Câștiguri:
- Capacitatea de a raporta constatările empirice publicului țintă (universitar, politic, management) cu sprijinul inteligenței artificiale, într-un limbaj onest și fără ambiguitate
- Abilitatea de a scrie complet concluzii, limitări și declarații etice (confidențialitatea datelor, conflict de interese, dezvăluirea utilizării inteligenței artificiale) și de a evita prezentarea înșelătoare
- Capacitatea inteligenței artificiale de a recunoaște proiectele de rapoarte care produc un limbaj exagerat, unilateral sau cauzal și de a menține această responsabilitate pentru textul și afirmațiile finale revine cercetătorului.
Examenul modulului
1. Un cercetător întreabă „Care este coeficientul de corelație dintre șomaj și inflație în Turcia între 2015 și 2020?” fără a oferi niciun fel de date inteligenței artificiale. el întreabă și scrie numărul 0,62 direct în articolul său. Care este greșeala fundamentală în această abordare?
- A) Așteptând statistici concrete de la inteligența artificială fără a oferi date verificate; ✔ Utilizarea unui număr care ar fi putut fi inventat fără a-l verifica
- B) Coeficientul de corelație nu trebuie utilizat niciodată într-un articol.
- C) Corelația nu poate fi calculată între șomaj și inflație
- D) Inteligența artificială poate accesa date numai după 2020
Explicație: Modelul de limbaj AI nu poate produce statistici fără accesarea setului de date; Numărul pe care îl dă este cel mai probabil o halucinație (fabricată). Coeficienții, rapoartele și rezultatele testelor ar trebui să fie calculate din datele verificate ale cercetătorului, nu luate din memoria modelului.
2. Ce înseamnă ca datele lipsă să fie „nu lipsesc la întâmplare” (MNAR) și de ce este importantă?
- A) Deficiența se datorează însăși valorii neobservate; De aceea, atribuirea simplă poate crea părtinire ✔
- B) Datele dispar complet aleatoriu și nu creează nicio părtinire.
- C) Datele lipsă trebuie întotdeauna rezolvate prin ștergerea rândului.
- D) Datele lipsă nu afectează în niciun fel analiza.
Explicație: În cazul MNAR (Missing Not At Random), lipsa în sine depinde de mărimea valorii neobservate (de exemplu, cei cu venituri mari nu își raportează veniturile). În acest caz, ștergerea simplă sau alocarea medie dă rezultate părtinitoare; Trebuie modelat mecanismul deficienței. Metoda de atribuire sugerată de inteligența artificială nu trebuie aplicată orbește fără cunoașterea acestui mecanism.
3. Un analist pune AI să facă o diagramă cu bare, iar AI începe axa y la 40 în loc de zero. Diferența reală de 2% între cele două grupuri arată uriașă pe grafic. Care este abordarea corectă?
- A) Pornirea axei de la zero sau schimbarea tipului diagramei; ✔ pentru a arăta dimensiunea reală a diferenței fără a induce în eroare
- B) Folosind diagrama așa cum este, deoarece AI face cea mai bună alegere
- C) Începând axa la 45 pentru a face diferența și mai mare
- D) Nu utilizați niciodată elemente vizuale în loc de diagrame cu bare
Explicație: Într-o diagramă cu bare, axa punctată (axa y care nu începe de la zero) induce în eroare exagerând micile diferențe. În vizualizarea sinceră, axa diagramelor cu bare ar trebui să înceapă de la zero sau diferența ar trebui să fie declarată în mod conștient în mod clar. Este responsabilitatea analistului să verifice imaginea și să o corecteze dacă este necesar.
4. Cum este adesea denaturat faptul că un coeficient este „semnificativ” (p<0,05) în regresia liniară în interpretarea inteligenței artificiale?
- A) Prezentarea exagerată a semnificației, deoarece efectul este mare și important sau se stabilește cauzalitatea ✔
- B) Semnificația indică întotdeauna că efectul este mic
- C) p<0,05 demonstrează că coeficientul este absolut corect
- D) Coeficienții semnificativi nu trebuie raportați niciodată.
Explicație: Semnificația statistică se referă la puterea dovezilor că efectul este diferit de zero; Nu înseamnă că efectul este mare, important sau cauzal. AI prezintă adesea cuvântul „semnificativ” ca „impact semnificativ/puternic”. Cercetătorul ar trebui să evalueze, de asemenea, mărimea efectului, intervalul de încredere și contextul.
