ஆதாயங்கள்:
- உணர்திறன் பேனல் வகைகளை விளக்கும் திறன், ஹெடோனிக்/விளக்க சோதனை மற்றும் பேனலிஸ்ட் நம்பகத்தன்மை
- AI உடன் உணர்திறன் தரவு சுருக்கம், தீம் பிரித்தெடுத்தல் மற்றும் புள்ளிவிவர விளக்கத்தை வரைவதற்கான திறன்
- ரா பேனல் தரவு மற்றும் சோதனை வடிவமைப்பு மூலம் AI இன் புள்ளிவிவர விளக்கத்தை சரிபார்க்கும் திறன்
புதிதாக உருவாக்கப்பட்ட குறைந்த சர்க்கரை கொண்ட பழத் தயிருக்கான R&D ஆய்வகத்தில் உள்ளீர்கள். சந்தைப்படுத்தல் குழு "நுகர்வோர் விரும்புகிறீர்களா?" அவர் கேட்கிறார், மற்றும் உற்பத்தி கேட்கிறது, "குறிப்பு தயாரிப்பில் இருந்து வேறுபடுத்த முடியுமா?" அவர் ஆச்சரியப்படுகிறார். 60 நுகர்வோர் குழு உறுப்பினர்களால் நிரப்பப்பட்ட 9-புள்ளி ஹெடோனிக் படிவங்கள், பயிற்சி பெற்ற 8 பேர் கொண்ட விளக்கக் குழுவின் QDA மதிப்பெண்கள் மற்றும் முக்கோணப் பாகுபாடு சோதனையின் முடிவுகள் ஆகியவை அவரிடம் உள்ளன. எக்செல் இல் நூற்றுக்கணக்கான வரிசைகளின் மூல மதிப்பெண்கள், மேலும் ஒவ்வொரு பேனலிஸ்ட்டுக்கும் திறந்த கருத்துப் பெட்டி. AI உதவியாளரிடம் "இந்தத் தரவைச் சுருக்கமாகச் சொல்லுங்கள், நுகர்வோர் இதை விரும்புகிறார்களா?" என்று கேட்கத் தூண்டுகிறது. இந்த யூனிட்டில், உணர்வுத் தரவை எவ்வாறு சரியாகப் படிப்பது, சுருக்கம் மற்றும் தீம் பிரித்தெடுப்பதற்கு AI ஐப் பயன்படுத்துவது மற்றும் மிக முக்கியமாக, மூல பேனல் தரவு மற்றும் சோதனை வடிவமைப்பு மூலம் AI இன் புள்ளிவிவர விளக்கத்தை சரிபார்ப்பது எப்படி என்பதைப் படிப்போம்.
உணர்வு சோதனை வகைகள்: சரியான கேள்வியை சரியான சோதனையுடன் கேளுங்கள்
புலன் பகுப்பாய்வில் மிகவும் பொதுவான தவறு கேள்வியின் வகையை சோதனை வகையுடன் குழப்புவதாகும். மூன்று பெரிய குடும்பங்கள் உள்ளன, ஒவ்வொன்றும் வெவ்வேறு கேள்விகளுக்கு பதிலளிக்கின்றன.
- ஹெடோனிக் (பாதிப்பு) சோதனைகள்: "இது எவ்வளவு விரும்பப்பட்டது?" என்ற கேள்விக்கு பதிலளிக்கிறது. கிளாசிக் கருவி 9-புள்ளி ஹெடோனிக் அளவுகோலாகும் (1 = மிகவும் பிடிக்காதது, 5 = பிடிக்கவில்லை அல்லது பிடிக்கவில்லை, 9 = மிகவும் விரும்பப்பட்டது). குழு உறுப்பினர்கள் படிக்காத நுகர்வோர்; ஏற்றுக்கொள்ளுதல்/விருப்பத்தை அளவிடுவதே குறிக்கோள். பொதுவாக, 50-100 பேர் கொண்ட குழு தேவை.
