วิเคราะห์ข้อมูล
และสร้างภาพ

• เรียนต่อเนื่อง: ใช้ hypothesis IDs, decision rules และแผนวิเคราะห์จาก Module 6 ร่วมกับข้อมูลที่เก็บหรือได้รับอนุญาตให้ใช้
• เริ่มที่โมดูลนี้: ใช้ข้อมูลจำแนกประเภทแบบ Iris ข้อมูลแบบสอบถาม CSV/Excel/SPSS ชุดข้อมูลเปิดของบทความ หรือข้อมูลวิจัยของคุณที่ผ่านการตรวจสิทธิและความเป็นส่วนตัว

สิ่งที่ต้องเตรียม

• เลือกข้อมูลจากหนึ่งใน Track A–D พร้อมสิทธิการใช้และพจนานุกรมข้อมูลเมื่อมี
• เตรียมคำถาม สมมติฐาน หรือเป้าหมายการพยากรณ์หนึ่งข้อที่ยังแก้ไขได้
• เปิด AI ที่แนบแฟ้มและดาวน์โหลดผลลัพธ์ได้ ใช้ผ่านเว็บหรือแอปได้
• ดาวน์โหลด สมุดงาน Module 7
• เตรียมพื้นที่แยกข้อมูลต้นฉบับ script ที่ AI สร้าง ผลวิเคราะห์ ตาราง ภาพ และบันทึกการตรวจ

ข้อมูลที่มีอยู่ตอบคำถามอะไรได้ ใช้วิธีวิเคราะห์ใดจึงสมเหตุสมผล และควรสร้างตารางหรือภาพแบบใดเพื่อสื่อผลโดยไม่ทำให้ผู้อ่านเข้าใจเกินกว่าหลักฐาน

เมื่อจบโมดูล คุณจะสามารถ

1. แปลงคำถามวิจัยเป็นหน่วยวิเคราะห์ ตัวแปร สมมติฐานหรือเป้าหมายการพยากรณ์ และหลักเกณฑ์การแปลผล
2. ตรวจโครงสร้างและคุณภาพของข้อมูลจาก Excel, CSV หรือ SPSS ก่อนวิเคราะห์
3. สั่งให้ AI วิเคราะห์ข้อมูลและสร้างตารางหรือภาพโดยไม่ต้องเขียนโปรแกรมเอง
4. เลือกวิธีวิเคราะห์และรูปแบบการนำเสนอให้เหมาะกับงานวิทยาศาสตร์ งานสังคมศาสตร์ และงานพยากรณ์หรือจำแนกประเภท
5. ตรวจตัวเลข วิธีรวมข้อมูล มาตราส่วน สี คำอธิบายภาพ และข้อสรุปย้อนกลับถึงข้อมูลต้นทางได้
6. ส่งออกตาราง ภาพนิ่ง และภาพเชิงโต้ตอบในรูปแบบที่พร้อมใช้ในบทความ โปสเตอร์ สไลด์ หรือเว็บไซต์

โมดูลนี้ไม่ทดแทนวิชาสถิติ ระเบียบวิธีวิจัย หรือวิธีวิเคราะห์เฉพาะสาขา AI อาจเสนอและดำเนินการวิเคราะห์ แต่ผู้วิจัยต้องรับผิดชอบความเหมาะสมของวิธี ความถูกต้องของข้อมูล และการแปลผล

• คุณทำงานผ่านการสนทนากับ AI เลือกแฟ้มข้อมูล และตรวจผลลัพธ์ โดยไม่ต้องเขียน Python, R หรือ JavaScript
• คุณต้องรู้ว่า AI ใช้ข้อมูล วิธีวิเคราะห์ และเครื่องมือใด โดยตรวจจากรายงานการทำงานและผลลัพธ์ ไม่ต้องอ่านหรือชี้ตำแหน่งข้อผิดพลาดในโค้ด
• AI สามารถสร้างและเรียกใช้โปรแกรมเบื้องหลังได้ แต่ต้องแสดงข้อมูลนำเข้า ตัวแปร การแปลงข้อมูล วิธีวิเคราะห์ ไลบรารีและรุ่นที่ใช้ ค่าพารามิเตอร์ และผลลัพธ์ที่ใช้สร้างตารางหรือภาพ
• ผลงานต้องทำซ้ำได้จากแฟ้มข้อมูลและบันทึกคำสั่งเดิม การได้ภาพที่สวยเพียงอย่างเดียวไม่ถือว่าผ่าน
• เมื่อ AI เสนอวิธีทางสถิติที่คุณอธิบายเหตุผลไม่ได้ ให้หยุดและขอคำปรึกษาจากผู้เชี่ยวชาญก่อนใช้ผล

CSV, Excel และ SPSS อาจแสดงข้อมูลคล้ายกันเมื่อเปิดดู แต่เก็บโครงสร้างและความหมายไม่เหมือนกัน การนำเข้าไม่ใช่เพียง “เปิดแฟ้มได้” คุณต้องตรวจว่าจำนวนแถว คอลัมน์ ชนิดตัวแปร ป้ายกำกับ และข้อมูลสูญหายยังคงความหมายเดิม

