ਲਾਭ:
- ਸੰਵੇਦੀ ਪੈਨਲ ਕਿਸਮਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਦੀ ਸਮਰੱਥਾ, ਹੇਡੋਨਿਕ/ਵੇਰਨਾਤਮਕ ਟੈਸਟਿੰਗ ਅਤੇ ਪੈਨਲਿਸਟ ਭਰੋਸੇਯੋਗਤਾ
- ਏਆਈ ਨਾਲ ਸੰਵੇਦੀ ਡੇਟਾ ਸੰਖੇਪ, ਥੀਮ ਕੱਢਣ ਅਤੇ ਅੰਕੜਾ ਵਿਆਖਿਆ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਕੱਚੇ ਪੈਨਲ ਡੇਟਾ ਅਤੇ ਅਜ਼ਮਾਇਸ਼ ਡਿਜ਼ਾਈਨ ਦੇ ਨਾਲ AI ਦੀ ਅੰਕੜਾ ਵਿਆਖਿਆ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
ਤੁਸੀਂ ਇੱਕ ਨਵੇਂ ਵਿਕਸਤ ਘੱਟ ਚੀਨੀ ਵਾਲੇ ਫਲ ਦਹੀਂ ਲਈ ਖੋਜ ਅਤੇ ਵਿਕਾਸ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਵਿੱਚ ਹੋ। ਮਾਰਕੀਟਿੰਗ ਟੀਮ ਪੁੱਛਦੀ ਹੈ "ਕੀ ਖਪਤਕਾਰਾਂ ਨੂੰ ਇਹ ਪਸੰਦ ਹੈ?" ਉਹ ਪੁੱਛਦਾ ਹੈ, ਅਤੇ ਉਤਪਾਦਨ ਪੁੱਛਦਾ ਹੈ, "ਕੀ ਇਸਨੂੰ ਸੰਦਰਭ ਉਤਪਾਦ ਤੋਂ ਵੱਖ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ?" ਉਹ ਹੈਰਾਨ ਹੈ। ਉਸ ਕੋਲ 60 ਉਪਭੋਗਤਾ ਪੈਨਲਿਸਟਾਂ ਦੁਆਰਾ ਭਰੇ ਗਏ 9-ਪੁਆਇੰਟ ਹੇਡੋਨਿਕ ਫਾਰਮ ਹਨ, ਇੱਕ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ 8-ਵਿਅਕਤੀ ਦੇ ਵਰਣਨਸ਼ੀਲ ਪੈਨਲ ਤੋਂ QDA ਸਕੋਰ, ਅਤੇ ਇੱਕ ਤਿਕੋਣ ਭੇਦਭਾਵ ਟੈਸਟ ਦੇ ਨਤੀਜੇ ਹਨ। Excel ਵਿੱਚ ਕੱਚੇ ਸਕੋਰਾਂ ਦੀਆਂ ਸੈਂਕੜੇ ਕਤਾਰਾਂ, ਨਾਲ ਹੀ ਹਰੇਕ ਪੈਨਲਿਸਟ ਲਈ ਇੱਕ ਓਪਨ-ਐਂਡ ਟਿੱਪਣੀ ਬਾਕਸ। ਇਹ ਇੱਕ AI ਸਹਾਇਕ ਨੂੰ ਪੁੱਛਣ ਲਈ ਪਰਤਾਏ ਜਾਪਦਾ ਹੈ "ਇਸ ਡੇਟਾ ਨੂੰ ਸੰਖੇਪ ਕਰੋ, ਕੀ ਖਪਤਕਾਰਾਂ ਨੂੰ ਇਹ ਪਸੰਦ ਹੈ?" ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ ਅਧਿਐਨ ਕਰਾਂਗੇ ਕਿ ਸੰਵੇਦੀ ਡੇਟਾ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਕਿਵੇਂ ਪੜ੍ਹਨਾ ਹੈ, ਸੰਖੇਪ ਅਤੇ ਥੀਮ ਕੱਢਣ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰੋ, ਅਤੇ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ, ਕੱਚੇ ਪੈਨਲ ਡੇਟਾ ਅਤੇ ਟ੍ਰਾਇਲ ਡਿਜ਼ਾਈਨ ਦੇ ਨਾਲ AI ਦੀ ਅੰਕੜਾ ਵਿਆਖਿਆ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰੋ।
ਸੰਵੇਦੀ ਟੈਸਟ ਦੀਆਂ ਕਿਸਮਾਂ: ਸਹੀ ਟੈਸਟ ਨਾਲ ਸਹੀ ਸਵਾਲ ਪੁੱਛੋ
ਸੰਵੇਦੀ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਸਭ ਤੋਂ ਆਮ ਗਲਤੀ ਪ੍ਰਸ਼ਨ ਦੀ ਕਿਸਮ ਨੂੰ ਟੈਸਟ ਦੀ ਕਿਸਮ ਨਾਲ ਉਲਝਾਉਣਾ ਹੈ। ਇੱਥੇ ਤਿੰਨ ਵੱਡੇ ਪਰਿਵਾਰ ਹਨ ਅਤੇ ਹਰ ਇੱਕ ਵੱਖਰੇ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦਿੰਦਾ ਹੈ।
- ਹੇਡੋਨਿਕ (ਪ੍ਰਭਾਵੀ) ਟੈਸਟ: "ਇਹ ਕਿੰਨਾ ਪਸੰਦ ਕੀਤਾ ਗਿਆ ਸੀ?" ਸਵਾਲ ਦਾ ਜਵਾਬ ਦਿੰਦਾ ਹੈ। ਕਲਾਸਿਕ ਯੰਤਰ 9-ਪੁਆਇੰਟ ਹੈਡੋਨਿਕ ਸਕੇਲ ਹੈ (1 = ਬਹੁਤ ਨਾਪਸੰਦ, 5 = ਨਾ ਪਸੰਦ ਅਤੇ ਨਾ ਹੀ ਨਾਪਸੰਦ, 9 = ਬਹੁਤ ਪਸੰਦ ਕੀਤਾ ਗਿਆ)। ਪੈਨਲ ਦੇ ਮੈਂਬਰ ਅਨਪੜ੍ਹ ਖਪਤਕਾਰ ਹਨ; ਟੀਚਾ ਸਵੀਕ੍ਰਿਤੀ/ਤਰਜੀਹ ਨੂੰ ਮਾਪਣਾ ਹੈ। ਆਮ ਤੌਰ 'ਤੇ, 50-100 ਲੋਕਾਂ ਦੇ ਪੈਨਲ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ.
