ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਸਮਰਥਨ: ਕੋਡ, ਅੰਕੜਾ ਵਿਆਖਿਆ ਅਤੇ ਗੁਣਾਤਮਕ ਕੋਡਿੰਗ

ਲਾਭ:

• ਵਿਸ਼ਲੇਸ਼ਣ ਯੋਜਨਾ, ਉਚਿਤ ਅੰਕੜਾ ਟੈਸਟ ਚੋਣ, ਅਤੇ R/Python/SPSS ਕੋਡ ਡਰਾਫਟ ਅਤੇ ਆਉਟਪੁੱਟ ਨੂੰ ਹੱਥੀਂ ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਲਈ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
• ਗੁਣਾਤਮਕ ਡੇਟਾ ਵਿੱਚ ਥੀਮ ਅਤੇ ਕੋਡ ਸੁਝਾਅ ਲੈਣ ਦੀ ਸਮਰੱਥਾ, ਕੱਚੇ ਡੇਟਾ ਨਾਲ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਵਿਆਖਿਆ ਨੂੰ ਜੋੜਨ ਅਤੇ ਪੁਸ਼ਟੀ ਕਰੋ
• ਕੱਚੇ ਡੇਟਾ ਸ਼ੇਅਰਿੰਗ ਦੇ ਗੋਪਨੀਯਤਾ ਜੋਖਮ, ਜਾਅਲੀ ਅੰਕੜਿਆਂ ਅਤੇ ਪੀ-ਹੈਕਿੰਗ ਦੇ ਖ਼ਤਰੇ ਨੂੰ ਸਮਝਣ ਦੀ ਸਮਰੱਥਾ, ਅਤੇ ਜ਼ਿੰਮੇਵਾਰ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀਆਂ ਸੀਮਾਵਾਂ ਖਿੱਚਣ ਦੀ ਸਮਰੱਥਾ

ਇੱਕ ਵਾਰ ਡੇਟਾ ਇਕੱਠਾ ਹੋਣ ਤੋਂ ਬਾਅਦ, ਇਸਦਾ ਅਰਥ ਬਣਾਉਣ ਦਾ ਸਮਾਂ ਆ ਗਿਆ ਹੈ. ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੱਚੇ ਸੰਖਿਆਵਾਂ ਜਾਂ ਟੈਕਸਟ ਨੂੰ ਖੋਜ ਦੇ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦੇਣ ਵਾਲੀਆਂ ਖੋਜਾਂ ਵਿੱਚ ਬਦਲਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੈ। ਇਸ ਪੜਾਅ 'ਤੇ, AI ਤਿੰਨ ਠੋਸ ਕਾਰਜਾਂ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ: ਡਰਾਫਟ ਕੋਡ (R, Python, SPSS ਸੰਟੈਕਸ ਤਿਆਰ ਕਰਨਾ), ਅੰਕੜਾ ਆਉਟਪੁੱਟ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਨਾ, ਅਤੇ ਗੁਣਾਤਮਕ ਡੇਟਾ ਵਿੱਚ ਥੀਮ/ਕੋਡ ਸੁਝਾਅ ਪ੍ਰਦਾਨ ਕਰਨਾ। ਪਰ ਵਿਸ਼ਲੇਸ਼ਣ ਅਕਾਦਮਿਕਤਾ ਵਿੱਚ ਸ਼ੁੱਧਤਾ ਅਤੇ ਗੁਪਤਤਾ ਦਾ ਸਭ ਤੋਂ ਸੰਵੇਦਨਸ਼ੀਲ ਖੇਤਰ ਹੈ। ਇਸ ਯੂਨਿਟ ਦਾ ਮੁੱਖ ਨਿਯਮ ਦੋ ਗੁਣਾ ਹੈ: ਕੱਚਾ ਡੇਟਾ ਗੁਪਤ ਰਹਿੰਦਾ ਹੈ, ਹਰੇਕ ਸੰਖਿਆਤਮਕ ਨਤੀਜੇ ਹੱਥੀਂ ਤਸਦੀਕ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। AI ਜਾਅਲੀ ਅੰਕੜੇ ਵੀ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ; ਇੱਕ ਅਣ-ਪ੍ਰਮਾਣਿਤ ਪੀ-ਮੁੱਲ ਉਨਾ ਹੀ ਖ਼ਤਰਨਾਕ ਹੈ ਜਿੰਨਾ ਇੱਕ ਅਣ-ਪ੍ਰਮਾਣਿਤ ਵਿਸ਼ੇਸ਼ਤਾ।

ਕੋਡ ਡਰਾਫਟ ਤਿਆਰ ਕਰੋ

ਏਆਈ ਇੱਕ ਵਿਸ਼ਲੇਸ਼ਣ ਯੋਜਨਾ ਨੂੰ ਕਾਰਜਸ਼ੀਲ ਕੋਡ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰਨ ਵਿੱਚ ਬਹੁਤ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ। "ਇਨ੍ਹਾਂ ਵੇਰੀਏਬਲਾਂ ਵਿਚਕਾਰ ਇੱਕ ਸੁਤੰਤਰ ਨਮੂਨਾ ਟੀ-ਟੈਸਟ ਕਰੋ ਅਤੇ ਧਾਰਨਾਵਾਂ ਦੀ ਜਾਂਚ ਕਰੋ" ਕਹਿਣ ਨਾਲ ਤੁਹਾਨੂੰ ਇੱਕ ਸਾਫ਼ ਆਰ ਜਾਂ ਪਾਈਥਨ ਰੂਪਰੇਖਾ ਮਿਲਦੀ ਹੈ। ਇਹ ਇੱਕ ਬਹੁਤ ਵੱਡੀ ਸਹੂਲਤ ਹੈ, ਖਾਸ ਤੌਰ 'ਤੇ ਖੋਜਕਰਤਾਵਾਂ ਲਈ ਜੋ ਪ੍ਰੋਗਰਾਮਿੰਗ ਵਿੱਚ ਮਾਹਰ ਨਹੀਂ ਹਨ। ਪਰ ਦੋ ਨਿਯਮ ਹਨ. ਪਹਿਲਾਂ: ਆਪਣੇ ਖੁਦ ਦੇ ਡੇਟਾ ਨਾਲ ਆਪਣੇ ਵਾਤਾਵਰਣ ਵਿੱਚ ਕੋਡ ਚਲਾਓ; ਟੂਲ 'ਤੇ ਕੱਚਾ ਡੇਟਾ ਅਪਲੋਡ ਨਾ ਕਰੋ। ਤੁਸੀਂ AI (ਵੇਰੀਏਬਲ ਨਾਮ, ਕਿਸਮਾਂ, ਕੁਝ ਨਮੂਨਾ ਲਾਈਨਾਂ - ਕੋਈ ਆਈਡੀ ਨਹੀਂ) ਨੂੰ ਆਪਣੇ ਡੇਟਾ ਦੀ ਬਣਤਰ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹੋ, ਇਹ ਕੋਡ ਲਿਖਦਾ ਹੈ, ਅਤੇ ਤੁਸੀਂ ਇਸਨੂੰ ਸਥਾਨਕ ਮਸ਼ੀਨ 'ਤੇ ਚਲਾਉਂਦੇ ਹੋ। ਦੂਜਾ: ਕੋਡ ਪੜ੍ਹੋ ਅਤੇ ਸਮਝੋ; ਅੰਨ੍ਹੀ ਨਕਲ ਰਿਪੋਰਟ ਵਿੱਚ ਇੱਕ ਚੁੱਪ ਗਲਤੀ (ਗਲਤ ਵੇਰੀਏਬਲ, ਗਲਤ ਟੈਸਟ) ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖੇ ਬਿਨਾਂ ਭੇਜਦੀ ਹੈ।

ਇੱਕ ਅੰਕੜਾ ਟੈਸਟ ਦੀ ਚੋਣ ਕਰਨਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਫੈਸਲਾ ਹੈ: ਡੇਟਾ ਦੀ ਕਿਸਮ (ਲਗਾਤਾਰ/ਸ਼੍ਰੇਣੀ), ਸਮੂਹਾਂ ਦੀ ਗਿਣਤੀ, ਵੰਡ ਸੰਬੰਧੀ ਧਾਰਨਾਵਾਂ ਟੈਸਟ ਦਾ ਫੈਸਲਾ ਕਰਦੀਆਂ ਹਨ। ਇੱਕ ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਵਾਂਗ, AI ਕਹਿੰਦਾ ਹੈ "ਇਸ ਕੇਸ ਵਿੱਚ, ਹੇਠ ਦਿੱਤੀ ਪ੍ਰੀਖਿਆ ਢੁਕਵੀਂ ਹੋ ਸਕਦੀ ਹੈ" ਅਤੇ ਇਸਦੇ ਤਰਕ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ; ਇਹ ਸਿੱਖਿਆਦਾਇਕ ਹੈ। ਪਰ ਤੁਸੀਂ ਆਪਣੇ ਖੁਦ ਦੇ ਡੇਟਾ ਦੀਆਂ ਧਾਰਨਾਵਾਂ ਦੀ ਜਾਂਚ ਕਰਕੇ ਚੋਣ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦੇ ਹੋ। ਗਲਤ ਟੈਸਟ ਇੱਕ ਨਤੀਜਾ ਪੈਦਾ ਕਰਦਾ ਹੈ ਜੋ ਜਾਇਜ਼ ਜਾਪਦਾ ਹੈ ਪਰ ਅਰਥਹੀਣ ਹੈ।

ਸਾਵਧਾਨ: ਜਦੋਂ ਕਿਸੇ ਨੰਬਰ ਲਈ ਪੁੱਛਿਆ ਜਾਂਦਾ ਹੈ ("ਇਸ ਨਮੂਨੇ ਵਿੱਚ ਔਸਤ ਕੀ ਹੈ"), ਤਾਂ AI ਇੱਕ ਅਜਿਹਾ ਸੰਖਿਆ ਬਣਾ ਸਕਦਾ ਹੈ ਜੋ ਕੋਈ ਅਸਲ ਗਣਨਾ ਕੀਤੇ ਬਿਨਾਂ ਵਾਜਬ ਜਾਪਦਾ ਹੈ। ਏਆਈ ਨੂੰ ਕਦੇ ਵੀ ਡੇਟਾ ਡਾਇਜੈਸਟ ਦੀ "ਗਣਨਾ" ਨਾ ਕਰੋ ਅਤੇ ਨਤੀਜੇ ਦੀ ਵਰਤੋਂ ਕਰੋ; ਅੰਕੜਾ ਸਾਫਟਵੇਅਰ ਗਣਿਤ ਕਰਦਾ ਹੈ, AI ਸਿਰਫ਼ ਕੋਡ ਅਤੇ ਵਿਆਖਿਆ ਪੈਦਾ ਕਰਦਾ ਹੈ।

