End-to-End Workflow, Pamamahala at Responsableng Paggamit — Artipisyal na Katalinuhan sa Sosyolohiya at Pananaliksik sa Panlipunan

Mga nadagdag:

Kakayahang magplano ng pananaliksik bilang isang magkakaugnay na anim na yugto ng daloy ng trabaho mula sa disenyo hanggang sa dokumentasyon
Kakayahang matukoy ang ligtas na limitasyon sa paggamit ng artificial intelligence sa bawat yugto at i-verify ang nakaraang output sa mga yugto ng paglipat
Kakayahang magtatag ng isang responsableng protocol ng paggamit sa antas ng pangkat at magsuri sa sarili ayon sa limang pangunahing prinsipyo

Sa nakaraang sampung unit, sinaklaw namin ang AI sa bawat yugto ng panlipunang pananaliksik: mga tanong at literatura, sampling, survey at quantitative analysis, qualitative coding at theme, mixed method, visualization, ethics, reproducibility, at writing. Pinagsasama-sama natin ang lahat sa huling yunit na ito. Ang layunin ay ikonekta ang mga indibidwal na kasanayan sa isang end-to-end na daloy ng trabaho—isang pare-pareho, secure, at tapat na proseso mula sa tanong sa pananaliksik hanggang sa na-publish na paghahanap. Lalampas din tayo sa isang indibidwal at pag-uusapan natin ang tungkol sa pamamahala: ang mga ibinahaging panuntunan para sa kung paano magagamit ng isang team, departamento, o institusyon ang AI nang responsable sa pagsasaliksik sa lipunan.

Ang halaga ng pag-iisip na end-to-end ay ang desisyong gagawin mo sa bawat yugto ay makakaapekto sa susunod. Ang isang biased sample ay hindi maaaring i-save kahit na sa pamamagitan ng isang perpektong pagsusuri; Ang isang hindi na-verify na pinagmulan ay pinabulaanan kahit ang pinakamahusay na pagsulat. Iyon ang dahilan kung bakit kinakailangang gumamit ng AI na may parehong mga prinsipyo sa bawat yugto: pakainin ito ng malalakas na mapagkukunan, i-verify ang bawat output, protektahan ang paghatol ng tao, pangalagaan ang etika at privacy nang maaga, idokumento ang proseso nang malinaw. Ang mga prinsipyong ito ay maaaring ibuod sa isang pangungusap: Pinapabilis ng AI ang pananaliksik, ngunit hindi pinapalitan ang mananaliksik.

Hakbang-hakbang: end-to-end na daloy

1. Disenyo (tanong + etika + sample). Magtatag ng mga malinaw na tanong, pag-apruba sa etika ng rework at pagpaplano ng pagiging kumpidensyal, at suriin ang pagiging kinatawan ng sample. Sa yugtong ito, nakakatulong ang AI sa pagpapaliit ng tanong at pag-screen ng etikal na panganib.

2. Pangongolekta ng datos (survey + interview). Maghanda ng matibay na survey at gabay sa pakikipanayam. AI catches question traps; Ang gawain ng pagkolekta ng data at ang relasyon ng kalahok ay sa iyo.

3. Pagproseso (paglilinis + coding + anonymization). I-anonymize, linisin, i-encode ang data. Gumagawa ang AI ng mga blueprint; Inaprubahan mo ang bawat desisyon at codebook.

4. Pagsusuri (quantitative + qualitative + triangulation). Patakbuhin ang mga istatistika sa pamamagitan ng programa, ikonekta ang mga tema sa mga quote, cross-validate ang mga natuklasan. Ipinapaliwanag ng AI ang pamamaraan, hindi ang pagkalkula.

5. Paglalahad (visualization + writing). Gumawa ng matapat na graphics at orihinal na teksto. Ang bawat pinagmulan at numero ay napatunayan; Ang papel ng AI ay ipinahayag.

6. Documentation (journal + prompt recording + sharing). Idokumento ang mga desisyon, senyas, at conversion at ibahagi ang hindi kilalang data at code kung maaari.

