ਲਾਭ:
- ਸਮਝੋ ਕਿ ਪੀ-ਹੈਕਿੰਗ, ਹਾਰਕਿੰਗ, ਚੋਣਵੀਂ ਰਿਪੋਰਟਿੰਗ, ਅਤੇ ਫੋਰਕਿੰਗ ਮਾਰਗਾਂ ਦਾ ਬਾਗ ਗਲਤ ਖੋਜਾਂ ਪੈਦਾ ਕਰਦੇ ਹਨ ਅਤੇ ਦੇਖੋ ਕਿ ਕਿਵੇਂ ਨਕਲੀ ਬੁੱਧੀ ਇਨ੍ਹਾਂ ਜਾਲਾਂ ਨੂੰ ਤੇਜ਼ ਕਰ ਸਕਦੀ ਹੈ।
- ਪੂਰਵ-ਰਜਿਸਟ੍ਰੇਸ਼ਨ, ਵਿਸ਼ਲੇਸ਼ਣ ਯੋਜਨਾ, ਮਲਟੀਪਲ ਤੁਲਨਾ ਅਨੁਸ਼ਾਸਨ ਅਤੇ ਨਕਲੀ ਖੁਫੀਆ ਸਹਾਇਤਾ ਨਾਲ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਰਗੇ ਬਚਾਅ ਨੂੰ ਸਥਾਪਿਤ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਇਮਾਨਦਾਰ ਬੇਨਤੀ ਡਿਜ਼ਾਈਨ ਨੂੰ ਅੰਦਰੂਨੀ ਬਣਾਉਣ ਦੇ ਯੋਗ ਹੋਣਾ ਜੋ ਨਕਲੀ ਬੁੱਧੀ ਨੂੰ 'ਅਰਥਪੂਰਨ ਨਤੀਜੇ ਲੱਭੋ' ਕਿਸਮ ਦੀਆਂ ਬੇਨਤੀਆਂ ਨੂੰ ਅਸਵੀਕਾਰ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਏਗਾ ਅਤੇ ਅੰਤਮ ਜ਼ਿੰਮੇਵਾਰੀ ਖੋਜਕਰਤਾ ਦੀ ਹੈ।
ਪਿਛਲੀ ਇਕਾਈ ਵਿੱਚ ਅਸੀਂ ਦੇਖਿਆ ਸੀ ਕਿ ਪੀ-ਵੈਲਯੂ ਕੀ ਹੈ ਅਤੇ ਕੀ ਨਹੀਂ ਹੈ। ਇਸ ਇਕਾਈ ਵਿੱਚ ਅਸੀਂ ਇੱਕ ਗੂੜ੍ਹੇ ਵਿਸ਼ੇ ਨੂੰ ਦੇਖਾਂਗੇ, ਉਹ ਯੋਜਨਾਬੱਧ ਜਾਲਾਂ ਜੋ ਅੰਕੜਿਆਂ ਦੀ ਅਖੰਡਤਾ ਨੂੰ ਖਤਰਾ ਬਣਾਉਂਦੇ ਹਨ। ਇਹਨਾਂ ਵਿੱਚੋਂ ਜ਼ਿਆਦਾਤਰ ਜਾਣਬੁੱਝ ਕੇ ਧੋਖਾਧੜੀ ਨਹੀਂ ਹਨ; ਇਹ ਧੋਖੇਬਾਜ਼ ਵਿਧੀਆਂ ਹਨ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਨੇਕ ਇਰਾਦੇ ਵਾਲੇ ਖੋਜਕਰਤਾ ਵੀ ਇਸ ਨੂੰ ਸਮਝੇ ਬਿਨਾਂ ਹੀ ਫਸ ਜਾਂਦੇ ਹਨ। ਅਤੇ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (ਏਆਈ) ਇਹਨਾਂ ਮੁਸ਼ਕਲਾਂ ਨੂੰ ਆਸਾਨ ਅਤੇ ਤੇਜ਼ ਬਣਾਉਂਦਾ ਹੈ, ਕਿਉਂਕਿ ਇਹ ਸਕਿੰਟਾਂ ਵਿੱਚ ਦਰਜਨਾਂ ਵਿਸ਼ਲੇਸ਼ਣਾਂ ਨੂੰ ਚਲਾਉਣਾ ਸੰਭਵ ਬਣਾਉਂਦਾ ਹੈ। ਇਸ ਯੂਨਿਟ ਦਾ ਉਦੇਸ਼ ਅਨੁਸ਼ਾਸਨ ਸਥਾਪਤ ਕਰਨਾ ਹੈ ਜੋ AI ਨੂੰ "ਅਰਥਪੂਰਨ ਨਤੀਜਾ ਲੱਭਣ ਵਾਲੀ ਮਸ਼ੀਨ" ਤੋਂ ਇੱਕ ਇਮਾਨਦਾਰ ਸਹਾਇਕ ਵਿੱਚ ਬਦਲ ਦੇਵੇਗਾ।
ਬੁਨਿਆਦੀ ਨੁਕਸਾਨ
ਪੀ-ਹੈਕਿੰਗ (ਪੀ-ਵੈਲਯੂ ਹੰਟਿੰਗ): ਇਹ ਵੱਖ-ਵੱਖ ਤਰੀਕਿਆਂ ਨਾਲ ਦੁਬਾਰਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਿਹਾ ਹੈ ਜਦੋਂ ਤੱਕ ਕੋਈ ਮਹੱਤਵਪੂਰਨ ਨਤੀਜਾ (ਪੀ <0.05) ਪ੍ਰਾਪਤ ਨਹੀਂ ਹੋ ਜਾਂਦਾ। ਵੇਰੀਏਬਲਾਂ ਨੂੰ ਜੋੜਨਾ ਅਤੇ ਹਟਾਉਣਾ, ਉਪ-ਨਮੂਨੇ ਚੁਣਨਾ, ਆਊਟਲੀਅਰਾਂ ਦੀ ਪਰਿਭਾਸ਼ਾ ਨੂੰ ਬਦਲਣਾ, ਵੱਖੋ-ਵੱਖਰੇ ਪਰਿਵਰਤਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨਾ, ਵੱਖ-ਵੱਖ ਨਤੀਜੇ ਵੇਰੀਏਬਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ, ਜਦੋਂ ਇਹ ਅਰਥਪੂਰਨ ਬਣ ਜਾਂਦਾ ਹੈ ਤਾਂ ਡੇਟਾ ਇਕੱਠਾ ਕਰਨਾ ਬੰਦ ਕਰਨਾ... ਹਰ ਕੋਸ਼ਿਸ਼ ਇੱਕ ਨਵਾਂ "ਮੌਕਾ" ਦਿੰਦੀ ਹੈ; ਜੇ ਤੁਸੀਂ ਕਾਫ਼ੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹੋ, ਤਾਂ ਉਹਨਾਂ ਵਿੱਚੋਂ ਇੱਕ ਅਰਥਪੂਰਨ ਸਾਬਤ ਹੋ ਜਾਵੇਗਾ, ਭਾਵੇਂ ਇਸਦਾ ਅਸਲ ਵਿੱਚ ਕੋਈ ਅਸਰ ਨਾ ਹੋਵੇ। ਨਤੀਜਾ: ਨਕਲੀ ਖੋਜਾਂ ਜੋ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤੀਆਂ ਗਈਆਂ ਸਨ ਪਰ ਦੁਬਾਰਾ ਪੈਦਾ ਕਰਨ ਯੋਗ ਨਹੀਂ ਸਨ।
ਹਾਰਕਿੰਗ (ਨਤੀਜੇ ਜਾਣੇ ਜਾਣ ਤੋਂ ਬਾਅਦ ਪਰਿਕਲਪਨਾ ਕਰਨਾ): ਨਤੀਜਿਆਂ ਨੂੰ ਦੇਖਣ ਤੋਂ ਬਾਅਦ ਇੱਕ ਅਨੁਮਾਨ ਬਣਾਉਣਾ ਅਤੇ ਇਸਨੂੰ "ਮੈਂ ਸ਼ੁਰੂ ਤੋਂ ਇਸ ਤਰ੍ਹਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ ਸੀ" ਵਜੋਂ ਪੇਸ਼ ਕਰਨਾ। ਤੁਸੀਂ ਡੇਟਾ ਨੂੰ ਦੇਖਦੇ ਹੋ ਅਤੇ ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸਬੰਧ ਲੱਭਦੇ ਹੋ, ਫਿਰ ਕਾਗਜ਼ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਲਿਖੋ ਜਿਵੇਂ ਕਿ ਇਹ ਉਸ ਪਰਿਕਲਪਨਾ ਨੂੰ ਪਰਖਣ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਸੀ। ਇਹ ਖੋਜ ਨੂੰ ਪੁਸ਼ਟੀ ਵਰਗਾ ਬਣਾ ਕੇ ਪਾਠਕ ਨੂੰ ਗੁੰਮਰਾਹ ਕਰਦਾ ਹੈ।
ਚੋਣਵੀਂ ਰਿਪੋਰਟਿੰਗ (ਚੈਰੀ-ਪਿਕਿੰਗ): ਦਰਜਨਾਂ ਵਿਸ਼ਲੇਸ਼ਣਾਂ ਵਿੱਚੋਂ ਸਿਰਫ਼ "ਚੰਗੀਆਂ" ਦੀ ਰਿਪੋਰਟ ਕਰਨਾ ਅਤੇ ਬਾਕੀ ਨੂੰ ਚੁੱਪਚਾਪ ਦਫ਼ਨਾਉਣਾ। ਇਸਨੂੰ "ਫਾਈਲ ਦਰਾਜ਼ ਸਮੱਸਿਆ" ਵਜੋਂ ਵੀ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ: ਅਰਥਹੀਣ ਨਤੀਜੇ ਦਰਾਜ਼ ਵਿੱਚ ਰਹਿੰਦੇ ਹਨ, ਸਾਹਿਤ ਨੂੰ ਤਰਤੀਬਵਾਰ ਪੱਖਪਾਤੀ ਬਣਾਉਂਦੇ ਹਨ।
ਫੋਰਕਿੰਗ ਮਾਰਗਾਂ ਦਾ ਬਾਗ: ਐਂਡਰਿਊ ਗੇਲਮੈਨ ਦਾ ਕਾਰਜਕਾਲ। ਇੱਥੋਂ ਤੱਕ ਕਿ ਇੱਕ ਵੀ ਜਾਣਬੁੱਝ ਕੇ ਪੀ-ਹੈਕਿੰਗ ਦੇ ਬਿਨਾਂ, ਖੋਜਕਰਤਾ ਡੇਟਾ ਦੇ ਅਧਾਰ 'ਤੇ ਬਹੁਤ ਸਾਰੀਆਂ ਵਾਜਬ ਚੋਣਾਂ ਕਰਦਾ ਹੈ (ਕਿਹੜਾ ਵੇਰੀਏਬਲ, ਕਿਹੜਾ ਥ੍ਰੈਸ਼ਹੋਲਡ, ਕਿਹੜਾ ਉਪ ਸਮੂਹ, ਕਿਹੜਾ ਪਰਿਵਰਤਨ)। ਸੁਤੰਤਰਤਾ ਦੀਆਂ ਇਹ ਖੋਜੀ ਡਿਗਰੀਆਂ ਇੰਨੀਆਂ ਬਹੁਤ ਹਨ ਕਿ ਤੁਸੀਂ ਬਹੁਤ ਸਾਰੇ ਵਿਸ਼ਲੇਸ਼ਣਾਂ ਵਿੱਚੋਂ ਇੱਕ ਅਰਥਪੂਰਨ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਚੁਣ ਰਹੇ ਹੋ-ਭਾਵੇਂ ਬਿਨਾਂ ਕਿਸੇ ਮਾੜੇ ਇਰਾਦੇ ਦੇ। ਨਤੀਜਾ ਦੁਬਾਰਾ ਇੱਕ ਵਧ ਰਹੀ ਝੂਠੀ ਸਕਾਰਾਤਮਕ ਦਰ ਹੈ.
