মডিউল 2: পরিদর্শন করুন

1. জ্ঞান অর্জন

থিমগুলি স্বাভাবিকভাবেই উদ্ভূত হয় যখন আপনি আপনার স্টেকহোল্ডারদের টাইপোলজি অন্বেষণ করেন, তাদের অনন্য তথ্যের চাহিদাগুলি ক্যাপচার করেন এবং আপনার প্রশ্নগুলি ফ্রেম করার জন্য বিভিন্ন গ্রানুলারিটি প্রয়োগ করেন। আপনার প্রশ্নের থিম বাছাই এবং গঠনে সহায়তা করার জন্য, আমরা একটি জ্ঞান-অধিগ্রহণ কাঠামো তৈরি করেছি যা আপনাকে স্বচ্ছতা ডকুমেন্টেশন তৈরি করার জন্য একটি শক্তিশালী, ইচ্ছাকৃত, এবং পুনরাবৃত্তিযোগ্য পদ্ধতির সাথে প্রদান করে।

জ্ঞান অর্জন হল একটি উৎস থেকে জ্ঞানের নিষ্কাশন, গঠন এবং সংগঠন—সাধারণত মানব বিশেষজ্ঞরা- যাতে এটি ব্যবহার করা যেতে পারে, উদাহরণস্বরূপ, আপনি যে পণ্য বা প্রযুক্তিতে কাজ করেন।

আমাদের ফ্রেমওয়ার্কটিকে OFTEn বলা হয়, একটি ডেটা কার্ডের সমস্ত অংশে কীভাবে বিষয়গুলি প্রকাশ করা হয় তা পদ্ধতিগত বিবেচনার জন্য একটি ধারণাগত সরঞ্জাম৷ আমরা এটি বিস্তারিত প্রবর্তক এবং ডিডাক্টিভ ডেটাসেট-স্বচ্ছতা তদন্তের মাধ্যমে তৈরি করেছি।

প্রায়শই

OFTEn হল ডেটাসেট জীবনচক্রের সাধারণ পর্যায়গুলির একটি সংক্ষিপ্ত রূপ: O rigins, F actuals, T রুপান্তর, E অভিজ্ঞতা এবং n = 1 (নমুনা)।

উৎপত্তি

অরিজিন পর্যায়ে বিভিন্ন পরিকল্পনা কার্যক্রম জড়িত যা চূড়ান্ত ফলাফল নির্ধারণ করে, যেমন প্রয়োজনীয়তার সংজ্ঞা, সংগ্রহ বা সোর্সিং পদ্ধতি এবং নকশা এবং নীতিগত সিদ্ধান্ত।

মূল-প্রকার প্রশ্ন থেকে উদ্ভূত থিমগুলির মধ্যে নিম্নলিখিতগুলি অন্তর্ভুক্ত রয়েছে:

• লেখক এবং মালিক
• প্রেরণা
• উদ্দেশ্য অ্যাপ্লিকেশন
• সংগ্রহ পদ্ধতি
• লাইসেন্স
• সংস্করণ
• সূত্র
• ইরাটা
• দায়বদ্ধ দলগুলো

ফ্যাকচুয়াল

ফ্যাকচুয়াল পর্যায়টি পরিসংখ্যানগত এবং অন্যান্য বাস্তব বৈশিষ্ট্যের প্রতিনিধিত্ব করে যা ডেটাসেট, মূল পরিকল্পনা থেকে বিচ্যুতি এবং যেকোন প্রাক-ঝগড়া বিশ্লেষণকে বর্ণনা করে।

যে থিমগুলি বাস্তবভিত্তিক প্রশ্ন থেকে উদ্ভূত হয় সেগুলির মধ্যে নিম্নলিখিতগুলি অন্তর্ভুক্ত রয়েছে:

• দৃষ্টান্তের সংখ্যা
• বৈশিষ্ট্যের সংখ্যা
• লেবেলের সংখ্যা
• লেবেলের উৎস
• তথ্যের উৎস
• উপগোষ্ঠীর ভাঙ্গন
• বৈশিষ্ট্যের আকৃতি
• বৈশিষ্ট্যের বর্ণনা
• অনুপস্থিত বা সদৃশ
• অন্তর্ভুক্তির মানদণ্ড

