தரவு பகுப்பாய்வு ஆதரவு: குறியீடு, புள்ளியியல் விளக்கம் மற்றும் தரமான குறியீட்டு முறை

ஆதாயங்கள்:

• பகுப்பாய்வுத் திட்டம், பொருத்தமான புள்ளியியல் சோதனைத் தேர்வு மற்றும் R/Python/SPSS குறியீடு வரைவு மற்றும் வெளியீட்டை கைமுறையாக சரிபார்க்க செயற்கை நுண்ணறிவைப் பயன்படுத்தும் திறன்
• தரமான தரவுகளில் தீம் மற்றும் குறியீட்டு பரிந்துரைகளை எடுத்து, செயற்கை நுண்ணறிவின் விளக்கத்தை மூல தரவுகளுடன் இணைத்து உறுதிப்படுத்தும் திறன்
• மூல தரவு பகிர்வின் தனியுரிமை ஆபத்து, போலி புள்ளிவிவரங்கள் மற்றும் பி-ஹேக்கிங்கின் ஆபத்து மற்றும் பொறுப்பான பகுப்பாய்வின் எல்லைகளை வரையக்கூடிய திறன்

தரவு சேகரிக்கப்பட்டவுடன், அதைப் புரிந்து கொள்ள வேண்டிய நேரம் இது. தரவு பகுப்பாய்வு என்பது மூல எண்கள் அல்லது உரையை ஆராய்ச்சி கேள்விக்கு பதிலளிக்கும் கண்டுபிடிப்புகளாக மாற்றும் செயல்முறையாகும். இந்த கட்டத்தில், AI மூன்று உறுதியான பணிகளை துரிதப்படுத்துகிறது: வரைவு குறியீட்டை (R, Python, SPSS தொடரியல்) உருவாக்குதல், புள்ளிவிவர வெளியீட்டை விளக்குவதற்கு உதவுதல் மற்றும் தரமான தரவுகளில் தீம்/குறியீடு பரிந்துரைகளை வழங்குதல். ஆனால் பகுப்பாய்வு என்பது கல்வித்துறையில் துல்லியம் மற்றும் ரகசியத்தன்மையின் மிக முக்கியமான பகுதியாகும். இந்த யூனிட்டின் முக்கிய விதி இரண்டு மடங்கு ஆகும்: மூல தரவு ரகசியமாக இருக்கும், ஒவ்வொரு எண் முடிவும் கைமுறையாக சரிபார்க்கப்படுகிறது. AI போலியான புள்ளிவிவரங்களையும் உருவாக்க முடியும்; சரிபார்க்கப்படாத p-மதிப்பு சரிபார்க்கப்படாத பண்புக்கூறைப் போலவே ஆபத்தானது.

குறியீடு வரைவை உருவாக்கவும்

பகுப்பாய்வுத் திட்டத்தை செயல்பாட்டுக் குறியீடாக மொழிபெயர்ப்பதில் AI மிகவும் சக்தி வாய்ந்தது. "இந்த மாறிகளுக்கு இடையே ஒரு சுயாதீன மாதிரி டி-டெஸ்ட் நடத்தி அனுமானங்களைச் சரிபார்க்கவும்" என்று கூறுவது உங்களுக்கு சுத்தமான R அல்லது பைதான் அவுட்லைனை வழங்குகிறது. குறிப்பாக நிரலாக்கத்தில் நிபுணத்துவம் இல்லாத ஆராய்ச்சியாளர்களுக்கு இது ஒரு பெரிய வசதி. ஆனால் இரண்டு விதிகள் உள்ளன. முதலாவதாக: உங்கள் சொந்த சூழலில் உங்கள் சொந்த தரவுகளுடன் குறியீட்டை இயக்கவும்; கருவியில் மூல தரவை பதிவேற்ற வேண்டாம். உங்கள் தரவின் கட்டமைப்பை AI க்கு விவரிக்கிறீர்கள் (மாறி பெயர்கள், வகைகள், சில மாதிரி வரிகள் - ஐடிகள் இல்லை), அது குறியீட்டை எழுதுகிறது, மேலும் நீங்கள் அதை உள்ளூர் கணினியில் செயல்படுத்துகிறீர்கள். இரண்டாவது: குறியீட்டைப் படித்து புரிந்து கொள்ளுங்கள்; குருட்டு நகலெடுப்பது ஒரு அமைதியான பிழையை (தவறான மாறி, தவறான சோதனை) அறிக்கையை கவனிக்காமல் நகர்த்துகிறது.