- ਵਰਣਨਾਤਮਕ ਟੈਸਟ (QDA): "ਉਤਪਾਦ ਵਿੱਚ ਕਿਹੜੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਹਨ ਅਤੇ ਕਿਹੜੀ ਤੀਬਰਤਾ ਵਿੱਚ?" ਸਵਾਲ ਦਾ ਜਵਾਬ ਦਿੰਦਾ ਹੈ। 8-12 ਲੋਕਾਂ ਦਾ ਇੱਕ ਸਿਖਿਅਤ ਪੈਨਲ 0-15 ਦੀ ਤੀਬਰਤਾ ਦੇ ਪੈਮਾਨੇ 'ਤੇ ਉਹਨਾਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ (ਜਿਵੇਂ ਕਿ "ਕ੍ਰੀਮੀਲ ਇਕਸਾਰਤਾ," "ਖਟਾਈ," "ਫਲਾਂ ਦਾ ਸੁਆਦ") ਸਕੋਰ ਕਰਦਾ ਹੈ। ਇਹ ਪਸੰਦਾਂ ਨੂੰ ਮਾਪਦਾ ਨਹੀਂ ਹੈ, ਇਹ ਪ੍ਰੋਫਾਈਲਾਂ ਬਣਾਉਂਦਾ ਹੈ।
- ਵਿਤਕਰੇ ਦੇ ਟੈਸਟ: "ਕੀ ਦੋਵੇਂ ਉਤਪਾਦ ਅਨੁਭਵੀ ਤੌਰ 'ਤੇ ਵੱਖਰੇ ਹਨ?" ਸਵਾਲ ਦਾ ਜਵਾਬ ਦਿੰਦਾ ਹੈ। ਤਿਕੋਣ ਟੈਸਟ ਵਿੱਚ, ਤਿੰਨ ਨਮੂਨੇ ਪੈਨਲ ਨੂੰ ਦਿੱਤੇ ਗਏ ਹਨ; ਦੋ ਇੱਕੋ ਜਿਹੇ ਹਨ, ਇੱਕ ਵੱਖਰਾ ਹੈ, ਅਤੇ ਪੈਨਲਿਸਟ "ਵੱਖਰਾ" ਚੁਣਦਾ ਹੈ। ਇਹ ਜਾਂਚ ਕਰਨ ਲਈ ਆਦਰਸ਼ ਹੈ ਕਿ ਕੀ ਫ਼ਾਰਮੂਲੇਸ਼ਨ ਵਿੱਚ ਕੋਈ ਤਬਦੀਲੀ ਨਜ਼ਰ ਆਉਂਦੀ ਹੈ।
ਸੁਝਾਅ: ਟੈਸਟ ਦੀ ਚੋਣ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਆਪਣਾ ਵਾਕ ਪੂਰਾ ਕਰੋ: "ਮੈਂ ਜਾਣਨਾ ਚਾਹੁੰਦਾ ਹਾਂ ਕਿ ਕੀ ___।" ਜੇਕਰ ਅੰਤਰ "ਪਸੰਦ" ਹੈ, ਤਾਂ ਹੇਡੋਨਿਕ ਟੈਸਟ ਦੀ ਵਰਤੋਂ ਕਰੋ, ਜੇਕਰ "ਵੱਖਰਾ" ਹੈ, ਤਾਂ ਵਿਤਕਰਾ ਟੈਸਟ ਦੀ ਵਰਤੋਂ ਕਰੋ, ਅਤੇ ਜੇਕਰ "ਕਿਸ ਵਿਸ਼ੇਸ਼ਤਾ ਵਿੱਚ ਮਜ਼ਬੂਤ" ਹੈ, ਤਾਂ ਵਰਣਨਯੋਗ ਟੈਸਟ ਦੀ ਵਰਤੋਂ ਕਰੋ। ਜੇਕਰ ਤੁਸੀਂ AI ਨੂੰ ਡਾਟਾ ਦਿੰਦੇ ਸਮੇਂ ਇਸ ਮਕਸਦ ਨੂੰ ਨਹੀਂ ਦੱਸਦੇ, ਤਾਂ ਸੰਖੇਪ ਨੂੰ ਗਲਤ ਤਰੀਕੇ ਨਾਲ ਫਰੇਮ ਕੀਤਾ ਜਾਵੇਗਾ।
ਪੈਨਲਿਸਟ ਭਰੋਸੇਯੋਗਤਾ ਅਤੇ ਅਜ਼ਮਾਇਸ਼ ਡਿਜ਼ਾਈਨ
ਇਸ ਤੋਂ ਪਹਿਲਾਂ ਕਿ ਤੁਸੀਂ ਕੱਚੇ ਸਕੋਰ 'ਤੇ ਭਰੋਸਾ ਕਰ ਸਕੋ, ਤੁਹਾਨੂੰ ਪੈਨਲ 'ਤੇ ਹੀ ਭਰੋਸਾ ਕਰਨਾ ਹੋਵੇਗਾ। ਕੁਝ ਬੁਨਿਆਦੀ ਸਿਧਾਂਤ:
