ਲਾਭ:
- ਇਮਾਨਦਾਰ ਅਤੇ ਅਸਪਸ਼ਟ ਭਾਸ਼ਾ ਵਿੱਚ, ਨਕਲੀ ਬੁੱਧੀ ਦੇ ਸਮਰਥਨ ਨਾਲ ਨਿਸ਼ਾਨਾ ਦਰਸ਼ਕਾਂ (ਅਕਾਦਮਿਕ, ਨੀਤੀ, ਪ੍ਰਬੰਧਨ) ਨੂੰ ਅਨੁਭਵੀ ਖੋਜਾਂ ਦੀ ਰਿਪੋਰਟ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਸਿੱਟੇ, ਸੀਮਾਵਾਂ ਅਤੇ ਨੈਤਿਕ ਬਿਆਨਾਂ (ਡੇਟਾ ਗੁਪਤਤਾ, ਹਿੱਤਾਂ ਦਾ ਟਕਰਾਅ, ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਵਰਤੋਂ ਦਾ ਖੁਲਾਸਾ) ਪੂਰੀ ਤਰ੍ਹਾਂ ਲਿਖਣ ਦੀ ਸਮਰੱਥਾ ਅਤੇ ਗੁੰਮਰਾਹਕੁੰਨ ਪੇਸ਼ਕਾਰੀ ਤੋਂ ਬਚੋ
- ਰਿਪੋਰਟਾਂ ਦੇ ਡਰਾਫਟ ਨੂੰ ਪਛਾਣਨ ਲਈ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਯੋਗਤਾ ਜੋ ਅਤਿਕਥਨੀ, ਇਕਪਾਸੜ ਜਾਂ ਕਾਰਣ ਵਾਲੀ ਭਾਸ਼ਾ ਪੈਦਾ ਕਰਦੀ ਹੈ ਅਤੇ ਅੰਤਮ ਟੈਕਸਟ ਅਤੇ ਦਾਅਵਿਆਂ ਲਈ ਉਸ ਜ਼ਿੰਮੇਵਾਰੀ ਨੂੰ ਕਾਇਮ ਰੱਖਣ ਲਈ ਖੋਜਕਰਤਾ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ।
ਮੋਡੀਊਲ ਪ੍ਰੀਖਿਆ
1. ਇੱਕ ਖੋਜਕਾਰ ਪੁੱਛਦਾ ਹੈ '2015 ਅਤੇ 2020 ਦੇ ਵਿਚਕਾਰ ਤੁਰਕੀ ਵਿੱਚ ਬੇਰੁਜ਼ਗਾਰੀ ਅਤੇ ਮਹਿੰਗਾਈ ਵਿਚਕਾਰ ਸਬੰਧ ਗੁਣਾਂਕ ਕੀ ਹੈ?' ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਨੂੰ ਕੋਈ ਡਾਟਾ ਦਿੱਤੇ ਬਿਨਾਂ। ਉਹ ਸਿੱਧੇ ਆਪਣੇ ਲੇਖ ਵਿੱਚ 0.62 ਨੰਬਰ ਪੁੱਛਦਾ ਅਤੇ ਲਿਖਦਾ ਹੈ। ਇਸ ਪਹੁੰਚ ਵਿੱਚ ਬੁਨਿਆਦੀ ਗਲਤੀ ਕੀ ਹੈ?
- ਏ) ਪ੍ਰਮਾਣਿਤ ਡੇਟਾ ਦਿੱਤੇ ਬਿਨਾਂ ਨਕਲੀ ਬੁੱਧੀ ਤੋਂ ਠੋਸ ਅੰਕੜਿਆਂ ਦੀ ਉਮੀਦ ਕਰਨਾ; ✔ ਕਿਸੇ ਅਜਿਹੇ ਨੰਬਰ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਜੋ ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਇਸਦੀ ਪੁਸ਼ਟੀ ਕੀਤੇ ਬਿਨਾਂ ਬਣਾਇਆ ਗਿਆ ਹੋਵੇ
- ਅ) ਕਿਸੇ ਲੇਖ ਵਿੱਚ ਸਹਿ-ਸੰਬੰਧ ਗੁਣਾਂਕ ਦੀ ਵਰਤੋਂ ਕਦੇ ਨਹੀਂ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ।
- C) ਬੇਰੋਜ਼ਗਾਰੀ ਅਤੇ ਮਹਿੰਗਾਈ ਵਿਚਕਾਰ ਸਬੰਧ ਦੀ ਗਣਨਾ ਨਹੀਂ ਕੀਤੀ ਜਾ ਸਕਦੀ
- ਡੀ) ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਸਿਰਫ 2020 ਤੋਂ ਬਾਅਦ ਡੇਟਾ ਤੱਕ ਪਹੁੰਚ ਕਰ ਸਕਦੀ ਹੈ
ਵਿਆਖਿਆ: ਏਆਈ ਭਾਸ਼ਾ ਮਾਡਲ ਡੇਟਾਸੈਟ ਤੱਕ ਪਹੁੰਚ ਕੀਤੇ ਬਿਨਾਂ ਅੰਕੜੇ ਪੈਦਾ ਨਹੀਂ ਕਰ ਸਕਦਾ ਹੈ; ਉਹ ਜੋ ਨੰਬਰ ਦਿੰਦਾ ਹੈ, ਉਹ ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਭੁਲੇਖਾ (ਮਨਘੜਤ) ਹੈ। ਗੁਣਾਂ, ਅਨੁਪਾਤ ਅਤੇ ਟੈਸਟ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਗਣਨਾ ਖੋਜਕਰਤਾ ਦੇ ਆਪਣੇ ਪ੍ਰਮਾਣਿਤ ਡੇਟਾ ਤੋਂ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ, ਮਾਡਲ ਦੀ ਮੈਮੋਰੀ ਤੋਂ ਨਹੀਂ ਲਈ ਗਈ।
2. ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਦਾ 'ਰੈਂਡਮ 'ਤੇ ਗੁੰਮ ਨਾ ਹੋਣ' (MNAR) ਦਾ ਕੀ ਅਰਥ ਹੈ ਅਤੇ ਇਹ ਮਹੱਤਵਪੂਰਨ ਕਿਉਂ ਹੈ?