- விளக்கச் சோதனைகள் (QDA): "தயாரிப்பு எந்தெந்த அம்சங்களைக் கொண்டுள்ளது மற்றும் எந்தத் தீவிரத்தில் உள்ளது?" என்ற கேள்விக்கு பதிலளிக்கிறது. 8-12 பேர் கொண்ட பயிற்சி பெற்ற குழு, அவர்கள் விவரிக்கும் குணாதிசயங்களை (எ.கா. "கிரீமி நிலைத்தன்மை," "புளிப்பு," "பழ சுவை") 0-15 என்ற தீவிர அளவுகோலில் மதிப்பெண்களைப் பெறுகிறது. இது விருப்பங்களை அளவிடாது, சுயவிவரங்களை உருவாக்குகிறது.
- பாகுபாடு சோதனைகள்: "இரண்டு தயாரிப்புகளும் புலனுணர்வு ரீதியாக வேறுபட்டதா?" என்ற கேள்விக்கு பதிலளிக்கிறது. முக்கோண சோதனையில், பேனலுக்கு மூன்று மாதிரிகள் கொடுக்கப்படுகின்றன; இரண்டு ஒன்றுதான், ஒன்று வேறுபட்டது, மேலும் குழு உறுப்பினர் "வேறு ஒன்றை" தேர்வு செய்கிறார். உருவாக்கத்தில் மாற்றம் கவனிக்கத்தக்கதா என்பதைச் சோதிப்பதற்கு ஏற்றது.
உதவிக்குறிப்பு: தேர்வைத் தேர்ந்தெடுப்பதற்கு முன், உங்கள் வாக்கியத்தை முடிக்கவும்: "___ என்பதை நான் அறிய விரும்புகிறேன்." இடைவெளி "பிடித்ததாக" இருந்தால், ஹெடோனிக் சோதனையைப் பயன்படுத்தவும், "வேறு" என்றால், பாகுபாடு சோதனையைப் பயன்படுத்தவும், "எந்த அம்சத்தில் வலுவானது" என்றால், விளக்கச் சோதனையைப் பயன்படுத்தவும். AI க்கு தரவை வழங்கும்போது இந்த நோக்கத்தை நீங்கள் குறிப்பிடவில்லை என்றால், சுருக்கம் தவறான வழியில் வடிவமைக்கப்படும்.
பேனலிஸ்ட் நம்பகத்தன்மை மற்றும் சோதனை வடிவமைப்பு
நீங்கள் மூல மதிப்பெண்களை நம்புவதற்கு முன், நீங்கள் பேனலையே நம்ப வேண்டும். சில அடிப்படைக் கொள்கைகள்:
- குருட்டு சோதனை: எந்த மாதிரி "புதிய தயாரிப்பு" மற்றும் "குறிப்பு" எது என்பதை பேனலிஸ்ட் அறியக்கூடாது. எடுத்துக்காட்டுகள் 3 இலக்க ரேண்டம் குறியீடுகளுடன் வழங்கப்படுகின்றன (எ.கா. 417, 682).
- விளக்கக்காட்சி ஆர்டர் இழப்பீடு: சுவைக்கப்பட்ட முதல் மாதிரி பொதுவாக சாதகமானது (முதல் மாதிரி சார்பு). பேனல் உறுப்பினர்களிடையே விளக்கக்காட்சி வரிசை சமநிலையில்/சீரற்றதாக இருக்க வேண்டும்.
- திரும்பத் திரும்ப: அதே பேனலிஸ்ட் மீண்டும் அதே மாதிரியை வெவ்வேறு குறியீடுகளுடன் மதிப்பெண் எடுத்தால், நீங்கள் நிலைத்தன்மையை (மீண்டும் மீண்டும் செய்யக்கூடிய) அளவிடலாம். விளக்கக் குழுவில், சீரற்ற பேனலிஸ்ட் மீண்டும் பயிற்சி பெறுகிறார் அல்லது விலக்கப்படுவார்.
