಿಸಿದ್ದಾರೆ (ಪರಿಮಾಣಾತ್ಮಕ), ಮತ್ತು ಪೂರ್ಣಗೊಳಿಸಲು ವಿಫಲರಾದ ಎಲ್ಲರೂ ಶಿಪ್ಪಿಂಗ್ ಹಂತದಲ್ಲಿ (ಗುಣಾತ್ಮಕ) ಸಿಲುಕಿಕೊಂಡರು." ನೀವು ಅವುಗಳನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ನೀಡಿದಾಗ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಈ ಎರಡು ಡೇಟಾವನ್ನು ಸಂಯೋಜಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ; ಆದರೆ ನೀವು ಸಂಖ್ಯೆಗಳ ನಿಖರತೆ ಮತ್ತು ಮಾದರಿ ಗಾತ್ರವನ್ನು ದೃಢೀಕರಿಸುತ್ತೀರಿ. ಶೇಕಡಾವಾರುಗಳ ಬಗ್ಗೆ ಮಾತನಾಡುವುದು ಸಣ್ಣ ಮಾದರಿಗಳಲ್ಲಿ ತಪ್ಪುದಾರಿಗೆಳೆಯಬಹುದು (ಉದಾ. 5 ಬಳಕೆದಾರರು); "60%" ಎಂದು ಹೇಳುವುದಕ್ಕಿಂತ "5 ಬಳಕೆದಾರರಲ್ಲಿ 3" ಎಂದು ಹೇಳುವುದು ಹೆಚ್ಚು ಪ್ರಾಮಾಣಿಕವಾಗಿದೆ. ಸಂಪೂರ್ಣ ಸಂಖ್ಯೆಯಲ್ಲಿ ಮಾತನಾಡಲು ಮಾದರಿಯನ್ನು ಕೇಳಿ.
ಸಲಹೆ: ಶೇಕಡಾವಾರು ಬದಲಿಗೆ 'ಎಷ್ಟು ಬಳಕೆದಾರರು' ಎಂದು ಬರೆಯಿರಿ" ಎಂದು AI ಹೇಳಲಿ. ಸಣ್ಣ ಮಾದರಿಗಳಲ್ಲಿ, ಶೇಕಡಾವಾರು ನಿಜವಾಗಿರುವುದಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ನಿಖರತೆಯ ಅನಿಸಿಕೆ ನೀಡುತ್ತದೆ.
ನಕಲು ಮಾಡಬಹುದಾದ ಪ್ರಾಂಪ್ಟ್ಗಳು
ನಿಮ್ಮ ಪಾತ್ರ: ಉಪಯುಕ್ತತೆ ವಿಶ್ಲೇಷಕ. ಕೆಳಗಿನ ಅನಾಮಧೇಯ ಪರೀಕ್ಷಾ ಟಿಪ್ಪಣಿಗಳಿಂದ ಸಂಶೋಧನೆಗಳನ್ನು ಬರೆಯಿರಿ. ಪ್ರತಿ ಸಂಶೋಧನೆಗೆ: 1) ಸ್ಪಷ್ಟ ಹೇಳಿಕೆ, 2) ಬೆಂಬಲಿತ ಅವಲೋಕನಗಳು ಮತ್ತು ಎಷ್ಟು ಭಾಗವಹಿಸುವವರು ಅದನ್ನು ನೋಡಿದ್ದಾರೆ, 3) ಪರಿಣಾಮ (ತಡೆಗಟ್ಟುವಿಕೆ/ನಿಧಾನ/ಸೌಂದರ್ಯ). ಒಂದೇ ಅವಲೋಕನದ ಆಧಾರದ ಮೇಲೆ ಸಂಶೋಧನೆಗಳನ್ನು "ದುರ್ಬಲ ಸಾಕ್ಷಿ" ಎಂದು ಗುರುತಿಸಿ. ಟಿಪ್ಪಣಿಗಳು: <<text>>
ಪ್ರಾಮುಖ್ಯತೆಯಿಂದ ಈ ಸಂಶೋಧನೆಗಳ ಪಟ್ಟಿಯನ್ನು ವಿಂಗಡಿಸಿ. ಮಾನದಂಡ: ಪರಿಣಾಮ (ಕಾರ್ಯ ಅಡಚಣೆ?), ಆವರ್ತನ (ಎಷ್ಟು ಭಾಗವಹಿಸುವವರು?), ವ್ಯವಹಾರದ ಪ್ರಭಾವ. ಪ್ರತಿ ಫೈಂಡಿಂಗ್ ಕ್ರಿಟಿಕಲ್/ಹೈ/ಮಧ್ಯಮ/ಕಡಿಮೆಯನ್ನು ನಿಗದಿಪಡಿಸಿ ಮತ್ತು ತಾರ್ಕಿಕತೆಯನ್ನು ಬರೆಯಿರಿ. ವ್ಯಾಪಾರದ ಪ್ರಭಾವದ ಬಗ್ಗೆ ನಿಮಗೆ ಖಚಿತವಿಲ್ಲದಿದ್ದರೆ, "ತಂಡವು ಮೌಲ್ಯಮಾಪನ ಮಾಡಬೇಕು" ಎಂದು ಹೇಳಿ. ಸಂಶೋಧನೆಗಳು: <<ಪಟ್ಟಿ>>
