Faida:
- Uwezo wa kutumia akili ya bandia kutoa mpango wa uchambuzi, uteuzi sahihi wa mtihani wa takwimu, na rasimu ya msimbo wa R/Python/SPSS na uthibitishe mwenyewe matokeo.
- Uwezo wa kuchukua mapendekezo ya mandhari na kanuni katika data ya ubora, kuunganisha na kuthibitisha tafsiri ya akili ya bandia kwa data mbichi.
- Uwezo wa kuelewa hatari ya faragha ya kushiriki data ghafi, hatari ya takwimu za uwongo na udukuzi, na kuchora mipaka ya uchanganuzi unaowajibika.
Mara data inapokusanywa, ni wakati wa kuifanya iwe na maana. Uchambuzi wa data ni mchakato wa kubadilisha nambari ghafi au maandishi kuwa matokeo yanayojibu swali la utafiti. Katika hatua hii, AI huharakisha kazi tatu madhubuti: kutoa msimbo wa rasimu (R, Python, syntax ya SPSS), kusaidia kutafsiri matokeo ya takwimu, na kutoa mapendekezo ya mandhari/misimbo katika data ya ubora. Lakini uchambuzi ndio eneo nyeti zaidi la usahihi na usiri katika taaluma. Kanuni ya msingi ya kitengo hiki ni mbili: data ghafi inabakia kuwa siri, kila matokeo ya nambari yanathibitishwa kwa mikono. AI inaweza pia kutoa takwimu bandia; Thamani ya p ambayo haijathibitishwa ni hatari sawa na sifa ambayo haijathibitishwa.
Tengeneza rasimu ya msimbo
AI ina nguvu sana katika kutafsiri mpango wa uchanganuzi kuwa msimbo wa kufanya kazi. Kusema "Fanya jaribio la sampuli huru kati ya anuwai hizi na angalia mawazo" hukupa muhtasari safi wa R au Python. Hii ni urahisi mkubwa, hasa kwa watafiti ambao si wataalam katika programu. Lakini kuna sheria mbili. Kwanza: endesha msimbo katika mazingira yako mwenyewe na data yako mwenyewe; Usipakie data ghafi kwenye zana. Unaelezea muundo wa data yako kwa AI (majina yanayobadilika, aina, mistari michache ya sampuli - hakuna vitambulisho), huandika msimbo, na unaitekeleza kwenye mashine ya ndani. Pili: kusoma na kuelewa kanuni; kunakili kipofu huhamisha kosa la kimya (kutofautisha vibaya, jaribio lisilofaa) kwenye ripoti bila kuiona.
Kuchagua jaribio la takwimu ni uamuzi muhimu: aina ya data (inayoendelea/kategoria), idadi ya vikundi, mawazo ya usambazaji huamua jaribio. Kama mti wa uamuzi, AI inasema "katika kesi hii, mtihani ufuatao unaweza kuwa sahihi" na inaelezea hoja yake; Hii inafundisha. Lakini unathibitisha chaguo kwa kuangalia mawazo ya data yako mwenyewe. Jaribio lisilo sahihi hutoa matokeo ambayo yanaonekana kuwa halali lakini hayana maana.
Tahadhari: Inapoulizwa nambari ("ni wastani gani katika sampuli hii"), AI inaweza kuunda nambari ambayo inaonekana kuwa sawa bila kufanya hesabu zozote halisi. Kamwe usiwe na AI "kuhesabu" digest ya data na utumie matokeo; Programu ya takwimu hufanya hesabu, AI hutoa tu nambari na tafsiri.
Ufafanuzi wa takwimu na usimbaji wa ubora
Mara tu programu yako inapotoa pato (k.m. t(48) = 2.31, p = .025), AI hukusaidia kuifasiri kwa lugha rahisi: inamaanisha nini, umuhimu wa saizi ya athari, jinsi itakavyoripotiwa (katika umbizo la APA). Unathibitisha tafsiri hii kwa kuangalia matokeo yako mwenyewe; Unatoa pato kwa AI, inaitafsiri, unajua kuwa nambari hiyo ilitoka kwa uchambuzi wako.
Katika uchanganuzi wa ubora, AI inaweza kutoa misimbo inayowezekana (vitengo vinavyorudiwa vya maana) na mandhari kutoka kwa nakala za mahojiano. Hii ni muhimu kama kianzio katika usimbaji kwa kufata neno; AI inaweza kupendekeza muundo uliokosa. Lakini kiini cha uchanganuzi wa ubora ni usomaji wa kina wa mtafiti; Unaunganisha kila nambari ambayo AI inapendekeza nyuma kwa data mbichi (nukuu halisi), angalia muktadha wake, na uichuje kwa mfumo wako wa tafsiri. AI haina "kutafsiri" data ya ubora, inapendekeza mifumo; Unaunda maana.
p-hacking (kubadilisha data kwa njia tofauti hadi matokeo ya maana yanapatikana) ni ukiukaji mkubwa wa maadili. Kufanya AI kusema "jaribu majaribio tofauti hadi upate matokeo yenye maana" ni hivyo kabisa na ni marufuku. Amua mpango wako wa uchanganuzi kabla ya kuangalia data (na usajili wa mapema ikiwezekana) na utumie AI kutekeleza mpango huo, sio "kuwinda" matokeo.