- குறிப்புச் சரிபார்ப்பு: ஒரே மாதிரியான இரண்டு மாதிரிகள் கண்மூடித்தனமாக வழங்கப்பட்டு, பேனல் உறுப்பினர் மிகவும் வித்தியாசமாக மதிப்பெண்களைப் பெற்றால், அந்தக் குழுவின் தரவு சந்தேகத்திற்குரியது.
எடுத்துக்காட்டு ஹெடோனிக் தரவு சுருக்கம்
60 குழு உறுப்பினர்களுக்கான ஹெடோனிக் சோதனையின் சுருக்க அட்டவணை கீழே உள்ளது. புதிய சூத்திரத்தை (குறியீடு 417) குறிப்புடன் (குறியீடு 682) ஒப்பிடுதல்.
அம்சம்
புதிய சூத்திரம் (417) சராசரி.
குறிப்பு (682) சராசரி.
படிப்பு விலகல் (417)
n
பொதுவான பாராட்டு
7.1
7.4
1.3
60
சுவை/வாசனை
6.8
7.3
1.5
60
நிலைத்தன்மை
7.3
7.2
1.1
60
தோற்றம்
7.6
7.5
0.9
60
வாங்கும் எண்ணம் (%)
58%
65%
—
60
இந்த விளக்கப்படத்தைப் பார்த்து "குறிப்பு கொஞ்சம் சிறப்பாக உள்ளது, ஆனால் வித்தியாசம் சிறியது" என்று சொல்வது எளிது. ஆனால் 0.3 இன் சராசரி வேறுபாடு புள்ளியியல் ரீதியாக குறிப்பிடத்தக்கதா அல்லது சத்தமா? இங்குதான் AI அதிக மாயத்தோற்றங்களை உருவாக்குகிறது.
AI உடன் சுருக்கம், தீம் பிரித்தெடுத்தல் மற்றும் புள்ளிவிவர விளக்க வரைவு
நீங்கள் மூன்று பணிகளுக்கு AI ஐ முடுக்கியாகப் பயன்படுத்தலாம்: எண்ணியல் சுருக்கங்களை வரைதல், திறந்த கருத்துக்களிலிருந்து கருப்பொருள்களைப் பிரித்தெடுத்தல் மற்றும் புள்ளிவிவர விளக்கங்களை உருவாக்குதல். ஆனால் மூன்றிலும், வெளியீடு ஒரு வரைவு, ஒரு முடிவு அல்ல.
திறந்த கருத்துக்களில் இருந்து தீம்களைப் பிரித்தெடுப்பதற்கான சக்திவாய்ந்த தூண்டுதல்:
பங்கு: நீங்கள் ஒரு உணர்ச்சி ஆய்வாளர். குறைந்த சர்க்கரை கொண்ட பழ தயிர் (குறியீடு 417) குறித்து 60 நுகர்வோரின் திறந்த கருத்துக்கள் கீழே உள்ளன. உங்கள் பணி:1) 5-7 தீம்களில் கருத்துகளைக் குழுவாக்கவும் (எ.கா. இனிப்பு, புளிப்பு, அமைப்பு, பழச் சுவை) கருத்துக்களில் குறிப்பிடப்படாத கருப்பொருளை உருவாக்க வேண்டாம்.4) புள்ளியியல் முடிவுகளை வரைய வேண்டாம்; இது ஒரு தரமான சுருக்கம். அட்டவணையாக வெளியீடு: | தீம் | நேர்மறை | எதிர்மறை | நடுநிலை | மாதிரி அறிக்கை |கருத்துகள்:[60 கருத்துகள் இங்கே ஒட்டப்பட்டுள்ளன]
இப்போது புள்ளியியல் விளக்கத்தில் பலவீனமான மற்றும் வலுவான வரியில் உள்ள வித்தியாசத்தைப் பார்ப்போம்:
பலவீனமான அறிவுறுத்தல்: "இந்த உணர்ச்சித் தரவை பகுப்பாய்வு செய்யுங்கள், புதிய தயாரிப்பு குறிப்பை விட சிறந்ததா என்று சொல்லுங்கள்." (மாதிரி அளவு, சோதனையின் வகை, p-மதிப்பு ஆகியவற்றை அறியாமல் "ஆம் இது சிறந்தது" அல்லது "குறிப்பிடத்தக்க வித்தியாசம் உள்ளது" என்று AI உருவாக்கலாம்.) உறுதியான அறிவுறுத்தல்: "60 பேனலிஸ்ட்கள் (நெடுவரிசைகள் 417 மற்றும் 682) கொண்ட 9-புள்ளி ஹெடோனிக் சோதனையின் மொத்த விருப்ப மதிப்பெண்கள் கீழே கொடுக்கப்பட்டுள்ளன. ஆனால் தேவையான படிகளை எழுதவும். SPSS/R இல் எந்த சோதனை பொருத்தமானது மற்றும் ஏன் (ஜோடி)
சக்திவாய்ந்த ப்ராம்ட் AI முறை ஆலோசகரை உருவாக்குகிறது; நீங்கள் எண்ணைக் கணக்கிடுங்கள்.
