ਭਰਮ, ਨੈਤਿਕਤਾ, ਗੁਪਤਤਾ ਅਤੇ ਵਿਗਿਆਨਕ ਅਖੰਡਤਾ

ਲਾਭ:

• ਭੌਤਿਕ ਵਿਗਿਆਨ (ਨਕਲੀ ਸਥਿਰਤਾ, ਨਕਲੀ ਕਾਨੂੰਨ, ਇਕਾਈ ਗਲਤੀ, ਗਲਤ ਨਤੀਜਾ, ਜਾਅਲੀ ਵਿਸ਼ੇਸ਼ਤਾ) ਵਿੱਚ ਭਰਮ ਦੇ ਰੂਪਾਂ ਨੂੰ ਪਛਾਣਨ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਢੁਕਵੇਂ ਢੰਗ ਨਾਲ ਫੜਨ ਦੀ ਸਮਰੱਥਾ।
• ਅਣਪ੍ਰਕਾਸ਼ਿਤ, ਗੁਪਤ ਅਤੇ ਨਿੱਜੀ ਡੇਟਾ ਨੂੰ ਅਣਅਧਿਕਾਰਤ ਸਾਧਨਾਂ ਵਿੱਚ ਦਾਖਲ ਨਾ ਕਰਕੇ ਅਗਿਆਤਕਰਨ ਅਤੇ ਘੱਟੋ-ਘੱਟ ਕਰਨ ਦੁਆਰਾ ਸੁਰੱਖਿਅਤ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
• ਇਹ ਸਮਝਣ ਦੇ ਯੋਗ ਹੋਣਾ ਕਿ ਅੰਤਮ ਜਿੰਮੇਵਾਰੀ ਡੇਟਾ ਨੂੰ ਇਮਾਨਦਾਰੀ ਨਾਲ, ਇਸ ਨੂੰ ਸ਼ਿੰਗਾਰੇ ਬਿਨਾਂ, ਅਤੇ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੀ ਵਰਤੋਂ ਨੂੰ ਪਾਰਦਰਸ਼ੀ ਤੌਰ 'ਤੇ ਦਸਤਾਵੇਜ਼ੀ ਰੂਪ ਦੇ ਕੇ ਰਿਪੋਰਟ ਕਰਨ ਦੁਆਰਾ ਮਨੁੱਖਾਂ ਦੀ ਹੈ।

ਇਸ ਮੌਡਿਊਲ ਦੇ ਦੌਰਾਨ, ਅਸੀਂ ਹਰੇਕ ਯੂਨਿਟ ਵਿੱਚ ਇੱਕੋ ਅਨੁਸ਼ਾਸਨ ਨੂੰ ਕਵਰ ਕੀਤਾ ਹੈ: ਨਕਲੀ ਬੁੱਧੀ (AI) ਤੇਜ਼ ਹੁੰਦੀ ਹੈ, ਮਨੁੱਖ ਪ੍ਰਮਾਣਿਤ ਕਰਦੇ ਹਨ। ਇਸ ਅੰਤਮ ਇਕਾਈ ਵਿੱਚ, ਅਸੀਂ ਇਸ ਸਮੁੱਚੀ ਤਸਦੀਕ ਅਭਿਆਸ ਨੂੰ ਵਿਗਿਆਨਕ ਅਖੰਡਤਾ, ਭੌਤਿਕ ਵਿਗਿਆਨ ਦਾ ਸਭ ਤੋਂ ਬੁਨਿਆਦੀ ਮੁੱਲ, ਦੀ ਛਤਰੀ ਹੇਠ ਲਿਆਉਂਦੇ ਹਾਂ। ਭੌਤਿਕ ਵਿਗਿਆਨ ਕੁਦਰਤ ਬਾਰੇ ਪ੍ਰਮਾਣਿਤ ਗਿਆਨ ਪੈਦਾ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਹੈ; ਇਸ ਕੋਸ਼ਿਸ਼ ਦੇ ਕੇਂਦਰ ਵਿੱਚ ਇਮਾਨਦਾਰੀ, ਦੁਹਰਾਉਣਯੋਗਤਾ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਹੈ। AI ਨੂੰ ਇਹਨਾਂ ਮੁੱਲਾਂ ਨੂੰ ਮਜ਼ਬੂਤ ​​ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ - ਪਰ ਜਦੋਂ ਗਲਤ ਢੰਗ ਨਾਲ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਉਹਨਾਂ ਸਾਰਿਆਂ ਨੂੰ ਖ਼ਤਰਾ ਬਣਾਉਂਦਾ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ ਭਰਮ ਦੇ ਭੌਤਿਕ ਰੂਪਾਂ, ਡੇਟਾ ਅਤੇ ਗੋਪਨੀਯਤਾ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ, ਨੈਤਿਕ ਸੀਮਾਵਾਂ, ਅਤੇ ਅੰਤਮ ਜ਼ਿੰਮੇਵਾਰੀ ਹਮੇਸ਼ਾ ਮਨੁੱਖਾਂ ਦੇ ਨਾਲ ਕਿਉਂ ਰਹਿੰਦੀ ਹੈ, ਬਾਰੇ ਚਰਚਾ ਕਰਾਂਗੇ।

ਭੌਤਿਕ ਵਿਗਿਆਨ ਵਿੱਚ ਭਰਮ ਦੇ ਰੂਪ

ਹੇਲੁਸੀਨੇਸ਼ਨ-ਏਆਈ ਦੁਆਰਾ ਝੂਠੀ ਜਾਣਕਾਰੀ ਦਾ ਭਰੋਸੇਮੰਦ ਉਤਪਾਦਨ-ਭੌਤਿਕ ਵਿਗਿਆਨ ਵਿੱਚ ਵਿਲੱਖਣ ਅਤੇ ਖਤਰਨਾਕ ਰੂਪ ਲੈਂਦਾ ਹੈ। ਇਹਨਾਂ ਨੂੰ ਪਛਾਣਨਾ ਫੜਨ ਲਈ ਪਹਿਲਾ ਕਦਮ ਹੈ:

ਭਰਮ ਦੀ ਕਿਸਮ

ਉਦਾਹਰਨ

ਕੈਪਚਰ ਵਿਧੀ

ਫਿਟਿੰਗ ਫਿਕਸਡ/ਡਾਟਾ

ਇੱਕ ਗਲਤ ਸਮੱਗਰੀ ਘਣਤਾ

ਭਰੋਸੇਯੋਗ ਹਵਾਲੇ ਨਾਲ ਪੁਸ਼ਟੀ

ਗਲਤ ਫਾਰਮੂਲਾ/ਕਾਨੂੰਨ

ਇੱਕ ਗੈਰ-ਮੌਜੂਦ "ਸਿਧਾਂਤ" ਨਾਮ

ਪਾਠ ਪੁਸਤਕ/ਸਿਮਪੀ ਡੈਰੀਵੇਸ਼ਨ

ਯੂਨਿਟ/ਆਰਡਰ ਗਲਤੀ

ਜੇ ਲਈ ਗਲਤੀ ਨਾਲ ਈ.ਵੀ

ਅਯਾਮੀ ਵਿਸ਼ਲੇਸ਼ਣ, ਯੂਨਿਟ ਕੰਟਰੋਲ

ਗਲਤ ਸੰਖਿਆਤਮਕ ਨਤੀਜਾ

ਗਲਤ ਕੋਡ ਆਉਟਪੁੱਟ

ਕੋਡ ਚਲਾਓ

apocryphal ਵਿਸ਼ੇਸ਼ਤਾ

ਗੈਰ-ਮੌਜੂਦ ਲੇਖ

DOI ਨਾਲ ਪੁਸ਼ਟੀਕਰਨ

ਗਲਤ ਤਰੀਕੇ ਨਾਲ ਰਿਪੋਰਟ ਕੀਤਾ ਨਤੀਜਾ

ਅਸਲੀ ਲੇਖ ਦੀ ਵਿਗਾੜ

ਮੂਲ ਸਰੋਤ ਪੜ੍ਹੋ

ਆਮ ਧਾਗਾ ਇਹ ਹੈ: ਇੱਕ ਵਿਸ਼ਾਲ ਭਾਸ਼ਾ ਮਾਡਲ ਸੱਚ ਨੂੰ ਦੱਸਣ ਲਈ ਨਹੀਂ, ਸਗੋਂ "ਸੰਭਵ-ਦਿੱਖ ਟੈਕਸਟ" ਬਣਾਉਣ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਭੌਤਿਕ ਵਿਗਿਆਨ ਵਿੱਚ, "ਸੰਭਵ ਜਾਪਦਾ ਹੈ" ਅਤੇ "ਸੱਚ" ਵਿੱਚ ਅੰਤਰ ਵਿਗਿਆਨ ਦੀ ਹੋਂਦ ਦਾ ਸਹੀ ਕਾਰਨ ਹੈ।

ਡੇਟਾ, ਗੋਪਨੀਯਤਾ ਅਤੇ ਬੌਧਿਕ ਸੰਪੱਤੀ ਦੇਣਦਾਰੀ

ਭੌਤਿਕ ਵਿਗਿਆਨੀ ਅਕਸਰ ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ ਨਾਲ ਕੰਮ ਕਰਦੇ ਹਨ: ਅਪ੍ਰਕਾਸ਼ਿਤ ਪ੍ਰਯੋਗਾਤਮਕ ਡੇਟਾ, ਪ੍ਰੀ-ਪੇਟੈਂਟ ਡਿਜ਼ਾਈਨ, ਉਦਯੋਗਿਕ ਸਹਿਯੋਗਾਂ ਤੋਂ ਗੁਪਤ ਮਾਪ, ਨਿੱਜੀ ਸਿਹਤ ਜਾਂ ਸੁਰੱਖਿਆ ਡੇਟਾ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਵਾਲੀ ਖੋਜ। ਅਜਿਹੇ ਡੇਟਾ ਨੂੰ ਇੱਕ ਆਮ AI ਟੂਲ ਵਿੱਚ ਦਾਖਲ ਕਰਨ ਨਾਲ ਇਸਨੂੰ ਤੀਜੀਆਂ ਧਿਰਾਂ ਅਤੇ ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਮਾਡਲ ਦੇ ਸਿਖਲਾਈ ਡੇਟਾ ਤੱਕ ਪਹੁੰਚਯੋਗ ਬਣਾਇਆ ਜਾ ਸਕਦਾ ਹੈ - ਜਿਸਦਾ ਅਰਥ ਹੈ ਗੁਪਤਤਾ ਦੀ ਉਲੰਘਣਾ ਅਤੇ ਵਿਗਿਆਨਕ ਤਰਜੀਹ (ਖੋਜ ਕਰਨ ਲਈ ਸਭ ਤੋਂ ਪਹਿਲਾਂ ਹੋਣ ਦਾ ਅਧਿਕਾਰ) ਦਾ ਨੁਕਸਾਨ। ਨਿਯਮ ਸਪੱਸ਼ਟ ਹੈ: ਅਪ੍ਰਕਾਸ਼ਿਤ, ਗੁਪਤ ਜਾਂ ਨਿੱਜੀ ਡੇਟਾ ਨੂੰ ਕਿਸੇ ਏਆਈ ਟੂਲ ਵਿੱਚ ਦਾਖਲ ਨਾ ਕਰੋ ਜਿਸ ਨੂੰ ਤੁਹਾਡੀ ਸੰਸਥਾ ਨੇ ਮਨਜ਼ੂਰ ਨਹੀਂ ਕੀਤਾ ਹੈ। ਜੇ ਤੁਸੀਂ ਦਾਖਲ ਕਰਨ ਜਾ ਰਹੇ ਹੋ, ਗੁਮਨਾਮ ਬਣਾਓ, ਛੋਟਾ ਕਰੋ (ਸਿਰਫ਼ ਉਹ ਦਿਓ ਜੋ ਜ਼ਰੂਰੀ ਹੈ) ਅਤੇ ਟੂਲ ਦੀਆਂ ਡਾਟਾ ਸਥਿਤੀਆਂ ਨੂੰ ਪੜ੍ਹੋ।