ஒரு புள்ளியியல் சோதனையைத் தேர்ந்தெடுப்பது ஒரு முக்கியமான முடிவாகும்: தரவு வகை (தொடர்ச்சியான/வகையான), குழுக்களின் எண்ணிக்கை, விநியோக அனுமானங்கள் சோதனையைத் தீர்மானிக்கின்றன. ஒரு முடிவு மரத்தைப் போலவே, AI "இந்த விஷயத்தில், பின்வரும் சோதனை பொருத்தமானதாக இருக்கலாம்" என்று கூறி அதன் காரணத்தை விளக்குகிறது; இது போதனை. ஆனால் உங்கள் சொந்த தரவின் அனுமானங்களைச் சரிபார்த்து தேர்வை உறுதிப்படுத்துகிறீர்கள். தவறான சோதனையானது சரியானதாகத் தோன்றும் ஆனால் அர்த்தமற்ற ஒரு முடிவை உருவாக்குகிறது.

எச்சரிக்கை: ஒரு எண்ணைக் கேட்கும்போது ("இந்த மாதிரியின் சராசரி என்ன"), AI ஆனது உண்மையான கணக்கீடுகளைச் செய்யாமல் நியாயமானதாகத் தோன்றும் எண்ணை உருவாக்கலாம். தரவு செரிமானத்தை AI "கணக்கிட்டு" முடிவைப் பயன்படுத்த வேண்டாம்; புள்ளிவிவர மென்பொருள் கணிதத்தை செய்கிறது, AI குறியீடு மற்றும் விளக்கத்தை உருவாக்குகிறது.

புள்ளியியல் விளக்கம் மற்றும் தரமான குறியீட்டு முறை

உங்கள் மென்பொருள் ஒரு வெளியீட்டை உருவாக்கியதும் (எ.கா. t(48) = 2.31, p = .025), AI அதை எளிய மொழியில் விளக்க உதவுகிறது: இதன் பொருள் என்ன, விளைவு அளவின் முக்கியத்துவம், அது எவ்வாறு தெரிவிக்கப்படும் (APA வடிவத்தில்). உங்கள் சொந்த வெளியீட்டைப் பார்த்து இந்த விளக்கத்தை நீங்கள் சரிபார்க்கிறீர்கள்; நீங்கள் AI க்கு வெளியீட்டைக் கொடுக்கிறீர்கள், அது அதை விளக்குகிறது, அந்த எண் உண்மையில் உங்கள் பகுப்பாய்விலிருந்து வந்தது என்பது உங்களுக்குத் தெரியும்.

தரமான பகுப்பாய்வில், நேர்காணல் டிரான்ஸ்கிரிப்டுகளில் இருந்து AI சாத்தியமான குறியீடுகள் (அர்த்தத்தின் தொடர்ச்சியான அலகுகள்) மற்றும் கருப்பொருள்களைப் பிரித்தெடுக்க முடியும். தூண்டல் குறியீட்டில் இது ஒரு தொடக்க புள்ளியாக மதிப்புமிக்கது; நீங்கள் தவறவிட்ட மாதிரியை AI பரிந்துரைக்கலாம். ஆனால் தரமான பகுப்பாய்வின் இதயம் ஆய்வாளரின் ஆழமான வாசிப்பு; AI பரிந்துரைக்கும் ஒவ்வொரு குறியீட்டையும் மூலத் தரவுகளுடன் (உண்மையான மேற்கோள்) இணைக்கவும், அதன் சூழலைச் சரிபார்த்து, உங்கள் சொந்த விளக்கக் கட்டமைப்பைக் கொண்டு அதை வடிகட்டவும். AI தரமான தரவை "விளக்கம்" செய்வதில்லை, அது வடிவங்களைப் பரிந்துரைக்கிறது; நீங்கள் அர்த்தத்தை உருவாக்குகிறீர்கள்.

