നേട്ടങ്ങൾ:
- ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ പിന്തുണയോടെ, സത്യസന്ധവും അവ്യക്തവുമായ ഭാഷയിൽ, ടാർഗെറ്റ് പ്രേക്ഷകർക്ക് (അക്കാദമിക്, പോളിസി, മാനേജ്മെൻ്റ്) അനുഭവപരമായ കണ്ടെത്തലുകൾ റിപ്പോർട്ട് ചെയ്യാനുള്ള കഴിവ്
- നിഗമനങ്ങൾ, പരിമിതികൾ, ധാർമ്മിക പ്രസ്താവനകൾ (ഡാറ്റ രഹസ്യാത്മകത, താൽപ്പര്യ വൈരുദ്ധ്യം, ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഉപയോഗം വെളിപ്പെടുത്തൽ) എന്നിവ പൂർണ്ണമായും എഴുതാനും തെറ്റിദ്ധരിപ്പിക്കുന്ന അവതരണം ഒഴിവാക്കാനുമുള്ള കഴിവ്
- അതിശയോക്തിപരവും ഏകപക്ഷീയവും കാര്യകാരണപരവുമായ ഭാഷ സൃഷ്ടിക്കുന്ന റിപ്പോർട്ടുകളുടെ ഡ്രാഫ്റ്റുകൾ തിരിച്ചറിയാനും അന്തിമ വാചകത്തിനും അവകാശവാദങ്ങൾക്കും ആ ഉത്തരവാദിത്തം നിലനിർത്താനുമുള്ള ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ കഴിവ് ഗവേഷകനിൽ നിക്ഷിപ്തമാണ്.
മൊഡ്യൂൾ പരീക്ഷ
1. ഒരു ഗവേഷകൻ ചോദിക്കുന്നു '2015-നും 2020-നും ഇടയിൽ തുർക്കിയിൽ തൊഴിലില്ലായ്മയും പണപ്പെരുപ്പവും തമ്മിലുള്ള പരസ്പരബന്ധം എന്താണ്?' ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിന് ഒരു ഡാറ്റയും നൽകാതെ. അദ്ദേഹം തൻ്റെ ലേഖനത്തിൽ നേരിട്ട് 0.62 എന്ന നമ്പർ ചോദിക്കുകയും എഴുതുകയും ചെയ്യുന്നു. ഈ സമീപനത്തിലെ അടിസ്ഥാനപരമായ തെറ്റ് എന്താണ്?
- എ) പരിശോധിച്ച ഡാറ്റ നൽകാതെ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൽ നിന്ന് കൃത്യമായ സ്ഥിതിവിവരക്കണക്കുകൾ പ്രതീക്ഷിക്കുന്നു; ✔ പരിശോധിച്ചുറപ്പിക്കാതെ ഉണ്ടാക്കിയേക്കാവുന്ന ഒരു നമ്പർ ഉപയോഗിക്കുന്നു
- ബി) ഒരു ലേഖനത്തിൽ ഒരിക്കലും പരസ്പര ബന്ധ ഗുണകം ഉപയോഗിക്കരുത്.
- സി) തൊഴിലില്ലായ്മയും പണപ്പെരുപ്പവും തമ്മിലുള്ള പരസ്പരബന്ധം കണക്കാക്കാനാവില്ല
- ഡി) ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിന് 2020ന് ശേഷം മാത്രമേ ഡാറ്റ ആക്സസ് ചെയ്യാൻ കഴിയൂ
വിശദീകരണം: ഡാറ്റാസെറ്റ് ആക്സസ് ചെയ്യാതെ AI ഭാഷാ മോഡലിന് സ്ഥിതിവിവരക്കണക്കുകൾ നിർമ്മിക്കാൻ കഴിയില്ല; അവൻ നൽകുന്ന സംഖ്യ മിക്കവാറും ഒരു ഹാലുസിനേഷൻ (ഫാബ്രിക്കേറ്റഡ്) ആയിരിക്കും. ഗുണകങ്ങൾ, അനുപാതങ്ങൾ, പരിശോധന ഫലങ്ങൾ എന്നിവ ഗവേഷകൻ്റെ സ്വന്തം പരിശോധിച്ച ഡാറ്റയിൽ നിന്നാണ് കണക്കാക്കേണ്ടത്, മോഡലിൻ്റെ മെമ്മറിയിൽ നിന്ന് എടുത്തതല്ല.
2. നഷ്ടമായ ഡാറ്റ 'റാൻഡം ആയി കാണുന്നില്ല' (MNAR) എന്നതിൻ്റെ അർത്ഥമെന്താണ്, എന്തുകൊണ്ട് ഇത് പ്രധാനമാണ്?
