فائدہ:
- مصنوعی ذہانت کے تعاون سے ہدف کے سامعین (تعلیمی، پالیسی، انتظام) کو تجرباتی نتائج کی اطلاع دینے کی اہلیت، ایماندارانہ اور غیر واضح زبان میں
- نتائج، حدود اور اخلاقی بیانات کو مکمل طور پر لکھنے کی صلاحیت (ڈیٹا کی رازداری، مفادات کا تصادم، مصنوعی ذہانت کے استعمال کا انکشاف) اور گمراہ کن پیشکش سے بچنا
- رپورٹس کے مسودوں کو پہچاننے کے لیے مصنوعی ذہانت کی قابلیت جو کہ مبالغہ آمیز، یک طرفہ یا کارآمد زبان پیدا کرتی ہے اور حتمی متن اور دعووں کی ذمہ داری کو برقرار رکھتی ہے محقق پر منحصر ہے۔
ماڈیول امتحان
1. ایک محقق پوچھتا ہے کہ '2015 اور 2020 کے درمیان ترکی میں بے روزگاری اور افراط زر کے درمیان ارتباط کا گتانک کیا ہے؟' مصنوعی ذہانت کو کوئی ڈیٹا دیئے بغیر۔ وہ براہ راست اپنے مضمون میں نمبر 0.62 پوچھتا اور لکھتا ہے۔ اس نقطہ نظر میں بنیادی غلطی کیا ہے؟
- A) تصدیق شدہ ڈیٹا دیے بغیر مصنوعی ذہانت سے ٹھوس اعدادوشمار کی توقع کرنا؛ ✔ کسی ایسے نمبر کا استعمال کرنا جو اس کی تصدیق کیے بغیر بنایا گیا ہو۔
- ب) کسی مضمون میں باہمی ربط کا عدد استعمال نہیں کرنا چاہیے۔
- C) بے روزگاری اور افراط زر کے درمیان ارتباط کا حساب نہیں لگایا جا سکتا
- D) مصنوعی ذہانت صرف 2020 کے بعد ڈیٹا تک رسائی حاصل کر سکتی ہے۔
وضاحت: اے آئی لینگویج ماڈل ڈیٹاسیٹ تک رسائی کے بغیر اعداد و شمار تیار نہیں کر سکتا۔ وہ جو نمبر دیتا ہے وہ غالباً ایک فریب (من گھڑت) ہے۔ قابلیت، تناسب اور ٹیسٹ کے نتائج کا حساب محقق کے اپنے تصدیق شدہ ڈیٹا سے کیا جانا چاہیے، ماڈل کی یادداشت سے نہیں لیا جانا چاہیے۔
2. گمشدہ ڈیٹا کا 'بے ترتیب طور پر غائب نہ ہونے' (MNAR) کا کیا مطلب ہے اور یہ کیوں ضروری ہے؟
- A) کمی خود غیر مشاہدہ شدہ قدر کی وجہ سے ہے۔ اسی لیے سادہ اسائنمنٹ تعصب پیدا کر سکتی ہے ✔
- ب) ڈیٹا مکمل طور پر تصادفی طور پر غائب ہو جاتا ہے اور کوئی تعصب پیدا نہیں کرتا ہے۔
- C) لاپتہ ڈیٹا کو ہمیشہ قطار کو حذف کرکے حل کیا جانا چاہئے۔
- D) لاپتہ ڈیٹا کسی بھی طرح سے تجزیہ کو متاثر نہیں کرتا ہے۔
وضاحت: MNAR کے معاملے میں (Missing Not At Random)، لاپتہ ہونا خود غیر مشاہدہ شدہ قدر کی شدت پر منحصر ہے (مثلاً زیادہ کمانے والے اپنی آمدنی کی اطلاع نہیں دیتے)۔ اس صورت میں، سادہ حذف یا اوسط تفویض جانبدار نتائج دیتا ہے؛ کمی کے طریقہ کار کو نمونہ بنایا جانا چاہیے۔ مصنوعی ذہانت کے ذریعہ تجویز کردہ اسائنمنٹ کا طریقہ اس طریقہ کار کو جانے بغیر آنکھیں بند کرکے لاگو نہیں کیا جانا چاہئے۔