- ਅੰਨ੍ਹਾ ਟੈਸਟ: ਪੈਨਲ ਦੇ ਮੈਂਬਰ ਨੂੰ ਇਹ ਨਹੀਂ ਪਤਾ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਕਿਹੜਾ ਨਮੂਨਾ "ਨਵਾਂ ਉਤਪਾਦ" ਹੈ ਅਤੇ ਕਿਹੜਾ "ਹਵਾਲਾ" ਹੈ। ਉਦਾਹਰਨਾਂ ਨੂੰ 3-ਅੰਕ ਦੇ ਬੇਤਰਤੀਬ ਕੋਡਾਂ (ਜਿਵੇਂ ਕਿ 417, 682) ਨਾਲ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਹੈ।
- ਪ੍ਰਸਤੁਤੀ ਆਰਡਰ ਮੁਆਵਜ਼ਾ: ਪਹਿਲਾ ਨਮੂਨਾ ਚੱਖਿਆ ਗਿਆ ਆਮ ਤੌਰ 'ਤੇ ਫਾਇਦੇਮੰਦ ਹੁੰਦਾ ਹੈ (ਪਹਿਲਾ-ਨਮੂਨਾ ਪੱਖਪਾਤ)। ਪੇਸ਼ਕਾਰੀ ਕ੍ਰਮ ਪੈਨਲ ਦੇ ਮੈਂਬਰਾਂ ਵਿਚਕਾਰ ਸੰਤੁਲਿਤ/ਰੈਂਡਮਾਈਜ਼ਡ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।
- ਦੁਹਰਾਓ: ਜੇਕਰ ਇੱਕੋ ਪੈਨਲਿਸਟ ਵੱਖੋ-ਵੱਖਰੇ ਕੋਡਾਂ ਨਾਲ ਉਹੀ ਨਮੂਨਾ ਦੁਬਾਰਾ ਸਕੋਰ ਕਰਦਾ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਇਕਸਾਰਤਾ (ਦੁਹਰਾਉਣਯੋਗਤਾ) ਨੂੰ ਮਾਪ ਸਕਦੇ ਹੋ। ਵਰਣਨਾਤਮਕ ਪੈਨਲ ਵਿੱਚ, ਅਸੰਗਤ ਪੈਨਲਿਸਟ ਨੂੰ ਦੁਬਾਰਾ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ ਜਾਂ ਬਾਹਰ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ।
- ਹਵਾਲਾ ਜਾਂਚ: ਜੇਕਰ ਦੋ ਇੱਕੋ ਜਿਹੇ ਨਮੂਨੇ ਅੰਨ੍ਹੇਵਾਹ ਪੇਸ਼ ਕੀਤੇ ਗਏ ਹਨ ਅਤੇ ਪੈਨਲਿਸਟ ਉਹਨਾਂ ਨੂੰ ਬਹੁਤ ਵੱਖਰੇ ਢੰਗ ਨਾਲ ਸਕੋਰ ਕਰਦਾ ਹੈ, ਤਾਂ ਪੈਨਲ ਦੇ ਮੈਂਬਰ ਦਾ ਡੇਟਾ ਸ਼ੱਕੀ ਹੈ।
ਉਦਾਹਰਨ ਹੇਡੋਨਿਕ ਡੇਟਾ ਸੰਖੇਪ
ਹੇਠਾਂ 60 ਪੈਨਲਿਸਟਾਂ ਲਈ ਹੇਡੋਨਿਕ ਟੈਸਟ ਦੀ ਇੱਕ ਸੰਖੇਪ ਸਾਰਣੀ ਹੈ। ਨਵੇਂ ਫਾਰਮੂਲੇ (ਕੋਡ 417) ਦੀ ਹਵਾਲਾ (ਕੋਡ 682) ਨਾਲ ਤੁਲਨਾ ਕਰਨਾ।
ਵਿਸ਼ੇਸ਼ਤਾ
ਨਵਾਂ ਫਾਰਮੂਲਾ (417) ਔਸਤ.
ਹਵਾਲਾ (682) ਔਸਤ.