Tip: Magtabi ng end-to-end na checklist sa iyong desk. Magtanong sa bawat paglipat ng hakbang: "Na-validate ko na ba ang output ng hakbang na ito, ligtas ba ako sa sample/etikal/pinagmulan, wala ba akong iniwang bakas?" Ang pagkalasing sa isang yugto ay nagpapahina sa buong kadena.

tatlong mini case

Case 1 — Ang pinakamahina na link sa chain. Isang koponan ang gumawa ng mahusay na pagsusuri ng husay, ngunit ang kanilang sample ay nagmula sa isang online na grupo. Hindi mahalaga kung gaano kahusay ang kanilang pag-code, ang paghahanap ay natigil sa grupong ito. Aralin: ang kalidad ng end-to-end ay kasinghusay lamang ng pinakamahina na yugto; hindi maitatama sa pagsusuri ang bias sa disenyo.

Kaso 2 — Ang pamamahala ng pangkat ay gumana. Ang isang research center ay nagsulat ng isang karaniwang protocol ng paggamit ng AI para sa buong team: aling tool, kung aling data ang hindi nagpapakilala, kung aling hakbang sa pag-verify. Ang isang bagong dating na katulong ay nagtrabaho nang ligtas mula sa unang araw sa pamamagitan ng pagsunod sa protocol; Nabawasan ang mga personal na pagkakamali.

Case 3 — Nakuha ng transparent na chain ang tiwala ng referee. Isang artikulo ang nakalakip sa log ng desisyon, mga prompt na log, at pahayag ng AI. Napanood ng mga reviewer ang proseso mula simula hanggang katapusan at sumang-ayon, na nakitang "magagawa at tapat" ito. Ang transparency ay ang pandikit na nagtali sa lahat ng mga indibidwal na hakbang.

Apat na maaaring kopyahin na mga template

1) Pagbuo ng end-to-end na checklist:

Ang aking pananaliksik ay dadaan sa mga sumusunod na yugto: disenyo, pangongolekta ng datos, pagproseso, pagsusuri, presentasyon, dokumentasyon. Gumawa ng checklist para sa bawat yugto: saan ko magagamit ang AI nang ligtas sa yugtong iyon, anong output ang dapat kong i-verify, anong panganib sa etika/pribado ang dapat kong isaalang-alang, ano ang dapat kong idokumento? Ibigay ito sa isang mesa.

2) draft ng protocol ng Team AI:

Bumuo ng isang protocol sa paggamit ng AI para sa isang social research team. Isama ang: mga inaprubahang tool, panuntunan sa pag-anonymize ng data, kung saan pinapayagan/pinaghihigpitan/pinagbabawal ang roleAI, mga mandatoryong hakbang sa pag-verify, panuntunan sa deklarasyon ng AI, pananagutan. Sumulat ng simple at naaaksyunan na mga item.

3) Phase transition control:

Natapos ko ang [Phase X], lumipat ako sa [Phase Y]. Ilista ang mga bagay na kailangan kong suriin bago ang paglipat na ito: na-verify ko na ba ang output ng nakaraang yugto, nagdadala ba ako ng error (maling sample, hindi na-verify na pinagmulan, hindi sinusubaybayang desisyon) na sisira sa susunod na yugto? Handa na ba ako para sa paglipat, at kung hindi, ano ang dapat kong ayusin?

4) Responsableng paggamit ng self-assessment:

I-audit ang nakumpleto kong pananaliksik para sa responsableng paggamit ng AI. Mag-iskor at ituro ang mga kahinaan laban sa limang prinsipyong ito: (1) malakas na pagpapakain ng pinagmumulan, (2) pagpapatunay sa bawat output, (3) pagpapanatili ng paghatol ng tao, (4) etika at pagiging kumpidensyal, (5) transparent na dokumentasyon. Proseso: [buod]

Mahinang prompt / Malakas na prompt

Mahinang prompt:

Gawin ang pananaliksik na ito mula simula hanggang matapos gamit ang AI at tapusin ito.

Sinusubukan nitong ilipat ang lahat ng responsibilidad sa modelo. Resulta: biased sample, gawa-gawang pinagmulan, hindi na-verify na mga istatistika at isang hindi maipagtatanggol na text. Walang end-to-end na yugto ang ligtas.

