Faida:
- Uwezo wa kuripoti matokeo ya majaribio kwa hadhira inayolengwa (kielimu, sera, usimamizi) kwa usaidizi wa akili ya bandia, kwa lugha ya uaminifu na isiyo na utata.
- Uwezo wa kuandika kikamilifu hitimisho, vikwazo na taarifa za maadili (usiri wa data, mgongano wa maslahi, ufichuaji wa matumizi ya akili ya bandia) na kuepuka uwasilishaji wa kupotosha.
- Uwezo wa akili bandia kutambua rasimu za ripoti zinazozalisha lugha iliyotiwa chumvi, ya upande mmoja au ya sababu na kudumisha jukumu hilo kwa matini ya mwisho na madai ni ya mtafiti.
Mtihani wa Moduli
1. Mtafiti anauliza 'Ni nini uwiano wa uwiano kati ya ukosefu wa ajira na mfumuko wa bei nchini Türkiye kati ya 2015 na 2020?' bila kutoa data yoyote kwa akili ya bandia. anauliza na kuandika namba 0.62 moja kwa moja kwenye makala yake. Je, ni kosa gani la msingi katika mbinu hii?
- A) Kutarajia takwimu halisi kutoka kwa akili bandia bila kutoa data iliyothibitishwa; ✔ Kutumia nambari ambayo inaweza kuwa imeundwa bila kuithibitisha
- B) Mgawo wa uunganisho haupaswi kamwe kutumika katika makala.
- C) Uwiano hauwezi kuhesabiwa kati ya ukosefu wa ajira na mfumuko wa bei
- D) Upelelezi wa Bandia unaweza tu kufikia data baada ya 2020
Maelezo: Muundo wa lugha ya AI hauwezi kutoa takwimu bila kufikia mkusanyiko wa data; Nambari anayotoa kuna uwezekano mkubwa wa kuona (iliyotengenezwa). Vigawo, uwiano na matokeo ya majaribio yanapaswa kuhesabiwa kutoka kwa data iliyothibitishwa ya mtafiti, na si kuchukuliwa kutoka kwa kumbukumbu ya modeli.
2. Inamaanisha nini kwa kukosa data 'kutokosekana kwa nasibu' (MNAR) na kwa nini ni muhimu?
- A) Upungufu unatokana na thamani yenyewe isiyozingatiwa; Ndio maana mgawo rahisi unaweza kuunda upendeleo ✔
- B) Data hupotea kwa nasibu kabisa na haileti upendeleo wowote.
- C) Data inayokosekana inapaswa kutatuliwa kila wakati kwa kufuta safu mlalo.
- D) Kukosekana kwa data hakuathiri uchanganuzi kwa njia yoyote.
Ufafanuzi: Katika kesi ya MNAR (Missing Not At Random), upungufu wenyewe unategemea ukubwa wa thamani isiyozingatiwa (k.m. wenye kipato cha juu hawaripoti mapato yao). Katika kesi hii, ufutaji rahisi au mgawo wa wastani unatoa matokeo ya upendeleo; Utaratibu wa upungufu lazima uigwa. Mbinu ya mgawo iliyopendekezwa na akili ya bandia haipaswi kutumiwa kwa upofu bila kujua utaratibu huu.
3. Mchambuzi ana AI kutengeneza chati ya pau, na AI huanza mhimili wa y kwa 40 badala ya sifuri. Tofauti halisi ya 2% kati ya vikundi viwili inaonekana kubwa kwenye grafu. Ni ipi njia sahihi?
- A) Kuanzisha mhimili kutoka mwanzo au kubadilisha aina ya chati; ✔ kuonyesha ukubwa halisi wa tofauti bila kupotosha
- B) Kutumia chati kama ilivyo kwa sababu AI hufanya chaguo bora zaidi
- C) Kuanzisha mhimili saa 45 ili kufanya tofauti iwe kubwa zaidi
- D) Kamwe usitumie taswira badala ya chati za miraba
Maelezo: Katika chati ya pau, mhimili uliokatika (mhimili wa y ambao hauanzii kutoka sifuri) hupotosha kwa kutia chumvi tofauti ndogo. Katika taswira ya uaminifu, mhimili wa chati za pau unapaswa kuanza kutoka sifuri au tofauti inapaswa kuonyeshwa wazi kwa uangalifu. Ni wajibu wa mchambuzi kuthibitisha picha na kuirekebisha ikibidi.