ਸਾਵਧਾਨ: ਕਿਸੇ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਦੇ ਅਣਪ੍ਰਕਾਸ਼ਿਤ ਮਾਪਾਂ ਜਾਂ ਕਿਸੇ ਕੰਪਨੀ ਦੇ ਗੁਪਤ ਡਿਜ਼ਾਈਨ ਮਾਪਦੰਡਾਂ ਨੂੰ "ਤੁਰੰਤ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ" ਇੱਕ AI ਟੂਲ ਵਿੱਚ ਦਾਖਲ ਕਰਨਾ ਇੱਕ ਅਟੱਲ ਗਲਤੀ ਹੋ ਸਕਦੀ ਹੈ। ਇੱਕ ਵਾਰ ਡਾਟਾ ਸਾਂਝਾ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਇਸਨੂੰ ਵਾਪਸ ਨਹੀਂ ਬੁਲਾਇਆ ਜਾ ਸਕਦਾ ਹੈ। ਜੇ ਸ਼ੱਕ ਹੈ, ਤਾਂ ਡੇਟਾ ਦਾਖਲ ਨਾ ਕਰੋ; ਪਹਿਲਾਂ ਆਪਣੀ ਸੰਸਥਾ ਦੀ ਨੀਤੀ ਅਤੇ ਟੂਲ ਦੀਆਂ ਗੋਪਨੀਯਤਾ ਸ਼ਰਤਾਂ ਨੂੰ ਸਪੱਸ਼ਟ ਕਰੋ।

ਨੈਤਿਕ ਸੀਮਾਵਾਂ ਅਤੇ ਵਿਗਿਆਨਕ ਅਖੰਡਤਾ

ਵਰਤੋਂ ਤਕਨੀਕੀ ਤੌਰ 'ਤੇ ਸੰਭਵ ਅਤੇ ਕਾਨੂੰਨੀ ਵੀ ਹੋ ਸਕਦੀ ਹੈ, ਪਰ ਫਿਰ ਵੀ ਅਨੈਤਿਕ ਹੋ ਸਕਦੀ ਹੈ। ਭੌਤਿਕ ਵਿਗਿਆਨ ਵਿੱਚ ਕਈ ਲਾਲ ਲਾਈਨਾਂ ਹਨ ਜੋ ਵਿਗਿਆਨਕ ਅਖੰਡਤਾ ਨਾਲ ਸਬੰਧਤ ਹਨ:

ਡੇਟਾ ਫੈਬਰੀਕੇਸ਼ਨ ਜਾਂ ਸਜਾਵਟ। AI ਨੂੰ "ਪੁਆਇੰਟ ਪੈਦਾ ਕਰਨ ਲਈ ਕਹਿਣਾ ਜੋ ਉਪਜ ਨੂੰ ਬਿਹਤਰ ਢੰਗ ਨਾਲ ਫਿੱਟ ਕਰਦੇ ਹਨ" ਜਾਂ "ਗ੍ਰਾਫ਼ ਨੂੰ ਵਧੇਰੇ ਭਰੋਸੇਮੰਦ ਬਣਾਉਣ" ਡੇਟਾ ਧੋਖਾਧੜੀ ਹੈ। ਡਾਟਾ ਇਸ ਤਰ੍ਹਾਂ ਦੱਸਿਆ ਗਿਆ ਹੈ; ਬਾਹਰਲੇ ਲੋਕਾਂ ਨੂੰ ਸਿਰਫ਼ ਇੱਕ ਦਸਤਾਵੇਜ਼ੀ, ਜਾਇਜ਼ ਕਾਰਨ ਨਾਲ ਖਤਮ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

ਯੋਗਦਾਨ ਦੀ ਪਾਰਦਰਸ਼ਤਾ। ਜੇਕਰ ਤੁਸੀਂ ਇੱਕ ਅਧਿਐਨ ਵਿੱਚ AI ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਹੈ — ਕੋਡ ਲਿਖਣਾ, ਭਾਸ਼ਾ ਸੁਧਾਰ, ਵਿਸ਼ਲੇਸ਼ਣ — ਇਹ ਉਚਿਤ ਥਾਂ 'ਤੇ ਸਪੱਸ਼ਟ ਕਰਨਾ ਉਚਿਤ ਹੈ। ਬਹੁਤ ਸਾਰੇ ਰਸਾਲਿਆਂ ਅਤੇ ਸੰਸਥਾਵਾਂ ਨੂੰ ਇਸਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

ਲੇਖਕ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ। AI ਇੱਕ ਲੇਖਕ ਨਹੀਂ ਹੈ; ਕਿਸੇ ਕੰਮ ਦੀ ਸਮੱਗਰੀ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹੋ ਸਕਦਾ। ਜ਼ਿੰਮੇਵਾਰੀ ਹਮੇਸ਼ਾ ਮਨੁੱਖੀ ਲੇਖਕਾਂ ਦੀ ਹੁੰਦੀ ਹੈ। AI ਦੁਆਰਾ ਪੈਦਾ ਕੀਤੀ ਗਈ ਇੱਕ ਗਲਤੀ ਦਾ "ਵਾਹਨ ਨੇ ਇਸਨੂੰ ਬਣਾਇਆ" ਕਹਿ ਕੇ ਬਚਾਅ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ।

ਪ੍ਰਜਨਨਯੋਗਤਾ. ਇੱਕ ਵਿਗਿਆਨਕ ਨਤੀਜੇ ਲਈ ਵਿਧੀ (ਵਰਤਿਆ ਗਿਆ ਕੋਡ, ਪੈਰਾਮੀਟਰ, AI ਪ੍ਰੋਂਪਟ ਸਮੇਤ) ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਦਸਤਾਵੇਜ਼ੀ ਰੂਪ ਵਿੱਚ ਦਰਜ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਤਾਂ ਜੋ ਹੋਰ ਲੋਕ ਇਸਦੀ ਨਕਲ ਕਰ ਸਕਣ।

ਤਿੰਨ ਛੋਟੇ ਕੇਸ

ਕੇਸ 1 - ਗੁਪਤ ਡੇਟਾ ਲੀਕ। ਇੱਕ ਖੋਜਕਰਤਾ ਨੇ ਇੱਕ ਕੰਪਨੀ ਦੇ ਨਾਲ ਇੱਕ ਗੈਰ-ਖੁਲਾਸਾ ਸਮਝੌਤੇ ਤੋਂ ਮਾਪ ਡੇਟਾ ਨੂੰ "ਤੁਰੰਤ ਗ੍ਰਾਫ਼ ਲਈ" ਇੱਕ ਆਮ AI ਟੂਲ ਵਿੱਚ ਪੇਸਟ ਕੀਤਾ। ਉਸਨੂੰ ਬਾਅਦ ਵਿੱਚ ਅਹਿਸਾਸ ਹੋਇਆ ਕਿ ਇਹ ਸਾਧਨ ਇਨਪੁਟਸ ਨੂੰ ਸਟੋਰ ਕਰ ਸਕਦਾ ਹੈ। ਇਕਰਾਰਨਾਮੇ ਦੀ ਉਲੰਘਣਾ ਅਤੇ ਤਰਜੀਹ ਦਾ ਸੰਭਾਵੀ ਨੁਕਸਾਨ ਹੋਇਆ ਹੈ। ਸਬਕ: ਗੁਪਤ ਡੇਟਾ ਕਦੇ ਵੀ ਕਿਸੇ ਗੈਰ-ਪ੍ਰਵਾਨਿਤ ਟੂਲ ਵਿੱਚ ਦਾਖਲ ਨਹੀਂ ਹੁੰਦਾ।

ਕੇਸ 2 - ਸੁੰਦਰੀਕਰਨ ਪ੍ਰਿੰਟ। ਇੱਕ ਵਿਦਿਆਰਥੀ ਨੇ ਏਆਈ ਨੂੰ ਇੱਕ ਸੰਪਾਦਨ ਲਈ ਕਿਹਾ ਜੋ "ਡੇਟਾ ਨੂੰ ਥਿਊਰੀ ਦੇ ਨੇੜੇ ਦਿਖੇਗਾ" ਕਿਉਂਕਿ ਪ੍ਰਯੋਗਾਤਮਕ ਡੇਟਾ ਥਿਊਰੀ ਨਾਲ ਪੂਰੀ ਤਰ੍ਹਾਂ ਮੇਲ ਨਹੀਂ ਖਾਂਦਾ ਸੀ। ਉਸਦੇ ਸਲਾਹਕਾਰ ਨੇ ਇਸਨੂੰ ਦੇਖਿਆ ਅਤੇ ਉਸਨੂੰ ਰੋਕ ਦਿੱਤਾ: ਇੱਕ ਅੰਤਰ ਦਾ ਮਤਲਬ ਜਾਂ ਤਾਂ ਪ੍ਰਯੋਗ ਵਿੱਚ ਇੱਕ ਯੋਜਨਾਬੱਧ ਗਲਤੀ ਹੈ ਜਾਂ ਦਿਲਚਸਪ ਨਵੀਂ ਭੌਤਿਕ ਵਿਗਿਆਨ - ਕੁਝ ਅਜਿਹਾ ਜਿਸਦੀ ਜਾਂਚ ਕੀਤੀ ਜਾਣੀ ਹੈ, ਲੁਕੀ ਨਹੀਂ। ਡੇਟਾ ਦੀ ਇਮਾਨਦਾਰੀ ਨਾਲ ਰਿਪੋਰਟ ਕੀਤੀ ਗਈ ਸੀ ਅਤੇ ਯੋਜਨਾਬੱਧ ਗਲਤੀ ਪਾਈ ਗਈ ਸੀ।

ਕੇਸ 3 - ਪਾਰਦਰਸ਼ਤਾ ਪ੍ਰਾਪਤ ਕੀਤੀ। ਇੱਕ ਟੀਮ ਨੇ ਏਆਈ ਦੀ ਮਦਦ ਨਾਲ ਇੱਕ ਪੇਪਰ ਲਈ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੋਡ ਲਿਖਿਆ ਅਤੇ ਇਸਨੂੰ ਵਿਧੀਆਂ ਦੇ ਭਾਗ ਵਿੱਚ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਦੱਸਿਆ; ਕੋਡ ਅਤੇ ਪ੍ਰੋਂਪਟ ਨੂੰ ਵਾਧੂ ਫਾਈਲਾਂ ਵਜੋਂ ਸਾਂਝਾ ਕੀਤਾ। ਇੱਕ ਰੈਫਰੀ ਨੇ ਕੋਡ ਦੀ ਸਮੀਖਿਆ ਕੀਤੀ ਅਤੇ ਇੱਕ ਮਾਮੂਲੀ ਫਿਕਸ ਦਾ ਸੁਝਾਅ ਦਿੱਤਾ। ਪਾਰਦਰਸ਼ਤਾ ਨੇ ਪ੍ਰਕਾਸ਼ਨ ਤੋਂ ਪਹਿਲਾਂ ਗਲਤੀ ਨੂੰ ਫੜ ਲਿਆ ਅਤੇ ਅਧਿਐਨ ਦੀ ਭਰੋਸੇਯੋਗਤਾ ਨੂੰ ਵਧਾਇਆ।

ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ

1) ਹੇਲੁਸੀਨੇਸ਼ਨ ਸਕ੍ਰੀਨਿੰਗ:

ਭਰਮਾਂ ਲਈ ਹੇਠਾਂ ਦਿੱਤੇ ਭੌਤਿਕ ਵਿਗਿਆਨ ਦੇ ਆਉਟਪੁੱਟ ਨੂੰ ਸਕੈਨ ਕਰੋ: ਕੀ ਇੱਥੇ ਕੋਈ ਜਾਅਲੀ ਸਥਿਰਾਂਕ, ਜਾਅਲੀ ਫਾਰਮੂਲਾ/ਕਾਨੂੰਨ ਨਾਮ, ਇਕਾਈ/ਆਰਡਰ ਦੀਆਂ ਗਲਤੀਆਂ, ਅਣ-ਪ੍ਰਮਾਣਿਤ ਸੰਖਿਆਤਮਕ ਨਤੀਜੇ, ਅਤੇ ਅਸਪਸ਼ਟ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਹਨ? ਹਰੇਕ ਸ਼ੱਕੀ ਆਈਟਮ ਨੂੰ ਫਲੈਗ ਕਰੋ ਅਤੇ ਨਿਸ਼ਚਿਤ ਕਰੋ ਕਿ ਇਸਨੂੰ ਕਿਵੇਂ ਪ੍ਰਮਾਣਿਤ ਕਰਨਾ ਹੈ (ਹਵਾਲਾ, ਕੋਡ, DOI)। ਆਉਟਪੁੱਟ: [ਇੱਥੇ]