রূপান্তর

ট্রান্সফরমেশন স্টেজে লেবেলিং, টীকা, বা বৈধকরণ কাজের সারসংক্ষেপ অন্তর্ভুক্ত থাকে। ডেটাসেটের উপর নির্ভর করে, আন্তঃ-রাটার বিচার প্রক্রিয়া এখানে দেখা দিতে পারে। এছাড়াও, গোপনীয়তা, নিরাপত্তা, বা ব্যক্তিগত শনাক্তকরণযোগ্য তথ্য (PII) পরিচালনা করার জন্য ফিচার ইঞ্জিনিয়ারিং এবং পরিবর্তনগুলি রূপান্তর হিসাবে গণনা করা হয়।

যে থিমগুলি রূপান্তর-প্রকারের প্রশ্নগুলি ক্যাপচার করে সেগুলির মধ্যে নিম্নলিখিতগুলি অন্তর্ভুক্ত রয়েছে:

• রেটিং বা টীকা
• ফিল্টারিং
• প্রক্রিয়াকরণ
• বৈধতা
• পরিসংখ্যানগত বৈশিষ্ট্য
• সিন্থেটিক বৈশিষ্ট্য
• PII হ্যান্ডলিং
• সংবেদনশীল ভেরিয়েবল
• ন্যায়পরায়ণতার উপর প্রভাব
• Skews বা পক্ষপাত

অভিজ্ঞতা

অভিজ্ঞতার পর্যায়ে নির্দিষ্ট কাজের জন্য ডেটা ব্যবহার করা, অ্যাক্সেস প্রশিক্ষণের মধ্য দিয়ে যাওয়া, কাজের জন্য উপযুক্ত পরিবর্তন করা, ফলাফল অর্জন করা এবং অন্যান্য অনুরূপ ডেটাসেটের সাথে তুলনা করা, এবং কোনো প্রত্যাশিত বা অপ্রত্যাশিত আচরণ লক্ষ্য করা জড়িত।

যে থিমগুলি অভিজ্ঞতার ধরণের প্রশ্নগুলিকে চিত্রিত করে সেগুলির মধ্যে নিম্নলিখিতগুলি অন্তর্ভুক্ত রয়েছে:

• উদ্দেশ্য কর্মক্ষমতা
• অনিচ্ছাকৃত আবেদন
• অপ্রত্যাশিত পারফরম্যান্স
• সতর্কতা
• অন্তর্দৃষ্টি
• অভিজ্ঞতা
• গল্প
• ব্যবহার করুন
• ব্যবহারের ক্ষেত্রে মূল্যায়ন

n = 1 (নমুনা)

n = 1 (নমুনা) পর্যায়ে বিতরণ ডেটা পয়েন্টের ইনস এবং আউট, নির্দিষ্ট বৈশিষ্ট্য সহ উল্লেখযোগ্য ডেটা পয়েন্টগুলির প্রদর্শন এবং যেখানে প্রযোজ্য, তাদের উপর ফলাফলের মডেলিং জড়িত।

যে থিমগুলি নমুনা-টাইপ প্রশ্নগুলি প্রদর্শন করে সেগুলির মধ্যে নিম্নলিখিতগুলি অন্তর্ভুক্ত রয়েছে:

• সাধারণ উদাহরণ এবং বহিরাগতদের উদাহরণ বা লিঙ্ক।
• উদাহরণ যা মিথ্যা ইতিবাচক বা মিথ্যা নেতিবাচক ফল দেয়।
• শূন্য বা শূন্য বৈশিষ্ট্যের মানগুলি পরিচালনা করার উদাহরণগুলি।

উদাহরণ

একটি উদাহরণের জন্য, নিম্নলিখিত প্রশ্নের সেটগুলি OFTEn দিয়ে সাজানো হয়েছিল:

