Ieguvumi:
- Spēja izmantot mākslīgo intelektu, lai ģenerētu analīzes plānu, atbilstošu statistisko testu atlasi un R/Python/SPSS koda melnrakstu un manuāli apstiprinātu izvadi
- Spēja pieņemt tēmu un koda ieteikumus kvalitatīvos datos, savienot un apstiprināt mākslīgā intelekta interpretāciju ar neapstrādātiem datiem
- Spēja izprast neapstrādātu datu koplietošanas privātuma risku, viltotas statistikas un p-uzlaušanas draudus un novilkt atbildīgas analīzes robežas
Kad dati ir savākti, ir pienācis laiks tos saprast. Datu analīze ir process, kurā neapstrādātus skaitļus vai tekstu pārvērš atklājumos, kas atbild uz pētījuma jautājumu. Šajā posmā mākslīgais intelekts paātrina trīs konkrētus uzdevumus: izstrādā koda uzmetumu (R, Python, SPSS sintakse), palīdz interpretēt statistikas rezultātus un nodrošina tēmu/koda ieteikumus kvalitatīvos datos. Bet analīze ir visjutīgākā precizitātes un konfidencialitātes joma akadēmiskajās aprindās. Šīs vienības pamatnoteikums ir divējāds: neapstrādāti dati paliek konfidenciāli, katrs skaitliskais rezultāts tiek pārbaudīts manuāli. AI var arī radīt viltotu statistiku; Nepārbaudīta p-vērtība ir tikpat bīstama kā nepārbaudīts attiecinājums.
Ģenerējiet koda melnrakstu
AI ir ļoti spēcīgs, lai pārvērstu analīzes plānu darba kodā. Sakot: “Veiciet neatkarīga parauga t-testu starp šiem mainīgajiem un pārbaudiet pieņēmumus”, jūs iegūstat skaidru R vai Python kontūru. Tā ir lieliska ērtība, īpaši pētniekiem, kuri nav programmēšanas eksperti. Bet ir divi noteikumi. Pirmkārt: palaidiet kodu savā vidē ar saviem datiem; Neaugšupielādējiet rīkā neapstrādātus datus. Jūs aprakstāt savu datu struktūru AI (mainīgo nosaukumi, veidi, dažas paraugrindas — bez ID), tas ieraksta kodu un izpildāt to vietējā mašīnā. Otrkārt: izlasiet un saprotiet kodu; aklā kopēšana pārceļ kluso kļūdu (nepareizs mainīgais, nepareizs tests) pārskatā, to nepamanot.
Statistiskā testa izvēle ir kritisks lēmums: datu veids (nepārtraukts/kategorisks), grupu skaits, sadalījuma pieņēmumi nosaka testu. Tāpat kā lēmumu koks, AI saka "šajā gadījumā var būt piemērots šāds tests" un izskaidro tā pamatojumu; Tas ir pamācoši. Bet jūs apstiprināt izvēli, pārbaudot savu datu pieņēmumus. Nepareizs tests rada rezultātu, kas šķiet derīgs, bet bezjēdzīgs.
Uzmanību! Ja tiek prasīts skaitlis (“kāds ir vidējais rādītājs šajā izlasē”), mākslīgais intelekts var izdomāt skaitli, kas šķiet saprātīgs, neveicot nekādus faktiskus aprēķinus. Nekad nelieciet AI "aprēķināt" datus un izmantot rezultātu; Statistikas programmatūra veic matemātiku, AI tikai rada kodu un interpretāciju.
Statistiskā interpretācija un kvalitatīvā kodēšana
Kad programmatūra rada izvadi (piemēram, t(48) = 2,31, p = 0,025), AI palīdz jums to interpretēt vienkāršā valodā: ko tas nozīmē, efekta lieluma nozīmi, kā par to tiks ziņots (APA formātā). Jūs pārbaudāt šo interpretāciju, aplūkojot savu rezultātu; Jūs sniedzat izvadi AI, tas to interpretē, jūs zināt, ka skaitlis patiesībā tika iegūts no jūsu analīzes.
Kvalitatīvā analīzē mākslīgais intelekts var iegūt iespējamos kodus (atkārtotas nozīmes vienības) un tēmas no interviju stenogrammām. Tas ir vērtīgs kā induktīvās kodēšanas sākumpunkts; AI var ieteikt kādu modeli, kuru esat palaidis garām. Taču kvalitatīvās analīzes pamatā ir pētnieka dziļa lasīšana; Jūs saistāt katru kodu, ko AI iesaka atpakaļ ar neapstrādātajiem datiem (faktisko citātu), pārbaudiet tā kontekstu un filtrējiet to, izmantojot savu interpretācijas sistēmu. AI “neinterpretē” kvalitatīvos datus, tas liecina par modeļiem; Jūs radāt nozīmi.
p-hacking (dažādos manipulācijas ar datiem, līdz tiek iegūti jēgpilni rezultāti) ir nopietns ētikas pārkāpums. Tas, ka mākslīgais intelekts saka: "izmēģiniet dažādus testus, līdz atrodat nozīmīgu rezultātu", ir tieši tas, un tas ir aizliegts. Pirms datu apskatīšanas nosakiet savu analīzes plānu (ja iespējams, veicot iepriekšēju reģistrāciju) un izmantojiet AI, lai izpildītu šo plānu, nevis lai "medītu" rezultātu.