2) ਡੇਟਾ ਗੋਪਨੀਯਤਾ ਪ੍ਰੀ-ਚੈੱਕ:

AI ਟੂਲ ਵਿੱਚ ਦਾਖਲ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਹੇਠਾਂ ਦਿੱਤੇ ਡੇਟਾ/ਟੈਕਸਟ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ: ਕੀ ਇਸ ਵਿੱਚ ਅਪ੍ਰਕਾਸ਼ਿਤ, ਗੁਪਤ, ਨਿੱਜੀ ਜਾਂ ਇਕਰਾਰਨਾਮੇ ਨਾਲ ਸੁਰੱਖਿਅਤ ਜਾਣਕਾਰੀ ਸ਼ਾਮਲ ਹੈ? ਜੇਕਰ ਅਜਿਹਾ ਹੈ, ਤਾਂ ਸੁਝਾਅ ਦਿਓ ਕਿ ਮੈਂ ਇਸਨੂੰ ਕਿਵੇਂ ਗੁਮਨਾਮ ਜਾਂ ਛੋਟਾ ਕਰ ਸਕਦਾ ਹਾਂ। ਜੇਕਰ ਯਕੀਨ ਨਹੀਂ ਹੈ, ਤਾਂ "ਕਾਰਪੋਰੇਟ ਨੀਤੀ ਦੀ ਜਾਂਚ ਕਰੋ" ਕਹੋ। ਸਮੱਗਰੀ: [ਇੱਥੇ]

3) ਡਰਾਫਟ ਪਾਰਦਰਸ਼ਤਾ/ ਯੋਗਦਾਨ ਬਿਆਨ:

ਇੱਕ ਅਧਿਐਨ ਵਿੱਚ, ਮੈਂ ਇਹਨਾਂ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕੀਤੀ: [ਕੋਡਿੰਗ/ਭਾਸ਼ਾ ਸੁਧਾਰ/ਵਿਸ਼ਲੇਸ਼ਣ, ਆਦਿ]। ਇੱਕ ਛੋਟਾ ਡਰਾਫਟ "AI ਵਰਤੋਂ ਸਟੇਟਮੈਂਟ" ਲਿਖੋ ਜੋ ਇਮਾਨਦਾਰੀ ਨਾਲ ਇਸ ਨੂੰ ਦਸਤਾਵੇਜ਼ ਦਿੰਦਾ ਹੈ। ਇਹ ਇਹ ਵੀ ਦੱਸਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਮਨੁੱਖਾਂ ਦੁਆਰਾ ਕਿਹੜੇ ਭਾਗਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਗਈ ਹੈ।

4) ਵਿਗਿਆਨਕ ਅਖੰਡਤਾ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣਾ:

ਨਿਮਨਲਿਖਤ ਵਿਸ਼ਲੇਸ਼ਣ/ਨਤੀਜਿਆਂ ਲਈ ਇੱਕ ਇਮਾਨਦਾਰੀ ਦੀ ਜਾਂਚ ਕਰੋ: ਡੇਟਾ ਜਿਵੇਂ ਹੈ (ਕੋਈ ਸ਼ਿੰਗਾਰ ਨਹੀਂ) ਰਿਪੋਰਟ ਕੀਤਾ ਗਿਆ ਹੈ, ਕੀ ਅਨਿਸ਼ਚਿਤਤਾਵਾਂ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ ਗਈ ਹੈ, ਕੀ ਵਿਧੀ ਨੂੰ ਦੁਬਾਰਾ ਪੈਦਾ ਕਰਨ ਯੋਗ ਤਰੀਕੇ ਨਾਲ ਦਸਤਾਵੇਜ਼ੀ ਰੂਪ ਦਿੱਤਾ ਗਿਆ ਹੈ, ਕੀ AI ਦੀ ਵਰਤੋਂ ਪਾਰਦਰਸ਼ੀ ਹੈ? ਕਿਸੇ ਵੀ ਕਮੀ ਦੀ ਸੂਚੀ ਬਣਾਓ। ਸਮੱਗਰੀ: [ਇੱਥੇ]

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ: "ਥਿਊਰੀ ਨੂੰ ਬਿਹਤਰ ਢੰਗ ਨਾਲ ਫਿੱਟ ਕਰਨ ਲਈ ਉਪਜ ਨੂੰ ਸੰਪਾਦਿਤ ਕਰੋ ਅਤੇ ਗ੍ਰਾਫ ਨੂੰ ਯਕੀਨਨ ਬਣਾਓ।"

ਨਤੀਜਾ: ਡਾਟਾ ਧੋਖਾਧੜੀ; ਵਿਗਿਆਨਕ ਅਖੰਡਤਾ ਦੀ ਸਿੱਧੀ ਉਲੰਘਣਾ, ਵੱਕਾਰ ਦਾ ਅਟੱਲ ਨੁਕਸਾਨ.

ਮਜ਼ਬੂਤ: "ਉਪਜ ਥਿਊਰੀ ਨਾਲ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸਹਿਮਤ ਨਹੀਂ ਹੈ। ਇਸ ਅੰਤਰ ਦੇ ਸੰਭਾਵੀ ਕਾਰਨਾਂ (ਵਿਵਸਥਿਤ ਗਲਤੀ, ਅੰਕੜਾ ਉਤਰਾਅ-ਚੜ੍ਹਾਅ, ਗੁੰਮ ਮਾਡਲ, ਜਾਂ ਇੱਕ ਨਵਾਂ ਪ੍ਰਭਾਵ) ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਵਿੱਚ ਮੇਰੀ ਮਦਦ ਕਰੋ; ਸੁਝਾਅ ਦਿਓ ਕਿ ਡੇਟਾ ਨੂੰ ਬਦਲੇ ਬਿਨਾਂ ਇਮਾਨਦਾਰੀ ਨਾਲ ਅੰਤਰ ਦੀ ਰਿਪੋਰਟ ਕਿਵੇਂ ਕਰਨੀ ਹੈ।"

ਨਤੀਜਾ: ਵਿਗਿਆਨਕ ਅਖੰਡਤਾ ਲਈ ਇੱਕ ਇਮਾਨਦਾਰ, ਖੋਜੀ ਅਤੇ ਵਫ਼ਾਦਾਰ ਪਹੁੰਚ; ਟਕਰਾਅ ਖੋਜ ਦਾ ਮੌਕਾ ਬਣ ਜਾਂਦਾ ਹੈ।

ਆਮ ਗਲਤੀਆਂ

• ਆਤਮ-ਵਿਸ਼ਵਾਸ ਨਾਲ ਭਰਮ ਭੁਲੇਖਾ ਪਾਉਣਾ। ਸਿਰਫ਼ ਇਸ ਲਈ ਕਿ AI ਭਰੋਸੇ ਨਾਲ ਬੋਲਦਾ ਹੈ, ਸ਼ੁੱਧਤਾ ਦੀ ਗਾਰੰਟੀ ਨਹੀਂ ਹੈ; ਇੱਥੋਂ ਤੱਕ ਕਿ ਸਭ ਤੋਂ ਸਟੀਕ ਵਾਕ ਵੀ ਘੜਿਆ ਜਾ ਸਕਦਾ ਹੈ।
• ਬਿਨਾਂ ਮਨਜ਼ੂਰੀ ਦੇ ਵਾਹਨ ਵਿੱਚ ਗੁਪਤ ਡੇਟਾ ਦਾਖਲ ਕਰਨਾ। ਇੱਕ ਵਾਰ ਸਾਂਝਾ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਡੇਟਾ ਮੁੜ ਪ੍ਰਾਪਤ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ; ਤਰਜੀਹ ਅਤੇ ਗੁਪਤਤਾ ਖਤਮ ਹੋ ਗਈ ਹੈ।
• ਡੇਟਾ ਨੂੰ ਸੁੰਦਰ ਬਣਾਉਣਾ. ਡੇਟਾ ਨੂੰ "ਫਿੱਟ ਥਿਊਰੀ" ਵਿੱਚ ਬਦਲਣਾ ਸਭ ਤੋਂ ਗੰਭੀਰ ਵਿਗਿਆਨਕ ਅਪਰਾਧਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ।
• AI ਦੀ ਵਰਤੋਂ ਨੂੰ ਲੁਕਾਉਣਾ। ਪਾਰਦਰਸ਼ਤਾ ਇਮਾਨਦਾਰੀ ਦੀ ਲੋੜ ਹੈ ਅਤੇ ਬਹੁਤ ਸਾਰੀਆਂ ਸੰਸਥਾਵਾਂ ਵਿੱਚ ਲਾਜ਼ਮੀ ਹੈ।
• ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਗੱਡੀ 'ਤੇ ਪਾ ਦਿੱਤੀ। “ਏਆਈ ਨੇ ਇਹ ਕੀਤਾ” ਕੋਈ ਬਚਾਅ ਨਹੀਂ ਹੈ; ਅੰਤਮ ਜ਼ਿੰਮੇਵਾਰੀ ਹਮੇਸ਼ਾ ਮਨੁੱਖ ਦੀ ਹੁੰਦੀ ਹੈ।

ਸੰਕੇਤ: ਹਰ AI-ਸੰਚਾਲਿਤ ਅਧਿਐਨ ਦੇ ਅੰਤ ਵਿੱਚ, ਆਪਣੇ ਆਪ ਨੂੰ ਤਿੰਨ ਸਵਾਲ ਪੁੱਛੋ: (1) ਕੀ ਇਸ ਆਉਟਪੁੱਟ ਵਿੱਚ ਹਰੇਕ ਤੱਥ, ਸੰਖਿਆ ਅਤੇ ਵਿਸ਼ੇਸ਼ਤਾ ਦੀ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਪੁਸ਼ਟੀ ਕੀਤੀ ਗਈ ਹੈ? (2) ਕੀ ਮੇਰੇ ਦੁਆਰਾ ਵਰਤੇ ਗਏ ਡੇਟਾ ਵਿੱਚ ਗੁਪਤ/ਨਿੱਜੀ ਜਾਣਕਾਰੀ ਸੀ ਜੋ ਮੈਨੂੰ ਦਾਖਲ ਨਹੀਂ ਕਰਨੀ ਚਾਹੀਦੀ? (3) ਕੀ ਮੈਂ ਆਪਣੀ AI ਵਰਤੋਂ ਅਤੇ ਕਾਰਜਪ੍ਰਣਾਲੀ ਨੂੰ ਪਾਰਦਰਸ਼ੀ ਤੌਰ 'ਤੇ ਦਸਤਾਵੇਜ਼ੀ ਤੌਰ 'ਤੇ ਦਰਜ ਕੀਤਾ ਹੈ ਤਾਂ ਜੋ ਕੋਈ ਹੋਰ ਇਸਦੀ ਨਕਲ ਕਰ ਸਕੇ? ਜੇਕਰ ਤੁਸੀਂ ਇਹਨਾਂ ਤਿੰਨ ਸਵਾਲਾਂ ਦੇ ਸਪਸ਼ਟ "ਹਾਂ" ਵਿੱਚ ਜਵਾਬ ਨਹੀਂ ਦੇ ਸਕਦੇ ਹੋ, ਤਾਂ ਅਧਿਐਨ ਅਜੇ ਪੂਰਾ ਨਹੀਂ ਹੋਇਆ ਹੈ।