CSV ไม่ใช่ Excel

CSV ไม่มีแผ่นงาน สี สูตร เซลล์รวม หรือป้ายตัวแปร เป็นข้อความที่มีตัวคั่น จึงเหมาะสำหรับเป็นข้อมูลแลกเปลี่ยนและ plot-data.csv แต่ถ้าแปลง SPSS หรือ Excel เป็น CSV ต้องส่งพจนานุกรมข้อมูลและบันทึกการแปลงควบคู่ไปด้วย มิฉะนั้นความหมายของรหัสอาจสูญหาย

ขั้นตอนนำเข้าที่ต้องทำทุกครั้ง

1. เก็บแฟ้มต้นฉบับไว้โดยไม่แก้ไข และบันทึกชื่อแฟ้ม ขนาด วันที่ และแหล่งที่มา
2. ระบุรูปแบบจริงของแฟ้ม ไม่อาศัยนามสกุลเพียงอย่างเดียว
3. แสดงรายการแผ่นงาน ตาราง หรือข้อมูลกำกับก่อนเลือกสิ่งที่จะอ่าน
4. ระบุแถวหัวตาราง คอลัมน์รหัส หน่วยวิเคราะห์ ชนิดตัวแปร และค่าที่ใช้แทนข้อมูลสูญหาย
5. อ่านเข้า raw_df โดยยังไม่ลบ แทนค่า รวมแถว หรือเปลี่ยนชื่อคอลัมน์โดยไม่บันทึก
6. สร้างใบรับการนำเข้า ซึ่งระบุจำนวนแถว × คอลัมน์ รายชื่อคอลัมน์ ชนิดข้อมูล จำนวนค่าที่ไม่ซ้ำ ข้อมูลสูญหาย และคำเตือน
7. เปรียบเทียบจำนวนข้อมูลและตัวแปรกับแฟ้มต้นฉบับหรือข้อมูลกำกับ หากไม่ตรงต้องหยุดก่อนวิเคราะห์

คำสั่งนำเข้า CSV

ตรวจ encoding และตัวคั่นของแฟ้ม CSV ก่อนอ่าน แสดงตัวอย่างข้อความดิบและหัวตาราง ระบุค่าที่ถือเป็นข้อมูลสูญหาย ป้องกันเลขศูนย์นำหน้าของรหัส ตรวจวันที่และคอลัมน์ชนิดผสม แล้วอ่านด้วย pandas เป็น raw_df โดยไม่แก้แฟ้มต้นฉบับ จัดทำใบรับการนำเข้าและรายงานคำเตือนทั้งหมด

คำสั่งนำเข้า Excel

ใช้ pandas ร่วมกับ openpyxl ตรวจรายชื่อแผ่นงานและขนาดของแต่ละแผ่นก่อน เลือกแผ่นงานและแถวหัวตารางอย่างมีเหตุผล ตรวจเซลล์รวม สูตร วันที่ แถวหมายเหตุ คอลัมน์ที่ไม่มีชื่อ และคอลัมน์ชนิดผสม แล้วอ่านเป็น raw_df โดยไม่แก้แฟ้มต้นฉบับ จัดทำใบรับการนำเข้าและรายงานสิ่งที่อาจสูญหายจากรูปแบบ Excel

คำสั่งนำเข้า SPSS

ใช้ pyreadstat อ่านแฟ้ม SPSS พร้อมข้อมูลกำกับ แยกชื่อและป้ายตัวแปร ป้ายค่า ชนิดและรูปแบบตัวแปร รวมทั้งค่าข้อมูลสูญหายที่ผู้ใช้กำหนด เก็บทั้งค่ารหัสและความหมายของรหัส ตรวจภาษาไทยและวันที่ แล้วสร้าง raw_df, data-dictionary.csv และใบรับการนำเข้า ห้ามแปลงเป็น CSV โดยทิ้งข้อมูลกำกับ

ลองเปิดข้อมูลเดียวกันในสามรูปแบบ

หากต้องการฝึกเปรียบเทียบรูปแบบ ให้ใช้ข้อมูลชุดเดียวกันใน .csv, .xlsx และ .sav ที่มีจุดต่าง เช่น รหัส 001, วันที่, ป้ายค่าเพศหรือระดับความเห็น, รหัสข้อมูลสูญหาย 99, ภาษาไทย และแผ่นงานหมายเหตุ แล้วให้ AI นำเข้าทั้งสามแบบก่อนที่คุณจะเปรียบเทียบผล

• จำนวนแถวและคอลัมน์
• ชนิดตัวแปร
• ค่าที่ไม่ซ้ำและข้อมูลสูญหาย
• ชื่อกับป้ายตัวแปร
• ค่ารหัสกับป้ายค่า
• วันที่ ภาษาไทย และเลขศูนย์นำหน้า

