பி-ஹேக்கிங், ஹார்கிங் மற்றும் புள்ளியியல் ஒருமைப்பாடு: செயற்கை நுண்ணறிவு யுகத்தில் உள்ள ஆபத்துகள்

ஆதாயங்கள்:

• பி-ஹேக்கிங், ஹார்கிங், செலக்டிவ் ரிப்போர்ட்டிங் மற்றும் ஃபோர்க்கிங் பாதைகளின் தோட்டம் ஆகியவை தவறான கண்டுபிடிப்புகளை உருவாக்குகின்றன என்பதைப் புரிந்துகொண்டு, செயற்கை நுண்ணறிவு இந்த பொறிகளை எவ்வாறு துரிதப்படுத்துகிறது என்பதைப் பார்க்கவும்.
• முன் பதிவு, பகுப்பாய்வு திட்டம், பல ஒப்பீட்டு ஒழுக்கம் மற்றும் செயற்கை நுண்ணறிவு ஆதரவுடன் உணர்திறன் பகுப்பாய்வு போன்ற பாதுகாப்புகளை நிறுவும் திறன்
• நேர்மையான கோரிக்கை வடிவமைப்பை உள்வாங்க முடியும், இது செயற்கை நுண்ணறிவு 'அர்த்தமுள்ள முடிவைக் கண்டுபிடி' வகை கோரிக்கைகளை நிராகரிக்க உதவுகிறது மற்றும் இறுதிப் பொறுப்பு ஆராய்ச்சியாளரிடம் உள்ளது.

முந்தைய யூனிட்டில் பி-மதிப்பு என்றால் என்ன, அது எது இல்லை என்று பார்த்தோம். இந்த பிரிவில் நாம் ஒரு இருண்ட தலைப்பைப் பார்ப்போம், புள்ளிவிவர ஒருமைப்பாட்டை அச்சுறுத்தும் முறையான பொறிகள். இவற்றில் பெரும்பாலானவை வேண்டுமென்றே ஏமாற்றப்பட்டவை அல்ல; இவை நயவஞ்சக வழிமுறைகள், நல்ல நோக்கம் கொண்ட ஆராய்ச்சியாளர்கள் கூட அதை உணராமல் விழும். செயற்கை நுண்ணறிவு (AI) இந்த ஆபத்துக்களை எளிதாகவும் வேகமாகவும் செய்கிறது, ஏனெனில் இது நொடிகளில் டஜன் கணக்கான பகுப்பாய்வுகளை இயக்குவதை சாத்தியமாக்குகிறது. AI ஐ "அர்த்தமுள்ள முடிவுகளைக் கண்டறியும் இயந்திரம்" என்பதிலிருந்து நேர்மையான உதவியாளராக மாற்றும் ஒழுக்கத்தை நிறுவுவதே இந்த அலகின் நோக்கமாகும்.

அடிப்படை குறைபாடுகள்

p-hacking (p-value hunting): இது ஒரு குறிப்பிடத்தக்க முடிவு (p<0.05) கிடைக்கும் வரை வெவ்வேறு வழிகளில் பகுப்பாய்வை மீண்டும் முயற்சிக்கிறது. மாறிகளைச் சேர்த்தல் மற்றும் நீக்குதல், துணை மாதிரிகளைத் தேர்ந்தெடுப்பது, அவுட்லையர்களின் வரையறையை மாற்றுதல், வெவ்வேறு மாற்றங்களை முயற்சித்தல், வெவ்வேறு விளைவு மாறிகளைப் பயன்படுத்துதல், தரவு சேகரிப்பு அர்த்தமுள்ளதாக இருக்கும் போது அதை நிறுத்துதல்... ஒவ்வொரு முயற்சியும் ஒரு புதிய "வாய்ப்பை" அளிக்கிறது; நீங்கள் கடினமாக முயற்சி செய்தால், அவற்றில் ஒன்று அர்த்தமுள்ளதாக மாறும், அது உண்மையில் எந்த விளைவையும் ஏற்படுத்தாது. முடிவு: வெளியிடப்பட்ட ஆனால் மீண்டும் உருவாக்க முடியாத போலியான கண்டுபிடிப்புகள்.

