Darmowy raport widoczności w AI

Sprawdź, czy Twoja firma jest widoczna w AI

Zobacz za darmo, czy ChatGPT, Gemini i Google AI wymieniają Twoją firmę w swoich odpowiedziach.

Sprawdź widoczność za darmo →

Korekta własnego badania: jak wersjonować wyniki i zachować historię metodologii

Korekta własnego badania powinna wskazywać błąd, zmienione wyniki, zakres wpływu i wersję metodologii. Zachowaj poprzedni stan oraz historię zmian, aby odbiorca mógł sprawdzić, którą wersję przytacza.

Oddziel korektę od nowego badania

Korekta naprawia błąd w już opublikowanym materiale. Nowe dane albo inny okres pomiaru mogą oznaczać kolejną edycję badania. Nie przedstawiaj korekty starego wyniku jako nowego trendu.

Nadaj badaniu trwały identyfikator oraz oznaczenia wersji. Odbiorca powinien rozpoznać, czy czyta pierwotny wynik, poprawioną wersję czy późniejszą edycję. Data aktualizacji strony nie zastępuje informacji o tym, co się zmieniło.

Zapisz błąd i jego zasięg

Przed edycją zabezpiecz poprzednie tabele, opis metodologii i dane potrzebne do odtworzenia wyniku w zakresie, który możesz udostępnić. Zapisz, gdzie wykryto błąd, jaki element go spowodował i które wyniki zależą od tej części.

Sprawdź wszystkie miejsca korzystające z wyniku: tabelę, opis wniosków, wykres, plik do pobrania i wersje językowe. Nie zakładaj, że poprawka jednej liczby automatycznie zmieni powiązane materiały.

Użyj rejestru zmian metodologicznych

Dla każdej zmiany zapisz poprzednią wersję, nową wersję, datę korekty, przyczynę, zmienione elementy i ocenę wpływu na wnioski. Rozróżnij zmianę klasyfikacji, poprawkę obliczenia i zmianę definicji mierzonego zjawiska.

Jeżeli zmieniasz definicję wskaźnika, wskaż, czy porównanie ze starszą edycją nadal jest zasadne. Samo zachowanie tej samej nazwy nie zapewnia porównywalności. Nie łącz wyników uzyskanych różnymi metodami bez wyjaśnienia różnicy.

Przykład korekty wyniku

Przykład jest fikcyjny. Badanie R obejmowało 200 obserwacji. W wersji 1.0 do danej kategorii zaliczono 24, więc opublikowano 12%. Ponowna kontrola wykazała błędną klasyfikację dwóch obserwacji. Po korekcie licznik wynosi 22, a mianownik nadal 200: poprawny wynik to 11%.

Wersja 1.1 powinna wyjaśniać, że zmieniła się klasyfikacja dwóch pozycji, nie liczebność próby ani okres pomiaru. Spadek z 12% do 11% jest skutkiem korekty, a nie obserwowaną zmianą zachowania odbiorców.

Jeżeli wniosek opierał się na tej liczbie, sprawdź go ponownie. Gdy korekta nie zmienia wniosku, też zapisz podstawę tej oceny. Nie używaj ogólnego „bez wpływu”, jeśli nie sprawdzono zależnych elementów.

Umieść notę w miejscu odczytu

Na aktualnej stronie pokaż informację o skorygowanej wersji i link do historii. Przy pliku do pobrania podaj oznaczenie wersji, aby stary i nowy plik nie wyglądały jak identyczny materiał.

Starszą wersję oznacz jako archiwalną i wskaż, którą wersję zastąpiła. Nie usuwaj kontekstu potrzebnego do zrozumienia wcześniejszych cytowań. Jeżeli nie możesz ujawnić danych jednostkowych, opublikuj wystarczający opis zmiany i zakresu jej skutków, bez danych prywatnych.

Zachowaj zgodność wersji językowych

Przenieś tę samą korektę do wszystkich tłumaczeń badania. Liczniki, mianowniki, okres, wersja i przyczyna pozostają takie same. Tłumacz opis, nie wynik.

Gdy jedna wersja czeka na aktualizację, oznacz jej rzeczywisty stan zamiast twierdzić, że całość jest zsynchronizowana. Sprawdź również załączniki i wykresy, które mogą zawierać starsze wartości mimo poprawnego tekstu.

Zweryfikuj możliwość odtworzenia

Osoba sprawdzająca powinna odtworzyć wynik ze wskazanego licznika i mianownika oraz ustalić, dlaczego poprzedni wynik był inny. Porównaj notę korekty z tabelą i wnioskami. Zachowaj zapis osoby zatwierdzającej.

W pytaniu testowym o badanie oceniaj, czy odpowiedź podaje aktualną wersję i rozpoznaje przyczynę korekty. Cytowanie dawnej wartości nie musi być niezrozumiałe, jeśli dotyczy historii; problemem jest przedstawienie jej jako aktualnego wyniku bez kontekstu.

Źródła

Sprawdź, czy Cię widzi

Wpisz adres Twojej strony, żeby otrzymać bezpłatny raport widoczności w AI