ਨੈਤਿਕਤਾ, ਜੀਵ ਸੁਰੱਖਿਆ, ਗੁਪਤਤਾ ਅਤੇ ਵਿਗਿਆਨਕ ਇਕਸਾਰਤਾ

ਲਾਭ:

• KVKK, GDPR ਅਤੇ ਨੈਤਿਕਤਾ ਕਮੇਟੀ ਦੇ ਨਿਯਮਾਂ ਦੇ ਅਨੁਸਾਰ ਸੰਵੇਦਨਸ਼ੀਲ ਮਨੁੱਖੀ/ਜੈਨੇਟਿਕ ਡੇਟਾ ਦੀ ਰੱਖਿਆ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਓਪਨ ਮਾਡਲ ਨੂੰ ਦੇਣ ਤੋਂ ਬਚਣਾ।
• ਬਾਇਓਸਕਿਓਰਿਟੀ/ਦੋਹਰੀ ਵਰਤੋਂ ਅਤੇ ਆਬਾਦੀ ਪੱਖਪਾਤ ਦੇ ਜੋਖਮਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਕੇ ਨਤੀਜਿਆਂ ਦੀ ਵੈਧਤਾ 'ਤੇ ਸਵਾਲ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
• ਇਹ ਸਮਝਣਾ ਕਿ ਨੈਤਿਕ ਜ਼ਿੰਮੇਵਾਰੀ ਵਾਹਨ ਨੂੰ ਨਹੀਂ ਸੌਂਪੀ ਜਾ ਸਕਦੀ ਅਤੇ ਇਹ ਅਰਥਪੂਰਨ ਮਨੁੱਖੀ-ਇਨ-ਦੀ-ਲੂਪ ਜ਼ਰੂਰੀ ਹੈ

ਜੀਵ-ਵਿਗਿਆਨ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਜ਼ੋਰਦਾਰ ਵਰਤੋਂ ਕਰਨਾ ਇਸਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਨਾਲ ਵਰਤੋਂ ਕਰਕੇ ਪੂਰਕ ਹੈ। ਜੀਵ-ਵਿਗਿਆਨ ਇੱਕ ਸੰਵੇਦਨਸ਼ੀਲ ਖੇਤਰ ਹੈ ਜੋ ਮਨੁੱਖੀ ਸਿਹਤ, ਜੈਨੇਟਿਕ ਗੋਪਨੀਯਤਾ, ਵਾਤਾਵਰਣ ਅਤੇ ਇੱਥੋਂ ਤੱਕ ਕਿ ਜੀਵ ਸੁਰੱਖਿਆ ਨੂੰ ਵੀ ਛੂੰਹਦਾ ਹੈ। ਇਸ ਇਕਾਈ ਵਿੱਚ, ਅਸੀਂ ਉਹਨਾਂ ਨੈਤਿਕ, ਕਾਨੂੰਨੀ ਅਤੇ ਸੁਰੱਖਿਆ ਜ਼ਿੰਮੇਵਾਰੀਆਂ ਬਾਰੇ ਚਰਚਾ ਕਰਾਂਗੇ ਜਿਨ੍ਹਾਂ ਦਾ ਤੁਹਾਨੂੰ ਜੀਵ ਵਿਗਿਆਨ ਅਧਿਐਨ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਵਰਤੋਂ ਕਰਨ ਵੇਲੇ ਸਾਹਮਣਾ ਕਰਨਾ ਪਵੇਗਾ। ਇਹ ਯੂਨਿਟ ਪਿਛਲੀਆਂ ਸਾਰੀਆਂ ਇਕਾਈਆਂ ਵਿੱਚ ਤਸਦੀਕ ਅਤੇ ਇਮਾਨਦਾਰੀ ਦੇ ਸਿਧਾਂਤਾਂ 'ਤੇ ਬਣਿਆ ਇੱਕ ਢਾਂਚਾ ਹੈ।

ਮੂਲ ਸਿਧਾਂਤ: AI ਇੱਕ ਸਾਧਨ ਹੈ; ਨੈਤਿਕ ਜ਼ਿੰਮੇਵਾਰੀ ਹਮੇਸ਼ਾ ਮਨੁੱਖਾਂ ਦੀ ਹੁੰਦੀ ਹੈ। "ਸੁਝਾਏ ਗਏ ਮਾਡਲ" ਕੋਈ ਬਹਾਨਾ ਨਹੀਂ ਹੈ।

ਜ਼ਿੰਮੇਵਾਰੀ ਦੇ ਚਾਰ ਖੇਤਰ

1. ਡੇਟਾ ਗੋਪਨੀਯਤਾ ਅਤੇ ਮਨੁੱਖੀ ਡੇਟਾ

ਮਨੁੱਖੀ ਭਾਗੀਦਾਰਾਂ ਤੋਂ ਜੈਨੇਟਿਕ, ਕਲੀਨਿਕਲ ਜਾਂ ਸਿਹਤ ਡੇਟਾ ਬਹੁਤ ਸੰਵੇਦਨਸ਼ੀਲ ਹੁੰਦਾ ਹੈ। ਇੱਕ ਵਿਅਕਤੀ ਦਾ ਡੀਐਨਏ ਕ੍ਰਮ ਉਹਨਾਂ ਦੇ ਅਤੇ ਉਹਨਾਂ ਦੇ ਰਿਸ਼ਤੇਦਾਰਾਂ ਦੀ ਬਿਮਾਰੀ ਦੇ ਜੋਖਮ ਅਤੇ ਪਛਾਣ ਨੂੰ ਪ੍ਰਗਟ ਕਰ ਸਕਦਾ ਹੈ; ਇੱਥੋਂ ਤੱਕ ਕਿ ਅਗਿਆਤ ਸਮਝੇ ਜਾਣ ਵਾਲੇ ਜੀਨੋਮਿਕ ਡੇਟਾ ਦੀ ਵੀ ਮੁੜ-ਪਛਾਣ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਇਸ ਡੇਟਾ ਨੂੰ ਜਨਤਕ ਤੌਰ 'ਤੇ ਉਪਲਬਧ AI ਮਾਡਲ ਵਿੱਚ ਪੇਸਟ ਕਰਨ ਨਾਲ ਡੇਟਾ ਸੁਰੱਖਿਆ ਕਾਨੂੰਨਾਂ (ਤੁਰਕੀਏ ਵਿੱਚ KVKK, ਯੂਰਪ ਵਿੱਚ GDPR) ਅਤੇ ਨੈਤਿਕਤਾ ਬੋਰਡ (IRB/ਨੈਤਿਕਤਾ ਕਮੇਟੀ) ਦੀਆਂ ਪ੍ਰਵਾਨਗੀਆਂ ਦੀ ਉਲੰਘਣਾ ਹੋ ਸਕਦੀ ਹੈ।

• ਓਪਨ ਮਾਡਲ ਨੂੰ ਨਿੱਜੀ/ਕਲੀਨੀਕਲ ਡੇਟਾ ਪ੍ਰਦਾਨ ਨਾ ਕਰੋ।
• ਸਹਿਮਤੀ ਦੇ ਦਾਇਰੇ ਤੋਂ ਬਾਹਰ ਵਰਤੋਂ ਤੋਂ ਬਚੋ; ਭਾਗੀਦਾਰ ਨੇ ਕਿਸ ਲਈ ਸਹਿਮਤੀ ਦਿੱਤੀ?
• ਐਂਟਰਪ੍ਰਾਈਜ਼/ਸਥਾਨਕ (ਆਨ-ਪ੍ਰੀਮਾਈਸ) ਜਾਂ ਡੇਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਕੰਟਰੈਕਟ ਟੂਲਸ ਦੀ ਚੋਣ ਕਰੋ।

2. ਜੀਵ ਸੁਰੱਖਿਆ ਅਤੇ ਦੋਹਰੀ ਵਰਤੋਂ

ਕੁਝ ਜੈਵਿਕ ਜਾਣਕਾਰੀ "ਦੋਹਰੀ ਵਰਤੋਂ" ਹੈ: ਇਹ ਲਾਭਦਾਇਕ ਅਤੇ ਨੁਕਸਾਨਦੇਹ ਦੋਵੇਂ ਹੋ ਸਕਦੀ ਹੈ; ਉਦਾਹਰਨ ਲਈ, ਜਰਾਸੀਮ (ਬਿਮਾਰੀ ਪੈਦਾ ਕਰਨ ਵਾਲੇ) ਕ੍ਰਮ, ਟੌਕਸਿਨ ਦਾ ਉਤਪਾਦਨ। ਖਤਰਨਾਕ ਜਰਾਸੀਮ ਨੂੰ ਵਧਾਉਣ ਜਾਂ ਹਾਨੀਕਾਰਕ ਜੀਵ-ਵਿਗਿਆਨਕ ਏਜੰਟਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨ ਬਾਰੇ ਜਾਣਕਾਰੀ ਲਈ AI ਨੂੰ ਪੁੱਛਣਾ ਜ਼ਿਆਦਾਤਰ ਥਾਵਾਂ 'ਤੇ ਅਨੈਤਿਕ ਅਤੇ ਗੈਰ-ਕਾਨੂੰਨੀ ਹੈ।

• ਖ਼ਤਰਨਾਕ ਦੋਹਰੀ ਵਰਤੋਂ ਦੀਆਂ ਬੇਨਤੀਆਂ ਨਾ ਕਰੋ।
• ਆਪਣੀ ਸੰਸਥਾ ਦੇ ਜੀਵ ਸੁਰੱਖਿਆ ਬੋਰਡ (IBC) ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ਾਂ ਦੀ ਪਾਲਣਾ ਕਰੋ।

3. ਵਿਗਿਆਨਕ ਅਖੰਡਤਾ

ਪਿਛਲੀਆਂ ਇਕਾਈਆਂ ਵਿੱਚ ਜੋ ਵੀ ਅਸੀਂ ਦੇਖਿਆ ਹੈ ਉਹ ਇੱਥੇ ਇਕੱਠੇ ਹੁੰਦੇ ਹਨ: ਕੋਈ ਜਾਅਲੀ ਵਿਸ਼ੇਸ਼ਤਾ ਨਹੀਂ, ਕੋਈ ਡਾਟਾ ਸੁੰਦਰੀਕਰਨ ਨਹੀਂ, ਕੋਈ ਪੀ-ਹੈਕਿੰਗ ਨਹੀਂ, ਕੋਈ ਚੋਣਵੀਂ ਰਿਪੋਰਟਿੰਗ ਨਹੀਂ। ਨਕਲੀ ਬੁੱਧੀ ਇਹਨਾਂ ਨੂੰ ਆਸਾਨ ਜਾਂ ਔਖਾ ਬਣਾ ਸਕਦੀ ਹੈ; ਫਰਕ ਤੁਹਾਡੀ ਇਮਾਨਦਾਰੀ ਵਿੱਚ ਹੈ।

