โมดูล 6

ตรวจความแข็งแรง
ของแบบวิจัย

เลือกเรียนต่อจากโมดูลก่อนหน้า หรือเริ่มที่โมดูลนี้ได้ทันที ให้ AI ช่วยถาม จัดโครง และตรวจทีละขั้น โดยคุณเป็นผู้เลือกและยืนยันหลักฐาน

การเตรียมตัวก่อนเรียน

ของต้องมีก่อนเรียน

  • เรียนต่อเนื่อง: ใช้ข้อกล่าวอ้างและร่างแบบวิจัยที่ผ่านการท้าทายจากโมดูล 5 เป็นจุดเริ่มต้น
  • เริ่มที่โมดูลนี้: ใช้แนวคิดตั้งต้นของคุณ วิเคราะห์แบบวิจัยจากงานตีพิมพ์ย้อนกลับ หรือใช้กรณีตัวอย่าง โดยไม่จำเป็นต้องเรียน Module 5 มาก่อน

สิ่งที่ต้องเตรียม

  • experiment-design-workbook.md
  • rough design ของตนเอง, open-access paper ที่มี Methods/Results และ verified DOI หรือ design dossier ตัวอย่างอย่างใดอย่างหนึ่ง
  • ข้อมูลของ questionnaire, interview, sensor, simulation หรือ existing dataset ที่กำลังพิจารณาใช้
  • hypothetical result cards 4 สถานะ โดยทำเครื่องหมายชัดเจนว่าไม่ใช่ผลจริง
  • compliance-trigger checklist และลิงก์หน่วยงาน/แบบฟอร์มปัจจุบันของสถาบัน
  • รูปแบบบันทึก TBD — owner/source/date สำหรับสิ่งที่ต้องถามผู้เชี่ยวชาญ

เริ่มทำงานกับ AI

เริ่มจากสมุดงานหรือข้อมูลของคุณ: แนบให้ AI แล้วตอบทีละคำถาม ตรวจตารางและสรุปในหน้าสนทนา เมื่อยืนยันแล้วจึงบันทึกสมุดงานและบันทึกการตัดสินใจลง project workspace ข้อกล่าวอ้าง เหตุผล และข้อสรุปต้องมาจากคุณ

LO

สิ่งที่จะทำได้

คุณจะตรวจว่าแบบวิจัยที่ร่างไว้สามารถสร้างหลักฐานเพียงพอสำหรับข้อกล่าวอ้างที่ต้องการหรือไม่ โดยจะ:

  • แกะ claim และแนวคิดออกเป็นสมมุติฐาน เงื่อนไข และ assumption ที่ต้องตรวจให้ครบตาม claim tree
  • กำหนด unit of analysis, population/sample, parameter, metric, comparator, dataset, environment, instrument และ procedure ให้ตรวจย้อนกลับได้
  • เลือกเครื่องมือเก็บหลักฐานให้ตรงกับ construct เช่น sensor, questionnaire, survey, interview, observation, simulation หรือ existing dataset
  • ตรวจ feasibility, ethics, privacy, permission, safety และ institutional-review triggers ก่อนเก็บข้อมูลจริง
  • กำหนดล่วงหน้าว่าจะตอบสนองอย่างไรเมื่อผลสนับสนุน ไม่ต่าง ขัดกับสมมุติฐาน หรือสรุปไม่ได้
  • จำกัดข้อสรุปให้อยู่ในระดับที่ design และผลอนุญาต โดยไม่แต่งผล ไม่เติมเหตุผลย้อนหลัง และไม่เขียนผิดลอจิก
  • เทียบ evidence package ที่ design จะสร้างกับ methodological/reporting expectation ที่ตรวจจาก target venue โดยไม่ทำนาย acceptance

โมดูลนี้ไม่ให้ AI เลือกระเบียบวิธีวิจัย จำนวนตัวอย่าง วิธีทดสอบทางสถิติ ประเภทการพิจารณาจริยธรรม หรือข้อสรุปแทนผู้เชี่ยวชาญ คุณต้องนำแบบวิจัยไปตรวจต่อกับอาจารย์ที่ปรึกษา นักสถิติ ผู้เชี่ยวชาญสาขา คณะกรรมการจริยธรรม หรือหน่วยงานกำกับที่เกี่ยวข้อง