เป้าหมายไม่ใช่ทำให้สามแฟ้มเหมือนกันทุกประการ แต่ให้ระบุว่าความหมายใดต้องรักษาและข้อมูลกำกับใดต้องแนบเมื่อเปลี่ยนรูปแบบ

คุณไม่ต้องจำไวยากรณ์ แต่ต้องอธิบายลำดับงานต่อไปนี้ได้

คำสำคัญที่ต้องเข้าใจ

• Python environment: ชุด Python และไลบรารีที่ติดตั้งและกำหนดรุ่นไว้ งานเดิมควรเรียกใช้ environment เดิมเพื่อให้ทำซ้ำได้
• library/package: ชุดเครื่องมือเฉพาะงานซึ่ง Python เรียกใช้ เช่น อ่าน Excel วิเคราะห์สถิติ หรือสร้างกราฟ
• import: การเรียกไลบรารีเข้ามาใช้ในโปรแกรม AI เป็นผู้เขียนคำสั่ง แต่คุณต้องตรวจว่าเลือกเครื่องมือตรงกับงาน
• DataFrame: ตารางข้อมูลในหน่วยความจำ แถวควรสอดคล้องกับหน่วยวิเคราะห์ และคอลัมน์ควรสอดคล้องกับตัวแปร
• function และ parameter: วิธีดำเนินการและค่าที่ควบคุมวิธีนั้น เช่น วิธีจัดการข้อมูลสูญหาย วิธีแบ่งข้อมูลฝึก/ทดสอบ หรือขนาดภาพ
• script: แฟ้มคำสั่งที่เก็บขั้นตอนทั้งหมดไว้เพื่อเรียกซ้ำ ไม่ใช้เฉพาะผลที่ปรากฏในหน้าสนทนา
• artifact: แฟ้มผลลัพธ์ เช่น CSV, XLSX, PNG, SVG, PDF หรือ HTML ซึ่งต้องย้อนกลับได้ว่าสร้างจาก script และข้อมูลใด

DataFrame ไม่ใช่เพียงตารางที่เปิดดูได้ แต่เป็นจุดเชื่อมระหว่างข้อมูลดิบ วิธีวิเคราะห์ และภาพ ทุกภาพต้องตอบได้ว่าใช้แถวใด คอลัมน์ใด มีการกรองหรือรวมค่าอย่างไร และแต่ละส่วนของภาพแทนตัวแปรใด

1. โครงสร้างของ DataFrame

• หนึ่งแถว ควรแทนหน่วยวิเคราะห์หนึ่งหน่วย เช่น ดอกไม้หนึ่งดอก ผู้ตอบแบบสอบถามหนึ่งคน จังหวัดหนึ่งจังหวัด หรือผลการทดลองหนึ่งครั้ง
• หนึ่งคอลัมน์ ควรแทนตัวแปรหนึ่งตัว พร้อมชื่อ ความหมาย ชนิดข้อมูล หน่วย และรหัสข้อมูลสูญหาย
• index ใช้ระบุตำแหน่งแถว ไม่ควรถูกตีความเป็นตัวแปรโดยอัตโนมัติ
• data type บอกว่าเป็นจำนวน ข้อความ กลุ่ม วันที่ หรือค่าตรรกะ การอ่านชนิดผิดทำให้วิเคราะห์และสร้างภาพผิดได้
• shape บอกจำนวนแถวและคอลัมน์ ส่วนการนับหน่วยไม่ซ้ำใช้ตรวจว่าหนึ่งแถวตรงกับหน่วยวิเคราะห์จริงหรือไม่

ให้ AI แสดงตัวอย่างแถวแรก โครงสร้างคอลัมน์ ชนิดข้อมูล จำนวนข้อมูลสูญหาย จำนวนค่าที่ไม่ซ้ำ และสถิติเบื้องต้นก่อนสร้างภาพทุกครั้ง

2. DataFrame สี่สถานะ

เก็บสถานะแยกกัน ห้ามแก้ข้อมูลต้นฉบับทับไปเรื่อย ๆ

ต้องบันทึก plot_df เป็น plot-data.csv ก่อนวาดภาพ เพื่อให้ตรวจได้ว่าภาพสร้างจากตัวเลขใด หากภาพกับ plot-data.csv ไม่ตรงกันให้ถือว่ายังไม่ผ่าน

3. รูปแบบกว้างและรูปแบบยาว

• รูปแบบกว้าง (wide): หนึ่งแถวต่อหน่วยวิเคราะห์และแต่ละการวัดอยู่คนละคอลัมน์ เหมาะกับการตรวจข้อมูลและแบบจำลองบางชนิด
• รูปแบบยาว (long): หนึ่งแถวต่อหนึ่งหน่วยต่อหนึ่งการวัด มีคอลัมน์ระบุชนิดการวัดและค่า เหมาะกับ Seaborn, Plotly และการเปรียบเทียบหลายตัวแปร