Napakahusay na prompt:

Gusto kong planuhin ang aking pananaliksik mula dulo hanggang dulo. Sa bawat yugto (disenyo, data, pagproseso, pagsusuri, pagtatanghal, dokumentasyon), nagsisilbi itong roadmap kung saan ko magagamit ang AI nang ligtas, kung saan kinakailangan ang paghatol at pag-verify ng tao, at kung anong mga panganib sa etika at privacy ang dapat kong isaalang-alang. Tandaan na ako ay may pananagutan.

Ang pagkakaiba: ang pangalawang diskarte ay nagpoposisyon sa AI bilang isang kasama; Tinatanggap nito mula sa simula na ang mga desisyon at pagpapatunay ay pagmamay-ari ng mga tao.

End-to-end na responsableng mga patakaran sa paggamit

prinsipyo

Aplikasyon

Saang unit

Feed na may malakas na pinagmulan

Magbigay ng sarili mong data/source

1, 2

Itanong ang sample

Pag-audit ng representasyon at bias

Gawin ang pagkalkula sa programa

Ang paggawa ng AI ay gumagawa ng mga numero

panatilihin ang katapatan

I-link ang quote sa numero ng linya

Panatilihing bukas ang kontradiksyon

Triangulation, tapat na presentasyon

6, 7

Etika at privacy muna

Anonymise, na-verify na tool

Idokumento ang proseso

Diary, agarang pagre-record

Panatilihin ang pagka-orihinal

I-verify ang pinagmulan, ang iyong sariling boses

Mga karaniwang pagkakamali

Isinasaalang-alang ang mga yugto nang hiwalay at nakalimutan ang kadena. Ang bias sa isang yugto ay sumisira sa buong pag-aaral.
Paglilipat ng responsibilidad sa AI. Ang desisyon, pagpapatunay at etika ay laging nasa tao.
Walang mga karaniwang tuntunin sa koponan. Ang indibidwal na paggamit ay nagdudulot ng hindi pagkakapare-pareho at panganib.
Iniiwan ang dokumentasyon para sa huli. Ang bakas ay nananatili sa buong proseso; hindi na maalala mamaya.
Kapag natuto ka na at makapagpahinga. Ang responsableng paggamit ay isang disiplina na muling inilalapat sa bawat proyekto.

Sa buod

Ang tunay na halaga ng AI sa panlipunang pananaliksik ay nangyayari hindi sa mga indibidwal na gawain, ngunit sa isang pare-pareho at nananagot na daloy ng trabaho mula sa dulo hanggang sa dulo. Ilapat ang parehong mga prinsipyo sa bawat yugto, mula sa disenyo hanggang sa dokumentasyon: makapangyarihang pinagmumulan, i-verify ang bawat output, panatilihin ang paghatol ng tao, unahin ang etika at pagiging kumpidensyal, idokumento ang proseso nang malinaw. Ang isang karaniwang protocol sa antas ng pangkat ay ginagawang permanente ang mga prinsipyong ito. Ang kadena ay kasing lakas lamang ng pinakamahina nitong kawing; Huwag magpahinga sa anumang yugto. Pinapabilis ng AI ang pananaliksik, ngunit hindi nito pinapalitan ang paghatol, responsibilidad at integridad ng mananaliksik.

Gawain ng aplikasyon

Gumawa ng anim na hakbang na roadmap para sa iyong sariling proyekto sa pananaliksik (totoo o binalak) na may template na "end-to-end checklist generation". Sa bawat yugto, isulat kung saan mo gagamitin ang AI, kung ano ang iyong ibe-verify, at kung anong mga panganib sa etikal/privacy ang iyong isasaalang-alang. Pagkatapos ay gamitin ang template na "responsableng paggamit ng self-assessment" upang i-score ang iyong sarili laban sa limang prinsipyo, na tinutukoy ang iyong dalawang pinakamahinang punto at kung paano palakasin ang mga ito.

checklist

[ ] Pinlano ko ang pananaliksik bilang anim na yugto ng daloy mula dulo hanggang dulo.
[ ] Tinukoy ko ang limitasyon sa ligtas na paggamit ng AI sa bawat yugto.
[ ] Na-verify ko ang nakaraang output sa bawat yugto ng paglipat.
[ ] Pinapanatili ang etika, pagiging kumpidensyal at dokumentasyon sa kabuuan.
[ ] Mayroon akong self-assessed responsableng paggamit laban sa limang prinsipyo.