- എ) നിരീക്ഷിച്ചിട്ടില്ലാത്ത മൂല്യം തന്നെയാണ് കുറവിന് കാരണം; അതുകൊണ്ടാണ് ലളിതമായ നിയമനത്തിന് പക്ഷപാതം സൃഷ്ടിക്കാൻ കഴിയുന്നത്✔
- ബി) ഡാറ്റ പൂർണ്ണമായും യാദൃശ്ചികമായി അപ്രത്യക്ഷമാവുകയും ഏതെങ്കിലും പക്ഷപാതം സൃഷ്ടിക്കുകയും ചെയ്യുന്നില്ല.
- C) നഷ്ടമായ ഡാറ്റ എല്ലായ്പ്പോഴും വരി ഇല്ലാതാക്കുന്നതിലൂടെ പരിഹരിക്കപ്പെടണം.
- D) ഡാറ്റ നഷ്ടപ്പെടുന്നത് വിശകലനത്തെ ഒരു തരത്തിലും ബാധിക്കില്ല.
വിശദീകരണം: MNAR-ൻ്റെ കാര്യത്തിൽ (യാദൃശ്ചികമായി കാണുന്നില്ല), കാണാത്തത് തന്നെ നിരീക്ഷിക്കപ്പെടാത്ത മൂല്യത്തിൻ്റെ വ്യാപ്തിയെ ആശ്രയിച്ചിരിക്കുന്നു (ഉദാ. ഉയർന്ന വരുമാനമുള്ളവർ അവരുടെ വരുമാനം റിപ്പോർട്ട് ചെയ്യുന്നില്ല). ഈ സാഹചര്യത്തിൽ, ലളിതമായ ഇല്ലാതാക്കൽ അല്ലെങ്കിൽ ശരാശരി അസൈൻമെൻ്റ് പക്ഷപാതപരമായ ഫലങ്ങൾ നൽകുന്നു; പോരായ്മയുടെ സംവിധാനം മാതൃകയാക്കണം. ഈ സംവിധാനം അറിയാതെ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് നിർദ്ദേശിക്കുന്ന അസൈൻമെൻ്റ് രീതി അന്ധമായി പ്രയോഗിക്കരുത്.
3. ഒരു അനലിസ്റ്റിന് AI ഒരു ബാർ ചാർട്ട് ഉണ്ടാക്കുന്നു, കൂടാതെ AI പൂജ്യത്തിന് പകരം 40-ൽ y-അക്ഷം ആരംഭിക്കുന്നു. രണ്ട് ഗ്രൂപ്പുകൾ തമ്മിലുള്ള യഥാർത്ഥ വ്യത്യാസം 2% ഗ്രാഫിൽ വളരെ വലുതാണ്. എന്താണ് ശരിയായ സമീപനം?
- എ) ആദ്യം മുതൽ അക്ഷം ആരംഭിക്കുക അല്ലെങ്കിൽ ചാർട്ട് തരം മാറ്റുക; ✔ തെറ്റിദ്ധരിപ്പിക്കാതെ വ്യത്യാസത്തിൻ്റെ യഥാർത്ഥ വലുപ്പം കാണിക്കാൻ
- B) AI മികച്ച തിരഞ്ഞെടുപ്പ് നടത്തുന്നതിനാൽ ചാർട്ട് അതേപടി ഉപയോഗിക്കുന്നു
- C) വ്യത്യാസം കൂടുതൽ വലുതാക്കാൻ 45 ൽ അച്ചുതണ്ട് ആരംഭിക്കുന്നു
- ഡി) ബാർ ചാർട്ടുകൾക്ക് പകരം വിഷ്വലുകൾ ഉപയോഗിക്കരുത്
വിശദീകരണം: ഒരു ബാർ ചാർട്ടിൽ, ഡാഷ് ചെയ്ത അക്ഷം (പൂജ്യത്തിൽ നിന്ന് ആരംഭിക്കാത്ത y-അക്ഷം) ചെറിയ വ്യത്യാസങ്ങൾ പെരുപ്പിച്ചുകാട്ടി തെറ്റിദ്ധരിപ്പിക്കുന്നു. സത്യസന്ധമായ ദൃശ്യവൽക്കരണത്തിൽ, ബാർ ചാർട്ടുകളുടെ അച്ചുതണ്ട് പൂജ്യത്തിൽ നിന്ന് ആരംഭിക്കണം അല്ലെങ്കിൽ വ്യത്യാസം ബോധപൂർവ്വം വ്യക്തമായി പ്രസ്താവിക്കണം. ചിത്രം പരിശോധിച്ചുറപ്പിക്കുകയും ആവശ്യമെങ്കിൽ തിരുത്തുകയും ചെയ്യേണ്ടത് അനലിസ്റ്റിൻ്റെ ഉത്തരവാദിത്തമാണ്.
4. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ വ്യാഖ്യാനത്തിൽ ലീനിയർ റിഗ്രഷനിൽ ഒരു കോഫിഫിഷ്യൻ്റ് 'പ്രധാനമാണ്' (p<0.05) എന്ന വസ്തുത പലപ്പോഴും തെറ്റായി പ്രതിനിധീകരിക്കപ്പെടുന്നത് എങ്ങനെയാണ്?
- എ) പ്രഭാവം വലുതും പ്രധാനവുമായതിനാൽ പ്രാധാന്യത്തിൻ്റെ അതിശയോക്തി കലർന്ന അവതരണം അല്ലെങ്കിൽ കാര്യകാരണബന്ധം സ്ഥാപിക്കപ്പെടുന്നു ✔
- ബി) പ്രാധാന്യം എപ്പോഴും സൂചിപ്പിക്കുന്നത് പ്രഭാവം ചെറുതാണെന്നാണ്
- സി) p<0.05 ഗുണകം തികച്ചും ശരിയാണെന്ന് തെളിയിക്കുന്നു
- ഡി) കാര്യമായ ഗുണകങ്ങൾ ഒരിക്കലും റിപ്പോർട്ട് ചെയ്യപ്പെടരുത്.
വിശദീകരണം: സ്ഥിതിവിവരക്കണക്ക് പ്രാധാന്യം പൂജ്യത്തിൽ നിന്ന് വ്യത്യസ്തമാണ് എന്നതിൻ്റെ തെളിവുകളുടെ ശക്തിയുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു; പ്രഭാവം വലുതോ പ്രധാനമോ കാര്യകാരണമോ ആണെന്ന് ഇതിനർത്ഥമില്ല. AI പലപ്പോഴും 'സിഗ്നിഫിക്കൻ്റ്' എന്ന വാക്ക് 'സിനിഫിക്കൻ്റ്/സ്ട്രോങ്ങ് ഇംപാക്ട്' ആയി അവതരിപ്പിക്കാറുണ്ട്. ഗവേഷകൻ ഫലത്തിൻ്റെ വലുപ്പം, ആത്മവിശ്വാസ ഇടവേള, സന്ദർഭം എന്നിവയും വിലയിരുത്തണം.
5. 'p-ഹാക്കിംഗ്' എന്ന പദം എന്താണ് സൂചിപ്പിക്കുന്നത്, എന്തുകൊണ്ട് AI-ക്ക് ഇത് എളുപ്പമാക്കാം?
- എ) അത് അർത്ഥമാക്കുന്നത് വരെ ഒന്നിലധികം വിശകലനങ്ങൾ പരീക്ഷിക്കുക; AI ഇത് വളരെ വേഗത്തിൽ ചെയ്യുന്നു, അപകടസാധ്യത വർദ്ധിപ്പിക്കുന്നു ✔
- ബി) ഒരു പ്രാവശ്യം ഡാറ്റ വിശകലനം ചെയ്യുകയും മുൻകൂട്ടി നിശ്ചയിച്ച പ്ലാൻ ഉപയോഗിച്ച്
- സി) പി-മൂല്യം വർദ്ധിപ്പിക്കുന്നതിന് സാമ്പിൾ വികസിപ്പിക്കുന്നു
- ഡി) വിവരണാത്മക സ്ഥിതിവിവരക്കണക്കുകൾ മാത്രം റിപ്പോർട്ട് ചെയ്യുന്നു
വിശദീകരണം: പി-ഹാക്കിംഗ് എന്നത് അർത്ഥവത്തായ ഒരു ഫലം പുറത്തുവരുന്നതുവരെ വ്യത്യസ്ത വേരിയബിളുകൾ, ഉപസാമ്പിളുകൾ, രൂപാന്തരങ്ങൾ അല്ലെങ്കിൽ മോഡലുകൾ പരീക്ഷിക്കുന്നു; ഇത് അവസരത്തെ അടിസ്ഥാനമാക്കി വ്യാജമായ കണ്ടെത്തലുകൾ ഉണ്ടാക്കുന്നു. AI-ക്ക് നിമിഷങ്ങൾക്കുള്ളിൽ ഡസൻ കണക്കിന് മോഡൽ വേരിയൻ്റുകൾ പരീക്ഷിക്കാൻ കഴിയുമെന്നതിനാൽ, സത്യസന്ധമായ ഒരു പ്ലാൻ ഇല്ലാതെ തന്നെ p-ഹാക്കിംഗ് വേഗത്തിലാക്കാൻ ഇതിന് കഴിയും. പ്രതിരോധം; മുൻകൂർ രജിസ്ട്രേഷൻ, സ്ഥിര വിശകലന പദ്ധതി, ഒന്നിലധികം താരതമ്യ തിരുത്തൽ.
