กำไร:
- ความสามารถในการรายงานการค้นพบเชิงประจักษ์ไปยังกลุ่มเป้าหมาย (เชิงวิชาการ นโยบาย การจัดการ) ด้วยการสนับสนุนของปัญญาประดิษฐ์ ในภาษาที่ซื่อสัตย์และไม่คลุมเครือ
- ความสามารถในการเขียนข้อสรุป ข้อจำกัด และข้อความทางจริยธรรมได้อย่างสมบูรณ์ (การรักษาความลับของข้อมูล ความขัดแย้งทางผลประโยชน์ การเปิดเผยการใช้ปัญญาประดิษฐ์) และหลีกเลี่ยงการนำเสนอที่ทำให้เข้าใจผิด
- ความสามารถของปัญญาประดิษฐ์ในการจดจำร่างรายงานที่สร้างภาษาที่เกินจริง ฝ่ายเดียวหรือเชิงสาเหตุ และรักษาความรับผิดชอบสำหรับข้อความสุดท้ายและการอ้างสิทธิ์นั้นเป็นหน้าที่ของผู้วิจัย
การสอบโมดูล
1. นักวิจัยถามว่า 'ค่าสัมประสิทธิ์สหสัมพันธ์ระหว่างการว่างงานและอัตราเงินเฟ้อในตุรกีระหว่างปี 2015 ถึง 2020 เป็นเท่าใด' โดยไม่ต้องให้ข้อมูลใดๆ แก่ปัญญาประดิษฐ์ เขาถามและเขียนหมายเลข 0.62 ลงในบทความของเขาโดยตรง อะไรคือข้อผิดพลาดพื้นฐานในแนวทางนี้?
- A) คาดหวังสถิติที่เป็นรูปธรรมจากปัญญาประดิษฐ์โดยไม่ต้องให้ข้อมูลที่ได้รับการยืนยัน ✔ การใช้ตัวเลขที่อาจสร้างขึ้นโดยไม่ได้ตรวจสอบ
- B) ไม่ควรใช้สัมประสิทธิ์สหสัมพันธ์ในบทความ
- C) ไม่สามารถคำนวณความสัมพันธ์ระหว่างการว่างงานและอัตราเงินเฟ้อได้
- D) ปัญญาประดิษฐ์สามารถเข้าถึงข้อมูลได้หลังจากปี 2020 เท่านั้น
คำอธิบาย: โมเดลภาษา AI ไม่สามารถสร้างสถิติโดยไม่ต้องเข้าถึงชุดข้อมูล ตัวเลขที่เขาให้น่าจะเป็นภาพหลอน (ปลอมแปลง) ค่าสัมประสิทธิ์ อัตราส่วน และผลการทดสอบควรคำนวณจากข้อมูลที่ผู้วิจัยตรวจสอบเอง ไม่ใช่จากหน่วยความจำของแบบจำลอง
2. ข้อมูลที่ขาดหายไป 'ไม่สูญหายแบบสุ่ม' (MNAR) หมายความว่าอย่างไร และเหตุใดจึงสำคัญ
- A) ข้อบกพร่องเกิดจากมูลค่าที่ไม่มีใครสังเกตได้ นั่นเป็นเหตุผลที่การมอบหมายงานง่ายๆ สามารถสร้างอคติได้ ✔
- B) ข้อมูลหายไปแบบสุ่มโดยสิ้นเชิงและไม่สร้างอคติใดๆ
- C) ข้อมูลที่ขาดหายไปควรได้รับการแก้ไขโดยการลบแถวออกเสมอ
- D) ข้อมูลที่หายไปจะไม่ส่งผลกระทบต่อการวิเคราะห์แต่อย่างใด
คำอธิบาย: ในกรณีของ MNAR (Missing Not At Random) การหายไปนั้นขึ้นอยู่กับขนาดของมูลค่าที่ตรวจไม่พบ (เช่น ผู้มีรายได้สูงไม่รายงานรายได้) ในกรณีนี้ การลบอย่างง่ายหรือการกำหนดค่าเฉลี่ยจะให้ผลลัพธ์ที่ไม่เอนเอียง จะต้องจำลองกลไกของความบกพร่อง วิธีการมอบหมายที่แนะนำโดยปัญญาประดิษฐ์ไม่ควรนำไปใช้แบบสุ่มสี่สุ่มห้าโดยไม่ทราบกลไกนี้
3. นักวิเคราะห์ให้ AI สร้างแผนภูมิแท่ง และ AI จะเริ่มต้นแกน y ที่ 40 แทนที่จะเป็นศูนย์ ความแตกต่างที่แท้จริง 2% ระหว่างทั้งสองกลุ่มดูใหญ่มากบนกราฟ แนวทางที่ถูกต้องคืออะไร?
