ஆதாயங்கள்:
- ஒரு நேர்மையான மற்றும் தெளிவற்ற மொழியில், செயற்கை நுண்ணறிவின் ஆதரவுடன் இலக்கு பார்வையாளர்களுக்கு (கல்வி, கொள்கை, மேலாண்மை) அனுபவ கண்டுபிடிப்புகளைப் புகாரளிக்கும் திறன்
- முடிவுகள், வரம்புகள் மற்றும் நெறிமுறை அறிக்கைகளை முழுமையாக எழுதும் திறன் (தரவு ரகசியத்தன்மை, வட்டி முரண்பாடு, செயற்கை நுண்ணறிவு பயன்பாட்டின் வெளிப்பாடு) மற்றும் தவறான விளக்கக்காட்சியைத் தவிர்க்கவும்
- மிகைப்படுத்தப்பட்ட, ஒருதலைப்பட்சமான அல்லது காரணமான மொழியை உருவாக்கும் அறிக்கைகளின் வரைவுகளை அங்கீகரிக்கும் செயற்கை நுண்ணறிவின் திறன் மற்றும் இறுதி உரை மற்றும் உரிமைகோரல்களுக்கான பொறுப்பை பராமரிப்பது ஆராய்ச்சியாளரிடம் உள்ளது.
தொகுதி தேர்வு
1. ஒரு ஆராய்ச்சியாளர் '2015 மற்றும் 2020 க்கு இடையில் Türkiye இல் வேலையின்மை மற்றும் பணவீக்கத்திற்கு இடையே உள்ள தொடர்பு குணகம் என்ன?' செயற்கை நுண்ணறிவுக்கு எந்த தரவுகளையும் கொடுக்காமல். அவர் தனது கட்டுரையில் நேரடியாக 0.62 என்ற எண்ணைக் கேட்டு எழுதுகிறார். இந்த அணுகுமுறையில் உள்ள அடிப்படை தவறு என்ன?
- A) சரிபார்க்கப்பட்ட தரவை வழங்காமல் செயற்கை நுண்ணறிவிலிருந்து உறுதியான புள்ளிவிவரங்களை எதிர்பார்ப்பது; ✔ சரிபார்க்கப்படாமல் உருவாக்கப்பட்ட எண்ணைப் பயன்படுத்துதல்
- B) தொடர்பு குணகம் ஒரு கட்டுரையில் பயன்படுத்தப்படக்கூடாது.
- C) வேலையின்மைக்கும் பணவீக்கத்திற்கும் இடையே உள்ள தொடர்பைக் கணக்கிட முடியாது
- D) 2020க்குப் பிறகுதான் செயற்கை நுண்ணறிவு தரவை அணுக முடியும்
விளக்கம்: AI மொழி மாதிரியானது தரவுத்தொகுப்பை அணுகாமல் புள்ளிவிவரங்களை உருவாக்க முடியாது; அவர் கொடுக்கும் எண் பெரும்பாலும் மாயத்தோற்றம் (புனையப்பட்டது). குணகங்கள், விகிதங்கள் மற்றும் சோதனை முடிவுகள் ஆராய்ச்சியாளரின் சொந்த சரிபார்க்கப்பட்ட தரவிலிருந்து கணக்கிடப்பட வேண்டும், மாதிரியின் நினைவகத்திலிருந்து எடுக்கப்படவில்லை.
2. விடுபட்ட தரவு 'ரேண்டமாக காணவில்லை' (MNAR) என்பதன் அர்த்தம் என்ன, அது ஏன் முக்கியமானது?
- A) குறைபாடு கவனிக்கப்படாத மதிப்பின் காரணமாக உள்ளது; அதனால்தான் எளிய பணியமைப்பு சார்பை உருவாக்கலாம் ✔
- B) தரவு முற்றிலும் தற்செயலாக மறைந்துவிடும் மற்றும் எந்த சார்பையும் உருவாக்காது.
- C) விடுபட்ட தரவு எப்போதும் வரிசையை நீக்குவதன் மூலம் தீர்க்கப்பட வேண்டும்.
- D) விடுபட்ட தரவு பகுப்பாய்வை எந்த வகையிலும் பாதிக்காது.
