Mga nadagdag:
- Kakayahang mag-ulat ng mga empirical na natuklasan sa target na madla (akademiko, patakaran, pamamahala) na may suporta ng artificial intelligence, sa isang tapat at hindi malabo na wika
- Kakayahang ganap na magsulat ng mga konklusyon, limitasyon at etikal na mga pahayag (pagkakumpidensyal ng data, salungatan ng interes, pagsisiwalat ng paggamit ng artificial intelligence) at maiwasan ang mapanlinlang na presentasyon
- Ang kakayahan ng artificial intelligence na kilalanin ang mga draft ng mga ulat na gumagawa ng pinalaking salita, isang panig o sanhi ng pananalita at nagpapanatili ng pananagutan para sa huling teksto at mga paghahabol ay nakasalalay sa mananaliksik.
Pagsusulit sa Module
1. Nagtatanong ang isang mananaliksik ng 'Ano ang koepisyent ng ugnayan sa pagitan ng kawalan ng trabaho at inflation sa Türkiye sa pagitan ng 2015 at 2020?' nang hindi nagbibigay ng anumang data sa artificial intelligence. nagtanong siya at nagsusulat ng numerong 0.62 nang direkta sa kanyang artikulo. Ano ang pangunahing pagkakamali sa pamamaraang ito?
- A) Inaasahan ang mga konkretong istatistika mula sa artificial intelligence nang hindi nagbibigay ng na-verify na data; ✔ Paggamit ng isang numero na maaaring ginawa nang hindi ito bini-verify
- B) Ang koepisyent ng ugnayan ay hindi dapat gamitin sa isang artikulo.
- C) Hindi maaaring kalkulahin ang ugnayan sa pagitan ng kawalan ng trabaho at inflation
- D) Maa-access lang ng artificial intelligence ang data pagkatapos ng 2020
Paliwanag: Ang modelo ng wika ng AI ay hindi makakagawa ng mga istatistika nang hindi ina-access ang dataset; Malamang na hallucination (fabricated) ang numerong binibigay niya. Ang mga koepisyent, ratio at resulta ng pagsubok ay dapat kalkulahin mula sa sariling na-verify na data ng mananaliksik, hindi kinuha mula sa memorya ng modelo.
2. Ano ang ibig sabihin ng nawawalang data na 'hindi nawawala nang random' (MNAR) at bakit ito mahalaga?
- A) Ang kakulangan ay dahil sa mismong hindi naobserbahang halaga; Kaya naman ang simpleng assignment ay maaaring lumikha ng bias ✔
- B) Ang data ay ganap na nawawala nang random at hindi lumilikha ng anumang bias.
- C) Ang nawawalang data ay dapat palaging lutasin sa pamamagitan ng pagtanggal ng row.
- D) Ang nawawalang data ay hindi nakakaapekto sa pagsusuri sa anumang paraan.
Paliwanag: Sa kaso ng MNAR (Missing Not At Random), ang pagkukulang mismo ay nakasalalay sa laki ng hindi naobserbahang halaga (hal. ang mga mataas na kumikita ay hindi nag-uulat ng kanilang kita). Sa kasong ito, ang simpleng pagtanggal o karaniwang pagtatalaga ay nagbibigay ng mga kampi na resulta; Ang mekanismo ng kakulangan ay dapat na modelo. Ang paraan ng pagtatalaga na iminungkahi ng artificial intelligence ay hindi dapat ilapat nang walang taros nang hindi nalalaman ang mekanismong ito.
3. Ang isang analyst ay may AI na gumawa ng bar chart, at ang AI ay magsisimula sa y-axis sa 40 sa halip na zero. Ang aktwal na pagkakaiba ng 2% sa pagitan ng dalawang grupo ay mukhang napakalaki sa graph. Ano ang tamang diskarte?
- A) Pagsisimula ng axis mula sa simula o pagpapalit ng uri ng tsart; ✔ upang ipakita ang tunay na laki ng pagkakaiba nang hindi nakaliligaw
- B) Gamit ang tsart bilang ay dahil ang AI ang gumagawa ng pinakamahusay na pagpipilian
- C) Simulan ang axis sa 45 upang gawing mas malaki ang pagkakaiba
- D) Huwag gumamit ng mga visual sa halip na mga bar chart
Paliwanag: Sa isang bar chart, ang dashed axis (ang y-axis na hindi nagsisimula sa zero) ay nanlilinlang sa pamamagitan ng pagpapalaki ng maliliit na pagkakaiba. Sa tapat na visualization, ang axis ng mga bar chart ay dapat magsimula sa zero o ang pagkakaiba ay dapat na sinasadyang malinaw na nakasaad. Responsibilidad ng analyst na i-verify ang larawan at itama ito kung kinakailangan.