- ਏ) ਕਮੀ ਆਪਣੇ ਆਪ ਵਿੱਚ ਅਣ-ਨਿਰੀਖਣ ਮੁੱਲ ਦੇ ਕਾਰਨ ਹੈ; ਇਸ ਲਈ ਸਧਾਰਨ ਅਸਾਈਨਮੈਂਟ ਪੱਖਪਾਤ ਬਣਾ ਸਕਦੀ ਹੈ ✔
- ਅ) ਡੇਟਾ ਪੂਰੀ ਤਰ੍ਹਾਂ ਬੇਤਰਤੀਬੇ ਗਾਇਬ ਹੋ ਜਾਂਦਾ ਹੈ ਅਤੇ ਕੋਈ ਪੱਖਪਾਤ ਨਹੀਂ ਕਰਦਾ।
- C) ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਨੂੰ ਹਮੇਸ਼ਾ ਕਤਾਰ ਨੂੰ ਮਿਟਾ ਕੇ ਹੱਲ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
- ਡੀ) ਗੁੰਮ ਡੇਟਾ ਕਿਸੇ ਵੀ ਤਰੀਕੇ ਨਾਲ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਪ੍ਰਭਾਵਤ ਨਹੀਂ ਕਰਦਾ ਹੈ।
ਸਪੱਸ਼ਟੀਕਰਨ: MNAR (ਰੈਂਡਮ ਵਿੱਚ ਗੁੰਮ ਨਹੀਂ) ਦੇ ਮਾਮਲੇ ਵਿੱਚ, ਗੁੰਮ ਹੋਣਾ ਆਪਣੇ ਆਪ ਵਿੱਚ ਅਣ-ਨਿਰੀਖਣ ਮੁੱਲ ਦੀ ਤੀਬਰਤਾ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ (ਜਿਵੇਂ ਕਿ ਉੱਚ ਕਮਾਈ ਕਰਨ ਵਾਲੇ ਆਪਣੀ ਆਮਦਨ ਦੀ ਰਿਪੋਰਟ ਨਹੀਂ ਕਰਦੇ)। ਇਸ ਕੇਸ ਵਿੱਚ, ਸਧਾਰਨ ਮਿਟਾਉਣਾ ਜਾਂ ਔਸਤ ਅਸਾਈਨਮੈਂਟ ਪੱਖਪਾਤੀ ਨਤੀਜੇ ਦਿੰਦਾ ਹੈ; ਕਮੀ ਦੀ ਵਿਧੀ ਨੂੰ ਮਾਡਲ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ. ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੁਆਰਾ ਸੁਝਾਏ ਗਏ ਅਸਾਈਨਮੈਂਟ ਵਿਧੀ ਨੂੰ ਇਸ ਵਿਧੀ ਨੂੰ ਜਾਣੇ ਬਿਨਾਂ ਅੰਨ੍ਹੇਵਾਹ ਲਾਗੂ ਨਹੀਂ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
3. ਇੱਕ ਵਿਸ਼ਲੇਸ਼ਕ ਕੋਲ AI ਇੱਕ ਬਾਰ ਚਾਰਟ ਬਣਾਉਂਦਾ ਹੈ, ਅਤੇ AI y-ਧੁਰੇ ਨੂੰ ਜ਼ੀਰੋ ਦੀ ਬਜਾਏ 40 'ਤੇ ਸ਼ੁਰੂ ਕਰਦਾ ਹੈ। ਦੋ ਸਮੂਹਾਂ ਵਿਚਕਾਰ 2% ਦਾ ਅਸਲ ਅੰਤਰ ਗ੍ਰਾਫ 'ਤੇ ਬਹੁਤ ਵੱਡਾ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ। ਸਹੀ ਪਹੁੰਚ ਕੀ ਹੈ?
- ਏ) ਧੁਰੇ ਨੂੰ ਸਕ੍ਰੈਚ ਤੋਂ ਸ਼ੁਰੂ ਕਰਨਾ ਜਾਂ ਚਾਰਟ ਕਿਸਮ ਨੂੰ ਬਦਲਣਾ; ✔ ਗੁੰਮਰਾਹ ਕੀਤੇ ਬਿਨਾਂ ਅੰਤਰ ਦਾ ਸਹੀ ਆਕਾਰ ਦਿਖਾਉਣ ਲਈ
- ਅ) ਚਾਰਟ ਦੀ ਵਰਤੋਂ ਇਸ ਲਈ ਹੈ ਕਿਉਂਕਿ AI ਸਭ ਤੋਂ ਵਧੀਆ ਚੋਣ ਕਰਦਾ ਹੈ
- C) ਅੰਤਰ ਨੂੰ ਹੋਰ ਵੱਡਾ ਬਣਾਉਣ ਲਈ ਧੁਰੇ ਨੂੰ 45 'ਤੇ ਸ਼ੁਰੂ ਕਰਨਾ
- ਡੀ) ਬਾਰ ਚਾਰਟ ਦੀ ਬਜਾਏ ਕਦੇ ਵੀ ਵਿਜ਼ੂਅਲ ਦੀ ਵਰਤੋਂ ਨਾ ਕਰੋ
ਵਿਆਖਿਆ: ਇੱਕ ਬਾਰ ਚਾਰਟ ਵਿੱਚ, ਡੈਸ਼ਡ ਧੁਰਾ (y-ਧੁਰਾ ਜੋ ਜ਼ੀਰੋ ਤੋਂ ਸ਼ੁਰੂ ਨਹੀਂ ਹੁੰਦਾ) ਛੋਟੇ ਅੰਤਰਾਂ ਨੂੰ ਵਧਾ-ਚੜ੍ਹਾ ਕੇ ਗੁੰਮਰਾਹ ਕਰਦਾ ਹੈ। ਇਮਾਨਦਾਰ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਵਿੱਚ, ਬਾਰ ਚਾਰਟ ਦਾ ਧੁਰਾ ਜ਼ੀਰੋ ਤੋਂ ਸ਼ੁਰੂ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਜਾਂ ਅੰਤਰ ਨੂੰ ਸੁਚੇਤ ਤੌਰ 'ਤੇ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਦੱਸਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਹ ਵਿਸ਼ਲੇਸ਼ਕ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਹੈ ਕਿ ਉਹ ਚਿੱਤਰ ਨੂੰ ਤਸਦੀਕ ਕਰੇ ਅਤੇ ਜੇ ਲੋੜ ਹੋਵੇ ਤਾਂ ਇਸ ਨੂੰ ਠੀਕ ਕਰੇ।
4. ਇਹ ਤੱਥ ਕਿਵੇਂ ਹੈ ਕਿ ਰੇਖਿਕ ਰੀਗਰੈਸ਼ਨ ਵਿੱਚ ਇੱਕ ਗੁਣਾਂਕ 'ਮਹੱਤਵਪੂਰਨ' (p<0.05) ਹੈ ਅਕਸਰ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਵਿਆਖਿਆ ਵਿੱਚ ਗਲਤ ਤਰੀਕੇ ਨਾਲ ਪੇਸ਼ ਕੀਤਾ ਜਾਂਦਾ ਹੈ?