p-ஹேக்கிங் (அர்த்தமுள்ள முடிவுகள் கிடைக்கும் வரை வெவ்வேறு வழிகளில் தரவை கையாளுதல்) ஒரு தீவிரமான நெறிமுறை மீறலாகும். "ஒரு அர்த்தமுள்ள முடிவைக் கண்டுபிடிக்கும் வரை வெவ்வேறு சோதனைகளை முயற்சிக்கவும்" என்று AI கூறுவது சரியாகவும் தடைசெய்யப்பட்டுள்ளது. தரவைப் பார்ப்பதற்கு முன் உங்கள் பகுப்பாய்வுத் திட்டத்தைத் தீர்மானிக்கவும் (முடிந்தால் முன்பதிவுடன்) மற்றும் அந்தத் திட்டத்தைச் செயல்படுத்த AI ஐப் பயன்படுத்தவும், முடிவை "வேட்டையாட" அல்ல.

மறுஉருவாக்கம் மற்றும் குறியீட்டு ஆவணங்கள்

நவீன கல்வித்துறையில், மறுஉருவாக்கம் பெருகிய முறையில் முக்கியமானது: உங்கள் தரவு மற்றும் குறியீட்டைக் கொண்டு அதே முடிவை அடைய மற்றொரு ஆராய்ச்சியாளரின் திறன். AI என்பது இங்கே இருவழி உதவியாளர். முதலில், அது உருவாக்கும் குறியீட்டை கருத்து வரிகளுடன் ஆவணப்படுத்துமாறு நீங்கள் கேட்கலாம்; ஒவ்வொரு அடியும் என்ன செய்கிறது என்பதை விளக்கும் குறியீடு ஆறு மாதங்களுக்குப் பிறகு நீங்கள் புரிந்துகொள்வதையும், ஒரு ஆடிட்டர் பின்பற்றுவதையும் எளிதாக்குகிறது. இரண்டாவதாக, உங்கள் பகுப்பாய்வை ரேண்டம் மேனுவல் கிளிக் செய்வதை விட ஸ்கிரிப்ட் அடிப்படையிலானதாக AI தள்ளுகிறது (எ.கா. SPSS மெனுக்களில்); ஸ்கிரிப்ட் என்பது உங்கள் பகுப்பாய்வின் முழுமையான பதிவாகும் மற்றும் ஒரே கிளிக்கில் மீண்டும் மீண்டும் செய்யலாம். இது "எந்த அமைப்பில் இந்த முடிவைப் பெற்றேன்?" என்ற நிச்சயமற்ற தன்மையை நீக்குகிறது.

மறுஉற்பத்தியின் ஒரு பகுதி, மூலத் தரவு மற்றும் செயலாக்கப்பட்ட தரவைத் தனித்தனியாக வைத்திருப்பது: மூலத் தரவைக் கையால் தொடாதீர்கள், குறியீட்டில் உள்ள அனைத்து மாற்றங்களையும் (சுத்தம் செய்தல், குறியிடுதல், தவிர்த்து) செய்கிறீர்கள். இந்த வழியில், நீங்கள் ஒரு பிழையைக் கண்டறிந்தால், நீங்கள் தொடக்கத்திற்குச் சென்று அதை மீண்டும் இயக்கலாம். இந்த வேறுபாட்டைப் பாதுகாக்கும் பணிப்பாய்வு கட்டமைப்பை AI முன்மொழிய முடியும்; ஆனால் எந்த பங்கேற்பாளர் விலக்கப்பட்டார் மற்றும் ஏன் அறிவியல் ரீதியான தீர்ப்புகளை நீங்கள் எடுக்க வேண்டும் மற்றும் பதிவு செய்ய வேண்டும் போன்ற முடிவுகள்.