Reproducibility na kanuni nyaraka
Katika taaluma ya kisasa, uzazi unazidi kuwa muhimu: uwezo wa mtafiti mwingine kufikia hitimisho sawa na data na msimbo wako. AI ni msaidizi wa njia mbili hapa. Kwanza, unaweza kuiuliza iandike msimbo unaotoa na mistari ya maoni; Nambari inayoelezea kile ambacho kila hatua hufanya hurahisisha kuelewa miezi sita baadaye na kwa mkaguzi kufuata. Pili, AI inasukuma uchanganuzi wako kuwa msingi wa hati badala ya kubofya bila mpangilio (k.m. kwenye menyu za SPSS); Hati ni rekodi kamili ya uchanganuzi wako na inaweza kurudiwa kwa mbofyo mmoja. Hii inaondoa kutokuwa na uhakika wa "nilipata matokeo haya kwa mpangilio gani?"
Sehemu ya uzalishaji tena ni kutenganisha data mbichi na iliyochakatwa: hutawahi kugusa data mbichi kwa mkono, unafanya mabadiliko yote (kusafisha, kusimba, bila kujumuisha) katika msimbo. Kwa njia hii, unapopata hitilafu, unaweza kurudi mwanzo na kuiendesha tena. AI inaweza kupendekeza mfumo wa mtiririko wa kazi ambao huhifadhi tofauti hii; Lakini maamuzi kama vile ni mshiriki gani aliyetengwa na kwa nini ni hukumu za kisayansi ambazo ni lazima ufanye na kurekodi.
kesi tatu ndogo
Kesi ya 1 - Kuongeza kasi ya msimbo, uthibitishaji wa mwongozo. Mtafiti mmoja hakujua jinsi ya kufanya hatua za kurudia ANOVA katika R. Alielezea muundo wa data (bila jina) kwa AI, alichukua rasimu ya kanuni na kuiendesha kwenye mashine yake mwenyewe. Pia alirudia matokeo katika SPSS; Matokeo hayo mawili yalikubaliana. Nambari hiyo ilikuwa sahihi, lakini mtafiti alijiamini tu alipoithibitisha kwa zana ya pili.
Uchunguzi wa 2 - Takwimu za muhtasari uliotungwa. Mwanafunzi alibandika jedwali la data kwenye AI na kusema "hesabu njia na mikengeuko ya kawaida." Nambari za AI zilirudisha ambazo zilionekana kuwa sawa; Mwanafunzi alipoiangalia kwenye programu, aliona kuwa wastani kadhaa haukuwa sahihi. AI haikuhesabu meza, ilikisia. Somo: programu hufanya hesabu, haupati matokeo kutoka kwa AI.
Kesi ya 3 - Pendekezo la msimbo wa ubora. Mwanasayansi wa kijamii alijiandikisha mahojiano 30, kisha akalisha AI subset isiyojulikana na akauliza "ni mada gani ya ziada yanaonekana." AI ilipendekeza mada ya "imani ya kitaasisi" ambayo hakuzingatia tofauti. Mtafiti alirejea kwenye dondoo mbichi, akagundua kuwa mada hiyo kweli iliungwa mkono, na akaiongeza kwenye uchanganuzi wake. AI iliongeza mtazamo; Mtafiti alifanya uamuzi na uhakiki.
Violezo vinavyoweza kunakiliwa
1) Ushauri wa uteuzi wa mtihani:
Mazao: [aina ya tofauti tegemezi], [idadi ya vikundi], [huru/iliyooanishwa],[ninachojua kuhusu usambazaji]. Swali langu: kuna tofauti kati ya vikundi? Orodhesha majaribio ya takwimu ambayo yanaweza kuwa yanafaa, na uhalali wao, na uandike mawazo ya kila moja. Ninafanya uchaguzi.
2) Rasimu ya msimbo (bila kitambulisho):
Ninatumia R. Mfumo wangu wa data una safu wima zifuatazo: [majina ya safu wima na aina, mfano UNIDENTIFIED safu 2]. Andika msimbo wenye tafsiri inayofanya sampuli huru ya jaribio la t na uangalie mawazo (kawaida, homogeneity ya tofauti). Nitaendesha nambari kwenye mashine yangu mwenyewe.