4. Je, ukweli kwamba mgawo ni 'muhimu' (p<0.05) katika urejeshaji wa mstari mara nyingi huwakilishwa vibaya katika tafsiri ya akili ya bandia?
- A) Uwasilishaji uliokithiri wa umuhimu kwani athari ni kubwa na muhimu au sababu imeanzishwa ✔
- B) Umuhimu daima unaonyesha kuwa athari ni ndogo
- C) p<0.05 inathibitisha kwamba mgawo ni sahihi kabisa
- D) Vigawo muhimu haipaswi kuripotiwa.
Ufafanuzi: Umuhimu wa kitakwimu unahusiana na nguvu ya ushahidi kwamba athari ni tofauti na sifuri; Haina maana kwamba athari ni kubwa, muhimu au causal. AI mara nyingi huwasilisha neno 'muhimu' kama 'athari kubwa/nguvu'. Mtafiti anapaswa pia kutathmini ukubwa wa athari, muda wa kujiamini, na muktadha.
5. Neno 'p-hacking' linarejelea nini na kwa nini AI inaweza kurahisisha?
- A) Kujaribu uchanganuzi nyingi hadi iwe na maana; AI hufanya hivi haraka sana, na kuongeza hatari ✔
- B) Kuchambua data mara moja na kwa mpango ulioamuliwa mapema
- C) kupanua sampuli ili kuongeza thamani ya p
- D) Kuripoti takwimu za maelezo pekee
Ufafanuzi: udukuzi wa p ni kujaribu viambajengo tofauti, sampuli ndogo, mabadiliko, au miundo hadi matokeo ya maana yatokee; hii hutoa matokeo ya uwongo kulingana na bahati nasibu. Kwa kuwa AI inaweza kujaribu aina kadhaa za mifano kwa sekunde, inaweza kuharakisha utapeli bila mpango wa uaminifu. Ulinzi; usajili wa mapema, mpango wa uchanganuzi usiobadilika na urekebishaji mwingi wa kulinganisha.
6. Kwa nini kupata urejeshaji wa juu wa R-mraba kati ya safu mbili za saa zisizo za stationary (kizio kikuu) kunaweza kupotosha?
- A) Urejeshaji wa uwongo unaweza kutokea kwa sababu ya mwelekeo wa kawaida; ✔ Pato la juu la R-mraba bila uhusiano halisi
- B) R-mraba ya juu daima inathibitisha uhusiano wenye nguvu wa causal.
- C) Mfululizo usiosimama hauwezi kuingizwa kwenye regression hata kidogo.
- D) R-mraba haiwezi kuhesabiwa katika mfululizo wa saa
Ufafanuzi: Iwapo hakuna uhusiano wa kawaida wa muunganisho kati ya mfululizo usiosimama, urejeshaji wa uwongo unaweza kutoa mgawo wa juu wa R-mraba na mgawo muhimu kutokana na mwelekeo wa kawaida tu; ilhali hakuna uhusiano wa kweli. Kwa hivyo, vipimo vya usimamaji na vipimo vya mizizi vinapaswa kufanywa kwanza, na ikiwa ni lazima, tofauti zichukuliwe au kuunganishwa kunapaswa kupimwa.
7. Ni dhana gani ya msingi inayoegemea juu ya uhalali wa muundo wa Tofauti-katika-Tofauti?
- A) Dhana ya mienendo sambamba: vikundi vingefuata mwelekeo ule ule kama hakungekuwa na uingiliaji kati ✔
- B) Vikundi vya matibabu na udhibiti vinafanana kabisa mwanzoni
- C) Usambazaji wa kawaida wa sampuli
- D) Vigezo havina data yoyote inayokosekana
Ufafanuzi: DiD inadhania kwamba kwa kukosekana kwa uingiliaji kati, matokeo ya kutofautiana kwa makundi ya matibabu na udhibiti yangekuwa yamefanana kwa muda (wazo la mwelekeo sambamba). Ikiwa dhana hii haijafikiwa, makadirio yana upendeleo. AI inaweza kutoa msimbo wa DiD, lakini ni kazi ya mtafiti kutetea na kupima mielekeo sambamba.