ஹார்கிங் (முடிவுகள் அறியப்பட்ட பிறகு அனுமானம்): முடிவுகளைப் பார்த்த பிறகு ஒரு கருதுகோளை உருவாக்கி அதை "நான் ஆரம்பத்திலிருந்தே இப்படித்தான் கணித்தேன்" என்று முன்வைப்பது. நீங்கள் தரவைப் பார்த்து, மிகவும் குறிப்பிடத்தக்க உறவைக் கண்டறிந்து, அந்தக் கருதுகோளைச் சோதிக்க வடிவமைக்கப்பட்டது போல் காகிதத்தை எழுதுங்கள். இது வாசகரை தவறாக வழிநடத்துகிறது, கண்டுபிடிப்பை உறுதிப்படுத்துவது போல் தோன்றுகிறது.

தேர்ந்தெடுக்கப்பட்ட அறிக்கையிடல் (செர்ரி-பிக்கிங்): டஜன் கணக்கான பகுப்பாய்வுகளில் இருந்து "நல்லவற்றை" மட்டுமே புகாரளித்தல் மற்றும் மீதமுள்ளவற்றை அமைதியாக புதைத்தல். இது "கோப்பு டிராயர் பிரச்சனை" என்றும் அழைக்கப்படுகிறது: அர்த்தமற்ற முடிவுகள் டிராயரில் இருக்கும், இலக்கியத்தை முறையாக சார்புடையதாக ஆக்குகிறது.

கார்டன் ஆஃப் ஃபோர்க்கிங் பாத்ஸ்: ஆண்ட்ரூ கெல்மனின் சொல். ஒரு வேண்டுமென்றே p-ஹேக்கிங் இல்லாவிட்டாலும், ஆராய்ச்சியாளர் தரவுகளின் அடிப்படையில் பல நியாயமான தேர்வுகளை செய்கிறார் (எந்த மாறி, எந்த நுழைவாயில், எந்த துணைக்குழு, எந்த மாற்றம்). இந்த விசாரணை சுதந்திரத்தின் அளவுகள் பலவாக இருப்பதால், பல பகுப்பாய்வுகளிலிருந்து அர்த்தமுள்ள ஒன்றைத் திறம்படத் தேர்ந்தெடுக்கிறீர்கள்—எந்தத் தவறான நோக்கமும் இல்லாமல் கூட. இதன் விளைவாக மீண்டும் தவறான நேர்மறை விகிதம் அதிகரித்து வருகிறது.

எச்சரிக்கை: இந்த பொறிகளில் பெரும்பாலானவை திட்டமிட்ட தந்திரங்கள் அல்ல. "நான் இன்னும் சில மாடல்களை முயற்சித்தேன்", "நான் வெளிப்புறத்தை அகற்றியபோது அது சுத்தமாக இருந்தது", "இந்த துணைக்குழுவில் விளைவு தெளிவாக உள்ளது" போன்ற அப்பாவித்தனமான படிகளின் கூட்டுத்தொகை ஒரு போலியான கண்டுபிடிப்பை உருவாக்கலாம். நேர்மை என்பது முறையின் விஷயம், நோக்கம் அல்ல.

AI இந்த பொறிகளை ஏன் பெரிதாக்குகிறது?