5. La ce se referă termenul „p-hacking” și de ce poate AI să-l ușureze?
- A) Încercarea de analize multiple până când are sens; AI face acest lucru foarte repede, crescând riscul ✔
- B) Analizarea datelor o dată și cu un plan prestabilit
- C) extinderea eșantionului pentru a crește valoarea p
- D) Raportarea numai a statisticilor descriptive
Explicație: p-hacking înseamnă încercarea de diferite variabile, subeșantioane, transformări sau modele până când apare un rezultat semnificativ; aceasta produce descoperiri false bazate pe întâmplare. Deoarece AI poate încerca zeci de variante de model în câteva secunde, poate accelera p-hacking-ul fără un plan sincer. Apărare; preînregistrare, plan de analiză fix și corecție de comparație multiplă.
6. De ce ar putea fi înșelătoare găsirea unei regresii cu R pătrat ridicat între două serii temporale nestaționare (rădăcină unitară)?
- A) Regresia falsă poate apărea din cauza tendinței comune; ✔ Ieșire mare R-pătrat fără relație reală
- B) Un R-pătrat mare demonstrează întotdeauna o relație cauzală puternică.
- C) Serii non-staționare nu pot fi introduse deloc în regresie.
- D) R-pătratul nu poate fi calculat în serii de timp
Explicație: Dacă nu există o relație comună de cointegrare între seriile non-staționare, regresia falsă poate produce un coeficient R pătrat mare și semnificativ numai datorită tendinței comune; întrucât nu există o relație reală. Prin urmare, testele de staționaritate și de rădăcină unitară ar trebui făcute mai întâi și, dacă este necesar, trebuie luate diferențe sau trebuie testată cointegrarea.
7. Ce ipoteză de bază se bazează pe validitatea designului Diferenței în diferențe?
- A) Ipoteza tendințe paralele: grupurile ar urma aceeași direcție dacă nu ar exista intervenție ✔
- B) Grupurile de tratament și de control sunt exact aceleași la început
- C) Distribuția normală a probei
- D) Variabilele nu conțin date lipsă
Explicație: DiD presupune că, în absența intervenției, variabila de rezultat pentru grupurile de tratament și de control ar fi evoluat paralel în timp (ipoteza tendințelor paralele). Dacă această ipoteză nu este îndeplinită, estimarea este părtinitoare. AI poate produce codul DiD, dar este datoria cercetătorului să apere și să testeze tendințele paralele.
8. Care dintre următoarele este o practică obligatorie pentru o analiză reproductibilă?
- A) Fixarea semințelor în pași aleatori, înregistrarea versiunilor de pachet și a codului ✔
- B) Copiați manual rezultatele în foaia de calcul și ștergeți codul
- C) Este normal să vezi rezultate diferite la fiecare cursă.
- D) Păstrarea doar grafică finală, nu partajarea datelor și codului
Descriere: Reproductibilitate; Același rezultat poate fi obținut din nou cu aceleași date și cod. Remedierea semințelor în pași aleatori, salvarea versiunilor de pachet și executarea codului în document (programare alfabetizată) sunt pietrele de temelie ale acestui lucru. Copierea manuală a rezultatelor sau pașii fără înregistrare pe baza de clic afectează reproductibilitatea.
9. Ce distorsionează heteroschedasticitatea o regresie liniară și care este soluția ei comună?
- A) Denaturează erorile standard; soluția este erori standard robuste sau transformare adecvată ✔
- B) Invalidează complet estimările coeficienților și nu are soluție
- C) Reduce întotdeauna R-pătratul la zero
- D) Apare numai dacă proba este foarte mică și poate fi ignorată
Explicație: Heteroscedasticitatea lasă estimările coeficienților imparțial, dar calculează greșit erorile standard; Acest lucru face ca valorile p și intervalele de încredere să fie nesigure. O soluție comună este utilizarea erorilor standard robuste/HC sau a conversiei adecvate. Trebuie să se verifice că soluția sugerată de AI rezolvă de fapt problema, mai degrabă decât o ascunde.
10. Un cercetător încarcă microdate care conțin informații de identificare la nivel de pacient și venituri într-un instrument public de chat AI și spune „faceți regresia”. Care este principala problemă cu acest comportament?
- A) Încărcarea datelor personale/licențiate într-un instrument extern constituie o încălcare a confidențialității și a contractului ✔
- B) Regresia nu poate fi făcută deloc de inteligența artificială
- C) Microdatele nu sunt deloc potrivite pentru regresie
- D) AI calculează întotdeauna greșit regresia
Explicație: Datele personale/speciale, cum ar fi identitatea și venitul, sunt protejate prin KVKK/GDPR și majoritatea acordurilor de utilizare a datelor; Încărcarea acestora pe un dispozitiv extern care poate stoca date reprezintă o încălcare. Calea corectă; Anonimizarea datelor, utilizarea instrumentelor locale/instituționale securizate sau pur și simplu solicitarea codului de la inteligența artificială și rularea codului în propriul mediu.