- ਏ) ਮਹੱਤਤਾ ਦੀ ਅਤਿਕਥਨੀ ਪੇਸ਼ਕਾਰੀ ਕਿਉਂਕਿ ਪ੍ਰਭਾਵ ਵੱਡਾ ਅਤੇ ਮਹੱਤਵਪੂਰਨ ਹੈ ਜਾਂ ਕਾਰਣਤਾ ਸਥਾਪਿਤ ਕੀਤੀ ਗਈ ਹੈ ✔
- ਅ) ਮਹੱਤਵ ਹਮੇਸ਼ਾ ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਪ੍ਰਭਾਵ ਛੋਟਾ ਹੈ
- C) p<0.05 ਸਾਬਤ ਕਰਦਾ ਹੈ ਕਿ ਗੁਣਾਂਕ ਬਿਲਕੁਲ ਸਹੀ ਹੈ
- D) ਮਹੱਤਵਪੂਰਨ ਗੁਣਾਂਕ ਦੀ ਕਦੇ ਵੀ ਰਿਪੋਰਟ ਨਹੀਂ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ।
ਵਿਆਖਿਆ: ਅੰਕੜਾ ਮਹੱਤਵ ਸਬੂਤ ਦੀ ਤਾਕਤ ਨਾਲ ਸਬੰਧਤ ਹੈ ਕਿ ਪ੍ਰਭਾਵ ਜ਼ੀਰੋ ਤੋਂ ਵੱਖਰਾ ਹੈ; ਇਸਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਹੈ ਕਿ ਪ੍ਰਭਾਵ ਵੱਡਾ, ਮਹੱਤਵਪੂਰਨ ਜਾਂ ਕਾਰਣ ਹੈ। AI ਅਕਸਰ 'ਮਹੱਤਵਪੂਰਨ' ਸ਼ਬਦ ਨੂੰ 'ਮਹੱਤਵਪੂਰਨ/ਮਜ਼ਬੂਤ ਪ੍ਰਭਾਵ' ਵਜੋਂ ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਖੋਜਕਰਤਾ ਨੂੰ ਪ੍ਰਭਾਵ ਦੇ ਆਕਾਰ, ਭਰੋਸੇ ਦੇ ਅੰਤਰਾਲ, ਅਤੇ ਸੰਦਰਭ ਦਾ ਮੁਲਾਂਕਣ ਵੀ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ।
5. 'ਪੀ-ਹੈਕਿੰਗ' ਸ਼ਬਦ ਦਾ ਕੀ ਅਰਥ ਹੈ ਅਤੇ AI ਇਸਨੂੰ ਆਸਾਨ ਕਿਉਂ ਬਣਾ ਸਕਦਾ ਹੈ?
- ਏ) ਕਈ ਵਿਸ਼ਲੇਸ਼ਣਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨਾ ਜਦੋਂ ਤੱਕ ਇਹ ਸਮਝ ਨਹੀਂ ਆਉਂਦਾ; AI ਇਹ ਬਹੁਤ ਤੇਜ਼ੀ ਨਾਲ ਕਰਦਾ ਹੈ, ਜੋਖਮ ਵਧਾਉਂਦਾ ਹੈ ✔
- ਅ) ਇੱਕ ਵਾਰ ਅਤੇ ਇੱਕ ਪੂਰਵ-ਨਿਰਧਾਰਤ ਯੋਜਨਾ ਦੇ ਨਾਲ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨਾ
- C) ਪੀ-ਮੁੱਲ ਵਧਾਉਣ ਲਈ ਨਮੂਨੇ ਦਾ ਵਿਸਤਾਰ ਕਰਨਾ
- ਡੀ) ਸਿਰਫ਼ ਵਰਣਨਯੋਗ ਅੰਕੜਿਆਂ ਦੀ ਰਿਪੋਰਟ ਕਰਨਾ
ਵਿਆਖਿਆ: p-ਹੈਕਿੰਗ ਵੱਖ-ਵੱਖ ਵੇਰੀਏਬਲਾਂ, ਉਪ-ਨਮੂਨੇ, ਪਰਿਵਰਤਨ, ਜਾਂ ਮਾਡਲਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੀ ਹੈ ਜਦੋਂ ਤੱਕ ਕੋਈ ਸਾਰਥਕ ਨਤੀਜਾ ਨਹੀਂ ਨਿਕਲਦਾ; ਇਹ ਮੌਕਾ ਦੇ ਅਧਾਰ 'ਤੇ ਜਾਅਲੀ ਖੋਜਾਂ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਕਿਉਂਕਿ AI ਸਕਿੰਟਾਂ ਵਿੱਚ ਦਰਜਨਾਂ ਮਾਡਲ ਰੂਪਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਸਕਦਾ ਹੈ, ਇਹ ਬਿਨਾਂ ਕਿਸੇ ਇਮਾਨਦਾਰ ਯੋਜਨਾ ਦੇ ਪੀ-ਹੈਕਿੰਗ ਨੂੰ ਤੇਜ਼ ਕਰ ਸਕਦਾ ਹੈ। ਰੱਖਿਆ; ਪੂਰਵ-ਰਜਿਸਟ੍ਰੇਸ਼ਨ, ਸਥਿਰ ਵਿਸ਼ਲੇਸ਼ਣ ਯੋਜਨਾ ਅਤੇ ਕਈ ਤੁਲਨਾਤਮਕ ਸੁਧਾਰ।
6. ਦੋ ਗੈਰ-ਸਟੇਸ਼ਨਰੀ (ਯੂਨਿਟ ਰੂਟ) ਸਮਾਂ ਲੜੀ ਦੇ ਵਿਚਕਾਰ ਇੱਕ ਉੱਚ ਆਰ-ਵਰਗ ਰਿਗਰੈਸ਼ਨ ਦਾ ਪਤਾ ਕਿਉਂ ਗੁੰਮਰਾਹਕੁੰਨ ਹੋ ਸਕਦਾ ਹੈ?