ตัวอย่างแบบสอบถามอาจเริ่มเป็น respondent_id, Q1, Q2, Q3 แบบกว้าง แล้วแปลงเป็น respondent_id, item, response แบบยาวเพื่อสร้างแผนภูมิ Likert การแปลงรูปแบบต้องไม่ทำให้จำนวนผู้ตอบหรือรหัสผู้ตอบสูญหาย

4. ผูกคอลัมน์เข้ากับส่วนของภาพ

ห้ามกำหนด color, size หรือ facet เพียงเพื่อให้ภาพดูซับซ้อน ทุกช่องทางต้องตอบคำถามหรือป้องกันการตีความผิด

5. การรวมค่าก่อนวาดภาพ

ภาพจำนวนมากไม่ได้วาดจากข้อมูลรายแถวโดยตรง แต่ใช้ plot_df ที่รวมค่าแล้ว คุณต้องระบุให้ครบว่า

• รวมด้วยจำนวน ผลรวม ค่าเฉลี่ย มัธยฐาน หรือร้อยละ
• จัดกลุ่มด้วยตัวแปรใด
• ตัวหารคืออะไร
• ตัดข้อมูลสูญหายอย่างไร
• แสดงความไม่แน่นอนหรือจำนวนตัวอย่างอย่างไร

Seaborn หรือ Plotly อาจรวมค่าให้อัตโนมัติได้ แต่ในงานวิจัยให้สร้างและตรวจ plot_df ก่อน เพื่อป้องกันการรวมซ้ำ ใช้ตัวหารผิด หรือได้ภาพที่ตรวจตัวเลขไม่ได้

6. ตัวอย่างการเชื่อม DataFrame กับภาพ

7. คำสั่งจาก DataFrame ไปเป็นภาพ

แสดงโครงสร้างของ DataFrame และยืนยันหน่วยวิเคราะห์ก่อน สร้าง plot_df ที่มีเฉพาะแถว คอลัมน์ ค่ารวม ตัวหาร จำนวนตัวอย่าง และความไม่แน่นอนที่ต้องใช้ บันทึกเป็น plot-data.csv แล้วเสนอภาพที่ง่ายที่สุดซึ่งตอบคำถาม ระบุการผูก x, y, color, size, facet และ tooltip ก่อนเรียกไลบรารี ห้ามให้ไลบรารีรวมค่าที่ตรวจสอบไม่ได้ หลังสร้างภาพให้เทียบค่าบนภาพกับ plot-data.csv

ชุดไลบรารีหลักที่ใช้จริง

เลือกเครื่องมือจากผลลัพธ์ที่ต้องการ ไม่ต้องจำรายชื่อไลบรารียาว ๆ ให้เริ่มจากคำถามว่า “ต้องการทำอะไร” แล้วตรวจว่า AI เลือกชุดเครื่องมือถูกงานหรือไม่

Matplotlib ยังจำเป็น แต่ไม่ใช้เป็นหน้าตาเริ่มต้น คุณจะเห็นผลผ่าน Seaborn ซึ่งมีรูปแบบและสีที่เหมาะสมกว่า แล้วจึงใช้ Matplotlib ปรับชื่อแกน แบบอักษร ขนาด เส้น และการส่งออก

ไลบรารีเสริม ใช้เมื่อโจทย์บังคับเท่านั้น

D3.js ไม่เป็นเนื้อหาแกน เพราะเพิ่มภาระ JavaScript และการตรวจการทำงานบนเบราว์เซอร์ ส่วน Folium เหมาะกับการลองทำแผนที่ เพราะสั่งด้วยภาษาธรรมชาติและเห็นผลลัพธ์ชัดเจนทันที

บัตรคำสั่ง 5 ใบ

คุณไม่ต้องจำชื่อฟังก์ชัน ให้เลือกบัตรตามชิ้นงานที่ต้องการ แล้วเติมชื่อตัวแปรและคำถาม

1. Data Card: “ใช้ pandas อ่านแฟ้มนี้แบบไม่แก้ต้นฉบับ ใช้ openpyxl/pyreadstat ตามชนิดแฟ้ม แล้วรายงานแผ่นงาน ป้ายตัวแปร ชนิดข้อมูล ข้อมูลสูญหาย และข้อมูลซ้ำ”
2. Beautiful Static Chart Card: “ใช้ Seaborn สร้าง ______ เพื่อเปรียบเทียบ ______ แสดงหน่วย จำนวนตัวอย่าง และความไม่แน่นอน ใช้ Matplotlib ปรับขนาดและส่งออก PNG กับ SVG”
3. Interactive Chart Card: “ใช้ Plotly สร้างภาพเดียวกันแบบโต้ตอบ ให้ชี้ดูค่าและกรอง ______ ได้ ส่งออกเป็น HTML แบบอยู่ได้ด้วยตนเอง และสร้างภาพนิ่งสำรอง”
4. Map Card: “ใช้ Folium แสดง ______ ตามพิกัด/พื้นที่ ______ ระบุความหมายของสีหรือขนาด ป้องกันการเปิดเผยตำแหน่งอ่อนไหว และส่งออกเป็น HTML”
5. Classification Card: “ใช้ scikit-learn แบ่งข้อมูลฝึกและทดสอบ เปรียบเทียบกับค่าฐาน ห้ามข้อมูลรั่วไหล รายงาน confusion matrix และตัวชี้วัดที่เหมาะกับความสมดุลของกลุ่ม แล้วใช้ Seaborn สร้างภาพผลลัพธ์”