கையால் 3 மாடல்களை முயற்சி செய்ய நேரம் எடுக்கும்; YZ ஆனது 50 மாடல் வகைகள், 10 வெவ்வேறு மாற்றங்கள், 8 துணைக்குழுக்களை நிமிடங்களில் உருவாக்குகிறது. நேர்மையான திட்டம் இல்லாமல் இந்த சக்தி பேரழிவு தரக்கூடியது: “இந்தத் தரவில் ஒரு அர்த்தமுள்ள உறவைக் கண்டறிதல்” அல்லது “இந்த கருதுகோளை ஆதரிக்கும் மாதிரியை உருவாக்குதல்” போன்ற கோரிக்கை AIயை நேரடியாக p-ஹேக்கிங் இயந்திரமாக மாற்றுகிறது. AI உதவியாகவும் இருக்க விரும்புகிறது; உங்களை திருப்திப்படுத்தும் "அர்த்தமுள்ள" முடிவைக் கண்டறிய முனைகிறது. அதனால்தான் உங்கள் உடனடி வடிவமைப்பு நேர்மையின் முதல் வரிசையாகும்.

பாதுகாப்பு: வணிகத்தின் நியாயமான போக்கு

1. முன் பதிவு: பகுப்பாய்வைச் செய்வதற்கு முன் உங்கள் கருதுகோள், மாறிகள், மாதிரி மற்றும் சோதனைகளை எழுத்துப்பூர்வமாக (நேர முத்திரையிடப்பட்ட மேடையில்) பதிவு செய்வதாகும். இவ்வாறு, கண்டுபிடிப்பு உறுதிப்படுத்தலில் இருந்து பிரிக்கப்படுகிறது; நீங்கள் மாற்றும் அனைத்தும் "ஆய்வு செய்பவர்" எனக் குறிக்கப்படும்.

2. பகுப்பாய்வுத் திட்டம்: உங்களால் முன் பதிவு செய்ய முடியாவிட்டாலும், தரவுக்குள் நுழைவதற்கு முன் ஒரு பகுப்பாய்வுத் திட்டத்தை எழுதுங்கள்: முதன்மை கருதுகோள், முதன்மை விளைவு மாறி, முக்கிய மாதிரி. ஆரம்பத்தில் இருந்தே "முக்கிய பகுப்பாய்வு" மற்றும் "கூடுதல்/ஆராய்வு பகுப்பாய்வு" ஆகியவற்றுக்கு இடையேயான வேறுபாட்டை நிறுவி அதை அறிக்கையில் பராமரிக்கவும்.

3. எல்லாவற்றையும் புகாரளிக்கவும்: நீங்கள் முயற்சித்த மாதிரிகளை மறைக்க வேண்டாம். "உணர்திறன் பகுப்பாய்வு" (வலுவான சோதனை) பிரிவில், வெவ்வேறு விவரக்குறிப்புகள் முடிவை எவ்வாறு மாற்றுகின்றன என்பதைக் காட்டுங்கள். பல நம்பத்தகுந்த தேர்வுகளின் கீழ் இருந்தால் மட்டுமே கண்டுபிடிப்பு வலுவாக இருக்கும்.

4. பல ஒப்பீட்டு ஒழுங்குமுறை: நீங்கள் பல சோதனைகளைச் செய்திருந்தால், அவற்றைத் திருத்தவும் (அலகு 6). "நான் எத்தனை சோதனைகள் செய்தேன்?" என்ற கேள்விக்கு பதிலளிக்கவும் நேர்மையாக.

5. உணர்திறன் பகுப்பாய்வு: உங்கள் முக்கிய கண்டுபிடிப்பை வேறு மாதிரி, வெவ்வேறு கட்டுப்பாட்டு தொகுப்பு மற்றும் வெவ்வேறு மாற்றத்துடன் மீண்டும் செய்யவும். முடிவு மாறினால், அதை மறைக்க வேண்டாம், புகாரளிக்கவும்.

