收益：
- 能够系统地列出人工智能在经济分析中的主要局限性（捏造、数据截止日期、因果盲目性、结构性断裂）
- 能够建立安全使用且符合 KVKK 的工作流程，保护机密数据、市场敏感信息和个人数据
- 能够设计和实施企业级人工智能治理框架（注册、验证、问责、审批链）
模块考试
1. 央行行长将人工智能生成的通胀预测直接放入官方政策说明中，无需任何验证。这种方法的根本错误是什么？
- A）将人工智能输出转化为决策，无需将其与源连接，重新计算并进行经济验证；忽略了责任在于人✔
- B）严禁在经济预测中使用人工智能
- C）人工智能总是显示通胀低于实际水平
- D) 预测未以图表形式呈现
描述：人工智能产生统计大纲；但预测和正式政策简报内容的责任在于主管经济学家和机构。未经验证的输出与未经签名的报告一样有风险；该数字必须与原始来源相关联，重新计算并通过经济过滤器。
2. 当你向人工智能询问“给我 2024 年土耳其经常账户赤字数据”时，最安全的方法是什么？
- A) 信任人工智能给出的数字并直接使用
- B) 确认 CBRT 官方国际收支公布中的数字并验证日期/单位 ✔
- C) 从互联网上的随机新闻网站获取号码
- D）忽略这个数字，因为它无论如何都会改变
解释：人工智能给出的数字可能早于训练数据的截止日期，也可能是编造的（幻觉）。经济数据唯一准确的来源是官方出版物；在本例中，它是 CBRT 国际收支统计数据。该号码必须从原始来源确认。
3. 分析师将原始 CPI 系列提供给人工智能，并说“计算实际增长”。以下哪项是正确的验证行为？
- A) 将结果添加到报告中而不阅读它
- B）只看结果是否“看起来合理”
- C) 通过读取生成的公式/代码并手动计算至少一个周期来验证结果✔
- D) 问人工智能“你确定吗？”并对答案“是”感到满意
解释：在标准经济计算（例如实际名义转换）中，人工智能可能不会使用正确的公式或混淆基准年。分析师必须阅读生成的代码和公式，手动计算至少一个观察值并比较结果。透明、可解释的会计是首选。
4. 为什么在时间序列预测中要进行“回测”？
- A）显示模型与历史数据的拟合程度如何
- B) 自动完成估算
- C) 美化数据
- D) 通过在模型未处于训练状态的前段时间进行测试来衡量真实预测的成功程度 ✔
描述：回测衡量模型对过去未知时期的预测效果；它仅通过查看拟合的数据来保护模型免受过度拟合的陷阱。这是模型在现实世界中可用性的先决条件。
5. 通胀评论中的“基数效应”是什么？为什么需要关注？
- A) 年度变化受去年比较期的低点/高点影响✔
- B）通货膨胀总是上升
- C）核心通胀率高于总体通胀率
- D) 价格的季节性调整
解释：基数效应是指年变化率受到去年（基数）低或高以及今年发展的影响。总体年度通胀下降可能是由于去年的高基数，而不是真正的放缓。这个陷阱在人工智能摘要中经常被忽视。
6. 如何在情景研究中最准确地定义人工智能的作用？
- A) 一位能够确定未来的预言家
- B）最终决策者自行确定假设
- C) 将显而易见的假设转化为透明计算并使选项可见的助手；判断力在于人 ✔
- D) 一种精确的工具，使脚本变得不必要
说明：该场景不是预测，而是基于明确假设的条件“如果-那么”练习。人工智能是将假设转化为电子表格并使选项可见的加速器；然而，假设的所有权、合理性和最终判断权取决于经济学家。
7.人工智能在解释回归输出时使用强因果语言，例如“X增加Y”。经济学家的正确反应是什么？
- A）接受因果语言本身
- B）通过检查遗漏变量/内生性的风险并纠正关系并不意味着因果关系的事实来纠正语言。
- C）完全抛弃回归
- D) 假设如果 R 平方很高，则因果关系得到证明