บัตรคำสั่งช่วยให้เรียกไลบรารีได้โดยไม่ต้องจำไวยากรณ์ แต่คุณยังต้องตรวจข้อมูล วิธีวิเคราะห์ และผลลัพธ์ตามเกณฑ์ของโมดูล

วิธีสั่ง AI ให้เรียกไลบรารีอย่างตรวจสอบได้

ใช้คำสั่งระดับงานดังนี้

ตรวจ environment ที่โครงการกำหนดก่อน ระบุ Python และไลบรารีพร้อมรุ่นที่จะใช้ ห้ามติดตั้งหรือปรับรุ่นโดยไม่แจ้ง อ่านแฟ้มต้นฉบับแบบไม่แก้ไข ตรวจโครงสร้างและคุณภาพข้อมูลก่อนเสนอวิธีวิเคราะห์ สร้าง script ที่เรียกซ้ำได้ บันทึกผลตัวเลขที่ใช้สร้างทั้งตารางและภาพ และรายงานชื่อแฟ้มผลลัพธ์กับข้อผิดพลาดหรือคำเตือนทั้งหมด

หากไลบรารีที่ต้องใช้ไม่มีอยู่ AI ต้องเสนอทางเลือกที่มีอยู่หรือแจ้งรายการที่ขาดพร้อมเหตุผล คุณจึงตัดสินใจว่าจะใช้ทางเลือกหรือกลับไปเพิ่มซอฟต์แวร์ผ่าน Module 1 ห้ามให้ AI ติดตั้งแพ็กเกจโดยพลการระหว่างการวิเคราะห์

เลือกหนึ่งเส้นทาง โดยทุกเส้นทางใช้ สมุดงาน Module 7 ชุดเดียวกัน

ทาง A — การจำแนกประเภทแบบ Iris

ใช้ชุดข้อมูล Iris หรือชุดข้อมูลหลายกลุ่มที่มีโครงสร้างใกล้เคียงกัน เพื่อเรียนรู้ความแตกต่างระหว่างการอธิบายข้อมูลกับการพยากรณ์

• คำถามตัวอย่าง: ตัวแปรลักษณะทางกายภาพสามารถใช้จำแนกชนิดได้เพียงใด
• ข้อกล่าวอ้างที่ทดสอบ: แบบจำลองให้ผลดีกว่าวิธีทำนายกลุ่มที่พบมากที่สุด
• สิ่งที่ต้องตรวจ: การแบ่งข้อมูลฝึกและข้อมูลทดสอบ การรั่วไหลของข้อมูล สมดุลของแต่ละกลุ่ม ค่าฐานเปรียบเทียบ เมทริกซ์ความสับสน ความแม่น ความระลึก และค่า F1
• ขอบเขตข้อสรุป: ผลการจำแนกไม่ใช่หลักฐานเชิงสาเหตุ และผลที่ดีกับข้อมูลตัวอย่างไม่รับรองว่าจะใช้ได้กับประชากรอื่น

ทาง B — ข้อมูลแบบสอบถามจาก SPSS หรือ Excel

ใช้แฟ้ม .sav, .xlsx หรือ .csv พร้อมแบบสอบถามและพจนานุกรมข้อมูล

• ตรวจรหัสข้อมูลสูญหาย ข้อคำถามที่ต้องกลับคะแนน ระดับการวัด หน่วยวิเคราะห์ จำนวนกลุ่ม และจำนวนผู้ตอบ
• สร้างตารางลักษณะกลุ่มตัวอย่าง ตารางแจกแจงความถี่ และตารางสรุปตัวแปร
• เลือกคำถามหนึ่งข้อสำหรับการเปรียบเทียบระหว่างกลุ่มหรือการหาความสัมพันธ์
• รายงานขนาดผล ช่วงความเชื่อมั่น และจำนวนตัวอย่างควบคู่กับค่านัยสำคัญเมื่อวิธีวิเคราะห์รองรับ
• ห้ามตีความความสัมพันธ์ว่าเป็นเหตุและผล หากแบบการวิจัยไม่รองรับ

ทาง C — ทำซ้ำตารางหรือภาพจากบทความที่เปิดเผยข้อมูล

เลือกบทความหนึ่งเรื่องที่มีชุดข้อมูลดาวน์โหลดได้ คำอธิบายตัวแปรชัดเจน และอนุญาตให้นำมาใช้เพื่อการศึกษา แล้วทำตามขั้นต่อไปนี้