ਸਾਰੰਸ਼ ਵਿੱਚ

ਵਿਗਿਆਨਕ ਅਖੰਡਤਾ ਭੌਤਿਕ ਵਿਗਿਆਨ ਦੀ ਹੋਂਦ ਦਾ ਆਧਾਰ ਹੈ ਅਤੇ ਏਆਈ ਦੇ ਯੁੱਗ ਵਿੱਚ ਹੋਰ ਵੀ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਭਰਮ ਭੌਤਿਕ ਵਿਗਿਆਨ ਵਿੱਚ ਗਲਤ ਸਥਿਰਾਂਕਾਂ, ਗਲਤ ਨਿਯਮਾਂ, ਇਕਾਈ ਦੀਆਂ ਗਲਤੀਆਂ, ਗਲਤ ਸਿੱਟੇ ਅਤੇ ਗਲਤ ਸੰਦਰਭਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਪ੍ਰਗਟ ਹੁੰਦਾ ਹੈ; ਹਰੇਕ ਨੂੰ ਇਸਦੀ ਆਪਣੀ ਵਿਲੱਖਣ ਤਸਦੀਕ ਵਿਧੀ ਨਾਲ ਕੈਪਚਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਗੁਪਤ ਅਤੇ ਨਿੱਜੀ ਡੇਟਾ ਨੂੰ ਅਣਅਧਿਕਾਰਤ ਸਾਧਨਾਂ ਵਿੱਚ ਦਾਖਲ ਨਹੀਂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ; ਡੇਟਾ ਕਦੇ ਵੀ ਸੁੰਦਰ ਨਹੀਂ ਹੁੰਦਾ; AI ਦੀ ਵਰਤੋਂ ਪਾਰਦਰਸ਼ੀ ਤੌਰ 'ਤੇ ਦਸਤਾਵੇਜ਼ੀ ਤੌਰ 'ਤੇ ਕੀਤੀ ਗਈ ਹੈ; ਅਤੇ ਅੰਤਮ ਜਿੰਮੇਵਾਰੀ ਹਮੇਸ਼ਾ ਮਨੁੱਖ ਦੀ ਹੁੰਦੀ ਹੈ। ਇਸ ਮੌਡਿਊਲ ਵਿੱਚ ਤੁਸੀਂ ਸਿਰਫ਼ ਇੱਕ ਅਨੁਸ਼ਾਸਨ ਸਿੱਖਦੇ ਹੋ: AI ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਵੇਗਕ ਹੈ, ਪਰ ਪੁਸ਼ਟੀਕਰਨ, ਇਮਾਨਦਾਰੀ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਯੋਗ ਭੌਤਿਕ ਵਿਗਿਆਨੀ ਦੇ ਮੋਢਿਆਂ 'ਤੇ ਟਿਕੀ ਹੋਈ ਹੈ - ਯਾਨੀ ਤੁਸੀਂ। ਇੱਕ ਅਪ੍ਰਮਾਣਿਤ AI ਆਉਟਪੁੱਟ ਕਦੇ ਵੀ ਭੌਤਿਕ ਵਿਗਿਆਨੀ ਦੀ ਪੁਸ਼ਟੀ ਦਾ ਬਦਲ ਨਹੀਂ ਹੁੰਦਾ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਇੱਕ AI ਆਉਟਪੁੱਟ (ਇੱਕ ਖਾਤਾ, ਇੱਕ ਵਿਸ਼ਲੇਸ਼ਣ, ਜਾਂ ਇੱਕ ਟੈਕਸਟ) ਚੁਣੋ ਜੋ ਤੁਸੀਂ ਇਸ ਮੋਡੀਊਲ ਵਿੱਚ ਤਿਆਰ ਕੀਤਾ ਹੈ। 1. ਟੈਂਪਲੇਟ ਨਾਲ ਭਰਮਾਂ ਲਈ ਸਕ੍ਰੀਨ: ਕੀ ਇੱਥੇ ਕੋਈ ਡਮੀ ਸਥਿਰਾਂਕ, ਜਾਅਲੀ ਫਾਰਮੂਲੇ, ਇਕਾਈ ਦੀਆਂ ਗਲਤੀਆਂ, ਜਾਂ ਅਣ-ਪ੍ਰਮਾਣਿਤ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਹਨ? ਟੈਮਪਲੇਟ 2 ਦੇ ਨਾਲ, ਮੁਲਾਂਕਣ ਕਰੋ ਕਿ ਕੀ ਤੁਸੀਂ ਜੋ ਡੇਟਾ ਵਰਤ ਰਹੇ ਹੋ ਉਹ ਗੋਪਨੀਯਤਾ-ਅਨੁਕੂਲ ਹੈ। ਅੰਤ ਵਿੱਚ, ਟੈਮਪਲੇਟ 3 ਦੇ ਨਾਲ ਇੱਕ ਛੋਟਾ AI ਵਰਤੋਂ/ਪਾਰਦਰਸ਼ਤਾ ਸਟੇਟਮੈਂਟ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰੋ। 5-6 ਵਾਕਾਂ ਵਿੱਚ ਲਿਖੋ: ਸਕੈਨ ਨੇ ਕੀ ਪ੍ਰਗਟ ਕੀਤਾ, ਤੁਸੀਂ ਕਿਹੜੇ ਤਸਦੀਕ ਕਦਮ ਚੁੱਕੇ?

ਚੈੱਕਲਿਸਟ

• [ ] ਮੈਂ ਆਉਟਪੁੱਟ ਵਿੱਚ ਹਰੇਕ ਸਥਿਰਤਾ, ਫਾਰਮੂਲੇ ਅਤੇ ਨਤੀਜੇ ਦੀ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ।
• [ ] ਮੈਂ DOI/ਸਰੋਤ ਨਾਲ ਹਰੇਕ ਹਵਾਲੇ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ।
• [ ] ਮੈਂ ਜਾਂਚ ਕੀਤੀ ਹੈ ਕਿ ਮੈਂ ਬਿਨਾਂ ਮਨਜ਼ੂਰੀ ਦੇ ਟੂਲ ਵਿੱਚ ਗੁਪਤ/ਨਿੱਜੀ ਡੇਟਾ ਦਾਖਲ ਨਹੀਂ ਕੀਤਾ ਹੈ।
• [ ] ਮੈਂ ਬਿਨਾਂ ਸ਼ਿੰਗਾਰ ਦੇ ਡੇਟਾ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ ਹੈ।
• [ ] ਮੈਂ ਇੱਕ ਪਾਰਦਰਸ਼ੀ ਅਤੇ ਪੁਨਰ-ਉਤਪਾਦਨ ਯੋਗ ਢੰਗ ਨਾਲ AI ਦੀ ਵਰਤੋਂ ਦਾ ਦਸਤਾਵੇਜ਼ੀਕਰਨ ਕੀਤਾ ਹੈ।
• [ ] ਮੈਂ ਸਵੀਕਾਰ ਕੀਤਾ ਕਿ ਅੰਤਮ ਜ਼ਿੰਮੇਵਾਰੀ ਮੇਰੀ ਸੀ; ਮੈਂ ਗੱਡੀ ਦਾ ਕੋਈ ਨੁਕਸ ਨਹੀਂ ਦੱਸਿਆ।

ਮੋਡੀਊਲ ਪ੍ਰੀਖਿਆ

1. ਭੌਤਿਕ ਵਿਗਿਆਨ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ ਲਈ ਹੇਠਾਂ ਦਿੱਤੇ ਵਿੱਚੋਂ ਕਿਹੜੀ ਸਥਿਤੀ ਸਭ ਤੋਂ ਸਹੀ ਹੈ?

• ਏ) ਨਕਲੀ ਬੁੱਧੀ ਇੱਕ ਕੋਡ, ਡਰਾਫਟ ਅਤੇ ਸੰਪਾਦਨ ਸਹਾਇਕ ਹੈ; ਯੂਨਿਟ, ਰੈਂਕ, ਤਸਦੀਕ ਅਤੇ ਨੈਤਿਕ ਫੈਸਲਿਆਂ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਮਨੁੱਖ ਦੀ ਹੈ ✔
• ਅ) ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਇੱਕ ਕੈਲਕੁਲੇਟਰ ਹੈ ਅਤੇ ਇਹ ਜੋ ਸੰਖਿਆਤਮਕ ਨਤੀਜੇ ਦਿੰਦਾ ਹੈ ਉਹ ਹਮੇਸ਼ਾ ਸਹੀ ਹੁੰਦੇ ਹਨ
• C) ਨਕਲੀ ਬੁੱਧੀ ਸਿਰਫ ਗਣਨਾ ਵਿੱਚ ਕੰਮ ਕਰਦੀ ਹੈ, ਇਸਦਾ ਪ੍ਰਯੋਗ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਅਧਿਆਪਨ ਨਾਲ ਕੋਈ ਲੈਣਾ-ਦੇਣਾ ਨਹੀਂ ਹੈ
• ਡੀ) ਕਿਉਂਕਿ ਨਕਲੀ ਬੁੱਧੀ ਮਨੁੱਖਾਂ ਨਾਲੋਂ ਵਧੇਰੇ ਨਿਰਪੱਖ ਹੈ, ਇਕਾਈ ਅਤੇ ਨਤੀਜੇ ਦੇ ਫੈਸਲੇ ਇਸ 'ਤੇ ਛੱਡ ਦਿੱਤੇ ਜਾਣੇ ਚਾਹੀਦੇ ਹਨ।

ਵਰਣਨ: ਨਕਲੀ ਬੁੱਧੀ; ਇਹ ਇੱਕ ਸਹਾਇਕ ਹੈ ਜੋ ਕੋਡ ਲਿਖਦਾ ਹੈ, ਡਰਾਫਟ ਤਿਆਰ ਕਰਦਾ ਹੈ, ਡੈਰੀਵੇਸ਼ਨ ਫਰੇਮਵਰਕ ਬਣਾਉਂਦਾ ਅਤੇ ਸੰਗਠਿਤ ਕਰਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਨਤੀਜੇ ਦੀ ਇਕਾਈ ਅਤੇ ਕ੍ਰਮ ਦੀ ਤਸਦੀਕ ਲਈ ਅੰਤਮ ਜ਼ਿੰਮੇਵਾਰੀ, ਇਸ ਨੂੰ ਸੁਰੱਖਿਆ ਕਾਨੂੰਨਾਂ, ਨਿਰੰਤਰ ਅਤੇ ਸੰਦਰਭ ਪੁਸ਼ਟੀਕਰਨ ਨਾਲ ਯਕੀਨੀ ਬਣਾਉਣਾ ਸਮਰੱਥ ਭੌਤਿਕ ਵਿਗਿਆਨੀ ਦੀ ਹੈ। ਵੱਡੀ ਭਾਸ਼ਾ ਮਾਡਲ ਇੱਕ ਕੈਲਕੁਲੇਟਰ ਜਾਂ ਭੌਤਿਕ ਵਿਗਿਆਨ ਇੰਜਣ ਨਹੀਂ ਹੈ; ਇੱਕ ਟੈਕਸਟ ਜਨਰੇਟਰ ਹੈ ਜੋ 'ਅਗਲਾ ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਾਵਿਤ ਸ਼ਬਦ' ਪੈਦਾ ਕਰਦਾ ਹੈ ਅਤੇ ਇਸਦਾ ਅਣ-ਪ੍ਰਮਾਣਿਤ ਆਉਟਪੁੱਟ ਇੱਕ ਗਲਤ ਮੁੱਲ, ਡਿਜ਼ਾਈਨ ਜਾਂ ਨਤੀਜਾ ਲੈ ਸਕਦਾ ਹੈ।

2. ਤੁਹਾਡੇ ਦੁਆਰਾ ਇੱਕ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ ਵਿੱਚ ਪ੍ਰਿੰਟ ਕੀਤੇ ਗਏ ਗਣਨਾਤਮਕ ਕੋਡ ਦੇ ਸੰਖਿਆਤਮਕ ਨਤੀਜੇ ਲਈ ਸਭ ਤੋਂ ਸਹੀ ਅਨੁਮਾਨ ਕੀ ਹੈ?

