收益：
- 能够检测调查问题中的主要陷阱、双重陷阱和模棱两可的陷阱，并将每个问题与一个概念联系起来
- 能够在程序中执行真正的统计计算，并仅使用人工智能进行方法选择和解释
- 能够区分统计显着性和实际显着性并检查测试假设
定量研究是一种用数字衡量社会现象并用统计数据进行分析的方法：它寻求诸如有多少人、以什么速度、哪些群体之间存在什么差异等问题的答案。这种方法最常见的工具是调查——一种使用标准问题从大量人群中收集可比数据的方法。建立良好的调查并正确分析传入的数据需要技巧；一个糟糕的问题从一开始就会破坏结果。在本单元中，您将学习如何使用人工智能设计调查问题、构建量表（评估态度的回答选项，例如“强烈同意……强烈不同意”）以及分析传入数据；但你会明白为什么你应该保留统计判断。
人工智能在定量分析中最有价值的地方不在于计算本身，而在于解释如何进行计算以及结果意味着什么。 AI 可以为您概述分析代码（例如在 R 或 Python 中运行的命令），用简单的语言解释何时使用统计测试，并帮助您解释输出。但永远不要相信人工智能在文本中“凭空想象”生成的数字：语言模型不是计算器，可能会产生错误的平均值、百分比或 p 值。实际计算是在真实的统计程序中完成的。
循序渐进：从调查到审查
1. 将每个问题与一个概念联系起来。您在调查中提出的每个问题都应该衡量您研究问题中的一个概念。不要仅仅因为“这会很有趣”而添加问题。人工智能可以帮助您检查表格中的概念-问题映射。
2. 剔除不好的问题。引导性问题（“您对这项优质服务满意吗？”）、双重问题（“服务快速且便宜吗？”）、模糊问题（“您经常喜欢它吗？”）会扭曲数据。人工智能擅长在调查草案中标记这些陷阱。
3. 建立一致的尺度。如果您使用李克特量表（5 点或 7 点一致性量表），请在整个调查过程中保持方向和评级一致。人工智能可以捕捉到不一致的情况。
4. 清除数据。传入数据可能包含缺失答案、不一致或同一个人的两条记录。 AI可以列出清理步骤并起草代码；你决定。
5. 选择正确的测试并解释它。您是否正在比较两个群体，寻找某种关系？ AI 解释哪种测试合适；您的工作是在程序中运行测试并读取并理解输出。
注意：不要告诉AI“计算这个数据的平均值”并将结果数字直接写入报告中。语言模型在算术上会出错。在电子表格或统计程序中完成计算；仅将人工智能用于其方法和解释。
三个迷你箱子
案例 1 — 纠正了主要问题。一份调查草案询问“您对我们成功城市的交通服务是否满意？”他有一个问题。 AI标记“成功”这个形容词将答案推向了肯定。问题是“您如何评价市政府的交通服务？”被中和，结果更加平衡。
案例 2——人工智能误算被发现。一位研究人员将 300 行数据作为文本粘贴到 AI 中，并说“求平均年龄”； YZ说34.2。当相同的数据放入表格时，实际平均值为31.7。 AI在文本中计算错误；当帐户移至该程序时，该问题已得到修复。
案例 3 — 测试选择得到澄清。一个团队想要比较两组的平均分数，但不知道使用哪个测试。 YZ 解释说，t 检验（测试两组均值之间的差异是否随机的检验）适用于“两个独立组，一个连续变量”，列出了他的假设，并提供了代码草案。该团队在程序中运行了测试并解释了结果。
四个可复制模板
1）调查问题审核：
查看下面的调查问题。检查每个问题：它是否是主导问题、是否是双重问题（一个问题中有两件事）、是否含糊不清、答案选项是否重叠/缺失？并排给出问题和更好的版本。检查刻度方向是否一致。问题：【这里】
2）概念-问题映射表：
我的研究问题：[问题]。我的关键概念：[列表]。将以下调查问题排列在表格中：每个问题衡量什么概念？标记不与任何概念相关的问题（“额外”）和没有问题的概念（“空闲”）。投票：[这里]
3）数据清理计划（代码草案）：
我有一个包含以下变量的调查数据集：[变量]。给我一份数据清理清单和代码草案，其中包含 [R/Python] 的注释行：丢失数据、异常值、重复记录、不一致的编码。我将运行代码并验证输出；别做数学题。
4）统计评论（我做了计算）：
我运行了[测试名称]并得到以下输出：[输出]。用通俗易懂的语言解释这个结果：它在实践中意味着什么，区分统计显着性和实际显着性，并提醒您需要检查哪些假设。不要夸大结果；也告诉我你的极限。
弱提示/强提示
弱提示：
计算该数据中各组的平均值并判断哪一组较高。 【500行数据】
人工智能尝试在文本内进行计算，可能会产生错误的数字。而且，在没有统计检验的情况下回答“是否存在显着差异”的问题是不可靠的。
强力提示：
我想比较两组的分数：一个连续变量，两个独立组。 (1) 哪种统计检验是合适的，为什么？ （2）其假设是什么？ (3)注释[R/Python]的代码草案。我会在程序中进行计算；您只需给出方法和代码，不生成数字。
区别在于：人工智能不再被用作不可靠的计算器，而是作为可靠的方法顾问。
定量任务的分工
任务
人工智能安全吗？
如何使用
问题设计审核
是的
标记陷阱
规模一致性
是的
清单
数据清除代码
是（草案）
你运行代码
文本帐户
不
永远不要相信
测试选择
是的
解释一下方法
结论性评论
是（支持）
由你来判断
常见错误
- 直接使用AI生成的数字。语言模型在算术上是错误的；将计算写入程序中。
- 提出一个引导性问题。形容词和假设扭曲了答案。
- 混淆统计意义与实际意义。 “显着”甚至可以是一个很小的差异；看尺寸。
- 跳过假设。每个测试都有先决条件；未经核实请勿评论。
- 提出额外的问题。每个调查问题都应与一个概念相关联；其余的会夸大数据。
总之
定量研究中的人工智能；他是一位强有力的顾问，擅长捕捉调查问题的陷阱、概念问题映射、起草数据清理和分析代码以及用简单语言解释结果。但永远不要让AI来做实际的计算；语言模型不是计算器。您选择测试，但在程序中运行它，读取输出，并区分统计显着性和实际显着性。人工智能加速了该方法；该问题和评论的责任由您承担。
应用任务
撰写包含 10 个问题的调查草稿。拥有 AI 标志，并使用“民意调查问题审核”模板纠正引导性问题、重复性问题和模棱两可的问题。然后创建一个小样本数据集（20-30 行）并在电子表格程序中计算实际平均值和百分比；将相同的数据作为文本提供给人工智能，将其与结果数字进行比较并报告差异。最后，使用“统计解释”模板解释测试输出。
清单
- [ ] 我将每个调查问题与一个概念联系起来。
- [ ] 我消除了引导性问题、双重问题和模棱两可的问题。
- [ ] 我是在统计程序中进行实际计算的，而不是在AI中进行的。
- [ ] 我检查了测试假设。
- [ ] 我区分了统计显着性和实际显着性。