8. Ni ipi kati ya zifuatazo ni mazoezi ya lazima kwa uchambuzi unaoweza kuzaa tena?
- A) Kurekebisha mbegu kwa hatua za nasibu, kurekodi matoleo ya vifurushi na msimbo ✔
- B) Nakili matokeo kwa lahajedwali na ufute msimbo
- C) Ni kawaida kuona matokeo tofauti katika kila kukimbia.
- D) Kuweka picha za mwisho pekee, bila kushiriki data na msimbo
Maelezo: Reproducibility; Matokeo sawa yanaweza kupatikana tena na data sawa na msimbo. Kurekebisha mbegu kwa hatua za nasibu, kuhifadhi matoleo ya vifurushi, na kutekeleza msimbo ndani ya hati (programu ya kusoma na kuandika) ndio msingi wa hii. Kunakili matokeo kwa mikono au kwa msingi wa kubofya, hatua zisizo za kukata miti huharibu uzalishaji tena.
9. Je, heteroskedasticity inapotosha nini urejeshaji wa mstari na suluhisho lake la kawaida ni nini?
- A) Inapotosha makosa ya kawaida; Suluhisho ni makosa ya kawaida au mabadiliko yanayofaa ✔
- B) Inabatilisha kabisa makadirio ya mgawo na haina suluhisho
- C) Daima hupunguza R-mraba hadi sifuri
- D) Hutokea tu ikiwa sampuli ni ndogo sana na inaweza kupuuzwa
Maelezo: Heteroscedasticity huacha makadirio ya mgawo bila upendeleo lakini hukokotoa makosa ya kawaida; Hii hufanya maadili ya p na vipindi vya kujiamini kuwa vya kuaminika. Suluhisho la kawaida ni kutumia makosa ya kawaida/HC au ubadilishaji ufaao. Ni lazima ithibitishwe kuwa suluhisho lililopendekezwa na AI hurekebisha tatizo badala ya kulificha.
10. Mtafiti anapakia data ndogo iliyo na maelezo ya utambulisho wa kiwango cha mgonjwa na mapato kwenye zana ya gumzo ya AI ya umma na kusema 'fanya regression'. Tatizo kuu la tabia hii ni nini?
- A) Kupakia data ya kibinafsi/iliyoidhinishwa kwa zana ya nje ni ukiukaji wa usiri na mkataba ✔
- B) Kurudi nyuma hakuwezi kufanywa na akili ya bandia hata kidogo
- C) Data ndogo haifai kwa urekebishaji hata kidogo
- D) AI huwa hukosea rejista kila wakati
Ufafanuzi: Data ya kibinafsi/maalum kama vile utambulisho na mapato inalindwa chini ya KVKK/GDPR na mikataba mingi ya matumizi ya data; Kuzipakia kwenye kifaa cha nje ambacho kinaweza kuhifadhi data ni ukiukaji. Njia sahihi; Kuficha utambulisho wa data, kwa kutumia zana salama za ndani/kitaasisi, au kuomba tu msimbo kutoka kwa akili ya bandia na kuendesha msimbo katika mazingira yake yenyewe.
11. Ni nini kinachozingatiwa wakati multicollinearity iko juu?
- A) Vigawanyiko vinakuwa si thabiti na makosa ya kawaida yanaongezeka; Vigawo vya kibinafsi vinaweza kutokuwa na maana ✔
- B) R-mraba daima hupungua hadi sifuri
- C) Makadirio ya mgawo huwa sahihi zaidi wakati wote
- D) Kiwango cha mabadiliko tegemezi
Maelezo: Katika multicollinearity ya juu, vigezo vya kujitegemea vinahusiana sana na kila mmoja; Makadirio ya mgawo hayakuwa dhabiti, hitilafu za kawaida huongezeka, na vigawo mahususi vinaweza kuwa vidogo, ilhali muundo wa jumla unaweza kuwa muhimu. Inatambuliwa na vigezo kama vile VIF. Akili ya Bandia inaweza kupendekeza uondoaji tofauti, lakini ni juu ya mtafiti kuamua ni kigeu gani kinapaswa kubaki kinadharia.