ਅੰਕੜਾ ਵਿਆਖਿਆ ਅਤੇ ਗੁਣਾਤਮਕ ਕੋਡਿੰਗ

ਇੱਕ ਵਾਰ ਜਦੋਂ ਤੁਹਾਡਾ ਸੌਫਟਵੇਅਰ ਇੱਕ ਆਉਟਪੁੱਟ ਤਿਆਰ ਕਰਦਾ ਹੈ (ਉਦਾਹਰਨ ਲਈ t(48) = 2.31, p = .025), AI ਤੁਹਾਨੂੰ ਇਸਦੀ ਸਾਦੀ ਭਾਸ਼ਾ ਵਿੱਚ ਵਿਆਖਿਆ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ: ਇਸਦਾ ਕੀ ਅਰਥ ਹੈ, ਪ੍ਰਭਾਵ ਦੇ ਆਕਾਰ ਦੀ ਮਹੱਤਤਾ, ਇਹ ਕਿਵੇਂ ਰਿਪੋਰਟ ਕੀਤੀ ਜਾਵੇਗੀ (APA ਫਾਰਮੈਟ ਵਿੱਚ)। ਤੁਸੀਂ ਆਪਣੇ ਖੁਦ ਦੇ ਆਉਟਪੁੱਟ ਨੂੰ ਦੇਖ ਕੇ ਇਸ ਵਿਆਖਿਆ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦੇ ਹੋ; ਤੁਸੀਂ AI ਨੂੰ ਆਉਟਪੁੱਟ ਦਿੰਦੇ ਹੋ, ਇਹ ਇਸਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ, ਤੁਸੀਂ ਜਾਣਦੇ ਹੋ ਕਿ ਨੰਬਰ ਅਸਲ ਵਿੱਚ ਤੁਹਾਡੇ ਵਿਸ਼ਲੇਸ਼ਣ ਤੋਂ ਆਇਆ ਹੈ.

ਗੁਣਾਤਮਕ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ, AI ਇੰਟਰਵਿਊ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟਾਂ ਤੋਂ ਸੰਭਾਵਿਤ ਕੋਡ (ਅਰਥ ਦੀਆਂ ਆਵਰਤੀ ਇਕਾਈਆਂ) ਅਤੇ ਥੀਮ ਕੱਢ ਸਕਦਾ ਹੈ। ਇਹ ਪ੍ਰੇਰਕ ਕੋਡਿੰਗ ਵਿੱਚ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਬਿੰਦੂ ਦੇ ਰੂਪ ਵਿੱਚ ਕੀਮਤੀ ਹੈ; AI ਤੁਹਾਡੇ ਤੋਂ ਖੁੰਝੇ ਪੈਟਰਨ ਦਾ ਸੁਝਾਅ ਦੇ ਸਕਦਾ ਹੈ। ਪਰ ਗੁਣਾਤਮਕ ਵਿਸ਼ਲੇਸ਼ਣ ਦਾ ਦਿਲ ਖੋਜਕਰਤਾ ਦਾ ਡੂੰਘਾ ਪੜ੍ਹਨਾ ਹੈ; ਤੁਸੀਂ ਹਰੇਕ ਕੋਡ ਨੂੰ ਲਿੰਕ ਕਰਦੇ ਹੋ ਜੋ AI ਕੱਚੇ ਡੇਟਾ (ਅਸਲ ਹਵਾਲਾ) ਵਿੱਚ ਵਾਪਸ ਸੁਝਾਉਂਦਾ ਹੈ, ਇਸਦੇ ਸੰਦਰਭ ਦੀ ਜਾਂਚ ਕਰੋ, ਅਤੇ ਇਸਨੂੰ ਆਪਣੇ ਖੁਦ ਦੇ ਵਿਆਖਿਆ ਫਰੇਮਵਰਕ ਨਾਲ ਫਿਲਟਰ ਕਰੋ। AI ਗੁਣਾਤਮਕ ਡੇਟਾ ਦੀ "ਵਿਆਖਿਆ" ਨਹੀਂ ਕਰਦਾ, ਇਹ ਪੈਟਰਨਾਂ ਦਾ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ; ਤੁਸੀਂ ਅਰਥ ਪੈਦਾ ਕਰਦੇ ਹੋ।

ਪੀ-ਹੈਕਿੰਗ (ਅਰਥਪੂਰਨ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਹੋਣ ਤੱਕ ਡੇਟਾ ਨੂੰ ਵੱਖ-ਵੱਖ ਤਰੀਕਿਆਂ ਨਾਲ ਹੇਰਾਫੇਰੀ ਕਰਨਾ) ਇੱਕ ਗੰਭੀਰ ਨੈਤਿਕ ਉਲੰਘਣਾ ਹੈ। ਏਆਈ ਨੂੰ ਇਹ ਕਹਿਣਾ "ਵੱਖ-ਵੱਖ ਟੈਸਟਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ ਜਦੋਂ ਤੱਕ ਤੁਹਾਨੂੰ ਕੋਈ ਸਾਰਥਕ ਨਤੀਜਾ ਨਹੀਂ ਮਿਲਦਾ" ਬਿਲਕੁਲ ਇਹੋ ਹੈ ਅਤੇ ਮਨਾਹੀ ਹੈ। ਡੇਟਾ ਨੂੰ ਦੇਖਣ ਤੋਂ ਪਹਿਲਾਂ ਆਪਣੀ ਵਿਸ਼ਲੇਸ਼ਣ ਯੋਜਨਾ ਦਾ ਪਤਾ ਲਗਾਓ (ਜੇ ਸੰਭਵ ਹੋਵੇ ਤਾਂ ਪੂਰਵ-ਰਜਿਸਟ੍ਰੇਸ਼ਨ ਦੇ ਨਾਲ) ਅਤੇ ਉਸ ਯੋਜਨਾ ਨੂੰ ਲਾਗੂ ਕਰਨ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰੋ, ਨਤੀਜੇ ਲਈ "ਸ਼ਿਕਾਰ" ਕਰਨ ਲਈ ਨਹੀਂ।