6. രണ്ട് നോൺ-സ്റ്റേഷണറി (യൂണിറ്റ് റൂട്ട്) സമയ ശ്രേണികൾക്കിടയിൽ ഉയർന്ന R-സ്ക്വയർ റിഗ്രഷൻ കണ്ടെത്തുന്നത് തെറ്റിദ്ധരിപ്പിക്കുന്നത് എന്തുകൊണ്ട്?
- എ) പൊതുവായ പ്രവണത കാരണം വ്യാജമായ റിഗ്രഷൻ സംഭവിക്കാം; ✔ യഥാർത്ഥ ബന്ധമില്ലാതെ ഉയർന്ന R-സ്ക്വയർ ഔട്ട്പുട്ട്
- B) ഉയർന്ന R-സ്ക്വയർ എല്ലായ്പ്പോഴും ശക്തമായ കാര്യകാരണബന്ധം തെളിയിക്കുന്നു.
- സി) നോൺ-സ്റ്റേഷണറി സീരീസ് റിഗ്രഷനിലേക്ക് പ്രവേശിക്കാൻ കഴിയില്ല.
- D) R-squared സമയ ശ്രേണിയിൽ കണക്കാക്കാൻ കഴിയില്ല
വിശദീകരണം: നോൺ-സ്റ്റേഷണറി സീരീസുകൾക്കിടയിൽ പൊതുവായ സംയോജന ബന്ധമില്ലെങ്കിൽ, വ്യാജമായ റിഗ്രഷൻ സാധാരണ പ്രവണത കാരണം മാത്രം ഉയർന്ന R- ചതുരവും കാര്യമായ ഗുണകവും ഉണ്ടാക്കിയേക്കാം; അതേസമയം യഥാർത്ഥ ബന്ധമില്ല. അതിനാൽ, നിശ്ചലത, യൂണിറ്റ് റൂട്ട് പരിശോധനകൾ ആദ്യം നടത്തണം, ആവശ്യമെങ്കിൽ വ്യത്യാസങ്ങൾ എടുക്കുകയോ സംയോജനം പരീക്ഷിക്കുകയോ വേണം.
7. ഡിഫറൻസ്-ഇൻ-ഡിഫറൻസ് ഡിസൈനിൻ്റെ സാധുതയെ അടിസ്ഥാനമാക്കിയുള്ള അടിസ്ഥാന അനുമാനം എന്താണ്?
- എ) സമാന്തര പ്രവണതകളുടെ അനുമാനം: ഇടപെടൽ ഇല്ലെങ്കിൽ ഗ്രൂപ്പുകൾ ഒരേ ദിശ പിന്തുടരും ✔
- ബി) ചികിത്സയും നിയന്ത്രണ ഗ്രൂപ്പുകളും തുടക്കത്തിൽ തന്നെ സമാനമാണ്
- സി) സാമ്പിളിൻ്റെ സാധാരണ വിതരണം
- ഡി) വേരിയബിളുകളിൽ നഷ്ടമായ ഡാറ്റയൊന്നും അടങ്ങിയിട്ടില്ല
വിശദീകരണം: ഇടപെടലിൻ്റെ അഭാവത്തിൽ, ചികിത്സയുടെയും നിയന്ത്രണ ഗ്രൂപ്പുകളുടെയും ഫല വേരിയബിൾ കാലക്രമേണ സമാന്തരമായി മാറുമെന്ന് ഡിഡി അനുമാനിക്കുന്നു (സമാന്തര പ്രവണതകളുടെ അനുമാനം). ഈ അനുമാനം പാലിക്കപ്പെടുന്നില്ലെങ്കിൽ, എസ്റ്റിമേറ്റ് പക്ഷപാതപരമാണ്. AI-ക്ക് ഡിഡി കോഡ് നിർമ്മിക്കാൻ കഴിയും, എന്നാൽ സമാന്തര പ്രവണതകളെ പ്രതിരോധിക്കുകയും പരീക്ഷിക്കുകയും ചെയ്യുക എന്നത് ഗവേഷകൻ്റെ ജോലിയാണ്.
8. പുനരുൽപ്പാദിപ്പിക്കാവുന്ന വിശകലനത്തിന് ഇനിപ്പറയുന്നവയിൽ ഏതാണ് നിർബന്ധിത പരിശീലനം?
