[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,92 +2,163 @@
|
||||
id: wiki-2026-0508-research-methodology
|
||||
title: Research Methodology
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-REME-001]
|
||||
aliases: [Research Methods, Empirical Research, Scientific Method]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.96
|
||||
tags: [auto-reinforced, Research-methodology, Scientific-Method, qualitative-reSearch, quantitative-research, rigor]
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [research, science, methodology, statistics, ml-research]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: python
|
||||
framework: scientific-method
|
||||
---
|
||||
|
||||
# [[Research-Methodology|Research-Methodology]]
|
||||
# Research Methodology
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "방법론의 무기미: '어떻게 이 지식이 진실임을 증명할 것인가'에 대한 과학적 약속이자, 주관적 편향(Bias)을 제거하고 제삼자가 똑같이 따라 해도 같은 결과가 나오게 보장하는 지적 정직함의 절차."
|
||||
## 매 한 줄
|
||||
> **"매 a result without a method is folklore."**. 매 Popper 의 falsifiability, Fisher 의 experimental design, Tukey 의 EDA 의 합주 — 매 systematic procedures for generating defensible knowledge claims. 매 2026 ML/AI research 의 reproducibility crisis (60%+ papers fail replication) 으로 매 method rigor 가 더 중요.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
연구 방법론(Re[[Search-Methodology|Search-Methodology]])은 연구 문제를 해결하기 위해 채택하는 포괄적인 원칙과 방법입니다.
|
||||
## 매 핵심
|
||||
|
||||
1. **양대 산맥**:
|
||||
* **Quantitative (양적 연구)**: 숫자와 통계로 현상을 증명 (객관성 중시). ([[Analysis|Analysis]]와 연결)
|
||||
* **Qualitative (질적 연구)**: 심층 인터뷰와 맥락 분석으로 의미 파악 (깊이 중시).
|
||||
2. **핵심 단계**:
|
||||
* 가설 설정 -> 데이터 수집 -> 분석 -> 검증 -> 결론 도출. (Scientific-Method와 연결)
|
||||
3. **왜 중요한가?**:
|
||||
* 방법론이 부실한 지식은 사상누각(Sandcastle)이며, 논박의 대상조차 되지 못하는 '의결'에 불과하기 때문임. ([[Reliability|Reliability]]의 기반)
|
||||
### 매 spectrum
|
||||
- **Quantitative**: 매 numeric, statistical inference, causal claims.
|
||||
- **Qualitative**: 매 thematic, interpretivist, descriptive depth.
|
||||
- **Mixed-methods**: 매 sequential or concurrent triangulation.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 실험실 통제 정책에만 집착했으나, 현대 정책은 실제 세상의 거대한 로그 데이터 정책을 실시간으로 분석하는 '관찰적 연구 방법론 정책'이 빅데이터 시대의 새로운 표준 정책이 됨(RL Update).
|
||||
- **정책 변화(RL Update)**: AI 연구 방법론 정책에서는 실험 결과의 재현성(Reproducibility) 정책 확보를 위해 코드와 환경(Docker 등)까지 통째로 공유하는 '오픈 사이언스 방법론 정책'이 필수적임.
|
||||
### 매 designs
|
||||
- **Experimental**: 매 RCT — random assignment to treatment/control.
|
||||
- **Quasi-experimental**: 매 diff-in-diff, regression discontinuity, synthetic control.
|
||||
- **Observational**: 매 cross-sectional, longitudinal, case-control.
|
||||
- **Computational**: 매 ablation, benchmark, simulation, A/B.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Scientific-Method|Scientific-Method]], [[Analysis|Analysis]], [[Reliability|Reliability]], [[Probabilistic-Reasoning|Probabilistic-Reasoning]], [[Mastery|Mastery]]
|
||||
- **Modern Tech/Tools**: Statistical software (R, Python), Survey tools, Experimental design.
|
||||
---
|
||||
### 매 quality criteria
|
||||
- **Validity**: 매 construct, internal, external, statistical conclusion.
|
||||
- **Reliability**: 매 repeatable measurement.
|
||||
- **Reproducibility**: 매 same data + code → same result.
|
||||
- **Replicability**: 매 new data, same protocol → consistent result.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 응용