- ਏ) ਆਮ ਰੁਝਾਨ ਦੇ ਕਾਰਨ ਨਕਲੀ ਰਿਗਰੈਸ਼ਨ ਹੋ ਸਕਦਾ ਹੈ; ✔ ਅਸਲ ਸਬੰਧ ਤੋਂ ਬਿਨਾਂ ਉੱਚ ਆਰ-ਵਰਗ ਆਉਟਪੁੱਟ
- B) ਇੱਕ ਉੱਚ ਆਰ-ਵਰਗ ਹਮੇਸ਼ਾ ਇੱਕ ਮਜ਼ਬੂਤ ਕਾਰਣ ਸਬੰਧ ਸਾਬਤ ਕਰਦਾ ਹੈ।
- C) ਗੈਰ-ਸਥਿਰ ਲੜੀ ਨੂੰ ਬਿਲਕੁਲ ਵੀ ਰਿਗਰੈਸ਼ਨ ਵਿੱਚ ਦਾਖਲ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
- D) ਸਮਾਂ ਲੜੀ ਵਿੱਚ R-ਵਰਗ ਦੀ ਗਣਨਾ ਨਹੀਂ ਕੀਤੀ ਜਾ ਸਕਦੀ
ਵਿਆਖਿਆ: ਜੇਕਰ ਗੈਰ-ਸਟੇਸ਼ਨਰੀ ਲੜੀ ਦੇ ਵਿਚਕਾਰ ਕੋਈ ਸਾਂਝਾ ਸਹਿ-ਸਹਿਯੋਗ ਸਬੰਧ ਨਹੀਂ ਹੈ, ਤਾਂ ਨਕਲੀ ਰਿਗਰੈਸ਼ਨ ਸਿਰਫ ਆਮ ਰੁਝਾਨ ਦੇ ਕਾਰਨ ਉੱਚ ਆਰ-ਵਰਗ ਅਤੇ ਮਹੱਤਵਪੂਰਨ ਗੁਣਾਂਕ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ; ਜਦੋਂ ਕਿ ਕੋਈ ਅਸਲੀ ਰਿਸ਼ਤਾ ਨਹੀਂ ਹੈ। ਇਸ ਲਈ, ਸਟੇਸ਼ਨਰੀਟੀ ਅਤੇ ਯੂਨਿਟ ਰੂਟ ਟੈਸਟ ਪਹਿਲਾਂ ਕੀਤੇ ਜਾਣੇ ਚਾਹੀਦੇ ਹਨ, ਅਤੇ ਜੇ ਲੋੜ ਹੋਵੇ, ਅੰਤਰ ਲਏ ਜਾਣੇ ਚਾਹੀਦੇ ਹਨ ਜਾਂ ਸੰਯੋਗਤਾ ਦੀ ਜਾਂਚ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ।
7. ਡਿਫਰੈਂਸ-ਇਨ-ਡਿਫਰੈਂਸ ਡਿਜ਼ਾਈਨ ਦੀ ਵੈਧਤਾ 'ਤੇ ਆਧਾਰਿਤ ਕਿਹੜੀ ਮੂਲ ਧਾਰਨਾ ਹੈ?
- A) ਸਮਾਨਾਂਤਰ ਰੁਝਾਨਾਂ ਦੀ ਧਾਰਨਾ: ਜੇਕਰ ਕੋਈ ਦਖਲਅੰਦਾਜ਼ੀ ਨਾ ਹੁੰਦੀ ਤਾਂ ਸਮੂਹ ਉਸੇ ਦਿਸ਼ਾ ਦੀ ਪਾਲਣਾ ਕਰਨਗੇ ✔
- ਅ) ਇਲਾਜ ਅਤੇ ਨਿਯੰਤਰਣ ਸਮੂਹ ਸ਼ੁਰੂ ਵਿਚ ਬਿਲਕੁਲ ਇੱਕੋ ਜਿਹੇ ਹਨ
- C) ਨਮੂਨੇ ਦੀ ਆਮ ਵੰਡ
- D) ਵੇਰੀਏਬਲਾਂ ਵਿੱਚ ਕੋਈ ਗੁੰਮ ਡੇਟਾ ਨਹੀਂ ਹੁੰਦਾ ਹੈ
ਵਿਆਖਿਆ: ਡੀਆਈਡੀ ਇਹ ਮੰਨਦਾ ਹੈ ਕਿ ਦਖਲਅੰਦਾਜ਼ੀ ਦੀ ਅਣਹੋਂਦ ਵਿੱਚ, ਇਲਾਜ ਅਤੇ ਨਿਯੰਤਰਣ ਸਮੂਹਾਂ ਲਈ ਨਤੀਜਾ ਵੇਰੀਏਬਲ ਸਮੇਂ ਦੇ ਨਾਲ ਸਮਾਂਤਰ ਹੋ ਜਾਵੇਗਾ (ਸਮਾਨਾਂਤਰ ਰੁਝਾਨ ਧਾਰਨਾ)। ਜੇਕਰ ਇਹ ਧਾਰਨਾ ਪੂਰੀ ਨਹੀਂ ਹੁੰਦੀ ਹੈ, ਤਾਂ ਅਨੁਮਾਨ ਪੱਖਪਾਤੀ ਹੈ। AI ਡੀਆਈਡੀ ਕੋਡ ਤਿਆਰ ਕਰ ਸਕਦਾ ਹੈ, ਪਰ ਸਮਾਨਾਂਤਰ ਰੁਝਾਨਾਂ ਦੀ ਰੱਖਿਆ ਅਤੇ ਜਾਂਚ ਕਰਨਾ ਖੋਜਕਰਤਾ ਦਾ ਕੰਮ ਹੈ।
8. ਇੱਕ ਪ੍ਰਜਨਨ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਹੇਠ ਲਿਖਿਆਂ ਵਿੱਚੋਂ ਕਿਹੜਾ ਇੱਕ ਲਾਜ਼ਮੀ ਅਭਿਆਸ ਹੈ?