ਪ੍ਰਜਨਨਯੋਗਤਾ ਅਤੇ ਕੋਡ ਦਸਤਾਵੇਜ਼

ਆਧੁਨਿਕ ਅਕਾਦਮਿਕਤਾ ਵਿੱਚ, ਪ੍ਰਜਨਨਯੋਗਤਾ ਵਧਦੀ ਮਹੱਤਵਪੂਰਨ ਹੈ: ਤੁਹਾਡੇ ਡੇਟਾ ਅਤੇ ਕੋਡ ਨਾਲ ਉਸੇ ਸਿੱਟੇ 'ਤੇ ਪਹੁੰਚਣ ਲਈ ਕਿਸੇ ਹੋਰ ਖੋਜਕਰਤਾ ਦੀ ਯੋਗਤਾ। ਏਆਈ ਇੱਥੇ ਦੋ-ਪੱਖੀ ਸਹਾਇਕ ਹੈ। ਪਹਿਲਾਂ, ਤੁਸੀਂ ਇਸਨੂੰ ਟਿੱਪਣੀ ਲਾਈਨਾਂ ਨਾਲ ਤਿਆਰ ਕੀਤੇ ਕੋਡ ਨੂੰ ਦਸਤਾਵੇਜ਼ ਬਣਾਉਣ ਲਈ ਕਹਿ ਸਕਦੇ ਹੋ; ਕੋਡ ਜੋ ਦੱਸਦਾ ਹੈ ਕਿ ਹਰ ਕਦਮ ਕੀ ਕਰਦਾ ਹੈ ਤੁਹਾਡੇ ਲਈ ਛੇ ਮਹੀਨਿਆਂ ਬਾਅਦ ਸਮਝਣਾ ਅਤੇ ਆਡੀਟਰ ਲਈ ਪਾਲਣਾ ਕਰਨਾ ਸੌਖਾ ਬਣਾਉਂਦਾ ਹੈ। ਦੂਜਾ, AI ਤੁਹਾਡੇ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਰੈਂਡਮ ਮੈਨੂਅਲ ਕਲਿਕਿੰਗ (ਉਦਾਹਰਨ ਲਈ SPSS ਮੇਨੂ ਵਿੱਚ) ਦੀ ਬਜਾਏ ਸਕ੍ਰਿਪਟ-ਅਧਾਰਿਤ ਹੋਣ ਲਈ ਧੱਕਦਾ ਹੈ; ਸਕ੍ਰਿਪਟ ਤੁਹਾਡੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦਾ ਪੂਰਾ ਰਿਕਾਰਡ ਹੈ ਅਤੇ ਇੱਕ ਸਿੰਗਲ ਕਲਿੱਕ ਨਾਲ ਦੁਹਰਾਇਆ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ "ਕਿਹੜੀ ਸੈਟਿੰਗ ਨਾਲ ਮੈਨੂੰ ਇਹ ਨਤੀਜਾ ਪ੍ਰਾਪਤ ਹੋਇਆ?" ਦੀ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਖਤਮ ਕਰਦਾ ਹੈ.

ਰੀਪ੍ਰੋਡਸੀਬਿਲਟੀ ਦਾ ਹਿੱਸਾ ਕੱਚੇ ਡੇਟਾ ਅਤੇ ਪ੍ਰੋਸੈਸਡ ਡੇਟਾ ਨੂੰ ਵੱਖਰਾ ਰੱਖਣਾ ਹੈ: ਤੁਸੀਂ ਕਦੇ ਵੀ ਕੱਚੇ ਡੇਟਾ ਨੂੰ ਹੱਥ ਨਾਲ ਨਹੀਂ ਛੂਹਦੇ, ਤੁਸੀਂ ਕੋਡ ਵਿੱਚ ਸਾਰੇ ਪਰਿਵਰਤਨ (ਸਫਾਈ, ਕੋਡਿੰਗ, ਛੱਡ ਕੇ) ਕਰਦੇ ਹੋ। ਇਸ ਤਰ੍ਹਾਂ, ਜਦੋਂ ਤੁਹਾਨੂੰ ਕੋਈ ਗਲਤੀ ਮਿਲਦੀ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਸ਼ੁਰੂਆਤ 'ਤੇ ਵਾਪਸ ਜਾ ਸਕਦੇ ਹੋ ਅਤੇ ਇਸਨੂੰ ਦੁਬਾਰਾ ਚਲਾ ਸਕਦੇ ਹੋ। AI ਇੱਕ ਵਰਕਫਲੋ ਫਰੇਮਵਰਕ ਦਾ ਪ੍ਰਸਤਾਵ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਇਸ ਅੰਤਰ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਦਾ ਹੈ; ਪਰ ਫੈਸਲੇ ਜਿਵੇਂ ਕਿ ਕਿਹੜੇ ਭਾਗੀਦਾਰ ਨੂੰ ਬਾਹਰ ਰੱਖਿਆ ਗਿਆ ਸੀ ਅਤੇ ਵਿਗਿਆਨਕ ਫੈਸਲੇ ਕਿਉਂ ਹਨ ਜੋ ਤੁਹਾਨੂੰ ਕਰਨੇ ਅਤੇ ਰਿਕਾਰਡ ਕਰਨੇ ਚਾਹੀਦੇ ਹਨ।