• ਸਾਰੇ ਨਤੀਜਿਆਂ ਦੀ ਰਿਪੋਰਟ ਕਰੋ (ਨਕਾਰਾਤਮਕ ਸਮੇਤ)।
• ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੀ ਵਰਤੋਂ ਦਾ ਐਲਾਨ ਕਰੋ।
• ਕੱਚਾ ਡੇਟਾ ਅਤੇ ਕੋਡ (ਜੇ ਸੰਭਵ ਹੋਵੇ) ਸਾਂਝਾ ਕਰਕੇ ਪ੍ਰਜਨਨਯੋਗਤਾ ਦਾ ਸਮਰਥਨ ਕਰੋ।

4. ਪੱਖਪਾਤ ਅਤੇ ਨਿਰਪੱਖਤਾ

AI ਮਾਡਲਾਂ ਵਿੱਚ ਉਹਨਾਂ ਡੇਟਾ ਦਾ ਪੱਖਪਾਤ ਹੁੰਦਾ ਹੈ ਜਿਸ ਉੱਤੇ ਉਹਨਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ। ਜੀਨੋਮਿਕ ਡੇਟਾਬੇਸ ਮੁੱਖ ਤੌਰ 'ਤੇ ਯੂਰਪੀਅਨ ਮੂਲ ਦੀ ਆਬਾਦੀ ਤੋਂ ਆਉਂਦੇ ਹਨ; ਇਹ ਦੂਜੀਆਂ ਆਬਾਦੀਆਂ ਵਿੱਚ ਗਰੀਬ ਭਵਿੱਖਬਾਣੀਆਂ ਵੱਲ ਖੜਦਾ ਹੈ। ਇੱਕ ਚਿੱਤਰ ਮਾਡਲ ਅਜਿਹੀ ਸਥਿਤੀ ਵਿੱਚ ਮਾੜਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਸਿਖਲਾਈ ਡੇਟਾ ਵਿੱਚ ਘੱਟ ਪ੍ਰਸਤੁਤ ਕੀਤਾ ਗਿਆ ਹੈ।

• ਸਵਾਲ ਕਰੋ ਕਿ ਮਾਡਲ ਨੂੰ ਕਿਸ ਆਬਾਦੀ/ਡਾਟੇ 'ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਸੀ।
• ਮੁਲਾਂਕਣ ਕਰੋ ਕਿ ਕੀ ਨਤੀਜੇ ਸਾਰੇ ਸਮੂਹਾਂ ਵਿੱਚ ਹਨ।

ਸੰਕੇਤ: ਆਪਣੇ ਆਪ ਨੂੰ ਪੁੱਛੋ: "ਜੇ ਮੈਂ ਇਹ ਡੇਟਾ ਮਾਡਲ ਨੂੰ ਦਿੰਦਾ ਹਾਂ, ਤਾਂ ਇਹ ਕਿਸ ਨਾਲ ਸਬੰਧਤ ਹੈ ਅਤੇ ਕੀ ਉਸ ਵਿਅਕਤੀ ਨੇ ਇਜਾਜ਼ਤ ਦਿੱਤੀ ਸੀ?" ਜੇਕਰ ਜਵਾਬ ਅਸਪਸ਼ਟ ਹੈ, ਤਾਂ ਇਸਨੂੰ ਨਾ ਦਿਓ। ਗੁਪਤਤਾ ਦੀ ਉਲੰਘਣਾ ਅਟੱਲ ਹੈ।

ਕਦਮ ਦਰ ਕਦਮ: ਜ਼ਿੰਮੇਵਾਰ ਏਆਈ ਨਿਯੰਤਰਣ

1. ਡੇਟਾ ਸਰੋਤ ਦਾ ਵਰਗੀਕਰਨ ਕਰੋ: ਨਿੱਜੀ/ਸੰਵੇਦਨਸ਼ੀਲ ਜਾਂ ਜਨਤਕ?
2. ਸਹਿਮਤੀ ਅਤੇ ਅਨੁਮਤੀਆਂ ਦੀ ਜਾਂਚ ਕਰੋ: ਕੀ ਇਹ ਵਰਤੋਂ ਕਵਰ ਕੀਤੀ ਗਈ ਹੈ?
3. ਸਹੀ ਟੂਲ ਚੁਣੋ: ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ ਲਈ ਸੁਰੱਖਿਅਤ/ਦੇਸੀ ਵਾਤਾਵਰਣ।
4. ਦੋਹਰੀ ਵਰਤੋਂ ਦੇ ਜੋਖਮ 'ਤੇ ਵਿਚਾਰ ਕਰੋ।
5. ਸਵਾਲ ਪੱਖਪਾਤ: ਕੀ ਨਤੀਜਾ ਸਾਰੇ ਸਮੂਹਾਂ ਵਿੱਚ ਜਾਇਜ਼ ਹੈ?
6. ਦਸਤਾਵੇਜ਼ ਅਤੇ ਘੋਸ਼ਣਾ ਵਰਤੋਂ.

ਕਾਪੀ ਕਰਨ ਯੋਗ ਪ੍ਰੋਂਪਟ ਟੈਂਪਲੇਟਸ

ਇੱਕ ਨੈਤਿਕ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਤੋਂ ਹੇਠਾਂ ਮੇਰੀ ਵਿਸ਼ਲੇਸ਼ਣ ਯੋਜਨਾ ਦੀ ਸਮੀਖਿਆ ਕਰੋ: ਡੇਟਾ ਦੀ ਗੁਪਤਤਾ, ਭਾਗੀਦਾਰ ਦੀ ਸਹਿਮਤੀ, ਸੰਭਾਵੀ ਪੱਖਪਾਤ, ਅਤੇ ਦੋਹਰੀ ਵਰਤੋਂ ਦੇ ਜੋਖਮ ਬਾਰੇ ਚੇਤਾਵਨੀਆਂ ਦੀ ਸੂਚੀ ਬਣਾਓ। ਯੋਜਨਾ: [ਟੈਕਸਟ] (ਨੋਟ: ਮੈਂ ਅਸਲ ਮਰੀਜ਼ ਡੇਟਾ ਨੂੰ ਸਾਂਝਾ ਨਹੀਂ ਕਰ ਰਿਹਾ, ਸਿਰਫ ਯੋਜਨਾ।)

ਇਸ ਜੀਨੋਮਿਕ ਡੇਟਾਸੈਟ ਦੀ ਵਰਤੋਂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਮੈਨੂੰ ਕਿਹੜੇ ਗੋਪਨੀਯਤਾ ਅਤੇ ਸਹਿਮਤੀ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇਣੇ ਚਾਹੀਦੇ ਹਨ? KVKK/GDPR ਅਤੇ ਨੈਤਿਕਤਾ ਕਮੇਟੀ ਦੇ ਰੂਪ ਵਿੱਚ ਇੱਕ ਚੈਕਲਿਸਟ ਤਿਆਰ ਕੀਤੀ ਗਈ ਹੈ।

ਮੈਨੂੰ ਆਪਣੇ ਲੇਖ ਦੇ ਵਿਧੀ ਭਾਗ ਵਿੱਚ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਨਕਲੀ ਖੁਫੀਆ ਟੂਲ ਨੂੰ ਪਾਰਦਰਸ਼ੀ ਢੰਗ ਨਾਲ ਕਿਵੇਂ ਘੋਸ਼ਿਤ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ? ਇੱਕ ਉਦਾਹਰਨ ਘੋਸ਼ਣਾਤਮਕ ਵਾਕ ਲਿਖੋ; ਇਸ ਵਿੱਚ ਕਿਹੜੀ ਜਾਣਕਾਰੀ (ਟੂਲ, ਸੰਸਕਰਣ, ਵਰਤੋਂ ਦਾ ਘੇਰਾ) ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ?

ਮੈਂ ਇਹ ਕਿਵੇਂ ਮੁਲਾਂਕਣ ਕਰਾਂਗਾ ਕਿ ਕੀ ਇਸ ਮਾਡਲ ਦੇ ਨਤੀਜਿਆਂ ਵਿੱਚ ਆਬਾਦੀ ਪੱਖਪਾਤ ਹੈ? ਸਿਖਲਾਈ ਡੇਟਾ ਅਤੇ ਜਾਂਚ ਦੇ ਕਦਮਾਂ ਬਾਰੇ ਮੈਨੂੰ ਪੁੱਛਣ ਵਾਲੇ ਪ੍ਰਸ਼ਨਾਂ ਦੀ ਸੂਚੀ ਬਣਾਓ।

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ: "ਹੇਠ ਦਿੱਤੇ ਮਰੀਜ਼ ਦੇ ਜੈਨੇਟਿਕ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ: [ਅਸਲ ਡੇਟਾ]।"

Güçlü: "ਮੈਂ ਇੱਕ ਵਿਸ਼ਲੇਸ਼ਣ ਯੋਜਨਾ ਸਥਾਪਤ ਕਰ ਰਿਹਾ ਹਾਂ ਜੋ ਕਲੀਨਿਕਲ ਜੀਨੋਮਿਕ ਡੇਟਾ ਨਾਲ ਕੰਮ ਕਰਦਾ ਹੈ, ਪਰ ਮੈਂ ਅਸਲ ਮਰੀਜ਼ ਡੇਟਾ ਨੂੰ ਸਾਂਝਾ ਨਹੀਂ ਕਰਦਾ ਹਾਂ। ਕੇਵਲ ਇੱਕ ਵਿਧੀਗਤ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਤੋਂ: ਮੈਨੂੰ ਕਿਹੜੇ ਗੁਪਤਤਾ ਉਪਾਅ ਕਰਨੇ ਚਾਹੀਦੇ ਹਨ, ਮੈਨੂੰ ਡੇਟਾ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਿਸ ਮਾਹੌਲ ਵਿੱਚ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ, ਮੈਨੂੰ ਕਿਹੜੀਆਂ ਪ੍ਰਵਾਨਗੀ ਅਤੇ ਨੈਤਿਕਤਾ ਕਮੇਟੀ ਦੀਆਂ ਸ਼ਰਤਾਂ ਪੂਰੀਆਂ ਕਰਨੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ? ਤੁਸੀਂ ਡਮੀ/ਨਮੂਨਾ ਡੇਟਾ ਦੇ ਨਾਲ ਪ੍ਰਵਾਹ ਦਿਖਾ ਸਕਦੇ ਹੋ।"