ஒப்பீட்டு விளக்கப்படம்: நேர்மையான மற்றும் பொறி

விண்ணப்பம்

பொறி வடிவம்

நேர்மையான சமமானவர்

மாதிரி தேர்வு

அது புரியும் வரை முயற்சி (p-hacking)

முன் திட்டமிடப்பட்ட மாஸ்டர் மாடல்

கருதுகோள்

உண்மைக்குப் பிறகு பொருத்துதல் (HARKing)

முன் பதிவு, தரவு முன்

அறிக்கையிடல்

அழகானவற்றை மட்டும் காட்டாதீர்கள்

அனைத்து விவரக்குறிப்புகள் + உணர்திறன்

துணைக்குழு

மிகவும் குறிப்பிடத்தக்கதைத் தேர்ந்தெடுப்பது

முன் வரையறுக்கப்பட்ட, சரிசெய்யக்கூடிய

தரவு சேகரிப்பு

அர்த்தமுள்ளதாக இருக்கும்போது நிறுத்துங்கள்

முன்னரே தீர்மானிக்கப்பட்ட மாதிரி

நகலெடுக்கக்கூடிய நான்கு தூண்டுதல்கள்

1. நேர்மையான உரிமைகோரல் கட்டமைப்பு:

உங்கள் பங்கு: நேர்மையான புள்ளியியல் உதவியாளர். எனது குறிக்கோள் ஒரு அர்த்தமுள்ள முடிவைக் கண்டுபிடிப்பது அல்ல, ஆனால் சரியான முடிவைக் கண்டுபிடிப்பது. விதிகள்:- "அது அர்த்தமுள்ளதாக இருக்கும் வரை மாதிரிகளை முயற்சிக்கவும்" வகை பரிந்துரைகளை எனக்கு வழங்க வேண்டாம்,- நீங்கள் பல விவரக்குறிப்புகளை பரிந்துரைத்தால், அவை அனைத்தும் புகாரளிக்கப்பட வேண்டும்,- p-ஹேக்கிங்கிற்கு வழிவகுக்கும் எந்த படிநிலைகளையும் எனக்கு எச்சரிக்கவும். எனது முதன்மை மாதிரியை முதலில் தெளிவுபடுத்த எனக்கு உதவுங்கள், உறுதிப்படுத்தலிலிருந்து தனித்தனி கண்டுபிடிப்பு.

2. பகுப்பாய்வு திட்ட வரைவு:

ஒரு ஆய்வுக்கான பூர்வாங்க பகுப்பாய்வு திட்டத்தை உருவாக்க எனக்கு உதவுங்கள்: முதன்மை கருதுகோள், முதன்மை விளைவு மாறி, முக்கிய மாதிரி விவரக்குறிப்பு, முன் வரையறுக்கப்பட்ட துணைக்குழுக்கள், பல ஒப்பீட்டு உத்தி. "ஆராய்வு" மற்றும் "உறுதிப்படுத்துதல்" பகுப்பாய்வுகளை தனித்தனி தலைப்புகளில் வைக்கவும். தரவைப் பார்க்காமல் இதை நிரப்ப எனக்கு நினைவூட்டு.

3. உணர்திறன் பகுப்பாய்வு:

எனது முக்கிய கண்டுபிடிப்பு, உணர்திறன் பகுப்பாய்வு குறியீட்டை (R) எழுதுவதே எனது குறிக்கோள், முடிவு எவ்வளவு உறுதியானது என்பதைப் பார்ப்பதே தவிர, சிறந்ததைத் தேர்ந்தெடுப்பது அல்ல; அனைத்து முடிவுகளையும் காட்டு.

4. சுய கண்காணிப்பு:

எனது பகுப்பாய்வு செயல்முறையை நான் விளக்குகிறேன்; p-hacking / HARKing / தேர்ந்தெடுக்கப்பட்ட அறிக்கையிடல் ஆகியவற்றிற்கான சரிபார்ப்புப் பட்டியலை எனக்குக் கொடுங்கள் மற்றும் எனது எந்தப் படிகள் ஆபத்தானவை என்பதைக் குறிக்கவும். நான் எத்தனை மாதிரிகள்/சோதனைகளை முயற்சித்தேன் மற்றும் எவற்றைப் புகாரளிக்க திட்டமிட்டுள்ளேன் என்று என்னிடம் கேட்கவும்.

பலவீனமான வரியில் / வலுவான வரியில்

பலவீனமான உடனடி:

இந்தத் தரவில் எந்த மாறிகள் குறிப்பிடத்தக்க உறவுகளைக் காட்டுகின்றன, சிறந்த மாதிரியைக் கண்டறியவும்.