เลือกกรณีที่จะใช้เรียน

คุณไม่จำเป็นต้องคิดงานใหม่และออกแบบการทดลองให้เสร็จในครั้งเดียว หากเพิ่งมีหัวข้อและยังไม่มีแบบวิจัยให้ตรวจ ให้เลือกจุดเริ่มต้นหนึ่งทาง:

ทาง A — งานของตนเอง

เหมาะกับผู้ที่มี objective/RQ, proposed idea และ rough design แล้ว แม้ยังไม่รู้ parameter หรือเครื่องมือครบ ให้นำ one-page design sketch ที่ระบุอย่างน้อย:

  • problem/objective/RQ
  • claim ที่อยากกล่าวเมื่อจบงาน
  • แนวคิดหรือ mechanism
  • สิ่งที่คิดว่าจะเปรียบเทียบและวัด
  • จุดที่ยังไม่รู้หรือยังต้องถามผู้เชี่ยวชาญ

ทาง B — วิเคราะห์งานตีพิมพ์ย้อนกลับ

เหมาะกับผู้ที่ยังไม่มี design ของตนเอง เลือกบทความที่เข้าถึง Methods และ Results ได้จริงหนึ่งชิ้น แล้วทดลองแกะว่า claim ของบทความนั้นต้องอาศัยสมมุติฐาน การวัด คู่เทียบ และเงื่อนไขใดบ้าง เป้าหมายไม่ใช่ตัดสินว่าบทความผิด แต่เรียนรู้ anatomy ของ design จากงานจริง

ทาง C — กรณีออกแบบตัวอย่าง

ใช้ dossier ตัวอย่างที่มี problem, objective/RQ, proposed mechanism, candidate claim, literature extracts/DOI ที่ตรวจแล้ว, constraint, candidate dataset/instrument และ design sketch ที่จงใจเว้นช่องสำคัญ แต่ ไม่มีผลทดลองปลอม หน้าที่ของคุณคือเติมสิ่งที่ขาดและโจมตี design ส่วน scenario “ผลสนับสนุน/ไม่ต่าง/ขัดแย้ง” เป็นเพียง hypothetical result card สำหรับทดสอบตรรกะการตัดสินใจ ไม่ใช่หลักฐานวิจัย

แนวคิดหลัก

1. เริ่มจากข้อกล่าวอ้างแล้วถอยกลับ

ไม่เริ่มจากรายการเครื่องมือ เริ่มจากประโยคที่อยากสรุป แล้วถามย้อนกลับ:

Candidate claim -> ต้องมีข้อสรุปย่อยอะไรจึงกล่าวได้ -> แต่ละข้อสรุปต้องเห็น observation/evidence อะไร -> observation ต้องวัด construct ใด -> ต้องใช้ comparator, sample, instrument และ environment แบบใด -> ผลแบบใดทำให้ claim ไม่ผ่านหรือยังสรุปไม่ได้

2. สมมุติฐานไม่ได้มีเพียงประโยคเดียว

แยก hypothesis/necessary condition อย่างน้อยห้ากลุ่ม:

  • Core effect/performance: ผลหลักที่ claim ต้องการ
  • Mechanism: เหตุผลหรือกระบวนการที่เชื่อว่าอธิบายผล
  • Measurement validity: เครื่องมือหรือ proxy วัดสิ่งที่อ้างจริง
  • Boundary/robustness: ผลยังอยู่ภายใต้ประชากร dataset environment หรือ parameter ใด
  • Safety/feasibility/compliance: วิธีไม่สร้างความเสี่ยงหรือเงื่อนไขที่ทำให้ใช้จริงไม่ได้

คำว่า “list ให้หมด” ในทางปฏิบัติหมายถึงสร้าง claim tree แล้วตรวจ completeness จากหลายมุม พร้อมเปิดช่อง unknown / expert review required ไม่ใช่อ้างว่า AI รับรองว่ารายการครบสมบูรณ์แล้ว