ਅੰਤਰ: ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੋਂਪਟ ਵਿੱਚ ਕੋਈ ਅਸਲ ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ ਸਾਂਝਾ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਹੈ; ਸਿਰਫ਼ ਤਰੀਕਾ ਹੀ ਪੁੱਛਿਆ ਜਾਂਦਾ ਹੈ। ਗੋਪਨੀਯਤਾ ਬਣਾਈ ਰੱਖੀ ਜਾਂਦੀ ਹੈ, ਮਾਡਲ ਅਜੇ ਵੀ ਮਦਦ ਕਰਦਾ ਹੈ।

ਤਿੰਨ ਛੋਟੇ ਕੇਸ

ਕੇਸ 1 - ਗੋਪਨੀਯਤਾ ਦੀ ਉਲੰਘਣਾ: ਇੱਕ ਖੋਜਕਰਤਾ ਨੇ ਇਸਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਇੱਕ ਓਪਨ ਮਾਡਲ ਵਿੱਚ ਪੇਸਟ ਕੀਤਾ ਜੋ ਉਸ ਨੇ ਸੋਚਿਆ ਕਿ ਅਗਿਆਤ ਮਰੀਜ਼ ਐਕਸੋਮ ਡੇਟਾ ਸੀ। ਜਦੋਂ ਨੈਤਿਕਤਾ ਕਮੇਟੀ ਨੂੰ ਇਸ ਬਾਰੇ ਪਤਾ ਲੱਗਾ, ਤਾਂ ਅਧਿਐਨ ਨੂੰ ਮੁਅੱਤਲ ਕਰ ਦਿੱਤਾ ਗਿਆ ਸੀ; ਕੋਈ ਡਾਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਸਮਝੌਤਾ ਨਹੀਂ ਸੀ। ਸਬਕ: ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ ਕਦੇ ਵੀ ਖੁੱਲੇ ਮਾਡਲ ਵਿੱਚ ਦਾਖਲ ਨਹੀਂ ਹੁੰਦਾ।

ਕੇਸ 2 — ਆਬਾਦੀ ਪੱਖਪਾਤ: ਇੱਕ ਪੌਲੀਜੈਨਿਕ ਜੋਖਮ ਸਕੋਰ ਟੂਲ ਨੂੰ ਯੂਰਪੀਅਨ ਮੂਲ ਦੇ ਡੇਟਾ 'ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਸੀ; ਇੱਕ ਹੋਰ ਆਬਾਦੀ ਵਿੱਚ, ਜੋਖਮ ਅਨੁਮਾਨ ਕਾਫ਼ੀ ਗਲਤ ਸਨ। ਜਦੋਂ ਮਾਡਲ ਨੇ ਸਿਖਲਾਈ ਡੇਟਾ ਦੀ ਰਚਨਾ 'ਤੇ ਸਵਾਲ ਕਰਨ ਦਾ ਸੁਝਾਅ ਦਿੱਤਾ, ਤਾਂ ਟੀਮ ਨੇ ਉਸ ਆਬਾਦੀ ਵਿੱਚ ਟੂਲ ਦੀ ਵਰਤੋਂ ਨਾ ਕਰਨ ਦਾ ਫੈਸਲਾ ਕੀਤਾ। ਸਬਕ: ਪੱਖਪਾਤ ਜਾਨਾਂ ਨੂੰ ਬਚਾਉਂਦਾ ਜਾਂ ਨੁਕਸਾਨ ਪਹੁੰਚਾਉਂਦਾ ਹੈ।

ਕੇਸ 3 — ਖੁਲਾਸਾ ਅਤੇ ਪਾਰਦਰਸ਼ਤਾ: ਇੱਕ ਟੀਮ ਨੇ AI ਨਾਲ ਡੇਟਾ ਕਲੀਨਿੰਗ ਕੋਡ ਲਿਖਿਆ ਅਤੇ ਵਿਧੀ ਭਾਗ ਵਿੱਚ ਇਸਨੂੰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਦੱਸਿਆ; ਉਸਨੇ ਕੋਡ ਵੀ ਸਾਂਝਾ ਕੀਤਾ। ਸਮੀਖਿਅਕਾਂ ਨੇ ਇਸਦਾ ਸਵਾਗਤ ਕੀਤਾ ਕਿਉਂਕਿ ਦੁਹਰਾਉਣਯੋਗਤਾ ਮਜ਼ਬੂਤ ​​ਸੀ। ਸਬਕ: ਪਾਰਦਰਸ਼ਤਾ ਵਿਸ਼ਵਾਸ ਪੈਦਾ ਕਰਦੀ ਹੈ।

ਤੁਲਨਾ ਚਾਰਟ

ਖੇਤਰ

ਸੁਰੱਖਿਅਤ ਵਿਵਹਾਰ

ਖ਼ਤਰਨਾਕ ਵਿਵਹਾਰ

ਮਰੀਜ਼ ਡਾਟਾ

ਸਥਾਨਕ/ਸੁਰੱਖਿਅਤ ਵਾਤਾਵਰਣ

ਮਾਡਲ ਖੋਲ੍ਹਣ ਲਈ ਪੇਸਟ ਕਰੋ

ਸਹਿਮਤੀ

ਦਾਇਰੇ ਵਿੱਚ ਵਰਤੋ

ਦਾਇਰਾ ਵੱਧ ਨਾ ਕਰੋ

ਜੀਵ ਸੁਰੱਖਿਆ

ਦੋਹਰੀ ਵਰਤੋਂ ਤੋਂ ਬਚਣਾ

ਖ਼ਤਰਨਾਕ ਮੰਗ

ਇਮਾਨਦਾਰੀ

ਸਾਰੇ ਨਤੀਜਿਆਂ ਦੀ ਰਿਪੋਰਟ ਕਰੋ

ਚੋਣਵੀਂ ਰਿਪੋਰਟਿੰਗ

ਪੱਖਪਾਤ

ਆਬਾਦੀ ਤੋਂ ਪੁੱਛਗਿੱਛ ਕਰੋ

ਅੰਨ੍ਹੇਵਾਹ ਲਾਗੂ ਕਰੋ

ਪਾਰਦਰਸ਼ਤਾ

ਵਰਤੋਂ ਦਾ ਐਲਾਨ ਕਰੋ

ਛੁਪਾਉਣਾ

ਆਮ ਗਲਤੀਆਂ

• ਖੁੱਲ੍ਹੇ ਮਾਡਲ ਨੂੰ ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ ਦੇਣਾ: ਅਟੱਲ ਪਰਦੇਦਾਰੀ ਦੀ ਉਲੰਘਣਾ।
• ਸਹਿਮਤੀ ਦੇ ਦਾਇਰੇ ਨੂੰ ਪਾਰ ਕਰਨਾ: ਭਾਗੀਦਾਰ ਦੁਆਰਾ ਅਧਿਕਾਰਤ ਨਹੀਂ ਵਰਤੋਂ।
• ਪੱਖਪਾਤ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ: ਸਾਰੇ ਸਮੂਹਾਂ ਲਈ ਨਤੀਜਿਆਂ ਨੂੰ ਆਮ ਬਣਾਉਣਾ।
• ਵਰਤੋਂ ਨੂੰ ਛੁਪਾਉਣਾ: AI ਯੋਗਦਾਨ ਦਾ ਐਲਾਨ ਨਹੀਂ ਕਰਨਾ।
• "ਮਾਡਲ ਦਾ ਸੁਝਾਅ" ਰੱਖਿਆ: ਵਾਹਨ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ।

ਸਾਵਧਾਨ: ਉੱਚ-ਨਤੀਜੇ ਵਾਲੇ ਜੀਵ-ਵਿਗਿਆਨਕ ਕੰਮ (ਕਲੀਨਿਕਲ ਫੈਸਲੇ, ਜੀਵ ਸੁਰੱਖਿਆ, ਮਨੁੱਖੀ ਡੇਟਾ) ਵਿੱਚ AI ਆਉਟਪੁੱਟ ਸਮਰੱਥ ਮਾਹਰ ਤਸਦੀਕ ਅਤੇ ਨੈਤਿਕ ਨਿਗਰਾਨੀ ਦਾ ਬਦਲ ਨਹੀਂ ਹੈ; ਇਹ ਸਿਰਫ ਇਸ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ। ਫੈਸਲੇ ਦੇ ਨੈਤਿਕ ਅਤੇ ਵਿਗਿਆਨਕ ਨਤੀਜਿਆਂ ਦੇ ਨਾਲ, ਅੰਤਮ ਜ਼ਿੰਮੇਵਾਰੀ ਹਮੇਸ਼ਾਂ ਮਨੁੱਖ ਦੀ ਹੁੰਦੀ ਹੈ।

ਵਾਤਾਵਰਣ, ਵਾਤਾਵਰਣ ਅਤੇ ਰਵਾਇਤੀ ਗਿਆਨ

ਨੈਤਿਕ ਜ਼ਿੰਮੇਵਾਰੀ ਮਨੁੱਖੀ ਡੇਟਾ ਤੱਕ ਸੀਮਿਤ ਨਹੀਂ ਹੈ. ਵਾਤਾਵਰਣ ਅਤੇ ਸੰਭਾਲ ਜੀਵ ਵਿਗਿਆਨ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਸਮੇਂ ਸਾਵਧਾਨੀ ਦੀ ਵੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਖ਼ਤਰੇ ਵਿੱਚ ਪੈ ਰਹੀ ਸਪੀਸੀਜ਼ ਦਾ ਸਟੀਕ ਟਿਕਾਣਾ ਡੇਟਾ (ਕੈਮਰਾ ਟ੍ਰੈਪ ਕੋਆਰਡੀਨੇਟ) ਸ਼ਿਕਾਰ ਦੇ ਜੋਖਮ ਦੇ ਕਾਰਨ ਸੰਵੇਦਨਸ਼ੀਲ ਹੁੰਦਾ ਹੈ; ਇਸ ਡੇਟਾ ਨੂੰ ਕਿਸੇ ਖੁੱਲੇ ਮਾਡਲ ਜਾਂ ਜਨਤਾ ਨੂੰ ਜਾਰੀ ਕਰਨ ਨਾਲ ਪ੍ਰਜਾਤੀਆਂ ਨੂੰ ਨੁਕਸਾਨ ਹੋ ਸਕਦਾ ਹੈ। ਇਸੇ ਤਰ੍ਹਾਂ, ਨੈਤਿਕ ਅਤੇ ਕਾਨੂੰਨੀ (ਜਿਵੇਂ ਕਿ ਨਗੋਆ ਪ੍ਰੋਟੋਕੋਲ) ਮੁੱਦੇ ਉਦੋਂ ਪੈਦਾ ਹੁੰਦੇ ਹਨ ਜਦੋਂ ਸਥਾਨਕ ਭਾਈਚਾਰਿਆਂ ਦੇ ਰਵਾਇਤੀ ਜੀਵ-ਵਿਗਿਆਨਕ ਗਿਆਨ (ਜਿਵੇਂ ਕਿ ਪੌਦੇ ਦੀ ਵਰਤੋਂ) ਬਿਨਾਂ ਇਜਾਜ਼ਤ ਦੇ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, "ਇਹ ਜਾਣਕਾਰੀ ਕਿਸ ਦੀ ਹੈ ਅਤੇ ਇਸਦੇ ਖੁਲਾਸੇ ਨਾਲ ਕਿਸ ਨੂੰ ਨੁਕਸਾਨ ਹੋਵੇਗਾ?" ਹਮੇਸ਼ਾ ਸਵਾਲ ਪੁੱਛੋ.

ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ ਅਤੇ ਅੰਤਿਮ ਫੈਸਲਾ

ਇਸ ਪੂਰੇ ਮੋਡੀਊਲ ਦਾ ਸਾਰ ਇੱਕ ਸਿਧਾਂਤ 'ਤੇ ਉਬਲਦਾ ਹੈ: ਅਰਥਪੂਰਨ ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ। AI ਇੱਕ ਸੁਝਾਅ ਤਿਆਰ ਕਰਦਾ ਹੈ, ਇੱਕ ਡਰਾਫਟ ਲਿਖਦਾ ਹੈ, ਇੱਕ ਪੈਟਰਨ ਦਿਖਾਉਂਦਾ ਹੈ; ਪਰ ਇੱਕ ਜੈਵਿਕ, ਕਲੀਨਿਕਲ ਜਾਂ ਨੈਤਿਕ ਫੈਸਲਾ ਕਦੇ ਵੀ ਸਿੱਧੇ ਮਾਡਲ ਆਉਟਪੁੱਟ 'ਤੇ ਅਧਾਰਤ ਨਹੀਂ ਹੁੰਦਾ ਹੈ। ਖਾਸ ਤੌਰ 'ਤੇ ਉੱਚ-ਜੋਖਮ ਵਾਲੇ ਖੇਤਰਾਂ (ਨਿਦਾਨ, ਇਲਾਜ, ਸਪੀਸੀਜ਼ ਕੰਜ਼ਰਵੇਸ਼ਨ ਫੈਸਲੇ, ਰੀਲੀਜ਼) ਵਿੱਚ, ਮਾਡਲ ਦੀ ਭੂਮਿਕਾ ਫੈਸਲੇ ਲੈਣ ਦੀ ਨਹੀਂ, ਪਰ ਮਾਹਰ ਦੇ ਫੈਸਲੇ ਨੂੰ ਤੇਜ਼ ਕਰਨ ਲਈ ਹੈ। "ਮਨੁੱਖੀ-ਇਨ-ਦੀ-ਲੂਪ" ਪਹੁੰਚ ਇੱਕ ਨਾਅਰਾ ਨਹੀਂ ਹੈ, ਪਰ ਇੱਕ ਲੋੜ ਹੈ।

ਇਸ ਨਿਗਰਾਨੀ ਲਈ ਕੰਮ ਕਰਨ ਲਈ, ਸੁਪਰਵਾਈਜ਼ਰ ਕਾਬਲ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਅੰਨ੍ਹੀ ਸਹਿਮਤੀ ("ਮਾਡਲ ਨੇ ਕਿਹਾ, ਸਵੀਕ੍ਰਿਤੀ") ਨਜ਼ਰਅੰਦਾਜ਼ ਨਹੀਂ ਹੈ। ਸਹੀ ਨਿਗਰਾਨੀ ਲਈ ਮੁਹਾਰਤ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜੋ ਆਉਟਪੁੱਟ 'ਤੇ ਸਵਾਲ ਕਰ ਸਕਦੀ ਹੈ, ਇਸਦੀ ਗਲਤੀ ਨੂੰ ਫੜ ਸਕਦੀ ਹੈ, ਅਤੇ ਲੋੜ ਪੈਣ 'ਤੇ ਇਸਨੂੰ ਰੱਦ ਕਰ ਸਕਦੀ ਹੈ। ਇਸ ਲਈ, ਨਕਲੀ ਬੁੱਧੀ ਮਾਹਰ ਦੀ ਥਾਂ ਨਹੀਂ ਲੈਂਦੀ; ਇਹ ਮਾਹਰ ਨੂੰ ਹੋਰ ਵੀ ਲਾਜ਼ਮੀ ਬਣਾਉਂਦਾ ਹੈ. ਜਿਹੜਾ ਵਾਹਨ ਦੀ ਸਭ ਤੋਂ ਵਧੀਆ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਉਹੀ ਹੈ ਜੋ ਇਸ ਨੂੰ ਸਭ ਤੋਂ ਵਧੀਆ ਢੰਗ ਨਾਲ ਕਾਬੂ ਕਰ ਸਕਦਾ ਹੈ।

ਸੰਖੇਪ ਵਿੱਚ

ਜੀਵ-ਵਿਗਿਆਨ ਵਿੱਚ AI ਦੀ ਜ਼ਿੰਮੇਵਾਰ ਵਰਤੋਂ ਚਾਰ ਖੇਤਰਾਂ ਨੂੰ ਕਵਰ ਕਰਦੀ ਹੈ: ਡੇਟਾ ਗੋਪਨੀਯਤਾ (ਸੰਵੇਦਨਸ਼ੀਲ ਮਨੁੱਖੀ ਡੇਟਾ ਦੀ ਸੁਰੱਖਿਆ), ਬਾਇਓਸਕਿਉਰਿਟੀ (ਦੋਹਰੀ ਵਰਤੋਂ ਤੋਂ ਬਚਣਾ), ਵਿਗਿਆਨਕ ਅਖੰਡਤਾ (ਇਮਾਨਦਾਰ ਅਤੇ ਸੰਪੂਰਨ ਰਿਪੋਰਟਿੰਗ) ਅਤੇ ਪੱਖਪਾਤ ਜਾਗਰੂਕਤਾ (ਸਾਰੇ ਸਮੂਹਾਂ ਵਿੱਚ ਨਤੀਜਿਆਂ ਦੀ ਵੈਧਤਾ)। ਓਪਨ ਮਾਡਲ ਨੂੰ ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ ਪ੍ਰਦਾਨ ਨਾ ਕਰੋ, ਵਰਤੋਂ ਨੂੰ ਪਾਰਦਰਸ਼ੀ ਢੰਗ ਨਾਲ ਘੋਸ਼ਿਤ ਕਰੋ, ਆਬਾਦੀ ਪੱਖਪਾਤ 'ਤੇ ਸਵਾਲ ਉਠਾਓ। ਨੈਤਿਕ ਜ਼ਿੰਮੇਵਾਰੀ ਕਦੇ ਵੀ ਏਜੰਟ ਨੂੰ ਨਹੀਂ ਸੌਂਪੀ ਜਾ ਸਕਦੀ; ਇਹ ਹਮੇਸ਼ਾ ਮਨੁੱਖਾਂ ਵਿੱਚ ਹੁੰਦਾ ਹੈ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਆਪਣੇ ਖੁਦ ਦੇ ਵਰਕਸਪੇਸ ਤੋਂ ਇੱਕ ਦ੍ਰਿਸ਼ 'ਤੇ ਵਿਚਾਰ ਕਰੋ (ਜਿਵੇਂ ਕਿ ਇੱਕ ਮਨੁੱਖੀ ਡੇਟਾਸੈਟ ਜਾਂ ਇੱਕ ਚਿੱਤਰ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਨਾ)। ਅਸਲ ਡੇਟਾ ਨੂੰ ਸਾਂਝਾ ਕੀਤੇ ਬਿਨਾਂ AI ਨੂੰ ਇਸ ਦ੍ਰਿਸ਼ (ਗੁਪਤਤਾ, ਸਹਿਮਤੀ, ਪੱਖਪਾਤ, ਦੋਹਰੀ ਵਰਤੋਂ, ਪਾਰਦਰਸ਼ਤਾ) ਦੀ ਨੈਤਿਕ ਜਾਂਚ ਸੂਚੀ ਦੇ ਨਾਲ ਆਉਣਾ ਚਾਹੀਦਾ ਹੈ। ਹਰੇਕ ਆਈਟਮ ਲਈ, ਇਸਨੂੰ ਆਪਣੀ ਸਥਿਤੀ ਵਿੱਚ "ਉਚਿਤ/ਜੋਖਮ ਭਰਿਆ/ਅਨਿਸ਼ਚਿਤ" ਵਜੋਂ ਚਿੰਨ੍ਹਿਤ ਕਰੋ ਅਤੇ ਉਹਨਾਂ ਲਈ ਇੱਕ ਕਾਰਜ ਯੋਜਨਾ ਲਿਖੋ ਜੋ ਜੋਖਮ ਭਰਪੂਰ/ਅਨਿਸ਼ਚਿਤ ਹਨ। ਤੁਹਾਡੇ ਲੇਖ ਲਈ ਇੱਕ AI ਵਰਤੋਂ ਬਿਆਨ ਦਾ ਖਰੜਾ ਵੀ ਤਿਆਰ ਕਰੋ।

ਚੈੱਕਲਿਸਟ

• [ ] ਮੈਂ ਓਪਨ ਮਾਡਲ ਨੂੰ ਸੰਵੇਦਨਸ਼ੀਲ/ਨਿੱਜੀ ਡਾਟਾ ਪ੍ਰਦਾਨ ਨਹੀਂ ਕੀਤਾ।
• [ ] ਮੈਂ ਸਹਿਮਤੀ ਅਤੇ ਨੈਤਿਕਤਾ ਕਮੇਟੀ ਦੇ ਦਾਇਰੇ ਦੀ ਜਾਂਚ ਕੀਤੀ।
• [ ] ਮੈਂ ਦੋਹਰੀ ਵਰਤੋਂ/ਬਾਇਓਸੁਰੱਖਿਆ ਜੋਖਮ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ ਹੈ।
• [ ] ਮੈਂ ਸਾਰੇ ਨਤੀਜਿਆਂ ਦੀ ਇਮਾਨਦਾਰੀ ਨਾਲ ਰਿਪੋਰਟ ਕੀਤੀ।
• [ ] ਮੈਂ ਆਬਾਦੀ/ਡਾਟਾ ਪੱਖਪਾਤ ਬਾਰੇ ਸਵਾਲ ਕੀਤਾ।
• ਮੈਂ ਪਾਰਦਰਸ਼ੀ ਤੌਰ 'ਤੇ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੀ ਵਰਤੋਂ ਦਾ ਐਲਾਨ ਕੀਤਾ ਹੈ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਲਈ ਹੈ।

ਮੋਡੀਊਲ ਪ੍ਰੀਖਿਆ

1. ਇੱਕ ਵਿਦਿਆਰਥੀ ਨੇ ਭਾਸ਼ਾ ਮਾਡਲ ਨੂੰ ਪੁੱਛਿਆ 'ਇਸ FASTA ਫਾਈਲ ਵਿੱਚ ਕਿੰਨੀਆਂ ਸਤਰ ਹਨ?' ਉਹ ਪੁੱਛਦਾ ਹੈ ਅਤੇ ਮਾਡਲ '48' ਦਾ ਜਵਾਬ ਦਿੰਦਾ ਹੈ। ਸਭ ਤੋਂ ਸਹੀ ਪਹੁੰਚ ਕਿਹੜੀ ਹੈ?