ਸਾਵਧਾਨ: ਇਹਨਾਂ ਵਿੱਚੋਂ ਜ਼ਿਆਦਾਤਰ ਜਾਲ ਜਾਣਬੁੱਝ ਕੇ ਨਹੀਂ ਹਨ। ਜਾਪਦੇ ਨਿਰਦੋਸ਼ ਕਦਮਾਂ ਦਾ ਜੋੜ ਜਿਵੇਂ ਕਿ "ਮੈਂ ਹੁਣੇ ਕੁਝ ਹੋਰ ਮਾਡਲਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ", "ਜਦੋਂ ਮੈਂ ਆਊਟਲੀਅਰ ਨੂੰ ਹਟਾਇਆ ਤਾਂ ਇਹ ਸਾਫ਼ ਸੀ", "ਇਸ ਉਪ ਸਮੂਹ ਵਿੱਚ ਪ੍ਰਭਾਵ ਸਪੱਸ਼ਟ ਹੈ" ਇੱਕ ਜਾਅਲੀ ਖੋਜ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ। ਇਮਾਨਦਾਰੀ ਵਿਧੀ ਦਾ ਮਾਮਲਾ ਹੈ, ਇਰਾਦੇ ਦਾ ਨਹੀਂ।
AI ਇਹਨਾਂ ਜਾਲਾਂ ਨੂੰ ਵੱਡਾ ਕਿਉਂ ਕਰਦਾ ਹੈ?
ਹੱਥ ਨਾਲ 3 ਮਾਡਲ ਅਜ਼ਮਾਉਣ ਵਿੱਚ ਸਮਾਂ ਲੱਗਦਾ ਹੈ; YZ ਮਿੰਟਾਂ ਵਿੱਚ 50 ਮਾਡਲ ਵੇਰੀਐਂਟ, 10 ਵੱਖ-ਵੱਖ ਰੂਪਾਂਤਰਨ, 8 ਸਬ-ਗਰੁੱਪ ਤਿਆਰ ਕਰਦਾ ਹੈ। ਇਹ ਸ਼ਕਤੀ ਇਮਾਨਦਾਰ ਯੋਜਨਾ ਦੇ ਬਿਨਾਂ ਵਿਨਾਸ਼ਕਾਰੀ ਹੈ: "ਇਸ ਡੇਟਾ ਵਿੱਚ ਇੱਕ ਸਾਰਥਕ ਸਬੰਧ ਲੱਭੋ" ਜਾਂ "ਇਸ ਅਨੁਮਾਨ ਦਾ ਸਮਰਥਨ ਕਰਨ ਵਾਲਾ ਇੱਕ ਮਾਡਲ ਬਣਾਓ" ਵਰਗੀ ਬੇਨਤੀ AI ਨੂੰ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਇੱਕ ਪੀ-ਹੈਕਿੰਗ ਇੰਜਣ ਵਿੱਚ ਬਦਲ ਦਿੰਦੀ ਹੈ। AI ਵੀ ਮਦਦਗਾਰ ਬਣਨਾ ਚਾਹੁੰਦਾ ਹੈ; ਇੱਕ "ਅਰਥਪੂਰਨ" ਨਤੀਜਾ ਲੱਭਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ ਜੋ ਤੁਹਾਨੂੰ ਸੰਤੁਸ਼ਟ ਕਰੇਗਾ। ਇਸ ਲਈ ਤੁਹਾਡਾ ਤੁਰੰਤ ਡਿਜ਼ਾਈਨ ਈਮਾਨਦਾਰੀ ਦੀ ਰੱਖਿਆ ਦੀ ਪਹਿਲੀ ਲਾਈਨ ਹੈ।
ਰੱਖਿਆ: ਕਾਰੋਬਾਰ ਦਾ ਨਿਰਪੱਖ ਕੋਰਸ
1. ਪੂਰਵ-ਰਜਿਸਟ੍ਰੇਸ਼ਨ: ਇਸਦਾ ਅਰਥ ਹੈ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਤੁਹਾਡੀ ਪਰਿਕਲਪਨਾ, ਵੇਰੀਏਬਲ, ਮਾਡਲ ਅਤੇ ਟੈਸਟਾਂ ਨੂੰ ਲਿਖਤੀ ਰੂਪ ਵਿੱਚ ਰਿਕਾਰਡ ਕਰਨਾ (ਸੰਭਵ ਤੌਰ 'ਤੇ ਟਾਈਮ-ਸਟੈਂਪਡ ਪਲੇਟਫਾਰਮ' ਤੇ)। ਇਸ ਤਰ੍ਹਾਂ, ਖੋਜ ਨੂੰ ਪੁਸ਼ਟੀ ਤੋਂ ਵੱਖ ਕੀਤਾ ਜਾਂਦਾ ਹੈ; ਜੋ ਵੀ ਤੁਸੀਂ ਬਾਅਦ ਵਿੱਚ ਬਦਲਦੇ ਹੋ ਉਸਨੂੰ "ਐਕਸਪਲੋਰਰ" ਵਜੋਂ ਟੈਗ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
2. ਵਿਸ਼ਲੇਸ਼ਣ ਯੋਜਨਾ: ਭਾਵੇਂ ਤੁਸੀਂ ਪੂਰਵ-ਰਿਕਾਰਡ ਨਹੀਂ ਕਰ ਸਕਦੇ ਹੋ, ਡੇਟਾ ਵਿੱਚ ਗੋਤਾਖੋਰੀ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਇੱਕ ਵਿਸ਼ਲੇਸ਼ਣ ਯੋਜਨਾ ਲਿਖੋ: ਪ੍ਰਾਇਮਰੀ ਅਨੁਮਾਨ, ਪ੍ਰਾਇਮਰੀ ਨਤੀਜਾ ਵੇਰੀਏਬਲ, ਮੁੱਖ ਮਾਡਲ। ਸ਼ੁਰੂ ਤੋਂ "ਮੁੱਖ ਵਿਸ਼ਲੇਸ਼ਣ" ਅਤੇ "ਵਾਧੂ/ਖੋਜੀ ਵਿਸ਼ਲੇਸ਼ਣ" ਵਿਚਕਾਰ ਅੰਤਰ ਨੂੰ ਸਥਾਪਿਤ ਕਰੋ ਅਤੇ ਇਸ ਨੂੰ ਰਿਪੋਰਟ ਵਿੱਚ ਬਣਾਈ ਰੱਖੋ।
3. ਹਰ ਚੀਜ਼ ਦੀ ਰਿਪੋਰਟ ਕਰੋ: ਉਹਨਾਂ ਮਾਡਲਾਂ ਨੂੰ ਨਾ ਲੁਕਾਓ ਜਿਨ੍ਹਾਂ ਦੀ ਤੁਸੀਂ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਹੈ। "ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਵਿਸ਼ਲੇਸ਼ਣ" (ਮਜ਼ਬੂਤਤਾ ਜਾਂਚ) ਭਾਗ ਵਿੱਚ, ਦਿਖਾਓ ਕਿ ਕਿਵੇਂ ਵੱਖ-ਵੱਖ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨਤੀਜੇ ਨੂੰ ਬਦਲਦੀਆਂ ਹਨ। ਖੋਜ ਕੇਵਲ ਤਾਂ ਹੀ ਮਜ਼ਬੂਤ ਹੁੰਦੀ ਹੈ ਜੇਕਰ ਇਹ ਬਹੁਤ ਸਾਰੀਆਂ ਮੰਨਣਯੋਗ ਚੋਣਾਂ ਦੇ ਅਧੀਨ ਹੁੰਦੀ ਹੈ।
4. ਮਲਟੀਪਲ ਤੁਲਨਾ ਅਨੁਸ਼ਾਸਨ: ਜੇਕਰ ਤੁਸੀਂ ਬਹੁਤ ਸਾਰੇ ਟੈਸਟ ਕੀਤੇ ਹਨ, ਤਾਂ ਉਹਨਾਂ ਨੂੰ ਠੀਕ ਕਰੋ (ਯੂਨਿਟ 6)। ਸਵਾਲ ਦਾ ਜਵਾਬ ਦਿਓ "ਮੈਂ ਕਿੰਨੇ ਟੈਸਟ ਕੀਤੇ ਹਨ?" ਇਮਾਨਦਾਰੀ ਨਾਲ.
5. ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਵਿਸ਼ਲੇਸ਼ਣ: ਇੱਕ ਵੱਖਰੇ ਨਮੂਨੇ, ਵੱਖਰੇ ਨਿਯੰਤਰਣ ਸੈੱਟ, ਅਤੇ ਵੱਖਰੇ ਪਰਿਵਰਤਨ ਨਾਲ ਆਪਣੀ ਮੁੱਖ ਖੋਜ ਨੂੰ ਦੁਹਰਾਓ। ਜੇਕਰ ਨਤੀਜਾ ਬਦਲਦਾ ਹੈ, ਤਾਂ ਇਸ ਨੂੰ ਨਾ ਲੁਕਾਓ, ਰਿਪੋਰਟ ਕਰੋ।
ਤੁਲਨਾ ਚਾਰਟ: ਇਮਾਨਦਾਰ ਬਨਾਮ ਜਾਲ
ਐਪਲੀਕੇਸ਼ਨ
ਜਾਲ ਦੀ ਸ਼ਕਲ
ਇਮਾਨਦਾਰ ਬਰਾਬਰ
ਮਾਡਲ ਦੀ ਚੋਣ
ਕੋਸ਼ਿਸ਼ ਕਰ ਰਿਹਾ ਹੈ ਜਦੋਂ ਤੱਕ ਇਹ ਸਮਝ ਨਹੀਂ ਆਉਂਦਾ (ਪੀ-ਹੈਕਿੰਗ)
ਪੂਰਵ-ਯੋਜਨਾਬੱਧ ਮਾਸਟਰ ਮਾਡਲ
ਪਰਿਕਲਪਨਾ
ਤੱਥ ਦੇ ਬਾਅਦ ਫਿਟਿੰਗ (ਹਾਰਕਿੰਗ)
ਪੂਰਵ-ਰਿਕਾਰਡ, ਡੇਟਾ ਤੋਂ ਪਹਿਲਾਂ
ਰਿਪੋਰਟਿੰਗ
ਸਿਰਫ ਸੁੰਦਰਾਂ ਨੂੰ ਨਾ ਦਿਖਾਓ
ਸਾਰੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ + ਸੰਵੇਦਨਸ਼ੀਲਤਾ
ਉਪ ਸਮੂਹ
ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਚੁਣਨਾ
ਪੂਰਵ ਪਰਿਭਾਸ਼ਿਤ, ਠੀਕ ਕਰਨ ਯੋਗ
ਡਾਟਾ ਇਕੱਠਾ
ਜਦੋਂ ਇਹ ਸਮਝ ਵਿੱਚ ਆਉਂਦਾ ਹੈ ਤਾਂ ਰੁਕੋ
ਪੂਰਵ-ਨਿਰਧਾਰਤ ਨਮੂਨਾ
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਪ੍ਰੋਂਪਟ
1. ਇਮਾਨਦਾਰ ਦਾਅਵਾ ਫਰੇਮਵਰਕ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਇਮਾਨਦਾਰ ਅੰਕੜਾ ਸਹਾਇਕ। ਮੇਰਾ ਟੀਚਾ ਸਾਰਥਕ ਨਤੀਜਾ ਲੱਭਣਾ ਨਹੀਂ ਹੈ, ਪਰ ਸਹੀ ਨਤੀਜਾ ਲੱਭਣਾ ਹੈ। ਨਿਯਮ:- ਮੈਨੂੰ "ਮਾਡਲਾਂ ਨੂੰ ਅਜ਼ਮਾਓ ਜਦੋਂ ਤੱਕ ਇਹ ਸਮਝ ਵਿੱਚ ਨਹੀਂ ਆਉਂਦਾ" ਕਿਸਮ ਦੇ ਸੁਝਾਅ ਨਾ ਦਿਓ, - ਮੈਨੂੰ ਦੱਸੋ ਜੇਕਰ ਤੁਸੀਂ ਇੱਕ ਤੋਂ ਵੱਧ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦਾ ਸੁਝਾਅ ਦਿੰਦੇ ਹੋ ਤਾਂ ਉਹਨਾਂ ਸਾਰਿਆਂ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ, - ਮੈਨੂੰ ਕਿਸੇ ਅਜਿਹੇ ਕਦਮ ਬਾਰੇ ਚੇਤਾਵਨੀ ਦਿਓ ਜੋ ਪੀ-ਹੈਕਿੰਗ ਵੱਲ ਲੈ ਜਾ ਸਕਦਾ ਹੈ। ਪਹਿਲਾਂ ਮੇਰੇ ਮੁੱਖ ਮਾਡਲ ਨੂੰ ਸਪੱਸ਼ਟ ਕਰਨ ਵਿੱਚ ਮੇਰੀ ਮਦਦ ਕਰੋ, ਪੁਸ਼ਟੀਕਰਨ ਤੋਂ ਵੱਖਰੀ ਖੋਜ।
2. ਵਿਸ਼ਲੇਸ਼ਣ ਯੋਜਨਾ ਦਾ ਖਰੜਾ:
ਇੱਕ ਅਧਿਐਨ ਲਈ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਵਿਸ਼ਲੇਸ਼ਣ ਯੋਜਨਾ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰਨ ਵਿੱਚ ਮੇਰੀ ਮਦਦ ਕਰੋ: ਪ੍ਰਾਇਮਰੀ ਪਰਿਕਲਪਨਾ, ਪ੍ਰਾਇਮਰੀ ਨਤੀਜਾ ਵੇਰੀਏਬਲ, ਮੁੱਖ ਮਾਡਲ ਨਿਰਧਾਰਨ, ਪੂਰਵ-ਪ੍ਰਭਾਸ਼ਿਤ ਉਪ ਸਮੂਹ, ਮਲਟੀਪਲ ਤੁਲਨਾ ਰਣਨੀਤੀ। "ਖੋਜੀ" ਅਤੇ "ਪੁਸ਼ਟੀਜਨਕ" ਵਿਸ਼ਲੇਸ਼ਣਾਂ ਨੂੰ ਵੱਖਰੇ ਸਿਰਲੇਖਾਂ ਵਿੱਚ ਰੱਖੋ। ਮੈਨੂੰ ਡੇਟਾ ਨੂੰ ਵੇਖੇ ਬਿਨਾਂ ਇਸ ਨੂੰ ਭਰਨ ਲਈ ਯਾਦ ਦਿਵਾਓ।
3. ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਵਿਸ਼ਲੇਸ਼ਣ:
ਮੇਰੀ ਮੁੱਖ ਖੋਜ ਹੈ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੋਡ (R) ਲਿਖਣਾ ਮੇਰਾ ਟੀਚਾ ਇਹ ਦੇਖਣਾ ਹੈ ਕਿ ਨਤੀਜਾ ਕਿੰਨਾ ਠੋਸ ਹੈ, ਸਭ ਤੋਂ ਵਧੀਆ ਨੂੰ ਚੁਣਨਾ ਨਹੀਂ; ਸਾਰੇ ਨਤੀਜੇ ਦਿਖਾਓ.
4. ਸਵੈ-ਨਿਗਰਾਨੀ:
ਮੈਂ ਆਪਣੀ ਵਿਸ਼ਲੇਸ਼ਣ ਪ੍ਰਕਿਰਿਆ ਦੀ ਵਿਆਖਿਆ ਕਰਾਂਗਾ; ਮੈਨੂੰ ਪੀ-ਹੈਕਿੰਗ / ਹਾਰਕਿੰਗ / ਚੋਣਵੀਂ ਰਿਪੋਰਟਿੰਗ ਲਈ ਇੱਕ ਚੈਕਲਿਸਟ ਦਿਓ ਅਤੇ ਨਿਸ਼ਾਨ ਲਗਾਓ ਕਿ ਮੇਰੇ ਕਿਹੜੇ ਕਦਮ ਜੋਖਮ ਭਰੇ ਹਨ। ਮੈਨੂੰ ਵਾਪਸ ਪੁੱਛੋ ਕਿ ਮੈਂ ਕਿੰਨੇ ਮਾਡਲ/ਟੈਸਟਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਹੈ ਅਤੇ ਮੈਂ ਕਿਨ੍ਹਾਂ ਦੀ ਰਿਪੋਰਟ ਕਰਨ ਦੀ ਯੋਜਨਾ ਬਣਾ ਰਿਹਾ ਹਾਂ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਕਿਹੜੇ ਵੇਰੀਏਬਲ ਇਸ ਡੇਟਾ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਸਬੰਧ ਦਿਖਾਉਂਦੇ ਹਨ, ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਲੱਭੋ।
ਇਹ ਪ੍ਰੋਂਪਟ ਇੱਕ ਸਿੱਧੀ ਪੀ-ਹੈਕਿੰਗ ਹਦਾਇਤ ਹੈ: AI ਦਰਜਨਾਂ ਸੰਜੋਗਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ ਅਤੇ ਇੱਕ ਪੇਸ਼ ਕਰਦਾ ਹੈ ਜੋ "ਸਭ ਤੋਂ ਵੱਧ ਅਰਥ ਰੱਖਦਾ ਹੈ।" ਨਤੀਜਾ ਲਗਭਗ ਨਿਸ਼ਚਿਤ ਤੌਰ 'ਤੇ ਇੱਕ ਜਾਅਲੀ ਖੋਜ ਹੈ ਜਿਸ ਨੂੰ ਦੁਹਰਾਇਆ ਨਹੀਂ ਜਾ ਸਕਦਾ।
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਇਮਾਨਦਾਰ ਸਹਾਇਕ। ਮੁੱਖ ਮਾਡਲ ਜੋ ਮੈਂ ਪਹਿਲਾਂ ਤੋਂ ਨਿਰਧਾਰਤ ਕੀਤਾ ਹੈ ਉਹ ਹੈ: Y ~ X + ਨਿਯੰਤਰਣ। ਕੋਡ ਲਿਖੋ ਜੋ ਇਸ ਮਾਡਲ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ। ਕਿਸੇ ਹੋਰ "ਵਧੇਰੇ ਅਰਥਪੂਰਨ" ਮਾਡਲ ਦੀ ਭਾਲ ਨਾ ਕਰੋ। ਇੱਕ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦਾ ਸੁਝਾਅ ਵੀ ਦਿਓ ਤਾਂ ਜੋ ਮੈਂ ਨਤੀਜੇ ਦੀ ਮਜ਼ਬੂਤੀ ਨੂੰ ਦੇਖ ਸਕਾਂ, ਪਰ ਇਹ ਜਾਣੋ ਕਿ ਮੈਂ ਸਾਰੇ ਨਤੀਜਿਆਂ ਦੀ ਰਿਪੋਰਟ ਕਰਾਂਗਾ, ਸਭ ਤੋਂ ਵਧੀਆ ਨੂੰ ਨਹੀਂ ਚੁਣਾਂਗਾ। ਮੈਨੂੰ ਕਿਸੇ ਵੀ ਖੋਜੀ ਖੋਜ ਨੂੰ 'ਪੁਸ਼ਟੀ' ਵਜੋਂ ਨਾ ਲਿਖਣ ਦਿਓ।