3. แยกค่าที่กำหนด ตัววัด และเกณฑ์ตัดสิน

  • Parameter: สิ่งที่ตั้ง/เปลี่ยน/ควบคุม เช่น dose, threshold, model setting, duration
  • Metric/indicator: สิ่งที่คำนวณหรือสังเกตเพื่อแทน outcome/construct
  • Decision rule: เกณฑ์ล่วงหน้าว่าผลระดับใดสนับสนุน ไม่สนับสนุน หรือยังตัดสินไม่ได้

การมี metric ไม่ได้แปลว่ามีเกณฑ์ตัดสิน และ metric ที่ดีทางเทคนิคอาจไม่วัดปัญหาที่ตั้งไว้

4. คู่เทียบต้องตอบข้อโต้แย้ง

คู่เทียบอาจเป็น current practice, no intervention, placebo/sham, previous version, established baseline, ablation, matched group, negative case หรือ counterfactual ที่ design รองรับ ต้องอธิบายว่า comparator ตัดคำอธิบายทางเลือกใดออก ไม่เลือก baseline ที่อ่อนเพียงเพื่อให้วิธีใหม่ดูดี

5. ชุดข้อมูล สภาพแวดล้อม และตัวอย่างเป็นส่วนของข้อกล่าวอ้าง

ต้องบันทึกแหล่งที่มา inclusion/exclusion, sampling/allocation, missingness, contamination/leakage, version, license/permission และความต่างระหว่าง test condition กับ deployment/real-world condition ผลที่ได้จาก sample หรือ simulation หนึ่งชุดไม่ขยายไปยังประชากรและ environment อื่นโดยอัตโนมัติ

6. เครื่องมือต้องตรงกับสิ่งที่ต้องการวัด

เครื่องมือ/วิธี ต้องถามก่อนใช้
แบบสอบถาม/scale วัด construct ใด ผ่าน validity/reliability ในภาษาและประชากรนี้หรือไม่
Survey sampling frame, nonresponse และ wording bias ทำให้ใครหายไปจากข้อมูล
Interview/focus group sampling, protocol, interviewer influence, saturation/adequacy และ interpretation audit เป็นอย่างไร
Sensor/lab instrument calibration, detection limit, repeatability และ operator/environment effect คืออะไร
Simulation assumption, boundary condition, parameter source และ validation กับ real observation คืออะไร
Existing dataset/log provenance, consent/permission, label quality, leakage, missingness และ population shift คืออะไร

AI ช่วยสร้างรายการคำถามหรือร่าง instrument ได้ แต่ instrument ที่ AI ร่างยังไม่ผ่าน validity, reliability, pilot test หรือ approval โดยอัตโนมัติ

7. จุดตรวจด้านจริยธรรม กฎหมาย และข้อกำหนดของสถาบัน

ทำเพียง trigger screening ในคลาส:

  • มี human participants, identifiable/private data, intervention, deception, vulnerable groups หรือ sensitive questions หรือไม่
  • มี animal use, biological material, biosafety, environmental release หรือ hazardous procedure หรือไม่
  • ต้องขอ data access, owner permission, license, site permission, device certification หรือ contractual approval หรือไม่
  • ต้องใช้ consent/assent, information sheet, recruitment material, data-management/retention plan หรือ adverse-event process หรือไม่

ผลการคัดกรองใช้ตั้งสถานะว่า “ยังไม่พบเงื่อนไข”, “ต้องขอคำวินิจฉัย”, “รอการอนุมัติหรืออนุญาต” หรือ “ต้องหยุด” เท่านั้น อย่าใช้ผลจาก AI เพื่อรับรองว่าได้รับการยกเว้น เร่งรัด อนุมัติ หรือถูกกฎหมาย หากคุณเป็นผู้วิจัย มก. ต้องตรวจระเบียบและแบบฟอร์มปัจจุบัน รวมทั้งขอคำวินิจฉัยจากหน่วยงานที่รับผิดชอบ (ข้อมูลจริยธรรมการวิจัยในมนุษย์ มก., ระเบียบและแนวปฏิบัติ มก.)

