Un diffuso detto informatico recita “garbage in, garbage out”. Ovvero, per poter ottenere risultati statistici da poter mettere su tesi o pubblicazioni, e non nella spazzatura, è fondamentale che i dati che passi all’IA siano di ottima qualità. Ma cosa significa in pratica? Vediamo passo per passo quanto è affidabile l’IA in statistica.
Indice
Step 1. Progettazione dell’analisi
L’IA può effettuare elaborazioni dati al posto tuo ma non sempre sa scegliere quale tecnica statistica è più indicata per i tuoi obiettivi di ricerca. Diventa quindi fondamentale avere già ben chiaro in fase di progettazione quali sono le ipotesi di ricerca, le variabili con cui puoi verificarle ed i test statistici da usare.
É importante poi pianificare un workflow di analisi robusto, in modo da non tralasciare analisi e verifiche essenziali per rendere valida la discussione dei tuoi risultati. Più riesci a dettagliare le tue richieste di analisi, più il risultato che otterrai dall’IA sarà in linea con le tue aspettative.
Ad esempio, ipotizziamo di aver raccolto 100 risposte ad un breve questionario sulle preferenze di consumo. Se carichiamo i dati raccolti su ChatGPT, chiedendo di fare un’analisi statistica completa, quello che potremmo ottenere saranno:
- analisi descrittive univariate e bivariate, sia sotto forma di tabelle che di grafici, con alcune indicazioni sulla loro interpretazione
- una proposta di approfondimento con una dashboard di sintesi visiva
Questi risultati sono senz’altro informativi ma rappresentano un modo di comunicare i risultati più adatto all’interno di un’azienda che non a livello accademico.
Tuttavia basta cambiare leggermente la richiesta a ChatGPT, chiedendo di fare un’analisi statistica completa per tesi di laurea, per notare la differenza nell’elaborazione dei dati. ChatGPT infatti può generare statistiche o grafici, ma non può capire appieno il contesto in cui quei dati devono essere analizzati.
Step 2. Pulizia e gestione dei dati
ChatGPT non può sapere come hai raccolto i dati e riconoscere pattern problematici. Per questo motivo, prima di caricare un dataset su ChatGPT è molto importante pulirlo e verificare la presenza di dati mancanti o inconsistenti.
Inoltre, soprattutto se la raccolta dati è avvenuta in modo non standardizzato, è fondamentale che tutti i dati grezzi siano standardizzati in formati utilizzabili per l’analisi. Un altro grande limite dell’IA è poi la rappresentatività del campione, in quanto assicurarsi che i dati siano affidabili per la statistica inferenziale non può essere fatto a posteriori osservando i dati presenti.
Step 3. Controllo e validazione dei risultati
Da un punto di vista matematico, pensare a ChatGPT come ad una calcolatrice può portare in errore.
Per effettuare analisi statistiche, l’IA si basa infatti su formule, soglie e correzioni disponibili online ma che non sempre valgono per tutti i contesti di analisi. Per evitare figuracce e risultati fuorvianti è quindi importante verificare la correttezza dei risultati, analisi per analisi, utilizzando software statistici o avvalendosi di una revisione personalizzata.
A tal fine, è importante anche sapere quali controlli incrociati è importante suggerire a ChatGPT di fare sulle analisi, così come quali test di robustezza e sensitivity analysis. Solo in questo modo il tuo lavoro potrà essere “a prova di revisione” da parte di una commissione laurea o una rivista.
L’interpretazione che fornisce ChatGPT ad un’analisi dati poi è basata sulle informazioni già disponibili in rete. Ma nella maggioranza dei casi, il valore di un lavoro di tesi o di ricerca sta proprio nell’innovazione che si può apportare con le proprie analisi.
Diventa pertanto fondamentale spiegare cosa significano i risultati non solo in termini statistici tradizionali ma anche nel contesto dello studio, identificando limiti e bias nei dati e nei metodi che non sono ancora stati trattati da altri. Spesso infatti le relazioni più interessanti siano proprio quelle meno attese o già ampiamente discusse in letteratura (e quindi già conosciute dall’IA).
Anche collegare i risultati alla letteratura scientifica è un passaggio che non si può demandare a ChatGPT in quanto i vincoli di copyright limitano l’accesso alle fonti e non sempre quanto presentato dall’IA come fonte ufficiale lo è poi davvero.
Step 4. Visualizzazione avanzata e reportistica
L’IA può generare grafici generici ma tu puoi creare visualizzazioni personalizzate per raccontare la storia dei dati utilizzando punti di vista che non sono quello tradizione. Inoltre, il tono delle descrizioni dei risultati deve essere livellato alle competenze delle persone che li leggeranno e saranno chiamate a valutarle a fini accademici o pratici.
Per tale motivo, la scelta di cosa omettere e di cosa invece sia importante specificare, di quali grafici e numeri evidenziare e l’ordine in cui mostrarli dipende da competenze umane e, per non cadere nella banalità e nell’anonimato, non può essere lasciato in toto alla creatività di un’IA.
Affidabilità dell’IA per l’analisi dei dati: e adesso?
L’IA può aiutarti a velocizzare l’esecuzione meccanica di calcoli, fornirti proposte di analisi a cui non avevi pensato e offrirti spiegazioni comprensibili a numeri e parametri. Ma, ad oggi, tu resti indispensabile per interpretare, guidare, personalizzare e garantire la qualità del lavoro svolto.
Per costruire o perfezionare questi aspetti, le consulenze personalizzate sono spesso la soluzione più economica in termini di tempo e garanzia di apprendimento.