3. ایک تجزیہ کار کے پاس AI بار چارٹ بناتا ہے، اور AI y-axis کو صفر کے بجائے 40 سے شروع کرتا ہے۔ دونوں گروپوں کے درمیان 2% کا اصل فرق گراف پر بہت بڑا نظر آتا ہے۔ صحیح نقطہ نظر کیا ہے؟
- A) محور کو شروع سے شروع کرنا یا چارٹ کی قسم کو تبدیل کرنا؛ ✔ گمراہ کیے بغیر فرق کا صحیح سائز دکھانا
- ب) چارٹ کا استعمال جیسا کہ ہے کیونکہ AI بہترین انتخاب کرتا ہے۔
- C) فرق کو اور بھی بڑا بنانے کے لیے محور کو 45 سے شروع کرنا
- D) بار چارٹ کے بجائے کبھی بھی بصری استعمال نہ کریں۔
وضاحت: بار چارٹ میں، ڈیشڈ محور (y-axis جو صفر سے شروع نہیں ہوتا) چھوٹے فرق کو بڑھا چڑھا کر گمراہ کرتا ہے۔ ایماندارانہ تصور میں، بار چارٹس کا محور صفر سے شروع ہونا چاہیے یا فرق کو شعوری طور پر واضح طور پر بیان کیا جانا چاہیے۔ یہ تجزیہ کار کی ذمہ داری ہے کہ وہ تصویر کی تصدیق کرے اور اگر ضروری ہو تو اسے درست کرے۔
4. یہ حقیقت کیسے ہے کہ لکیری رجعت میں ایک عدد 'اہم' ہے (p <0.05) مصنوعی ذہانت کی تشریح میں اکثر غلط طریقے سے پیش کیا جاتا ہے؟
- ا) اہمیت کی مبالغہ آمیز پیش کش کیونکہ اثر بڑا اور اہم ہے یا وجہ قائم ہے ✔
- ب) اہمیت ہمیشہ اشارہ کرتی ہے کہ اثر چھوٹا ہے۔
- C) p <0.05 ثابت کرتا ہے کہ گتانک بالکل درست ہے۔
- D) اہم گتانک کی اطلاع کبھی نہیں دی جانی چاہئے۔
وضاحت: شماریاتی اہمیت کا تعلق ثبوت کی طاقت سے ہے کہ اثر صفر سے مختلف ہے۔ اس کا مطلب یہ نہیں ہے کہ اثر بڑا، اہم یا سبب ہے۔ AI اکثر لفظ 'اہم' کو 'اہم/مضبوط اثر' کے طور پر پیش کرتا ہے۔ محقق کو اثر کے سائز، اعتماد کا وقفہ، اور سیاق و سباق کا بھی جائزہ لینا چاہیے۔
5. 'p-hacking' کی اصطلاح سے کیا مراد ہے اور AI اسے آسان کیوں بنا سکتا ہے؟
- A) متعدد تجزیوں کی کوشش کرنا جب تک کہ یہ سمجھ میں نہ آجائے۔ AI یہ بہت تیزی سے کرتا ہے، خطرے کو بڑھاتا ہے ✔
- ب) ایک بار اور پہلے سے طے شدہ منصوبے کے ساتھ ڈیٹا کا تجزیہ کرنا
- سی) پی ویلیو بڑھانے کے لیے نمونے کو بڑھانا
- D) صرف وضاحتی اعدادوشمار کی اطلاع دینا
وضاحت: p-hacking مختلف متغیرات، ذیلی نمونوں، تبدیلیوں، یا ماڈلز کو آزما رہی ہے جب تک کہ کوئی معنی خیز نتیجہ سامنے نہ آجائے۔ یہ موقع کی بنیاد پر جعلی نتائج پیدا کرتا ہے۔ چونکہ AI سیکنڈوں میں درجنوں ماڈل ویریئنٹس آزما سکتا ہے، اس لیے یہ بغیر کسی ایماندارانہ منصوبے کے پی ہیکنگ کو تیز کر سکتا ہے۔ دفاع; پری رجسٹریشن، فکسڈ تجزیہ پلان اور متعدد موازنہ کی اصلاح۔
6. دو نان سٹیشنری (یونٹ روٹ) ٹائم سیریز کے درمیان زیادہ R-squared رجعت کا پتہ لگانا گمراہ کن کیوں ہو سکتا ہے؟
- A) عام رجحان کی وجہ سے جعلی رجعت ہو سکتی ہے۔ ✔ حقیقی تعلق کے بغیر اعلی R-squared آؤٹ پٹ
- B) ایک اعلی R-squared ہمیشہ ایک مضبوط وجہ رشتہ ثابت کرتا ہے۔