மூன்று சிறிய வழக்குகள்

வழக்கு 1 - குறியீடு முடுக்கம், கைமுறை சரிபார்ப்பு. ஒரு ஆராய்ச்சியாளர் R இல் ANOVA வை மீண்டும் மீண்டும் எவ்வாறு செய்வது என்று தெரியவில்லை. அவர் AI க்கு தரவு கட்டமைப்பை (அநாமதேயமாக) விவரித்தார், குறியீடு வரைவை எடுத்து தனது சொந்த கணினியில் இயக்கினார். அவர் SPSS இல் வெளியீட்டை மீண்டும் மீண்டும் செய்தார்; இரண்டு முடிவுகளும் ஒப்புக்கொண்டன. குறியீடு சரியானது, ஆனால் இரண்டாவது கருவி மூலம் அதைச் சரிபார்த்தபோது மட்டுமே ஆராய்ச்சியாளர் அதில் நம்பிக்கையை உணர்ந்தார்.

வழக்கு 2 - புனையப்பட்ட சுருக்க புள்ளிவிவரங்கள். ஒரு மாணவர் தரவு அட்டவணையை AI இல் ஒட்டினார் மற்றும் "வழிகள் மற்றும் நிலையான விலகல்களைக் கணக்கிடு" என்றார். AI நியாயமானதாகத் தோன்றிய எண்களை வழங்கியது; மாணவர் அதை மென்பொருளில் சரிபார்த்தபோது, ​​​​பல சராசரிகள் தவறாக இருப்பதைக் கண்டார். AI உண்மையில் அட்டவணையை கணக்கிடவில்லை, அது யூகித்தது. பாடம்: மென்பொருள் கணக்கீடு செய்கிறது, நீங்கள் AI இலிருந்து முடிவைப் பெறவில்லை.

வழக்கு 3 - தரமான குறியீடு பரிந்துரை. ஒரு சமூக விஞ்ஞானி 30 நேர்காணல்களை சுய-குறியீடு செய்தார், பின்னர் AI க்கு ஒரு அநாமதேய துணைக்குழுவை அளித்து, "என்ன கூடுதல் தீம்கள் தோன்றும்" என்று கேட்டார். அவர் தனித்தனியாக கருதாத "நிறுவன நம்பிக்கை" என்ற கருப்பொருளை AI பரிந்துரைத்தது. ஆராய்ச்சியாளர் மூல மேற்கோள்களுக்குத் திரும்பினார், தீம் உண்மையில் ஆதரிக்கப்படுவதைக் கண்டறிந்து, அதை தனது பகுப்பாய்வில் சேர்த்தார். AI கூடுதல் முன்னோக்கு; ஆய்வாளர் முடிவு செய்து சரிபார்த்தார்.

நகலெடுக்கக்கூடிய வார்ப்புருக்கள்

1) தேர்வு தேர்வு ஆலோசனை:

மகசூல்: [சார்ந்த மாறியின் வகை], [குழுக்களின் எண்ணிக்கை], [சுயாதீன/ஜோடி],[விநியோகத்தைப் பற்றி எனக்குத் தெரிந்தவை]. எனது கேள்வி: குழுக்களிடையே வேறுபாடு உள்ளதா? பொருத்தமான புள்ளியியல் சோதனைகளை அவற்றின் நியாயங்களுடன் பட்டியலிட்டு, ஒவ்வொன்றின் அனுமானங்களையும் எழுதவும். நான் தேர்வு செய்கிறேன்.

2) குறியீடு வரைவு (ஐடி இல்லாமல்):

நான் R ஐப் பயன்படுத்துகிறேன். எனது டேட்டாஃப்ரேமில் பின்வரும் நெடுவரிசைகள் உள்ளன: [நெடுவரிசைப் பெயர்கள் மற்றும் வகைகள், உதாரணம் அடையாளம் காணப்படாத 2 வரிசைகள்]. ஒரு சுயாதீன மாதிரி t-சோதனையைச் செய்து, அனுமானங்களைச் சரிபார்க்கும் விளக்கத்துடன் குறியீட்டை எழுதவும் (இயல்பு, மாறுபாட்டின் ஒருமைப்பாடு). எனது சொந்த கணினியில் குறியீட்டை இயக்குவேன்.