விளக்கம்: MNAR (தற்செயலாக காணவில்லை) விஷயத்தில், காணாமல் போனது, கவனிக்கப்படாத மதிப்பின் அளவைப் பொறுத்தது (எ.கா. அதிக வருமானம் பெறுபவர்கள் தங்கள் வருமானத்தைப் புகாரளிக்க மாட்டார்கள்). இந்த வழக்கில், எளிய நீக்குதல் அல்லது சராசரி ஒதுக்கீடு பக்கச்சார்பான முடிவுகளை அளிக்கிறது; குறைபாட்டின் வழிமுறை மாதிரியாக இருக்க வேண்டும். செயற்கை நுண்ணறிவால் பரிந்துரைக்கப்பட்ட அசைன்மென்ட் முறையை இந்த பொறிமுறையை அறியாமல் கண்மூடித்தனமாகப் பயன்படுத்தக்கூடாது.
3. ஒரு பகுப்பாய்வாளர் AI ஒரு பட்டை விளக்கப்படத்தை உருவாக்க வேண்டும், மேலும் AI ஆனது பூஜ்ஜியத்திற்கு பதிலாக y-அச்சு 40 இல் தொடங்குகிறது. இரண்டு குழுக்களுக்கிடையில் 2% இன் உண்மையான வேறுபாடு வரைபடத்தில் பெரியதாகத் தெரிகிறது. சரியான அணுகுமுறை என்ன?
- A) அச்சில் இருந்து தொடங்குதல் அல்லது விளக்கப்பட வகையை மாற்றுதல்; ✔ வேறுபாட்டின் உண்மையான அளவை தவறாக வழிநடத்தாமல் காட்ட
- B) AI சிறந்த தேர்வாக இருப்பதால் விளக்கப்படத்தை அப்படியே பயன்படுத்துதல்
- C) வித்தியாசத்தை இன்னும் பெரிதாக்க அச்சை 45 இல் தொடங்குதல்
- D) பார் சார்ட்டுகளுக்குப் பதிலாக காட்சிகளைப் பயன்படுத்த வேண்டாம்
விளக்கம்: ஒரு பார் விளக்கப்படத்தில், கோடு அச்சு (பூஜ்ஜியத்திலிருந்து தொடங்காத y-அச்சு) சிறிய வேறுபாடுகளை மிகைப்படுத்தி தவறாக வழிநடத்துகிறது. நேர்மையான காட்சிப்படுத்தலில், பட்டை விளக்கப்படங்களின் அச்சு பூஜ்ஜியத்திலிருந்து தொடங்க வேண்டும் அல்லது வித்தியாசம் தெளிவாகக் குறிப்பிடப்பட வேண்டும். படத்தை சரிபார்த்து, தேவைப்பட்டால் அதை சரிசெய்வது ஆய்வாளரின் பொறுப்பு.
4. நேரியல் பின்னடைவில் ஒரு குணகம் 'குறிப்பிடத்தக்கது' (p<0.05) என்பது செயற்கை நுண்ணறிவின் விளக்கத்தில் எவ்வாறு தவறாகக் குறிப்பிடப்படுகிறது?
- A) விளைவு பெரியது மற்றும் முக்கியமானது அல்லது காரணத்தை நிறுவியதால் முக்கியத்துவத்தின் மிகைப்படுத்தப்பட்ட விளக்கக்காட்சி ✔
- B) முக்கியத்துவம் எப்போதும் விளைவு சிறியதாக இருப்பதைக் குறிக்கிறது
- C) p <0.05 குணகம் முற்றிலும் சரியானது என்பதை நிரூபிக்கிறது
- D) குறிப்பிடத்தக்க குணகங்கள் ஒருபோதும் தெரிவிக்கப்படக்கூடாது.
விளக்கம்: புள்ளியியல் முக்கியத்துவம் என்பது பூஜ்ஜியத்திலிருந்து விளைவு வேறுபட்டது என்பதற்கான சான்றுகளின் வலிமையுடன் தொடர்புடையது; விளைவு பெரியது, முக்கியமானது அல்லது காரணமானது என்று அர்த்தமல்ல. AI பெரும்பாலும் 'குறிப்பிடத்தக்கது' என்ற வார்த்தையை 'குறிப்பிடத்தக்க/வலுவான தாக்கம்' என்று வழங்குகிறது. ஆய்வாளர் விளைவு அளவு, நம்பிக்கை இடைவெளி மற்றும் சூழல் ஆகியவற்றை மதிப்பீடு செய்ய வேண்டும்.
5. 'p-ஹேக்கிங்' என்ற சொல் எதைக் குறிக்கிறது மற்றும் AI அதை ஏன் எளிதாக்குகிறது?