11. Ce se observă când multicoliniaritatea este mare?
- A) Coeficienții devin instabili și erorile standard devin umflate; Coeficienții individuali se pot dovedi a fi lipsiți de sens ✔
- B) R-pătratul scade întotdeauna la zero
- C) Estimările coeficienților devin mai precise tot timpul
- D) Scara variabilei dependente se modifică
Explicație: în multicoliniaritate mare, variabilele independente sunt puternic corelate între ele; Estimările coeficienților devin instabile, erorile standard devin umflate, iar coeficienții individuali se pot dovedi a fi nesemnificativi, în timp ce modelul general poate fi semnificativ. Este diagnosticat prin criterii precum VIF. Inteligența artificială poate sugera eliminarea variabilelor, dar este la latitudinea cercetătorului să decidă care variabilă ar trebui să rămână teoretică.
12. Ce este puterea statistică și care este riscul unui studiu de putere redusă?
- A) Posibilitatea de a detecta efectul existent; puterea scăzută ratează efectele adevărate și face constatările nesigure ✔
- B) probabilitatea reducerii valorii p; puterea mai mică oferă întotdeauna rezultate mai fiabile
- C) O valoare constantă independentă de dimensiunea eșantionului
- D) Un concept care este valabil numai atunci când se folosește inteligența artificială
Explicație: Puterea este probabilitatea de a detecta un efect care există efectiv (1 minus eroarea de tip II). Studiile cu putere redusă pot pierde efectele adevărate; În plus, puținele rezultate semnificative pot avea o dimensiune exagerată a efectului („blestemul câștigătorului”) și rata fals pozitive crește. Prin urmare, calculul puterii/eșantionului este important înainte de analiză.
13. De ce este necesar din punct de vedere etic să dezvăluiți utilizarea inteligenței artificiale într-un articol?
- A) Pentru transparență și responsabilitate; ✔ cititorii și arbitrii pot evalua procesul, iar responsabilitatea rămâne a autorului
- B) Utilizarea inteligenței artificiale invalidează automat rezultatele
- C) Solicitate de reviste numai în scop publicitar
- D) Transferarea dreptului de autor asupra explicației către inteligența artificială
Dezvăluire: este necesară transparența pentru ca cititorul și recenzenții să poată evalua modul în care au fost produse rezultatele; Multe reviste și instituții solicită acum dezvăluirea utilizării AI. În plus, deoarece inteligența artificială poate produce erori/halucinații, este o chestiune de onestitate să afirmăm că responsabilitatea rămâne a autorului și care pași au fost auditați.
14. Ce necesită „restricția de excludere” în metoda variabilei instrumentului (IV)?
- A) Instrumentul afectează rezultatul doar prin variabila internă, nu există altă cale directă ✔
- B) Instrumentul nu are nicio relație cu variabila rezultat.
- C) Instrumentul nu are legătură cu variabila endogenă.
- D) Mediile este întotdeauna o variabilă binară (0/1).
Explicație: Constrângerea de excludere necesită ca instrumentul să afecteze variabila rezultat numai prin variabila explicativă endogenă și nu prin alte mijloace directe sau factori neobservați. Această ipoteză nu poate fi testată pe deplin din date; Este apărat pe motive teoretice și instituționale. AI poate scrie codul IV, dar este datoria cercetătorului să apere validitatea instrumentului.
15. Ce înseamnă problema „Grădina căilor bifurcate” în analizele flexibile fără preînregistrare?
- A) Prea multe alegeri rezonabile de analiză făcute pe baza datelor cresc rata fals pozitive, chiar și neintenționat ✔
- B) Metodele de analiză trebuie să fie unice și obligatorii
- C) O problemă care apare numai atunci când apare înșelăciune intenționată.
- D) O situație care dispare spontan pe măsură ce eșantionul crește
Explicație: După vizualizarea datelor, cercetătorul poate face multe alegeri rezonabile cu privire la variabila, subgrup, transformare sau prag de utilizat. Chiar dacă nu există un singur „p-hacking intenționat”, această flexibilitate crește rata fals pozitive, deoarece cea semnificativă este aleasă efectiv dintr-un număr mare de analize. Preînregistrarea și un plan de analiză fix limitează această flexibilitate.