• A) ਮਾਡਲ ਦੇ ਨੰਬਰ 'ਤੇ ਭਰੋਸਾ ਕਰਦੇ ਹੋਏ 'ਇਹ ਕੋਡ ਉਹ ਦਿੰਦਾ ਹੈ', ਕਿਉਂਕਿ ਉਸਨੇ ਕੋਡ ਲਿਖਿਆ ਸੀ
• ਅ) ਕੋਡ ਨੂੰ ਆਪਣੇ ਆਪ ਚਲਾਓ ਅਤੇ ਆਉਟਪੁੱਟ ਵੇਖੋ; ✔ ਮਾਡਲ ਦੀ ਮੌਖਿਕ ਸੰਖਿਆਤਮਕ ਭਵਿੱਖਬਾਣੀ 'ਤੇ ਭਰੋਸਾ ਨਾ ਕਰਨਾ
• C) ਕੋਡ ਨੂੰ ਇਹ ਦੇਖ ਕੇ ਸਹੀ ਮੰਨਣਾ ਕਿ ਇਹ ਕਿਵੇਂ ਪੜ੍ਹਿਆ ਜਾਂਦਾ ਹੈ, ਬਿਨਾਂ ਇਸ ਨੂੰ ਚਲਾਏ
• D) ਜੇਕਰ ਨਤੀਜਾ ਸਿੱਧੇ ਮਾਡਲ ਨੂੰ ਦੁਬਾਰਾ ਪੁੱਛਿਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਉਹ ਉਹੀ ਨੰਬਰ ਦੱਸਦਾ ਹੈ, ਤਾਂ ਇਸਨੂੰ ਸਹੀ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ।

ਵਿਆਖਿਆ: ਇੱਕ LLM ਉਸ ਕੋਡ ਦੇ ਆਉਟਪੁੱਟ ਦੀ 'ਗਣਨਾ' ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਉਸਨੇ ਆਪਣੇ ਸਿਰ ਵਿੱਚ ਲਿਖਿਆ ਹੈ ਅਤੇ ਇੱਕ ਗਲਤ ਨੰਬਰ ਵਾਪਸ ਕਰ ਸਕਦਾ ਹੈ; ਜਦੋਂ ਕਿ ਜਦੋਂ ਉਹੀ ਕੋਡ ਚਲਾਇਆ ਜਾਂਦਾ ਹੈ ਤਾਂ ਇਹ ਸਹੀ ਨਤੀਜਾ ਦਿੰਦਾ ਹੈ। ਨਿਰਣਾਇਕ ਕੀ ਹੈ ਉਹ ਕੋਡ ਹੈ ਜੋ ਚਲਾਇਆ ਜਾਂਦਾ ਹੈ; ਇਹ ਮਾਡਲ ਦੀ ਜ਼ੁਬਾਨੀ ਭਵਿੱਖਬਾਣੀ ਨਹੀਂ ਹੈ। ਇਸ ਲਈ, ਕੋਡ ਨੂੰ ਹਮੇਸ਼ਾ ਤੁਹਾਡੇ ਆਪਣੇ ਵਾਤਾਵਰਣ ਵਿੱਚ ਚਲਾਇਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਆਉਟਪੁੱਟ ਨੂੰ ਦੇਖਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ.

3. ਇਹ ਟੈਸਟ ਕਰਨ ਦਾ ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਤਰੀਕਾ ਕੀ ਹੈ ਕਿ ਕੀ ਇੱਕ ਰਗੜ ਰਹਿਤ ਗਤੀਸ਼ੀਲ ਪ੍ਰਣਾਲੀ ਦਾ ਸਿਮੂਲੇਸ਼ਨ ਭੌਤਿਕ ਵਿਗਿਆਨ ਨੂੰ ਸਹੀ ਰੂਪ ਵਿੱਚ ਦਰਸਾਉਂਦਾ ਹੈ?

• A) ਇਹ ਦੇਖਣਾ ਕਿ ਚਾਰਟ ਦ੍ਰਿਸ਼ਟੀਗਤ ਤੌਰ 'ਤੇ ਸਾਫ਼-ਸੁਥਰਾ ਅਤੇ ਯਕੀਨਨ ਲੱਗਦਾ ਹੈ
• ਅ) ਸਿਮੂਲੇਸ਼ਨ ਨੂੰ ਸਿਰਫ ਇੱਕ ਵਾਰੀ ਕਦਮ ਨਾਲ ਚਲਾਉਣਾ ਅਤੇ ਨਤੀਜੇ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ
• C) ਇੱਕ ਮਾਤਰਾ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨਾ ਜਿਸਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਣ ਦੀ ਜ਼ਰੂਰਤ ਹੈ, ਜਿਵੇਂ ਕਿ ਕੁੱਲ ਊਰਜਾ ਜਾਂ ਗਤੀ, ਅਤੇ ਇਹ ਜਾਂਚ ਕਰਨਾ ਕਿ ਕੀ ਇਹ ਸਥਿਰ ਰਹਿੰਦਾ ਹੈ ✔
• D) ਸਿਮੂਲੇਸ਼ਨ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ ਕਿ ਇਹ ਕਿੰਨੀ ਤੇਜ਼ੀ ਨਾਲ ਚੱਲਦਾ ਹੈ

ਵਿਆਖਿਆ: ਇੱਕ ਰਗੜ-ਰਹਿਤ ਪ੍ਰਣਾਲੀ ਵਿੱਚ, ਕੁੱਲ ਊਰਜਾ (ਅਤੇ ਗਤੀ, ਜੇਕਰ ਕੋਈ ਹੋਵੇ) ਨੂੰ ਸੁਰੱਖਿਅਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਸਮੁੱਚੀ ਸਿਮੂਲੇਸ਼ਨ ਦੌਰਾਨ ਇਸ ਵਿਸ਼ਾਲਤਾ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨਾ ਅਤੇ ਇਹ ਦੇਖਣਾ ਕਿ ਕੀ ਇਹ ਸਥਿਰ ਰਹਿੰਦਾ ਹੈ, ਸੰਖਿਆਤਮਕ ਖਾਮੀਆਂ ਨੂੰ ਪ੍ਰਗਟ ਕਰਦਾ ਹੈ (ਜਿਵੇਂ ਕਿ ਆਦਿਮ ਯੂਲਰ ਵਿਧੀ ਲਗਾਤਾਰ ਊਰਜਾ ਨੂੰ ਵਧਾਉਂਦੀ ਹੈ)। ਜੇਕਰ ਊਰਜਾ ਵਹਿ ਰਹੀ ਹੈ, ਤਾਂ ਸਿਮੂਲੇਸ਼ਨ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਹੈ; ਸਿਰਫ਼ ਇਸ ਲਈ ਕਿਉਂਕਿ ਇਹ ਇੱਕ ਵਧੀਆ ਗ੍ਰਾਫਿਕ ਬਣਾਉਂਦਾ ਹੈ ਇਸਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਹੈ ਕਿ ਇਹ ਸਹੀ ਹੈ।

4. ਪ੍ਰਯੋਗਾਤਮਕ ਡੇਟਾ ਲਈ ਇੱਕ ਮਾਡਲ ਨੂੰ ਫਿੱਟ ਕਰਦੇ ਸਮੇਂ ਹੇਠਾਂ ਦਿੱਤੇ ਵਿੱਚੋਂ ਕਿਹੜਾ ਸਹੀ ਪਹੁੰਚ ਹੈ?

• A) ਉੱਚ ਡਿਗਰੀ ਬਹੁਪਦ ਦੀ ਚੋਣ ਕਰਨਾ ਜੋ ਡੇਟਾ ਨੂੰ ਸਭ ਤੋਂ ਵਧੀਆ ਫਿੱਟ ਕਰਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਸਾਰੇ ਬਿੰਦੂਆਂ ਵਿੱਚੋਂ ਲੰਘਦਾ ਹੈ
• ਅ) ਮਾਪਦੰਡਾਂ ਨੂੰ ਅਸਪਸ਼ਟਤਾ ਦੇ ਬਿਨਾਂ ਇੱਕ ਸਿੰਗਲ ਨੰਬਰ ਦੇ ਰੂਪ ਵਿੱਚ ਦੇਣਾ
• C) ਸਿਰਫ਼ ਇਹ ਦੇਖ ਕੇ ਫਿੱਟ ਦੀ ਗੁਣਵੱਤਾ ਦਾ ਐਲਾਨ ਕਰਨਾ ਕਿ ਕਰਵ ਕਿੰਨੀ ਸੁੰਦਰ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ।
• D) ਭੌਤਿਕ ਵਿਗਿਆਨ ਤੋਂ ਮਾਡਲ ਦੀ ਚੋਣ ਕਰਨਾ, ਮਾਪਦੰਡਾਂ ਨੂੰ ਉਹਨਾਂ ਦੀਆਂ ਅਨਿਸ਼ਚਿਤਤਾਵਾਂ ਨਾਲ ਰਿਪੋਰਟ ਕਰਨਾ ਅਤੇ ਰਹਿੰਦ-ਖੂੰਹਦ ਦੇ ਨਾਲ ਫਿੱਟ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ ✔

ਸਪੱਸ਼ਟੀਕਰਨ: ਮਾਡਲ ਨੂੰ ਭੌਤਿਕ ਕਾਨੂੰਨ ਤੋਂ ਚੁਣਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਜਿਸਦੀ ਘਟਨਾ ਨੂੰ ਪਾਲਣਾ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ, ਨਾ ਕਿ ਡੇਟਾ ਨੂੰ ਦੇਖ ਕੇ ਅਤੇ 'ਕਿਹੜਾ ਸਭ ਤੋਂ ਵਧੀਆ ਫਿੱਟ ਬੈਠਦਾ ਹੈ'। ਕਾਫ਼ੀ ਮੁਫ਼ਤ ਪੈਰਾਮੀਟਰਾਂ (ਜਿਵੇਂ ਕਿ ਉੱਚ ਡਿਗਰੀ ਬਹੁਪਦ) ਦੇ ਨਾਲ ਇੱਕ 'ਸੰਪੂਰਨ' ਪਰ ਸਰੀਰਕ ਤੌਰ 'ਤੇ ਅਰਥਹੀਣ ਫਿਟ (ਓਵਰਫਿਟ) ਕਿਸੇ ਵੀ ਡੇਟਾ ਲਈ ਬਣਾਇਆ ਜਾ ਸਕਦਾ ਹੈ। ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਉਹਨਾਂ ਦੀ ਅਨਿਸ਼ਚਿਤਤਾ ਦੇ ਨਾਲ ਰਿਪੋਰਟ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਫਿੱਟ ਦੀ ਗੁਣਵੱਤਾ ਦਾ ਬਕਾਇਆ ਦੇ ਨਾਲ ਮੁਲਾਂਕਣ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਅਤੇ ਭੌਤਿਕ ਅਨੁਕੂਲਤਾ ਦੀ ਜਾਂਚ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ।

5. ਇੱਕ ਮਾਪ ਨੂੰ ਕਈ ਵਾਰ ਦੁਹਰਾਉਣਾ ਕਿਸ ਕਿਸਮ ਦੀ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ?