1. ระบุข้อกล่าวอ้างที่ตารางหรือภาพต้นฉบับสนับสนุน
2. ดาวน์โหลดข้อมูลจากแหล่งที่บทความระบุและบันทึกที่มา รุ่น และเงื่อนไขการใช้
3. ทำซ้ำตารางหนึ่งรายการและภาพหนึ่งภาพ
4. เปรียบเทียบจำนวนข้อมูล การคัดกรอง วิธีคำนวณ และผลลัพธ์กับบทความ
5. จำแนกผลเป็น ทำซ้ำได้, ทำซ้ำได้บางส่วน, ยังทำซ้ำไม่ได้ หรือ ข้อมูลไม่เพียงพอ พร้อมหลักฐาน

เส้นทางนี้เป็นการทำซ้ำผลจากข้อมูลที่เปิดเผย ไม่ใช่การรับรองความถูกต้องของบทความทั้งหมด

ทาง D — ข้อมูลวิจัยของคุณ

ใช้ได้เมื่อมีข้อมูลที่ได้รับอนุญาต ไม่มีข้อมูลส่วนบุคคลที่ไม่ควรเปิดเผย และมีพจนานุกรมข้อมูล หากยังไม่พร้อมให้ใช้ Track A–C โดยไม่ลดเกณฑ์การประเมิน

เริ่มจากชนิดของคำถาม ไม่บังคับให้ทุกการวิเคราะห์มีสมมติฐาน

ใช้ประโยคตั้งต้นดังนี้

ในหน่วยวิเคราะห์ ______ เมื่อเปรียบเทียบ/เปลี่ยนแปลง ______ คาดว่า ______ จะ ______ เมื่อวัดด้วย ______ เทียบกับ ______ และจะถือว่าสนับสนุนข้อกล่าวอ้างเมื่อ ______

สำหรับงานจำแนกประเภทให้ใช้รูปแบบ

แบบจำลองที่กำหนดล่วงหน้าจะจำแนก ______ บนข้อมูลทดสอบที่แยกไว้ ได้ดีกว่าค่าฐานเปรียบเทียบ ______ เมื่อวัดด้วย ______ โดยไม่มีการรั่วไหลของข้อมูล

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

ช่วง 1 — กำหนดคำถามและสมมติฐาน

นำคำถามของคุณหรือคำถามตัวอย่างจากงานวิทยาศาสตร์และสังคมศาสตร์มาจำแนกว่าเป็นงานพรรณนา สำรวจ เปรียบเทียบ ความสัมพันธ์ พยากรณ์ หรือเชิงสาเหตุ จากนั้นเติมแบบประโยคสมมติฐานหรือระบุเหตุผลว่าไม่ควรตั้งสมมติฐาน

คุณตัดสิน: ชนิดคำถามและสมมติฐานที่จะใช้

ช่วง 2 — ตรวจและนำเข้าข้อมูล

นำเข้าแฟ้มข้อมูลด้วยภาษาธรรมชาติ แล้วให้ AI จัดทำ

• ใบรับการนำเข้าตามชนิดแฟ้ม พร้อมจำนวนแถว × คอลัมน์และคำเตือน
• รายการตัวแปร ชนิดข้อมูล ค่าและหน่วย
• จำนวนแถว หน่วยวิเคราะห์ ค่าซ้ำ และข้อมูลสูญหาย
• ค่าที่อยู่นอกช่วง รหัสพิเศษ และความไม่สอดคล้องระหว่างแบบสอบถามกับแฟ้มข้อมูล
• บันทึกการแปลงข้อมูล โดยห้ามแก้ข้อมูลต้นฉบับ

หากยังระบุหน่วยวิเคราะห์ ตัวแปรผล หรือที่มาของข้อมูลไม่ได้ จะยังไม่เริ่มสร้างกราฟหรือทดสอบสมมติฐาน

ก่อนทำต่อ ให้ AI แสดงชื่อ Python environment รุ่นของ Python รายชื่อไลบรารีหลัก และชื่อ script ที่เก็บขั้นตอนการวิเคราะห์ แล้วคุณตรวจว่าตรงกับรายงานหรือไม่

ก่อนผ่าน: คุณยืนยันสิทธิ หน่วยวิเคราะห์ พจนานุกรมข้อมูล และปัญหาคุณภาพข้อมูล

ช่วง 3 — เชื่อมตารางข้อมูลกับภาพ

ลองใช้ DataFrame ขนาดเล็กสามแบบ ได้แก่ Iris ข้อมูลแบบสอบถามแบบกว้าง และข้อมูลพิกัด แล้วทำตามขั้นต่อไปนี้โดยยังไม่เรียกไลบรารีสร้างภาพ

1. วงว่าแต่ละแถวแทนอะไรและแต่ละคอลัมน์เป็นตัวแปรชนิดใด
2. เลือกคอลัมน์ที่ตอบคำถามและตัดคอลัมน์ที่ไม่เกี่ยวข้อง
3. ระบุว่าต้องกรอง แปลงจาก wide เป็น long หรือรวมค่าหรือไม่
4. เขียน plot_df ตัวอย่าง 5–10 แถว
5. ผูกคอลัมน์เข้ากับ x, y, color, size, facet หรือ tooltip
6. ทำนายหน้าตาภาพ แล้วจึงให้ AI เรียก Seaborn, Plotly หรือ Folium