- A) การเริ่มต้นแกนตั้งแต่เริ่มต้นหรือการเปลี่ยนประเภทแผนภูมิ ✔เพื่อให้เห็นขนาดที่แท้จริงของความแตกต่างโดยไม่ทำให้เข้าใจผิด
- B) การใช้แผนภูมิตามที่เป็นอยู่เนื่องจาก AI เป็นตัวเลือกที่ดีที่สุด
- C) เริ่มต้นแกนที่ 45 เพื่อสร้างความแตกต่างให้ใหญ่ขึ้น
- D) ห้ามใช้ภาพแทนแผนภูมิแท่ง
คำอธิบาย: ในแผนภูมิแท่ง แกนประ (แกน y ที่ไม่ได้เริ่มจากศูนย์) ทำให้เกิดความเข้าใจผิดด้วยการพูดเกินจริงถึงความแตกต่างเล็กๆ น้อยๆ ในการแสดงภาพอย่างตรงไปตรงมา แกนของแผนภูมิแท่งควรเริ่มต้นจากศูนย์ หรือควรระบุความแตกต่างอย่างชัดเจน นักวิเคราะห์มีหน้าที่ตรวจสอบภาพและแก้ไขหากจำเป็น
4. ความจริงที่ว่าค่าสัมประสิทธิ์มีนัยสำคัญ (p<0.05) ในการถดถอยเชิงเส้นมักถูกบิดเบือนในการตีความปัญญาประดิษฐ์อย่างไร
- A) การนำเสนอนัยสำคัญเกินจริงเนื่องจากผลกระทบมีขนาดใหญ่และมีความสำคัญ หรือมีการสร้างสาเหตุขึ้นมา ✔
- B) นัยสำคัญบ่งชี้เสมอว่าผลกระทบมีน้อย
- C) p<0.05 พิสูจน์ว่าสัมประสิทธิ์ถูกต้องอย่างแน่นอน
- D) ไม่ควรรายงานค่าสัมประสิทธิ์ที่มีนัยสำคัญ
คำอธิบาย: นัยสำคัญทางสถิติเกี่ยวข้องกับความแข็งแกร่งของหลักฐานที่แสดงว่าผลกระทบแตกต่างจากศูนย์ ไม่ได้หมายความว่าผลกระทบจะมีขนาดใหญ่ สำคัญ หรือเป็นเหตุ AI มักนำเสนอคำว่า 'สำคัญ' เป็น 'ผลกระทบที่สำคัญ/รุนแรง' ผู้วิจัยควรประเมินขนาดผลกระทบ ช่วงความเชื่อมั่น และบริบท
5. คำว่า 'p-hacking' หมายถึงอะไร และเหตุใด AI จึงทำให้ง่ายขึ้นได้
- ก) พยายามวิเคราะห์หลายๆ ครั้งจนกว่าจะสมเหตุสมผล AI ทำสิ่งนี้ได้เร็วมาก เพิ่มความเสี่ยง ✔
- B) การวิเคราะห์ข้อมูลเพียงครั้งเดียวและมีแผนที่กำหนดไว้ล่วงหน้า
- C) ขยายตัวอย่างเพื่อเพิ่มค่า p
- D) การรายงานเฉพาะสถิติเชิงพรรณนา
คำอธิบาย: p-hacking กำลังลองใช้ตัวแปร ตัวอย่างย่อย การแปลง หรือแบบจำลองที่แตกต่างกัน จนกระทั่งผลลัพธ์ที่มีความหมายปรากฏ สิ่งนี้สร้างการค้นพบปลอมโดยอาศัยโอกาส เนื่องจาก AI สามารถลองใช้โมเดลต่างๆ ได้หลายสิบแบบในไม่กี่วินาที จึงสามารถเร่งการ p-hacking ได้โดยไม่ต้องวางแผนอย่างตรงไปตรงมา กลาโหม; การลงทะเบียนล่วงหน้า แผนการวิเคราะห์คงที่ และการแก้ไขการเปรียบเทียบหลายรายการ