3) Tafsiri ya matokeo (APA):
Programu yangu ya takwimu ilitoa matokeo yafuatayo: [bandika pato]. Je, nitaripotije hii katika umbizo la APA 7? Eleza ukubwa wa athari na maana yake ya vitendo katika lugha nyepesi. Chukua nambari kutoka kwa matokeo yangu, usitoe mpya.
4) Mapendekezo ya mandhari ya ubora (bila jina):
Zifuatazo ni dondoo za mahojiano ambazo hazikutajwa. Pendekeza kwa dhati msimbo na mandhari WAGOMBEA; Onyesha ni nukuu gani ambayo kila mtahiniwa anategemea. Haya ni mapendekezo; Nitaithibitisha kutoka kwa data mbichi. Nukuu: [maandishi yasiyojulikana]
Mwongozo dhaifu / Mwongozo thabiti
Agizo dhaifu:
Chambua data hii na uniambie matokeo. [Bandika meza]
AI hufanya hesabu; Zaidi ya hayo, data mbichi hutolewa kwa zana iliyo wazi. Hatari mara mbili.
Agizo lenye nguvu:
Ninatumia Python (pandas + scipy). Mfumo wangu wa data: [unidentifiedcolumndefinition]. Nataka kulinganisha vikundi viwili. Andika msimbo ULIOTAFSIRIWA ambao (1) hukagua dhana, (2) hutumia jaribio linalofaa, (3) hukokotoa saizi ya athari. Nitaiendesha na data yangu mwenyewe na kuripoti matokeo. HUWEZI kuunda nambari; toa tu nambari na maoni.
biashara
AI hufanya
unafanya
Uchaguzi wa mtihani
Chaguo + kuhalalisha
Ukaguzi wa dhana, uamuzi
Kanuni ya uchambuzi
rasimu ya kanuni
Kukimbia na kusoma ndani ya nchi
hesabu ya nambari
haipaswi
Kuhesabu na programu
Toa maoni
Muhtasari wa lugha rahisi
Thibitisha kwa kuchapisha mwenyewe
Usimbaji wa ubora
Mgombea mada
Uthibitishaji na data ghafi
Makosa ya kawaida
- Inapakia data ghafi/iliyotambulishwa kwenye zana iliyofunguliwa. Usiri wa mshiriki umekiukwa; kosa kubwa zaidi.
- Kufanya AI kuhesabu nambari. Inazalisha takwimu za maandishi; Programu hufanya hesabu.
- Kuendesha msimbo bila kuisoma. Hitilafu ya kimya inavuja kwenye ripoti.
- p-hacking. Kujaribu vipimo ili kupata matokeo ya maana ni ukiukaji wa maadili.
- Kuacha tafsiri ya ubora kwa AI. Mtafiti hujenga maana; AI inapendekeza tu mifumo.
Kidokezo: Weka mpango wako wa uchanganuzi na uhalalishaji kwa kila jaribio unalotumia kwa maandishi. Hii yote inalinda dhidi ya udukuzi na hutoa rekodi tayari wakati wa kuandika sehemu ya mbinu.
Kwa muhtasari
AI huharakisha sana uchanganuzi wa data kwa kuandaa kanuni, ushauri wa uteuzi wa majaribio, tafsiri ya matokeo na pendekezo la ubora wa mandhari. Lakini uchanganuzi ndio eneo nyeti zaidi la usahihi wa taaluma: data mbichi huwekwa siri, mahesabu hufanywa katika programu, kila matokeo ya nambari yanathibitishwa kwa mkono, tafsiri ya ubora imefungwa kwa data mbichi, na utapeli huepukwa. Kanuni fupi zaidi: kanuni na tafsiri ni kutoka kwa AI, hesabu na uamuzi ni kutoka kwako.
Jukumu la maombi
Eleza muundo wa data yako mwenyewe (au sampuli) bila kujulikana na uulize AI kwa pendekezo linalofaa la jaribio na msimbo wa uchambuzi uliotolewa maoni. Soma msimbo na uandike katika sentensi moja kile ambacho kila mstari hufanya. Endesha msimbo na upate matokeo, na uthibitishe angalau matokeo moja kwa njia ya pili (kwa mkono au zana nyingine) ikiwezekana. Ikiwa unafanya kazi kwa ubora, pendekeza mandhari kwa seti isiyojulikana ya manukuu na ulinganishe na data ghafi.
orodha ya ukaguzi
- [ ] Je, sijapakia data mbichi/iliyotambuliwa kwenye zana zozote zilizo wazi?
- [ ] Je, nimethibitisha uteuzi wa jaribio kwa kuangalia mawazo?
- [ ] Je, nimesoma na kuelewa kanuni na kuiendesha ndani ya nchi?
- [ ] Je, nimethibitisha kila programu ya matokeo ya nambari/sekondari?
- [ ] Je, nimeunganisha mandhari bora kwenye nukuu mbichi?