- A) பல பகுப்பாய்வுகளை முயற்சிப்பது அர்த்தமுள்ளதாக இருக்கும் வரை; AI இதை மிக விரைவாக செய்கிறது, ஆபத்தை அதிகரிக்கிறது ✔
- B) ஒரு முறை மற்றும் முன்னரே தீர்மானிக்கப்பட்ட திட்டத்துடன் தரவை பகுப்பாய்வு செய்தல்
- சி) p-மதிப்பை அதிகரிக்க மாதிரியை விரிவுபடுத்துதல்
- D) விளக்கமான புள்ளிவிவரங்களை மட்டுமே புகாரளித்தல்
விளக்கம்: p-ஹேக்கிங் என்பது ஒரு அர்த்தமுள்ள முடிவு வெளிவரும் வரை வெவ்வேறு மாறிகள், துணை மாதிரிகள், மாற்றங்கள் அல்லது மாதிரிகளை முயற்சிப்பது; இது வாய்ப்பின் அடிப்படையில் போலியான கண்டுபிடிப்புகளை உருவாக்குகிறது. AI ஆனது டஜன் கணக்கான மாதிரி மாறுபாடுகளை நொடிகளில் முயற்சி செய்ய முடியும் என்பதால், நேர்மையான திட்டம் இல்லாமல் p-ஹேக்கிங்கை வேகப்படுத்த முடியும். பாதுகாப்பு; முன்பதிவு, நிலையான பகுப்பாய்வு திட்டம் மற்றும் பல ஒப்பீடு திருத்தம்.
6. இரண்டு நிலையற்ற (அலகு ரூட்) நேரத் தொடர்களுக்கு இடையில் உயர் R-ஸ்கொயர் பின்னடைவைக் கண்டறிவது ஏன் தவறாக வழிநடத்தும்?
- A) பொதுவான போக்கு காரணமாக போலியான பின்னடைவு ஏற்படலாம்; ✔ உண்மையான உறவு இல்லாமல் உயர் R-சதுர வெளியீடு
- B) உயர் R-சதுக்கம் எப்போதும் வலுவான காரண உறவை நிரூபிக்கிறது.
- C) நிலையற்ற தொடர்கள் பின்னடைவில் நுழையவே முடியாது.
- D) R-squaredஐ நேரத் தொடரில் கணக்கிட முடியாது
விளக்கம்: நிலையான அல்லாத தொடர்களுக்கு இடையே பொதுவான ஒருங்கிணைப்பு உறவு இல்லை என்றால், போலியான பின்னடைவு பொதுவான போக்கு காரணமாக மட்டுமே உயர் R-சதுர மற்றும் குறிப்பிடத்தக்க குணகத்தை உருவாக்கலாம்; அதேசமயம் உண்மையான உறவு இல்லை. எனவே, நிலைத்தன்மை மற்றும் அலகு ரூட் சோதனைகள் முதலில் செய்யப்பட வேண்டும், தேவைப்பட்டால், வேறுபாடுகள் எடுக்கப்பட வேண்டும் அல்லது ஒருங்கிணைப்பு சோதிக்கப்பட வேண்டும்.
7. வேறுபாடு-இன்-வேறுபாடுகள் வடிவமைப்பின் செல்லுபடியின் அடிப்படையில் என்ன அடிப்படை அனுமானம் உள்ளது?
- A) இணையான போக்குகள் அனுமானம்: தலையீடு இல்லாவிட்டால் குழுக்கள் ஒரே திசையைப் பின்பற்றும் ✔
- B) சிகிச்சை மற்றும் கட்டுப்பாட்டு குழுக்கள் ஆரம்பத்தில் ஒரே மாதிரியானவை
- சி) மாதிரியின் இயல்பான விநியோகம்
- D) மாறிகளில் விடுபட்ட தரவு எதுவும் இல்லை
விளக்கம்: தலையீடு இல்லாத நிலையில், சிகிச்சை மற்றும் கட்டுப்பாட்டு குழுக்களுக்கான விளைவு மாறி காலப்போக்கில் இணையாக இருக்கும் என்று டிஐடி கருதுகிறது (இணை போக்குகள் அனுமானம்). இந்த அனுமானம் பூர்த்தி செய்யப்படாவிட்டால், மதிப்பீடு பாரபட்சமானது. AI ஆனது DiD குறியீட்டை உருவாக்க முடியும், ஆனால் இணையான போக்குகளைப் பாதுகாப்பதும் சோதிப்பதும் ஆராய்ச்சியாளரின் பணியாகும்.