- ج) نان سٹیشنری سیریز کو رجعت میں بالکل داخل نہیں کیا جا سکتا۔
- D) R-squared کو ٹائم سیریز میں شمار نہیں کیا جا سکتا
وضاحت: اگر نان سٹیشنری سیریز کے درمیان کوئی مشترک ہم آہنگی کا رشتہ نہیں ہے تو، جعلی رجعت صرف عام رجحان کی وجہ سے اعلی R-squared اور اہم گتانک پیدا کر سکتی ہے۔ جبکہ کوئی حقیقی رشتہ نہیں ہے۔ اس لیے سب سے پہلے سٹیشناریٹی اور یونٹ روٹ ٹیسٹ کرائے جائیں اور اگر ضروری ہو تو فرق لیا جائے یا ہم آہنگی کی جانچ کی جائے۔
7. کیا بنیادی مفروضہ فرق میں فرق ڈیزائن کی درستگی پر مبنی ہے؟
- A) متوازی رجحانات کا مفروضہ: اگر کوئی مداخلت نہ ہوتی تو گروپس ایک ہی سمت کی پیروی کریں گے ✔
- ب) علاج اور کنٹرول گروپ شروع میں بالکل ایک جیسے ہیں۔
- C) نمونے کی عام تقسیم
- D) متغیرات میں کوئی گمشدہ ڈیٹا نہیں ہوتا ہے۔
وضاحت: ڈی آئی ڈی فرض کرتا ہے کہ مداخلت کی غیر موجودگی میں، علاج اور کنٹرول گروپس کے نتائج متغیر وقت کے ساتھ ساتھ متوازی ہو جائیں گے (متوازی رجحانات کا مفروضہ)۔ اگر یہ مفروضہ پورا نہیں ہوتا ہے تو اندازہ متعصب ہے۔ AI DiD کوڈ تیار کر سکتا ہے، لیکن متوازی رجحانات کا دفاع اور جانچ کرنا محقق کا کام ہے۔
8. قابل تجدید تجزیہ کے لیے مندرجہ ذیل میں سے کون سا لازمی عمل ہے؟
- A) بیج کو بے ترتیب مراحل میں درست کرنا، پیکیج کے ورژن اور کوڈ کو ریکارڈ کرنا ✔
- ب) نتائج کو دستی طور پر سپریڈ شیٹ میں کاپی کریں اور کوڈ کو حذف کریں۔
- ج) ہر دوڑ میں مختلف نتائج دیکھنا معمول کی بات ہے۔
- D) صرف حتمی گرافکس رکھنا، ڈیٹا اور کوڈ کا اشتراک نہیں کرنا
تفصیل: تولیدی صلاحیت؛ وہی نتیجہ ایک ہی ڈیٹا اور کوڈ کے ساتھ دوبارہ حاصل کیا جا سکتا ہے۔ بیج کو بے ترتیب مراحل میں درست کرنا، پیکج کے ورژن کو محفوظ کرنا، اور دستاویز کے اندر کوڈ کو لاگو کرنا (لٹریٹ پروگرامنگ) اس کے بنیادی ستون ہیں۔ نتائج کو دستی طور پر کاپی کرنا یا کلک پر مبنی، نان لاگنگ اقدامات تولیدی صلاحیت کو متاثر کرتے ہیں۔
9. heteroskedasticity کیا لکیری رجعت کو مسخ کرتی ہے اور اس کا عام حل کیا ہے؟
- A) یہ معیاری غلطیوں کو مسخ کرتا ہے۔ حل مضبوط معیاری غلطیاں یا مناسب تبدیلی ہے ✔
- ب) یہ عددی تخمینوں کو مکمل طور پر باطل کرتا ہے اور اس کا کوئی حل نہیں ہے۔
- C) ہمیشہ R-squared کو صفر تک کم کرتا ہے۔
- D) صرف اس صورت میں ہوتا ہے جب نمونہ بہت چھوٹا ہو اور اسے نظر انداز کیا جا سکے۔