4. Paano ang katotohanan na ang isang koepisyent ay 'makabuluhan' (p<0.05) sa linear regression ay madalas na mali sa interpretasyon ng artificial intelligence?
- A) Labis na paglalahad ng kahalagahan dahil malaki at mahalaga ang epekto o naitatag ang sanhi ✔
- B) Ang kahalagahan ay palaging nagpapahiwatig na ang epekto ay maliit
- C) p<0.05 ay nagpapatunay na ang koepisyent ay ganap na tama
- D) Ang mga makabuluhang coefficient ay hindi dapat iulat.
Paliwanag: Ang kahalagahan ng istatistika ay nauugnay sa lakas ng ebidensya na ang epekto ay iba sa zero; Hindi ito nangangahulugan na ang epekto ay malaki, mahalaga o sanhi. Madalas na ipinapakita ng AI ang salitang 'mahalaga' bilang 'mahalaga/malakas na epekto'. Dapat ding suriin ng mananaliksik ang laki ng epekto, agwat ng kumpiyansa, at konteksto.
5. Ano ang tinutukoy ng terminong 'p-hacking' at bakit maaaring gawing mas madali ng AI?
- A) Sinusubukan ang maraming pagsusuri hanggang sa magkaroon ng katuturan; Ginagawa ito ng AI nang napakabilis, na nagpapataas ng panganib ✔
- B) Pagsusuri ng data nang isang beses at may paunang natukoy na plano
- C) pagpapalawak ng sample upang mapataas ang p-value
- D) Pag-uulat lamang ng mga mapaglarawang istatistika
Paliwanag: Sinusubukan ng p-hacking ang iba't ibang variable, subsample, pagbabago, o modelo hanggang sa magkaroon ng makabuluhang resulta; ito ay gumagawa ng mga huwad na natuklasan batay sa pagkakataon. Dahil maaaring subukan ng AI ang dose-dosenang mga variant ng modelo sa loob ng ilang segundo, maaari nitong pabilisin ang p-hacking nang walang tapat na plano. Depensa; preregistration, fixed analysis plan at multiple comparison correction.
6. Bakit maaaring nakakalinlang ang paghahanap ng mataas na R-squared regression sa pagitan ng dalawang hindi nakatigil (unit root) na serye ng oras?
- A) Ang huwad na pagbabalik ay maaaring mangyari dahil sa karaniwang kalakaran; ✔ Mataas na R-squared na output na walang tunay na relasyon
- B) Ang mataas na R-squared ay palaging nagpapatunay ng isang malakas na ugnayang sanhi.
- C) Ang hindi nakatigil na serye ay hindi maaaring ilagay sa regression sa lahat.
- D) Ang R-squared ay hindi maaaring kalkulahin sa serye ng oras
Paliwanag: Kung walang karaniwang cointegration na relasyon sa pagitan ng hindi nakatigil na serye, ang huwad na regression ay maaaring magdulot ng mataas na R-squared at makabuluhang koepisyent dahil lamang sa karaniwang kalakaran; samantalang wala namang totoong relasyon. Samakatuwid, dapat gawin muna ang stationarity at unit root test, at kung kinakailangan, dapat kunin ang mga pagkakaiba o dapat subukan ang cointegration.
7. Anong pangunahing palagay ang batay sa bisa ng disenyo ng Difference-in-Differences?
- A) Parallel trends assumption: susundan ng mga grupo ang parehong direksyon kung walang interbensyon ✔
- B) Ang mga grupo ng paggamot at kontrol ay eksaktong pareho sa simula
- C) Normal na pamamahagi ng sample
- D) Ang mga variable ay hindi naglalaman ng anumang nawawalang data
Paliwanag: Ipinagpapalagay ng DiD na sa kawalan ng interbensyon, ang variable na kinalabasan para sa paggamot at mga control group ay magkakatulad sa paglipas ng panahon (parallel trends assumption). Kung ang pagpapalagay na ito ay hindi natugunan, ang pagtatantya ay may kinikilingan. Maaaring gumawa ang AI ng DiD code, ngunit trabaho ng mananaliksik na ipagtanggol at subukan ang mga magkatulad na uso.