• ਏ) ਬੇਤਰਤੀਬ ਅਨਿਸ਼ਚਿਤਤਾ; ਵਿਵਸਥਿਤ ਅਨਿਸ਼ਚਿਤਤਾ ਦੁਹਰਾਉਣ ਨਾਲ ਨਹੀਂ ਘਟਦੀ, ਕਾਰਨ ਲੱਭਿਆ ਅਤੇ ਠੀਕ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ✔
• ਅ) ਪ੍ਰਣਾਲੀਗਤ ਅਨਿਸ਼ਚਿਤਤਾ; ਕਿਉਂਕਿ ਇਹ ਰੀਕੈਲੀਬ੍ਰੇਸ਼ਨ ਗਲਤੀ ਨੂੰ ਖਤਮ ਕਰਦਾ ਹੈ
• C) ਦੋਵੇਂ ਅਸਪਸ਼ਟਤਾਵਾਂ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਖਤਮ ਕਰਦਾ ਹੈ
• ਡੀ) ਉਹਨਾਂ ਵਿੱਚੋਂ ਕਿਸੇ ਨੂੰ ਨਹੀਂ ਘਟਾਉਂਦਾ; ਅਨਿਸ਼ਚਿਤਤਾ ਮਾਪ ਦੀ ਗਿਣਤੀ ਤੋਂ ਸੁਤੰਤਰ ਹੈ

ਵਿਆਖਿਆ: ਦੁਹਰਾਇਆ ਗਿਆ ਮਾਪ ਨਤੀਜਿਆਂ ਦੀ ਬੇਤਰਤੀਬ ਵੰਡ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਬੇਤਰਤੀਬ ਅਨਿਸ਼ਚਿਤਤਾ (ਮੱਧ std/√N ਦੀ ਮਿਆਰੀ ਗਲਤੀ ਦੇ ਨਾਲ) ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ। ਦੂਜੇ ਪਾਸੇ, ਪ੍ਰਣਾਲੀਗਤ ਅਨਿਸ਼ਚਿਤਤਾ, ਇੱਕ ਗਲਤੀ ਹੈ ਜੋ ਹਮੇਸ਼ਾ ਇੱਕੋ ਦਿਸ਼ਾ ਵਿੱਚ ਭਟਕਦੀ ਹੈ (ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਗਲਤ ਢੰਗ ਨਾਲ ਕੈਲੀਬਰੇਟ ਕੀਤਾ ਸੰਤੁਲਨ) ਅਤੇ ਦੁਹਰਾਓ ਨਾਲ ਘਟਦੀ ਨਹੀਂ ਹੈ; ਹਾਲਾਂਕਿ, ਕਾਰਨ ਲੱਭਿਆ ਅਤੇ ਠੀਕ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ. ਕਈ ਮਾਪਾਂ ਨਾਲ 'ਬਹੁਤ ਛੋਟੀ' ਅਨਿਸ਼ਚਿਤਤਾ ਦੀ ਰਿਪੋਰਟ ਕਰਨਾ ਅੰਡਰਲਾਈੰਗ ਯੋਜਨਾਬੱਧ ਗਲਤੀ ਨੂੰ ਲੁਕਾ ਸਕਦਾ ਹੈ।

6. ਏਆਈ ਦੁਆਰਾ ਲਏ ਗਏ ਇੱਕ ਗਲਤੀ ਪ੍ਰਸਾਰ ਫਾਰਮੂਲੇ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦਾ ਸਭ ਤੋਂ ਭਰੋਸੇਮੰਦ ਸੁਤੰਤਰ ਤਰੀਕਾ ਕੀ ਹੈ?

• A) ਤਰਲ ਅਤੇ ਯਕੀਨਨ ਦਿਖਾਈ ਦੇਣ ਲਈ ਫਾਰਮੂਲੇ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ
• B) ਇੱਕ ਮੋਂਟੇ ਕਾਰਲੋ ਗਣਨਾ ਨਾਲ ਕਰਾਸ-ਚੈਕਿੰਗ ਜੋ ਬੇਤਰਤੀਬੇ ਤੌਰ 'ਤੇ ਇਨਪੁਟਸ ਨੂੰ ਉਹਨਾਂ ਦੀ ਅਨਿਸ਼ਚਿਤਤਾ ਦੇ ਨਾਲ ਨਮੂਨਾ ਦਿੰਦੀ ਹੈ ✔
• C) ਆਰਟੀਫਿਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਨੂੰ ਉਹੀ ਫਾਰਮੂਲਾ ਦੁਬਾਰਾ ਪੁੱਛਣਾ ਅਤੇ ਇਸ ਤੋਂ ਉਹੀ ਨਤੀਜਾ ਦੇਣ ਦੀ ਉਮੀਦ ਕਰਨਾ
• ਡੀ) ਅਨਿਸ਼ਚਿਤਤਾਵਾਂ ਨੂੰ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਇਕੱਠਾ ਕਰਨਾ ਅਤੇ ਨਤੀਜਿਆਂ ਨਾਲ ਉਹਨਾਂ ਦੀ ਤੁਲਨਾ ਕਰਨਾ

ਵਿਆਖਿਆ: AI ਅਕਸਰ ਗਲਤੀ ਪ੍ਰਸਾਰ ਫਾਰਮੂਲੇ ਵਿੱਚ ਅੰਸ਼ਕ ਡੈਰੀਵੇਟਿਵ ਗੁਣਾਂਕ ਅਤੇ ਵਰਗ ਮੂਲ ਬਣਤਰ ਨੂੰ ਮਿਲਾਉਂਦਾ ਹੈ। ਇਸਨੂੰ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਪ੍ਰਾਪਤ ਕਰਨ ਦਾ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਤਰੀਕਾ ਹੈ ਮੋਂਟੇ ਕਾਰਲੋ ਕਰਾਸ-ਚੈਕਿੰਗ: ਹਰ ਇੱਕ ਇਨਪੁਟ ਨੂੰ ਇਸਦੀ ਅਨਿਸ਼ਚਿਤਤਾ ਦੇ ਨਾਲ ਬੇਤਰਤੀਬ ਰੂਪ ਵਿੱਚ ਨਮੂਨਾ ਲੈਣਾ, ਫੰਕਸ਼ਨ ਦੀ ਹਜ਼ਾਰਾਂ ਵਾਰ ਗਣਨਾ ਕਰਨਾ, ਅਤੇ ਫਾਰਮੂਲੇ ਦੁਆਰਾ ਦਿੱਤੀ ਗਈ ਅਨਿਸ਼ਚਿਤਤਾ ਨਾਲ ਆਉਟਪੁੱਟ ਦੇ ਮਿਆਰੀ ਵਿਵਹਾਰ ਦੀ ਤੁਲਨਾ ਕਰਨਾ। ਦੋ ਸੁਤੰਤਰ ਤਰੀਕਿਆਂ ਦੀ ਮੁਲਾਕਾਤ ਆਤਮਵਿਸ਼ਵਾਸ ਵਧਾਉਂਦੀ ਹੈ।

7. ਪ੍ਰਤੀਕਾਤਮਕ ਭੌਤਿਕ ਵਿਗਿਆਨ ਦੀ ਇੱਕ ਲੰਬੀ ਉਤਪੱਤੀ ਵਿੱਚ AI ਅਤੇ SymPy ਵਿਚਕਾਰ ਕਿਰਤ ਦੀ ਸਹੀ ਵੰਡ ਕੀ ਹੈ?

• A) SymPy ਵਿਉਤਪੱਤੀ ਦੇ ਵਿਚਾਰ ਨੂੰ ਉਤਪੰਨ ਕਰਦਾ ਹੈ, AI ਹਰ ਕਦਮ ਦੀ ਸਹੀ ਤਰ੍ਹਾਂ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ
• ਅ) ਦੋਵੇਂ ਬੇਲੋੜੇ ਹਨ; ਲੰਬੇ ਡੈਰੀਵੇਸ਼ਨਾਂ ਨੂੰ ਸਿਰਫ ਹੱਥੀਂ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ
• C) AI ਡੈਰੀਵੇਸ਼ਨ ਦਾ ਫਰੇਮਵਰਕ ਬਣਾਉਂਦਾ ਹੈ, SymPy ਹਰੇਕ ਬੀਜਗਣਿਤ ਪੜਾਅ ਦੀ ਸਹੀ ਤਰ੍ਹਾਂ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ ✔
• ਡੀ) ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਆਪਣੇ ਆਪ ਡੈਰੀਵੇਸ਼ਨ ਕਰਦੀ ਹੈ, ਇਸਦੀ ਤਸਦੀਕ ਕਰਨ ਦੀ ਕੋਈ ਲੋੜ ਨਹੀਂ ਹੈ ਕਿਉਂਕਿ ਇਹ ਚੰਗੀ ਤਰ੍ਹਾਂ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ

ਵਿਆਖਿਆ: AI ਵਿਉਤਪੱਤੀ ਦੀ ਰਣਨੀਤੀ ਬਣਾਉਂਦਾ ਹੈ ਅਤੇ ਮਾਰਗ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ, ਪਰ ਲੰਬੇ ਅਲਜਬਰੇ ਵਿੱਚ ਇਹ ਸਾਈਨ ਗਲਤੀਆਂ, ਬਚੇ ਹੋਏ ਸ਼ਬਦਾਂ ਅਤੇ ਗਲਤ ਸਰਲੀਕਰਨ ਕਰਦਾ ਹੈ। ਦੂਜੇ ਪਾਸੇ, SymPy, ਨਿਯਮਾਂ ਦੇ ਅਨੁਸਾਰ ਕੰਮ ਕਰਦਾ ਹੈ ਅਤੇ ਹਰੇਕ ਬੀਜਗਣਿਤ ਦੇ ਪੜਾਅ ਦੀ ਸਹੀ ਤਸਦੀਕ ਕਰਦਾ ਹੈ। ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਵਰਕਫਲੋ ਦੋਵਾਂ ਨੂੰ ਜੋੜਦਾ ਹੈ: AI ਤੋਂ ਪਿੰਜਰ ਪ੍ਰਾਪਤ ਕਰੋ, SymPy ਨਾਲ ਹਰੇਕ ਕਦਮ ਨੂੰ ਸਰੋਤ ਕਰੋ, ਡੈਰੀਵੇਟਿਵ-ਇੰਟੈਗਰਲ ਇਨਵਰਸ ਅਤੇ ਸੀਮਾ ਕੇਸ ਨਾਲ ਨਤੀਜੇ ਦੀ ਜਾਂਚ ਕਰੋ।

8. ਅਯਾਮੀ ਵਿਸ਼ਲੇਸ਼ਣ ਭੌਤਿਕ ਫਾਰਮੂਲੇ ਦੀ ਸ਼ੁੱਧਤਾ ਬਾਰੇ ਕੀ ਦੱਸਦਾ ਹੈ?

• A) ਅਯਾਮੀ ਵਿਸ਼ਲੇਸ਼ਣ ਹਮੇਸ਼ਾ ਇਹ ਸਾਬਤ ਕਰਦਾ ਹੈ ਕਿ ਇੱਕ ਫਾਰਮੂਲਾ ਸਹੀ ਹੈ
• ਅ) ਅਯਾਮੀ ਵਿਸ਼ਲੇਸ਼ਣ ਦਾ ਭੌਤਿਕ ਵਿਗਿਆਨ ਵਿੱਚ ਕੋਈ ਵਿਹਾਰਕ ਮੁੱਲ ਨਹੀਂ ਹੈ
• C) ਅਯਾਮੀ ਵਿਸ਼ਲੇਸ਼ਣ ਸਿਰਫ ਫਾਰਮੂਲੇ ਦਾ ਸਥਿਰ ਫੈਕਟਰ ਦਿੰਦਾ ਹੈ, ਨਾ ਕਿ ਇਸਦੀ ਇਕਸਾਰਤਾ
• ਡੀ) ਇੱਕ ਫਾਰਮੂਲਾ ਜੋ ਅਯਾਮੀ ਤੌਰ 'ਤੇ ਨਹੀਂ ਰੱਖਦਾ, ਬਿਲਕੁਲ ਗਲਤ ਹੈ; ਅਯਾਮੀ ਵਿਸ਼ਲੇਸ਼ਣ ਨੰਬਰਾਂ ਦੀ ਗਿਣਤੀ ਕੀਤੇ ਬਿਨਾਂ ਗਲਤੀ ਫੜਦਾ ਹੈ ✔