ಪ್ರತಿ ಸಂಶೋಧನೆಗೆ ಕಾಂಕ್ರೀಟ್, ಕ್ರಿಯಾಶೀಲ ವಿನ್ಯಾಸದ ಶಿಫಾರಸುಗಳನ್ನು ಬರೆಯಿರಿ. ಶಿಫಾರಸು: ಏನು ಬದಲಾಗುತ್ತದೆ + ಇದು ಸಮಸ್ಯೆಯನ್ನು ಏಕೆ ಪರಿಹರಿಸುತ್ತದೆ + ಅದು ಯಾವ ಪರದೆಯ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ. ಅಸ್ಪಷ್ಟ ("ಉತ್ತಮವಾಗಿ ಮಾಡಿ") ಶಿಫಾರಸುಗಳನ್ನು ತಪ್ಪಿಸಿ. ಸಂಶೋಧನೆಗಳು: <<ಪಟ್ಟಿ>>
ಮಧ್ಯಸ್ಥಗಾರರ ಪ್ರಸ್ತುತಿಗಾಗಿ ಈ ಸಂಶೋಧನೆಗಳ ವರದಿಯನ್ನು ಸಾರಾಂಶಗೊಳಿಸಿ: 3 ಅತ್ಯಂತ ನಿರ್ಣಾಯಕ ಸಂಶೋಧನೆಗಳು, ಪುರಾವೆಗಳು (ಎಷ್ಟು ಬಳಕೆದಾರರು) ಮತ್ತು ಶಿಫಾರಸು ಮಾಡಿದ ಕ್ರಮವನ್ನು ಒಳಗೊಂಡಿರುವ ಸಂಕ್ಷಿಪ್ತ ಕಾರ್ಯನಿರ್ವಾಹಕ ಸಾರಾಂಶವನ್ನು ಬರೆಯಿರಿ. ಉತ್ಪ್ರೇಕ್ಷೆ; ಟಿಪ್ಪಣಿಗಳಿಂದ ಸಂಖ್ಯೆಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಿ.ವರದಿ: <<text>>
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್
ದುರ್ಬಲ: "ಈ ಪರೀಕ್ಷಾ ಅಂಕಗಳಿಂದ ತೀರ್ಮಾನಗಳನ್ನು ಬರೆಯಿರಿ."
ಫಲಿತಾಂಶ: ಯಾವುದೇ ಪುರಾವೆಗಳಿಲ್ಲದ ಮಿಶ್ರ ಪಟ್ಟಿ, ಪ್ರಾಮುಖ್ಯತೆಯ ಕ್ರಮವಿಲ್ಲ, ಮತ್ತು ಒಂದೇ ಅವಲೋಕನವನ್ನು ಕಂಡುಹಿಡಿಯುವಿಕೆ ಎಂದು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುವುದು.
ಪ್ರಬಲವಾದದ್ದು: "ಟಿಪ್ಪಣಿಗಳಿಂದ ಶೋಧನೆಯನ್ನು ಬರೆಯಿರಿ; ಪ್ರತಿ ಸಂಶೋಧನೆಯ ಅಡಿಯಲ್ಲಿ, ಪೋಷಕ ಅವಲೋಕನಗಳನ್ನು ಸೇರಿಸಿ ಮತ್ತು ಎಷ್ಟು ಭಾಗವಹಿಸುವವರಲ್ಲಿ ಅದು ಕಂಡುಬಂದಿದೆ; ಒಂದೇ ವೀಕ್ಷಣೆಯ ಆಧಾರದ ಮೇಲೆ 'ದುರ್ಬಲ ಸಾಕ್ಷ್ಯ' ಎಂದು ಗುರುತಿಸಿ; ನಂತರ ಪರಿಣಾಮ-ಆವರ್ತನ-ಕೆಲಸದ ಪರಿಣಾಮದ ಪ್ರಕಾರ ಪ್ರಾಮುಖ್ಯತೆಯ ಕ್ರಮದಲ್ಲಿ ಶ್ರೇಣೀಕರಿಸಿ."