8. Alin sa mga sumusunod ang isang ipinag-uutos na kasanayan para sa isang reproducible na pagsusuri?
- A) Pag-aayos ng binhi sa mga random na hakbang, pag-record ng mga bersyon ng package at code ✔
- B) Manu-manong kopyahin ang mga resulta sa spreadsheet at tanggalin ang code
- C) Normal na makakita ng iba't ibang resulta sa bawat pagtakbo.
- D) Pagpapanatili lamang ng mga huling graphics, hindi pagbabahagi ng data at code
Paglalarawan: Reproducibility; Ang parehong resulta ay maaaring makuha muli gamit ang parehong data at code. Ang pag-aayos ng binhi sa mga random na hakbang, pag-save ng mga bersyon ng package, at pag-execute ng code sa loob ng dokumento (literate programming) ang mga pundasyon nito. Ang pagkopya ng mga resulta nang manu-mano o batay sa pag-click, hindi pag-log na mga hakbang ay nakakapinsala sa muling paggawa.
9. Ano ang binabaluktot ng heteroskedasticity sa isang linear regression at ano ang karaniwang solusyon nito?
- A) Binabaluktot nito ang mga karaniwang pagkakamali; ang solusyon ay matatag na karaniwang mga error o naaangkop na pagbabago ✔
- B) Ito ay ganap na nagpapawalang-bisa sa mga pagtatantya ng koepisyent at walang solusyon
- C) Palaging binabawasan ang R-squared sa zero
- D) Nagaganap lamang kung ang sample ay napakaliit at maaaring balewalain
Paliwanag: Ang heteroscedasticity ay nag-iiwan ng mga pagtatantya ng coefficient na walang kinikilingan ngunit maling pagkalkula ng mga karaniwang error; Ginagawa nitong hindi maaasahan ang mga p-values at mga agwat ng kumpiyansa. Ang isang karaniwang solusyon ay ang paggamit ng matatag/HC standard error o naaangkop na conversion. Dapat itong ma-verify na ang solusyon na iminungkahi ng AI ay aktwal na nag-aayos ng problema sa halip na itago ito.
10. Ang isang mananaliksik ay nag-a-upload ng microdata na naglalaman ng impormasyon ng pagkakakilanlan sa antas ng pasyente at kita sa isang pampublikong AI chat tool at nagsasabing 'do regression'. Ano ang pangunahing problema sa pag-uugali na ito?
- A) Ang pag-upload ng personal/lisensyadong data sa isang panlabas na tool ay isang paglabag sa pagiging kumpidensyal at kontrata ✔
- B) Ang regression ay hindi maaaring gawin sa pamamagitan ng artificial intelligence sa lahat
- C) Ang micro data ay hindi angkop para sa regression sa lahat
- D) Palaging maling kalkulahin ng AI ang regression
Paliwanag: Ang personal/espesyal na data tulad ng pagkakakilanlan at kita ay protektado sa ilalim ng KVKK/GDPR at karamihan sa mga kasunduan sa paggamit ng data; Ang pag-upload sa mga ito sa isang external na device na maaaring mag-imbak ng data ay isang paglabag. Ang tamang paraan; Pag-anonymize ng data, gamit ang mga lokal/institusyonal na secure na tool, o simpleng paghiling ng code mula sa artificial intelligence at pagpapatakbo ng code sa sarili nitong kapaligiran.
11. Ano ang naoobserbahan kapag mataas ang multicollinearity?
- A) Ang mga coefficient ay nagiging hindi matatag at ang mga karaniwang error ay nagiging napalaki; Ang mga indibidwal na coefficient ay maaaring maging walang kabuluhan ✔
- B) Palaging bumababa ang R-squared sa zero
- C) Ang mga pagtatantya ng koepisyent ay nagiging mas tumpak sa lahat ng oras
- D) Nagbabago ang sukat ng dependent variable
Paliwanag: Sa mataas na multicollinearity, ang mga independiyenteng variable ay malakas na nakakaugnay sa isa't isa; Ang mga pagtatantya ng koepisyent ay nagiging hindi matatag, ang mga karaniwang error ay lumaki, at ang mga indibidwal na coefficient ay maaaring maging hindi gaanong mahalaga, habang ang pangkalahatang modelo ay maaaring makabuluhan. Ito ay nasuri sa pamamagitan ng pamantayan tulad ng VIF. Ang artificial intelligence ay maaaring magmungkahi ng variable na pag-aalis, ngunit nasa mananaliksik na magpasya kung aling variable ang dapat manatiling teoretikal.
