Mga nadagdag:
- Kakayahang makakita ng mga nangunguna, doble at hindi malinaw na mga bitag sa mga tanong sa survey at ikonekta ang bawat tanong sa isang konsepto
- Kakayahang magsagawa ng mga totoong istatistikal na kalkulasyon sa isang programa at gumamit lamang ng artificial intelligence para sa pagpili at interpretasyon ng pamamaraan
- Kakayahang makilala ang istatistikal na kahalagahan mula sa praktikal na kahalagahan at suriin ang mga pagpapalagay sa pagsubok
Ang quantitative research ay isang diskarte na sumusukat sa mga social phenomena gamit ang mga numero at sinusuri ang mga ito gamit ang mga istatistika: naghahanap ito ng mga sagot sa mga tanong tulad ng ilang tao, sa anong rate, anong pagkakaiba ang mayroon sa pagitan ng aling mga grupo. Ang pinakakaraniwang tool para sa diskarteng ito ay ang survey—isang paraan ng pagkolekta ng maihahambing na data mula sa malaking bilang ng mga tao na gumagamit ng mga karaniwang tanong. Ang pag-set up ng isang mahusay na survey at pag-analisa ng mga papasok na data nang tama ay nangangailangan ng kasanayan; Ang isang masamang tanong ay sumisira sa resulta mula pa sa simula. Sa unit na ito, matututunan mo kung paano gamitin ang AI upang magdisenyo ng mga tanong sa survey, bumuo ng mga timbangan (mga opsyon sa pagtugon na nagre-rate ng saloobin, hal. "lubos na sumasang-ayon ... lubos na hindi sumasang-ayon"), at pag-aralan ang papasok na data; ngunit matututunan mo kung bakit dapat mong panatilihin ang paghatol sa istatistika.
Kung saan ang AI ay pinakamahalaga sa quantitative analysis ay wala sa kalkulasyon mismo, ngunit sa pagpapaliwanag kung paano gagawin ang pagkalkula at kung ano ang ibig sabihin ng resulta. Maaaring magbalangkas ang AI ng code ng pagsusuri para sa iyo (hal. mga command na tumakbo sa R o Python), ipaliwanag sa simpleng wika kung kailan gagamit ng istatistikal na pagsubok, at tulungan kang bigyang-kahulugan ang output. Ngunit huwag magtiwala sa mga numerong nabuo ng AI "sa tuktok ng iyong ulo" sa teksto: ang modelo ng wika ay hindi isang calculator at maaaring makagawa ng maling mean, porsyento o p-value. Ang aktwal na pagkalkula ay ginagawa sa isang tunay na programa ng istatistika.
Hakbang-hakbang: mula sa survey hanggang sa pagsusuri
1. Iugnay ang bawat tanong sa isang konsepto. Ang bawat tanong na inilalagay mo sa survey ay dapat na sukatin ang isang konsepto sa iyong tanong sa pananaliksik. Huwag magdagdag ng mga tanong dahil lamang sa "ito ay magiging kawili-wili." Tinutulungan ka ng AI na suriin ang concept-question mapping sa isang table.
2. Tanggalin ang masasamang tanong. Nangunguna ("Nasisiyahan ka ba sa mahusay na serbisyong ito?"), dobleng tanong ("Mabilis at mura ba ang serbisyo?"), hindi malinaw ("Madalas mo bang nagustuhan ito?") na mga tanong ay nakakasira ng data. Ang AI ay mahusay sa pag-flag ng mga pitfall na ito sa iyong draft na survey.
3. Itatag ang iskala nang pare-pareho. Kung gumagamit ka ng Likert scale (isang 5- o 7-point na sukat ng kasunduan), panatilihing pare-pareho ang direksyon at mga rating sa kabuuan ng survey. Nahuhuli ng AI ang mga hindi pagkakapare-pareho.
4. I-clear ang data. Ang papasok na data ay maaaring maglaman ng mga nawawalang sagot, hindi pagkakapare-pareho, o dalawang talaan ng iisang tao. Maaaring ilista ng AI ang mga hakbang sa paglilinis at draft code; Ikaw ang magdesisyon.
5. Piliin ang tamang pagsusulit at I-INTERPRET ito. Pinaghahambing mo ba ang dalawang grupo, naghahanap ng isang relasyon? Ipinapaliwanag ng AI kung aling pagsubok ang angkop; Trabaho mong patakbuhin ang pagsubok sa programa at basahin at bigyang kahulugan ang output.
