Ieguvumi:
- Spēja izmantot mākslīgo intelektu kā domu partneri pētījuma jautājuma asināšanai, hipotēžu un mainīgo definīciju ģenerēšanai un metožu variantiem
- Spēja no mākslīgā intelekta iegūt kvantitatīvās, kvalitatīvās un jauktās dizaina, izlases un validitātes-uzticamības iespējas un novērtēt tās atbilstoši savai jomai un ētikas noteikumiem.
- Spēja saprast, ka metodoloģiskie lēmumi un ētikas komitejas (IRB) atbildība ir pētniekam un ka mākslīgā intelekta priekšlikums ir tikai melnraksts.
Pēc literatūras iepazīšanas ir pienācis laiks izveidot savu studiju. Pētījuma plānošana ir process, kurā sākas ar jautājumu un pārvērš to par izmērāmu, atbildīgu pētījumu: jautājuma asināšana, hipotēzes izvirzīšana, mainīgo definēšana, atbilstoša dizaina un metodes izvēle, izlases noteikšana, derīguma un ticamības apsvēršana. Šī ir garīgi prasīgākā izpētes daļa, un AI var būt spēcīgs domu partneris — ģenerējot iespējas, izraisot aklās zonas, salīdzinot alternatīvas. Taču šīs vienības pamatnoteikums ir skaidrs: metodiskie lēmumi un ētiskā atbildība pieder pētniekam; AI nodrošina tikai novērtēšanas iespējas.
No jautājuma līdz hipotēzei
Labs izpētes jautājums ir mērķtiecīgs, atbildīgs un oriģināls. Kopīgs ietvars ir PICO eksperimentālajos/klīniskajos pētījumos: populācija, iejaukšanās, salīdzinājums, rezultāts. Sociālajās zinātnēs jautājums parasti tiek uzdots kā attiecības starp mainīgajiem. AI palīdz sašaurināt plašu jautājumu un iesaka vairākus alternatīvus formulējumus.
Hipotēze ir problēmas pārvēršana pārbaudāmā prognozē; parasti ietver virzienu (“X palielina Y”). Mainīgie ir lietas, kuras jūs novērtējat: neatkarīgais mainīgais (kuru jūs ietekmējat), atkarīgais mainīgais (iznākums, ko mērāt), kontroles mainīgie (kuru jūs paturat nemainīgu). AI ir noderīgs hipotēzes asināšanai, mainīgo lielumu sadalīšanai darbības definīcijās (izmērāmās definīcijās) un iespējamo neskaidrību atsaukšanā (trešais faktors, kas slepeni ietekmē rezultātu).
Padoms: sakiet AI "arī sniedziet argumentus, lai atspēkotu šo hipotēzi." Ir vērtīgi agri pamanīt sava dizaina vājās vietas, lai jūs varētu mācīties tagad, nevis tiesneša procesa laikā.
Dizains, paraugs un derīgums
Pētījuma dizains ir veids, kā dati tiks vākti un strukturēti, lai atbildētu uz jūsu jautājumu. Ir trīs plašas grupas: kvantitatīvā (skaitliskie dati, statistiskā pārbaude — eksperimentālā, kvazieksperimentālā, korelācijas, aptauja), kvalitatīvā (teksts/novērojums, nozīme un pieredze — intervija, gadījuma izpēte, fenomenoloģija, pamatota teorija) un jauktā metode (apvienojot abas). AI var salīdzināt katru modeli ar tā plusiem un mīnusiem un apspriest, kurš no tiem varētu atbilst jūsu jautājumam; taču galīgā izvēle ir jūsu ziņā, pamatojoties uz jūsu avotiem, lauka tradīcijām un jūsu jautājuma būtību.
Paraugs ir jūsu visuma apakškopa, kuru jūs pārbaudāt. Kvantitatīvi izlases lielumu aprēķina, izmantojot jaudas analīzi — mazāko paraugu, kas nepieciešams, lai iegūtu statistiski nozīmīgu efektu; AI atgādina formulu un pieņēmumus, taču jums vajadzētu apstiprināt numuru ar programmatūru (piemēram, GPower). Derīgums (vai tiešām mēra to, ko mēra) un uzticamība* (vai mērījumu var atkārtot) ir dizaina kvalitātes garantijas; AI uzskaita draudus, jūs veicat piesardzības pasākumus.
Kritiskākais punkts ir ētika. Jebkuram pētījumam, kurā piedalās cilvēki vai dzīvnieki, ir nepieciešams ētikas komitejas (IRB) apstiprinājums: informēta piekrišana, konfidencialitāte, ļaunprātīga izmantošana. AI var palīdzēt jums sagatavot ētikas komitejas pieteikumu, taču tas nekad neaizstāj apstiprinājumu un ētisko atbildību. AI nevar teikt "šis dizains ir ētisks"; To lemj jūsu iestādes ētikas komiteja.