6. เหตุใดการค้นหาการถดถอย R-squared ที่สูงระหว่างอนุกรมเวลาที่ไม่คงที่ (รูทหน่วย) สองอนุกรมจึงทำให้เข้าใจผิด
- A) การถดถอยปลอมอาจเกิดขึ้นเนื่องจากแนวโน้มทั่วไป ✔เอาต์พุต R-squared สูงโดยไม่มีความสัมพันธ์ที่แท้จริง
- B) ค่า R-squared ที่สูงจะพิสูจน์ความสัมพันธ์เชิงสาเหตุที่แข็งแกร่งเสมอ
- C) อนุกรมที่ไม่อยู่กับที่ไม่สามารถเข้าสู่การถดถอยได้เลย
- D) ไม่สามารถคำนวณ R-squared ในอนุกรมเวลาได้
คำอธิบาย: หากไม่มีความสัมพันธ์ร่วมกันระหว่างอนุกรมที่ไม่อยู่กับที่ การถดถอยปลอมอาจทำให้เกิดค่า R-squared สูงและมีค่าสัมประสิทธิ์ที่มีนัยสำคัญเนื่องจากแนวโน้มทั่วไปเท่านั้น ในขณะที่ไม่มีความสัมพันธ์ที่แท้จริง ดังนั้น ควรทำการทดสอบความคงตัวและการทดสอบรากของหน่วยก่อน และหากจำเป็น ควรทำการทดสอบความแตกต่างหรือการทดสอบการรวมเข้าด้วยกัน
7. ข้อสันนิษฐานพื้นฐานใดที่อิงตามความถูกต้องของการออกแบบส่วนต่างในความแตกต่าง
- A) สมมติฐานแนวโน้มคู่ขนาน: กลุ่มต่างๆ จะเดินไปในทิศทางเดียวกันหากไม่มีการแทรกแซง ✔
- B) กลุ่มการรักษาและกลุ่มควบคุมเหมือนกันทุกประการตั้งแต่เริ่มต้น
- C) การกระจายตัวอย่างตามปกติ
- D) ตัวแปรไม่มีข้อมูลที่ขาดหายไป
คำอธิบาย: DiD สันนิษฐานว่าหากไม่มีการแทรกแซง ตัวแปรผลลัพธ์สำหรับกลุ่มการรักษาและกลุ่มควบคุมจะดำเนินไปพร้อมกันเมื่อเวลาผ่านไป (สมมติฐานแนวโน้มขนาน) หากไม่เป็นไปตามสมมติฐานนี้ การประมาณการจะมีอคติ AI สามารถสร้างโค้ด DiD ได้ แต่เป็นหน้าที่ของนักวิจัยในการปกป้องและทดสอบแนวโน้มคู่ขนาน
8. ข้อใดต่อไปนี้เป็นแนวทางปฏิบัติภาคบังคับสำหรับการวิเคราะห์ที่ทำซ้ำได้
- A) แก้ไขเมล็ดในขั้นตอนสุ่ม บันทึกเวอร์ชันแพ็คเกจและโค้ด ✔
- B) คัดลอกผลลัพธ์ไปยังสเปรดชีตด้วยตนเองและลบโค้ด
- C) เป็นเรื่องปกติที่จะเห็นผลลัพธ์ที่แตกต่างกันในการวิ่งแต่ละครั้ง
- D) เก็บเฉพาะกราฟิกขั้นสุดท้าย โดยไม่แชร์ข้อมูลและโค้ด