இந்த ப்ராம்ட் ஒரு நேரடி பி-ஹேக்கிங் அறிவுறுத்தலாகும்: AI டஜன் கணக்கான சேர்க்கைகளை முயற்சித்து, "மிகவும் அர்த்தமுள்ளதாக இருக்கும்" ஒன்றை வழங்குகிறது. இதன் விளைவாக நிச்சயமாக நகலெடுக்க முடியாத ஒரு போலியான கண்டுபிடிப்பு.

சக்திவாய்ந்த தூண்டுதல்:

உங்கள் பங்கு: நேர்மையான உதவியாளர். நான் முன்னரே தீர்மானித்த முதன்மை மாதிரி: Y ~ X + கட்டுப்பாடுகள். இந்த மாதிரியை முன்னறிவிக்கும் குறியீட்டை எழுதுங்கள். மற்றொரு "மிகவும் அர்த்தமுள்ள" மாதிரியைத் தேட வேண்டாம். ஒரு உணர்திறன் பகுப்பாய்வையும் பரிந்துரைக்கவும், இதன் மூலம் முடிவின் உறுதியான தன்மையை என்னால் பார்க்க முடியும், ஆனால் எல்லா முடிவுகளையும் நான் தெரிவிப்பேன், சிறந்ததைத் தேர்ந்தெடுப்பதில்லை என்பதை அறிவேன். எந்த ஆய்வுக் கண்டுபிடிப்புகளையும் 'உறுதிப்படுத்தப்பட்டது' என எழுத அனுமதிக்காதீர்கள்.

வேறுபாடு: வலுவான விருப்பம் முக்கிய மாதிரியை சரிசெய்கிறது, தேடுவதைத் தடைசெய்கிறது, மேலும் எல்லா முடிவுகளும் தெரிவிக்கப்பட வேண்டும்.

மூன்று சிறிய வழக்குகள்

வழக்கு 1 - துணைக்குழு வேட்டை. ஒரு ஆராய்ச்சியாளர் ஒட்டுமொத்த மாதிரியில் எந்த விளைவையும் காணவில்லை; அவர் AIயிடம் "எந்த துணைக்குழுவில் இது குறிப்பிடத்தக்கது?" YZ வயது, பாலினம் மற்றும் பிராந்திய சேர்க்கைகளை ஸ்கேன் செய்து, "35-44 வயதுடைய நகர்ப்புற பெண்களில் p = 0.03" என்பதைக் கண்டறிந்தது. கட்டுரை இந்த துணைக்குழுவை அடிப்படையாகக் கொண்டது. அவரது பிரதிபலிப்பு எந்த விளைவையும் காணவில்லை: இது டஜன் கணக்கான துணைக்குழுக்களின் வாய்ப்பின் விளைவாகும். பாடம்: தரவு ஹார்கிங், உறுதி செய்யாத பிறகு தேர்ந்தெடுக்கப்பட்ட துணைக்குழு.

வழக்கு 2 - மாற்று வேட்டை. மாணவர் நிலை வடிவத்தில் அர்த்தமற்றதாக மாறும் உறவு; பதிவு, வர்க்கமூலம், சதுரம் மற்றும் பின்னடைவு வடிவங்களில் முயற்சித்தேன்; அவர் பதிவு-பதிவு வடிவத்தில் p=0.048 ஐக் கண்டறிந்து அதை மட்டும் தெரிவித்தார். அதிர்ஷ்டவசமாக, முயற்சித்த 5 வடிவங்களில் ஒன்று வாசலைத் தாண்டியது. சரியான வழி: கோட்பாட்டுடன் படிவத்தை முன்கூட்டியே தேர்ந்தெடுத்து, அனைத்து வடிவங்களின் முடிவை உணர்திறன் அட்டவணையில் காண்பிப்பது. பாடம்: தேர்ந்தெடுக்கப்பட்ட அறிக்கை தவறான முக்கியத்துவத்தை உருவாக்குகிறது.