Jaukto metožu pamatojums un iepriekšēja reģistrācija
Svarīgs jautājums, izvēloties jaukto metodi, ir tas, kāpēc un kā apvienot abus datu tipus. Vienkārši pateikt “es veicu gan aptauju, gan interviju” nav jaukta metode; Dizainam jābūt ar loģiku. Parastie modeļi ietver pētniecisko secīgo (vispirms kvantitatīvo, pēc tam kvalitatīvo, lai padziļinātu atklājumus), pētniecisko secīgo (vispirms kvalitatīvo, pēc tam mēroga izstrādi un kvantitatīvo testēšanu) un vienlaikus ligzdotu dizainu. AI var salīdzināt šos modeļus atbilstoši jūsu jautājumam un apspriest, kurš no tiem atbilst integrācijas loģikai; taču izvēle ir atkarīga no tā, kas jūsu jautājumam patiešām ir vajadzīgs.
Spēcīgs instruments metodoloģiskās integritātes nodrošināšanai ir iepriekšēja reģistrācija: hipotēzes, mainīgo lielumu un analīzes plāna reģistrēšana atklātā repozitorijā (piemēram, OSF) pirms datu vākšanas. Tas novērš retrospektīvu meklēšanu (HARKing — hipotēžu izvirzīšanu pēc rezultāta redzēšanas) un palielina jūsu pētījuma ticamību. AI var palīdzēt strukturēt iepriekšējas reģistrācijas veidlapas projektu un pamanīt jebkādas neskaidrības jūsu plānā; Tomēr katrs lēmums, ko ierakstāt, ir jūsu, un jūsu pienākums ir to ievērot pēc ierakstīšanas.
trīs mini futrāļi
1. gadījums — jautājuma sašaurināšanās. Absolventa jautājums bija "Kā sociālie mediji ietekmē jauniešus?" Tas bija tik plašs un neizmērojams. Viņš AI ievietoja PICO līdzīgā sistēmā; Jautājums ir "Vai pastāv saistība starp ikdienas Instagram lietošanas laiku un miega kvalitāti 14-17 gadus veciem vidusskolēniem?" ir kļuvis. Izmērāms, ierobežots un atbildams jautājums; AI palīdzēja to sašaurināt, students pieņēma lēmumu.
2. gadījums — mulsinošs mainīgā brīdinājums. Viens pētnieks izvirzīja hipotēzi “tiešsaistes kurss → zemi sasniegumi”. Viņš jautāja AI par tā vājajām vietām; AI mums atgādināja, ka sociālekonomiskais statuss var būt traucēklis, kas ietekmē gan kursa veidu, gan panākumus. Pētnieks to nezināja, taču viņš izlaida to kā kontroles mainīgo pievienošanu savam dizainam. AI kalpoja kā atgādinājums; metodisko lēmumu viņš pieņēma pats.
3. gadījums — ētiskā robeža. Kāds students izstrādāja aptauju par jutīgu jautājumu (vielu lietošanu) un jautāja YZ: "Vai šī aptauja izturēs ētikas komiteju?" viņš jautāja. AI uzskaitīja vispārīgos principus (piekrišana, anonimitāte, tiesības atsaukt), taču students to neaizstāja ar piekrišanu; Pieteicās īstā ētikas komisija un valde pieprasīja labojumus divos pantos. AI palīdzēja izstrādāt, valde pieņēma lēmumu.
Kopējamas veidnes
1) Sašaurinot jautājumu:
Jūsu loma: metodiskais konsultants. Mana plašā interešu joma ir: "[tēma]". Sašauriniet to līdz 3 koncentrētiem, izmērāmiem alternatīviem pētījuma jautājumiem. Katram norādiet paraugu, galvenos mainīgos un iespējamo dizainu. Šīs ir iespējas; Es izlemšu.
2) Hipotēze un mainīgā definīcija:
Mans pētījuma jautājums: "[jautājums]". Iesakiet man (a) pārbaudāmu hipotēzi, (b) neatkarīgus/atkarīgos/kontrolējamos mainīgos, (c) operatīvo (izmērāmo) definīciju katram mainīgajam. Uzskaitiet arī iespējamos mulsinošos mainīgos. Apspriediet iespējas, lēmums ir mans.