- A) ਬੇਤਰਤੀਬੇ ਕਦਮਾਂ ਵਿੱਚ ਬੀਜ ਨੂੰ ਫਿਕਸ ਕਰਨਾ, ਪੈਕੇਜ ਸੰਸਕਰਣਾਂ ਅਤੇ ਕੋਡ ਨੂੰ ਰਿਕਾਰਡ ਕਰਨਾ ✔
- ਅ) ਨਤੀਜਿਆਂ ਨੂੰ ਹੱਥੀਂ ਸਪ੍ਰੈਡਸ਼ੀਟ ਵਿੱਚ ਕਾਪੀ ਕਰੋ ਅਤੇ ਕੋਡ ਨੂੰ ਮਿਟਾਓ
- C) ਹਰ ਦੌੜ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਨਤੀਜੇ ਦੇਖਣਾ ਆਮ ਗੱਲ ਹੈ।
- ਡੀ) ਸਿਰਫ ਫਾਈਨਲ ਗ੍ਰਾਫਿਕਸ ਰੱਖਣਾ, ਡੇਟਾ ਅਤੇ ਕੋਡ ਨੂੰ ਸਾਂਝਾ ਨਹੀਂ ਕਰਨਾ
ਵਰਣਨ: ਪ੍ਰਜਨਨਯੋਗਤਾ; ਉਹੀ ਨਤੀਜਾ ਉਸੇ ਡੇਟਾ ਅਤੇ ਕੋਡ ਨਾਲ ਦੁਬਾਰਾ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਬੇਤਰਤੀਬੇ ਕਦਮਾਂ ਵਿੱਚ ਬੀਜ ਨੂੰ ਫਿਕਸ ਕਰਨਾ, ਪੈਕੇਜ ਸੰਸਕਰਣਾਂ ਨੂੰ ਸੁਰੱਖਿਅਤ ਕਰਨਾ, ਅਤੇ ਦਸਤਾਵੇਜ਼ ਦੇ ਅੰਦਰ ਕੋਡ ਨੂੰ ਚਲਾਉਣਾ (ਲਿਟਰੇਟ ਪ੍ਰੋਗ੍ਰਾਮਿੰਗ) ਇਸਦੇ ਅਧਾਰ ਹਨ। ਨਤੀਜਿਆਂ ਨੂੰ ਹੱਥੀਂ ਜਾਂ ਕਲਿੱਕ-ਆਧਾਰਿਤ, ਗੈਰ-ਲਾਗਿੰਗ ਕਦਮਾਂ ਦੀ ਨਕਲ ਕਰਨਾ ਪ੍ਰਜਨਨਯੋਗਤਾ ਨੂੰ ਕਮਜ਼ੋਰ ਕਰਦਾ ਹੈ।
9. ਹੇਟਰੋਸਕੇਡੈਸਟੀਸਿਟੀ ਇੱਕ ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ ਨੂੰ ਕੀ ਵਿਗਾੜਦੀ ਹੈ ਅਤੇ ਇਸਦਾ ਆਮ ਹੱਲ ਕੀ ਹੈ?
- ਏ) ਇਹ ਮਿਆਰੀ ਗਲਤੀਆਂ ਨੂੰ ਵਿਗਾੜਦਾ ਹੈ; ਹੱਲ ਮਜਬੂਤ ਮਿਆਰੀ ਤਰੁੱਟੀਆਂ ਜਾਂ ਢੁਕਵੀਂ ਤਬਦੀਲੀ ਹੈ ✔
- ਅ) ਇਹ ਗੁਣਾਂਕ ਅਨੁਮਾਨਾਂ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਅਯੋਗ ਬਣਾਉਂਦਾ ਹੈ ਅਤੇ ਇਸਦਾ ਕੋਈ ਹੱਲ ਨਹੀਂ ਹੈ
- C) ਹਮੇਸ਼ਾ R-ਵਰਗ ਨੂੰ ਜ਼ੀਰੋ ਤੱਕ ਘਟਾਉਂਦਾ ਹੈ
- ਡੀ) ਕੇਵਲ ਤਾਂ ਹੀ ਵਾਪਰਦਾ ਹੈ ਜੇਕਰ ਨਮੂਨਾ ਬਹੁਤ ਛੋਟਾ ਹੈ ਅਤੇ ਅਣਡਿੱਠ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ
ਵਿਆਖਿਆ: ਹੇਟਰੋਸੈਡੈਸਟਿਕਟੀ ਗੁਣਾਂਕ ਅਨੁਮਾਨਾਂ ਨੂੰ ਨਿਰਪੱਖ ਛੱਡਦੀ ਹੈ ਪਰ ਮਿਆਰੀ ਤਰੁੱਟੀਆਂ ਦੀ ਗਲਤ ਗਣਨਾ ਕਰਦੀ ਹੈ; ਇਹ ਪੀ-ਮੁੱਲਾਂ ਅਤੇ ਭਰੋਸੇ ਦੇ ਅੰਤਰਾਲਾਂ ਨੂੰ ਭਰੋਸੇਯੋਗ ਬਣਾਉਂਦਾ ਹੈ। ਇੱਕ ਆਮ ਹੱਲ ਮਜਬੂਤ/HC ਮਿਆਰੀ ਤਰੁੱਟੀਆਂ ਜਾਂ ਉਚਿਤ ਰੂਪਾਂਤਰਣ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਹੈ। ਇਹ ਤਸਦੀਕ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ AI ਦੁਆਰਾ ਸੁਝਾਇਆ ਗਿਆ ਹੱਲ ਅਸਲ ਵਿੱਚ ਸਮੱਸਿਆ ਨੂੰ ਲੁਕਾਉਣ ਦੀ ਬਜਾਏ ਹੱਲ ਕਰਦਾ ਹੈ।
10. ਇੱਕ ਖੋਜਕਰਤਾ ਇੱਕ ਜਨਤਕ AI ਚੈਟ ਟੂਲ ਵਿੱਚ ਮਰੀਜ਼-ਪੱਧਰ ਦੀ ਪਛਾਣ ਜਾਣਕਾਰੀ ਅਤੇ ਆਮਦਨੀ ਵਾਲਾ ਮਾਈਕ੍ਰੋਡਾਟਾ ਅਪਲੋਡ ਕਰਦਾ ਹੈ ਅਤੇ ਕਹਿੰਦਾ ਹੈ 'ਡੂ ਰਿਗਰੈਸ਼ਨ'। ਇਸ ਵਿਵਹਾਰ ਨਾਲ ਮੁੱਖ ਸਮੱਸਿਆ ਕੀ ਹੈ?