ਅੰਤਰ: ਮਜ਼ਬੂਤ ਇੱਛਾ ਮੁੱਖ ਮਾਡਲ ਨੂੰ ਠੀਕ ਕਰਦੀ ਹੈ, ਖੋਜ ਕਰਨ 'ਤੇ ਪਾਬੰਦੀ ਲਗਾਉਂਦੀ ਹੈ, ਅਤੇ ਸਾਰੇ ਨਤੀਜਿਆਂ ਦੀ ਰਿਪੋਰਟ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 — ਉਪ-ਸਮੂਹ ਸ਼ਿਕਾਰ। ਇੱਕ ਖੋਜਕਾਰ ਨੇ ਸਮੁੱਚੇ ਨਮੂਨੇ ਵਿੱਚ ਕੋਈ ਪ੍ਰਭਾਵ ਨਹੀਂ ਪਾਇਆ; ਉਸਨੇ ਏਆਈ ਨੂੰ ਪੁੱਛਿਆ "ਇਹ ਕਿਸ ਉਪ ਸਮੂਹ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਹੈ?" YZ ਨੇ ਉਮਰ, ਲਿੰਗ ਅਤੇ ਖੇਤਰ ਦੇ ਸੰਜੋਗਾਂ ਨੂੰ ਸਕੈਨ ਕੀਤਾ ਅਤੇ "35-44 ਸਾਲ ਦੀ ਉਮਰ ਦੀਆਂ ਸ਼ਹਿਰੀ ਔਰਤਾਂ ਵਿੱਚ p = 0.03" ਪਾਇਆ। ਲੇਖ ਇਸ ਉਪ ਸਮੂਹ 'ਤੇ ਅਧਾਰਤ ਸੀ। ਉਸਦੀ ਪ੍ਰਤੀਕ੍ਰਿਤੀ ਦਾ ਕੋਈ ਪ੍ਰਭਾਵ ਨਹੀਂ ਮਿਲਿਆ: ਇਹ ਦਰਜਨਾਂ ਉਪ ਸਮੂਹਾਂ ਦੇ ਮੌਕੇ ਦਾ ਨਤੀਜਾ ਸੀ। ਪਾਠ: ਡਾਟਾ ਹਾਰਕਿੰਗ ਤੋਂ ਬਾਅਦ ਚੁਣਿਆ ਗਿਆ ਸਬਗਰੁੱਪ, ਪੁਸ਼ਟੀ ਨਹੀਂ ਕਰ ਰਿਹਾ।
ਕੇਸ 2 - ਪਰਿਵਰਤਨ ਸ਼ਿਕਾਰ। ਉਹ ਰਿਸ਼ਤਾ ਜੋ ਵਿਦਿਆਰਥੀ ਪੱਧਰ ਦੇ ਰੂਪ ਵਿੱਚ ਅਰਥਹੀਣ ਹੋ ਜਾਂਦਾ ਹੈ; ਇਸਨੂੰ ਲੌਗ, ਵਰਗ ਰੂਟ, ਵਰਗ ਅਤੇ ਲੈਗ ਰੂਪਾਂ ਵਿੱਚ ਅਜ਼ਮਾਇਆ; ਉਸ ਨੇ ਲੌਗ-ਲੌਗ ਫਾਰਮ ਵਿੱਚ p=0.048 ਲੱਭਿਆ ਅਤੇ ਸਿਰਫ ਉਸ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ। ਖੁਸ਼ਕਿਸਮਤੀ ਨਾਲ, ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਗਈ 5 ਫਾਰਮਾਂ ਵਿੱਚੋਂ ਇੱਕ ਨੇ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨੂੰ ਪਾਰ ਕਰ ਲਿਆ। ਸਹੀ ਤਰੀਕਾ ਸੀ: ਥਿਊਰੀ ਦੇ ਨਾਲ ਫਾਰਮ ਨੂੰ ਪਹਿਲਾਂ ਤੋਂ ਚੁਣਨਾ ਅਤੇ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਸਾਰਣੀ ਵਿੱਚ ਸਾਰੇ ਰੂਪਾਂ ਦਾ ਨਤੀਜਾ ਦਿਖਾਉਣਾ। ਸਬਕ: ਚੋਣਵੀਂ ਰਿਪੋਰਟਿੰਗ ਗਲਤ ਮਹੱਤਵ ਪੈਦਾ ਕਰਦੀ ਹੈ।
ਕੇਸ 3 — ਇਮਾਨਦਾਰ ਫਰੇਮਿੰਗ ਕਿਵੇਂ ਕੰਮ ਕਰਦੀ ਹੈ। ਵਿਸ਼ਲੇਸ਼ਣ ਤੋਂ ਪਹਿਲਾਂ ਇੱਕ ਟੀਮ ਪਹਿਲਾਂ ਤੋਂ ਰਜਿਸਟਰਡ: ਸਿੰਗਲ ਪ੍ਰਾਇਮਰੀ ਕਲਪਨਾ, ਸਿੰਗਲ ਮੁੱਖ ਮਾਡਲ, ਦੋ ਪੂਰਵ-ਪ੍ਰਭਾਸ਼ਿਤ ਉਪ ਸਮੂਹ, ਬੋਨਫੇਰੋਨੀ ਸੁਧਾਰ। ਮੁੱਖ ਪ੍ਰਭਾਵ ਮਹੱਤਵਪੂਰਨ ਨਹੀਂ ਸੀ, ਪਰ ਟੀਮ ਨੇ ਇਮਾਨਦਾਰੀ ਨਾਲ ਇਸਦੀ ਰਿਪੋਰਟ ਕੀਤੀ; ਖੋਜੀ ਵਿਅਕਤੀ ਨੇ ਇੱਕ ਖੋਜ ਨੂੰ "ਭਵਿੱਖ ਵਿੱਚ ਟੈਸਟ ਕੀਤੇ ਜਾਣ ਦੀ ਲੋੜ" ਵਜੋਂ ਫਲੈਗ ਕੀਤਾ। ਅਧਿਐਨ ਦੁਬਾਰਾ ਪੈਦਾ ਕਰਨ ਯੋਗ ਅਤੇ ਭਰੋਸੇਮੰਦ ਸੀ। ਸਬਕ: ਇਮਾਨਦਾਰ ਯੋਜਨਾਬੰਦੀ "ਅਸਫ਼ਲ" ਨਤੀਜੇ ਨੂੰ ਵੀ ਸਾਰਥਕ ਬਣਾਉਂਦੀ ਹੈ।
ਆਮ ਗਲਤੀਆਂ