8. ตารางเตรียมรับผลหลายแบบ ป้องกันการหาเหตุผลเข้าข้างผลภายหลัง

ก่อนเก็บข้อมูล ให้กำหนดอย่างน้อยสี่ outcome states:

  • ผลสนับสนุน hypothesis ตาม decision rule
  • ผลไม่ต่าง/ไม่ถึง threshold
  • ผลตรงข้ามหรือเกิด harm/trade-off
  • ผลสรุปไม่ได้เพราะ measurement, protocol, missing data, power/adequacy หรือ assumption ล้มเหลว

สำหรับแต่ละ state ให้เขียน permitted conclusion, forbidden conclusion, next action และ claim status ไว้ล่วงหน้า เพื่อลดการเลือกเล่าเฉพาะผลที่เข้าทางและการสร้างคำอธิบายหลังเห็นผล

ลงมือ ทดสอบจุดอ่อน แบบวิจัยด้วย AI

เริ่มในหน้าสนทนา AI ได้ทันที แล้วทำทีละช่วง โดยให้ AI ถามทีละคำถาม ช่วยจัดข้อมูลลงตาราง และชี้ช่องที่ยังไม่มีหลักฐาน แต่ห้ามเติมค่าหรือเลือกวิธีแทนคุณ หากต้องการเก็บผลเป็นเอกสาร ค่อยดาวน์โหลด สมุดงานโมดูล 6 หรือขอให้ AI จัดผลตามหัวข้อในสมุดงาน หากทำร่วมกับผู้อื่นสามารถแบ่งมุมตรวจเป็น:

  • Claim keeper: ตรวจว่า objective, hypothesis, evidence และ conclusion ใช้คำเดียวกัน
  • Design engineer: เติม specification, comparator, procedure และ measurement
  • ท้าทายข้อสรุป/compliance recorder: พยายามหักล้าง design และบันทึก ethics/permission trigger

หากเรียนคนเดียว ให้สั่ง AI สลับมุมตรวจทั้งสามบทบาท แต่คุณต้องเป็นผู้ตัดสินและเปิดหลักฐานตรวจทุกข้อ

✎ แก้ก่อนส่ง: เปลี่ยนข้อความใน {{…}} ให้เป็นข้อมูลของคุณ แล้วจึงคัดลอก Prompt ไปให้ AI

ข้อมูลที่ฉันกำหนด: - TRACK: {{A งานของตนเอง / B reverse-engineer / C กรณีตัวอย่าง}} - CANDIDATE_CLAIM: {{พิมพ์ claim หนึ่งข้อที่ต้องการทดสอบ}} - TARGET_VENUE: {{พิมพ์ venue ที่สนใจ หรือเขียนว่า ยังไม่ทราบ}} พาฉันตรวจแบบวิจัยทีละช่วง ถามครั้งละหนึ่งคำถามและรอคำตอบ ใช้เฉพาะเอกสารและข้อมูลที่ฉันให้ แยกสิ่งที่ฉันตัดสิน หลักฐานที่ตรวจแล้ว ข้อสมมติ และ “ต้องหาคำตอบ — ผู้รับผิดชอบ/แหล่งข้อมูล/วันที่” ห้ามเลือกวิธี จำนวนตัวอย่าง วิธีวิเคราะห์ เครื่องมือ ค่าที่กำหนด ประเภทจริยธรรม หรือข้อสรุปแทนฉัน ทุกช่วงให้สรุปสิ่งที่ฉันยืนยัน จุดที่ยังขาด และชิ้นงานที่ปรับแล้ว ก่อนถามว่าจะไปช่วงถัดไปหรือแก้ของเดิม

ช่วง 1 — เลือกกรณีและตรึงข้อกล่าวอ้าง

เริ่มคุยกับ AI ทันที ไม่ต้องเขียนข้อกล่าวอ้างให้สมบูรณ์ก่อน เลือกทาง A/B/C แล้วให้ AI ถามเพื่อแยก “สิ่งที่อยากศึกษา” ออกจาก “สิ่งที่คาดว่าจะสรุปได้”

เริ่มช่วง 1 จากข้อมูลที่ฉันให้ไว้ ถ้ายังไม่รู้ว่าฉันเลือกทาง A, B หรือ C ให้ถามก่อน จากนั้นถามครั้งละหนึ่งคำถามเพื่อช่วยฉันเขียนข้อกล่าวอ้างเพียงหนึ่งข้อ ตรวจคำที่กว้าง คลุมเครือ หรือรวมหลายข้อไว้ด้วยกัน ถ้าฉันยังตอบไม่ได้ ให้บันทึกว่า “ต้องหาคำตอบ — ผู้รับผิดชอบ/แหล่งข้อมูล/วันที่” ห้ามแก้ข้อกล่าวอ้างแทนฉัน