ਐਸ.ਟੀ.ਡੀ. ਭਟਕਣਾ (417)
n
ਆਮ ਸ਼ਲਾਘਾ
7.1
7.4
1.3
60
ਸੁਆਦ/ਸੁਗੰਧ
6.8
7.3
1.5
60
ਇਕਸਾਰਤਾ
7.3
7.2
1.1
60
ਦਿੱਖ
7.6
7.5
0.9
60
ਖਰੀਦਣ ਦਾ ਇਰਾਦਾ (%)
58%
65%
-
60
ਇਸ ਚਾਰਟ ਨੂੰ ਦੇਖਣਾ ਅਤੇ ਕਹਿਣਾ ਆਸਾਨ ਹੈ "ਹਵਾਲਾ ਥੋੜਾ ਵਧੀਆ ਹੈ, ਪਰ ਅੰਤਰ ਛੋਟਾ ਹੈ." ਪਰ ਕੀ 0.3 ਦਾ ਇੱਕ ਔਸਤ ਅੰਤਰ ਅੰਕੜਾਤਮਕ ਤੌਰ 'ਤੇ ਮਹੱਤਵਪੂਰਨ ਜਾਂ ਰੌਲਾ ਹੈ? ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ AI ਸਭ ਤੋਂ ਵੱਧ ਭਰਮ ਪੈਦਾ ਕਰਦਾ ਹੈ।
AI ਨਾਲ ਸੰਖੇਪ, ਥੀਮ ਕੱਢਣ ਅਤੇ ਅੰਕੜਾ ਵਿਆਖਿਆ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰਨਾ
ਤੁਸੀਂ AI ਨੂੰ ਤਿੰਨ ਕੰਮਾਂ ਲਈ ਐਕਸਲੇਟਰ ਵਜੋਂ ਵਰਤ ਸਕਦੇ ਹੋ: ਸੰਖਿਆਤਮਕ ਐਬਸਟਰੈਕਟ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰਨਾ, ਓਪਨ-ਐਂਡ ਟਿੱਪਣੀਆਂ ਤੋਂ ਥੀਮ ਕੱਢਣਾ, ਅਤੇ ਅੰਕੜਾ ਵਿਆਖਿਆਵਾਂ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰਨਾ। ਪਰ ਤਿੰਨਾਂ ਵਿੱਚ, ਆਉਟਪੁੱਟ ਇੱਕ ਡਰਾਫਟ ਹੈ, ਇੱਕ ਫੈਸਲਾ ਨਹੀਂ.
ਓਪਨ-ਐਂਡ ਟਿੱਪਣੀਆਂ ਤੋਂ ਥੀਮ ਕੱਢਣ ਲਈ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੋਂਪਟ:
ਭੂਮਿਕਾ: ਤੁਸੀਂ ਇੱਕ ਸੰਵੇਦੀ ਵਿਸ਼ਲੇਸ਼ਕ ਹੋ। ਹੇਠਾਂ ਘੱਟ ਖੰਡ ਵਾਲੇ ਫਲ ਦਹੀਂ (ਕੋਡ 417) ਲਈ 60 ਖਪਤਕਾਰਾਂ ਦੀਆਂ ਖੁੱਲ੍ਹੀਆਂ ਟਿੱਪਣੀਆਂ ਹਨ। ਤੁਹਾਡਾ ਕੰਮ: 1) ਟਿੱਪਣੀਆਂ ਨੂੰ 5-7 ਥੀਮਾਂ (ਜਿਵੇਂ ਕਿ ਮਿਠਾਸ, ਖੱਟਾਪਨ, ਟੈਕਸਟ, ਫਲਾਂ ਦਾ ਸੁਆਦ) ਵਿੱਚ ਸਮੂਹ ਕਰੋ। 2) ਹਰੇਕ ਥੀਮ ਲਈ ਕਿੰਨੀਆਂ ਟਿੱਪਣੀਆਂ ਸਕਾਰਾਤਮਕ/ਨਕਾਰਾਤਮਕ/ਨਿਰਪੱਖ ਹਨ ਅਤੇ ਨੰਬਰ ਲਿਖੋ। 3) ਸਿੱਧੇ ਹਵਾਲੇ ਸ਼ਾਮਲ ਕਰੋ, ਸੰਖੇਪ ਕਰੋ। ਕੋਈ ਥੀਮ ਨਾ ਬਣਾਓ ਜਿਸਦਾ ਟਿੱਪਣੀਆਂ ਵਿੱਚ ਜ਼ਿਕਰ ਨਾ ਕੀਤਾ ਗਿਆ ਹੋਵੇ। 4) ਅੰਕੜਾਤਮਕ ਸਿੱਟੇ ਨਾ ਕੱਢੋ; ਇਹ ਇੱਕ ਗੁਣਾਤਮਕ ਸੰਖੇਪ ਹੈ। ਇੱਕ ਸਾਰਣੀ ਦੇ ਰੂਪ ਵਿੱਚ ਆਉਟਪੁੱਟ: | ਥੀਮ | ਸਕਾਰਾਤਮਕ | ਨਕਾਰਾਤਮਕ | ਨਿਰਪੱਖ | ਨਮੂਨਾ ਬਿਆਨ |ਟਿੱਪਣੀਆਂ:[60 ਟਿੱਪਣੀਆਂ ਇੱਥੇ ਚਿਪਕਾਈਆਂ ਗਈਆਂ]
ਆਓ ਹੁਣ ਅੰਕੜਾ ਵਿਆਖਿਆ ਵਿੱਚ ਕਮਜ਼ੋਰ ਅਤੇ ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ ਵਿੱਚ ਅੰਤਰ ਵੇਖੀਏ:
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ: "ਇਸ ਸੰਵੇਦੀ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ, ਮੈਨੂੰ ਦੱਸੋ ਕਿ ਕੀ ਨਵਾਂ ਉਤਪਾਦ ਸੰਦਰਭ ਨਾਲੋਂ ਵਧੀਆ ਹੈ।" (ਏਆਈ ਨਮੂਨੇ ਦੇ ਆਕਾਰ, ਟੈਸਟ ਦੀ ਕਿਸਮ, ਪੀ-ਮੁੱਲ ਨੂੰ ਜਾਣੇ ਬਿਨਾਂ "ਹਾਂ ਇਹ ਬਿਹਤਰ ਹੈ" ਜਾਂ "ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਅੰਤਰ ਹੈ" ਬਣਾ ਸਕਦਾ ਹੈ।) ਮਜ਼ਬੂਤ ਪ੍ਰੋਮਪਟ: "ਹੇਠਾਂ 60 ਪੈਨਲਿਸਟਾਂ (ਕਾਲਮ 417 ਅਤੇ 682) ਦੇ ਨਾਲ 9-ਪੁਆਇੰਟ ਹੇਡੋਨਿਕ ਟੈਸਟ ਦੇ ਕੱਚੇ ਸਮੁੱਚੇ ਪਸੰਦ ਦੇ ਸਕੋਰ ਹਨ (ਕਾਲਮ 417 ਅਤੇ 682)। ਪੇਅਰ ਕੀਤੇ ਜਾਣ ਲਈ, ਪਰ ਲੋੜੀਂਦੇ ਕਦਮਾਂ ਲਈ ਡਬਲਯੂ.ਆਰ.ਟੀ.ਟੀ. SPSS/R ਵਿੱਚ ਨਤੀਜੇ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ - ਕਿਹੜਾ ਟੈਸਟ ਉਚਿਤ ਹੈ (ਜੋੜਾ ਜਾਂ ਸੁਤੰਤਰ) - ਜੇਕਰ p <0.05 ਇੱਕ ਸੰਖਿਆਤਮਕ ਫਰੇਮਵਰਕ ਦਿੰਦਾ ਹੈ ਤਾਂ ਮੈਂ ਵਿਆਖਿਆ ਨੂੰ ਕਿਵੇਂ ਸੈੱਟ ਕਰਾਂ?