8. மறுஉருவாக்கம் செய்யக்கூடிய பகுப்பாய்விற்கு பின்வருவனவற்றில் எது கட்டாய நடைமுறையாகும்?
- A) சீரற்ற படிகளில் விதையை சரிசெய்தல், தொகுப்பு பதிப்புகள் மற்றும் குறியீட்டை பதிவு செய்தல் ✔
- B) முடிவுகளை கைமுறையாக விரிதாளில் நகலெடுத்து குறியீட்டை நீக்கவும்
- C) ஒவ்வொரு ஓட்டத்திலும் வெவ்வேறு முடிவுகளைக் காண்பது இயல்பானது.
- D) தரவு மற்றும் குறியீட்டைப் பகிராமல், இறுதி வரைகலைகளை மட்டும் வைத்திருத்தல்
விளக்கம்: மறுஉருவாக்கம்; அதே தரவு மற்றும் குறியீட்டைக் கொண்டு அதே முடிவை மீண்டும் பெறலாம். சீரற்ற படிகளில் விதையை சரிசெய்தல், தொகுப்பு பதிப்புகளைச் சேமித்தல் மற்றும் ஆவணத்திற்குள் குறியீட்டை இயக்குதல் (எழுத்தறிவு நிரலாக்கம்) ஆகியவை இதன் மூலக்கல்லாகும். முடிவுகளை கைமுறையாக நகலெடுப்பது அல்லது கிளிக் அடிப்படையிலான, பதிவு செய்யாத படிகள் மறுஉற்பத்தியை பாதிக்கிறது.
9. ஹீட்டோரோஸ்கெடாஸ்டிசிட்டி என்ன ஒரு நேரியல் பின்னடைவை சிதைக்கிறது மற்றும் அதன் பொதுவான தீர்வு என்ன?
- A) இது நிலையான பிழைகளை சிதைக்கிறது; தீர்வு வலுவான நிலையான பிழைகள் அல்லது பொருத்தமான மாற்றம் ✔
- B) இது குணக மதிப்பீடுகளை முற்றிலும் செல்லாததாக்குகிறது மற்றும் தீர்வு இல்லை
- C) எப்போதும் R-squared ஐ பூஜ்ஜியமாகக் குறைக்கிறது
- D) மாதிரி மிகவும் சிறியதாக இருந்தால் மட்டுமே நிகழ்கிறது மற்றும் புறக்கணிக்க முடியும்
விளக்கம்: ஹீட்டோரோஸ்கெடாஸ்டிசிட்டி குணகம் மதிப்பீட்டை நடுநிலையற்றது ஆனால் நிலையான பிழைகளை தவறாகக் கணக்கிடுகிறது; இது p-மதிப்புகள் மற்றும் நம்பிக்கை இடைவெளிகளை நம்பமுடியாததாக ஆக்குகிறது. வலுவான/HC நிலையான பிழைகள் அல்லது பொருத்தமான மாற்றத்தைப் பயன்படுத்துவது பொதுவான தீர்வாகும். AI ஆல் பரிந்துரைக்கப்பட்ட தீர்வு சிக்கலை மறைப்பதை விட உண்மையில் சரிசெய்கிறது என்பதை சரிபார்க்க வேண்டும்.
10. ஒரு ஆராய்ச்சியாளர், நோயாளி நிலை அடையாளத் தகவல் மற்றும் வருமானம் ஆகியவற்றைக் கொண்ட மைக்ரோடேட்டாவை பொது AI அரட்டைக் கருவியில் பதிவேற்றி, 'பின்னடைவைச் செய்' எனக் கூறுகிறார். இந்த நடத்தையின் முக்கிய பிரச்சனை என்ன?
- A) தனிப்பட்ட/உரிமம் பெற்ற தரவை வெளிப்புறக் கருவியில் பதிவேற்றுவது ரகசியத்தன்மை மற்றும் ஒப்பந்தத்தை மீறுவதாகும் ✔
- பி) பின்னடைவை செயற்கை நுண்ணறிவால் செய்யவே முடியாது
- C) மைக்ரோ டேட்டா பின்னடைவுக்கு ஏற்றது அல்ல
- D) AI எப்போதும் பின்னடைவை தவறாகக் கணக்கிடுகிறது
விளக்கம்: அடையாளம் மற்றும் வருமானம் போன்ற தனிப்பட்ட/சிறப்பு தரவுகள் KVKK/GDPR மற்றும் பெரும்பாலான தரவு பயன்பாட்டு ஒப்பந்தங்களின் கீழ் பாதுகாக்கப்படுகின்றன; தரவைச் சேமிக்கக்கூடிய வெளிப்புற சாதனத்தில் அவற்றைப் பதிவேற்றுவது மீறலாகும். சரியான வழி; தரவை அநாமதேயமாக்குதல், உள்ளூர்/நிறுவன பாதுகாப்பான கருவிகளைப் பயன்படுத்துதல் அல்லது செயற்கை நுண்ணறிவிலிருந்து குறியீட்டைக் கோருதல் மற்றும் அதன் சொந்த சூழலில் குறியீட்டை இயக்குதல்.