- എ) ക്രമരഹിതമായ ഘട്ടങ്ങളിൽ വിത്ത് ഉറപ്പിക്കുന്നു, പാക്കേജ് പതിപ്പുകളും കോഡും റെക്കോർഡുചെയ്യുന്നു ✔
- ബി) സ്പ്രെഡ്ഷീറ്റിലേക്ക് ഫലങ്ങൾ സ്വമേധയാ പകർത്തി കോഡ് ഇല്ലാതാക്കുക
- സി) ഓരോ ഓട്ടത്തിലും വ്യത്യസ്ത ഫലങ്ങൾ കാണുന്നത് സാധാരണമാണ്.
- ഡി) അന്തിമ ഗ്രാഫിക്സ് മാത്രം സൂക്ഷിക്കുക, ഡാറ്റയും കോഡും പങ്കിടരുത്
വിവരണം: പുനരുൽപ്പാദനക്ഷമത; അതേ ഡാറ്റയും കോഡും ഉപയോഗിച്ച് അതേ ഫലം വീണ്ടും ലഭിക്കും. ക്രമരഹിതമായ ഘട്ടങ്ങളിൽ വിത്ത് ഉറപ്പിക്കുക, പാക്കേജ് പതിപ്പുകൾ സംരക്ഷിക്കുക, പ്രമാണത്തിനുള്ളിൽ കോഡ് നടപ്പിലാക്കുക (സാക്ഷര പ്രോഗ്രാമിംഗ്) എന്നിവയാണ് ഇതിൻ്റെ മൂലക്കല്ലുകൾ. ഫലങ്ങൾ സ്വമേധയാ പകർത്തുന്നത് അല്ലെങ്കിൽ ക്ലിക്ക് അടിസ്ഥാനമാക്കിയുള്ള, ലോഗിംഗ് ചെയ്യാത്ത ഘട്ടങ്ങൾ പുനരുൽപാദനക്ഷമതയെ തടസ്സപ്പെടുത്തുന്നു.
9. ഹെറ്ററോസ്കെഡാസ്റ്റിസിറ്റി എന്താണ് ഒരു ലീനിയർ റിഗ്രഷനെ വികലമാക്കുന്നത്, അതിൻ്റെ പൊതുവായ പരിഹാരം എന്താണ്?
- എ) ഇത് സാധാരണ പിശകുകളെ വളച്ചൊടിക്കുന്നു; ദൃഢമായ സ്റ്റാൻഡേർഡ് പിശകുകൾ അല്ലെങ്കിൽ ഉചിതമായ പരിവർത്തനം ✔ ആണ് പരിഹാരം
- ബി) ഇത് കോഫിഫിഷ്യൻ്റ് എസ്റ്റിമേറ്റുകളെ പൂർണ്ണമായും അസാധുവാക്കുന്നു, പരിഹാരമില്ല
- C) R-squared എപ്പോഴും പൂജ്യമായി കുറയ്ക്കുന്നു
- D) സാമ്പിൾ വളരെ ചെറുതാണെങ്കിൽ മാത്രമേ ഇത് സംഭവിക്കൂ, അത് അവഗണിക്കാം
വിശദീകരണം: ഹെറ്ററോസ്സെഡസ്റ്റിസിറ്റി കോഫിഫിഷ്യൻ്റ് എസ്റ്റിമേറ്റ് പക്ഷപാതരഹിതമാക്കുന്നു, പക്ഷേ സാധാരണ പിശകുകൾ തെറ്റായി കണക്കാക്കുന്നു; ഇത് പി-മൂല്യങ്ങളെയും ആത്മവിശ്വാസ ഇടവേളകളെയും വിശ്വസനീയമല്ലാതാക്കുന്നു. ശക്തമായ/HC സ്റ്റാൻഡേർഡ് പിശകുകൾ അല്ലെങ്കിൽ ഉചിതമായ പരിവർത്തനം ഉപയോഗിക്കുക എന്നതാണ് ഒരു പൊതു പരിഹാരം. AI നിർദ്ദേശിച്ച പരിഹാരം യഥാർത്ഥത്തിൽ പ്രശ്നം മറച്ചുവെക്കുന്നതിനുപകരം പരിഹരിക്കുന്നുവെന്ന് പരിശോധിക്കേണ്ടതുണ്ട്.
10. ഒരു ഗവേഷകൻ രോഗിയുടെ തലത്തിലുള്ള തിരിച്ചറിയൽ വിവരങ്ങളും വരുമാനവും അടങ്ങിയ മൈക്രോഡാറ്റ ഒരു പൊതു AI ചാറ്റ് ടൂളിലേക്ക് അപ്ലോഡ് ചെയ്യുകയും 'റിഗ്രഷൻ ചെയ്യുക' എന്ന് പറയുകയും ചെയ്യുന്നു. ഈ സ്വഭാവത്തിൻ്റെ പ്രധാന പ്രശ്നം എന്താണ്?