வழக்கு 3 - எப்படி நேர்மையான ஃப்ரேமிங் வேலை செய்கிறது. பகுப்பாய்விற்கு முன் ஒரு குழு முன்பதிவு செய்யப்பட்டது: ஒற்றை முதன்மை கருதுகோள், ஒற்றை முக்கிய மாதிரி, இரண்டு முன் வரையறுக்கப்பட்ட துணைக்குழுக்கள், போன்ஃபெரோனி திருத்தம். முக்கிய விளைவு குறிப்பிடத்தக்கதாக இல்லை, ஆனால் குழு அதை நேர்மையாக அறிக்கை செய்தது; ஆய்வு செய்யும் நபர் ஒரு கண்டுபிடிப்பை "எதிர்காலத்தில் சோதிக்க வேண்டும்" எனக் கொடியிட்டார். ஆய்வு மீண்டும் உருவாக்கக்கூடியதாகவும் நம்பகமானதாகவும் இருந்தது. பாடம்: நேர்மையான திட்டமிடல் "தோல்வி" முடிவைக் கூட பயனுள்ளதாக்குகிறது.

பொதுவான தவறுகள்

• "அர்த்தமுள்ள முடிவுகளைக் கண்டறிய" AI யிடம் கூறுதல். இது நேராக p-ஹேக்கிங்; AI ஐ நேர்மையான கட்டமைப்பில் வைக்கவும், துல்லியத்தைக் கேட்கவும், முடிவுகளை அல்ல.
• கண்டுபிடிப்பை உறுதிப்படுத்தல் (HARKing) என வழங்குதல். தரவுகளுக்குப் பிறகு நிறுவப்பட்ட கருதுகோளை "நான் ஆரம்பத்திலிருந்தே கணித்தேன்" என்று எழுதுவது தவறானது; ஆய்வுக் கண்டுபிடிப்பை லேபிளிடுங்கள்.
• நல்ல முடிவுகளை மட்டுமே தெரிவிக்கிறது. சோதனை செய்யப்பட்ட அனைத்து விவரக்குறிப்புகளையும் காட்டு; உணர்ச்சிப் பகுப்பாய்வை மறைப்பது நேர்மையை சமரசம் செய்கிறது.
• துணைக்குழு/மாற்றம் திரையிடல். டஜன் கணக்கான துணைக்குழுக்கள் அல்லது மாற்றங்களில் மிக முக்கியமானவற்றைத் தேர்ந்தெடுப்பது போலியான கண்டுபிடிப்புகளை உருவாக்குகிறது; முன்கூட்டியே அடையாளம் கண்டு சரிசெய்யவும்.
• நீங்கள் எத்தனை சோதனைகள் செய்தீர்கள் என்பதை மறந்துவிட்டேன். முயற்சிகளின் மொத்த எண்ணிக்கையைக் கண்காணிக்கவும்; இந்த எண்ணை அறியாமல் எந்த p-மதிப்பையும் நேர்மையாக விளக்க முடியாது.

உதவிக்குறிப்பு: ஒரு கண்டுபிடிப்பை எழுதுவதற்கு முன், உங்களை நீங்களே கேட்டுக்கொள்ளுங்கள்: "இந்த முடிவைக் கண்டுபிடிக்கும் வரை நான் எத்தனை வழிகளில் அமைதியாக முயற்சித்தேன், அவை அனைத்தையும் நான் தெரிவிக்கிறேனா?" சில கட்டுரைகள் டிராயரில் இருந்தால், உங்கள் அறிக்கை அதை விட வலுவாக இருக்கும்.