ਵਿਆਖਿਆ: ਕਿਸੇ ਭੌਤਿਕ ਸਮੀਕਰਨ ਦੇ ਦੋਵੇਂ ਪਾਸੇ ਸੰਖਿਆਤਮਕ ਤੌਰ 'ਤੇ ਬਰਾਬਰ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਅਯਾਮੀ ਤੌਰ 'ਤੇ ਬਰਾਬਰ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ। ਇੱਕ ਫਾਰਮੂਲਾ ਜੋ ਅਯਾਮੀ ਤੌਰ 'ਤੇ ਨਹੀਂ ਰੱਖਦਾ ਸਿਰਫ਼ ਗਲਤ ਹੈ; ਇਹ ਗਿਣਤੀ ਦੀ ਗਣਨਾ ਤੋਂ ਹਾਸਲ ਕੀਤਾ ਗਿਆ ਹੈ। ਅਯਾਮੀ ਵਿਸ਼ਲੇਸ਼ਣ ਸਿੱਟੇ ਵਜੋਂ ਇਹ ਸਾਬਤ ਨਹੀਂ ਕਰਦਾ ਕਿ ਇੱਕ ਫਾਰਮੂਲਾ ਸਹੀ ਹੈ (ਇਹ ਇੱਕ ਅਯਾਮ ਰਹਿਤ ਸਥਿਰ ਕਾਰਕ ਜਾਂ ਕੋਣ ਤੋਂ ਖੁੰਝ ਸਕਦਾ ਹੈ), ਪਰ ਇਹ ਸਿੱਟੇ ਵਜੋਂ ਸਾਬਤ ਕਰਦਾ ਹੈ ਕਿ ਇਹ ਗਲਤ ਹੈ; ਇਸ ਲਈ ਇਹ ਹਰ ਖਾਤੇ ਦਾ ਪਹਿਲਾ ਅਤੇ ਸਭ ਤੋਂ ਸਸਤਾ ਆਡਿਟ ਹੈ।

9. 36 km/h ਦੀ ਰਫ਼ਤਾਰ ਨਾਲ ਸਫ਼ਰ ਕਰਨ ਵਾਲੀ ਕਿਸੇ ਵਸਤੂ ਦੀ ਗਤੀ ਊਰਜਾ ਦੀ ਗਣਨਾ ਕਰਨ ਵੇਲੇ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਪਹਿਲਾ ਕਦਮ ਕੀ ਹੈ?

• ਏ) ਸਾਰੇ ਇਨਪੁਟਸ ਨੂੰ ਇਕਾਈ ਸਿਸਟਮ (SI) ਵਿੱਚ ਬਦਲਣਾ; 36 km/h ਨੂੰ 10 m/s ਵਿੱਚ ਬਦਲਣਾ ✔
• B) ਸਪੀਡ ਨੂੰ m/s ਵਿੱਚ ਬਦਲੇ ਬਿਨਾਂ ਸਿੱਧਾ ਫਾਰਮੂਲੇ ਵਿੱਚ km/h ਵਿੱਚ ਪਾਉਣਾ
• C) ਇਕਾਈਆਂ ਨੂੰ ਧਿਆਨ ਵਿਚ ਰੱਖੇ ਬਿਨਾਂ ਸਿਰਫ਼ ਸੰਖਿਆਵਾਂ ਨੂੰ ਗੁਣਾ ਕਰਨਾ
• ਡੀ) ਇਹ ਮੰਨ ਕੇ ਕਿ ਨਤੀਜੇ ਦੀ ਗਣਨਾ ਕਰਨ ਤੋਂ ਬਾਅਦ ਆਰਡਰ ਦੀ ਜਾਂਚ ਕਰਨ ਦੀ ਕੋਈ ਲੋੜ ਨਹੀਂ ਹੈ

ਵਿਆਖਿਆ: SI ਅਧਾਰਤ ਫਾਰਮੂਲੇ (E = ½mv²) m/s ਵਿੱਚ ਗਤੀ ਦੀ ਉਮੀਦ ਕਰਦੇ ਹਨ। ਗਣਨਾ ਵਿੱਚ km/h ਨੂੰ m ਜਾਂ ਸਕਿੰਟਾਂ ਦੇ ਨਾਲ ਘੰਟਾ ਉਲਝਾਉਣਾ ਭੌਤਿਕ ਵਿਗਿਆਨ ਵਿੱਚ ਸਭ ਤੋਂ ਆਮ ਗਲਤੀਆਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਸਭ ਤੋਂ ਪਹਿਲਾਂ ਸਾਰੇ ਇਨਪੁਟਸ ਨੂੰ ਯੂਨਿਟਾਂ (SI): 36 km/h = 10 m/s ਵਿੱਚ ਤਬਦੀਲ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਕਿਉਂਕਿ AI ਮਿਸ਼ਰਿਤ ਇਕਾਈ ਪਰਿਵਰਤਨ ਵਿੱਚ ਚੁੱਪ ਗਲਤੀਆਂ ਕਰ ਸਕਦਾ ਹੈ, ਇਸ ਪਰਿਵਰਤਨ ਨੂੰ ਹੱਥੀਂ ਜਾਂ ਯੂਨਿਟ-ਜਾਗਰੂਕ ਟੂਲ ਨਾਲ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।

10. ਵਿਗਿਆਨਕ ਗ੍ਰਾਫ਼ ਵਿੱਚ 'ਇਮਾਨਦਾਰੀ' ਦੇ ਰੂਪ ਵਿੱਚ ਕਿਹੜਾ ਅਭਿਆਸ ਸਹੀ ਹੈ?

• A) ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਛੁਪਾਉਣਾ ਕਿਉਂਕਿ ਗਲਤੀ ਪੱਟੀਆਂ ਚਾਰਟ ਨੂੰ ਬੇਤਰਤੀਬ ਕਰਦੀਆਂ ਹਨ
• ਅ) ਧੁਰਿਆਂ ਨੂੰ ਯੂਨਿਟਾਂ ਨਾਲ ਲੇਬਲ ਕਰੋ, ਬਿਨਾਂ ਵਿਗਾੜ ਦੇ ਸਕੇਲ ਦੀ ਚੋਣ ਕਰੋ, ਅਤੇ ਗਲਤੀ ਬਾਰਾਂ ਨਾਲ ਅਨਿਸ਼ਚਿਤਤਾ ਦਿਖਾਓ ✔
• C) ਹਮੇਸ਼ਾ y-ਧੁਰੇ ਨੂੰ ਉਸ ਰੇਂਜ ਵਿੱਚ ਸ਼ੁਰੂ ਕਰੋ ਜੋ ਸਭ ਤੋਂ ਨਾਟਕੀ ਅੰਤਰ ਦਿਖਾਏਗਾ
• ਡੀ) ਧੁਰੇ ਨੂੰ ਬਿਨਾਂ ਇਕਾਈਆਂ ਦੇ ਛੱਡਣਾ ਕਿਉਂਕਿ ਪਾਠਕ ਇਕਾਈ ਦਾ ਅਨੁਮਾਨ ਲਗਾ ਸਕਦਾ ਹੈ

ਵਰਣਨ: ਇੱਕ ਇਮਾਨਦਾਰ ਵਿਗਿਆਨਕ ਚਾਰਟ; ਇਹ ਧੁਰਿਆਂ ਨੂੰ ਤੀਬਰਤਾ ਅਤੇ ਇਕਾਈ ਦੇ ਨਾਲ ਲੇਬਲ ਕਰਦਾ ਹੈ, ਸੁਚੇਤ ਤੌਰ 'ਤੇ ਅਤੇ ਵਿਗਾੜ ਦੇ ਬਿਨਾਂ ਪੈਮਾਨੇ ਦੀ ਚੋਣ ਕਰਦਾ ਹੈ (ਅਸ਼ਲੀਲਤਾ ਲਈ y-ਧੁਰੇ ਨੂੰ ਜ਼ੀਰੋ ਤੋਂ ਦੂਰ ਸ਼ੁਰੂ ਕਰਨਾ ਗੁੰਮਰਾਹਕੁੰਨ ਹੈ), ਅਤੇ ਮਾਪ ਦੀ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਗਲਤੀ ਬਾਰਾਂ ਨਾਲ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ। ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਛੁਪਾਉਣਾ ਡੇਟਾ ਨੂੰ ਨਿਸ਼ਚਿਤ ਜਾਪਦਾ ਹੈ ਅਤੇ ਪੱਖਪਾਤ ਜਾਂ ਸਮਝੌਤੇ ਦਾ ਗਲਤ ਪ੍ਰਭਾਵ ਬਣਾਉਂਦਾ ਹੈ। ਇੱਕ ਗ੍ਰਾਫਿਕ ਜਿੰਨਾ ਜ਼ਿਆਦਾ ਯਕੀਨਨ ਹੈ, ਇਮਾਨਦਾਰੀ ਜਾਂਚ ਓਨੀ ਹੀ ਮਹੱਤਵਪੂਰਨ ਹੈ।

11. ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਤੋਂ ਸਾਹਿਤ ਅਤੇ ਹਵਾਲੇ ਦਾ ਸਮਰਥਨ ਪ੍ਰਾਪਤ ਕਰਨ ਵੇਲੇ ਸਭ ਤੋਂ ਵੱਡਾ ਜੋਖਮ ਅਤੇ ਸਹੀ ਅਨੁਸ਼ਾਸਨ ਕੀ ਹੈ?

• ਏ) ਨਕਲੀ ਬੁੱਧੀ ਸਮਾਂ ਬਰਬਾਦ ਕਰਦੀ ਹੈ ਕਿਉਂਕਿ ਇਹ ਬਹੁਤ ਹੌਲੀ ਹੌਲੀ ਹਵਾਲੇ ਪੈਦਾ ਕਰਦੀ ਹੈ
• ਅ) ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੁਆਰਾ ਸੁਝਾਏ ਗਏ ਸਰੋਤ ਹਮੇਸ਼ਾ ਅਸਲੀ ਹੁੰਦੇ ਹਨ, ਤਸਦੀਕ ਦੀ ਕੋਈ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ ਹੈ
• C) ਨਕਲੀ ਬੁੱਧੀ ਅਜਿਹੇ ਗੁਣ ਪੈਦਾ ਕਰ ਸਕਦੀ ਹੈ ਜੋ ਅਸਲੀ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ ਪਰ ਮੌਜੂਦ ਨਹੀਂ ਹਨ; ਹਰੇਕ ਹਵਾਲੇ ਨੂੰ DOI/ਸਰੋਤ ਨਾਲ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਸਾਹਿਤ ਨੂੰ ਅਸਲ ਡਾਟਾਬੇਸ ਤੋਂ ਲੱਭਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ✔
• ਡੀ) ਬਣਾਏ ਗਏ ਹਵਾਲਿਆਂ ਨੂੰ ਆਸਾਨੀ ਨਾਲ ਪਛਾਣਿਆ ਜਾਂਦਾ ਹੈ ਕਿਉਂਕਿ ਉਹ ਹਮੇਸ਼ਾ ਗੈਰ-ਅਸਲ ਜਰਨਲ ਨਾਮਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ

ਵਿਆਖਿਆ: ਇੱਕ ਵੱਡੀ ਭਾਸ਼ਾ ਮਾਡਲ ਇੱਕ ਅਸਲ ਡੇਟਾਬੇਸ ਨਾਲ ਜੁੜਿਆ ਨਹੀਂ ਹੈ; ਹਵਾਲਾ ਦੇ ਪੈਟਰਨਾਂ ਦੀ ਨਕਲ ਕਰਕੇ, ਇਹ ਲੇਖ ਤਿਆਰ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਅਸਲ ਜਰਨਲ ਦਾ ਨਾਮ, ਭਰੋਸੇਯੋਗ ਲੇਖਕ, ਅਤੇ ਇੱਕ ਵਾਜਬ ਸਾਲ ਰੱਖਦੇ ਹਨ ਪਰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਗੈਰ-ਮੌਜੂਦ ਹਨ। ਇਸ ਲਈ, ਸਾਹਿਤ ਨੂੰ ਅਸਲ ਡੇਟਾਬੇਸ ਤੋਂ ਲੱਭਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, AI ਦੀ ਵਰਤੋਂ ਸਿਰਫ ਅਸਲ ਟੈਕਸਟ ਨੂੰ ਸੰਖੇਪ/ਅਨੁਵਾਦ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ, ਅਤੇ ਹਰੇਕ ਹਵਾਲੇ ਨੂੰ DOI ਜਾਂ ਸਿਰਲੇਖ ਦੁਆਰਾ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਇੱਕ ਗੈਰ-ਪ੍ਰਮਾਣਿਤ ਹਵਾਲਾ ਅਕਾਦਮਿਕ ਅਖੰਡਤਾ ਦੀ ਉਲੰਘਣਾ ਹੈ।