ಫಲಿತಾಂಶ: ಸಾಕ್ಷ್ಯಾಧಾರಿತ, ಆದ್ಯತೆಯ, ಸಮರ್ಥನೀಯ ಸಂಶೋಧನೆಗಳು.
ವ್ಯತ್ಯಾಸ: ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್ ಪುರಾವೆಗಳ ಸಂಖ್ಯೆಯನ್ನು ಪ್ರೇರೇಪಿಸುತ್ತದೆ + ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ + ಪ್ರಾಮುಖ್ಯತೆಯ ಮಾನದಂಡ.
ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು
- ಹುಡುಕುವಿಕೆಯೊಂದಿಗೆ ಗೊಂದಲದ ವೀಕ್ಷಣೆ. ಒಂದೇ "ಏನಾಯಿತು" ಅನ್ನು ಒಟ್ಟಾರೆ ತೀರ್ಮಾನಕ್ಕೆ ತಿರುಗಿಸುವುದು.
- ಒಂದೇ ವೀಕ್ಷಣೆಯಿಂದ ನಿರ್ಣಾಯಕ ಸಂಶೋಧನೆಗಳನ್ನು ಮಾಡುವುದು. ಆವರ್ತನವನ್ನು ಪರಿಶೀಲಿಸುವವರೆಗೆ ಯಾವುದೇ ತೂಕವನ್ನು ನೀಡಲಾಗುವುದಿಲ್ಲ.
- ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಮೇಲೆ ವ್ಯಾಪಾರದ ಪ್ರಭಾವವನ್ನು ನಿರ್ಧರಿಸುವುದು. ಆದಾಯ/ಪರಿವರ್ತನೆಯ ಪ್ರಭಾವಕ್ಕೆ ಸಂದರ್ಭದ ಅಗತ್ಯವಿದೆ; ಅವನು ತನ್ನ ತಂಡದಲ್ಲಿದ್ದಾನೆ.
- ಆದ್ಯತೆ ನೀಡಬೇಡಿ. ಸಂಶೋಧನೆಗಳ ಅಸ್ತವ್ಯಸ್ತ ಪಟ್ಟಿ ತಂಡವನ್ನು ಪಾರ್ಶ್ವವಾಯುವಿಗೆ ತರುತ್ತದೆ; ಎಲ್ಲವನ್ನೂ ಒಂದೇ ಬಾರಿಗೆ ಸರಿಪಡಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ.
- ಸಲಹೆಗಳನ್ನು ಅಸ್ಪಷ್ಟವಾಗಿ ಬಿಡಲಾಗುತ್ತಿದೆ. "ಉತ್ತಮವಾಗಿ ಮಾಡು" ಅನ್ವಯಿಸುವುದಿಲ್ಲ; ಏನು, ಏಕೆ ಮತ್ತು ಎಲ್ಲಿ ಸ್ಪಷ್ಟವಾಗಿರಬೇಕು.
ಸಾರಾಂಶದಲ್ಲಿ
ಉಪಯುಕ್ತತೆ ಪರೀಕ್ಷೆಯ ಮೌಲ್ಯವು ರೆಕಾರ್ಡಿಂಗ್ಗಳು ಮತ್ತು ಟಿಪ್ಪಣಿಗಳನ್ನು ಸ್ಪಷ್ಟ, ಆದ್ಯತೆಯ ಸಂಶೋಧನೆಗಳಾಗಿ ಪರಿವರ್ತಿಸುವಲ್ಲಿ ಬರುತ್ತದೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಈ ಸಂಶ್ಲೇಷಣೆಯನ್ನು ಹೆಚ್ಚು ವೇಗಗೊಳಿಸುತ್ತದೆ: ಅವಲೋಕನಗಳನ್ನು ಸಂಶೋಧನೆಗಳಾಗಿ ಒಟ್ಟುಗೂಡಿಸುತ್ತದೆ, ಕರಡು ಶಿಫಾರಸುಗಳು, ಪ್ರಾಮುಖ್ಯತೆಯ ಕ್ರಮವನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಆದರೆ ಪ್ರತಿ ಸಂಶೋಧನೆಯ ಹಿಂದಿನ ಅವಲೋಕನಗಳ ಸಂಖ್ಯೆಯನ್ನು ಪರಿಶೀಲಿಸುವುದು, ಏಕ ಅವಲೋಕನಗಳ ಆಧಾರದ ಮೇಲೆ ಉಬ್ಬಿಕೊಂಡಿರುವ ಸಂಶೋಧನೆಗಳನ್ನು ಕಳೆ ಮಾಡುವುದು ಮತ್ತು ಸಂದರ್ಭದೊಂದಿಗೆ ವ್ಯವಹಾರದ ಪ್ರಭಾವವನ್ನು ತೂಕ ಮಾಡುವುದು ಮಾನವ ಕೆಲಸವಾಗಿದೆ. ಪುರಾವೆಗಳನ್ನು ಆಧರಿಸಿದ, ನಿರ್ದಿಷ್ಟ ಆವರ್ತನವನ್ನು ಹೊಂದಿರುವ ಮತ್ತು ಪ್ರಾಮುಖ್ಯತೆಯ ಕ್ರಮದಲ್ಲಿ ಜೋಡಿಸಲಾದ ಸಂಶೋಧನೆಗಳ ವರದಿಯು ಮಧ್ಯಸ್ಥಗಾರರಿಗೆ ತ್ವರಿತ ಮತ್ತು ರಕ್ಷಣಾತ್ಮಕವಾಗಿರುತ್ತದೆ.
ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ
- ಉಪಯುಕ್ತತೆ ಪರೀಕ್ಷೆಯಿಂದ ಟಿಪ್ಪಣಿಗಳನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸಿ (ನೈಜ ಅಥವಾ ಕಾಲ್ಪನಿಕ).
- ಮೊದಲ ಪ್ರಾಂಪ್ಟಿನಲ್ಲಿ ಸಂಶೋಧನೆಗಳನ್ನು ತೆಗೆದುಹಾಕಿ; ಪ್ರತಿಯೊಂದರ ಅಡಿಯಲ್ಲಿ ವೀಕ್ಷಣೆಗಳ ಸಂಖ್ಯೆಯನ್ನು ಪರಿಶೀಲಿಸಿ.
- "ದುರ್ಬಲ ಸಾಕ್ಷ್ಯ" ಎಂದು ಗುರುತಿಸಲಾದ ಸಂಶೋಧನೆಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಿ ಮತ್ತು ಹೆಚ್ಚುವರಿ ಡೇಟಾ ಅಗತ್ಯವಿದೆಯೇ ಎಂದು ನಿರ್ಧರಿಸಿ.
- ಎರಡನೇ ಪ್ರಾಂಪ್ಟ್ನೊಂದಿಗೆ, ಪ್ರಾಮುಖ್ಯತೆಯ ಕ್ರಮದಲ್ಲಿ ಸಂಶೋಧನೆಗಳನ್ನು ಶ್ರೇಣೀಕರಿಸಿ; ತಂಡವಾಗಿ ವ್ಯಾಪಾರದ ಪ್ರಭಾವವನ್ನು ನಿರ್ಣಯಿಸಿ.
- ಮೂರನೇ ಪ್ರಾಂಪ್ಟ್ನೊಂದಿಗೆ, ಪ್ರತಿ ಶೋಧನೆಗೆ ಕಾಂಕ್ರೀಟ್ ಸಲಹೆಗಳನ್ನು ಬರೆಯಿರಿ ಮತ್ತು ಆದ್ಯತೆಯ ಕೋಷ್ಟಕವನ್ನು ರಚಿಸಿ.
ಪರಿಶೀಲನಾಪಟ್ಟಿ
- [ ] ನಾನು ವೀಕ್ಷಣೆ, ಸಂಶೋಧನೆಗಳು ಮತ್ತು ಸಲಹೆಗಳನ್ನು ಪ್ರತ್ಯೇಕ ಪದರಗಳಾಗಿ ಇರಿಸಿದೆ.
- [ ] ಪ್ರತಿ ಶೋಧನೆಯನ್ನು ಎಷ್ಟು ಭಾಗವಹಿಸುವವರು ತೋರಿಸಿದ್ದಾರೆ ಎಂಬುದನ್ನು ನಾನು ಪರಿಶೀಲಿಸಿದ್ದೇನೆ.
- [ ] ನಾನು ಒಂದೇ ಅವಲೋಕನದ ಆಧಾರದ ಮೇಲೆ ಸಂಶೋಧನೆಗಳನ್ನು ದುರ್ಬಲ ಪುರಾವೆ ಎಂದು ಗುರುತಿಸಿದ್ದೇನೆ.
- [ ] ನಾನು ಪರಿಣಾಮ-ಆವರ್ತನ-ಉದ್ಯೋಗದ ಪ್ರಭಾವದಿಂದ ತೀವ್ರತೆಯ ಮಟ್ಟವನ್ನು ನಿರ್ಧರಿಸಿದೆ.
- [ ] ತಂಡದೊಂದಿಗೆ ವ್ಯಾಪಾರ ಪ್ರಭಾವದ ನಿರ್ಧಾರವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದೆ.
- [ ] ನಾನು ಸಲಹೆಗಳನ್ನು ನಿರ್ದಿಷ್ಟವಾಗಿ ಬರೆದಿದ್ದೇನೆ (ಏನು/ಏಕೆ/ಎಲ್ಲಿ).