คำอธิบาย: การทำซ้ำ; ผลลัพธ์เดียวกันสามารถรับได้อีกครั้งด้วยข้อมูลและรหัสเดียวกัน การแก้ไข seed ในขั้นตอนแบบสุ่ม บันทึกเวอร์ชันแพ็คเกจ และรันโค้ดภายในเอกสาร (การเขียนโปรแกรมเชิงวรรณกรรม) ถือเป็นรากฐานสำคัญของสิ่งนี้ การคัดลอกผลลัพธ์ด้วยตนเองหรือตามการคลิก ขั้นตอนการไม่บันทึกจะทำให้ความสามารถในการทำซ้ำลดลง
9. อะไรแบบเฮเทอโรสเคดาสติซิตีบิดเบือนการถดถอยเชิงเส้น และอะไรคือวิธีแก้ปัญหาทั่วไปของมัน?
- A) มันบิดเบือนข้อผิดพลาดมาตรฐาน; วิธีแก้ไขคือข้อผิดพลาดมาตรฐานที่แข็งแกร่งหรือการเปลี่ยนแปลงที่เหมาะสม ✔
- B) ทำให้การประมาณค่าสัมประสิทธิ์เป็นโมฆะโดยสิ้นเชิงและไม่มีวิธีแก้ไข
- C) ลด R-squared ให้เป็นศูนย์เสมอ
- D) เกิดขึ้นเฉพาะในกรณีที่ตัวอย่างมีขนาดเล็กมากและสามารถละเว้นได้
คำอธิบาย: Heteroscedasticity ทำให้ค่าสัมประสิทธิ์การประมาณค่าเป็นกลางแต่คำนวณข้อผิดพลาดมาตรฐานผิด สิ่งนี้ทำให้ค่า p และช่วงความเชื่อมั่นไม่น่าเชื่อถือ วิธีแก้ไขทั่วไปคือการใช้ข้อผิดพลาดมาตรฐานที่ทนทาน/HC หรือการแปลงที่เหมาะสม ต้องตรวจสอบว่าโซลูชันที่ AI แนะนำสามารถแก้ไขปัญหาได้จริงแทนที่จะซ่อนไว้
10. นักวิจัยอัปโหลดไมโครดาต้าที่มีข้อมูลการระบุตัวตนระดับผู้ป่วยและรายได้ลงในเครื่องมือแชท AI สาธารณะและพูดว่า 'ทำการถดถอย' ปัญหาหลักของพฤติกรรมนี้คืออะไร?
- A) การอัปโหลดข้อมูลส่วนบุคคล/ข้อมูลที่ได้รับอนุญาตไปยังเครื่องมือภายนอกถือเป็นการละเมิดการรักษาความลับและสัญญา ✔
- B) การถดถอยไม่สามารถทำได้ด้วยปัญญาประดิษฐ์เลย
- C) ข้อมูลขนาดเล็กไม่เหมาะสำหรับการถดถอยเลย
- D) AI คำนวณการถดถอยผิดเสมอ
คำอธิบาย: ข้อมูลส่วนบุคคล/ข้อมูลพิเศษ เช่น ตัวตนและรายได้ ได้รับการคุ้มครองภายใต้ KVKK/GDPR และข้อตกลงการใช้ข้อมูลส่วนใหญ่ การอัปโหลดไปยังอุปกรณ์ภายนอกที่สามารถจัดเก็บข้อมูลถือเป็นการละเมิด วิธีที่ถูกต้อง การทำให้ข้อมูลไม่ระบุชื่อ โดยใช้เครื่องมือรักษาความปลอดภัยในพื้นที่/สถาบัน หรือเพียงแค่ขอรหัสจากปัญญาประดิษฐ์และเรียกใช้โค้ดในสภาพแวดล้อมของตนเอง
11. จะสังเกตอะไรได้บ้างเมื่อค่าพหุคอลลิเนียริตี้สูง?