	WHO	কি	কখন	যেখানে	কেন	কিভাবে
উৎপত্তি	কে ডেটাসেট প্রকাশ করে? তারা কি ডেটাসেট মালিকদের থেকে আলাদা?	এই ডেটাসেটের জন্য নিযুক্ত ডেটা লেবেলার, প্রদানকারী এবং বিশেষজ্ঞদের জন্য প্রণোদনা কী?	এই ডেটাসেট কখন তৈরি করা হয়েছিল? চালু হয়েছে?	তহবিল কোথা থেকে এসেছে?	কেন এই ডেটাসেট তৈরি করা হয়েছিল? আগে প্রক্রিয়া কি ছিল?	পদ্ধতিগুলি কীভাবে সিদ্ধান্ত নেওয়া হয়েছিল এবং কতগুলি দল জড়িত ছিল?
ফ্যাকচুয়াল	কে সম্পর্কে তথ্য? লেবেলাররা কি ডেটাতে জনগণের প্রতিনিধি?	ডেটার উপগোষ্ঠীগুলি কী কী যা মেশিন লার্নিংয়ের ফলাফলকে প্রভাবিত করতে পারে?	তথ্য কোন সময়কাল প্রতিনিধিত্ব করে? যখন ডেটা মেয়াদ শেষ হয় বা অস্বাভাবিকভাবে চলে?	কোথায় ডেটাসেট অ্যাক্সেস করা যেতে পারে? কোথায় তথ্য সংগ্রহ বা তৈরি করা হয়েছিল?	কেন রিপোর্ট করা মেট্রিক্স বেছে নেওয়া হয়েছে? কেন নির্দিষ্ট লেবেল নির্বাচন করা হয়েছিল?	ডেটাসেটে কয়টি অনন্য লেবেল বিদ্যমান? এগুলি কীভাবে তৈরি হয়েছিল?
রূপান্তর	এই ডেটাসেটে PII কীভাবে পরিচালনা করা হয়েছিল? এই ডেটাসেট থেকে ফলাফল ব্যক্তি সনাক্ত করতে ব্যবহার করা যেতে পারে?	এই ডেটাসেট পরিষ্কার বা যাচাই করার জন্য কোন পদ্ধতি ব্যবহার করা হয়েছিল?	বৈশিষ্ট্য কখন এবং কিভাবে ইঞ্জিনিয়ার করা উচিত? এই আপডেট করা প্রয়োজন?	অবস্থান বৈশিষ্ট্যগুলি কি অন্যান্য সংবেদনশীল বৈশিষ্ট্যগুলির সাথে সম্পর্কযুক্ত?	কেন নির্বাচিত রূপান্তরগুলি ডেটাসেটে প্রয়োগ করা হয়েছিল?	কিভাবে পক্ষপাত বা PII ডেটাতে পরিচালনা করা হয়?
অভিজ্ঞতা	কে এই ডেটাসেট ব্যবহার করতে পারে, এবং কোন কাজের জন্য? কোন প্রশিক্ষণ প্রয়োজন আছে?	ডেটাসেট ব্যবহার করার সময় কী পদ্ধতি, ফলাফল বা ত্রুটি আবিষ্কৃত হয়েছিল?	কোন পরিস্থিতিতে এবং কখন এই ডেটাসেট ব্যবহার করা উচিত নয়?	বিশ্বের কোথায় এই ডেটাসেট অ্যাক্সেসযোগ্য? এটা কোথায় ব্যবহার করা হয়েছে?	কেন ডেটাসেটের প্রত্যাশিত উপস্থাপনা পর্যবেক্ষণ করা উপস্থাপনা থেকে আলাদা?	বিশ্বের বিভিন্ন অংশে ডেটা কতটা ব্যয়বহুল?
n = 1 (নমুনা)	ডেটাপয়েন্টটি কি সাধারণ বা অ্যাটিপিকাল? এখানে মডেলরা কিভাবে আচরণ করে?	ডেটাপয়েন্টের আকার কত? একটি ডেটাপয়েন্টে হস্তক্ষেপ করার জন্য সম্মতি, সংশোধন এবং প্রত্যাহার প্রক্রিয়া কী?	কখন একটি ডেটাপয়েন্টের ফলাফল পরিবর্তন হয়? কাউন্টারফ্যাকচুয়াল মাধ্যমে উদাহরণ দেখান?	ডেটাপয়েন্টের মধ্যে কোন বিষয়গুলি বেক করা হয়? ভবিষ্যদ্বাণীগুলির সাথে জিনিসগুলি ভুল হলে কী কী ঝুঁকি জড়িত?	কেন এই ইমেজ ডেটাপয়েন্ট একটি নির্দিষ্ট উপায় ক্রপ করা হয়? কেন কিছু বিভাগ এই ডেটাপয়েন্টে জনবহুল নয়?	কিভাবে এই ডেটাপয়েন্ট একটি বাস্তব বিশ্বের ইনপুট সম্পর্কিত? কিভাবে ফলাফল একটি বাস্তব বিশ্বের আউটপুট সম্পর্কিত?