புள்ளிவிவர முக்கியத்துவம் மற்றும் மாதிரி சரிபார்ப்பு
AI சுருக்கம் "புதிய தயாரிப்பு குறிப்பை விட கணிசமாகக் குறைவாக மதிப்பிடப்பட்டது" என்று எழுதப்பட்டுள்ளது. மூல தரவு மூலம் இதை நீங்கள் சரிபார்க்க வேண்டும். ஒரு எளிய கணக்கீட்டில் இணைக்கப்பட்ட t-test தர்க்கத்தைப் பார்ப்போம்:
scipy இறக்குமதி புள்ளிவிவரங்களில் இருந்து nmpy ஐ np ஆக இறக்குமதி செய் 682, n=60# ஒரே பேனலிஸ்ட் இரண்டு தயாரிப்புகளையும் அடித்தார் -> ஜோடி t-testit_stat, p_value = stats.ttest_rel(புதிய, குறிப்பு) வேறுபாடு = new.mean() - reference.mean()print(f"சராசரி வேறுபாடு: {வேறுபாடு:.2f} மதிப்பெண் {p_value:.3f}")# கருத்து: p >= 0.05 எனில், "புள்ளியியல் ரீதியாக குறிப்பிடத்தக்க வேறுபாடு இல்லை" என்று அர்த்தம்.
இங்கே முக்கியமான புள்ளி: 0.30 புள்ளிகளின் சராசரி வேறுபாடு p = 0.18 உடன் சிறியதாக இருக்கலாம். AI இன் அறிக்கை "குறிப்பு சிறந்தது" என்பது புள்ளிவிவர ரீதியாக ஆதரிக்கப்படாத ஒரு விளக்கமாகும். உங்கள் முடிவை எடுக்கும்போது, நீங்கள் p-மதிப்பு, மாதிரி அளவு மற்றும் சோதனையின் அனுமானங்களைப் பார்க்க வேண்டும், சராசரி மட்டும் அல்ல.
எச்சரிக்கை: எல்எல்எம்கள் மூல எண் தரவு வழங்கப்படாவிட்டாலும் கூட, "p<0.05, வேறுபாடு குறிப்பிடத்தக்கது" போன்ற உறுதியான அறிக்கைகளை உருவாக்க முடியும். இது ஒரு மாயத்தோற்றம். AI இன் உரையின் அடிப்படையில் அறிக்கையில் எந்த p-மதிப்புகள், முக்கியத்துவ கருத்துகள் அல்லது "நுகர்வோர் விரும்பிய" தீர்ப்புகளை எழுத வேண்டாம்; உங்கள் சொந்த புள்ளியியல் மென்பொருளில் (R, SPSS, JASP, Python) மீண்டும் கணக்கிடுங்கள்.