คุณต้องตัดสิน: ขอบเขต ประชากรหรือสถานการณ์ และคำสำคัญที่ยอมรับให้ใช้

ก่อนผ่านช่วงนี้: ให้ AI แสดงข้อกล่าวอ้างฉบับที่คุณยืนยัน คำที่นิยามแล้ว คำที่ยังไม่ชัด และเหตุผลที่ตัดส่วนเกินออก จากนั้นบันทึกลงสมุดงาน

ช่วง 2 — แตกข้อกล่าวอ้างเป็นสมมติฐาน

ให้ AI ช่วยถามย้อนจากข้อกล่าวอ้างว่า ต้องเห็นหลักฐานอะไร และผลแบบใดทำให้กล่าวเช่นนั้นไม่ได้ ใช้รหัส เช่น H-C1, H-M1, H-V1, H-B1, H-S1 เพื่อเชื่อมรายการข้ามตาราง

ใช้ข้อกล่าวอ้างที่ฉันยืนยันในช่วง 1 พาฉันแตกเป็นสมมติฐานหรือเงื่อนไขจำเป็นทีละข้อ ครอบคลุมผลหลัก กลไก ความตรงของการวัด ขอบเขต และความปลอดภัยหรือความเป็นไปได้ สำหรับแต่ละข้อ ให้ถามฉันว่า (1) ต้องสังเกตอะไร (2) หลักฐานใดรองรับ และ (3) ผลแบบใดทำให้ไม่ผ่าน อย่าสร้างคำตอบเอง และอย่าไปข้อถัดไปจนกว่าฉันจะยืนยัน

คุณต้องตัดสิน: สมมติฐานใดจำเป็นต่อข้อกล่าวอ้าง และข้อใดอยู่นอกขอบเขต

ก่อนผ่านช่วงนี้: ให้ AI ทำตาราง รหัส → สิ่งที่ต้องเห็น → หลักฐาน → ไม่ผ่านเมื่อ และชี้รายการที่ยังไม่มีหลักฐาน

ช่วง 3 — ระบุส่วนประกอบของการศึกษา

ทำทีละแถว ไม่ต้องจำรายการทั้งหมด ให้ AI ตรวจหน่วยที่ศึกษา ประชากร/ตัวอย่าง การเลือกตัวอย่าง สิ่งที่เปลี่ยนหรือสิ่งที่ได้รับ คู่เทียบ ค่าที่กำหนด ผลที่วัด ชุดข้อมูล สภาพแวดล้อม เครื่องมือ ขั้นตอน เวลา ปัจจัยกวน วิธีวิเคราะห์ และเกณฑ์ตัดสิน

เปิดส่วนระบุส่วนประกอบของการศึกษาในสมุดงาน แล้วถามฉันเติมทีละแถว เริ่มจากหน่วยที่ศึกษาและประชากร ก่อนถามเรื่องตัวอย่าง คู่เทียบ สิ่งที่วัด เครื่องมือ ขั้นตอน และเกณฑ์ตัดสิน ทุกครั้งให้เชื่อมแถวนั้นกับรหัสสมมติฐานจากช่วง 2 ถ้าข้อมูลไม่พอ ให้เสนอคำถามที่ฉันควรนำไปถามผู้เชี่ยวชาญ แต่ห้ามเลือกวิธี จำนวนตัวอย่าง ค่าพารามิเตอร์ หรือวิธีวิเคราะห์แทนฉัน

คุณต้องตัดสิน: สิ่งที่จะเปรียบเทียบ วัด ควบคุม และเกณฑ์ที่ใช้บอกว่าผ่านหรือไม่ผ่าน

ก่อนผ่านช่วงนี้: ให้ AI หาว่าแถวใดไม่เชื่อมกับสมมติฐาน แถวใดขาดเจ้าของคำตอบ และคู่เทียบใดยังตัดคำอธิบายอื่นไม่ได้