เมื่อทำครบ คุณจะเห็นว่าภาพไม่ได้เกิดจากคำสั่ง “ทำกราฟให้สวย” แต่เกิดจากโครงสร้างและการตัดสินใจเกี่ยวกับข้อมูลก่อนวาดภาพ

คุณตัดสิน: ตารางที่ใช้สร้างภาพและความหมายขององค์ประกอบภาพ

ตัวอย่างประกอบ — การจำแนกประเภท

ทั้งชั้นทำตัวอย่างแนว Iris ชุดเดียวกัน เพื่อเห็นลำดับคำถาม → ค่าฐานเปรียบเทียบ → แบบจำลอง → ข้อมูลทดสอบ → ตารางผล → เมทริกซ์ความสับสน → ข้อสรุปที่มีขอบเขต

จุดประสงค์ไม่ใช่แข่งขันหาแบบจำลองที่แม่นที่สุด แต่เพื่อจับการรั่วไหลของข้อมูล การเลือกตัวชี้วัดที่เอื้อผล และการสรุปเกินขอบเขต

เปิดดูขั้นตอนสร้างภาพของตัวอย่าง

ใช้ข้อมูลชุดเดียวกันสร้างผลสามระดับเพื่อสังเกตว่าการปรับวิธีนำเสนอเปลี่ยนสิ่งที่ผู้อ่านมองเห็นอย่างไร โดยไม่เปลี่ยนข้อมูลหรือข้อสรุป

1. ภาพ Matplotlib ค่าเริ่มต้น เพื่อเห็นโครงสร้างพื้นฐานของกราฟ
2. ภาพ Seaborn ที่ปรับตระกูลภาพ สี ลำดับ ป้ายกำกับ และความไม่แน่นอนให้ตอบคำถามชัดขึ้น
3. ภาพ Plotly ที่ชี้ดูค่าหรือกรองได้ หรือแผนที่ Folium เมื่อข้อมูลมีตำแหน่ง

เปรียบเทียบว่าอะไรเป็นเพียงความสวยงาม อะไรช่วยให้ตีความง่ายขึ้น และอะไรอาจทำให้เข้าใจผิด คุณจะเห็นประโยชน์ของไลบรารีโดยไม่ต้องเริ่มจากการจำชื่อฟังก์ชัน

ช่วง 4 — เลือกวิธีวิเคราะห์

ถ้าคุณเลือกทาง B, C หรือ D ให้ส่งคำสั่งให้ AI เสนอวิธีวิเคราะห์ไม่เกินสามทางเลือก แต่ละทางเลือกต้องระบุ

• สมมติฐานหรือคำถามที่ตอบ
• เงื่อนไขและข้อสมมติของวิธี
• ตัวแปรและข้อมูลที่จะใช้
• ผลลัพธ์ที่ต้องรายงาน
• ข้อจำกัดและทางเลือกเมื่อเงื่อนไขไม่ผ่าน

เลือกวิธีจากเหตุผลและความรู้สาขาของคุณ ไม่เลือกจากผลที่ให้ค่านัยสำคัญมากที่สุด

ก่อนผ่าน: คุณบันทึกวิธี เหตุผล เงื่อนไข และจุดที่ต้องถามผู้เชี่ยวชาญ

ช่วง 5 — สร้างตารางและภาพ

สร้างอย่างน้อยหนึ่งตารางและหนึ่งภาพจากผลวิเคราะห์เดียวกัน

ตาราง ใช้เมื่อผู้อ่านต้องการค่าที่แน่นอน ต้องมีชื่อ ตารางนิยามตัวแปร หน่วย จำนวนตัวอย่าง ตัวหาร หมายเหตุข้อมูลสูญหาย และระดับความแม่นของตัวเลขที่เหมาะสม

ภาพ เลือกจากความสัมพันธ์ของข้อมูล

• แนวโน้มตามเวลา: กราฟเส้นเมื่อมีจุดเวลามากพอ
• เปรียบเทียบกลุ่ม: แผนภูมิแท่ง จุด หรือช่วงความเชื่อมั่น
• การกระจาย: ฮิสโทแกรม แผนภาพกล่อง หรือจุดข้อมูล
• ความสัมพันธ์: แผนภาพการกระจาย พร้อมจำนวนตัวอย่างและข้อควรระวังเรื่องเหตุและผล
• สัดส่วน: แผนภูมิแท่งซ้อน โดยระบุตัวหารให้ชัด
• เชิงพื้นที่: แผนที่เมื่อพิกัดหรือเขตพื้นที่มีความหมายต่อคำถาม และต้องตรวจระบบพิกัด เขตแดน และอัตราต่อประชากร
• ความสัมพันธ์แบบเครือข่าย: กราฟเครือข่ายเมื่อจุดเชื่อมและเส้นเชื่อมมีนิยามทางวิจัย ไม่ใช้เพื่อการตกแต่ง