சிறிய வழக்கு
ஒரு பான நிறுவனத்தில், ஆரஞ்சு சாற்றில் உள்ள சர்க்கரையை 15% குறைக்கும் புதிய ஃபார்முலாவை சென்சார் குழு மதிப்பீடு செய்கிறது. குழு 90 நுகர்வோருடன் 9-புள்ளி ஹெடோனிக் சோதனையை நடத்துகிறது மற்றும் முடிவுகளை சுருக்கமாக AI க்கு மூலப் படத்தை வழங்குகிறது. AI அறிக்கை கூறுகிறது "புதிய சூத்திரம் கணிசமாக குறைவாக விரும்பப்பட்டது (p<0.05)" மற்றும் குழு சூத்திரத்தை அகற்ற முடிவு செய்கிறது. ஒரு மூத்த பொறியாளர் மூலத் தரவை R இல் மீண்டும் இயக்குகிறார்: உண்மை வேறுபாடு 7.0 vs 6.8, p = 0.31 — அதனால் குறிப்பிடத்தக்க வேறுபாடு இல்லை. மேலும், விளக்கக்காட்சியின் வரிசை சமநிலையில் இல்லை, புதிய சூத்திரம் எப்போதும் இரண்டாவதாக ருசிக்கப்படுகிறது மற்றும் சுவை சோர்வு (தழுவல்) பாதிக்கப்படுகிறது. AI இரண்டும் p-மதிப்பை உருவாக்கியது மற்றும் சோதனை வடிவமைப்பு குறைபாட்டைக் கண்டறியத் தவறிவிட்டது. குழு சீரான வடிவமைப்புடன் சோதனையை மீண்டும் செய்கிறது, மேலும் குறைந்த சர்க்கரை சூத்திரம் ஏற்றுக்கொள்ளப்பட்டது. மூல தரவுக்கு திரும்புவது ஒரு நல்ல தயாரிப்பை தூக்கி எறியாமல் காப்பாற்றியது.
பொதுவான தவறுகள்
- விளக்கமான (சுயவிவர) சோதனையுடன் குழப்பமான ஹெடோனிக் (விருப்பம்) சோதனை; "அதிக புளிப்பு மதிப்பெண்" என்று சொல்வது பிடிக்கவில்லை என்று அர்த்தமல்ல.
- AI- concocted p-மதிப்பு அல்லது "குறிப்பிடத்தக்க வித்தியாசம்" அறிக்கையை மூலக் கணக்கீடு செய்யாமல் அறிக்கையில் வைப்பது.
- மாதிரி அளவைப் புறக்கணித்தல்; 12 பேர் கொண்ட ஹெடோனிக் சோதனையிலிருந்து "நுகர்வோர் விரும்பினர்" என்பதை பொதுமைப்படுத்துதல்.
- விளக்கக்காட்சியின் வரிசையை சமநிலைப்படுத்தாதது மற்றும் முதல் மாதிரி/சுவை சோர்வு சார்புகளை கவனிக்காமல் இருப்பது.
- குருட்டுப் பரிசோதனையின்றி எந்த மாதிரி "புதிய தயாரிப்பு" என்பதைத் தெரிந்துகொள்ள பேனலிஸ்ட்களை அனுமதிக்கிறது.
- மேட்-அப் மேற்கோள்கள்/தீம்களை உருவாக்குவதற்கு எதிராக AI, திறந்தநிலை கருத்துகளை சுருக்கமாகச் சொல்வதை உறுதி செய்வதில் தோல்வி.
- குழுவின் நம்பகத்தன்மையை (குருட்டு நகல் நிலைத்தன்மை) சரிபார்க்காமல் அனைத்து மதிப்பெண்களையும் சமமாக எடைபோடுதல்.
சுருக்கமாக
- உணர்ச்சி சோதனையில், முதலில் கேள்வியைத் தீர்மானிக்கவும்: சுவைக்கு ஹெடோனிக் சோதனை, வித்தியாசத்திற்கான முக்கோண சோதனை, சுயவிவரத்திற்கான விளக்க சோதனை (QDA).