ช่วง 4 — ตรวจเครื่องมือและข้อกำกับ

แยกเป็นสองรอบ: รอบแรกตรวจว่าเครื่องมือวัดสิ่งที่ต้องการจริงหรือไม่ รอบที่สองตรวจเฉพาะ “สัญญาณว่าต้องขอคำวินิจฉัย” ด้านจริยธรรม ความเป็นส่วนตัว การอนุญาต ความปลอดภัย สิทธิการใช้ และความเป็นไปได้

พาฉันตรวจช่วง 4 ทีละเครื่องมือ เริ่มจากถามว่าเครื่องมือนี้ตั้งใจวัดสิ่งใด แล้วถามหาหลักฐานความตรง ความสม่ำเสมอ การสอบเทียบ หรือการทดลองใช้ที่จำเป็น จากนั้นถามสัญญาณด้านจริยธรรม ข้อมูลส่วนบุคคล การอนุญาต ความปลอดภัย และสิทธิการใช้ทีละข้อ สรุปได้เพียงว่า “ยังไม่พบสัญญาณ / ต้องขอคำวินิจฉัย / รออนุญาต / ยังทำต่อไม่ได้” ห้ามบอกว่าโครงการผ่านหรือได้รับยกเว้น

คุณต้องตัดสิน: เครื่องมือใดใช้ต่อได้แบบมีเงื่อนไข และเรื่องใดต้องส่งให้ผู้เชี่ยวชาญหรือหน่วยงานพิจารณา

ก่อนผ่านช่วงนี้: ให้ AI สร้างรายการสิ่งที่ต้องทำภายนอก พร้อมผู้รับผิดชอบ แหล่งตรวจ และวันที่ ไม่ให้ AI ปิดรายการเอง

ช่วง 5 — เตรียมรับผลหลายแบบก่อนเห็นผลจริง

ใช้เพียงสถานการณ์สมมติสี่แบบ: สนับสนุน ไม่ต่าง ขัดแย้ง และสรุปไม่ได้ ทุกใบต้องระบุชัดว่า สถานการณ์สมมติ — ไม่ใช่หลักฐานวิจัย

ใช้สมมติฐานและเกณฑ์ตัดสินที่ฉันยืนยัน ช่วยฉันทำบัตรสถานการณ์สมมติทีละใบ เริ่มจาก “ผลสนับสนุน” แล้วจึง “ผลไม่ต่าง” “ผลขัดแย้ง” และ “ผลสรุปไม่ได้” ในแต่ละใบให้ถามฉันว่า อนุญาตให้สรุปอะไร ห้ามสรุปอะไร ต้องทำอะไรต่อ และข้อกล่าวอ้างมีสถานะใด ถ้าฉันสรุปแรงเกินแบบวิจัย ให้ถามท้าทาย แต่ห้ามสร้างตัวเลขหรือผลการศึกษาจริง

คุณต้องตัดสิน: ขอบเขตของข้อสรุปและสิ่งที่จะทำต่อในแต่ละสถานการณ์

ก่อนผ่านช่วงนี้: ให้ AI เปรียบเทียบทั้งสี่ใบและวงข้อความที่ใช้มาตรฐานไม่เท่ากันหรือเอื้อเฉพาะผลที่ต้องการ

ช่วง 6 — ให้ AI ท้าทายแบบวิจัย

คราวนี้ให้ AI เปลี่ยนบทบาทจากผู้ช่วยจัดข้อมูลเป็นผู้ตั้งข้อโต้แย้งทีละข้อ โดยตรวจสมมติฐานที่หายไป ตัวแทนการวัดที่ไม่ตรง คู่เทียบที่ไม่เป็นธรรม ความไม่ตรงกันของข้อมูล/ตัวอย่าง/สภาพแวดล้อม อุปสรรคด้านข้อกำกับ และข้อสรุปที่แรงเกินแบบวิจัย

ท้าทายแบบวิจัยของฉันทีละหนึ่งประเด็น โดยอ้างรหัสสมมติฐานหรือแถวในสมุดงานทุกครั้ง บอกว่าเหตุใดจึงเป็นความเสี่ยง และหลักฐานใดจะทำให้ข้อท้าทายนั้นเบาลง รอให้ฉันตอบก่อนจึงถามข้อต่อไป ห้ามแต่งปัญหาที่ไม่สัมพันธ์กับข้อมูลของฉัน เมื่อครบทุกมุม ให้จัดคำตอบของฉันเป็น “แก้ตอนนี้ / ถามผู้เชี่ยวชาญหรือหน่วยงาน / เก็บหลักฐานทดลองใช้ / อยู่นอกขอบเขตพร้อมเหตุผล / โต้แย้งด้วยหลักฐานที่ตรวจแล้ว”