11. மல்டிகோலினியரிட்டி அதிகமாக இருக்கும்போது என்ன கவனிக்கப்படுகிறது?
- A) குணகங்கள் நிலையற்றவை மற்றும் நிலையான பிழைகள் உயர்த்தப்படுகின்றன; தனிப்பட்ட குணகங்கள் அர்த்தமற்றதாக மாறலாம் ✔
- B) R-squared எப்போதும் பூஜ்ஜியமாகக் குறைகிறது
- C) குணக மதிப்பீடுகள் எல்லா நேரத்திலும் மிகவும் துல்லியமாக இருக்கும்
- D) சார்பு மாறியின் அளவு மாறுகிறது
விளக்கம்: உயர் மல்டிகோலினரிட்டியில், சார்பற்ற மாறிகள் ஒன்றுக்கொன்று வலுவாகத் தொடர்புள்ளவை; குணக மதிப்பீடுகள் நிலையற்றதாக மாறும், நிலையான பிழைகள் உயர்த்தப்படுகின்றன, மேலும் தனிப்பட்ட குணகங்கள் முக்கியமற்றதாக மாறக்கூடும், அதே நேரத்தில் ஒட்டுமொத்த மாதிரி குறிப்பிடத்தக்கதாக இருக்கலாம். இது VIF போன்ற அளவுகோல்களால் கண்டறியப்படுகிறது. செயற்கை நுண்ணறிவு மாறி நீக்குதலை பரிந்துரைக்கலாம், ஆனால் எந்த மாறி கோட்பாட்டு ரீதியாக இருக்க வேண்டும் என்பதை ஆராய்ச்சியாளரே தீர்மானிக்க வேண்டும்.
12. புள்ளியியல் சக்தி என்றால் என்ன மற்றும் குறைந்த சக்தி ஆய்வின் ஆபத்து என்ன?
- A) தற்போதுள்ள விளைவைக் கண்டறியும் சாத்தியம்; குறைந்த சக்தி உண்மையான விளைவுகளை இழக்கிறது மற்றும் கண்டுபிடிப்புகளை நம்பமுடியாததாக ஆக்குகிறது ✔
- பி) p-மதிப்பைக் குறைப்பதற்கான நிகழ்தகவு; குறைந்த சக்தி எப்போதும் நம்பகமான முடிவுகளை அளிக்கிறது
- சி) மாதிரி அளவிலிருந்து சுயாதீனமான நிலையான மதிப்பு
- D) செயற்கை நுண்ணறிவு பயன்படுத்தப்படும் போது மட்டுமே செல்லுபடியாகும் கருத்து
விளக்கம்: சக்தி என்பது உண்மையில் இருக்கும் விளைவைக் கண்டறிவதற்கான நிகழ்தகவு (1 கழித்தல் வகை II பிழை). குறைந்த ஆற்றல் கொண்ட ஆய்வுகள் உண்மையான விளைவுகளை இழக்க நேரிடலாம்; கூடுதலாக, சில குறிப்பிடத்தக்க முடிவுகள் மிகைப்படுத்தப்பட்ட விளைவு அளவு ('வெற்றியாளரின் சாபம்') மற்றும் தவறான நேர்மறை விகிதம் அதிகரிக்கும். எனவே, பகுப்பாய்விற்கு முன் சக்தி/மாதிரி கணக்கீடு முக்கியமானது.
13. ஒரு கட்டுரையில் செயற்கை நுண்ணறிவின் பயன்பாட்டை வெளிப்படுத்துவது ஏன் நெறிமுறையாக அவசியம்?