12. Nguvu ya takwimu ni nini na ni hatari gani ya utafiti wa nguvu ndogo?
- A) Uwezekano wa kugundua athari iliyopo; nguvu kidogo hukosa athari za kweli na hufanya matokeo yasiwe ya kuaminika ✔
- B) uwezekano wa kupunguza thamani ya p; nguvu ya chini daima inatoa matokeo ya kuaminika zaidi
- C) Thamani isiyobadilika isiyotegemea saizi ya sampuli
- D) Dhana ambayo ni halali tu wakati akili ya bandia inatumiwa
Maelezo: Nguvu ni uwezekano wa kugundua athari ambayo ipo (hitilafu 1 ya aina ya II). Masomo ya chini ya nguvu yanaweza kukosa athari za kweli; Zaidi ya hayo, matokeo machache muhimu yanaweza kuwa na ukubwa wa athari uliokithiri ('laana ya mshindi') na kiwango cha chanya cha uongo huongezeka. Kwa hiyo, hesabu ya nguvu / sampuli ni muhimu kabla ya uchambuzi.
13. Kwa nini ni muhimu kimaadili kufichua matumizi ya akili ya bandia katika makala?
- A) Kwa uwazi na uwajibikaji; ✔ wasomaji na waamuzi wanaweza kutathmini mchakato na jukumu linabaki kwa mwandishi
- B) Matumizi ya akili ya bandia hubatilisha matokeo kiatomati
- C) Imeombwa na magazeti kwa madhumuni ya utangazaji pekee
- D) Kuhamisha hakimiliki ya maelezo kwa akili ya bandia
Ufichuzi: Uwazi ni muhimu ili msomaji na wahakiki waweze kutathmini jinsi matokeo yalivyotolewa; Majarida na taasisi nyingi sasa zinahitaji ufichuzi wa matumizi ya AI. Zaidi ya hayo, kwa kuwa akili ya bandia inaweza kuzalisha makosa / hallucinations, ni jambo la uaminifu kusema kwamba jukumu linabaki kwa mwandishi na hatua gani zilikaguliwa.
14. Je, 'kizuizi cha kutengwa' kinahitaji nini katika mbinu ya Ala ya Kutofautisha (IV)?
- A) Chombo huathiri matokeo tu kwa njia ya kutofautiana kwa ndani, hakuna njia nyingine ya moja kwa moja ✔
- B) Chombo hakina uhusiano na mabadiliko ya matokeo.
- C) Chombo hicho hakihusiani na kigeu cha endogenous.
- D) Means daima ni kigezo cha binary (0/1).
Ufafanuzi: Kizuizi cha utengaji kinahitaji kwamba chombo kiathiri utofauti wa matokeo pekee kupitia kigezo chenye maelezo asilia na si kupitia njia nyingine zozote za moja kwa moja au vipengele visivyozingatiwa. Dhana hii haiwezi kujaribiwa kikamilifu kutoka kwa data; Inatetewa kwa misingi ya kinadharia na kitaasisi. AI inaweza kuandika msimbo wa IV, lakini ni kazi ya mtafiti kutetea uhalali wa chombo.
15. Tatizo la 'Bustani ya njia za uma' linamaanisha nini katika uchanganuzi unaobadilika bila kujisajili mapema?
- A) Chaguo nyingi sana za uchanganuzi zinazofaa zinazofanywa kulingana na data huongeza kiwango chanya cha uongo, hata bila kukusudia ✔
- B) Mbinu za uchambuzi lazima ziwe moja na za lazima
- C) Tatizo ambalo hutokea tu wakati udanganyifu wa kukusudia hutokea.
- D) Hali ambayo hutoweka yenyewe kadiri sampuli inavyokua
Ufafanuzi: Baada ya kutazama data, mtafiti anaweza kufanya maamuzi mengi yanayofaa kuhusu ni kigeu gani, kikundi kidogo, mabadiliko, au kizingiti cha kutumia. Hata kama hakuna 'udukuzi wa kukusudia' mmoja, unyumbulifu huu huongeza kiwango chanya cha uongo kwa sababu kile cha maana kinachaguliwa kwa ufanisi kutoka kwa idadi kubwa ya uchanganuzi. Usajili wa mapema na mpango thabiti wa uchanganuzi huzuia ubadilikaji huu.