- மூல மதிப்பெண்களை நம்புவதற்கு முன் பேனலை நம்புங்கள்: குருட்டு சோதனை, விளக்கக்காட்சி வரிசை சமநிலை, மறு இயக்கம் மற்றும் குருட்டு நகல் மூலம் நம்பகத்தன்மையை சரிபார்க்கவும்.
- எண் சுருக்கம், திறந்த கருத்துக்களிலிருந்து தீம் பிரித்தெடுத்தல் மற்றும் புள்ளிவிவர முறை ஆலோசனைக்கு AI ஐப் பயன்படுத்தவும்; ஆனால் வெளியீடு ஒரு வரைவு.
- சராசரி வேறுபாடு என்பது புள்ளியியல் முக்கியத்துவத்தைப் போன்றது அல்ல; சிறிய சராசரி வேறுபாடுகள் p-மதிப்புடன் முக்கியமற்றதாக மாறக்கூடும்.
- AI ஆனது p-மதிப்பு, முக்கியத்துவ விளக்கம் மற்றும் "தம்ஸ் அப்" தீர்ப்பின் மாயத்தோற்றத்தை உருவாக்க முடியும்; ஒவ்வொரு புள்ளிவிவர முடிவையும் உங்கள் சொந்த மென்பொருளில் மூல தரவு மூலம் மீண்டும் கணக்கிடுங்கள்.
- இறுதி தயாரிப்பு/சூத்திர முடிவு; சரிபார்க்கப்பட்ட புள்ளிவிவரங்கள், வலுவான சோதனை வடிவமைப்பு மற்றும் குழு நம்பகத்தன்மை ஆகியவை ஒன்றாகக் கருதப்படுகின்றன, AI உரையின் அடிப்படையில் அல்ல.
விண்ணப்ப பணி
9-புள்ளி ஹெடோனிக் சோதனை மற்றும் 40-60 பேனலிஸ்ட்களுக்கான முக்கோண சோதனையை சுயமாக ஆய்வு செய்த அல்லது கற்பனையான தயாரிப்பில் (எ.கா., குறைக்கப்பட்ட உப்பு சூப், பசையம் இல்லாத கேக்) வடிவமைக்கவும். உங்கள் பரிசோதனை வடிவமைப்பை எழுதுங்கள்: எத்தனை பேனலிஸ்ட்கள், பிளைண்ட் கோடிங், விளக்கக்காட்சி வரிசை சமநிலைப்படுத்தும் திட்டம் மற்றும் நீங்கள் குருட்டு நகல்களைப் பயன்படுத்துவீர்களா. ஒரு யதார்த்தமான மூல தரவு அட்டவணையை (குறைந்தது 20 வரிசைகள்) உருவாக்கி, AI க்கு இரண்டு வெவ்வேறு தூண்டுதல்களை வழங்கவும்: (1) திறந்த கருத்துக்களிலிருந்து தீம் பிரித்தெடுத்தல், (2) புள்ளிவிவர முறை ஆலோசனை (p-மதிப்பை உருவாக்க வேண்டாம் என்று வெளிப்படையாகக் கேட்கவும்). பின்னர் இணைக்கப்பட்ட டி-சோதனையை நீங்களே பைதான்/ஆர்/ஜேஎஸ்பியில் இயக்கி, அதை AI இன் விளக்கத்துடன் ஒப்பிடவும். ஒரு பக்கக் குறிப்பில்: AI இன் எந்த அறிக்கையை நீங்கள் உறுதிப்படுத்தினீர்கள், மூலத் தரவைக் கொண்டு மறுத்தீர்கள் மற்றும் உங்கள் இறுதி தயாரிப்பு முடிவை எதன் அடிப்படையில் எடுத்தீர்கள் என்பதை விளக்குங்கள். உங்கள் மெமோவில், உங்கள் சோதனை வடிவமைப்பில் குறைந்தபட்சம் ஒரு சார்பு அபாயத்தையாவது விவரிக்கவும் மற்றும் அதை நீங்கள் எவ்வாறு குறைத்தீர்கள் என்பதை விவரிக்கவும்.