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੋਂਪਟ AI ਵਿਧੀ ਸਲਾਹਕਾਰ ਬਣਾਉਂਦਾ ਹੈ; ਤੁਸੀਂ ਗਿਣਤੀ ਦੀ ਗਣਨਾ ਕਰੋ.
ਅੰਕੜਾ ਮਹੱਤਵ ਅਤੇ ਨਮੂਨਾ ਪ੍ਰਮਾਣਿਕਤਾ
ਮੰਨ ਲਓ ਕਿ AI ਸੰਖੇਪ ਵਿੱਚ ਲਿਖਿਆ ਗਿਆ ਸੀ "ਨਵੇਂ ਉਤਪਾਦ ਨੂੰ ਸੰਦਰਭ ਨਾਲੋਂ ਕਾਫ਼ੀ ਘੱਟ ਦਰਜਾ ਦਿੱਤਾ ਗਿਆ ਸੀ।" ਤੁਹਾਨੂੰ ਕੱਚੇ ਡੇਟਾ ਨਾਲ ਇਸਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਆਉ ਇੱਕ ਸਧਾਰਨ ਗਣਨਾ ਨਾਲ ਪੇਅਰ ਕੀਤੇ ਟੀ-ਟੈਸਟ ਤਰਕ ਨੂੰ ਵੇਖੀਏ:
npfrom scipy ਇੰਪੋਰਟ ਅੰਕੜਿਆਂ ਦੇ ਤੌਰ 'ਤੇ numpy ਆਯਾਤ ਕਰੋ# 60 ਪੈਨਲਿਸਟਾਂ ਦੇ ਸਮੁੱਚੇ ਪਸੰਦੀਦਾ ਸਕੋਰ (9-ਪੁਆਇੰਟ ਹੈਡੋਨਿਕ)ਨਵਾਂ = np.array([7,8,6,7,7,6,8,7, ...]) # ਕੋਡ 417, n=60ਰੈਫਰੈਂਸ = np.array, #7,7,],7,8,7, 7,8,7,7,8,7,7,8,7) 682, n=60# ਇੱਕੋ ਪੈਨਲ ਦੇ ਮੈਂਬਰ ਨੇ ਦੋਵੇਂ ਉਤਪਾਦਾਂ ਨੂੰ ਸਕੋਰ ਕੀਤਾ -> ਪੇਅਰਡ t-testit_stat, p_value = stats.ttest_rel(ਨਵਾਂ, ਹਵਾਲਾ) ਅੰਤਰ = new.mean() - reference.mean()print(f"ਦਰਅਸਲ ਅੰਤਰ: {ਅੰਤਰ:.2f} ਸਕੋਰ")ਪ੍ਰਿੰਟ = (ਪੇਅਰਡ: 2f} ਸਕੋਰ")ਪ੍ਰਿੰਟ = (ਪੀ. }. {p_value:.3f}")# ਟਿੱਪਣੀ: ਜੇਕਰ p >= 0.05 ਹੈ, ਤਾਂ ਇਸਦਾ ਮਤਲਬ ਹੈ "ਕੋਈ ਅੰਕੜਾ ਮਹੱਤਵਪੂਰਨ ਅੰਤਰ ਨਹੀਂ ਹੈ।"
ਇੱਥੇ ਨਾਜ਼ੁਕ ਬਿੰਦੂ: 0.30 ਪੁਆਇੰਟਾਂ ਦਾ ਔਸਤ ਅੰਤਰ p = 0.18 ਨਾਲ ਮਾਮੂਲੀ ਸਾਬਤ ਹੋ ਸਕਦਾ ਹੈ। AI ਦਾ ਕਥਨ ਕਿ "ਸੰਦਰਭ ਬਿਹਤਰ ਹੈ" ਇੱਕ ਵਿਆਖਿਆ ਹੈ ਜੋ ਅੰਕੜਾ ਰੂਪ ਵਿੱਚ ਸਮਰਥਿਤ ਨਹੀਂ ਹੈ। ਆਪਣਾ ਫੈਸਲਾ ਲੈਂਦੇ ਸਮੇਂ, ਤੁਹਾਨੂੰ ਪੀ-ਮੁੱਲ, ਨਮੂਨੇ ਦੇ ਆਕਾਰ, ਅਤੇ ਟੈਸਟ ਦੀਆਂ ਧਾਰਨਾਵਾਂ ਨੂੰ ਦੇਖਣਾ ਚਾਹੀਦਾ ਹੈ, ਨਾ ਕਿ ਇਕੱਲੇ ਦਾ ਮਤਲਬ।