Pagsusulit sa Module

1. Alin sa mga sumusunod ang pinakatumpak na pagpoposisyon para sa artificial intelligence sa sosyolohiya at panlipunang pananaliksik?

A) Ang artificial intelligence ay makakasagot sa tanong sa pananaliksik, interpretasyon at etikal na desisyon sa sarili nitong walang pag-apruba ng tao.
B) Gumagana lamang ang artificial intelligence sa pagbubuod ng teksto, wala itong kinalaman sa iba pang mga yugto ng pananaliksik
C) Ang artificial intelligence ay isang buod, transcript, code at draft assistant; Ang responsibilidad para sa interpretasyon, balangkas at etikal na desisyon ay nakasalalay sa mananaliksik ✔
D) Dahil ang artipisyal na katalinuhan ay palaging mas walang kinikilingan kaysa sa mga tao, ang interpretasyon ay dapat na ipaubaya nang buo dito.

Paglalarawan: Artipisyal na katalinuhan; ay isang katulong na nagbubuod ng mga teksto, nag-e-edit ng mga transcript, nagmumungkahi ng code at nagsusulat ng mga draft. Ang pananagutan para sa kritikal na gawain tulad ng tanong sa pananaliksik, teoretikal na balangkas, halimbawang paghatol, interpretasyon at etikal na desisyon ay pag-aari ng mananaliksik; Ang isang hindi na-verify na output ay maaaring humantong sa isang maling sanggunian, gawa-gawang istatistika, o maling pag-ttribute.

2. Bakit mapanganib na direktang sabihin sa artificial intelligence na 'ilista ang 10 pinakamahalagang artikulo sa paksang ito na may bibliograpiya' kapag ini-scan ang panitikan?

A) Ang AI ay maaaring gumawa ng mga mapagkukunan, may-akda, at DOI na mukhang makatotohanan ngunit hindi umiiral; Dapat mong mahanap ang pinagmulan mula sa database ✔
B) Ang artificial intelligence ay gumagana nang napakabagal at nag-aaksaya ng oras kapag naglilista ng mga mapagkukunan
C) Nami-miss ng artificial intelligence ang Turkish literature dahil mahahanap lang nito ang English sources
D) Lumalago ang listahan habang inuulit ng artificial intelligence ang parehong pinagmulan nang maraming beses

Paglalarawan: Ang pagsusuri sa panitikan ay ang gawain kung saan ang AI ay gumagawa ng pinakamaraming guni-guni; Maaaring gumawa ng mga artikulo, may-akda at DOI na mukhang makatotohanan ngunit wala. Ang paghahanap ng mga mapagkukunan ay ang trabaho ng mga database; Dapat lang i-synthesize ng AI ang mga aktwal na buod na makikita mo.

3. Sa mga tuntunin ng kung aling problema ang 78% na kasiyahan ay magreresulta sa isang survey na nai-post sa website ng isang munisipalidad ay dapat bigyang-kahulugan nang maingat?

A) Mali ang pagkalkula ng porsyento; Ang mga rate ng kasiyahan ay hindi kailanman maaaring ipahayag bilang isang solong numero
B) Dahil masyadong mahaba ang survey, nainip ang mga kalahok at random na sumagot
C) Imposible sa sosyolohikal na sukatin ang kasiyahan, kaya hindi wasto ang resulta
D) Ang sample ay nagdadala ng bias sa pagpili; Dahil ang mga gumagamit lamang ng site ang maaaring lumahok, ang paghahanap ay hindi maaaring pangkalahatan sa buong lipunan ✔

Paliwanag: Ang survey na nai-post sa website ay labis na kumakatawan sa mga gumagamit na ng site (na maaaring ma-access ang serbisyo at malamang na mas nasiyahan); Ito ay isang bias sa pagpili. Ang paghahanap ay maaari lamang gawing pangkalahatan sa 'mga gumagamit ng site' at hindi sa buong lipunan.

4. Bakit hindi ligtas na mag-paste ng 300-row na set ng data bilang text at sabihin sa AI na 'kalkulahin ang ibig sabihin'?