• ਏ) ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਮਾਡਲ ਦੁਆਰਾ ਦਿੱਤੇ ਨੰਬਰ 48 ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ; ਮਾਡਲ ਭਰੋਸੇਯੋਗ ਹੈ ਕਿਉਂਕਿ ਇਹ ਫਾਈਲ ਨੂੰ ਵੇਖਦਾ ਹੈ
• ਅ) ਨੰਬਰ ਨੂੰ ਇੱਕ ਵਾਰ ਫਿਰ ਤੋਂ ਪੁੱਛੋ ਅਤੇ ਇਸ ਨੂੰ ਸਹੀ ਮੰਨੋ ਜੇਕਰ ਦੋਵੇਂ ਜਵਾਬ ਇੱਕੋ ਹਨ
• C) ਬਾਇਓਪਾਈਥਨ ਨਾਲ ਫਾਈਲ ਨੂੰ ਪੜ੍ਹਨਾ, ਕੋਡ ਨਾਲ ਕ੍ਰਮ ਦੀ ਗਿਣਤੀ ਗਿਣਨਾ ਅਤੇ ਆਉਟਪੁੱਟ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ✔
• ਡੀ) ਫਾਈਲ ਨੂੰ ਹੱਥੀਂ ਖੋਲ੍ਹਣਾ ਅਤੇ ਅੱਖ ਦੇ ਫੈਸਲੇ ਦੁਆਰਾ ਗਿਣਨਾ

ਵਿਆਖਿਆ: ਗਿਣਤੀ ਅਤੇ ਮਾਪਣ ਵਰਗੇ ਨਿਰਧਾਰਨ ਕਾਰਜਾਂ ਨੂੰ ਤੁਹਾਡੇ ਦੁਆਰਾ ਚਲਾਏ ਗਏ ਕੋਡ 'ਤੇ ਛੱਡ ਦਿੱਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਭਾਸ਼ਾ ਮਾਡਲ 'ਤੇ ਨਹੀਂ। ਮਾਡਲ ਨੰਬਰ ਨੂੰ 'ਯਾਦ' ਨਹੀਂ ਕਰਦਾ, ਇਹ ਇੱਕ ਸੰਭਾਵੀ ਮੁੱਲ ਪੈਦਾ ਕਰਦਾ ਹੈ ਅਤੇ ਗਲਤੀ ਹੋ ਸਕਦੀ ਹੈ; ਬਾਇਓਪਾਈਥਨ ਵਰਗੇ ਟੂਲ ਨਾਲ ਗਿਣਤੀ ਕਰਨ ਨਾਲ ਸਹੀ ਅਤੇ ਦੁਬਾਰਾ ਪੈਦਾ ਕਰਨ ਯੋਗ ਨਤੀਜੇ ਮਿਲਦੇ ਹਨ।

2. ਤੁਸੀਂ ਮਾਈਕ੍ਰੋਸਕੋਪ ਚਿੱਤਰ ਵਿੱਚ ਸੈੱਲਾਂ ਦੀ ਗਿਣਤੀ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ ਅਤੇ ਹਰੇਕ ਦੇ ਖੇਤਰ ਨੂੰ ਮਾਪਣਾ ਚਾਹੁੰਦੇ ਹੋ। ਇਸ ਕੰਮ ਲਈ ਸਭ ਤੋਂ ਢੁਕਵੀਂ ਪਹੁੰਚ ਕੀ ਹੈ?

• ਏ) ਸੈਲਪੋਜ਼/ਸਟਾਰਡਿਸਟ ਵਰਗੇ ਮਾਹਰ ਸੈਗਮੈਂਟੇਸ਼ਨ ਟੂਲ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਅਤੇ ਨਤੀਜੇ ਨੂੰ ਹੱਥੀਂ ਤਸਦੀਕ ਕਰਨਾ ✔
• ਅ) ਚਿੱਤਰ ਨੂੰ ਆਮ ਭਾਸ਼ਾ ਮਾਡਲ ਵਿੱਚ ਚਿਪਕਾਓ ਅਤੇ ਪੁੱਛੋ ਕਿ 'ਕਿੰਨੇ ਸੈੱਲ ਹਨ'
• C) ਮਾਡਲ ਨੂੰ ਚਿੱਤਰ ਦਾ ਵਰਣਨ ਕਰੋ ਅਤੇ ਅੰਦਾਜ਼ਨ ਨੰਬਰ ਦੀ ਮੰਗ ਕਰੋ
• ਡੀ) ਬਿਨਾਂ ਕਿਸੇ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਦੇ ਸੈੱਲਾਂ ਦੀ ਸੰਖਿਆ ਵਜੋਂ ਪਿਕਸਲ ਦੀ ਸੰਖਿਆ ਨੂੰ ਸਵੀਕਾਰ ਕਰਨਾ

ਸਪੱਸ਼ਟੀਕਰਨ: ਸੈੱਲ ਸੈਗਮੈਂਟੇਸ਼ਨ ਅਤੇ ਮਾਪ ਆਮ ਭਾਸ਼ਾ ਮਾਡਲ ਦਾ ਡੋਮੇਨ ਨਹੀਂ ਹੈ, ਪਰ ਇਸ ਕੰਮ ਲਈ ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਵਿਸ਼ੇਸ਼ ਚਿੱਤਰ ਮਾਡਲਾਂ (ਸੈੱਲਪੋਜ਼, ਸਟਾਰਡਿਸਟ) ਦਾ ਹੈ। ਭਾਸ਼ਾ ਮਾਡਲ ਕੋਡ ਲਿਖਦਾ ਹੈ ਜੋ ਇਹਨਾਂ ਸਾਧਨਾਂ ਨੂੰ ਕਾਲ ਕਰਦਾ ਹੈ; ਮਾਹਰ ਮਾਡਲ ਮਾਪ ਬਣਾਉਂਦਾ ਹੈ, ਅਤੇ ਜੀਵ-ਵਿਗਿਆਨੀ ਨਤੀਜੇ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ।

3. ਇੱਕ ਗ੍ਰੈਜੂਏਟ ਵਿਦਿਆਰਥੀ ਆਪਣੇ ਥੀਸਿਸ ਦੀ ਜਾਣ-ਪਛਾਣ ਵਿੱਚ ਭਾਸ਼ਾ ਮਾਡਲ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ 8 ਸਰੋਤ ਜੋੜਦਾ ਹੈ। ਸਲਾਹਕਾਰ ਨੇ ਪਾਇਆ ਕਿ ਇਹਨਾਂ ਵਿੱਚੋਂ 3 ਬਿਲਕੁਲ ਮੌਜੂਦ ਨਹੀਂ ਹਨ। ਇਸ ਸਥਿਤੀ ਨੂੰ ਕਿਵੇਂ ਰੋਕਿਆ ਜਾ ਸਕਦਾ ਹੈ?

• ਏ) ਮਾਡਲ ਨੂੰ ਇੱਕ ਵਾਰ ਫਿਰ ਸਰੋਤ ਪੈਦਾ ਕਰਨ ਲਈ ਕਹਿ ਕੇ
• ਅ) DOI ਨਾਲ ਸਿਰਫ ਹਵਾਲੇ ਚੁਣ ਕੇ (ਜੇ DOI ਹੈ, ਤਾਂ ਇਹ ਅਸਲੀ ਹੈ)
• C) ਮਾਡਲ ਨੂੰ 'ਫਿੱਟ' ਕਰਨ ਲਈ ਨਿਰਦੇਸ਼ ਦੇ ਕੇ ਸੂਚੀ ਦੀ ਬੇਨਤੀ ਕਰਨਾ
• D) PubMed/doi.org 'ਤੇ ਹਰੇਕ ਹਵਾਲੇ ਦੀ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਪੁਸ਼ਟੀ ਕਰਨਾ ਅਤੇ ਸਿਰਫ਼ ਉਨ੍ਹਾਂ ਲੇਖਾਂ ਦਾ ਹਵਾਲਾ ਦੇਣਾ ਜੋ ਉਸਨੇ ਪੜ੍ਹਿਆ ਹੈ ✔

ਵਿਆਖਿਆ: ਆਮ ਭਾਸ਼ਾ ਮਾਡਲ ਇੱਕ ਸਾਹਿਤ ਡੇਟਾਬੇਸ ਨਹੀਂ ਹਨ; ਅਸਲ ਰਿਕਾਰਡਾਂ ਦੀ ਖੋਜ ਕਰਨ ਦੀ ਬਜਾਏ, ਇਹ ਯਥਾਰਥਵਾਦੀ-ਸਾਊਂਡਿੰਗ ਐਟ੍ਰਬ੍ਯੂਸ਼ਨ (ਫੈਬਰੀਕੇਟਿਡ ਐਟ੍ਰਬ੍ਯੂਸ਼ਨ) ਨੂੰ 'ਜਨਰੇਟ' ਕਰਦਾ ਹੈ। ਹਰੇਕ ਬਾਈਲਾਈਨ ਅਤੇ DOI ਦੀ ਵਰਤੋਂ PubMed/doi.org ਵਰਗੇ ਸਰੋਤਾਂ ਵਿੱਚ ਸੁਤੰਤਰ ਪੁਸ਼ਟੀ ਤੋਂ ਬਿਨਾਂ ਨਹੀਂ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਅਤੇ ਸਿਰਫ਼ ਉਹਨਾਂ ਲੇਖਾਂ ਦਾ ਹਵਾਲਾ ਦਿੱਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਜੋ ਅਸਲ ਵਿੱਚ ਪੜ੍ਹੇ ਗਏ ਹਨ।

4. ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੁਆਰਾ ਲਿਖੇ ਡੇਟਾ ਕਲੀਨਿੰਗ ਕੋਡ ਦੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਦਾ ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਤਰੀਕਾ ਕੀ ਹੈ?