คุณต้องตัดสิน: ยอมรับ แก้ ส่งต่อ หรือโต้แย้งแต่ละประเด็น พร้อมเหตุผล

ก่อนผ่านช่วงนี้: ต้องแก้แบบวิจัยอย่างน้อยหนึ่งจุดจากข้อท้าทายที่มีเหตุผล แล้วให้ AI บันทึกฉบับก่อนแก้และหลังแก้

ช่วง 7 — ตัดสินความพร้อมและวางงานถัดไป

ให้ AI สรุปจากหลักฐานในสมุดงานเท่านั้น แล้วให้คุณเลือกสถานะสุดท้ายหนึ่งสถานะ: รองรับข้อกล่าวอ้างได้ในหลักการ, รองรับได้เฉพาะข้อกล่าวอ้างที่แคบลง, ต้องแก้มาก, หรือยังทำต่อไม่ได้เพราะรอหลักฐาน/การอนุญาต/ทรัพยากร

ตรวจสมุดงานและบันทึกข้อท้าทายทั้งหมด แล้วแสดงหลักฐานสนับสนุนและจุดค้างของสถานะความพร้อมทั้งสี่ทาง ห้ามเลือกสถานะแทนฉัน ถามฉันให้เลือกหนึ่งสถานะและอธิบายเหตุผล จากนั้นช่วยจัดการแก้ไขสำคัญที่สุด 3 ข้อ พร้อมผู้รับผิดชอบ หลักฐานหรือคำวินิจฉัยที่ต้องหา และวันที่จะกลับมาตรวจ

คุณต้องตัดสิน: สถานะสุดท้าย เหตุผล และงานแก้ไขสามอันดับแรก

ก่อนจบ: ให้ AI ตรวจว่าไม่มีผล ตัวเลข เอกสารอ้างอิง การอนุมัติ หรือค่าที่แต่งขึ้น แล้วสร้าง design-red-team-findings.md และ design-decision-log.md จากข้อมูลที่คุณยืนยัน

Checkpoint

จบบทเรียน

ติ๊กเมื่อคุณตรวจเนื้อหาและอธิบายหลักฐานของแต่ละข้อได้ ระบบจะจำสถานะไว้ในเบราว์เซอร์นี้

ความสำเร็จ 0%

คำถามทบทวนท้ายบท

  1. candidate claim ของคุณต้องอาศัยสมมุติฐานหรือเงื่อนไขจำเป็นใดบ้าง
  2. comparator หรือ negative case ที่เลือกช่วยตัดคำอธิบายคู่แข่งใด
  3. instrument วัด construct ที่ต้องการจริงหรือวัดเพียง proxy และต้องตรวจ validity อย่างไร
  4. เมื่อผลไม่ต่างหรือสรุปไม่ได้ คุณได้รับอนุญาตให้กล่าวอะไรและห้ามกล่าวอะไร
  5. ประเด็นใด AI ช่วยตรวจโครงได้ แต่ต้องส่งต่อให้นักสถิติ ผู้เชี่ยวชาญ หรือหน่วยงานจริยธรรมตัดสิน

ทบทวนและพัฒนาต่อ

ทบทวน: แก้ workbook ตาม red team แล้วนำจุด expert review required ไปถามอาจารย์ที่ปรึกษา นักสถิติ ผู้เชี่ยวชาญเครื่องมือ หรือหน่วยงานจริยธรรม/กำกับที่เกี่ยวข้อง บันทึกคำตอบและแหล่งอ้างอิง ห้ามให้ AI ปิด TBD เอง

พัฒนาต่อ: ใช้ hypothesis IDs, decision rules และ permitted-claim table เป็น analysis plan และ claim gate เมื่อมีข้อมูลจริงใน Module 7 หรือใช้ตรวจข้อความก่อนผลิตเอกสารใน Module 8 หากจบที่ Module 6 ให้ใช้ design verdict และ revision plan เป็นชิ้นงานปลายทาง