A) Dahil ang artificial intelligence ay makakabasa lamang ng hanggang 100 linya ng data, mas marami itong itinatapon
B) Ang modelo ng wika ay hindi isang calculator; Kapag ang paggawa ng aritmetika sa teksto ay maaaring makagawa ng mga maling numero, ang pagkalkula ay dapat gawin sa programa ✔
C) Ang average ay isang sociologically meaningless measure at hindi dapat kalkulahin.
D) Kapag nai-paste ang data bilang text, awtomatikong dine-delete ito ng AI

Paliwanag: Ang modelo ng wika ay hindi isang calculator at maaaring mali ang paggawa ng mean, porsyento, o p-value kapag nagsasagawa ng aritmetika sa teksto. Ang aktwal na pagkalkula ay dapat gawin sa isang statistical program o table; Ang AI ay dapat gamitin para sa pamamaraan at interpretasyon lamang.

5. Ano ang dapat gawin bago tanggapin ang isang quote na iminungkahi ng artificial intelligence sa qualitative theme analysis?

A) Kung ang quote ay mukhang matatas at kahanga-hanga, maaari itong direktang idagdag sa ulat
B) Kung ang haba ng quote ay hindi lalampas sa isang talata, hindi na kailangan para sa pagpapatunay
C) Dapat itong kumpirmahin sa numero ng linya na ang quote ay aktwal na lumalabas sa transcript ✔
D) Awtomatikong maaasahan ang quote dahil binanggit ng artificial intelligence ang pinagmulan

Paliwanag: Ang puso ng qualitative research ay ang katapatan sa sariling mga salita ng kalahok. Ang AI ay maaaring gumawa ng isang quote na matatas ngunit wala talaga sa transcript. Samakatuwid, ang bawat quote ay dapat na maiugnay at ma-verify sa aktwal na pahayag sa teksto at mas mabuti ang numero ng linya.

6. Kung, sa isang pag-aaral, 72% ang nagsasabing 'I recycle' sa isang survey, ngunit sa mga panayam karamihan sa kanila ay talagang nagsasabing ginagawa nila ito nang hindi regular, paano dapat pangasiwaan ang kontradiksyon na ito?

A) Hindi dapat itago ang kontradiksyon; ay dapat iharap bilang isang paghahanap na may mga posibleng paliwanag tulad ng pagkiling sa kagustuhan sa lipunan ✔
B) Ang data ng panayam ay dapat na itapon bilang hindi tumpak at tanging ang resulta ng survey ang dapat iulat
C) Ang datos ng sarbey ay dapat itapon dahil ito ay mali, ang panayam lamang ang dapat iulat
D) Ang parehong data ay dapat na alisin mula sa ulat dahil ang kontradiksyon ay nakakahiya

Paliwanag: Ang pagkakaiba sa pagitan ng quantitative at qualitative na mga natuklasan ay hindi isang depekto, ngunit kadalasan ang pinakamahalagang paghahanap. Ang kontradiksyon dito ay tumuturo sa isang kababalaghan tulad ng 'pagkiling sa kagustuhan sa lipunan' at dapat ipakita bilang isang paghahanap nang hindi itinatago ito.

7. Ano ang dapat gawin kung ang pagkakaiba sa pagitan ng dalawang grupo (51% vs 54%) ay parang isang 'higanteng puwang' sa isang graph na may y-axis na nagsisimula sa 50?

A) Ang tsart ay dapat na iwanang tulad ng dahil ang pagkakaiba ay mukhang malaki na
B) Ang pagkakaiba ay dapat na ganap na maitago sa pamamagitan ng pagpapakita ng isang average sa halip na dalawang grupo
C) Ang pagkakaiba ay dapat na gawing mas kahanga-hanga sa pamamagitan ng pagdaragdag ng isang three-dimensional na epekto sa graph.
D) Ang Y-axis ay dapat masimulan mula sa zero; ang pinutol na axis ay nililinlang ang mambabasa sa pamamagitan ng pagpapalabis ng maliliit na pagkakaiba ✔

Paliwanag: Ang isang pinutol na axis (hindi nagsisimula sa zero) ay nililinlang ang isang maliit na pagkakaiba sa pamamagitan ng paggawa nito na tila napakalaki. Sa isang matapat na bar chart, ang axis ay dapat magsimula sa zero; kaya ang pagkakaiba ay makikita sa tunay, maliit na sukat nito. Ang layunin ng visual ay hindi panghihikayat, ngunit tamang komunikasyon.