ใช้ Seaborn + Matplotlib เป็นค่าเริ่มต้นสำหรับภาพนิ่ง ใช้ Plotly สำหรับกราฟโต้ตอบ และใช้ Folium สำหรับแผนที่ปักหมุดหรือแผนที่ที่ต้องชี้ดูข้อมูล ใช้ D3.js เฉพาะเมื่อเครื่องมือเหล่านี้ไม่สามารถตอบความต้องการด้านปฏิสัมพันธ์ได้

คุณตัดสิน: รูปแบบที่สื่อคำตอบโดยไม่ทำให้เข้าใจผิด

ช่วง 6 — วิเคราะห์ภาพย้อนกลับ

คุณวางภาพตัวอย่างจากบทความหรือเว็บไซต์ให้ AI วิเคราะห์ “ไวยากรณ์ของภาพ” ได้ ทั้งชนิดภาพ แกน ตัวแปร การจัดกลุ่ม สี สัญลักษณ์ คำอธิบาย และสารที่ภาพต้องการสื่อ แล้วนำแนวคิดนั้นมาสร้างภาพจากข้อมูลของคุณเอง

ห้ามสั่งคัดลอกภาพแบบจุดต่อจุด ลบที่มา หรือทำให้ผู้อ่านเข้าใจว่าเป็นภาพต้นฉบับ หากรูปแบบมีลักษณะเฉพาะควรระบุแหล่งที่มาของแรงบันดาลใจ และต้องตรวจว่ารูปแบบที่ยืมมาเหมาะกับข้อมูลใหม่จริง

คุณตัดสิน: สิ่งที่ยืมเป็นแนวคิดและสิ่งที่ต้องเปลี่ยน

ช่วง 7 — ส่งออกและตรวจคุณภาพภาพ

ส่งออกตามการใช้งาน

ทุกภาพต้องมีชื่อภาพ คำอธิบาย หน่วย แหล่งข้อมูล จำนวนตัวอย่างหรือตัวหารเมื่อจำเป็น และต้องไม่ใช้สีเป็นช่องทางเดียวในการจำแนกความหมาย

ก่อนจบ: คุณเปิดแฟ้มจริงและยืนยันว่าตาราง ภาพ และข้อความใช้ตัวเลขตรงกัน

ให้ AI และเพื่อนร่วมชั้นพยายามหาข้อผิดพลาดต่อไปนี้

• หน่วยวิเคราะห์ไม่ตรงกับข้อกล่าวอ้าง
• นับข้อมูลซ้ำหรือใช้ตัวหารผิด
• แกนถูกตัด มาตราส่วนไม่เหมาะสม หรือใช้กราฟสามมิติโดยไม่จำเป็น
• เลือกเฉพาะกลุ่ม ช่วงเวลา ตัวชี้วัด หรือภาพที่ให้ผลตามต้องการ
• ข้อมูลฝึกปะปนกับข้อมูลทดสอบ
• รายงานเพียงความแม่นรวมทั้งที่ข้อมูลไม่สมดุล
• ใช้ค่านัยสำคัญแทนขนาดผลและความไม่แน่นอน
• สรุปเหตุและผลจากข้อมูลเชิงสังเกต
• ตาราง ภาพ และข้อความรายงานตัวเลขไม่ตรงกัน
• ส่งออกแล้วตัวอักษรขาด สีอ่านไม่ได้ หรือแฟ้มเปิดไม่ได้

ติ๊กเมื่อคุณตรวจผลจริงและอธิบายที่มาของแต่ละข้อได้ ระบบจะจำสถานะไว้ในเบราว์เซอร์นี้

ความสำเร็จ 0%

เลือกหนึ่งตารางหรือภาพ ปรับแก้จากผล ท้าทายข้อสรุป แล้วส่งออกอย่างน้อยสองรูปแบบสำหรับสื่อคนละชนิด พร้อมเขียนคำอธิบายสั้นที่ระบุข้อค้นพบ หลักฐาน ความไม่แน่นอน ข้อจำกัด และสิ่งที่ห้ามสรุป หากเรียนโมดูลนี้เพียงโมดูลเดียว ชุดวิเคราะห์และภาพที่ผ่านการตรวจคือชิ้นงานปลายทางของคุณ

1. raw_df, clean_df, analysis_df และ plot_df ของคุณต่างกันอย่างไร และเหตุใดจึงไม่ควรเขียนทับข้อมูลดิบ
2. การรวมข้อมูลหรือ denominator ใดมีผลต่อความหมายของตารางและภาพมากที่สุด
3. ภาพที่เลือกตอบคำถามวิจัยได้ดีกว่ารูปแบบอื่นอย่างไร และมีช่องทางใดที่ไม่พึ่งสี
4. ข้อสรุปใดได้รับการสนับสนุนจากผล และข้อสรุปใดเกินขอบเขตของแบบวิจัย
5. คุณตรวจข้อมูล วิธี ค่าที่กำหนด คำเตือน และแฟ้มผลลัพธ์จากรายงานภาษาไทยของ AI อย่างไร