وضاحت: Heteroscedasticity گتانک کے تخمینے کو غیر جانبدارانہ چھوڑ دیتی ہے لیکن معیاری غلطیوں کا غلط حساب لگاتی ہے۔ یہ p-values اور اعتماد کے وقفوں کو ناقابل اعتبار بنا دیتا ہے۔ ایک عام حل یہ ہے کہ مضبوط/HC معیاری غلطیاں یا مناسب تبدیلی کا استعمال کیا جائے۔ اس بات کی تصدیق ہونی چاہیے کہ AI کی طرف سے تجویز کردہ حل درحقیقت مسئلے کو چھپانے کے بجائے حل کرتا ہے۔
10. ایک محقق ایک عوامی AI چیٹ ٹول میں مریض کی سطح کی شناخت کی معلومات اور آمدنی پر مشتمل مائکرو ڈیٹا اپ لوڈ کرتا ہے اور کہتا ہے کہ 'ڈو ریگریشن'۔ اس رویے کا اصل مسئلہ کیا ہے؟
- A) کسی بیرونی ٹول پر ذاتی/لائسنس یافتہ ڈیٹا اپ لوڈ کرنا رازداری اور معاہدے کی خلاف ورزی ہے ✔
- ب) مصنوعی ذہانت سے رجعت بالکل نہیں ہو سکتی
- ج) مائیکرو ڈیٹا رجعت کے لیے بالکل موزوں نہیں ہے۔
- D) AI ہمیشہ رجعت کا غلط اندازہ لگاتا ہے۔
وضاحت: ذاتی/خصوصی ڈیٹا جیسے کہ شناخت اور آمدنی KVKK/GDPR اور ڈیٹا کے استعمال کے زیادہ تر معاہدوں کے تحت محفوظ ہیں۔ انہیں کسی بیرونی ڈیوائس پر اپ لوڈ کرنا جو ڈیٹا اسٹور کر سکتا ہے خلاف ورزی ہے۔ صحیح راستہ؛ ڈیٹا کو گمنام کرنا، مقامی/ادارتی محفوظ ٹولز کا استعمال کرنا، یا مصنوعی ذہانت سے کوڈ کی درخواست کرنا اور کوڈ کو اپنے ماحول میں چلانا۔
11. جب ملٹی لائنیرٹی زیادہ ہو تو کیا دیکھا جاتا ہے؟
- A) گتانک غیر مستحکم ہو جاتے ہیں اور معیاری غلطیاں بڑھ جاتی ہیں۔ انفرادی گتانک بے معنی نکل سکتے ہیں ✔
- B) R-squared ہمیشہ صفر تک گھٹ جاتا ہے۔
- C) قابلیت کے تخمینے ہر وقت زیادہ درست ہوتے جاتے ہیں۔
- D) منحصر متغیر تبدیلیوں کا پیمانہ
وضاحت: اعلی کثیر الجہتی میں، آزاد متغیرات ایک دوسرے کے ساتھ مضبوطی سے منسلک ہوتے ہیں۔ قابلیت کے تخمینے غیر مستحکم ہو جاتے ہیں، معیاری غلطیاں بڑھ جاتی ہیں، اور انفرادی گتانک غیر اہم ہو سکتے ہیں، جبکہ مجموعی ماڈل اہم ہو سکتا ہے۔ اس کی تشخیص VIF جیسے معیار سے ہوتی ہے۔ مصنوعی ذہانت متغیر کے خاتمے کا مشورہ دے سکتی ہے، لیکن یہ فیصلہ کرنے والے محقق پر منحصر ہے کہ کون سا متغیر نظریاتی رہنا چاہیے۔
12. شماریاتی طاقت کیا ہے اور کم طاقت والے مطالعہ کا خطرہ کیا ہے؟
- A) موجودہ اثر کا پتہ لگانے کا امکان؛ کم طاقت حقیقی اثرات کو کھو دیتی ہے اور نتائج کو ناقابل اعتبار بنا دیتی ہے ✔
- ب) پی ویلیو کو کم کرنے کا امکان؛ کم طاقت ہمیشہ زیادہ قابل اعتماد نتائج دیتی ہے۔
- C) ایک مستقل قدر جو نمونے کے سائز سے آزاد ہے۔
- D) ایک تصور جو صرف اس وقت درست ہے جب مصنوعی ذہانت کا استعمال کیا جائے۔
وضاحت: پاور ایک اثر کا پتہ لگانے کا امکان ہے جو حقیقت میں موجود ہے (1 مائنس قسم II کی خرابی)۔ کم طاقت والے مطالعہ حقیقی اثرات سے محروم ہو سکتے ہیں۔ مزید برآں، چند اہم نتائج میں مبالغہ آمیز اثر کا سائز ('فاتح کی لعنت') ہو سکتا ہے اور غلط مثبت شرح بڑھ جاتی ہے۔ لہذا، تجزیہ سے پہلے طاقت/نمونہ کا حساب ضروری ہے۔