12. Ano ang statistical power at ano ang panganib ng isang low-power study?
- A) Posibilidad ng pag-detect ng umiiral na epekto; nakakaligtaan ng mababang kapangyarihan ang mga tunay na epekto at ginagawang hindi maaasahan ang mga natuklasan ✔
- B) posibilidad ng pagbawas ng p-value; ang mas mababang kapangyarihan ay palaging nagbibigay ng mas maaasahang mga resulta
- C) Isang pare-parehong halaga na hindi nakasalalay sa laki ng sample
- D) Isang konsepto na wasto lamang kapag ginamit ang artificial intelligence
Paliwanag: Ang kapangyarihan ay ang posibilidad na matukoy ang isang epekto na aktwal na umiiral (1 minus type II error). Maaaring makaligtaan ang mga pag-aaral na may mababang lakas; Bukod pa rito, ang ilang makabuluhang resulta ay maaaring magkaroon ng labis na laki ng epekto ('sumpa ng nanalo') at tumataas ang maling positibong rate. Samakatuwid, ang pagkalkula ng kapangyarihan/sample ay mahalaga bago ang pagsusuri.
13. Bakit kinakailangan sa etika na ibunyag ang paggamit ng artificial intelligence sa isang artikulo?
- A) Para sa transparency at pananagutan; ✔ maaaring suriin ng mga mambabasa at referee ang proseso at ang responsibilidad ay nananatili sa may-akda
- B) Ang paggamit ng artificial intelligence ay awtomatikong nagpapawalang-bisa sa mga resulta
- C) Hiniling ng mga magazine para sa mga layunin ng advertising lamang
- D) Paglilipat ng copyright ng paliwanag sa artificial intelligence
Pagbubunyag: Kinakailangan ang transparency upang masuri ng mambabasa at mga tagasuri kung paano ginawa ang mga resulta; Maraming mga journal at institusyon ang nangangailangan ngayon ng pagsisiwalat ng paggamit ng AI. Bukod pa rito, dahil ang artificial intelligence ay maaaring makagawa ng mga error/hallucinations, ito ay isang bagay ng katapatan na sabihin na ang responsibilidad ay nananatili sa may-akda at kung aling mga hakbang ang na-audit.
14. Ano ang kinakailangan ng 'paghihigpit sa pagbubukod' sa paraan ng Instrument Variable (IV)?
- A) Ang tool ay nakakaapekto sa resulta lamang sa pamamagitan ng panloob na variable, walang ibang direktang paraan ✔
- B) Walang kaugnayan ang instrumento sa variable na kinalabasan.
- C) Ang instrumento ay walang kaugnayan sa endogenous variable.
- D) Ang ibig sabihin ay palaging isang binary (0/1) variable
Paliwanag: Ang hadlang sa pagbubukod ay nangangailangan na ang instrumento ay makakaapekto sa variable ng kinalabasan lamang sa pamamagitan ng endogenous explanatory variable at hindi sa pamamagitan ng anumang iba pang direktang paraan o hindi naobserbahang mga salik. Ang pagpapalagay na ito ay hindi maaaring ganap na masuri mula sa data; Ito ay ipinagtatanggol sa teoretikal at institusyonal na batayan. Maaaring isulat ng AI ang IV code, ngunit trabaho ng mananaliksik na ipagtanggol ang bisa ng tool.
15. Ano ang ibig sabihin ng problema sa 'Garden of forking paths' sa mga flexible analysis nang walang pre-registration?
- A) Masyadong maraming makatwirang pagpipilian sa pagsusuri na ginawa batay sa data ay nagpapataas ng false positive rate, kahit na hindi sinasadya ✔
- B) Ang mga pamamaraan ng pagsusuri ay dapat na iisa at sapilitan
- C) Isang problema na nangyayari lamang kapag nangyari ang sinadyang pagdaraya.
- D) Isang sitwasyon na kusang nawawala habang lumalaki ang sample
Paliwanag: Pagkatapos tingnan ang data, makakagawa ang mananaliksik ng maraming makatwirang pagpipilian tungkol sa kung aling variable, subgroup, pagbabago, o threshold ang gagamitin. Kahit na walang iisang 'intentional p-hacking', pinapataas ng flexibility na ito ang false positive rate dahil ang makabuluhan ay mabisang napili mula sa malaking bilang ng mga pagsusuri. Nililimitahan ng pre-registration at isang fixed analysis plan ang flexibility na ito.