- എ) ഒരു ബാഹ്യ ഉപകരണത്തിലേക്ക് വ്യക്തിഗത/ലൈസൻസ് ഉള്ള ഡാറ്റ അപ്ലോഡ് ചെയ്യുന്നത് രഹസ്യാത്മകതയുടെയും കരാറിൻ്റെയും ലംഘനമാണ് ✔
- ബി) ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഉപയോഗിച്ച് റിഗ്രഷൻ ചെയ്യാൻ കഴിയില്ല
- സി) മൈക്രോ ഡാറ്റ റിഗ്രഷന് ഒട്ടും അനുയോജ്യമല്ല
- ഡി) AI എപ്പോഴും റിഗ്രഷൻ തെറ്റായി കണക്കാക്കുന്നു
വിശദീകരണം: ഐഡൻ്റിറ്റിയും വരുമാനവും പോലുള്ള വ്യക്തിഗത/പ്രത്യേക ഡാറ്റ കെവികെകെ/ജിഡിപിആർ, മിക്ക ഡാറ്റാ ഉപയോഗ കരാറുകൾക്കും കീഴിൽ പരിരക്ഷിച്ചിരിക്കുന്നു; ഡാറ്റ സംഭരിക്കാൻ കഴിയുന്ന ഒരു ബാഹ്യ ഉപകരണത്തിലേക്ക് അവ അപ്ലോഡ് ചെയ്യുന്നത് ഒരു ലംഘനമാണ്. ശരിയായ വഴി; ഡാറ്റ അജ്ഞാതമാക്കുക, ലോക്കൽ/ഇൻസ്റ്റിറ്റിയൂഷണൽ സെക്യൂരിറ്റി ടൂളുകൾ ഉപയോഗിക്കുക, അല്ലെങ്കിൽ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൽ നിന്ന് കോഡ് അഭ്യർത്ഥിക്കുകയും സ്വന്തം പരിതസ്ഥിതിയിൽ കോഡ് പ്രവർത്തിപ്പിക്കുകയും ചെയ്യുക.
11. മൾട്ടികോളിനാരിറ്റി ഉയർന്നപ്പോൾ എന്താണ് നിരീക്ഷിക്കുന്നത്?
- എ) ഗുണകങ്ങൾ അസ്ഥിരമാവുകയും സാധാരണ പിശകുകൾ വർദ്ധിപ്പിക്കുകയും ചെയ്യുന്നു; വ്യക്തിഗത ഗുണകങ്ങൾ അർത്ഥശൂന്യമായി മാറിയേക്കാം ✔
- B) R-സ്ക്വയർ എപ്പോഴും പൂജ്യമായി കുറയുന്നു
- സി) കോഫിഫിഷ്യൻ്റ് എസ്റ്റിമേറ്റുകൾ എല്ലായ്പ്പോഴും കൂടുതൽ കൃത്യമായിത്തീരുന്നു
- ഡി) ആശ്രിത വേരിയബിളിൻ്റെ സ്കെയിൽ മാറുന്നു
വിശദീകരണം: ഉയർന്ന മൾട്ടികോളിനിയറിറ്റിയിൽ, സ്വതന്ത്ര വേരിയബിളുകൾ പരസ്പരം ശക്തമായി ബന്ധപ്പെട്ടിരിക്കുന്നു; കോഫിഫിഷ്യൻ്റ് എസ്റ്റിമേറ്റുകൾ അസ്ഥിരമാകും, സ്റ്റാൻഡേർഡ് പിശകുകൾ വർദ്ധിപ്പിക്കും, കൂടാതെ വ്യക്തിഗത ഗുണകങ്ങൾ അപ്രധാനമായി മാറിയേക്കാം, അതേസമയം മൊത്തത്തിലുള്ള മോഡൽ പ്രാധാന്യമുള്ളതായിരിക്കാം. VIF പോലുള്ള മാനദണ്ഡങ്ങൾ ഉപയോഗിച്ചാണ് രോഗനിർണയം നടത്തുന്നത്. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് വേരിയബിൾ എലിമിനേഷൻ നിർദ്ദേശിച്ചേക്കാം, എന്നാൽ ഏത് വേരിയബിൾ സൈദ്ധാന്തികമായി തുടരണമെന്ന് തീരുമാനിക്കുന്നത് ഗവേഷകനാണ്.