আমরা দেখতে পেয়েছি যে একটি পরিষ্কার অন্তর্নিহিত OFTEn কাঠামো সহ ডেটা কার্ডগুলি প্রসারিত এবং আপডেট করা সহজ। OFTEn-এর সাথে, ডেটা কার্ডগুলি সময়ের সাথে সাথে এমন বিষয়গুলিকে অন্তর্ভুক্ত করতে পারে যা সাধারণত ডকুমেন্টেশন থেকে বাদ দেওয়া হয়, যেমন ডাউনস্ট্রিম এজেন্টদের প্রতিক্রিয়া, সংস্করণ জুড়ে উল্লেখযোগ্য পার্থক্য এবং প্রযোজক বা এজেন্টদের থেকে অ্যাডহক অডিট বা তদন্ত।

সারাংশ

নিম্নলিখিত সারণীটি OFTEn ফ্রেমওয়ার্কের সারসংক্ষেপ করে এবং একটি ডেটাসেটের জীবনচক্রের সাধারণ পর্যায়গুলি বর্ণনা করে:

মঞ্চ	বর্ণনা
উৎপত্তি	একটি ডেটাসেটের জীবনচক্রের প্রাথমিক পর্যায়ে যখন একটি ডেটাসেট তৈরি করার সিদ্ধান্ত নেওয়া হয়।
ফ্যাকচুয়াল	প্রকৃত তথ্য সংগ্রহ প্রক্রিয়া এবং কাঁচা আউটপুট।
রূপান্তর	ফিল্টারিং, ভ্যালিডেটিং, পার্সিং, ফরম্যাটিং এবং ক্লিনিং এর মত ক্রিয়াকলাপগুলির মাধ্যমে কাঁচা ডেটা একটি ব্যবহারযোগ্য ফর্মে রূপান্তরিত হয়।
অভিজ্ঞতা	ডেটাসেট পরীক্ষা করা হয়, বেঞ্চমার্ক করা হয় বা অনুশীলনে স্থাপন করা হয় (পরীক্ষামূলক, উত্পাদন বা গবেষণা)।
n = 1 (নমুনা)	ডেটাসেট থেকে প্রকৃত নমুনা—বা ভিননেটস— যা সাধারণ ডেটা পয়েন্ট এবং আউটলারের প্রতিনিধিত্ব করে।

একটি ডেটা কার্ড তৈরি করার সময় আপনি OFTEn ব্যবহার করতে পারেন এমন দুটি উপায় রয়েছে:

• ইন্ডাকটিভলি, OFTEn ডেটাসেট এবং সম্পর্কিত মডেল সম্পর্কে প্রশ্ন তৈরি করতে এজেন্টদের সাথে ক্রিয়াকলাপ সমর্থন করে যা সিদ্ধান্ত গ্রহণের জন্য গুরুত্বপূর্ণ। আমরা দেখতে পাই যে যখন অনেক এজেন্ট একটি OFTEn কাঠামোর সাথে প্রশ্নগুলি নিয়ে চিন্তা করার জন্য একত্রিত হয়, তখন এটি এমন তথ্য প্রকাশ করে যা লক্ষ্যযুক্ত সিদ্ধান্ত গ্রহণের জন্য প্রয়োজনীয়।
• Deductively, OFTEn মূল্যায়ন করতে ব্যবহার করা যেতে পারে যদি একটি ডেটা কার্ড সঠিকভাবে ডেটাসেটের প্রতিনিধিত্ব করে, যার ফলে ডকুমেন্টেশন এবং ডেটাসেটে গঠনমূলক প্রভাব পড়ে। উদাহরণস্বরূপ, প্রারম্ভিক পর্যায়ের ডেটাসেটগুলি অরিজিন এবং ফ্যাকচুয়ালগুলির দিকে বেশি তির্যক, যেখানে পরিপক্ক ডেটাসেটগুলি অভিজ্ঞতার দিকে তির্যক হওয়ার প্রত্যাশিত৷

OFTEn-এর মাধ্যমে, আপনি চিন্তাভাবনা করতে পারেন এবং পরীক্ষা করতে পারেন যে আপনার প্রশ্নগুলি আপনার ডেটাসেটের জীবনচক্র কতটা ভালোভাবে কভার করে, যা নিশ্চিত করে যে আপনার বিষয়বস্তু শেষ পর্যন্ত ব্যাপক এবং সুবিন্যস্ত হবে। এটি শুধুমাত্র আপনার তৈরি করা প্রশ্নগুলির মধ্যে অপ্রয়োজনীয়তা খুঁজে পেতে সাহায্য করে না, তবে এটি আপনার পথের মধ্যে যে কোনও ফাঁক খুঁজে পেতে পারে তাও সমাধান করে।