8. Bakit ang simpleng pagtanggal ng mga pangalan mula sa mga transcript ay kadalasang hindi sapat na anonymization?

A) Ang pagtanggal ng pangalan ay palaging sapat; walang ibang impormasyon ang nagpapakita ng pagkakakilanlan
B) Ang mga hindi direktang pagkakakilanlan (natatanging tungkulin, lokasyon, pambihirang tampok) ay maaaring magbigay ng isang tao na wala ang kanilang pangalan ✔
C) Ang anonymization ay kailangan lamang kung mayroong numero ng telepono
D) Ang pagtanggal ng mga pangalan ay walang kabuluhan dahil ginagawa nitong hindi nababasa ang teksto

Paliwanag: Ang pagtanggal lamang ng pangalan ay hindi sapat; Ang mga hindi direktang tagapaglarawan gaya ng 'ang tanging parmasyutiko sa kapitbahayan X' o 'ang tanging babaeng inspektor sa munisipalidad' ay maaaring magbigay sa tao nang mag-isa. Ang wastong anonymization ay nangangailangan ng pag-clear sa lahat ng direkta at hindi direktang pagkakakilanlan.

9. Bakit mahalagang itala ang mga senyas, ang modelong ginamit at ang petsa sa isang pagsusuri na isinagawa gamit ang artificial intelligence?

A) Dahil ito ay legal na obligasyon lamang, wala itong pang-agham na halaga
B) Ang mga senyas ay pinananatili para sa mga komersyal na kadahilanan dahil sila ay may copyright.
C) Ginagawa ang proseso na masusubaybayan at muling gawin; Kung hindi, ang 'sabi ng AI' ay hindi isang siyentipikong katwiran ✔
D) Ang pagpaparehistro ay isang pormalidad lamang dahil ang modelo ay palaging nagbibigay ng parehong sagot

Paliwanag: Ang mga modelo ng wika ay hindi nagbibigay ng eksaktong parehong sagot sa bawat oras; Kung ang mga senyas at impormasyon ng modelo ay hindi naitala, ang proseso ay magiging isang itim na kahon at walang sinuman (kahit ikaw) ang maaaring magparami ng gawa. Ang mga rekord na ito ay ang 'bill of materials' ng trabaho at ang batayan ng reproducibility.

10. Nasaan ang linya sa pagitan ng lehitimong paggamit ng artificial intelligence sa akademikong pagsulat at mga paglabag sa akademikong integridad?

A) Matutulungan ka ng AI na ipahayag ang iyong sariling nilalaman; Gayunpaman, isang paglabag para sa iyo na mag-isip para sa iyo at gumawa ng nilalaman at ipakita ito bilang iyong gawa ✔
B) Ang anumang tekstong ginawa ng artificial intelligence ay maaaring gamitin nang direkta, basta't tama ang grammar
C) Hangga't ang artificial intelligence ay nagdaragdag ng mga mapagkukunan, ang pagpi-print ng nilalaman dito ay ganap na walang problema.
D) Ang paggamit ng artificial intelligence ay ipinagbabawal sa lahat ng pagkakataon at hindi maaaring gamitin sa anumang yugto.

Pagbubunyag: Ang paggamit ng AI upang linawin ang iyong sariling draft at pagbutihin ang wika at istraktura ay lehitimo at ipinahayag na transparent. Ang pagkakaroon ng content na isinulat ng artificial intelligence at pagpapakita nito bilang sarili mong gawa ay parehong lumalabag sa pagka-orihinal at halos tiyak na gumagawa ng mga gawa-gawang source. Linya: Tinutulungan ka ng AI na ipahayag ang iyong mga iniisip, hindi ito nag-iisip para sa iyo.