- A) ਕਿਸੇ ਬਾਹਰੀ ਟੂਲ 'ਤੇ ਨਿੱਜੀ/ਲਾਇਸੰਸਸ਼ੁਦਾ ਡੇਟਾ ਅਪਲੋਡ ਕਰਨਾ ਗੁਪਤਤਾ ਅਤੇ ਇਕਰਾਰਨਾਮੇ ਦੀ ਉਲੰਘਣਾ ਹੈ ✔
- ਅ) ਨਕਲੀ ਬੁੱਧੀ ਦੁਆਰਾ ਰਿਗਰੈਸ਼ਨ ਬਿਲਕੁਲ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ
- C) ਮਾਈਕਰੋ ਡੇਟਾ ਰੀਗਰੈਸ਼ਨ ਲਈ ਬਿਲਕੁਲ ਵੀ ਢੁਕਵਾਂ ਨਹੀਂ ਹੈ
- D) AI ਹਮੇਸ਼ਾ ਰਿਗਰੈਸ਼ਨ ਦੀ ਗਲਤ ਗਣਨਾ ਕਰਦਾ ਹੈ
ਸਪੱਸ਼ਟੀਕਰਨ: ਨਿੱਜੀ/ਵਿਸ਼ੇਸ਼ ਡੇਟਾ ਜਿਵੇਂ ਕਿ ਪਛਾਣ ਅਤੇ ਆਮਦਨ KVKK/GDPR ਅਤੇ ਜ਼ਿਆਦਾਤਰ ਡੇਟਾ ਵਰਤੋਂ ਸਮਝੌਤਿਆਂ ਦੇ ਅਧੀਨ ਸੁਰੱਖਿਅਤ ਹਨ; ਉਹਨਾਂ ਨੂੰ ਕਿਸੇ ਬਾਹਰੀ ਡਿਵਾਈਸ ਤੇ ਅਪਲੋਡ ਕਰਨਾ ਜੋ ਡੇਟਾ ਸਟੋਰ ਕਰ ਸਕਦਾ ਹੈ ਇੱਕ ਉਲੰਘਣਾ ਹੈ। ਸਹੀ ਰਾਹ; ਡੇਟਾ ਨੂੰ ਅਗਿਆਤ ਕਰਨਾ, ਸਥਾਨਕ/ਸੰਸਥਾਗਤ ਸੁਰੱਖਿਅਤ ਸਾਧਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ, ਜਾਂ ਸਿਰਫ਼ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਤੋਂ ਕੋਡ ਦੀ ਬੇਨਤੀ ਕਰਨਾ ਅਤੇ ਕੋਡ ਨੂੰ ਇਸਦੇ ਆਪਣੇ ਵਾਤਾਵਰਣ ਵਿੱਚ ਚਲਾਉਣਾ।
11. ਜਦੋਂ ਮਲਟੀਕੋਲੀਨੇਰਿਟੀ ਜ਼ਿਆਦਾ ਹੁੰਦੀ ਹੈ ਤਾਂ ਕੀ ਦੇਖਿਆ ਜਾਂਦਾ ਹੈ?
- ਏ) ਗੁਣਾਂਕ ਅਸਥਿਰ ਹੋ ਜਾਂਦੇ ਹਨ ਅਤੇ ਮਿਆਰੀ ਤਰੁੱਟੀਆਂ ਵਧ ਜਾਂਦੀਆਂ ਹਨ; ਵਿਅਕਤੀਗਤ ਗੁਣਾਂਕ ਅਰਥਹੀਣ ਹੋ ਸਕਦੇ ਹਨ ✔
- B) R-ਵਰਗ ਹਮੇਸ਼ਾ ਜ਼ੀਰੋ ਤੱਕ ਘਟਦਾ ਹੈ
- C) ਗੁਣਾਂਕ ਅਨੁਮਾਨ ਹਰ ਸਮੇਂ ਵਧੇਰੇ ਸਟੀਕ ਹੋ ਜਾਂਦੇ ਹਨ
- D) ਨਿਰਭਰ ਵੇਰੀਏਬਲ ਤਬਦੀਲੀਆਂ ਦਾ ਪੈਮਾਨਾ
ਵਿਆਖਿਆ: ਉੱਚ ਮਲਟੀਕੋਲੀਨੀਅਰਿਟੀ ਵਿੱਚ, ਸੁਤੰਤਰ ਵੇਰੀਏਬਲ ਇੱਕ ਦੂਜੇ ਨਾਲ ਮਜ਼ਬੂਤੀ ਨਾਲ ਸਬੰਧਿਤ ਹੁੰਦੇ ਹਨ; ਗੁਣਾਂਕ ਅਨੁਮਾਨ ਅਸਥਿਰ ਹੋ ਜਾਂਦੇ ਹਨ, ਮਿਆਰੀ ਤਰੁੱਟੀਆਂ ਵਧ ਜਾਂਦੀਆਂ ਹਨ, ਅਤੇ ਵਿਅਕਤੀਗਤ ਗੁਣਾਂਕ ਮਾਮੂਲੀ ਸਾਬਤ ਹੋ ਸਕਦੇ ਹਨ, ਜਦੋਂ ਕਿ ਸਮੁੱਚਾ ਮਾਡਲ ਮਹੱਤਵਪੂਰਨ ਹੋ ਸਕਦਾ ਹੈ। ਇਹ VIF ਵਰਗੇ ਮਾਪਦੰਡਾਂ ਦੁਆਰਾ ਨਿਦਾਨ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਵੇਰੀਏਬਲ ਨੂੰ ਖਤਮ ਕਰਨ ਦਾ ਸੁਝਾਅ ਦੇ ਸਕਦੀ ਹੈ, ਪਰ ਇਹ ਖੋਜਕਰਤਾ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਕਿਹੜਾ ਵੇਰੀਏਬਲ ਸਿਧਾਂਤਕ ਰਹਿਣਾ ਚਾਹੀਦਾ ਹੈ।
12. ਅੰਕੜਾ ਸ਼ਕਤੀ ਕੀ ਹੈ ਅਤੇ ਘੱਟ-ਪਾਵਰ ਅਧਿਐਨ ਦਾ ਕੀ ਖਤਰਾ ਹੈ?