ਸਾਵਧਾਨ: LLM ਨਿਸ਼ਚਤ ਕਥਨ ਪੈਦਾ ਕਰ ਸਕਦੇ ਹਨ ਜਿਵੇਂ ਕਿ "p <0.05, ਅੰਤਰ ਮਹੱਤਵਪੂਰਨ ਹੈ" ਭਾਵੇਂ ਉਹਨਾਂ ਨੂੰ ਕੱਚਾ ਸੰਖਿਆਤਮਕ ਡੇਟਾ ਨਹੀਂ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ। ਇਹ ਇੱਕ ਭਰਮ ਹੈ। AI ਦੇ ਪਾਠ ਦੇ ਆਧਾਰ 'ਤੇ ਰਿਪੋਰਟ ਵਿੱਚ ਕੋਈ ਵੀ ਪੀ-ਮੁੱਲ, ਮਹੱਤਵ ਟਿੱਪਣੀਆਂ, ਜਾਂ "ਖਪਤਕਾਰਾਂ ਦੀ ਪਸੰਦ" ਦੇ ਨਿਰਣੇ ਨਾ ਲਿਖੋ; ਆਪਣੇ ਖੁਦ ਦੇ ਅੰਕੜਾ ਸਾਫਟਵੇਅਰ (R, SPSS, JASP, Python) ਵਿੱਚ ਮੁੜ ਗਣਨਾ ਕਰੋ।
ਮਿੰਨੀ ਕੇਸ
ਇੱਕ ਪੀਣ ਵਾਲੀ ਕੰਪਨੀ ਵਿੱਚ, ਸੰਵੇਦੀ ਟੀਮ ਇੱਕ ਨਵੇਂ ਫਾਰਮੂਲੇ ਦਾ ਮੁਲਾਂਕਣ ਕਰ ਰਹੀ ਹੈ ਜੋ ਸੰਤਰੇ ਦੇ ਜੂਸ ਵਿੱਚ ਸ਼ੂਗਰ ਨੂੰ 15% ਤੱਕ ਘਟਾਉਂਦੀ ਹੈ। ਟੀਮ 90 ਖਪਤਕਾਰਾਂ ਦੇ ਨਾਲ ਇੱਕ 9-ਪੁਆਇੰਟ ਹੈਡੋਨਿਕ ਟੈਸਟ ਚਲਾਉਂਦੀ ਹੈ ਅਤੇ ਨਤੀਜਿਆਂ ਨੂੰ ਸੰਖੇਪ ਕਰਨ ਲਈ ਕੱਚੀ ਤਸਵੀਰ ਨੂੰ AI ਨੂੰ ਫੀਡ ਕਰਦੀ ਹੈ। AI ਰਿਪੋਰਟ ਕਹਿੰਦੀ ਹੈ "ਨਵੇਂ ਫਾਰਮੂਲੇ ਨੂੰ ਕਾਫ਼ੀ ਘੱਟ ਪਸੰਦ ਕੀਤਾ ਗਿਆ ਸੀ (p<0.05)" ਅਤੇ ਟੀਮ ਨੇ ਫਾਰਮੂਲੇ ਨੂੰ ਰੱਦ ਕਰਨ ਦਾ ਫੈਸਲਾ ਕੀਤਾ। ਇੱਕ ਸੀਨੀਅਰ ਇੰਜੀਨੀਅਰ R ਵਿੱਚ ਕੱਚੇ ਡੇਟਾ ਨੂੰ ਮੁੜ-ਚਾਲੂ ਕਰਦਾ ਹੈ: ਸੱਚਾ ਅੰਤਰ 7.0 ਬਨਾਮ 6.8, p = 0.31 — ਇਸ ਲਈ ਕੋਈ ਮਹੱਤਵਪੂਰਨ ਅੰਤਰ ਨਹੀਂ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਹ ਦੇਖਿਆ ਗਿਆ ਹੈ ਕਿ ਪੇਸ਼ਕਾਰੀ ਦਾ ਕ੍ਰਮ ਸੰਤੁਲਿਤ ਨਹੀਂ ਹੈ, ਨਵੇਂ ਫਾਰਮੂਲੇ ਨੂੰ ਹਮੇਸ਼ਾ ਦੂਜਾ ਚੱਖਿਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਸੁਆਦ ਦੀ ਥਕਾਵਟ (ਅਨੁਕੂਲਤਾ) ਦੁਆਰਾ ਪ੍ਰਭਾਵਿਤ ਹੁੰਦਾ ਹੈ. ਏਆਈ ਦੋਵਾਂ ਨੇ ਪੀ-ਮੁੱਲ ਬਣਾਇਆ ਹੈ ਅਤੇ ਅਜ਼ਮਾਇਸ਼ ਡਿਜ਼ਾਈਨ ਦੀ ਕਮੀ ਨੂੰ ਲੱਭਣ ਵਿੱਚ ਅਸਫਲ ਰਿਹਾ ਹੈ। ਟੀਮ ਸੰਤੁਲਿਤ ਡਿਜ਼ਾਈਨ ਦੇ ਨਾਲ ਟੈਸਟ ਨੂੰ ਦੁਹਰਾਉਂਦੀ ਹੈ, ਅਤੇ ਘੱਟ ਸ਼ੂਗਰ ਫਾਰਮੂਲਾ ਸਵੀਕਾਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਕੱਚੇ ਡੇਟਾ ਵੱਲ ਮੁੜਨ ਨਾਲ ਇੱਕ ਚੰਗੇ ਉਤਪਾਦ ਨੂੰ ਸੁੱਟੇ ਜਾਣ ਤੋਂ ਬਚਾਇਆ ਗਿਆ।
ਆਮ ਗਲਤੀਆਂ
- ਵਰਣਨਾਤਮਕ (ਪ੍ਰੋਫਾਈਲ) ਟੈਸਟਿੰਗ ਨਾਲ ਉਲਝਣ ਵਾਲਾ ਹੇਡੋਨਿਕ (ਪਸੰਦ) ਟੈਸਟਿੰਗ; "ਹਾਈ ਸੋਰਨੇਸ ਸਕੋਰ" ਕਹਿਣ ਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਕਿ ਇਸਨੂੰ ਪਸੰਦ ਨਹੀਂ ਕੀਤਾ ਗਿਆ।