3) வெளியீட்டு விளக்கம் (APA):

எனது புள்ளிவிவர மென்பொருள் பின்வரும் வெளியீட்டை உருவாக்கியது: [ஒட்டு வெளியீடு]. இதை APA 7 வடிவத்தில் எவ்வாறு புகாரளிப்பது? விளைவு அளவு மற்றும் அதன் நடைமுறை அர்த்தத்தை எளிய மொழியில் விளக்குங்கள். எனது வெளியீட்டிலிருந்து எண்களை எடுக்கவும், புதியதை உருவாக்க வேண்டாம்.

4) தரமான தீம் பரிந்துரை (அநாமதேய):

அநாமதேய நேர்காணல் பகுதிகள் கீழே உள்ளன. சாத்தியமான குறியீடு மற்றும் தீம் வேட்பாளர்களை தூண்டக்கூடிய வகையில் பரிந்துரைக்கவும்; ஒவ்வொரு வேட்பாளரும் எந்த மேற்கோளை அடிப்படையாகக் கொண்டுள்ளனர் என்பதைக் காட்டு. இவை பரிந்துரைகள்; நான் அதை மூல தரவுகளிலிருந்து சரிபார்க்கிறேன். மேற்கோள்கள்: [அநாமதேய உரை]

பலவீனமான வரியில் / வலுவான வரியில்

பலவீனமான உடனடி:

இந்தத் தரவை ஆராய்ந்து முடிவைச் சொல்லுங்கள். [அட்டவணையை ஒட்டவும்]

AI கணக்கீடு செய்கிறது; கூடுதலாக, மூல தரவு திறந்த கருவிக்கு வெளியீடு ஆகும். இரட்டை ஆபத்து.

சக்திவாய்ந்த தூண்டுதல்:

நான் Python (pandas + scipy) ஐப் பயன்படுத்துகிறேன். எனது தரவுச்சட்டம்: [அடையாளம் தெரியாத நெடுவரிசை வரையறை]. நான் இரண்டு குழுக்களை ஒப்பிட விரும்புகிறேன். (1) அனுமானங்களைச் சரிபார்க்கிறது, (2) பொருத்தமான சோதனையைப் பயன்படுத்துகிறது, (3) விளைவு அளவைக் கணக்கிடுகிறது என்று விளக்கப்பட்ட குறியீட்டை எழுதவும். எனது சொந்த தரவுகளுடன் அதை இயக்கி முடிவைப் புகாரளிப்பேன். நீங்கள் எண்ணை உருவாக்க வேண்டாம்; குறியீடு மற்றும் கருத்துகளை மட்டும் கொடுங்கள்.

வணிகம்

AI செய்கிறது

நீங்கள் செய்கிறீர்கள்

தேர்வு தேர்வு

விருப்பம் + நியாயப்படுத்துதல்

அனுமான சோதனை, முடிவு

பகுப்பாய்வு குறியீடு

வரைவு குறியீடு

உள்ளூரில் இயங்கி வாசிப்பது

எண் கணக்கீடு

கூடாது

மென்பொருள் மூலம் கணக்கீடு

வெளியீடு கருத்து

எளிய மொழி அவுட்லைன்

சொந்த பிரிண்ட்அவுட் மூலம் உறுதிப்படுத்தவும்

தரமான குறியீட்டு முறை

தீம் வேட்பாளர்

மூல தரவுகளுடன் சரிபார்ப்பு

பொதுவான தவறுகள்

• திறந்த கருவியில் மூல/அடையாளப்படுத்தப்பட்ட தரவைப் பதிவேற்றுகிறது. பங்கேற்பாளரின் ரகசியத்தன்மை மீறப்படுகிறது; மிகப்பெரிய தவறு.
• AI எண்களைக் கணக்கிடச் செய்கிறது. உருவாக்கப்பட்ட புள்ளிவிவரங்களை உருவாக்குகிறது; மென்பொருள் கணக்கீடு செய்கிறது.
• குறியீட்டைப் படிக்காமல் இயக்குகிறது. அமைதியான பிழை அறிக்கையில் கசிகிறது.
• p-ஹேக்கிங். அர்த்தமுள்ள முடிவுகளைக் கண்டறிய சோதனைகளை முயற்சிப்பது நெறிமுறை மீறலாகும்.
• தரமான விளக்கத்தை AIக்கு விட்டுவிடுகிறோம். ஆராய்ச்சியாளர் கன்ஸ்ட்ரக்ட்ஸ் பொருள்; AI வடிவங்களை மட்டுமே பரிந்துரைக்கிறது.