சுருக்கமாக

பி-ஹேக்கிங், ஹார்கிங், தேர்ந்தெடுக்கப்பட்ட அறிக்கையிடல் மற்றும் ஃபோர்க்கிங் பாதைகளின் தோட்டம்; பல பொறிகள் தற்செயலாக செயல்படுகின்றன, ஆனால் போலியான, மீண்டும் உருவாக்க முடியாத கண்டுபிடிப்புகளை உருவாக்குகின்றன. AI இந்த ஆபத்துக்களை துரிதப்படுத்துகிறது, ஏனெனில் அது உடனடியாக டஜன் கணக்கான பகுப்பாய்வுகளை முயற்சி செய்யலாம்; "அர்த்தமுள்ள முடிவுகளை கண்டுபிடி" வகை கோரிக்கைகள் AI ஐ p-ஹேக்கிங் இயந்திரமாக மாற்றும். பாதுகாப்பு; முன் பதிவு மற்றும் பகுப்பாய்வுத் திட்டத்துடன் உறுதிப்படுத்தலில் இருந்து கண்டுபிடிப்பை பிரித்தல், அனைத்து விவரக்குறிப்புகள் மற்றும் உணர்திறன் பகுப்பாய்வு, பல ஒப்பீடுகளை சரிசெய்தல் மற்றும் "சரியான முடிவு" கோரும் நேர்மையான கட்டமைப்பில் AI ஐ வைப்பது. இறுதிப் பொறுப்பு எப்போதும் ஆய்வாளரிடமே உள்ளது.

விண்ணப்ப பணி

ஒரு ஆராய்ச்சி கேள்வியைத் தேர்ந்தெடுத்து, தரவைப் பார்ப்பதற்கு முன் சுருக்கமான பகுப்பாய்வுத் திட்டத்தை எழுதவும்: முதன்மை கருதுகோள், முக்கிய மாதிரி, முதன்மை விளைவு மாறி, முன் வரையறுக்கப்பட்ட துணைக்குழுக்கள், பல ஒப்பீட்டு உத்தி. பின்னர் முக்கிய மாதிரியை மதிப்பிடுங்கள். பின்னர் ஒரு உணர்திறன் பகுப்பாய்வு (வெவ்வேறு கட்டுப்பாடுகள், வெளிப்புற சேர்க்கப்பட்டது/விலக்கப்பட்டது, வெவ்வேறு செயல்பாடு வடிவம்) செய்து அனைத்து முடிவுகளையும் ஒரே அட்டவணையில் காண்பிக்கவும். ஒரு பத்தியில், எந்தப் படிகள் p-ஹேக்கிங்கின் ஆபத்தை ஏற்படுத்துகின்றன என்பதையும் உங்கள் நேர்மையான கட்டமைப்பு அவற்றை எவ்வாறு கட்டுப்படுத்துகிறது என்பதையும் மதிப்பிடுங்கள்.

சரிபார்ப்பு பட்டியல்

• [ ] தரவுக்குள் நுழைவதற்கு முன் நான் பகுப்பாய்வுத் திட்டம்/மாஸ்டர் மாதிரியை எழுதினேன்.
• [ ] நான் ஆய்வு மற்றும் உறுதிப்படுத்தும் பகுப்பாய்வுகளை தனித்தனியாக பெயரிட்டேன்; நான் ஹார்கிங் செய்யவில்லை.
• [ ] நான் முயற்சித்த அனைத்து விவரக்குறிப்புகளையும் தெரிவித்துள்ளேன்; நான் அழகானதை மட்டும் தேர்வு செய்யவில்லை.
• [ ] நான் துணைக்குழுக்கள் மற்றும் மாற்றங்களை முன்பே வரையறுத்தேன், தரவுக்குப் பிறகு அவற்றை ஸ்கேன் செய்யவில்லை.
• [ ] நான் எத்தனை சோதனைகளை நடத்தினேன் என்பதை கண்காணித்து தேவையான திருத்தத்தை பயன்படுத்தினேன்.
• [ ] நான் AI ஐ "அர்த்தமுள்ளதாக கண்டறிக" என்பதற்கு பதிலாக "உண்மையை கண்டுபிடி" என்ற சூழலில் பயன்படுத்தினேன்; நான் பொறுப்பேற்றேன்.