- ਏ) ਮੌਜੂਦਾ ਪ੍ਰਭਾਵ ਦਾ ਪਤਾ ਲਗਾਉਣ ਦੀ ਸੰਭਾਵਨਾ; ਘੱਟ ਸ਼ਕਤੀ ਅਸਲ ਪ੍ਰਭਾਵਾਂ ਨੂੰ ਖੁੰਝਾਉਂਦੀ ਹੈ ਅਤੇ ਖੋਜਾਂ ਨੂੰ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਬਣਾਉਂਦੀ ✔
- ਬੀ) ਪੀ-ਮੁੱਲ ਨੂੰ ਘਟਾਉਣ ਦੀ ਸੰਭਾਵਨਾ; ਘੱਟ ਪਾਵਰ ਹਮੇਸ਼ਾ ਵਧੇਰੇ ਭਰੋਸੇਯੋਗ ਨਤੀਜੇ ਦਿੰਦੀ ਹੈ
- C) ਨਮੂਨੇ ਦੇ ਆਕਾਰ ਤੋਂ ਸੁਤੰਤਰ ਇੱਕ ਸਥਿਰ ਮੁੱਲ
- ਡੀ) ਇੱਕ ਸੰਕਲਪ ਜੋ ਸਿਰਫ ਉਦੋਂ ਜਾਇਜ਼ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ
ਵਿਆਖਿਆ: ਪਾਵਰ ਇੱਕ ਪ੍ਰਭਾਵ ਦਾ ਪਤਾ ਲਗਾਉਣ ਦੀ ਸੰਭਾਵਨਾ ਹੈ ਜੋ ਅਸਲ ਵਿੱਚ ਮੌਜੂਦ ਹੈ (1 ਘਟਾਓ ਟਾਈਪ II ਗਲਤੀ)। ਘੱਟ-ਸ਼ਕਤੀ ਵਾਲੇ ਅਧਿਐਨ ਸਹੀ ਪ੍ਰਭਾਵਾਂ ਤੋਂ ਖੁੰਝ ਸਕਦੇ ਹਨ; ਇਸ ਤੋਂ ਇਲਾਵਾ, ਕੁਝ ਮਹੱਤਵਪੂਰਨ ਨਤੀਜੇ ਇੱਕ ਅਤਿਕਥਨੀ ਪ੍ਰਭਾਵ ਦਾ ਆਕਾਰ ('ਵਿਜੇਤਾ ਦਾ ਸਰਾਪ') ਲੈ ਸਕਦੇ ਹਨ ਅਤੇ ਗਲਤ ਸਕਾਰਾਤਮਕ ਦਰ ਵਧਦੀ ਹੈ। ਇਸ ਲਈ, ਵਿਸ਼ਲੇਸ਼ਣ ਤੋਂ ਪਹਿਲਾਂ ਸ਼ਕਤੀ/ਨਮੂਨਾ ਗਣਨਾ ਮਹੱਤਵਪੂਰਨ ਹੈ।
13. ਲੇਖ ਵਿਚ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਵਰਤੋਂ ਦਾ ਖੁਲਾਸਾ ਕਰਨਾ ਨੈਤਿਕ ਤੌਰ 'ਤੇ ਕਿਉਂ ਜ਼ਰੂਰੀ ਹੈ?
- ਏ) ਪਾਰਦਰਸ਼ਤਾ ਅਤੇ ਜਵਾਬਦੇਹੀ ਲਈ; ✔ ਪਾਠਕ ਅਤੇ ਰੈਫਰੀ ਪ੍ਰਕਿਰਿਆ ਦਾ ਮੁਲਾਂਕਣ ਕਰ ਸਕਦੇ ਹਨ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਲੇਖਕ ਦੀ ਰਹਿੰਦੀ ਹੈ
- ਅ) ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਵਰਤੋਂ ਆਪਣੇ ਆਪ ਨਤੀਜਿਆਂ ਨੂੰ ਅਯੋਗ ਕਰ ਦਿੰਦੀ ਹੈ
- C) ਸਿਰਫ਼ ਇਸ਼ਤਿਹਾਰਬਾਜ਼ੀ ਦੇ ਉਦੇਸ਼ਾਂ ਲਈ ਰਸਾਲਿਆਂ ਦੁਆਰਾ ਬੇਨਤੀ ਕੀਤੀ ਗਈ
- ਡੀ) ਵਿਆਖਿਆ ਦੇ ਕਾਪੀਰਾਈਟ ਨੂੰ ਨਕਲੀ ਬੁੱਧੀ ਵਿੱਚ ਤਬਦੀਲ ਕਰਨਾ
ਖੁਲਾਸਾ: ਪਾਰਦਰਸ਼ਤਾ ਜ਼ਰੂਰੀ ਹੈ ਤਾਂ ਜੋ ਪਾਠਕ ਅਤੇ ਸਮੀਖਿਅਕ ਇਹ ਮੁਲਾਂਕਣ ਕਰ ਸਕਣ ਕਿ ਨਤੀਜੇ ਕਿਵੇਂ ਪੈਦਾ ਕੀਤੇ ਗਏ ਸਨ; ਕਈ ਰਸਾਲਿਆਂ ਅਤੇ ਸੰਸਥਾਵਾਂ ਨੂੰ ਹੁਣ AI ਦੀ ਵਰਤੋਂ ਦਾ ਖੁਲਾਸਾ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਕਿਉਂਕਿ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਗਲਤੀਆਂ/ਭਰਮ ਪੈਦਾ ਕਰ ਸਕਦੀ ਹੈ, ਇਹ ਦੱਸਣਾ ਇਮਾਨਦਾਰੀ ਦੀ ਗੱਲ ਹੈ ਕਿ ਜ਼ਿੰਮੇਵਾਰੀ ਲੇਖਕ ਦੀ ਰਹਿੰਦੀ ਹੈ ਅਤੇ ਕਿਹੜੇ ਕਦਮਾਂ ਦਾ ਆਡਿਟ ਕੀਤਾ ਗਿਆ ਸੀ।
14. ਇੰਸਟਰੂਮੈਂਟ ਵੇਰੀਏਬਲ (IV) ਵਿਧੀ ਵਿੱਚ 'ਬੇਦਖਲੀ ਪਾਬੰਦੀ' ਦੀ ਕੀ ਲੋੜ ਹੈ?