11. Ano ang ibig sabihin ng prinsipyong 'End-to-end quality is down to the weakest stage' sa social research?

A) Ang huling yugto lamang, ang pagbabaybay, ay mahalaga; ang mga pagkakamali sa mga nakaraang yugto ay naitama sa pamamagitan ng pagbabaybay.
B) Ang mga yugto ay independyente sa bawat isa; Ang pagkakamali sa isa ay hindi nakakaapekto sa iba
C) Ang pinakamalakas na bahagi ay nagse-save sa buong kadena, kaya ang pagtutok sa isang yugto ay sapat na
D) Ang kahinaan sa isang yugto (biased sample, hindi na-verify na pinagmulan) ay hindi maaaring itama sa mga susunod na yugto at magpapahina sa buong pag-aaral ✔

Paliwanag: Ang desisyon sa bawat yugto ay nakakaapekto sa susunod: ang isang bias na sample ay hindi maaaring i-save kahit na sa pamamagitan ng isang perpektong pagsusuri; Ang isang hindi na-verify na pinagmulan ay pinabulaanan kahit ang pinakamahusay na pagsulat. Samakatuwid, ang parehong mga prinsipyo ng responsableng paggamit ay dapat ilapat sa bawat yugto, mula sa disenyo hanggang sa dokumentasyon.

12. Kung ang artificial intelligence ay nagbubuod ng isang transcript na iyong ibinigay at nagdagdag ng isang frame na wala sa teksto, tulad ng 'ang mga matatanda ay natatakot sa teknolohiya', ano ang isang halimbawa nito?

A) Ito ay isang tumpak na buod ng tunay na opinyon ng kalahok
B) Ito ay ang pagpapakilala ng isang stereotype na dala ng artificial intelligence mula sa sarili nitong data ng pagsasanay sa data ✔
C) Ito ay resulta ng isang istatistikal na pagsusulit sa kahalagahan
D) Ito ay patunay na ang anonymization ay matagumpay na naipatupad

Paliwanag: Ito ay isang halimbawa ng isang stereotype (stereotypical generalization) na dinadala ng AI mula sa mga tekstong pinagsanayan nito. Ang modelo ay maaaring magdagdag ng paghatol na hindi aktwal na naroroon sa data. Dapat tanggalin ng mananaliksik ang karagdagan na ito sa pamamagitan ng pagsasabing 'umaasa lamang sa mga pahayag sa teksto'.

13. Alin sa mga sumusunod ang isang mahusay na makitid na tanong sa pananaliksik?

A) Bakit nasa ganitong sitwasyon ang lipunan?
B) Masaya ba ang mga tao?
C) Ano ang mga dahilan ng mga estudyante sa unibersidad sa pagitan ng edad na 18-25 na hindi lumahok sa mga lokal na halalan? ✔
D) Ano ang kaugnayan sa pagitan ng social media at lahat ng bagay?

Paliwanag: Ang isang mahusay na tanong sa pananaliksik ay masasagot, limitado, at makabuluhan; Malinaw ang populasyon, konteksto at pokus nito. Sa halip na isang malawak na kahilingan tulad ng 'Bakit ang mga kabataan ay tumatalikod sa pulitika?', ang isang tanong na kinabibilangan ng isang partikular na pangkat ng edad, konteksto at konkretong pokus ay masasaliksik.

14. Bakit hindi totoo ang triangulation kung ang dalawang magkaibang online na survey ay kukuha ng mga kalahok mula sa parehong social media group at magbunga ng parehong resulta?

A) Ang dalawang mapagkukunan ay hindi independyente dahil nagmula sila sa parehong biased sample; ito ay paulit-ulit ng parehong bias ✔
B) Laging hindi kailangang gumamit ng dalawang survey, sapat na ang isang survey
C) Ang mga online na survey ay hindi kailanman gumagawa ng wastong data
D) Ang katotohanan na nagbibigay sila ng parehong resulta ay nagpapatunay na ang resulta ay ganap na tama.

Paliwanag: Ang triangulation ay cross-testing ng isang paghahanap na may tunay na independiyenteng mga mapagkukunan. Kung ang dalawang mapagkukunan ay nagmula sa parehong biased sample, ito ay nakaliligaw para sa kanila na 'kumpirmahin' ang isa't isa; ito ay isang pag-uulit ng parehong bias, hindi isang independiyenteng kumpirmasyon.