ਤਿੰਨ ਛੋਟੇ ਕੇਸ

ਕੇਸ 1 - ਕੋਡ ਪ੍ਰਵੇਗ, ਮੈਨੂਅਲ ਵੈਰੀਫਿਕੇਸ਼ਨ। ਇੱਕ ਖੋਜਕਰਤਾ ਨੂੰ ਨਹੀਂ ਪਤਾ ਸੀ ਕਿ R ਵਿੱਚ ANOVA ਨੂੰ ਦੁਹਰਾਉਣ ਵਾਲੇ ਉਪਾਅ ਕਿਵੇਂ ਕਰਨੇ ਹਨ। ਉਸਨੇ AI ਨੂੰ ਡੇਟਾ ਢਾਂਚੇ (ਅਗਿਆਤ) ਦਾ ਵਰਣਨ ਕੀਤਾ, ਕੋਡ ਡਰਾਫਟ ਲਿਆ ਅਤੇ ਇਸਨੂੰ ਆਪਣੀ ਮਸ਼ੀਨ 'ਤੇ ਚਲਾਇਆ। ਉਸਨੇ SPSS ਵਿੱਚ ਆਉਟਪੁੱਟ ਨੂੰ ਵੀ ਦੁਹਰਾਇਆ; ਦੋਵੇਂ ਨਤੀਜੇ ਸਹਿਮਤ ਹੋਏ। ਕੋਡ ਸਹੀ ਸੀ, ਪਰ ਖੋਜਕਰਤਾ ਨੂੰ ਸਿਰਫ ਇਸ ਵਿੱਚ ਭਰੋਸਾ ਮਹਿਸੂਸ ਹੋਇਆ ਜਦੋਂ ਉਸਨੇ ਇੱਕ ਦੂਜੇ ਟੂਲ ਨਾਲ ਇਸਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ।

ਕੇਸ 2 — ਫੈਬਰੀਕੇਟਿਡ ਸੰਖੇਪ ਅੰਕੜੇ। ਇੱਕ ਵਿਦਿਆਰਥੀ ਨੇ AI ਵਿੱਚ ਡੇਟਾ ਸਾਰਣੀ ਨੂੰ ਚਿਪਕਾਇਆ ਅਤੇ ਕਿਹਾ ਕਿ "ਮਾਤਰ ਅਤੇ ਮਿਆਰੀ ਵਿਵਹਾਰਾਂ ਦੀ ਗਣਨਾ ਕਰੋ।" AI ਨੇ ਉਹ ਨੰਬਰ ਵਾਪਸ ਕੀਤੇ ਜੋ ਵਾਜਬ ਲੱਗਦੇ ਸਨ; ਜਦੋਂ ਵਿਦਿਆਰਥੀ ਨੇ ਇਸ ਨੂੰ ਸਾਫਟਵੇਅਰ ਵਿੱਚ ਚੈੱਕ ਕੀਤਾ ਤਾਂ ਉਸ ਨੇ ਦੇਖਿਆ ਕਿ ਕਈ ਔਸਤ ਗਲਤ ਸਨ। ਏਆਈ ਨੇ ਅਸਲ ਵਿੱਚ ਸਾਰਣੀ ਦੀ ਗਣਨਾ ਨਹੀਂ ਕੀਤੀ, ਇਸਨੇ ਇਸਦਾ ਅਨੁਮਾਨ ਲਗਾਇਆ. ਸਬਕ: ਸੌਫਟਵੇਅਰ ਗਣਨਾ ਕਰਦਾ ਹੈ, ਤੁਹਾਨੂੰ AI ਤੋਂ ਨਤੀਜਾ ਨਹੀਂ ਮਿਲਦਾ।

ਕੇਸ 3 — ਗੁਣਾਤਮਕ ਕੋਡ ਸੁਝਾਅ। ਇੱਕ ਸਮਾਜ ਵਿਗਿਆਨੀ ਨੇ 30 ਇੰਟਰਵਿਊਆਂ ਨੂੰ ਸਵੈ-ਕੋਡ ਕੀਤਾ, ਫਿਰ AI ਨੂੰ ਇੱਕ ਗੁਮਨਾਮ ਸਬਸੈੱਟ ਦਿੱਤਾ ਅਤੇ ਪੁੱਛਿਆ "ਕਿਹੜੇ ਵਾਧੂ ਥੀਮ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ।" ਏਆਈ ਨੇ "ਸੰਸਥਾਗਤ ਵਿਸ਼ਵਾਸ" ਦੀ ਇੱਕ ਥੀਮ ਦਾ ਸੁਝਾਅ ਦਿੱਤਾ ਜਿਸਨੂੰ ਉਸਨੇ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਨਹੀਂ ਵਿਚਾਰਿਆ। ਖੋਜਕਰਤਾ ਕੱਚੇ ਕੋਟਸ 'ਤੇ ਵਾਪਸ ਆਇਆ, ਪਾਇਆ ਕਿ ਥੀਮ ਅਸਲ ਵਿੱਚ ਸਮਰਥਿਤ ਸੀ, ਅਤੇ ਇਸਨੂੰ ਉਸਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਜੋੜਿਆ। ਏਆਈ ਨੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਜੋੜਿਆ; ਖੋਜਕਰਤਾ ਨੇ ਫੈਸਲਾ ਅਤੇ ਤਸਦੀਕ ਕੀਤਾ.