- A) வெளிப்படைத்தன்மை மற்றும் பொறுப்புக்கூறலுக்கு; ✔ வாசகர்கள் மற்றும் நடுவர்கள் செயல்முறையை மதிப்பீடு செய்யலாம் மற்றும் பொறுப்பு ஆசிரியரிடம் உள்ளது
- B) செயற்கை நுண்ணறிவின் பயன்பாடு தானாகவே முடிவுகளை செல்லாததாக்குகிறது
- C) விளம்பர நோக்கங்களுக்காக மட்டுமே பத்திரிகைகளால் கோரப்பட்டது
- D) விளக்கத்தின் பதிப்புரிமையை செயற்கை நுண்ணறிவுக்கு மாற்றுதல்
வெளிப்படுத்துதல்: வெளிப்படைத்தன்மை அவசியம், இதனால் வாசகரும் விமர்சகர்களும் முடிவுகள் எவ்வாறு உருவாக்கப்பட்டன என்பதை மதிப்பிட முடியும்; பல இதழ்கள் மற்றும் நிறுவனங்கள் இப்போது AI பயன்பாட்டை வெளிப்படுத்த வேண்டும். கூடுதலாக, செயற்கை நுண்ணறிவு பிழைகள்/மாயத்தோற்றங்களை உருவாக்கலாம் என்பதால், பொறுப்பு ஆசிரியரிடம் உள்ளது மற்றும் எந்த படிநிலைகள் தணிக்கை செய்யப்பட்டன என்பதைக் குறிப்பிடுவது நேர்மையான விஷயம்.
14. இன்ஸ்ட்ரூமென்ட் வேரியபிள் (IV) முறையில் 'விலக்கு கட்டுப்பாடு' என்ன தேவை?
- A) கருவியானது உள் மாறி மூலம் மட்டுமே முடிவைப் பாதிக்கிறது, வேறு எந்த நேரடி வழியும் இல்லை ✔
- B) கருவிக்கு விளைவு மாறியுடன் எந்த தொடர்பும் இல்லை.
- C) கருவியானது எண்டோஜெனஸ் மாறியுடன் தொடர்பில்லாதது.
- D) பொருள் எப்போதும் பைனரி (0/1) மாறியாகும்
விளக்கம்: விலக்கு தடைக்கு கருவியானது விளைவு மாறியை எண்டோஜெனஸ் விளக்க மாறி மூலம் மட்டுமே பாதிக்கிறது மற்றும் வேறு எந்த நேரடி வழிமுறைகள் அல்லது கவனிக்கப்படாத காரணிகள் மூலம் அல்ல. இந்த அனுமானத்தை தரவுகளிலிருந்து முழுமையாக சோதிக்க முடியாது; இது தத்துவார்த்த மற்றும் நிறுவன அடிப்படையில் பாதுகாக்கப்படுகிறது. AI ஆனது IV குறியீட்டை எழுதலாம், ஆனால் கருவியின் செல்லுபடியை பாதுகாப்பது ஆராய்ச்சியாளரின் வேலை.
15. முன் பதிவு இல்லாமல் நெகிழ்வான பகுப்பாய்வுகளில் 'கார்டன் ஆஃப் ஃபோர்க்கிங் பாத்ஸ்' சிக்கல் என்ன?
- A) தரவுகளின் அடிப்படையில் செய்யப்பட்ட பல நியாயமான பகுப்பாய்வு தேர்வுகள் தவறான நேர்மறை விகிதத்தை அதிகரிக்கின்றன, தற்செயலாக கூட ✔
- B) பகுப்பாய்வு முறைகள் ஒற்றை மற்றும் கட்டாயமாக இருக்க வேண்டும்
- C) வேண்டுமென்றே ஏமாற்றும் போது மட்டுமே ஏற்படும் பிரச்சனை.
- D) மாதிரி வளரும் போது தன்னிச்சையாக மறைந்து போகும் சூழ்நிலை
விளக்கம்: தரவைப் பார்த்த பிறகு, எந்த மாறி, துணைக்குழு, மாற்றம் அல்லது வாசலைப் பயன்படுத்துவது என்பது குறித்து ஆராய்ச்சியாளர் பல நியாயமான தேர்வுகளைச் செய்யலாம். ஒரே ஒரு 'வேண்டுமென்றே பி-ஹேக்கிங்' இல்லாவிட்டாலும், இந்த நெகிழ்வுத்தன்மை தவறான நேர்மறை விகிதத்தை அதிகரிக்கிறது, ஏனெனில் குறிப்பிடத்தக்கது அதிக எண்ணிக்கையிலான பகுப்பாய்வுகளில் இருந்து திறம்பட தேர்ந்தெடுக்கப்படுகிறது. முன் பதிவு மற்றும் ஒரு நிலையான பகுப்பாய்வு திட்டம் இந்த நெகிழ்வுத்தன்மையை கட்டுப்படுத்துகிறது.