3) Modeļu salīdzinājums:
Salīdziniet kvantitatīvo, kvalitatīvo un jaukto metožu modeļus “[jautājums]” tabulā: atbilstība, izturība, robeža, nepieciešamie resursi. Noteikti nesaki "izvēlies šo"; Pastāstiet man plusus un mīnusus, es izdarīšu izvēli.
4) Derīguma/uzticamības draudu saraksts:
Uzskaitiet šādus dizaina draudus iekšējai derīgumam, ārējai derīgumam un uzticamībai un iesakiet katram iespējamos pretpasākumus. Dizains: [kopsavilkums]. Tie būs mans kontrolsaraksts; Es pieņemu lēmumu.
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Dodiet man pētījuma dizainu.
Nav tēmu, jautājumu, jomu un ierobežojumu; AI izveido kopīgu, bezjēdzīgu veidni.
Spēcīga uzvedne:
Jūsu loma: pieredzējis metodiķis izglītības zinātnēs. Mans jautājums: "Jauktās mācīšanās ietekme uz 7. klases sasniegumiem dabaszinībās". Kvazieksperimentālam projektam: kā IESPĒJAS apspriediet piemērotu kontroles grupas stratēģiju, mērinstrumentu veidu, iespējamos sajaukšanas faktorus un iekšējās derīguma draudus. Sakiet, kāda informācija ir nepieciešama jaudas analīzei; Skaitļu aprēķināšu ar benG*Power. Atzīmējiet punktus, kuriem nepieciešams ētisks apstiprinājums.
Dizaina lēmums
AI loma
Kura atbildība
Sašauriniet jautājumu
ražo alternatīvas
Pētnieks izvēlas
Hipotēze/mainīgais
Melnraksts + atgādinājums
Pētnieks definē
Rakstu izvēle
salīdzina
Pētnieks izlemj
parauga lielums
Formula atgādina
Apstiprināts ar programmatūru
Ētiskā apstiprināšana
drafta palīgs
Tikai ētikas komisija
Biežas kļūdas
- Veicot AI, izvēlieties modeli. Metodoloģiskais lēmums ir pētniekam; AI iesaka, jūs izvēlaties.
- Ētikas padomes apiešana. AI nevar teikt "ētiski"; Apstiprinājums nāk no iestādes ētikas komitejas.
- Maisītāju ignorēšana. Ja kontroles mainīgie nav plānoti, rezultātu nevar interpretēt.
- Precīza paraugu skaita iegūšana no AI. Pārbaudiet jaudas analīzi, izmantojot atbilstošu programmatūru.
- Nesašaurinot jautājumu. Neizmērojami plašs jautājums nozīmē pētījumu, ko nevar izveidot.
Uzmanību: AI ieteiktā metode var nebūt standarta jūsu jomā. Salīdziniet katru ieteikumu ar metodoloģijas resursiem savā jomā (mācību grāmata, konsultants, līdzīgas publikācijas); AI runā vispārīgi, domēnu konvencijas ir specifiskas.
Rezumējot
Pētījuma dizains ir ķēde, kas iet no jautājuma asināšanas līdz izlases veidošanai un ētikai. AI ir spēcīgs domāšanas partneris, kas piedāvā iespējas katrā šīs ķēdes posmā un atgādina aklās zonas; precizē hipotēzi, salīdzina modeļus, uzskaita draudus. Bet atbildība par dizaina izvēli, parauga apstiprināšanu un īpaši ētisku apstiprinājumu ir pētniekam un ētikas komitejai. Īsākais īkšķis: izvēle ir no AI, metodoloģiskais un ētiskais lēmums ir no jums.
Lietojumprogrammas uzdevums
Iegūstiet savu pētījumu ideju. Izmantojot AI, sašauriniet to līdz 3 mērķtiecīgiem jautājumiem un izvēlieties vienu. Izvēlētajam jautājumam ģenerējiet hipotēzes, mainīgos un darbības definīcijas un labojiet tās atbilstoši savai jomai. Lūdziet kvantitatīvu/kvalitatīvu/jauktu dizaina salīdzinājumu un rindkopā pamatojiet, kuru izvēlējāties un kāpēc. Atzīmējiet punktus, kuriem nepieciešams ētisks apstiprinājums.
kontrolsaraksts
- [ ] Vai esmu izmērāmi sašaurinājis savu pētījuma jautājumu?
- [ ] Vai esmu noskaidrojis hipotēzes un mainīgos ar operatīvām definīcijām?
- [ ] Vai esmu plānojis sajaukt mainīgos?
- [ ] Vai es izvēlējos modeli savu iemeslu dēļ?
- [ ] Vai esmu noteicis punktus, kuriem nepieciešams ētikas komitejas apstiprinājums?