- AI ਨੂੰ "ਸਾਰਥਕ ਨਤੀਜੇ ਲੱਭਣ" ਲਈ ਕਹਿਣਾ। ਇਹ ਸਿੱਧਾ ਪੀ-ਹੈਕਿੰਗ ਹੈ; AI ਨੂੰ ਇੱਕ ਇਮਾਨਦਾਰ ਫਰੇਮ ਵਿੱਚ ਰੱਖੋ, ਸ਼ੁੱਧਤਾ ਲਈ ਪੁੱਛੋ, ਨਤੀਜੇ ਨਹੀਂ।
- ਖੋਜ ਨੂੰ ਪੁਸ਼ਟੀ (HARKing) ਵਜੋਂ ਪੇਸ਼ ਕਰਨਾ। ਅੰਕੜਿਆਂ ਤੋਂ ਬਾਅਦ ਸਥਾਪਿਤ ਪਰਿਕਲਪਨਾ ਨੂੰ "ਮੈਂ ਸ਼ੁਰੂ ਤੋਂ ਹੀ ਇਸਦੀ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ ਸੀ" ਵਜੋਂ ਲਿਖਣਾ ਗੁੰਮਰਾਹਕੁੰਨ ਹੈ; ਖੋਜੀ ਖੋਜ ਨੂੰ ਲੇਬਲ ਦਿਓ।
- ਸਿਰਫ ਚੰਗੇ ਨਤੀਜਿਆਂ ਦੀ ਰਿਪੋਰਟ ਕਰਨਾ. ਟੈਸਟ ਕੀਤੇ ਗਏ ਸਾਰੇ ਨਿਰਧਾਰਨ ਦਿਖਾਓ; ਭਾਵਨਾਤਮਕ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਲੁਕਾਉਣਾ ਅਖੰਡਤਾ ਨਾਲ ਸਮਝੌਤਾ ਕਰਦਾ ਹੈ।
- ਉਪ-ਸਮੂਹ/ਪਰਿਵਰਤਨ ਸਕ੍ਰੀਨਿੰਗ। ਦਰਜਨਾਂ ਉਪ-ਸਮੂਹਾਂ ਜਾਂ ਪਰਿਵਰਤਨਾਂ ਵਿੱਚੋਂ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਚੁਣਨ ਨਾਲ ਨਕਲੀ ਖੋਜਾਂ ਪੈਦਾ ਹੁੰਦੀਆਂ ਹਨ; ਪਹਿਲਾਂ ਤੋਂ ਪਛਾਣੋ ਅਤੇ ਠੀਕ ਕਰੋ।
- ਭੁੱਲ ਜਾਓ ਕਿ ਤੁਸੀਂ ਕਿੰਨੇ ਟੈਸਟ ਕੀਤੇ ਹਨ। ਕੋਸ਼ਿਸ਼ਾਂ ਦੀ ਕੁੱਲ ਗਿਣਤੀ ਦਾ ਧਿਆਨ ਰੱਖੋ; ਇਸ ਨੰਬਰ ਨੂੰ ਜਾਣੇ ਬਿਨਾਂ ਕਿਸੇ ਵੀ ਪੀ-ਮੁੱਲ ਦੀ ਇਮਾਨਦਾਰੀ ਨਾਲ ਵਿਆਖਿਆ ਨਹੀਂ ਕੀਤੀ ਜਾ ਸਕਦੀ।
ਸੰਕੇਤ: ਖੋਜ ਨੂੰ ਲਿਖਣ ਤੋਂ ਪਹਿਲਾਂ, ਆਪਣੇ ਆਪ ਨੂੰ ਪੁੱਛੋ: "ਮੈਂ ਇਸ ਨਤੀਜੇ ਨੂੰ ਮਿਲਣ ਤੱਕ ਚੁੱਪਚਾਪ ਕਿੰਨੇ ਤਰੀਕਿਆਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਹੈ, ਅਤੇ ਕੀ ਮੈਂ ਉਹਨਾਂ ਸਾਰਿਆਂ ਦੀ ਰਿਪੋਰਟ ਕਰ ਰਿਹਾ ਹਾਂ?" ਜੇ ਕੁਝ ਲੇਖ ਦਰਾਜ਼ ਵਿੱਚ ਰਹਿੰਦੇ ਹਨ, ਤਾਂ ਤੁਹਾਡੀ ਰਿਪੋਰਟ ਇਸ ਤੋਂ ਵੱਧ ਮਜ਼ਬੂਤ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ।
ਸੰਖੇਪ ਵਿੱਚ
ਪੀ-ਹੈਕਿੰਗ, ਹਾਰਕਿੰਗ, ਚੋਣਵੀਂ ਰਿਪੋਰਟਿੰਗ, ਅਤੇ ਫੋਰਕਿੰਗ ਮਾਰਗਾਂ ਦਾ ਬਾਗ; ਬਹੁਤ ਸਾਰੇ ਅਜਿਹੇ ਜਾਲ ਹੁੰਦੇ ਹਨ ਜੋ ਅਣਜਾਣੇ ਵਿੱਚ ਕੰਮ ਕਰਦੇ ਹਨ ਪਰ ਜਾਅਲੀ, ਅਣਉਪਜਿਤ ਖੋਜਾਂ ਪੈਦਾ ਕਰਦੇ ਹਨ। AI ਇਹਨਾਂ ਕਮੀਆਂ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਤੁਰੰਤ ਦਰਜਨਾਂ ਵਿਸ਼ਲੇਸ਼ਣਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਸਕਦਾ ਹੈ; "ਅਰਥਪੂਰਨ ਨਤੀਜੇ ਲੱਭੋ" ਕਿਸਮ ਦੀਆਂ ਬੇਨਤੀਆਂ ਏਆਈ ਨੂੰ ਇੱਕ ਪੀ-ਹੈਕਿੰਗ ਇੰਜਣ ਵਿੱਚ ਬਦਲ ਦਿੰਦੀਆਂ ਹਨ। ਰੱਖਿਆ; ਪੂਰਵ-ਰਜਿਸਟ੍ਰੇਸ਼ਨ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਯੋਜਨਾ ਦੇ ਨਾਲ ਪੁਸ਼ਟੀਕਰਣ ਤੋਂ ਖੋਜ ਨੂੰ ਵੱਖ ਕਰਨਾ, ਸਾਰੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਰਿਪੋਰਟ ਕਰਨਾ, ਕਈ ਤੁਲਨਾਵਾਂ ਨੂੰ ਠੀਕ ਕਰਨਾ, ਅਤੇ ਏਆਈ ਨੂੰ ਇੱਕ ਇਮਾਨਦਾਰ ਢਾਂਚੇ ਵਿੱਚ ਰੱਖਣਾ ਜੋ "ਸਹੀ ਨਤੀਜੇ" ਦੀ ਮੰਗ ਕਰਦਾ ਹੈ। ਅੰਤਮ ਜ਼ਿੰਮੇਵਾਰੀ ਹਮੇਸ਼ਾ ਖੋਜਕਰਤਾ ਦੀ ਹੁੰਦੀ ਹੈ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਇੱਕ ਖੋਜ ਪ੍ਰਸ਼ਨ ਚੁਣੋ ਅਤੇ ਡੇਟਾ ਨੂੰ ਦੇਖਣ ਤੋਂ ਪਹਿਲਾਂ ਇੱਕ ਸੰਖੇਪ ਵਿਸ਼ਲੇਸ਼ਣ ਯੋਜਨਾ ਲਿਖੋ: ਪ੍ਰਾਇਮਰੀ ਪਰਿਕਲਪਨਾ, ਮੁੱਖ ਮਾਡਲ, ਪ੍ਰਾਇਮਰੀ ਨਤੀਜਾ ਵੇਰੀਏਬਲ, ਪੂਰਵ ਪਰਿਭਾਸ਼ਿਤ ਉਪ-ਸਮੂਹ, ਮਲਟੀਪਲ ਤੁਲਨਾ ਰਣਨੀਤੀ। ਫਿਰ ਮੁੱਖ ਮਾਡਲ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਓ. ਫਿਰ ਇੱਕ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ (ਵੱਖ-ਵੱਖ ਨਿਯੰਤਰਣ, ਆਊਟਲੀਅਰ ਸ਼ਾਮਲ/ਬਾਹਰ, ਵੱਖ-ਵੱਖ ਫੰਕਸ਼ਨ ਫਾਰਮ) ਅਤੇ ਸਾਰੇ ਨਤੀਜੇ ਇੱਕ ਸਾਰਣੀ ਵਿੱਚ ਦਿਖਾਓ। ਇੱਕ ਪੈਰੇ ਵਿੱਚ, ਮੁਲਾਂਕਣ ਕਰੋ ਕਿ ਕਿਹੜੇ ਕਦਮਾਂ ਨਾਲ ਪੀ-ਹੈਕਿੰਗ ਦਾ ਜੋਖਮ ਹੁੰਦਾ ਹੈ ਅਤੇ ਤੁਹਾਡਾ ਇਮਾਨਦਾਰ ਫਰੇਮਵਰਕ ਉਹਨਾਂ ਨੂੰ ਕਿਵੇਂ ਸੀਮਿਤ ਕਰਦਾ ਹੈ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਡੇਟਾ ਵਿੱਚ ਗੋਤਾਖੋਰੀ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਵਿਸ਼ਲੇਸ਼ਣ ਯੋਜਨਾ/ਮਾਸਟਰ ਮਾਡਲ ਲਿਖਿਆ।
- [ ] ਮੈਂ ਖੋਜੀ ਅਤੇ ਪੁਸ਼ਟੀਕਰਨ ਵਿਸ਼ਲੇਸ਼ਣਾਂ ਨੂੰ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਲੇਬਲ ਕੀਤਾ ਹੈ; ਮੈਂ ਹਾਰਕਿੰਗ ਨਹੀਂ ਕਰ ਰਿਹਾ ਸੀ।
- [ ] ਮੈਂ ਉਹਨਾਂ ਸਾਰੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ ਹੈ ਜਿਨ੍ਹਾਂ ਦੀ ਮੈਂ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਹੈ; ਮੈਂ ਸਿਰਫ਼ ਸੁੰਦਰ ਨੂੰ ਨਹੀਂ ਚੁਣਿਆ।
- [ ] ਮੈਂ ਉਪ ਸਮੂਹਾਂ ਅਤੇ ਪਰਿਵਰਤਨ ਨੂੰ ਪਹਿਲਾਂ ਹੀ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਸੀ, ਮੈਂ ਉਹਨਾਂ ਨੂੰ ਡੇਟਾ ਤੋਂ ਬਾਅਦ ਸਕੈਨ ਨਹੀਂ ਕੀਤਾ ਸੀ।
- [ ] ਮੈਂ ਇਸ ਗੱਲ ਦਾ ਧਿਆਨ ਰੱਖਿਆ ਕਿ ਮੈਂ ਕਿੰਨੇ ਟੈਸਟ ਕਰਵਾਏ ਹਨ ਅਤੇ ਲੋੜੀਂਦੇ ਸੁਧਾਰ ਲਾਗੂ ਕੀਤੇ ਹਨ।
- [ ] ਮੈਂ AI ਦੀ ਵਰਤੋਂ "ਸੱਚਾਈ ਲੱਭੋ" ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਕੀਤੀ ਹੈ ਨਾ ਕਿ "ਇਸ ਨੂੰ ਅਰਥਪੂਰਨ ਲੱਭੋ"; ਮੈਂ ਜ਼ਿੰਮੇਵਾਰੀ ਲੈ ਲਈ।