Pansin: Huwag sabihin sa AI "kalkulahin ang average ng data na ito" at direktang isulat ang resultang numero sa ulat. Ang modelo ng wika ay nagkakamali sa aritmetika. Ipagawa ang pagkalkula sa isang spreadsheet o programa ng istatistika; Gamitin lamang ang AI para sa pamamaraan at interpretasyon nito.
tatlong mini case
Case 1 — Naitama ang nangungunang tanong. Isang survey draft ang nagtanong "Gaano ka nasisiyahan sa serbisyo ng transportasyon ng ating matagumpay na munisipalidad?" May tanong siya. Minarkahan ng AI na ang pang-uri na "matagumpay" ay nagtulak sa sagot sa positibo. Ang tanong ay "Paano mo sinusuri ang serbisyo ng transportasyon ng munisipyo?" ay neutralisado at ang mga resulta ay mas balanse.
Case 2 — Nahuli ang maling kalkulasyon ng AI. Ang isang mananaliksik ay nag-paste ng 300 linya ng data bilang teksto sa AI at sinabing "hanapin ang average na edad"; Sabi ni YZ 34.2. Kapag ang parehong data ay inilagay sa isang talahanayan, ang aktwal na average ay 31.7. Ang AI ay nagkamali sa pagkalkula sa loob ng teksto; Naayos ito noong inilipat ang account sa programa.
Kaso 3 — Nilinaw ang pagpili ng pagsubok. Nais ng isang koponan na ihambing ang average na marka ng dalawang grupo ngunit hindi alam kung aling pagsubok ang gagamitin. Ipinaliwanag ni YZ na ang t-test (isang pagsubok na sumusubok kung ang pagkakaiba sa pagitan ng mga paraan ng dalawang grupo ay random) ay angkop para sa "dalawang independyenteng grupo, isang tuluy-tuloy na variable", nakalista ang kanyang mga pagpapalagay, at nagbigay ng draft ng code. Pinatakbo ng pangkat ang pagsubok sa programa at binigyang-kahulugan ang resulta.
Apat na maaaring kopyahin na mga template
1) Pag-audit ng tanong sa survey:
Suriin ang mga tanong sa survey sa ibaba. Suriin ang bawat tanong: ito ba ay nangunguna, ito ba ay isang dobleng tanong (dalawang bagay sa isang tanong), ito ba ay malabo, ang mga pagpipilian sa sagot ay nagsasapawan/nawawala? Ibigay ang problema at isang mas mahusay na bersyon magkatabi. Suriin kung pare-pareho ang direksyon ng sukat. Mga Tanong: [dito]
2) Concept-question mapping table:
Ang aking tanong sa pananaliksik: [tanong]. Aking mga pangunahing konsepto: [listahan]. Ayusin ang mga sumusunod na tanong sa survey sa isang talahanayan: anong konsepto ang sinusukat ng bawat tanong? Markahan ang mga tanong na hindi kumonekta sa anumang konsepto ("dagdag") at mga konsepto na walang mga tanong ("idle"). Poll: [dito]
3) Plano sa paglilinis ng data (code draft):
Mayroon akong dataset ng survey na may mga sumusunod na variable: [mga variable]. Bigyan mo ako ng data cleansing checklist at code draft MAY MGA COMMENT LINES para sa [R/Python]: nawawalang data, outlier, duplicate na record, hindi pare-parehong coding. Tatakbuhin ko ang code at i-verify ang output; Huwag gawin ang matematika.
4) Komento sa istatistika (Ginawa ko ang pagkalkula):
Nagpatakbo ako ng [pangalan ng pagsubok] at nakuha ko ang sumusunod na output: [output]. Bigyang-kahulugan ang resultang ito sa simpleng wika: kung ano ang ibig sabihin nito sa pagsasanay, tukuyin ang pagkakaiba sa pagitan ng istatistikal na kahalagahan at praktikal na kahalagahan, at ipaalala sa iyo kung aling mga pagpapalagay ang kailangang suriin. Huwag palakihin ang resulta; Sabihin mo rin sa akin ang iyong mga limitasyon.