• A) ਜੇਕਰ ਕੋਡ ਗਲਤੀਆਂ ਤੋਂ ਬਿਨਾਂ ਕੰਮ ਕਰਦਾ ਹੈ, ਤਾਂ ਇਸਨੂੰ ਸਹੀ ਮੰਨੋ।
• ਅ) ਇੱਕ ਛੋਟੇ ਜਾਣੇ-ਪਛਾਣੇ ਨਮੂਨੇ ਦੇ ਨਾਲ ਨਤੀਜੇ ਦੀ ਜਾਂਚ ਕਰਨਾ ਅਤੇ ਦਾਅਵੇ ਨਾਲ ਉਮੀਦ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨਾ ✔
• C) ਮਾਡਲ ਨੂੰ ਪੁੱਛੋ 'ਕੀ ਕੋਡ ਸਹੀ ਹੈ?' ਪੁੱਛਣਾ ਅਤੇ ਜਵਾਬ 'ਹਾਂ' 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ
• ਡੀ) ਕੋਡ ਨੂੰ ਕਈ ਵਾਰ ਚਲਾਓ ਅਤੇ ਹਰ ਵਾਰ ਇੱਕੋ ਆਉਟਪੁੱਟ ਪ੍ਰਾਪਤ ਕਰੋ

ਟਿੱਪਣੀ: ਕੋਡ ਗਲਤੀ ਤੋਂ ਬਿਨਾਂ ਕੰਮ ਕਰਨ ਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਹੈ ਕਿ ਇਹ ਸਹੀ ਹੈ; 'ਗਲਤ ਕੋਡ ਬਿਨਾਂ ਗਲਤੀਆਂ ਦੇ ਕੰਮ ਕਰਦਾ ਹੈ' ਜੀਵ ਵਿਗਿਆਨ ਵਿੱਚ ਸਭ ਤੋਂ ਖਤਰਨਾਕ ਸਥਿਤੀ ਹੈ। ਇੱਕ ਛੋਟੇ ਨਮੂਨੇ ਨਾਲ ਟੈਸਟ ਕਰਨਾ ਜਿਸਦਾ ਨਤੀਜਾ ਤੁਸੀਂ ਪਹਿਲਾਂ ਤੋਂ ਜਾਣਦੇ ਹੋ ਅਤੇ ਕੋਡ ਵਿੱਚ ਉਮੀਦ ਨੂੰ ਜ਼ੋਰ ਦੇ ਨਾਲ ਜੋੜਨਾ ਚੁੱਪ ਗਲਤ ਨਤੀਜਿਆਂ ਦੇ ਵਿਰੁੱਧ ਸਭ ਤੋਂ ਮਜ਼ਬੂਤ ​​ਢਾਲ ਹੈ।

5. ਇੱਕ RNA-seq ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ, 20,000 ਜੀਨਾਂ ਦੀ ਜਾਂਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਅਤੇ 3,800 ਜੀਨ ਬਿਨਾਂ ਸੁਧਾਰ ਦੇ p<0.05 ਦੇ ਨਾਲ 'ਮਹੱਤਵਪੂਰਨ' ਪਾਏ ਜਾਂਦੇ ਹਨ। ਇਸ ਸਿੱਟੇ ਨਾਲ ਮੁੱਖ ਸਮੱਸਿਆ ਕੀ ਹੈ?

• ਏ) ਨਮੂਨਿਆਂ ਦੀ ਗਿਣਤੀ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹੈ, ਇਸ ਨੂੰ ਘਟਾਇਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ
• ਅ) p ਥ੍ਰੈਸ਼ਹੋਲਡ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹੈ, 0.10 ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ
• C) ਮਲਟੀਪਲ ਤੁਲਨਾ ਸੁਧਾਰ (FDR) ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਸੀ; ਬਹੁਤ ਸਾਰੇ ਝੂਠੇ ਸਕਾਰਾਤਮਕ ਹਨ ✔
• ਡੀ) ਜੀਨਾਂ ਦੀ ਬਜਾਏ ਨਮੂਨਿਆਂ ਦੀ ਜਾਂਚ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਸੀ

ਵਿਆਖਿਆ: ਜਦੋਂ ਤੁਸੀਂ ਇੱਕੋ ਸਮੇਂ ਹਜ਼ਾਰਾਂ ਜੀਨਾਂ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹੋ, ਤਾਂ ਕਈ ਜੀਨ ਸੰਜੋਗ ਨਾਲ 'ਮਹੱਤਵਪੂਰਣ' ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ, ਭਾਵੇਂ ਕੋਈ ਅਸਲ ਅੰਤਰ ਨਾ ਹੋਵੇ; ਇਸ ਨੂੰ ਮਲਟੀਪਲ ਤੁਲਨਾ ਸਮੱਸਿਆ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਹੱਲ ਇਹ ਹੈ ਕਿ ਬੈਂਜਾਮਿਨੀ-ਹੋਚਬਰਗ ਵਰਗੀ ਵਿਧੀ ਨਾਲ FDR (ਗਲਤ ਖੋਜ ਦਰ) ਸੁਧਾਰ ਨੂੰ ਲਾਗੂ ਕਰਨਾ; ਸੁਧਾਰ ਦੇ ਨਾਲ, ਸੂਚੀ ਆਮ ਤੌਰ 'ਤੇ ਦਸਾਂ ਤੋਂ ਕੁਝ ਸੌ ਜੀਨਾਂ ਤੱਕ ਘਟ ਜਾਂਦੀ ਹੈ।

6. ਇੱਕ BLAST ਨਤੀਜੇ ਵਿੱਚ ਸਭ ਤੋਂ ਵਧੀਆ ਮੈਚ ਦਾ ਈ-ਮੁੱਲ 2.0 ਹੈ। ਇਸਦਾ ਕੀ ਮਤਲਬ ਹੈ?

• ਏ) ਮੈਚ ਬੇਤਰਤੀਬ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਹੈ; ✔ ਭਰੋਸੇਯੋਗ ਮੈਚ ਨਹੀਂ ਹੈ
• ਅ) ਜੋੜ ਬਹੁਤ ਮਜ਼ਬੂਤ ਹੈ; ਈ-ਮੁੱਲ ਜਿੰਨਾ ਵੱਡਾ ਹੋਵੇਗਾ, ਉੱਨਾ ਹੀ ਵਧੀਆ
• C) ਕ੍ਰਮ 2% ਦੀ ਦਰ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ
• D) ਦੋ ਕ੍ਰਮਾਂ ਵਿੱਚ ਇੱਕ 2 ਅਧਾਰ ਅੰਤਰ ਹੈ

ਵਿਆਖਿਆ: ਈ-ਮੁੱਲ ਬੇਤਰਤੀਬ ਹੋਣ ਦੀ ਉਮੀਦ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ; ਛੋਟਾ ਹੋਣਾ ਬਿਹਤਰ ਹੈ। 1 ਤੋਂ ਵੱਧ ਈ-ਮੁੱਲ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਮੈਚ ਬੇਤਰਤੀਬ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਹੈ। ਭਰੋਸੇਮੰਦ ਮੈਚਾਂ ਲਈ, ਆਮ ਤੌਰ 'ਤੇ e <1e-5 ਵਰਗੀਆਂ ਬਹੁਤ ਛੋਟੀਆਂ ਥ੍ਰੈਸ਼ਹੋਲਡਾਂ ਦੀ ਮੰਗ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।

7. ਇੱਕ ਅਲਫਾਫੋਲਡ ਮਾਡਲ ਵਿੱਚ, ਪ੍ਰੋਟੀਨ ਦਾ ਟਰਮੀਨਲ ਖੇਤਰ ਇੱਕ ਘੱਟ pLDDT ਸਕੋਰ (<50) ਦਿਖਾਉਂਦਾ ਹੈ। ਇਸ ਖੇਤਰ ਦੀ ਵਿਆਖਿਆ ਕਿਵੇਂ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ?

• ਏ) ਅਲਫਾਫੋਲਡ ਨੇ ਇਸ ਖੇਤਰ ਵਿੱਚ ਇੱਕ ਗਲਤੀ ਕੀਤੀ, ਖੇਤਰ ਨੂੰ ਵਿਸ਼ਲੇਸ਼ਣ ਤੋਂ ਹਟਾ ਦਿੱਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ
• ਅ) ਇਹ ਖੇਤਰ ਯਕੀਨੀ ਤੌਰ 'ਤੇ ਇੱਕ ਅਲਫ਼ਾ ਹੈਲਿਕਸ ਹੈ
• C) ਮਾਡਲ ਪੂਰੀ ਤਰ੍ਹਾਂ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਹੈ, ਢਾਂਚੇ ਦੀ ਵਰਤੋਂ ਨਹੀਂ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ
• D) ਖੇਤਰ ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਅਨਿਯਮਿਤ/ਲਚਕੀਲਾ ਹੈ; 'ਗਲਤ' ਦੀ ਬਜਾਏ 'ਅਸਪਸ਼ਟ' ਵਜੋਂ ਵਿਆਖਿਆ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ ✔

ਵਰਣਨ: pLDDT ਹਰੇਕ ਅਮੀਨੋ ਐਸਿਡ ਲਈ ਸਥਾਨਕ ਭਰੋਸੇ ਦਾ ਸਕੋਰ ਹੈ; 50 ਤੋਂ ਹੇਠਾਂ ਦੇ ਮੁੱਲ ਅਕਸਰ ਸੱਚਮੁੱਚ ਅਨਿਯਮਿਤ (ਲਚਕੀਲੇ, ਗੈਰ-ਸਥਿਰ) ਖੇਤਰਾਂ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ। ਇਹਨਾਂ ਖੇਤਰਾਂ ਨੂੰ 'ਗਲਤ ਅਨੁਮਾਨਾਂ' ਵਜੋਂ ਆਪਣੇ ਆਪ ਮਿਟਾਉਣਾ ਗਲਤ ਹੈ; ਘੱਟ ਸਕੋਰ ਨੂੰ 'ਅਨਿਸ਼ਚਿਤ/ਲਚਕੀਲੇ' ਵਜੋਂ ਪੜ੍ਹਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਇਸਦੀ ਜੈਵਿਕ ਮਹੱਤਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।

8. ਇੱਕ ਖੋਜਕਰਤਾ ਸੈੱਲ ਖੇਤਰਾਂ ਦੀ ਸਿਰਫ ਪਿਕਸਲ ਵਿੱਚ ਰਿਪੋਰਟ ਕਰਦਾ ਹੈ ਅਤੇ ਨਤੀਜੇ ਸਾਹਿਤ ਦੇ ਨਾਲ ਅਸੰਗਤ ਹਨ। ਗੁੰਮ ਕਦਮ ਕੀ ਹੈ?