12. എന്താണ് സ്റ്റാറ്റിസ്റ്റിക്കൽ പവർ, കുറഞ്ഞ പവർ പഠനത്തിൻ്റെ അപകടസാധ്യത എന്താണ്?
- എ) നിലവിലുള്ള പ്രഭാവം കണ്ടെത്താനുള്ള സാധ്യത; കുറഞ്ഞ പവർ യഥാർത്ഥ ഇഫക്റ്റുകൾ നഷ്ടപ്പെടുത്തുകയും കണ്ടെത്തലുകൾ വിശ്വസനീയമല്ലാതാക്കുകയും ചെയ്യുന്നു ✔
- ബി) പി-മൂല്യം കുറയ്ക്കുന്നതിനുള്ള സാധ്യത; കുറഞ്ഞ ശക്തി എല്ലായ്പ്പോഴും കൂടുതൽ വിശ്വസനീയമായ ഫലങ്ങൾ നൽകുന്നു
- സി) സാമ്പിൾ വലുപ്പത്തിൽ നിന്ന് സ്വതന്ത്രമായ ഒരു സ്ഥിരമായ മൂല്യം
- ഡി) കൃത്രിമബുദ്ധി ഉപയോഗിക്കുമ്പോൾ മാത്രം സാധുതയുള്ള ഒരു ആശയം
വിശദീകരണം: പവർ എന്നത് യഥാർത്ഥത്തിൽ നിലനിൽക്കുന്ന ഒരു പ്രഭാവം കണ്ടെത്തുന്നതിനുള്ള സാധ്യതയാണ് (1 മൈനസ് ടൈപ്പ് II പിശക്). കുറഞ്ഞ ശക്തിയുള്ള പഠനങ്ങൾ യഥാർത്ഥ ഫലങ്ങൾ നഷ്ടപ്പെടുത്തിയേക്കാം; കൂടാതെ, ചില സുപ്രധാന ഫലങ്ങൾ അതിശയോക്തിപരമായ ഇഫക്റ്റ് വലുപ്പം ('വിജയിയുടെ ശാപം') വഹിക്കുകയും തെറ്റായ പോസിറ്റീവ് നിരക്ക് വർദ്ധിക്കുകയും ചെയ്യും. അതിനാൽ, വിശകലനത്തിന് മുമ്പ് പവർ/സാമ്പിൾ കണക്കുകൂട്ടൽ പ്രധാനമാണ്.
13. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ ഉപയോഗം ഒരു ലേഖനത്തിൽ വെളിപ്പെടുത്തേണ്ടത് ധാർമ്മികമായി ആവശ്യമായിരിക്കുന്നത് എന്തുകൊണ്ട്?
- എ) സുതാര്യതയ്ക്കും ഉത്തരവാദിത്തത്തിനും; ✔ വായനക്കാർക്കും റഫറിമാർക്കും ഈ പ്രക്രിയ വിലയിരുത്താൻ കഴിയും, ഉത്തരവാദിത്തം രചയിതാവിന് തന്നെയായിരിക്കും
- ബി) കൃത്രിമബുദ്ധിയുടെ ഉപയോഗം ഫലങ്ങളെ യാന്ത്രികമായി അസാധുവാക്കുന്നു
- സി) പരസ്യ ആവശ്യങ്ങൾക്കായി മാത്രം മാസികകൾ അഭ്യർത്ഥിക്കുന്നു
- ഡി) വിശദീകരണത്തിൻ്റെ പകർപ്പവകാശം ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിന് കൈമാറുന്നു
വെളിപ്പെടുത്തൽ: സുതാര്യത ആവശ്യമായതിനാൽ വായനക്കാരനും നിരൂപകനും ഫലങ്ങൾ എങ്ങനെ സൃഷ്ടിച്ചുവെന്ന് വിലയിരുത്താൻ കഴിയും; പല ജേണലുകൾക്കും സ്ഥാപനങ്ങൾക്കും ഇപ്പോൾ AI ഉപയോഗത്തിൻ്റെ വെളിപ്പെടുത്തൽ ആവശ്യമാണ്. കൂടാതെ, ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിന് പിശകുകൾ/ഭ്രമാത്മകതകൾ ഉണ്ടാക്കാൻ കഴിയുമെന്നതിനാൽ, ഉത്തരവാദിത്തം രചയിതാവിനായിരിക്കുമെന്നും ഏത് ഘട്ടങ്ങളാണ് ഓഡിറ്റ് ചെയ്തതെന്നും പ്രസ്താവിക്കുന്നത് സത്യസന്ധതയുടെ കാര്യമാണ്.