Reproducējamība un koda dokumentācija
Mūsdienu akadēmiskajā vidē reproducējamība kļūst arvien svarīgāka: cita pētnieka spēja nonākt pie tāda paša secinājuma ar jūsu datiem un kodu. AI šeit ir divvirzienu palīgs. Pirmkārt, varat lūgt tai dokumentēt izveidoto kodu ar komentāru rindiņām; Kods, kas izskaidro katras darbības darbību, ļauj jums to vieglāk saprast pēc sešiem mēnešiem un revidentam sekot. Otrkārt, mākslīgais intelekts nosaka, ka analīze ir balstīta uz skriptiem, nevis nejauši manuāli noklikšķinot (piemēram, SPSS izvēlnēs); Skripts ir pilnīgs jūsu analīzes ieraksts, un to var atkārtot ar vienu klikšķi. Tas novērš nenoteiktību "ar kādu iestatījumu es ieguvu šo rezultātu?"
Daļa no reproducējamības ir neapstrādāto datu un apstrādāto datu nošķiršana: jūs nekad nepieskarieties neapstrādātajiem datiem ar roku, jūs veicat visas transformācijas (tīrīšanu, kodēšanu, izslēgšanu) kodā. Tādā veidā, kad atrodat kļūdu, varat atgriezties sākumā un palaist to vēlreiz. AI var piedāvāt darbplūsmas sistēmu, kas saglabā šo atšķirību; Taču tādi lēmumi kā dalībnieks tika izslēgts un kāpēc ir jāpieņem un jāreģistrē zinātniski spriedumi.
trīs mini futrāļi
1. gadījums — koda paātrināšana, manuāla pārbaude. Viens pētnieks nezināja, kā veikt atkārtotus mērījumus ANOVA R. Viņš aprakstīja datu struktūru (anonīmu) AI, paņēma koda uzmetumu un palaida to savā datorā. Viņš arī atkārtoja izvadi SPSS; Abi rezultāti vienojās. Kods bija pareizs, taču pētnieks par to jutās pārliecināts tikai tad, kad viņš to pārbaudīja ar otru rīku.
2. gadījums — izdomāta kopsavilkuma statistika. Kāds students ielīmēja datu tabulu AI un teica: "aprēķiniet vidējos un standarta novirzes". AI atgrieza skaitļus, kas šķita saprātīgi; Kad students to pārbaudīja programmatūrā, viņš redzēja, ka vairāki vidējie rādītāji ir nepareizi. AI faktiski neaprēķina tabulu, tas to uzminēja. Nodarbība: programmatūra veic aprēķinus, jūs nesaņemat rezultātu no AI.
3. gadījums — kvalitatīva koda ieteikums. Kāds sociālais zinātnieks pats kodēja 30 intervijas, pēc tam ievadīja AI anonimizētu apakškopu un jautāja, “kādas papildu tēmas parādās”. AI ierosināja tēmu “institucionālā uzticēšanās”, ko viņš atsevišķi neapsvēra. Pētniece atgriezās pie neapstrādātiem citātiem, atklāja, ka tēma patiešām tika atbalstīta, un pievienoja to savai analīzei. AI pievienota perspektīva; Pētnieks pieņēma lēmumu un pārbaudi.
Kopējamas veidnes
1) Testa atlases konsultācija:
Ienesīgums: [atkarīgā mainīgā veids], [grupu skaits], [neatkarīgs/pārī savienots], [ko es zinu par sadalījumu]. Mans jautājums: vai pastāv atšķirība starp grupām? Uzskaitiet statistikas testus, kas varētu būt piemēroti, ar to pamatojumu un pierakstiet katra pieņēmumus. Es izdaru izvēli.
2) Koda projekts (bez ID):
Es izmantoju R. Manā datu ietvarā ir šādas kolonnas: [kolonnu nosaukumi un veidi, piemēram, UNDENTIFIED 2 rindas]. Uzrakstiet kodu ar interpretāciju, kas veic neatkarīgas izlases t-testu un pārbauda pieņēmumus (normalitāti, dispersijas viendabīgumu). Es izpildīšu kodu savā mašīnā.