2. OFTEn দিয়ে প্রশ্ন ফ্রেম করুন

1. আপনার কিছু স্টেকহোল্ডার এবং এজেন্ট ইনফরমেশন যাত্রা (AIJs) সম্পর্কে চিন্তা করুন যা আপনি পূর্ববর্তী মডিউলে প্রণয়ন করেছেন এবং তারপরে আপনার চিন্তাভাবনা গঠনে সহায়তা করার জন্য নিম্নলিখিত প্রম্পটগুলি ব্যবহার করুন৷

2. যদি আপনার কিছু প্রশ্ন ইতিমধ্যেই OFTEn বিভাগগুলির মধ্যে একটিতে সুন্দরভাবে পড়ে তবে সেগুলিকে সেরকম লেবেল করুন।
3. যদি আপনার প্রশ্নগুলি OFTEn বিভাগের একটিতে না পড়ে তবে পূর্ববর্তী মডিউল থেকে আপনার এজেন্টদের মধ্যে একটি বেছে নিন এবং তারপর এজেন্টের জন্য প্রতি OFTEn বিভাগে কমপক্ষে একটি প্রশ্ন তৈরি করুন।
4. আপনার OFTEn বিভাগের গভীরতা প্রসারিত করতে পাঁচটি Ws (কে, কী, কোথায়, কখন, এবং কেন) এবং একটি H (কিভাবে) এর উপর ভিত্তি করে অতিরিক্ত প্রশ্ন তৈরি করুন।
5. প্রযোজ্য হলে, পরবর্তী এজেন্টের জন্য এই পদক্ষেপগুলি পুনরাবৃত্তি করুন।

দ্রষ্টব্য: আপনি এই কার্যকলাপের মধ্য দিয়ে যাওয়ার সময়, কিছু প্রশ্ন মনে হতে পারে যে সেগুলি একাধিক OFTEn বিভাগে অন্তর্ভুক্ত। এই ক্ষেত্রে, আপনি সেই এজেন্টের জন্য যে ধরনের ব্যাখ্যা চাইতে পারেন তা বিবেচনা করে আরও প্রাসঙ্গিক বিভাগ বেছে নিন। এটি অপ্রয়োজনীয়তা কমাতে সাহায্য করে।

আপনি যদি একটি নির্দিষ্ট OFTEn বিভাগের জন্য একটি প্রশ্ন নিয়ে আসতে না পারেন, তাহলে ঠিক আছে। এটা সব আপনার প্রসঙ্গ উপর নির্ভর করে. কারো কারো জন্য, কিছু OFTEn বিভাগগুলির প্রশ্নে থাকা একজন এজেন্টের সাথে খুব বেশি প্রাসঙ্গিকতা নাও থাকতে পারে, তবে এটি প্রক্রিয়ার অংশ—আপনার প্রশ্নের সেটের ফাঁক শনাক্ত করা এবং কীভাবে সেগুলি পূরণ করবেন তা নির্ধারণ করা।

3. মাত্রা

এখন যেহেতু আপনি প্রায়শই বুঝতে পেরেছেন এবং আপনার ডেটা কার্ডে অন্তর্ভুক্ত করার জন্য প্রশ্ন তৈরি করেছেন, আপনি আপনার ডেটা কার্ডের প্রথম পাস করে আপনার প্রশ্নগুলি সম্পর্কে অন্তর্দৃষ্টি উন্মোচন করতে প্রস্তুত৷ এটি করার জন্য, আমরা মাত্রাগুলি প্রবর্তন করছি, যা পাঠকদের বিভিন্ন ধরণের বিচারের উচ্চ-স্তরের বর্ণনা, যা ডেটা কার্ডের উপযোগিতা এবং পঠনযোগ্যতার দিকনির্দেশক অন্তর্দৃষ্টি প্রদান করে৷ অন্য কথায়, আপনার ডেটা কার্ড কি পাঠকদের আপনার ডেটাসেট সম্পর্কে একটি অবহিত সিদ্ধান্তে পৌঁছাতে সাহায্য করতে পারে?