• ਏ) ਵਧੇਰੇ ਸੈੱਲਾਂ ਦੀ ਗਿਣਤੀ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ
• ਅ) ਸਕੇਲ ਕੈਲੀਬ੍ਰੇਸ਼ਨ (ਪਿਕਸਲ-ਤੋਂ-ਮਾਈਕ੍ਰੋਮੀਟਰ ਪਰਿਵਰਤਨ) ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਸੀ, ਨਤੀਜੇ ਭੌਤਿਕ ਇਕਾਈਆਂ ਵਿੱਚ ਨਹੀਂ ਬਦਲੇ ਗਏ ਸਨ ✔
• C) ਸੈਗਮੈਂਟੇਸ਼ਨ ਟੂਲ ਨੂੰ ਗਲਤ ਤਰੀਕੇ ਨਾਲ ਚੁਣਿਆ ਗਿਆ ਸੀ
• D) ਚਿੱਤਰ ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹੈ

ਵਿਆਖਿਆ: ਚਿੱਤਰ ਤੋਂ ਭੌਤਿਕ ਆਕਾਰ ਕੱਢਣ ਲਈ ਸਕੇਲ ਕੈਲੀਬ੍ਰੇਸ਼ਨ (ਪ੍ਰਤੀ ਪਿਕਸਲ ਕਿੰਨੇ ਮਾਈਕ੍ਰੋਮੀਟਰ) ਜ਼ਰੂਰੀ ਹੈ। ਜੇਕਰ ਇਹ ਕਦਮ ਛੱਡ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ ਤਾਂ ਮਾਈਕ੍ਰੋਸਕੋਪ ਸੈਟਿੰਗ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹੋਏ, ਮੁੱਲ ਬੇਮਿਸਾਲ ਰਹਿੰਦੇ ਹਨ। ਖੇਤਰਾਂ ਨੂੰ ਭੌਤਿਕ ਇਕਾਈਆਂ ਵਿੱਚ ਬਦਲਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਜਿਵੇਂ ਕਿ ਵਰਗ ਮਾਈਕ੍ਰੋਮੀਟਰ।

9. ਇੱਕ ਵਿਦਿਆਰਥੀ ਇੱਕ ਮਾਊਸ ਤੋਂ 10 ਟਿਸ਼ੂ ਨਮੂਨੇ ਲੈਂਦਾ ਹੈ ਅਤੇ ਅੰਕੜਿਆਂ ਵਿੱਚ 'n=10' ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਇਹ ਗਲਤ ਕਿਉਂ ਹੈ?

• A) ਅੰਕੜਿਆਂ ਲਈ 10 ਨਮੂਨੇ ਬਹੁਤ ਘੱਟ ਹਨ, ਘੱਟੋ-ਘੱਟ 30 ਦੀ ਲੋੜ ਹੈ
• ਅ) ਵੱਖ-ਵੱਖ ਅੰਗਾਂ ਤੋਂ ਟਿਸ਼ੂ ਦੇ ਨਮੂਨੇ ਲਏ ਜਾਣੇ ਸਨ
• C) ਇਹ 10 ਉਦਾਹਰਣਾਂ ਤਕਨੀਕੀ ਦੁਹਰਾਓ ਹਨ; ਜੀਵ-ਵਿਗਿਆਨਕ n ਅਜੇ ਵੀ 1 ਹੈ, ਇਹ ਅਖੌਤੀ ਦੁਹਰਾਓ ਹੈ ✔
• ਡੀ) ਨਮੂਨੇ ਅਵੈਧ ਹਨ ਕਿਉਂਕਿ ਉਹ ਉਸੇ ਦਿਨ ਲਏ ਗਏ ਸਨ

ਵਿਆਖਿਆ: ਇੱਕੋ ਵਿਅਕਤੀ ਤੋਂ ਦੁਹਰਾਏ ਗਏ ਮਾਪ ਤਕਨੀਕੀ ਦੁਹਰਾਓ ਹਨ; ਜਿੱਥੇ ਅੰਕੜਾ n ਜੈਵਿਕ ਇਕਾਈਆਂ ਦੀ ਸੰਖਿਆ ਹੈ (ਇੱਥੇ ਚੂਹੇ)। ਤਕਨੀਕੀ ਦੁਹਰਾਓ ਨੂੰ ਜੈਵਿਕ (ਸੂਡੋਰਿਪਲੀਕੇਸ਼ਨ) ਵਜੋਂ ਮੰਨਣਾ ਗਲਤ ਮਹੱਤਤਾ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਸਹੀ ਡਿਜ਼ਾਈਨ ਦਾ ਮਤਲਬ ਹੈ ਕਈ ਵਿਅਕਤੀਆਂ ਨਾਲ ਕੰਮ ਕਰਨਾ।

10. ਇੱਕ ਵਿਸ਼ਲੇਸ਼ਣ ਮਿਲਿਆ p=0.03। ਇਸ ਮੁੱਲ ਦੀ ਸਹੀ ਵਿਆਖਿਆ ਕੀ ਹੈ?

• A) ਇਸ ਜਾਂ ਇਸ ਤੋਂ ਵੱਧ ਗੰਭੀਰ ਨਤੀਜੇ ਦੇਖਣ ਦੀ 3% ਸੰਭਾਵਨਾ ਹੈ ਜਦੋਂ ਅਸਲ ਵਿੱਚ ਕੋਈ ਅੰਤਰ ਨਹੀਂ ਹੁੰਦਾ ✔
• ਅ) ਪ੍ਰਭਾਵ ਦੇ ਅਸਲ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ 97% ਹੈ
• C) ਨਲ ਪਰਿਕਲਪਨਾ ਦੇ ਸਹੀ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ 3% ਹੈ
• ਡੀ) ਨਤੀਜਾ 97% ਦੁਹਰਾਇਆ ਜਾ ਸਕਦਾ ਹੈ

ਵਿਆਖਿਆ: p-ਮੁੱਲ 'ਸੰਭਾਵਨਾ ਕਿ ਪਰਿਕਲਪਨਾ ਸੱਚ ਹੈ' ਜਾਂ 'ਸੰਭਾਵਨਾ ਕਿ ਪ੍ਰਭਾਵ ਸੱਚ ਹੈ' ਨਹੀਂ ਹੈ। p-ਮੁੱਲ ਕਿਸੇ ਅੰਤਰ ਨੂੰ ਦੇਖਣ ਦੀ ਸੰਭਾਵਨਾ ਹੈ ਜਾਂ ਉਸ ਤੋਂ ਵੱਧ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹੈ ਜਦੋਂ ਅਸਲ ਵਿੱਚ ਕੋਈ ਅੰਤਰ ਨਹੀਂ ਹੁੰਦਾ ਹੈ। ਇਸ ਲਈ p=0.03 ਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਹੈ ਕਿ 'ਪ੍ਰਭਾਵ 97% ਅਸਲੀ ਹੈ'; ਨਤੀਜਿਆਂ ਦਾ ਮੁਲਾਂਕਣ ਪ੍ਰਭਾਵ ਦੇ ਆਕਾਰ ਅਤੇ ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ ਦੁਆਰਾ ਵੀ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।

11. ਇੱਕ ਪ੍ਰਸਤੁਤੀ ਵਿੱਚ, y-ਧੁਰੇ ਨੂੰ 95-100 ਰੇਂਜ ਵਿੱਚ ਸੰਕੁਚਿਤ ਕਰਕੇ ਦੋ ਸਮੂਹਾਂ ਵਿੱਚ ਇੱਕ 3% ਅੰਤਰ ਨੂੰ ਵਿਸ਼ਾਲ ਦਿਖਾਇਆ ਗਿਆ ਹੈ। ਇਹ ਕਿਸ ਦੀ ਮਿਸਾਲ ਹੈ?

• ਏ) ਇੱਕ ਚੰਗੀ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਤਕਨੀਕ; ਫਰਕ ਨੂੰ ਉਜਾਗਰ ਕਰਦਾ ਹੈ
• ਅ) ਕਲਰ ਬਲਾਇੰਡ ਦੋਸਤਾਨਾ ਪੈਲੇਟ ਸਮੱਸਿਆ
• C) ਇੱਕ ਸਵੀਕਾਰਯੋਗ ਸ਼ੈਲੀ ਦੀ ਚੋਣ
• D) ਇੱਕ ਗੁੰਮਰਾਹਕੁੰਨ ਅਤੇ ਬੇਈਮਾਨ ਚਾਰਟ ਜੋ ਕੱਟੇ ਹੋਏ ਧੁਰੇ ਨਾਲ ਅੰਤਰ ਨੂੰ ਵਧਾ-ਚੜ੍ਹਾ ਕੇ ਪੇਸ਼ ਕਰਦਾ ਹੈ ✔

ਵਿਆਖਿਆ: ਜ਼ੀਰੋ (ਕੱਟੇ ਹੋਏ ਧੁਰੇ) ਤੋਂ ਧੁਰੇ ਨੂੰ ਸ਼ੁਰੂ ਨਾ ਕਰਨਾ ਇੱਕ ਛੋਟੇ ਜਿਹੇ ਅੰਤਰ ਨੂੰ ਦ੍ਰਿਸ਼ਟੀਗਤ ਤੌਰ 'ਤੇ ਵਧਾ-ਚੜ੍ਹਾ ਕੇ ਦਰਸ਼ਕ ਨੂੰ ਗੁੰਮਰਾਹ ਕਰਦਾ ਹੈ। ਇਹ ਇਮਾਨਦਾਰੀ ਦੇ ਸਿਧਾਂਤ ਦੀ ਉਲੰਘਣਾ ਹੈ; ਖਾਸ ਕਰਕੇ ਬਾਰ ਚਾਰਟ ਵਿੱਚ, ਧੁਰਾ ਜ਼ੀਰੋ ਤੋਂ ਸ਼ੁਰੂ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਅੰਤਰ ਨੂੰ ਇਸਦੇ ਅਸਲ ਆਕਾਰ ਨਾਲ ਦਿਖਾਇਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।

12. ਇੱਕ ਖੋਜਕਰਤਾ ਇਸ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਇੱਕ ਜਨਤਕ ਭਾਸ਼ਾ ਮਾਡਲ ਵਿੱਚ ਅਗਿਆਤ ਮਰੀਜ਼ ਦੇ ਐਕਸੋਮ ਡੇਟਾ ਨੂੰ ਜੋ ਉਹ ਸੋਚਦਾ ਹੈ ਪੇਸਟ ਕਰਦਾ ਹੈ। ਇਹ ਵਿਵਹਾਰ ਸਮੱਸਿਆ ਵਾਲਾ ਕਿਉਂ ਹੈ?