ਨਕਲ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟਸ

1) ਟੈਸਟ ਚੋਣ ਸਲਾਹ:

ਉਪਜ: [ਨਿਰਭਰ ਵੇਰੀਏਬਲ ਦੀ ਕਿਸਮ], [ਸਮੂਹਾਂ ਦੀ ਸੰਖਿਆ], [ਸੁਤੰਤਰ/ਜੋੜਾਬੱਧ], [ਮੈਂ ਵੰਡ ਬਾਰੇ ਕੀ ਜਾਣਦਾ ਹਾਂ]। ਮੇਰਾ ਸਵਾਲ: ਕੀ ਸਮੂਹਾਂ ਵਿੱਚ ਕੋਈ ਅੰਤਰ ਹੈ? ਉਹਨਾਂ ਅੰਕੜਿਆਂ ਦੇ ਟੈਸਟਾਂ ਦੀ ਸੂਚੀ ਬਣਾਓ ਜੋ ਢੁਕਵੇਂ ਹੋ ਸਕਦੇ ਹਨ, ਉਹਨਾਂ ਦੇ ਪ੍ਰਮਾਣਾਂ ਦੇ ਨਾਲ, ਅਤੇ ਹਰੇਕ ਦੀਆਂ ਧਾਰਨਾਵਾਂ ਨੂੰ ਲਿਖੋ। ਮੈਂ ਚੋਣ ਕਰਦਾ ਹਾਂ।

2) ਕੋਡ ਡਰਾਫਟ (ਬਿਨਾਂ ID):

ਮੈਂ R ਦੀ ਵਰਤੋਂ ਕਰ ਰਿਹਾ/ਰਹੀ ਹਾਂ। ਮੇਰੇ ਡੇਟਾਫ੍ਰੇਮ ਵਿੱਚ ਹੇਠਾਂ ਦਿੱਤੇ ਕਾਲਮ ਹਨ: [ਕਾਲਮ ਦੇ ਨਾਮ ਅਤੇ ਕਿਸਮਾਂ, ਉਦਾਹਰਨ ਅਣਪਛਾਤੀਆਂ 2 ਕਤਾਰਾਂ]। ਵਿਆਖਿਆ ਦੇ ਨਾਲ ਕੋਡ ਲਿਖੋ ਜੋ ਇੱਕ ਸੁਤੰਤਰ ਨਮੂਨਾ ਟੀ-ਟੈਸਟ ਕਰਦਾ ਹੈ ਅਤੇ ਧਾਰਨਾਵਾਂ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ (ਸਧਾਰਨਤਾ, ਵਿਭਿੰਨਤਾ ਦੀ ਸਮਰੂਪਤਾ)। ਮੈਂ ਕੋਡ ਨੂੰ ਆਪਣੀ ਮਸ਼ੀਨ 'ਤੇ ਚਲਾਵਾਂਗਾ।

3) ਆਉਟਪੁੱਟ ਵਿਆਖਿਆ (APA):

ਮੇਰੇ ਸਟੈਟਿਸਟਿਕਸ ਸੌਫਟਵੇਅਰ ਨੇ ਹੇਠਾਂ ਦਿੱਤੀ ਆਉਟਪੁੱਟ ਤਿਆਰ ਕੀਤੀ: [ਆਉਟਪੁੱਟ ਪੇਸਟ ਕਰੋ]। ਮੈਂ ਇਸਨੂੰ APA 7 ਫਾਰਮੈਟ ਵਿੱਚ ਕਿਵੇਂ ਰਿਪੋਰਟ ਕਰਾਂ? ਪ੍ਰਭਾਵ ਦੇ ਆਕਾਰ ਅਤੇ ਇਸ ਦੇ ਵਿਹਾਰਕ ਅਰਥ ਨੂੰ ਸਾਦੀ ਭਾਸ਼ਾ ਵਿੱਚ ਸਮਝਾਓ। ਮੇਰੇ ਆਉਟਪੁੱਟ ਤੋਂ ਨੰਬਰ ਲਓ, ਨਵਾਂ ਨਾ ਬਣਾਓ।

4) ਗੁਣਾਤਮਕ ਥੀਮ ਸੁਝਾਅ (ਅਗਿਆਤ):

ਹੇਠਾਂ ਅਗਿਆਤ ਇੰਟਰਵਿਊ ਦੇ ਅੰਸ਼ ਹਨ। ਸੰਭਾਵੀ ਕੋਡ ਅਤੇ ਥੀਮ ਉਮੀਦਵਾਰਾਂ ਦਾ ਸੁਝਾਓ; ਦਿਖਾਓ ਕਿ ਹਰੇਕ ਉਮੀਦਵਾਰ ਕਿਸ ਹਵਾਲੇ 'ਤੇ ਅਧਾਰਤ ਹੈ। ਇਹ ਸੁਝਾਅ ਹਨ; ਮੈਂ ਇਸਨੂੰ ਕੱਚੇ ਡੇਟਾ ਤੋਂ ਪ੍ਰਮਾਣਿਤ ਕਰਾਂਗਾ। ਹਵਾਲੇ: [ਗੁਮਨਾਮ ਟੈਕਸਟ]

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:

ਇਸ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ ਅਤੇ ਮੈਨੂੰ ਨਤੀਜਾ ਦੱਸੋ। [ਪੇਸਟ ਟੇਬਲ]

AI ਗਣਨਾ ਕਰਦਾ ਹੈ; ਇਸ ਤੋਂ ਇਲਾਵਾ, ਕੱਚਾ ਡੇਟਾ ਓਪਨ ਟੂਲ ਲਈ ਆਉਟਪੁੱਟ ਹੁੰਦਾ ਹੈ। ਡਬਲ ਜੋਖਮ.

ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:

ਮੈਂ ਪਾਇਥਨ (ਪਾਂਡਾ + ਸਕਿਪੀ) ਦੀ ਵਰਤੋਂ ਕਰ ਰਿਹਾ/ਰਹੀ ਹਾਂ। ਮੇਰਾ ਡੇਟਾਫ੍ਰੇਮ: [ਅਣਪਛਾਤੀ ਕਾਲਮ ਪਰਿਭਾਸ਼ਾ]। ਮੈਂ ਦੋ ਸਮੂਹਾਂ ਦੀ ਤੁਲਨਾ ਕਰਨਾ ਚਾਹੁੰਦਾ ਹਾਂ। ਇੰਟਰਪ੍ਰੇਟਿਡ ਕੋਡ ਲਿਖੋ ਜੋ (1) ਧਾਰਨਾਵਾਂ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ, (2) ਉਚਿਤ ਟੈਸਟ ਨੂੰ ਲਾਗੂ ਕਰਦਾ ਹੈ, (3) ਪ੍ਰਭਾਵ ਦੇ ਆਕਾਰ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ। ਮੈਂ ਇਸਨੂੰ ਆਪਣੇ ਖੁਦ ਦੇ ਡੇਟਾ ਨਾਲ ਚਲਾਵਾਂਗਾ ਅਤੇ ਨਤੀਜੇ ਦੀ ਰਿਪੋਰਟ ਕਰਾਂਗਾ। ਤੁਸੀਂ ਨੰਬਰ ਨਹੀਂ ਬਣਾਉਂਦੇ; ਸਿਰਫ਼ ਕੋਡ ਅਤੇ ਟਿੱਪਣੀਆਂ ਦਿਓ।

ਕਾਰੋਬਾਰ

AI ਕਰਦਾ ਹੈ

ਤੁਸੀਂ ਕਰਦੇ ਹੋ

ਟੈਸਟ ਦੀ ਚੋਣ

ਵਿਕਲਪ + ਤਰਕਸੰਗਤ

ਧਾਰਨਾ ਜਾਂਚ, ਫੈਸਲਾ

ਵਿਸ਼ਲੇਸ਼ਣ ਕੋਡ

ਡਰਾਫਟ ਕੋਡ

ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਚੱਲਣਾ ਅਤੇ ਪੜ੍ਹਨਾ

ਸੰਖਿਆਤਮਕ ਗਣਨਾ

ਨਹੀਂ ਕਰਨਾ ਚਾਹੀਦਾ

ਸੌਫਟਵੇਅਰ ਨਾਲ ਗਣਨਾ

ਆਉਟਪੁੱਟ ਟਿੱਪਣੀ

ਸਾਦੀ ਭਾਸ਼ਾ ਦੀ ਰੂਪਰੇਖਾ

ਆਪਣੇ ਪ੍ਰਿੰਟਆਊਟ ਨਾਲ ਪੁਸ਼ਟੀ ਕਰੋ

ਗੁਣਾਤਮਕ ਕੋਡਿੰਗ

ਥੀਮ ਉਮੀਦਵਾਰ

ਕੱਚੇ ਡੇਟਾ ਨਾਲ ਪ੍ਰਮਾਣਿਕਤਾ

ਆਮ ਗਲਤੀਆਂ

• ਓਪਨ ਟੂਲ 'ਤੇ ਕੱਚਾ/ਪਛਾਣਿਆ ਡਾਟਾ ਅੱਪਲੋਡ ਕਰਨਾ। ਭਾਗੀਦਾਰ ਦੀ ਗੁਪਤਤਾ ਦੀ ਉਲੰਘਣਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ; ਸਭ ਤੋਂ ਵੱਡੀ ਗਲਤੀ.
• ਏਆਈ ਨੂੰ ਸੰਖਿਆਵਾਂ ਦੀ ਗਣਨਾ ਕਰਨਾ। ਬਣਾਏ ਅੰਕੜੇ ਪੈਦਾ ਕਰਦਾ ਹੈ; ਸਾਫਟਵੇਅਰ ਗਣਨਾ ਕਰਦਾ ਹੈ.
• ਕੋਡ ਨੂੰ ਪੜ੍ਹੇ ਬਿਨਾਂ ਚੱਲ ਰਿਹਾ ਹੈ। ਚੁੱਪ ਗਲਤੀ ਰਿਪੋਰਟ ਵਿੱਚ ਲੀਕ.
• p-ਹੈਕਿੰਗ. ਸਾਰਥਕ ਨਤੀਜੇ ਲੱਭਣ ਲਈ ਟੈਸਟਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨਾ ਇੱਕ ਨੈਤਿਕ ਉਲੰਘਣਾ ਹੈ।
• ਗੁਣਾਤਮਕ ਵਿਆਖਿਆ ਨੂੰ AI 'ਤੇ ਛੱਡਣਾ। ਖੋਜਕਾਰ ਅਰਥਾਂ ਦੀ ਰਚਨਾ ਕਰਦਾ ਹੈ; AI ਸਿਰਫ਼ ਪੈਟਰਨਾਂ ਦਾ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ।

ਨੁਕਤਾ: ਲਿਖਤੀ ਰੂਪ ਵਿੱਚ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਹਰੇਕ ਟੈਸਟ ਲਈ ਆਪਣੀ ਵਿਸ਼ਲੇਸ਼ਣ ਯੋਜਨਾ ਅਤੇ ਤਰਕਸੰਗਤ ਰੱਖੋ। ਇਹ ਦੋਵੇਂ ਪੀ-ਹੈਕਿੰਗ ਤੋਂ ਬਚਾਉਂਦਾ ਹੈ ਅਤੇ ਵਿਧੀ ਭਾਗ ਨੂੰ ਲਿਖਣ ਵੇਲੇ ਇੱਕ ਤਿਆਰ ਰਿਕਾਰਡ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।