দায়বদ্ধ

দায়বদ্ধ একটি ডেটা কার্ড এমন ব্যক্তিদের মালিকানাধীন এবং রক্ষণাবেক্ষণ করা হয় যারা ডেটাসেট এবং এর ব্যবহার সম্পর্কিত পর্যাপ্ত মালিকানা, প্রতিফলন, যুক্তি এবং পদ্ধতিগত সিদ্ধান্ত গ্রহণের প্রদর্শন করে।

উদাহরণ এলাকা	উদাহরণ প্রশ্ন
লেখকত্ব, দায়িত্ব, রক্ষণাবেক্ষণ, উদ্দেশ্য	একটি [দৃষ্টিকোণ] হিসাবে, আমি জানতে চাই... ...ডেটাসেট প্রকাশকদের সম্পর্কে। ...ডেটাসেটের অ্যাক্সেসের সীমাবদ্ধতা এবং নীতি। ...ডেটাসেট তৈরির জন্য ব্যাখ্যা এবং প্রেরণা।

উপযোগ বা ব্যবহার

উপযোগী একটি ডেটা কার্ড পাঠকদের তথ্যের চাহিদা পূরণ করে এমন বিশদ প্রদান করে, যা একটি দায়িত্বশীল সিদ্ধান্ত গ্রহণের প্রক্রিয়ার দিকে পরিচালিত করে যা তাদের কাজ এবং লক্ষ্যগুলির জন্য ডেটাসেটের উপযুক্ততা স্থাপন করে।

উদাহরণ এলাকা	উদাহরণ প্রশ্ন
প্রযোজকের চাহিদা, এজেন্টের চাহিদা, ব্যবহারকারীর চাহিদা, সামাজিক চাহিদা	একটি [দৃষ্টিকোণ] হিসাবে, আমি জানতে চাই... ... ডকুমেন্টেশনে ব্যবহৃত প্রযুক্তিগত পদগুলির সংজ্ঞা এবং ব্যাখ্যা (মেট্রিক্স, স্কোর, শিল্প-নির্দিষ্ট পদ, সংক্ষিপ্ত শব্দ)। ...অন্যান্য ডেটাসেট বা টেবিলের সাথে ডেটাসেট ব্যবহার করার প্রত্যাশা (ফিচার ইঞ্জিনিয়ারিং, যোগদান, স্যাম্পলিং এবং তুলনামূলক বিশ্লেষণ)। ...ডেটাসেটের উদ্দিষ্ট অ্যাপ্লিকেশন।

গুণমান

উচ্চ মানের একটি ডেটা কার্ড ডেটাসেটের কঠোরতা, অখণ্ডতা এবং সম্পূর্ণতাকে সংক্ষিপ্ত করে, প্রায়শই এমনভাবে যোগাযোগ করা হয় যা বিভিন্ন পটভূমির পাঠকদের কাছে অ্যাক্সেসযোগ্য এবং বোধগম্য।

উদাহরণ এলাকা	উদাহরণ প্রশ্ন
বৈধতা, নির্ভরযোগ্যতা, অখণ্ডতা, প্রজননযোগ্যতা	একটি [দৃষ্টিকোণ] হিসাবে, আমি জানতে চাই... ...যদি ডেটাসেটের মধ্যে কোনো পরিচিত প্যাটার্ন (পারস্পরিক সম্পর্ক, পক্ষপাত, বা তির্যক) থাকে। ...যেকোন ডেটাসেট যাচাইকরণ প্রক্রিয়া, ব্যাখ্যা এবং তাদের ফলাফল। ...কি গোপনীয়তা এবং নিরাপত্তা ব্যবস্থা ডেটাসেটে প্রয়োগ করা হয়েছে।

প্রভাব বা ব্যবহারের ফলাফল

একটি ডেটা কার্ড যা ডেটাসেট ব্যবহারের প্রভাবের পর্যাপ্ত বিবরণ দেয় ডেটাসেট ব্যবহার এবং পরিচালনা করার সময় ফলাফলের জন্য প্রত্যাশা সেট করে এবং পাঠকদের লক্ষ্যগুলিকে নেতিবাচকভাবে প্রভাবিত করতে পারে এমন কোনো প্রথম বা দ্বিতীয়-ক্রমের পরিণতি স্বীকার করে।

উদাহরণ এলাকা	উদাহরণ প্রশ্ন
কার্যকরী, প্রাসঙ্গিকতা, গোষ্ঠী সুবিধা, বিচ্যুতির প্রভাব	একটি [দৃষ্টিকোণ] হিসাবে, আমি জানতে চাই... ...ডেটাসেটের অতীত ব্যবহার এবং সংশ্লিষ্ট কর্মক্ষমতা (উদাহরণস্বরূপ, প্রশিক্ষিত মডেল) ...ডেটাসেটের সাথে সম্পর্কিত নীতি (উদাহরণস্বরূপ, লাইসেন্সিং) ...যদি ডেটাসেটে কোনো পরিচিত নিদর্শন (পারস্পরিক সম্পর্ক, পক্ষপাত বা তির্যক) থাকে।

ঝুঁকি এবং সুপারিশ

একটি ডেটা কার্ড যা ভাল সুপারিশগুলি প্রদান করে পাঠকদের পরিচিত এবং সম্ভাব্য ঝুঁকি এবং সীমাবদ্ধতা সম্পর্কে সচেতন করে যা উত্স, উপস্থাপনা, ব্যবহার বা ব্যবহারের প্রেক্ষাপট থেকে উদ্ভূত হয় এবং পাঠকদের দায়িত্বশীল ট্রেড-অফ করতে সাহায্য করার জন্য যথেষ্ট তথ্য এবং বিকল্প সরবরাহ করে৷

উদাহরণ এলাকা	উদাহরণ প্রশ্ন
ঝুঁকির মাত্রা, প্রশমন, সুপারিশ, গোষ্ঠীর ক্ষতি	একটি [দৃষ্টিকোণ] হিসাবে, আমি জানতে চাই... ...ডেটাসেট ব্যবহারের নিরাপত্তা (ঝুঁকি, সীমাবদ্ধতা এবং ট্রেড-অফ)। ...ডেটাসেটে মানুষের যে কোনো সামাজিক সাংস্কৃতিক, ভৌগলিক বা অর্থনৈতিক প্রতিনিধিত্ব। ...যদি ডেটাসেট বা এর ডকুমেন্টেশন থেকে কোনো বৈশিষ্ট্য অনুপস্থিত থাকে।

সারাংশ

মাত্রা সহ, আপনি আপনার লক্ষ্য এবং পছন্দসই ফলাফলের সাথে সারিবদ্ধ তা নিশ্চিত করতে আপনার প্রশ্নগুলির সেট মূল্যায়ন করতে পারেন। যদিও আপনি এখনও আপনার ডেটা কার্ডে কোনও প্রশ্নের উত্তর দেননি, তবে ডেটাসেট-ডকুমেন্টেশন প্রক্রিয়ার গভীরে যাওয়ার আগে কোনও ভুল ধরা ভাল।

নিম্নলিখিত সারণী পাঁচটি মাত্রা সংক্ষিপ্ত করে:

মঞ্চ	বর্ণনা
জবাবদিহিতা	বিবৃতি যা বিভিন্ন স্টেকহোল্ডারদের প্রতিফলিত, যুক্তিসঙ্গত এবং পদ্ধতিগত সিদ্ধান্তগুলিকে ডেটাসেটে বিশ্বাসের বিষয়ে প্রকাশ করে৷
ইউটিলিটি	বিশদ প্রদান করে যা পাঠকদের দায়িত্বশীল সিদ্ধান্ত গ্রহণের প্রক্রিয়ার প্রয়োজনীয়তাগুলিকে সন্তুষ্ট করে এবং এটি তাদের লক্ষ্যগুলির সাথে সম্পর্কিত হিসাবে ব্যবহারের ক্ষেত্রে উপযুক্ততা স্থাপন করে৷
গুণমান	ডেটাসেটের কঠোরতা, অখণ্ডতা এবং সম্পূর্ণতাকে সংক্ষিপ্ত করে যা এমনভাবে যোগাযোগ করা হয় যা অনেক পাঠকের কাছে অ্যাক্সেসযোগ্য।
প্রভাব এবং ফলাফল	তথ্য যা পাঠকদের ডেটাসেট ব্যবহার এবং পরিচালনা করার সময় তাদের পছন্দসই ফলাফল অর্জনে সহায়তা করে এবং তাদের লক্ষ্যগুলিকে নেতিবাচকভাবে প্রভাবিত করতে পারে এমন পরিণতিগুলি স্বীকার করে।
ঝুঁকি এবং সুপারিশ	উপস্থাপনা, ব্যবহার বা ব্যবহারের প্রেক্ষাপট থেকে উদ্ভূত ডেটাসেটের সাথে সম্পর্কিত পরিচিত এবং সম্ভাব্য ঝুঁকি সম্পর্কে পাঠকদের সচেতন করে।