உதவிக்குறிப்பு: நீங்கள் எழுத்துப்பூர்வமாக பயன்படுத்தும் ஒவ்வொரு சோதனைக்கும் உங்கள் பகுப்பாய்வுத் திட்டத்தையும் நியாயத்தையும் வைத்திருங்கள். இவை இரண்டும் பி-ஹேக்கிங்கிலிருந்து பாதுகாக்கிறது மற்றும் முறைப் பகுதியை எழுதும் போது தயாராக பதிவை வழங்குகிறது.

சுருக்கமாக

குறியீட்டு வரைவு, சோதனைத் தேர்வு ஆலோசனை, வெளியீட்டு விளக்கம் மற்றும் தரமான தீம் பரிந்துரையுடன் தரவு பகுப்பாய்வை AI பெரிதும் துரிதப்படுத்துகிறது. ஆனால் பகுப்பாய்வு என்பது அகாடமியின் மிக நுட்பமான துல்லியமான பகுதி: மூல தரவு ரகசியமாக வைக்கப்படுகிறது, கணக்கீடுகள் மென்பொருளில் செய்யப்படுகின்றன, ஒவ்வொரு எண் முடிவும் கையால் சரிபார்க்கப்படுகிறது, தரமான விளக்கம் மூல தரவுகளுடன் பிணைக்கப்பட்டுள்ளது மற்றும் பி-ஹேக்கிங் தவிர்க்கப்படுகிறது. மிகக் குறுகிய விதி: குறியீடு மற்றும் விளக்கம் AI இலிருந்து வந்தவை, கணக்கீடு மற்றும் முடிவு உங்களிடமிருந்து.

விண்ணப்ப பணி

உங்கள் சொந்த (அல்லது மாதிரி) தரவின் கட்டமைப்பை அநாமதேயமாக விவரித்து, பொருத்தமான சோதனைப் பரிந்துரை மற்றும் கருத்துரைக்கப்பட்ட பகுப்பாய்வுக் குறியீட்டை AIயிடம் கேட்கவும். குறியீட்டைப் படித்து, ஒவ்வொரு வரியும் என்ன செய்கிறது என்பதை ஒரு வாக்கியத்தில் எழுதுங்கள். குறியீட்டை இயக்கி வெளியீட்டைப் பெறவும், முடிந்தால் குறைந்தபட்சம் ஒரு முடிவை இரண்டாவது வழியில் (கை அல்லது பிற கருவி மூலம்) சரிபார்க்கவும். நீங்கள் தரமான முறையில் பணிபுரிகிறீர்கள் எனில், அநாமதேய மேற்கோள்களின் தொகுப்பிற்கு ஒரு கருப்பொருளைப் பரிந்துரைத்து, அவற்றை மூல தரவுகளுடன் ஒப்பிடவும்.

சரிபார்ப்பு பட்டியல்

• [ ] நான் மூல/அடையாளப்படுத்தப்பட்ட தரவை எந்த திறந்த கருவிகளிலும் ஏற்றவில்லையா?
• [ ] அனுமானங்களைச் சரிபார்த்து நான் சோதனைத் தேர்வை உறுதி செய்துள்ளேனா?
• [ ] நான் குறியீட்டைப் படித்து புரிந்துகொண்டு அதை உள்நாட்டில் இயக்கியுள்ளேனா?
• [ ] ஒவ்வொரு எண்ணியல் முடிவு மென்பொருளையும்/இரண்டாம் நிலையையும் நான் சரிபார்த்திருக்கிறேனா?
• [ ] நான் தரமான கருப்பொருள்களை மூல மேற்கோள்களுடன் இணைத்திருக்கிறேனா?