12. AI ਕੋਲ ਲੇਖ ਦਾ ਸਾਰ ਦੇਣ ਵੇਲੇ ਭਰੋਸੇਯੋਗ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਕੀ ਕਰਨਾ ਪੈਂਦਾ ਹੈ?

• ਏ) ਸਿਰਫ਼ ਲੇਖ ਦਾ ਸਿਰਲੇਖ ਦੇਣਾ ਕਾਫ਼ੀ ਹੈ, ਮਾਡਲ ਸਮੱਗਰੀ ਨੂੰ ਜਾਣਦਾ ਹੈ
• ਅ) ਸੰਖੇਪ ਨੂੰ ਬਿਨਾਂ ਜਾਂਚ ਕੀਤੇ ਸਿੱਧੇ ਵਰਤਣਾ, ਕਿਉਂਕਿ ਇਹ ਤਰਲ ਲੱਗਦਾ ਹੈ
• C) ਮਾਡਲ ਨੂੰ ਦੋ ਵਾਰ ਇੱਕੋ ਸੰਖੇਪ ਲਈ ਪੁੱਛਣਾ ਅਤੇ ਜੇਕਰ ਇਹ ਸਮਾਨ ਹੈ ਤਾਂ ਇਸਨੂੰ ਸਹੀ ਮੰਨਣਾ।
• ਡੀ) ਮਾਡਲ ਨੂੰ ਮੂਲ ਪਾਠ ਦੇਣਾ ਅਤੇ ਨਿਰਮਿਤ ਸੰਖੇਪ ਦੀ ਮੂਲ ਪਾਠ ਨਾਲ ਤੁਲਨਾ ਕਰਨਾ ਇਹ ਜਾਂਚਣ ਲਈ ਕਿ ਕੁਝ ਵੀ ਜੋੜਿਆ/ਵਿਗੜਿਆ ਨਹੀਂ ਹੈ ✔

ਵਿਆਖਿਆ: ਸਿਰਫ਼ AI ਨੂੰ ਕਿਸੇ ਲੇਖ ਦਾ ਸਿਰਲੇਖ ਦੇਣਾ ਅਤੇ ਸਾਰਾਂਸ਼ ਮੰਗਣ ਨਾਲ ਮਾਡਲ ਲੇਖ ਨੂੰ ਕਦੇ ਵੀ ਦੇਖੇ ਬਿਨਾਂ 'ਪ੍ਰਸ਼ੰਸਾਯੋਗ ਸੰਖੇਪ' ਲੈ ਕੇ ਆਵੇਗਾ; ਇਹ ਸੰਖੇਪ ਸੱਚਾਈ ਦੇ ਉਲਟ ਹੋ ਸਕਦਾ ਹੈ। ਇੱਕ ਭਰੋਸੇਯੋਗ ਸਾਰਾਂਸ਼ ਕੇਵਲ ਉਦੋਂ ਹੀ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਜਦੋਂ ਮੂਲ ਪਾਠ ਨੂੰ ਮਾਡਲ ਵਿੱਚ ਫੀਡ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਉਤਪੰਨ ਸੰਖੇਪ ਦੀ ਤੁਲਨਾ ਮੂਲ ਪਾਠ ਨਾਲ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਹ ਜਾਂਚ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ ਕਿ ਸਾਰਾਂਸ਼ ਵਿੱਚ ਨਤੀਜੇ ਜਾਂ ਸੰਖਿਆਵਾਂ ਸ਼ਾਮਲ ਨਹੀਂ ਹਨ ਜੋ ਟੈਕਸਟ ਵਿੱਚ ਨਹੀਂ ਹਨ।

13. ਭੌਤਿਕ ਵਿਗਿਆਨ ਦੇ ਕੋਰਸ ਸਮੱਗਰੀ ਉਤਪਾਦਨ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ ਦੇ ਆਉਟਪੁੱਟ ਲਈ ਕਿਹੜਾ ਸੱਚ ਹੈ?

• A) ਹਰੇਕ ਹੱਲ ਦੀ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ, ਸਮਾਨਤਾਵਾਂ ਦੀਆਂ ਸੀਮਾਵਾਂ ਨਿਰਧਾਰਤ ਕੀਤੀਆਂ ਜਾਣੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ, ਅਤੇ ਧਿਆਨ ਭਟਕਾਉਣ ਵਾਲਿਆਂ ਨੂੰ ਅਸਲ ਗਲਤ ਧਾਰਨਾਵਾਂ ਨੂੰ ਨਿਸ਼ਾਨਾ ਬਣਾਉਣਾ ਚਾਹੀਦਾ ਹੈ ✔
• ਅ) ਨਕਲੀ ਬੁੱਧੀ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੀ ਉੱਤਰ ਕੁੰਜੀ ਹਮੇਸ਼ਾ ਸਹੀ ਹੁੰਦੀ ਹੈ, ਆਡਿਟ ਦੀ ਕੋਈ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ ਹੈ
• C) ਸਮਾਨਤਾਵਾਂ ਸਾਰੇ ਮਾਮਲਿਆਂ ਵਿੱਚ ਸੰਪੂਰਨ ਹਨ, ਉਹਨਾਂ ਦੀਆਂ ਸੀਮਾਵਾਂ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਦੀ ਕੋਈ ਲੋੜ ਨਹੀਂ ਹੈ.
• ਡੀ) ਡਿਸਟਰੈਕਟਰਾਂ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਬੇਤਰਤੀਬ ਢੰਗ ਨਾਲ ਚੁਣਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਕਿਉਂਕਿ ਗਲਤ ਚੋਣ ਦੀ ਪ੍ਰਕਿਰਤੀ ਗੈਰ-ਮਹੱਤਵਪੂਰਨ ਹੈ.

ਵਰਣਨ: AI ਸਵਾਲ, ਉਦਾਹਰਨਾਂ ਅਤੇ ਸਮਾਨਤਾਵਾਂ ਪੈਦਾ ਕਰਨ ਵਿੱਚ ਤੇਜ਼ ਹੈ, ਪਰ ਜਾਂਚ ਤਿੰਨ ਬਿੰਦੂਆਂ 'ਤੇ ਜ਼ਰੂਰੀ ਹੈ: ਹਰੇਕ ਸਮੱਸਿਆ ਦਾ ਹੱਲ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ (ਹੱਥ ਜਾਂ ਕੋਡ ਨਾਲ) ਤਸਦੀਕ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਕਿਉਂਕਿ ਮਾਡਲ ਹੱਲ ਵਿੱਚ ਸਾਈਨ/ਯੂਨਿਟ ਦੀਆਂ ਗਲਤੀਆਂ ਕਰ ਸਕਦਾ ਹੈ; ਹਰੇਕ ਸਮਾਨਤਾ ਨੂੰ ਦੱਸਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਇਹ ਕਿੱਥੇ ਟੁੱਟਦਾ ਹੈ, ਨਹੀਂ ਤਾਂ ਇਹ ਇੱਕ ਨਵੀਂ ਗਲਤੀ ਨੂੰ ਜਨਮ ਦੇਵੇਗਾ; ਭਟਕਣ ਵਾਲਿਆਂ ਨੂੰ ਸੱਚੇ ਭੁਲੇਖੇ ਨੂੰ ਨਿਸ਼ਾਨਾ ਬਣਾਉਣਾ ਚਾਹੀਦਾ ਹੈ। ਜ਼ਿੰਮੇਵਾਰੀ ਅਧਿਆਪਕ ਦੀ ਹੈ; ਇੱਕ ਗਲਤ ਉੱਤਰ ਕੁੰਜੀ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਗਲਤਫਹਿਮੀਆਂ ਵਿੱਚ ਛੱਡ ਦਿੰਦੀ ਹੈ ਜਿਨ੍ਹਾਂ ਨੂੰ ਠੀਕ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੁੰਦਾ ਹੈ।

14. ਜਦੋਂ ਪ੍ਰਯੋਗਾਤਮਕ ਡੇਟਾ ਸਿਧਾਂਤ ਨਾਲ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸਹਿਮਤ ਨਹੀਂ ਹੁੰਦਾ ਤਾਂ ਵਿਗਿਆਨਕ ਅਖੰਡਤਾ ਨਾਲ ਇਕਸਾਰ ਵਿਹਾਰ ਕੀ ਹੈ?

• ਏ) ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਹੋਣ ਨਾਲ ਥਿਊਰੀ ਨੂੰ ਫਿੱਟ ਕਰਨ ਲਈ ਡੇਟਾ ਨੂੰ ਸੰਗਠਿਤ ਕਰਨਾ ਅਤੇ ਗ੍ਰਾਫ ਨੂੰ ਯਕੀਨ ਨਾਲ ਦਿਖਾਉਣਾ
• ਅ) ਅੰਤਰ ਦੇ ਕਾਰਨਾਂ ਦੀ ਜਾਂਚ ਕਰਨਾ (ਵਿਵਸਥਿਤ ਗਲਤੀ, ਮਾਡਲ ਦੀ ਘਾਟ, ਨਵਾਂ ਪ੍ਰਭਾਵ) ਅਤੇ ਡੇਟਾ ਨੂੰ ਬਦਲੇ ਬਿਨਾਂ ਇਮਾਨਦਾਰੀ ਨਾਲ ਰਿਪੋਰਟ ਕਰਨਾ ✔
• C) ਅਸਹਿਮਤੀ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ ਅਤੇ ਸਿਰਫ ਉਹਨਾਂ ਬਿੰਦੂਆਂ ਦੀ ਰਿਪੋਰਟ ਕਰਨਾ ਜੋ ਫਿੱਟ ਹਨ
• ਡੀ) ਡੇਟਾ ਨੂੰ ਮਿਟਾਉਣਾ ਅਤੇ ਇੱਕ ਨਵਾਂ ਪ੍ਰਯੋਗ ਨਤੀਜਾ ਫਿੱਟ ਕਰਨਾ

ਵਿਆਖਿਆ: ਏਆਈ ਨੂੰ 'ਥਿਊਰੀ ਨੂੰ ਬਿਹਤਰ ਢੰਗ ਨਾਲ ਫਿੱਟ ਕਰਨ ਲਈ ਡੇਟਾ ਦਾ ਪ੍ਰਬੰਧ' ਕਰਨ ਲਈ ਕਹਿਣਾ ਡੇਟਾ ਧੋਖਾਧੜੀ ਅਤੇ ਵਿਗਿਆਨਕ ਅਖੰਡਤਾ ਦੀ ਘੋਰ ਉਲੰਘਣਾ ਹੈ। ਅਸਹਿਮਤੀ ਇੱਕ ਅਜਿਹੀ ਚੀਜ਼ ਹੈ ਜਿਸ ਦੀ ਜਾਂਚ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਲੁਕੀ ਨਹੀਂ: ਇਹ ਇੱਕ ਯੋਜਨਾਬੱਧ ਗਲਤੀ, ਇੱਕ ਅੰਕੜਾ ਉਤਰਾਅ-ਚੜ੍ਹਾਅ, ਪੈਟਰਨ ਦੀ ਘਾਟ, ਜਾਂ ਇੱਕ ਦਿਲਚਸਪ ਨਵੇਂ ਪ੍ਰਭਾਵ ਨੂੰ ਦਰਸਾ ਸਕਦੀ ਹੈ। ਅਨਿਸ਼ਚਿਤਤਾ ਦੇ ਨਾਲ, ਡੇਟਾ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ ਜਾਂਦੀ ਹੈ; ਅੰਤਮ ਜ਼ਿੰਮੇਵਾਰੀ ਵਿਅਕਤੀ ਦੀ ਹੁੰਦੀ ਹੈ ਅਤੇ 'ਟੂਲ ਨੇ ਇਹ ਕੀਤਾ' ਕੋਈ ਬਚਾਅ ਨਹੀਂ ਹੈ।