ਸਾਰੰਸ਼ ਵਿੱਚ

ਏਆਈ ਕੋਡ ਡਰਾਫਟਿੰਗ, ਟੈਸਟ ਚੋਣ ਸਲਾਹਕਾਰ, ਆਉਟਪੁੱਟ ਵਿਆਖਿਆ ਅਤੇ ਗੁਣਾਤਮਕ ਥੀਮ ਸੁਝਾਅ ਦੇ ਨਾਲ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਬਹੁਤ ਤੇਜ਼ ਕਰਦਾ ਹੈ। ਪਰ ਵਿਸ਼ਲੇਸ਼ਣ ਅਕੈਡਮੀ ਦਾ ਸ਼ੁੱਧਤਾ ਦਾ ਸਭ ਤੋਂ ਨਾਜ਼ੁਕ ਖੇਤਰ ਹੈ: ਕੱਚੇ ਡੇਟਾ ਨੂੰ ਗੁਪਤ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ, ਸਾੱਫਟਵੇਅਰ ਵਿੱਚ ਗਣਨਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਹਰ ਸੰਖਿਆਤਮਕ ਨਤੀਜੇ ਹੱਥ ਨਾਲ ਪ੍ਰਮਾਣਿਤ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਗੁਣਾਤਮਕ ਵਿਆਖਿਆ ਨੂੰ ਕੱਚੇ ਡੇਟਾ ਨਾਲ ਜੋੜਿਆ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਪੀ-ਹੈਕਿੰਗ ਤੋਂ ਬਚਿਆ ਜਾਂਦਾ ਹੈ। ਸਭ ਤੋਂ ਛੋਟਾ ਨਿਯਮ: ਕੋਡ ਅਤੇ ਵਿਆਖਿਆ ਏਆਈ ਤੋਂ ਹਨ, ਗਣਨਾ ਅਤੇ ਫੈਸਲਾ ਤੁਹਾਡੇ ਤੋਂ ਹਨ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਆਪਣੇ ਖੁਦ ਦੇ (ਜਾਂ ਨਮੂਨਾ) ਡੇਟਾ ਦੀ ਬਣਤਰ ਦਾ ਅਗਿਆਤ ਰੂਪ ਵਿੱਚ ਵਰਣਨ ਕਰੋ ਅਤੇ ਇੱਕ ਉਚਿਤ ਟੈਸਟ ਸਿਫਾਰਸ਼ ਅਤੇ ਇੱਕ ਟਿੱਪਣੀ ਕੀਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਕੋਡ ਲਈ AI ਨੂੰ ਪੁੱਛੋ। ਕੋਡ ਪੜ੍ਹੋ ਅਤੇ ਇੱਕ ਵਾਕ ਵਿੱਚ ਲਿਖੋ ਕਿ ਹਰੇਕ ਲਾਈਨ ਕੀ ਕਰਦੀ ਹੈ। ਕੋਡ ਚਲਾਓ ਅਤੇ ਆਉਟਪੁੱਟ ਪ੍ਰਾਪਤ ਕਰੋ, ਅਤੇ ਜੇ ਸੰਭਵ ਹੋਵੇ ਤਾਂ ਦੂਜੇ ਤਰੀਕੇ ਨਾਲ (ਹੱਥ ਜਾਂ ਹੋਰ ਸਾਧਨ ਦੁਆਰਾ) ਘੱਟੋ-ਘੱਟ ਇੱਕ ਨਤੀਜੇ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ। ਜੇਕਰ ਤੁਸੀਂ ਗੁਣਾਤਮਕ ਤੌਰ 'ਤੇ ਕੰਮ ਕਰ ਰਹੇ ਹੋ, ਤਾਂ ਕੋਟਸ ਦੇ ਇੱਕ ਅਗਿਆਤ ਸੈੱਟ ਲਈ ਇੱਕ ਥੀਮ ਦਾ ਸੁਝਾਅ ਦਿਓ ਅਤੇ ਉਹਨਾਂ ਦੀ ਤੁਲਨਾ ਕੱਚੇ ਡੇਟਾ ਨਾਲ ਕਰੋ।

ਚੈੱਕਲਿਸਟ

• ਕੀ ਮੈਂ ਕੱਚਾ/ਪਛਾਣਿਆ ਡੇਟਾ ਕਿਸੇ ਵੀ ਓਪਨ ਟੂਲਸ ਵਿੱਚ ਲੋਡ ਨਹੀਂ ਕੀਤਾ ਹੈ?
• [ ] ਕੀ ਮੈਂ ਧਾਰਨਾਵਾਂ ਦੀ ਜਾਂਚ ਕਰਕੇ ਟੈਸਟ ਚੋਣ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ?
• [ ] ਕੀ ਮੈਂ ਕੋਡ ਨੂੰ ਪੜ੍ਹਿਆ ਅਤੇ ਸਮਝ ਲਿਆ ਹੈ ਅਤੇ ਇਸਨੂੰ ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਚਲਾਇਆ ਹੈ?
• [ ] ਕੀ ਮੈਂ ਹਰੇਕ ਸੰਖਿਆਤਮਕ ਨਤੀਜਾ ਸਾਫਟਵੇਅਰ/ਸੈਕੰਡਰੀ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ?
• ਕੀ ਮੈਂ ਗੁਣਾਤਮਕ ਥੀਮ ਨੂੰ ਕੱਚੇ ਹਵਾਲੇ ਨਾਲ ਜੋੜਿਆ ਹੈ?