এই বিভিন্ন ধরনের মাত্রার সাহায্যে, আপনি সম্পূর্ণ করা শুরু করার আগেই আপনার ডেটা কার্ডের সামগ্রীর গুণমান, পঠনযোগ্যতা এবং উপযোগিতা সম্পর্কে অন্তর্দৃষ্টি উন্মোচন করতে পারেন। তারা আপনাকে অ্যাকশন আইটেমগুলি সনাক্ত করতে সহায়তা করে যা আরও শক্তিশালী এবং পরিমার্জিত ডেটা কার্ড টেমপ্লেটে অবদান রাখে।

4. মাত্রা সহ আপনার প্রশ্ন মূল্যায়ন

1. একটি একক মাত্রা দিয়ে শুরু করুন, এবং তারপর আপনার প্রশ্নের সেটের জটিলতার উপর ভিত্তি করে একটি অবহিত সিদ্ধান্তে পৌঁছানোর জন্য কতটা সাবলীলতা এবং দক্ষতার প্রয়োজন তা নির্ধারণ করুন।
2. আপনার প্রশ্নগুলির সেট দ্বারা সেই মাত্রাটি বর্তমানে কতটা সমর্থিত তার জন্য একটি যুক্তি এবং যুক্তি প্রদান করুন।
3. আপনার প্রশ্নের সেট থেকে একটি বা দুটি উদাহরণের মাধ্যমে আপনার যুক্তিকে সমর্থন করে এমন প্রমাণ সরবরাহ করুন।
4. যদি আপনার মাত্রা অবাঞ্ছিত বলে মনে হয়, তবে ত্রুটিগুলি পরিমার্জন বা সমাধানের জন্য যে পদক্ষেপগুলি নেওয়া উচিত তা নোট করুন৷ আপনি যদি স্টেকহোল্ডারদের একটি দলের সাথে কাজ করেন, তাহলে দায়িত্ব অর্পণ করুন কিছু স্টেকহোল্ডারকে নির্দিষ্ট প্রশ্নের সমাধানে আরও ভালভাবে সজ্জিত করা উচিত।
5. পরবর্তী মাত্রার জন্য এই পদক্ষেপগুলি পুনরাবৃত্তি করুন।

দ্রষ্টব্য: এই প্রসঙ্গে, সাবলীলতা বলতে আপনার ডেটা কার্ড পাঠকদের পরিচিতি এবং স্বাচ্ছন্দ্য বোঝায় যখন তারা তাদের দক্ষতার ডোমেনের ভিতরে বা বাইরের ডেটা নিয়ে কাজ করে। ডেটা বোঝার, হেরফের করা এবং ব্যবহার করার সাথে যত বেশি স্বাচ্ছন্দ্য, সাবলীলতা তত বেশি।

ডোমেন দক্ষতা বলতে আপনার ডেটা কার্ডে বর্ণিত ডেটাসেটের রেফারেন্সে অনুসন্ধানের একটি নির্দিষ্ট ক্ষেত্রের প্রয়োজনীয় দিকগুলির জ্ঞান এবং বোঝাকে বোঝায়।

নিম্নলিখিত একটি উদাহরণ টেমপ্লেট যা আপনি আপনার মাত্রা মূল্যায়ন ক্যাপচার করতে ব্যবহার করতে পারেন:

এই মূল্যায়ন প্রক্রিয়াটি 15 মিনিট থেকে এক ঘন্টা পর্যন্ত যেকোন সময় নিতে পারে, আপনার তৈরি করা প্রশ্নের পরিমাণ এবং আপনার ডেটা কার্ডের জন্য আপনাকে যে সমস্ত স্টেকহোল্ডার বিবেচনা করতে হবে তার উপর নির্ভর করে।

দ্রষ্টব্য: আপনার ডেটা কার্ডের কিছু তথ্য থিম একাধিক মাত্রায় অবদান রাখে, অন্যরা একটি একক মাত্রাকে সন্তুষ্ট করে। কোন এক-আকার সব ফিট নেই; বিভিন্ন ডেটাসেট এবং তাদের সংশ্লিষ্ট ডকুমেন্টেশনের প্রয়োজন বিভিন্ন প্রয়োজনীয়তা এবং প্রত্যাশা রয়েছে।

5. অভিনন্দন

অভিনন্দন! আপনি আপনার ডেটা কার্ডের জন্য তৈরি করা প্রশ্নগুলি পরিদর্শন করার একটি উপায় আছে৷ এখন আপনি তাদের উত্তর দিতে প্রস্তুত.