- ਕੱਚੀ ਗਣਨਾ ਕੀਤੇ ਬਿਨਾਂ ਰਿਪੋਰਟ ਵਿੱਚ AI-ਉਲਝੇ ਹੋਏ p-ਮੁੱਲ ਜਾਂ "ਮਹੱਤਵਪੂਰਨ ਅੰਤਰ" ਬਿਆਨ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨਾ।
- ਨਮੂਨੇ ਦੇ ਆਕਾਰ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ; 12-ਵਿਅਕਤੀਆਂ ਦੇ ਹੇਡੋਨਿਕ ਟੈਸਟ ਤੋਂ "ਖਪਤਕਾਰਾਂ ਨੇ ਇਸਨੂੰ ਪਸੰਦ ਕੀਤਾ" ਨੂੰ ਆਮ ਕਰਨਾ।
- ਪੇਸ਼ਕਾਰੀ ਦੇ ਕ੍ਰਮ ਨੂੰ ਸੰਤੁਲਿਤ ਨਾ ਕਰਨਾ ਅਤੇ ਪਹਿਲੇ-ਨਮੂਨੇ/ਸਵਾਦ ਥਕਾਵਟ ਪੱਖਪਾਤ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ।
- ਪੈਨਲਿਸਟਾਂ ਨੂੰ ਇਹ ਜਾਣਨ ਦੀ ਇਜਾਜ਼ਤ ਦੇ ਰਿਹਾ ਹੈ ਕਿ ਅੰਨ੍ਹੇ ਟੈਸਟ ਕੀਤੇ ਬਿਨਾਂ ਕਿਹੜਾ ਨਮੂਨਾ "ਨਵਾਂ ਉਤਪਾਦ" ਹੈ।
- ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਵਿੱਚ ਅਸਫਲਤਾ ਕਿ AI ਮੇਡ-ਅੱਪ ਕੋਟਸ/ਥੀਮਾਂ ਨੂੰ ਬਣਾਉਣ ਦੇ ਵਿਰੁੱਧ ਓਪਨ-ਐਂਡ ਟਿੱਪਣੀਆਂ ਦਾ ਸਾਰ ਦਿੰਦਾ ਹੈ।
- ਪੈਨਲਿਸਟ ਦੀ ਭਰੋਸੇਯੋਗਤਾ (ਅੰਨ੍ਹੇ ਡੁਪਲੀਕੇਟ ਇਕਸਾਰਤਾ) ਦੀ ਜਾਂਚ ਕੀਤੇ ਬਿਨਾਂ ਸਾਰੇ ਸਕੋਰਾਂ ਨੂੰ ਬਰਾਬਰ ਤੋਲਣਾ।
ਸੰਖੇਪ ਵਿੱਚ
- ਸੰਵੇਦੀ ਟੈਸਟ ਵਿੱਚ, ਪਹਿਲਾਂ ਪ੍ਰਸ਼ਨ ਨਿਰਧਾਰਤ ਕਰੋ: ਸਵਾਦ ਲਈ ਹੇਡੋਨਿਕ ਟੈਸਟ, ਅੰਤਰ ਲਈ ਤਿਕੋਣ ਟੈਸਟ, ਪ੍ਰੋਫਾਈਲ ਲਈ ਵਰਣਨਸ਼ੀਲ ਟੈਸਟ (QDA) ਦੀ ਵਰਤੋਂ ਕਰੋ।
- ਕੱਚੇ ਸਕੋਰਾਂ 'ਤੇ ਭਰੋਸਾ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਪੈਨਲ 'ਤੇ ਭਰੋਸਾ ਕਰੋ: ਅੰਨ੍ਹੇ ਟੈਸਟਿੰਗ, ਪ੍ਰਸਤੁਤੀ ਆਰਡਰ ਸੰਤੁਲਨ, ਰੀਪਲੇਅ ਅਤੇ ਅੰਨ੍ਹੇ ਡੁਪਲੀਕੇਟ ਨਾਲ ਭਰੋਸੇਯੋਗਤਾ ਦੀ ਜਾਂਚ ਕਰੋ।
- ਸੰਖਿਆਤਮਕ ਸੰਖੇਪ, ਓਪਨ-ਐਂਡ ਟਿੱਪਣੀਆਂ ਤੋਂ ਥੀਮ ਕੱਢਣ, ਅਤੇ ਅੰਕੜਾ ਵਿਧੀ ਸਲਾਹ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰੋ; ਪਰ ਆਉਟਪੁੱਟ ਇੱਕ ਡਰਾਫਟ ਹੈ।
- ਔਸਤ ਅੰਤਰ ਅੰਕੜਾਤਮਕ ਮਹੱਤਤਾ ਦੇ ਸਮਾਨ ਨਹੀਂ ਹੈ; ਇੱਕ p-ਮੁੱਲ ਦੇ ਨਾਲ ਛੋਟੇ ਮੱਧ ਅੰਤਰ ਮਾਮੂਲੀ ਸਾਬਤ ਹੋ ਸਕਦੇ ਹਨ।