14. ഇൻസ്ട്രുമെൻ്റ് വേരിയബിൾ (IV) രീതിയിൽ 'ഒഴിവാക്കൽ നിയന്ത്രണം' എന്താണ് ആവശ്യപ്പെടുന്നത്?
- എ) ഉപകരണം ആന്തരിക വേരിയബിളിലൂടെ മാത്രമേ ഫലത്തെ ബാധിക്കുകയുള്ളൂ, മറ്റ് നേരിട്ടുള്ള മാർഗമില്ല ✔
- ബി) ഉപകരണത്തിന് ഫല വേരിയബിളുമായി യാതൊരു ബന്ധവുമില്ല.
- സി) ഉപകരണം എൻഡോജെനസ് വേരിയബിളുമായി ബന്ധമില്ലാത്തതാണ്.
- ഡി) അർത്ഥം എല്ലായ്പ്പോഴും ഒരു ബൈനറി (0/1) വേരിയബിളാണ്
വിശദീകരണം: എക്സ്ക്ലൂഷൻ കൺസ്ട്രെയ്ൻ്റിന്, ഇൻസ്ട്രുമെൻ്റ് ഫല വേരിയബിളിനെ എൻഡോജെനസ് എക്സ്പ്ലാനേറ്ററി വേരിയബിളിലൂടെ മാത്രമേ ബാധിക്കുകയുള്ളൂ, മറ്റേതെങ്കിലും നേരിട്ടുള്ള മാർഗങ്ങളിലൂടെയോ നിരീക്ഷിക്കപ്പെടാത്ത ഘടകങ്ങളിലൂടെയോ അല്ല. ഈ അനുമാനം ഡാറ്റയിൽ നിന്ന് പൂർണ്ണമായി പരീക്ഷിക്കാൻ കഴിയില്ല; സൈദ്ധാന്തികവും സ്ഥാപനപരവുമായ അടിസ്ഥാനത്തിൽ ഇത് പ്രതിരോധിക്കപ്പെടുന്നു. AI IV കോഡ് എഴുതിയേക്കാം, പക്ഷേ ഉപകരണത്തിൻ്റെ സാധുത സംരക്ഷിക്കുക എന്നത് ഗവേഷകൻ്റെ ജോലിയാണ്.
15. മുൻകൂർ രജിസ്ട്രേഷൻ ഇല്ലാതെ വഴക്കമുള്ള വിശകലനങ്ങളിൽ 'ഗാർഡൻ ഓഫ് ഫോർക്കിംഗ് പാത്ത്' പ്രശ്നം എന്താണ് അർത്ഥമാക്കുന്നത്?
- എ) ഡാറ്റയെ അടിസ്ഥാനമാക്കിയുള്ള നിരവധി ന്യായമായ വിശകലന തിരഞ്ഞെടുപ്പുകൾ തെറ്റായ പോസിറ്റീവ് നിരക്ക് വർദ്ധിപ്പിക്കുന്നു, അബദ്ധവശാൽ പോലും ✔
- ബി) വിശകലന രീതികൾ ഏകവും നിർബന്ധിതവുമായിരിക്കണം
- സി) മനഃപൂർവമായ തട്ടിപ്പ് നടക്കുമ്പോൾ മാത്രം ഉണ്ടാകുന്ന ഒരു പ്രശ്നം.
- D) സാമ്പിൾ വളരുമ്പോൾ സ്വയമേവ അപ്രത്യക്ഷമാകുന്ന ഒരു സാഹചര്യം
വിശദീകരണം: ഡാറ്റ കണ്ടതിനുശേഷം, ഏത് വേരിയബിൾ, ഉപഗ്രൂപ്പ്, പരിവർത്തനം അല്ലെങ്കിൽ പരിധി ഉപയോഗിക്കണം എന്നതിനെക്കുറിച്ച് ഗവേഷകന് ന്യായമായ നിരവധി തിരഞ്ഞെടുപ്പുകൾ നടത്താനാകും. ഒരൊറ്റ 'ഉദ്ദേശ്യപരമായ പി-ഹാക്കിംഗ്' ഇല്ലെങ്കിൽപ്പോലും, ഈ വഴക്കം തെറ്റായ പോസിറ്റീവ് നിരക്ക് വർദ്ധിപ്പിക്കുന്നു, കാരണം പ്രധാനപ്പെട്ടത് ധാരാളം വിശകലനങ്ങളിൽ നിന്ന് ഫലപ്രദമായി തിരഞ്ഞെടുത്തിരിക്കുന്നു. പ്രീ-രജിസ്ട്രേഷനും ഒരു നിശ്ചിത വിശകലന പദ്ധതിയും ഈ വഴക്കം പരിമിതപ്പെടുത്തുന്നു.