• ਏ) ਕੋਈ ਸਮੱਸਿਆ ਨਹੀਂ ਹੈ; ਡਾਟਾ ਸਾਂਝਾ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਜੇ ਅਗਿਆਤ ਹੈ
• B) ਇੱਕ ਖੁੱਲ੍ਹੇ ਮਾਡਲ ਨੂੰ ਸੰਵੇਦਨਸ਼ੀਲ ਮਰੀਜ਼ ਡੇਟਾ ਪ੍ਰਦਾਨ ਕਰਨਾ ਗੋਪਨੀਯਤਾ ਅਤੇ ਨੈਤਿਕ/ਕਾਨੂੰਨੀ (KVKK/GDPR) ਦੀ ਉਲੰਘਣਾ ਹੈ ਅਤੇ ਇਸਨੂੰ ਉਲਟਾ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ✔
• C) ਇਹ ਸਿਰਫ ਇਸ ਲਈ ਸਮੱਸਿਆ ਹੈ ਕਿਉਂਕਿ ਵਿਸ਼ਲੇਸ਼ਣ ਹੌਲੀ ਹੋਵੇਗਾ
• ਡੀ) ਮਾਡਲ ਸਮੱਸਿਆ ਵਾਲਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਡੇਟਾ ਨੂੰ ਨਹੀਂ ਸਮਝ ਸਕਦਾ

ਵਰਣਨ: ਮਰੀਜ਼ ਦਾ ਜੈਨੇਟਿਕ/ਕਲੀਨਿਕਲ ਡੇਟਾ ਬਹੁਤ ਸੰਵੇਦਨਸ਼ੀਲ ਹੁੰਦਾ ਹੈ; ਇੱਥੋਂ ਤੱਕ ਕਿ ਅਗਿਆਤ ਸਮਝੇ ਜਾਂਦੇ ਜੀਨੋਮਿਕ ਡੇਟਾ ਦੀ ਵੀ ਮੁੜ ਪਛਾਣ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਇੱਕ ਜਨਤਕ ਮਾਡਲ ਨੂੰ ਇਹ ਡੇਟਾ ਪ੍ਰਦਾਨ ਕਰਨਾ KVKK/GDPR ਅਤੇ ਨੈਤਿਕਤਾ ਕਮੇਟੀ (IRB) ਦੀਆਂ ਮਨਜ਼ੂਰੀਆਂ ਦੀ ਉਲੰਘਣਾ ਕਰਦਾ ਹੈ ਅਤੇ ਗੋਪਨੀਯਤਾ ਦੀ ਇੱਕ ਅਟੱਲ ਉਲੰਘਣਾ ਹੈ। ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ ਨੂੰ ਸਥਾਨਕ/ਸੁਰੱਖਿਅਤ, ਇਕਰਾਰਨਾਮੇ ਵਾਲੇ ਵਾਤਾਵਰਣ ਵਿੱਚ ਸੰਸਾਧਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।

13. ਇੱਕ ਅਧਿਐਨ ਵਿੱਚ, ਉਹਨਾਂ ਨੇ ਸੋਚਿਆ ਕਿ 'ਮਰੀਜ਼ ਬਨਾਮ ਨਿਯੰਤਰਣ' ਦਾ ਅੰਤਰ ਅਸਲ ਵਿੱਚ ਦੋ ਵੱਖ-ਵੱਖ ਦਿਨਾਂ 'ਤੇ ਨਮੂਨਿਆਂ ਦੀ ਪ੍ਰਕਿਰਿਆ ਦੇ ਕਾਰਨ ਸੀ। ਇਸ ਸਥਿਤੀ ਨੂੰ ਕੀ ਕਿਹਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਇਸ ਨਾਲ ਕਿਵੇਂ ਨਜਿੱਠਿਆ ਜਾਂਦਾ ਹੈ?

• ਏ) ਇਹ ਬਾਹਰੀ ਪ੍ਰਭਾਵ ਹੈ; ਬਿੰਦੀਆਂ ਨੂੰ ਮਿਟਾਉਣਾ ਚਾਹੀਦਾ ਹੈ
• ਅ) ਇਹ ਸਧਾਰਣਕਰਨ ਦੀ ਘਾਟ ਹੈ; ਸਿਰਫ ਸਕੇਲ ਸੁਧਾਰ ਹੀ ਕਾਫੀ ਹੈ
• C) ਇਹ ਬੈਚ ਪ੍ਰਭਾਵ ਹੈ; ਡਿਜ਼ਾਈਨ ਵਿੱਚ ਸੰਤੁਲਿਤ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਇੱਕ ਬੈਚ ਵੇਰੀਏਬਲ ਦੇ ਰੂਪ ਵਿੱਚ ਮਾਡਲ ਵਿੱਚ ਜੋੜਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ✔
• ਡੀ) ਪੀ-ਹੈਕਿੰਗ; ਟੈਸਟ ਬਦਲਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ

ਵਿਆਖਿਆ: ਨਮੂਨਾ ਬੈਚ/ਪ੍ਰੋਸੈਸਿੰਗ ਦਿਨ ਦੇ ਕਾਰਨ ਤਕਨੀਕੀ ਅੰਤਰ ਨੂੰ ਬੈਚ ਪ੍ਰਭਾਵ ਕਿਹਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਜੈਵਿਕ ਅੰਤਰ ਨਾਲ ਉਲਝਣ ਵਿੱਚ ਪਾਇਆ ਜਾ ਸਕਦਾ ਹੈ। ਸਹੀ ਪਹੁੰਚ ਡਿਜ਼ਾਇਨ ਵਿੱਚ ਬੈਚਾਂ ਨੂੰ ਸੰਤੁਲਿਤ ਕਰਨਾ ਹੈ ਅਤੇ ਬੈਚ ਵੇਰੀਏਬਲ ਨੂੰ ਅੰਕੜਾ ਮਾਡਲ (ਜਿਵੇਂ ਕਿ '~ ਬੈਚ + ਕੰਡੀਸ਼ਨ') ਵਿੱਚ ਜੋੜਨਾ ਹੈ, ਇਸ ਤਰ੍ਹਾਂ ਤਕਨੀਕੀ ਸਿਗਨਲ ਨੂੰ ਜੈਵਿਕ ਸਿਗਨਲ ਤੋਂ ਵੱਖ ਕਰਨਾ ਹੈ।

14. ਤੁਸੀਂ ਇੱਕ DNA ਕ੍ਰਮ ਦੇ GC ਅਨੁਪਾਤ ਦੀ ਗਣਨਾ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ। ਸਹੀ ਅਤੇ ਦੁਹਰਾਉਣ ਯੋਗ ਪਹੁੰਚ ਕਿਹੜੀ ਹੈ?

• ਏ) ਉਹ ਕੋਡ ਪ੍ਰਿੰਟ ਕਰੋ ਜੋ ਬਾਇਓਪਾਈਥਨ ਨਾਲ GC ਰੇਟ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ, ਇਸਨੂੰ ਚਲਾਓ ਅਤੇ ਆਉਟਪੁੱਟ ਦੀ ਵਰਤੋਂ ਕਰੋ ✔
• ਅ) ਮਾਡਲ ਨੂੰ ਕ੍ਰਮ ਦਿਓ ਅਤੇ ਇਸਨੂੰ ਜ਼ੁਬਾਨੀ ਤੌਰ 'ਤੇ GC ਦਰ ਦੱਸਣ ਲਈ ਕਹੋ
• C) ਕਿਸੇ ਹੋਰ ਮਾਡਲ ਦੁਆਰਾ ਮਾਡਲ ਦੁਆਰਾ ਦਿੱਤੇ ਅਨੁਪਾਤ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨਾ
• ਡੀ) ਲੜੀ ਦੇ ਪਹਿਲੇ 100 ਅੱਖਰਾਂ ਨੂੰ ਵੇਖਣਾ ਅਤੇ ਅੱਖਾਂ ਦੁਆਰਾ ਅਨੁਮਾਨ ਲਗਾਉਣਾ

ਵਿਆਖਿਆ: GC ਦਰ ਇੱਕ ਨਿਰਣਾਇਕ ਗਣਨਾ ਹੈ; ਉਸ ਕੋਡ 'ਤੇ ਆਧਾਰਿਤ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਜੋ ਐਰੇ 'ਤੇ ਪ੍ਰਕਿਰਿਆ ਕਰਦਾ ਹੈ, ਨਾ ਕਿ ਉਸ ਮੁੱਲ 'ਤੇ ਜੋ ਭਾਸ਼ਾ ਮਾਡਲ 'ਯਾਦ ਰੱਖਦਾ ਹੈ'। ਮਾਡਲ ਨੂੰ ਇਸਦੀ ਗਣਨਾ ਕਰਨ ਦੀ ਬਜਾਏ, ਬਾਇਓਪਾਈਥਨ ਵਰਗੇ ਟੂਲ ਨਾਲ ਗਣਨਾ ਕਰਨ ਵਾਲੇ ਕੋਡ ਨੂੰ ਛਾਪਣਾ ਅਤੇ ਇਸਨੂੰ ਆਪਣੇ ਆਪ ਚਲਾਉਣਾ ਇੱਕ ਸਹੀ ਆਉਟਪੁੱਟ ਪ੍ਰਦਾਨ ਕਰੇਗਾ ਜੋ ਹਰ ਵਾਰ ਜਦੋਂ ਤੁਸੀਂ ਇਸਨੂੰ ਚਲਾਉਂਦੇ ਹੋ ਤਾਂ ਉਹੀ ਨਤੀਜਾ ਦਿੰਦਾ ਹੈ।