- A) ค่าสัมประสิทธิ์ไม่เสถียรและข้อผิดพลาดมาตรฐานสูงเกินจริง ค่าสัมประสิทธิ์ส่วนบุคคลอาจกลายเป็นสิ่งไร้ความหมาย✔
- B) R-squared จะลดลงเหลือศูนย์เสมอ
- C) การประมาณค่าสัมประสิทธิ์จะมีความแม่นยำมากขึ้นตลอดเวลา
- D) ขนาดของตัวแปรตามการเปลี่ยนแปลง
คำอธิบาย: ในระดับพหุคอลลิเนียร์สูง ตัวแปรอิสระมีความสัมพันธ์กันอย่างมาก การประมาณค่าสัมประสิทธิ์ไม่เสถียร ข้อผิดพลาดมาตรฐานสูงเกินจริง และค่าสัมประสิทธิ์แต่ละรายการอาจมีนัยสำคัญเล็กน้อย ในขณะที่แบบจำลองโดยรวมอาจมีนัยสำคัญ ได้รับการวินิจฉัยตามเกณฑ์เช่น VIF ปัญญาประดิษฐ์อาจแนะนำการกำจัดตัวแปร แต่ขึ้นอยู่กับผู้วิจัยที่จะตัดสินใจว่าตัวแปรใดควรยังคงเป็นทฤษฎี
12. พลังงานทางสถิติคืออะไร และความเสี่ยงของการศึกษาพลังงานต่ำคืออะไร?
- A) ความเป็นไปได้ในการตรวจจับผลกระทบที่มีอยู่ พลังงานต่ำพลาดเอฟเฟกต์ที่แท้จริงและทำให้การค้นพบไม่น่าเชื่อถือ ✔
- B) ความน่าจะเป็นที่จะลดค่า p; พลังงานที่ต่ำกว่าจะให้ผลลัพธ์ที่เชื่อถือได้มากกว่าเสมอ
- C) ค่าคงที่ที่ไม่ขึ้นกับขนาดตัวอย่าง
- D) แนวคิดที่ใช้ได้เฉพาะเมื่อมีการใช้ปัญญาประดิษฐ์เท่านั้น
คำอธิบาย: กำลังคือความน่าจะเป็นในการตรวจจับผลกระทบที่มีอยู่จริง (ข้อผิดพลาด 1 ลบประเภท II) การศึกษาที่ใช้พลังงานต่ำอาจพลาดผลกระทบที่แท้จริง นอกจากนี้ ผลลัพธ์ที่สำคัญบางรายการอาจมีขนาดเอฟเฟกต์เกินจริง ('คำสาปของผู้ชนะ') และอัตราผลบวกลวงเพิ่มขึ้น ดังนั้นการคำนวณกำลัง/ตัวอย่างจึงมีความสำคัญก่อนการวิเคราะห์
13. เหตุใดจึงจำเป็นตามหลักจริยธรรมที่จะต้องเปิดเผยการใช้ปัญญาประดิษฐ์ในบทความ?