- A) ਟੂਲ ਸਿਰਫ ਅੰਦਰੂਨੀ ਵੇਰੀਏਬਲ ਦੁਆਰਾ ਨਤੀਜੇ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ, ਕੋਈ ਹੋਰ ਸਿੱਧਾ ਤਰੀਕਾ ਨਹੀਂ ਹੈ ✔
- ਅ) ਸਾਧਨ ਦਾ ਨਤੀਜਾ ਵੇਰੀਏਬਲ ਨਾਲ ਕੋਈ ਸਬੰਧ ਨਹੀਂ ਹੈ।
- C) ਯੰਤਰ ਐਂਡੋਜੇਨਸ ਵੇਰੀਏਬਲ ਨਾਲ ਸੰਬੰਧਿਤ ਨਹੀਂ ਹੈ।
- D) ਮਤਲਬ ਹਮੇਸ਼ਾ ਇੱਕ ਬਾਈਨਰੀ (0/1) ਵੇਰੀਏਬਲ ਹੁੰਦਾ ਹੈ
ਸਪੱਸ਼ਟੀਕਰਨ: ਬੇਦਖਲੀ ਸੀਮਾ ਦੀ ਲੋੜ ਹੈ ਕਿ ਯੰਤਰ ਨਤੀਜੇ ਵੇਰੀਏਬਲ ਨੂੰ ਕੇਵਲ ਐਂਡੋਜੇਨਸ ਵਿਆਖਿਆਤਮਕ ਵੇਰੀਏਬਲ ਦੁਆਰਾ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ ਨਾ ਕਿ ਕਿਸੇ ਹੋਰ ਸਿੱਧੇ ਸਾਧਨਾਂ ਜਾਂ ਅਣ-ਨਿਰੀਖਣ ਵਾਲੇ ਕਾਰਕਾਂ ਦੁਆਰਾ। ਇਸ ਧਾਰਨਾ ਨੂੰ ਡੇਟਾ ਤੋਂ ਪੂਰੀ ਤਰ੍ਹਾਂ ਪਰਖਿਆ ਨਹੀਂ ਜਾ ਸਕਦਾ ਹੈ; ਇਸ ਦਾ ਸਿਧਾਂਤਕ ਅਤੇ ਸੰਸਥਾਗਤ ਆਧਾਰ 'ਤੇ ਬਚਾਅ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। AI IV ਕੋਡ ਲਿਖ ਸਕਦਾ ਹੈ, ਪਰ ਟੂਲ ਦੀ ਵੈਧਤਾ ਦਾ ਬਚਾਅ ਕਰਨਾ ਖੋਜਕਰਤਾ ਦਾ ਕੰਮ ਹੈ।
15. ਪੂਰਵ-ਰਜਿਸਟ੍ਰੇਸ਼ਨ ਤੋਂ ਬਿਨਾਂ ਲਚਕਦਾਰ ਵਿਸ਼ਲੇਸ਼ਣਾਂ ਵਿੱਚ 'ਫੋਰਕਿੰਗ ਮਾਰਗਾਂ ਦਾ ਬਾਗ' ਸਮੱਸਿਆ ਦਾ ਕੀ ਅਰਥ ਹੈ?
- A) ਡੇਟਾ ਦੇ ਅਧਾਰ ਤੇ ਕੀਤੇ ਗਏ ਬਹੁਤ ਸਾਰੇ ਵਾਜਬ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿਕਲਪ ਗਲਤ ਸਕਾਰਾਤਮਕ ਦਰ ਨੂੰ ਵਧਾਉਂਦੇ ਹਨ, ਇੱਥੋਂ ਤੱਕ ਕਿ ਅਣਜਾਣੇ ਵਿੱਚ ਵੀ ✔
- ਅ) ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਢੰਗ ਸਿੰਗਲ ਅਤੇ ਲਾਜ਼ਮੀ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ
- C) ਇੱਕ ਸਮੱਸਿਆ ਜੋ ਸਿਰਫ ਉਦੋਂ ਵਾਪਰਦੀ ਹੈ ਜਦੋਂ ਜਾਣਬੁੱਝ ਕੇ ਧੋਖਾਧੜੀ ਹੁੰਦੀ ਹੈ।
- ਡੀ) ਅਜਿਹੀ ਸਥਿਤੀ ਜੋ ਨਮੂਨਾ ਵਧਣ ਦੇ ਨਾਲ ਹੀ ਆਪਣੇ ਆਪ ਅਲੋਪ ਹੋ ਜਾਂਦੀ ਹੈ
ਵਿਆਖਿਆ: ਡੇਟਾ ਨੂੰ ਦੇਖਣ ਤੋਂ ਬਾਅਦ, ਖੋਜਕਰਤਾ ਇਸ ਬਾਰੇ ਬਹੁਤ ਸਾਰੀਆਂ ਵਾਜਬ ਚੋਣਾਂ ਕਰ ਸਕਦਾ ਹੈ ਕਿ ਕਿਹੜੇ ਵੇਰੀਏਬਲ, ਉਪ-ਸਮੂਹ, ਪਰਿਵਰਤਨ, ਜਾਂ ਥ੍ਰੈਸ਼ਹੋਲਡ ਦੀ ਵਰਤੋਂ ਕਰਨੀ ਹੈ। ਭਾਵੇਂ ਕੋਈ ਵੀ 'ਇਰਾਦਤਨ ਪੀ-ਹੈਕਿੰਗ' ਨਹੀਂ ਹੈ, ਇਹ ਲਚਕਤਾ ਗਲਤ ਸਕਾਰਾਤਮਕ ਦਰ ਨੂੰ ਵਧਾਉਂਦੀ ਹੈ ਕਿਉਂਕਿ ਮਹੱਤਵਪੂਰਨ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਵੱਡੀ ਗਿਣਤੀ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣਾਂ ਤੋਂ ਚੁਣਿਆ ਜਾਂਦਾ ਹੈ। ਪ੍ਰੀ-ਰਜਿਸਟ੍ਰੇਸ਼ਨ ਅਤੇ ਇੱਕ ਨਿਸ਼ਚਿਤ ਵਿਸ਼ਲੇਸ਼ਣ ਯੋਜਨਾ ਇਸ ਲਚਕਤਾ ਨੂੰ ਸੀਮਿਤ ਕਰਦੀ ਹੈ।