|
||||
1. ML paper: 매 ablation table + seed-variance + held-out test set.
|
||||
2. Product A/B: 매 power analysis → sample size → MDE.
|
||||
3. UX study: 매 mixed-method (interview + log analytics).
|
||||
4. AI safety eval: 매 capability + propensity + control evaluations.
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
## 💻 패턴
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
### Pattern 1: Power analysis before experiment
|
||||
```python
|
||||
from statsmodels.stats.power import NormalIndPower
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
analysis = NormalIndPower()
|
||||
n = analysis.solve_power(effect_size=0.2, alpha=0.05, power=0.8, ratio=1.0)
|
||||
print(f"매 minimum sample per arm: {int(n)+1}")
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### Pattern 2: Pre-registration template (YAML)
|
||||
```yaml
|
||||
# 매 preregistration.yaml — 매 commit BEFORE running experiment
|
||||
hypothesis: "매 LLM with chain-of-thought scores ≥ 5pp higher on GSM8K vs no-CoT"
|
||||
primary_outcome: gsm8k_accuracy
|
||||
n_per_arm: 1000
|
||||
conditions: [no_cot, cot]
|
||||
analysis: paired_t_test
|
||||
exclusion_criteria: ["api_error", "max_tokens_truncated"]
|
||||
seeds: [0, 1, 2, 3, 4]
|
||||
```
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### Pattern 3: Reproducible experiment seed control
|
||||
```python
|
||||
import random, numpy as np, torch, os
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
def set_all_seeds(s):
|
||||
random.seed(s); np.random.seed(s); torch.manual_seed(s)
|
||||
torch.cuda.manual_seed_all(s)
|
||||
os.environ["PYTHONHASHSEED"] = str(s)
|
||||
torch.backends.cudnn.deterministic = True
|
||||
torch.backends.cudnn.benchmark = False
|
||||
```
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
### Pattern 4: Ablation table generation
|
||||
```python
|
||||
import itertools, pandas as pd
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
def ablation_runs(components, base_run):
|
||||
rows = []
|
||||
for subset in itertools.combinations(components, len(components)-1):
|
||||
cfg = base_run.copy();
|
||||
removed = [c for c in components if c not in subset][0]
|
||||
cfg["removed"] = removed
|
||||
cfg["score"] = run(cfg)
|
||||
rows.append(cfg)
|
||||
return pd.DataFrame(rows)
|
||||
```
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
### Pattern 5: Confidence interval reporting (not just p-values)
|
||||
```python
|
||||
import scipy.stats as st
|
||||
def ci(scores, alpha=0.05):
|
||||
m = np.mean(scores); s = np.std(scores, ddof=1); n = len(scores)
|
||||
h = s / np.sqrt(n) * st.t.ppf(1 - alpha/2, n-1)
|
||||
return m, m-h, m+h
|
||||
# 매 always report (mean, lo, hi) — 매 not just "significant"
|
||||
```
|
||||
|
||||
### Pattern 6: Qualitative coding (thematic analysis)
|
||||
```python
|
||||
# 매 inter-rater reliability via Cohen's kappa
|
||||
from sklearn.metrics import cohen_kappa_score
|
||||
kappa = cohen_kappa_score(coder_a_codes, coder_b_codes)
|
||||
assert kappa > 0.7, "매 coding scheme too ambiguous — refine"
|
||||
```
|
||||
|
||||
### Pattern 7: A/B with sequential testing (mSPRT)
|
||||
```python
|
||||
def msprt_decision(treatment, control, theta=0.01):
|
||||
"""매 mixture sequential probability ratio test — 매 anytime-valid."""
|
||||
# Lindon & Malek 2020 — 매 lets you peek without inflating type-I
|
||||
pass # use external lib like `confseq`
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Design |
|
||||
|---|---|
|
||||
| 매 cause-effect claim | RCT or quasi-experimental |
|
||||
| 매 description / mapping | Observational + descriptive stats |
|
||||
| 매 user "why" | Qualitative interview + thematic |
|
||||
| 매 ML model claim | Ablation + multiple seeds + held-out |
|
||||
| 매 product feature decision | A/B with power analysis + pre-reg |
|
||||
| 매 emerging behavior | Mixed-methods |
|
||||
|
||||
**기본값**: 매 pre-register + multiple seeds + report CIs + share code & data.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Philosophy of Science]] · [[Statistics]]
|
||||
- 변형: [[Experimental Design]] · [[Qualitative Methods]] · [[Causal Inference]]
|
||||
- 응용: [[ML Research]] · [[A/B Testing]] · [[UX Research]] · [[AI Evaluation]]
|
||||
- Adjacent: [[Reproducibility Crisis]] · [[Pre-registration]] · [[Tukey EDA]] · [[Popper Falsifiability]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 designing experiments, 매 reviewing methodology of papers, 매 drafting pre-registrations.
|
||||
**언제 X**: 매 producing fake citations / fabricating data — 매 catastrophic ethics violation.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **HARKing** (Hypothesizing After Results Known): 매 makes p-values meaningless.
|
||||
- **p-hacking**: 매 trying many tests until significant.
|
||||
- **Single seed reporting**: 매 ML papers — 매 noise dressed as signal.
|
||||
- **Overfitting to test set**: 매 multi-stage benchmarks → 매 leakage.
|
||||
- **No pre-registration**: 매 invites unconscious bias.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Popper 1959, Fisher 1935, Open Science Framework, Pineau et al. 2021 ML reproducibility checklist).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — design spectrum + ML reproducibility focus |
|
||||
|
||||
Reference in New Issue
Block a user