3) Izvades interpretācija (APA):
Mana statistikas programmatūra izveidoja šādu rezultātu: [ielīmēt izvadi]. Kā ziņot par to APA 7 formātā? Vienkāršā valodā izskaidrojiet efekta lielumu un tā praktisko nozīmi. Paņemiet skaitļus no manas produkcijas, neveidojiet jaunu.
4) Kvalitatīvas tēmas ieteikums (anonīms):
Zemāk ir anonimizēti interviju fragmenti. Induktīvi ieteikt iespējamo kodu un tēmu KANDIDĀTI; Parādiet, uz kuru citātu balstās katrs kandidāts. Tie ir ieteikumi; Es to apstiprināšu no neapstrādātiem datiem. Citāti: [anonīms teksts]
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Analizējiet šos datus un pastāstiet man rezultātu. [ielīmēt tabula]
AI veido aprēķinu; Turklāt neapstrādātie dati tiek izvadīti uz atvērto rīku. Divkāršs risks.
Spēcīga uzvedne:
Es izmantoju Python (pandas + scipy). Mans datu rāmis: [unidentifiedcolumndefinition]. Es gribu salīdzināt divas grupas. Uzrakstiet INTERPRETĒTO kodu, kas (1) pārbauda pieņēmumus, (2) piemēro atbilstošo testu, (3) aprēķina efekta lielumu. Es to izpildīšu ar saviem datiem un ziņošu par rezultātu. Jūs NEizdomājat numuru; vienkārši dodiet kodu un komentārus.
bizness
AI dara
tu dari
Testa atlase
Variants + pamatojums
Pieņēmumu pārbaude, lēmums
Analīzes kods
koda projekts
Skriešana un lasīšana uz vietas
skaitliskais aprēķins
nevajadzētu
Aprēķins ar programmatūru
Izejas komentārs
Vienkāršas valodas izklāsts
Apstipriniet ar savu izdruku
Kvalitatīva kodēšana
Tēmas kandidāts
Validācija ar neapstrādātiem datiem
Biežas kļūdas
- Neapstrādātu/identificētu datu augšupielāde atvērtajā rīkā. tiek pārkāpta dalībnieka konfidencialitāte; smagākā kļūda.
- AI liekot aprēķināt skaitļus. Veido izdomātu statistiku; Programmatūra veic aprēķinus.
- Palaižot kodu, to neizlasot. Klusā kļūda noplūst pārskatā.
- p-uzlaušana. Mēģināt veikt testus, lai atrastu nozīmīgus rezultātus, ir ētikas pārkāpums.
- Atstājot kvalitatīvo interpretāciju AI ziņā. Pētnieks konstruē nozīmi; AI tikai iesaka modeļus.
Padoms. Saglabājiet analīzes plānu un katra izmantotā testa pamatojumu rakstiski. Tas gan aizsargā pret p-uzlaušanu, gan nodrošina gatavu ierakstu, rakstot metodes sadaļu.
Rezumējot
AI ievērojami paātrina datu analīzi, izmantojot koda sastādīšanu, testu atlases konsultācijas, izvades interpretāciju un kvalitatīvu tēmu ieteikumu. Taču analīze ir akadēmijas smalkākā precizitātes joma: neapstrādāti dati tiek turēti noslēpumā, aprēķini tiek veikti programmatūrā, katrs skaitliskais rezultāts tiek pārbaudīts ar roku, kvalitatīva interpretācija tiek piesaistīta neapstrādātiem datiem un tiek novērsta p-datorurķēšana. Īsākais noteikums: kods un interpretācija ir no AI, aprēķins un lēmums ir no jums.
Lietojumprogrammas uzdevums
Anonīmi aprakstiet savu (vai parauga) datu struktūru un pieprasiet AI atbilstošu pārbaudes ieteikumu un komentētu analīzes kodu. Izlasiet kodu un vienā teikumā pierakstiet, ko dara katra rinda. Palaidiet kodu un iegūstiet rezultātu un, ja iespējams, pārbaudiet vismaz vienu rezultātu otrā veidā (ar roku vai citu rīku). Ja strādājat kvalitatīvi, iesakiet motīvu anonīmai citātu kopai un salīdziniet tos ar neapstrādātajiem datiem.
kontrolsaraksts
- [ ] Vai neapstrādātos/identificētos datus neesmu ielādējis nevienā atvērtā rīkā?
- [ ] Vai esmu apstiprinājis testa izvēli, pārbaudot pieņēmumus?
- [ ] Vai esmu izlasījis un sapratis kodu un palaist to lokāli?
- [ ] Vai esmu pārbaudījis katru skaitlisko rezultātu programmatūru/sekundāro?
- [ ] Vai esmu saistījis kvalitatīvas tēmas ar neapstrādātiem citātiem?