Mahinang prompt / Malakas na prompt
Mahinang prompt:
Kalkulahin ang paraan ng mga pangkat sa data na ito at sabihin kung alin ang mas mataas. [500 linya ng data]
Sinusubukan ng AI na kalkulahin sa loob ng teksto at maaaring makagawa ng mga maling numero. Bukod dito, hindi mapagkakatiwalaan na sagutin ang tanong na "Mayroon bang makabuluhang pagkakaiba" nang walang pagsusuri sa istatistika.
Napakahusay na prompt:
Gusto kong ihambing ang mga marka ng dalawang grupo: isang tuluy-tuloy na variable, dalawang independiyenteng grupo. (1) Aling pagsusulit sa istatistika ang angkop at bakit? (2) Ano ang mga pagpapalagay nito? (3) Komento code draft para sa [R/Python]. Gagawin ko ang pagkalkula sa programa; Ibigay mo lang ang paraan at code, huwag gumawa ng mga numero.
Ang pagkakaiba: Ang AI ay hindi na ginagamit bilang isang hindi mapagkakatiwalaang calculator, ngunit bilang isang maaasahang tagapayo sa pamamaraan.
Dibisyon ng paggawa sa dami ng mga gawain
Paghanap
Ligtas ba ang AI?
Paano gamitin
Pag-audit ng disenyo ng tanong
Oo
Pagmarka ng mga bitag
Pagkakapare-pareho ng sukat
Oo
checklist
Code sa pag-clear ng data
Oo (draft)
Patakbuhin mo ang code
In-text na account
hindi
Huwag kailanman magtiwala
Pagpili ng pagsubok
Oo
Ipaliwanag ang pamamaraan
Pangwakas na komento
Oo (suporta)
Kayo na ang humusga
Mga karaniwang pagkakamali
- Direktang gamit ang numerong nabuo ng AI. Mali ang modelo ng wika sa arithmetic; Gawin ang pagkalkula sa programa.
- Paglalagay ng nangungunang tanong. Ang mga pang-uri at pagpapalagay ay binabaluktot ang sagot.
- Nakalilito ang istatistikal na kahalagahan sa praktikal na kahalagahan. Ang "Mahalaga" ay maaaring maging isang maliit na pagkakaiba; Tingnan mo ang laki.
- Nilaktawan ang mga pagpapalagay. Ang bawat pagsubok ay may mga kinakailangan; Huwag magkomento nang hindi sinusuri.
- Nagtatanong ng mga karagdagang katanungan. Ang bawat tanong sa survey ay dapat na nakaugnay sa isang konsepto; ang natitira ay nagpapalaki ng data.
Sa buod
AI sa quantitative research; Siya ay isang malakas na consultant sa pagkuha ng mga pitfalls ng mga tanong sa survey, concept-question mapping, pagbalangkas ng data cleaning at analysis code, at pagbibigay-kahulugan sa resulta sa simpleng wika. Ngunit huwag hayaan ang AI na gawin ang aktwal na pagkalkula; Ang modelo ng wika ay hindi isang calculator. Pinipili mo ang pagsusulit, ngunit pinapatakbo mo ito sa programa, binabasa ang output, at nakikilala ang pagitan ng istatistikal na kahalagahan at praktikal na kahalagahan. Pinapabilis ng AI ang pamamaraan; Ang responsibilidad para sa isyu at komento ay sa iyo.
Gawain ng aplikasyon
Sumulat ng draft na survey na may 10 tanong. I-flag ang AI at wastong nangunguna, duplicate, at hindi malinaw na mga tanong gamit ang template na "Pag-audit ng tanong sa botohan". Pagkatapos ay gumawa ng maliit na sample na set ng data (20-30 row) at kalkulahin ang aktwal na mean at mga porsyento sa isang spreadsheet program; Ibigay ang parehong data sa AI bilang text, ihambing ito sa mga resultang numero at iulat ang pagkakaiba. Panghuli, magkaroon ng isang pagsubok na output na bigyang-kahulugan gamit ang template na "interpretasyon ng istatistika."
checklist
- [ ] Iniugnay ko ang bawat tanong sa survey sa isang konsepto.
- [ ] Inalis ko ang nangungunang, doble at hindi maliwanag na mga tanong.
- [ ] Ginawa ko ang aktwal na pagkalkula sa programa ng istatistika, hindi ang AI.
- [ ] Sinuri ko ang mga pagpapalagay sa pagsubok.
- [ ] Naiiba ko ang istatistikal na kahalagahan mula sa praktikal na kahalagahan.