- ก) เพื่อความโปร่งใสและความรับผิดชอบ; ✔ ผู้อ่านและผู้ตัดสินสามารถประเมินกระบวนการและความรับผิดชอบยังคงอยู่กับผู้เขียน
- B) การใช้ปัญญาประดิษฐ์จะทำให้ผลลัพธ์เป็นโมฆะโดยอัตโนมัติ
- C) ร้องขอโดยนิตยสารเพื่อวัตถุประสงค์ในการโฆษณาเท่านั้น
- D) การโอนลิขสิทธิ์คำอธิบายไปยังปัญญาประดิษฐ์
การเปิดเผยข้อมูล: ความโปร่งใสเป็นสิ่งจำเป็นเพื่อให้ผู้อ่านและผู้ตรวจสอบสามารถประเมินวิธีการสร้างผลลัพธ์ได้ ปัจจุบันวารสารและสถาบันหลายแห่งกำหนดให้มีการเปิดเผยการใช้ AI นอกจากนี้ เนื่องจากปัญญาประดิษฐ์สามารถก่อให้เกิดข้อผิดพลาด/ภาพหลอนได้ จึงเป็นเรื่องของความซื่อสัตย์ที่จะระบุว่าความรับผิดชอบยังคงอยู่กับผู้เขียนและขั้นตอนใดที่ได้รับการตรวจสอบ
14. 'ข้อจำกัดการยกเว้น' ต้องการอะไรในวิธีตัวแปรเครื่องมือ (IV)
- A) เครื่องมือส่งผลต่อผลลัพธ์ผ่านตัวแปรภายในเท่านั้น ไม่มีวิธีอื่นโดยตรง ✔
- B) เครื่องมือไม่มีความสัมพันธ์กับตัวแปรผลลัพธ์
- C) เครื่องมือไม่เกี่ยวข้องกับตัวแปรภายนอก
- D) ค่าเฉลี่ยจะเป็นตัวแปรไบนารี่ (0/1) เสมอ
คำอธิบาย: ข้อจำกัดการแยกกำหนดให้เครื่องมือส่งผลต่อตัวแปรผลลัพธ์ผ่านตัวแปรอธิบายภายนอกเท่านั้น และไม่ผ่านวิธีการโดยตรงอื่นใดหรือปัจจัยที่ไม่มีใครสังเกตได้ สมมติฐานนี้ไม่สามารถทดสอบได้อย่างสมบูรณ์จากข้อมูล ได้รับการปกป้องบนพื้นฐานของทฤษฎีและสถาบัน AI อาจเขียนโค้ด IV แต่เป็นหน้าที่ของนักวิจัยในการปกป้องความถูกต้องของเครื่องมือ
15. ปัญหา 'สวนแห่งทางแยก' มีความหมายอย่างไรในการวิเคราะห์ที่ยืดหยุ่นโดยไม่ต้องลงทะเบียนล่วงหน้า
- A) ตัวเลือกการวิเคราะห์ที่สมเหตุสมผลมากเกินไปซึ่งอิงจากข้อมูลจะเพิ่มอัตราการบวกลวง แม้จะไม่ได้ตั้งใจก็ตาม ✔
- B) วิธีการวิเคราะห์ต้องเป็นแบบเดียวและบังคับ
- C) ปัญหาที่เกิดขึ้นเมื่อจงใจโกงเท่านั้น
- D) สถานการณ์ที่หายไปเองตามธรรมชาติเมื่อกลุ่มตัวอย่างเติบโตขึ้น
คำอธิบาย: หลังจากดูข้อมูลแล้ว ผู้วิจัยสามารถเลือกที่เหมาะสมได้หลายประการเกี่ยวกับตัวแปร กลุ่มย่อย การแปลง หรือเกณฑ์ที่จะใช้ แม้ว่าจะไม่มี 'การแฮ็กโดยเจตนา' เพียงครั้งเดียว ความยืดหยุ่นนี้จะเพิ่มอัตราผลบวกลวง เนื่องจากอัตราที่สำคัญได้รับเลือกอย่างมีประสิทธิภาพจากการวิเคราะห์จำนวนมาก การลงทะเบียนล่วงหน้าและแผนการวิเคราะห์แบบคงที่จำกัดความยืดหยุ่นนี้