- AI p-ਮੁੱਲ, ਮਹੱਤਵ ਵਿਆਖਿਆ, ਅਤੇ "ਥੰਬਸ ਅੱਪ" ਨਿਰਣੇ ਦਾ ਭਰਮ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ; ਆਪਣੇ ਖੁਦ ਦੇ ਸੌਫਟਵੇਅਰ ਵਿੱਚ ਕੱਚੇ ਡੇਟਾ ਦੇ ਨਾਲ ਹਰੇਕ ਅੰਕੜਾ ਨਤੀਜੇ ਦੀ ਮੁੜ ਗਣਨਾ ਕਰੋ।
- ਅੰਤਮ ਉਤਪਾਦ/ਫਾਰਮੂਲਾ ਫੈਸਲਾ; ਪ੍ਰਮਾਣਿਤ ਅੰਕੜੇ, ਮਜਬੂਤ ਅਜ਼ਮਾਇਸ਼ ਡਿਜ਼ਾਈਨ, ਅਤੇ ਪੈਨਲਿਸਟ ਭਰੋਸੇਯੋਗਤਾ ਨੂੰ ਇਕੱਠੇ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ, ਏਆਈ ਟੈਕਸਟ 'ਤੇ ਅਧਾਰਤ ਨਹੀਂ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਇੱਕ ਸਵੈ-ਅਧਿਐਨ ਜਾਂ ਕਲਪਨਾਤਮਕ ਉਤਪਾਦ (ਉਦਾਹਰਨ ਲਈ, ਘਟਾਇਆ-ਲੂਣ ਸੂਪ, ਗਲੁਟਨ-ਮੁਕਤ ਕੇਕ) 'ਤੇ 40-60 ਪੈਨਲਿਸਟਾਂ ਲਈ ਇੱਕ 9-ਪੁਆਇੰਟ ਹੇਡੋਨਿਕ ਟੈਸਟ ਅਤੇ ਇੱਕ ਤਿਕੋਣ ਟੈਸਟ ਤਿਆਰ ਕਰੋ। ਆਪਣਾ ਪ੍ਰਯੋਗ ਡਿਜ਼ਾਈਨ ਲਿਖੋ: ਕਿੰਨੇ ਪੈਨਲਿਸਟ, ਅੰਨ੍ਹੇ ਕੋਡਿੰਗ, ਪ੍ਰਸਤੁਤੀ ਆਰਡਰ ਸੰਤੁਲਨ ਯੋਜਨਾ, ਅਤੇ ਕੀ ਤੁਸੀਂ ਅੰਨ੍ਹੇ ਡੁਪਲੀਕੇਟ ਦੀ ਵਰਤੋਂ ਕਰੋਗੇ। ਇੱਕ ਯਥਾਰਥਵਾਦੀ ਕੱਚਾ ਡੇਟਾ ਟੇਬਲ ਬਣਾਓ (ਘੱਟੋ-ਘੱਟ 20 ਕਤਾਰਾਂ) ਅਤੇ AI ਨੂੰ ਦੋ ਵੱਖ-ਵੱਖ ਪ੍ਰੋਂਪਟ ਦਿਓ: (1) ਓਪਨ-ਐਂਡ ਟਿੱਪਣੀਆਂ ਤੋਂ ਥੀਮ ਕੱਢਣਾ, (2) ਅੰਕੜਾ ਵਿਧੀ ਦੀ ਸਲਾਹ (ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਪੀ-ਮੁੱਲ ਨਾ ਬਣਾਉਣ ਲਈ ਕਹੋ)। ਫਿਰ ਪੇਅਰਡ ਟੀ-ਟੈਸਟ ਆਪਣੇ ਆਪ ਨੂੰ Python/R/JASP ਵਿੱਚ ਚਲਾਓ ਅਤੇ ਇਸਦੀ AI ਦੀ ਵਿਆਖਿਆ ਨਾਲ ਤੁਲਨਾ ਕਰੋ। ਇੱਕ-ਪੰਨੇ ਦੇ ਨੋਟ ਵਿੱਚ: ਵਿਆਖਿਆ ਕਰੋ ਕਿ ਤੁਸੀਂ AI ਦੇ ਕਿਹੜੇ ਬਿਆਨਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ, ਜਿਸਦਾ ਤੁਸੀਂ ਕੱਚੇ ਡੇਟਾ ਨਾਲ ਖੰਡਨ ਕੀਤਾ ਹੈ, ਅਤੇ ਤੁਸੀਂ ਆਪਣੇ ਅੰਤਮ ਉਤਪਾਦ ਫੈਸਲੇ ਨੂੰ ਕਿਸ 'ਤੇ ਅਧਾਰਤ ਕੀਤਾ ਹੈ। ਆਪਣੇ ਮੀਮੋ ਵਿੱਚ, ਆਪਣੇ ਅਜ਼ਮਾਇਸ਼ ਡਿਜ਼ਾਈਨ ਵਿੱਚ ਪੱਖਪਾਤ ਦੇ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਜੋਖਮ ਦਾ ਵਰਣਨ ਕਰੋ ਅਤੇ ਤੁਸੀਂ ਇਸਨੂੰ ਕਿਵੇਂ ਘਟਾਇਆ ਹੈ।