说明：回归主要衡量的是关系（correlation）；只有在适当的设计（实验、工具变量、自然实验等）和假设下才能声称因果关系。存在遗漏变量、内生性和反向因果关系的风险。经济学家必须遏制这种过度的因果语言并对条件提出质疑。
8. 您让人工智能准备了有关经济学主题的文献摘要，文本中提供了诸如“（Yılmaz，2019）”之类的参考文献。你应该先做什么？
- A) 将引文按原样放入报告中
- B）仅仅因为有很多引用就假设质量好
- C) 只看出版年份的一致性
- D) 从原始来源验证每个参考文献确实存在并包含发现结果 ✔
说明：人工智能可以产生实际不存在的来源和参考（幻觉）。每个参考文献都必须从原始来源验证其确实存在，其归属正确，并且确实包含所声称的发现。未经证实的归属是一种学术和专业风险。
9. 在公共经济报告中传达不确定性的最诚实的方式是什么？
- A）给出一个精确的数字，完全不提及不确定性
- B）隐藏最坏的情况并只给出乐观的数字
- C) 明确说明预测范围、情景和基本假设 ✔
- D）通过说“这很复杂”来消除不确定性
说明：经济预测和分析中不可避免地存在不确定性。清楚地陈述范围、场景和假设，而不是一个确切的数字，才是诚实的沟通。隐藏歧义会误导读者并损害组织的可信度。
10. 当图表显示 GDP 增长时，纵轴从 2% 而不是 0% 开始。为什么这可能会产生误导？
- A) 虚线轴可能会夸大微小差异并使变化大于实际情况 ✔
- B) 轴的起点根本不影响图形
- C) 图表自动变得更加准确
- D）只有颜色选择重要，轴不重要
说明：虚轴（不是从零开始）可以在视觉上放大微小的差异，并使变化显得戏剧性。在诚实的可视化中，轴的选择不应扭曲信息；如果使用虚线轴，则必须清楚地标记。
11. 智库分析师将尚未公开的市场敏感数据插入公共（非企业）人工智能工具中。主要风险是什么？
- A) 没有风险，数据已经是数字了
- B）唯一的风险是图表被证明是错误的
- C）人工智能处理数据非常缓慢
- D) 数据泄露、第三方处理以及违反隐私/市场规则的风险 ✔
披露：将机密或市场敏感数据输入公共工具会产生数据被第三方处理、泄露或用于训练模型的风险；这既构成了隐私/KVKK 侵犯，也带来了市场操纵和内幕信息的风险。敏感数据应使用机构批准的安全工具进行处理，并在必要时进行匿名处理。
12. 来自两个不同来源（TURKSTAT 和一个国际组织）的同一指标的数字不匹配。最可能无辜的解释是什么？
- A）其中一个消息来源肯定是在撒谎
- B) 定义、基准年、范围、季节调整或修订可能存在差异；元数据必须对齐 ✔
- C）数字的差异并不重要，取平均值就足够了
- D）询问人工智能并让它选择哪个是正确的就足够了。
说明：不同来源的同一指标存在差异，主要是由于定义、基准年、范围、季节性调整或修订（版本）的差异。在比较数字之前必须对齐元数据（定义、单位、周期、更正）。
13. 以下哪项任务是人工智能在经济分析方面表现出色并通过人类验证加速的任务？
- A）仅最终批准官方通胀数据
- B）代替机构制定货币政策决策
- C) 加快起草数据清理代码和总结长报告等任务✔
- D）将未经验证的猜测放入公开报告中
描述：人工智能；擅长机械和起草任务，例如起草代码、总结长报告、建议数据清理步骤、纠正格式和语言。然而，预测、政策决策和官方数据的产生的最终责任在于人类。正确的使用方法是在强处加速，并保持个人的批判性判断力。
14. 确保人工智能输出在机构中得到监控和审计的最合适的治理实践是什么？
- A) 建立记录请求、工具、数据和验证步骤的追溯和审批链 ✔
- B）根本不记录输出，以免增加工作量
- C) 每个人都可以自由地使用他们想要的车辆和他们想要的数据。
- D）只有最资深的人使用人工智能，不保留任何记录
描述：健全的治理；它需要记录哪个请求、哪个工具、哪个数据、验证步骤和负责任的批准链产生了哪些输出。这种记录和确认的纪律可以追溯错误并澄清责任。