13. کسی مضمون میں مصنوعی ذہانت کے استعمال کو ظاہر کرنا اخلاقی طور پر کیوں ضروری ہے؟
- A) شفافیت اور احتساب کے لیے؛ ✔ قارئین اور ریفری اس عمل کا جائزہ لے سکتے ہیں اور ذمہ داری مصنف کی ہی رہتی ہے۔
- ب) مصنوعی ذہانت کا استعمال خود بخود نتائج کو باطل کر دیتا ہے۔
- C) صرف اشتہاری مقاصد کے لیے رسالوں کے ذریعے درخواست کی گئی ہے۔
- D) وضاحت کے کاپی رائٹ کو مصنوعی ذہانت میں منتقل کرنا
انکشاف: شفافیت ضروری ہے تاکہ قارئین اور جائزہ لینے والے اس بات کا جائزہ لے سکیں کہ نتائج کیسے پیدا ہوئے؛ بہت سے جرائد اور اداروں کو اب AI کے استعمال کے انکشاف کی ضرورت ہے۔ مزید برآں، چونکہ مصنوعی ذہانت غلطیاں/ فریب کاری پیدا کر سکتی ہے، اس لیے یہ بتانا ایمانداری کی بات ہے کہ ذمہ داری مصنف کی ہی رہتی ہے اور کن مراحل کا آڈٹ کیا گیا۔
14. انسٹرومنٹ ویری ایبل (IV) کے طریقہ کار میں 'خارج کی پابندی' کی کیا ضرورت ہے؟
- A) ٹول صرف اندرونی متغیر کے ذریعے نتیجہ کو متاثر کرتا ہے، اس کے علاوہ کوئی اور براہ راست راستہ نہیں ہے ✔
- ب) آلے کا نتیجہ کے متغیر سے کوئی تعلق نہیں ہے۔
- C) آلہ اینڈوجینس متغیر سے غیر متعلق ہے۔
- D) مطلب ہمیشہ بائنری (0/1) متغیر ہوتا ہے۔
وضاحت: اخراج کی پابندی کا تقاضا ہے کہ آلہ نتیجہ کے متغیر کو صرف endogenous وضاحتی متغیر کے ذریعے متاثر کرے نہ کہ کسی دوسرے براہ راست ذرائع یا غیر مشاہدہ شدہ عوامل کے ذریعے۔ اس مفروضے کو ڈیٹا سے پوری طرح پرکھا نہیں جا سکتا۔ نظریاتی اور ادارہ جاتی بنیادوں پر اس کا دفاع کیا جاتا ہے۔ AI IV کوڈ لکھ سکتا ہے، لیکن ٹول کی درستگی کا دفاع کرنا محقق کا کام ہے۔
15. پری رجسٹریشن کے بغیر لچکدار تجزیوں میں 'فارکنگ پاتھز کے باغ' کے مسئلے کا کیا مطلب ہے؟
- A) اعداد و شمار کی بنیاد پر بہت سارے معقول تجزیہ انتخاب غلط مثبت شرح میں اضافہ کرتے ہیں، یہاں تک کہ غیر ارادی طور پر بھی ✔
- ب) تجزیہ کے طریقے واحد اور لازمی ہونے چاہئیں
- ج) ایک مسئلہ جو صرف اس وقت ہوتا ہے جب جان بوجھ کر دھوکہ دہی ہوتی ہے۔
- D) ایسی صورت حال جو نمونہ بڑھنے کے ساتھ ہی بے ساختہ غائب ہو جاتی ہے۔
وضاحت: ڈیٹا کو دیکھنے کے بعد، محقق بہت سے معقول انتخاب کر سکتا ہے کہ کون سا متغیر، ذیلی گروپ، تبدیلی، یا حد استعمال کرنا ہے۔ یہاں تک کہ اگر کوئی ایک بھی 'جان بوجھ کر پی ہیکنگ' نہیں ہے، یہ لچک غلط مثبت شرح کو بڑھاتی ہے کیونکہ اہم کو مؤثر طریقے سے بڑی تعداد میں تجزیہ سے منتخب کیا جاتا ہے۔ پری رجسٹریشن اور ایک طے شدہ تجزیہ پلان اس لچک کو محدود کرتا ہے۔