OPEN UNIVERSITY

MALAYSIA

TOPIC 1 : SCIENTIFIC SKILLS

Kaedah saintifik atau kaedah sains merupakan kaedah-kaedah yang digunakan untuk menyiasat sesuatu fenomenon, menceburi ilmu baru, atau membetulkan dan menyepadukan ilmu terdahulu. Kaedah ini berasaskan bukti yang boleh cerap, empirik dan boleh diukur berdasarkan prinsip penakulan. Kaedah saintifik meliputi mengumpulan data melalui pencerapan dan pengujikajian, serta perumusan dan pengujian hipotesis.

Walaupun prosedur-prosedurnya berbeza untuk pelbagai bidang penyiasatan, terdapat beberapa ciri nyata yang membezakan kaedah saintifik daripada kaedah ilmu lain. Penyelidik sains mencadangkan hipotesis sebagai penjelasan fenomenon, lalu mereka kajian uji kaji untuk menguji hipotesis itu. Langkah-langkah dalam uji kaji mestilah boleh diulangi supaya dapat mentaksir kebolehpercayaan hasil ujian pada masa depan. Teori yang merangkumi bidang yang lebih luas boleh menggabungkan beberapa hipotesis dalam satu struktur koheren. Ini membantu dalam mengatur hipotesis baru, atau meletakkan hipotesis dalam konteks.

Ciri-ciri persamaan lain termasuklah pengakuan bahawa proses itu mestilah objektif bagi mengurangkan pentafsiran cenderung. Penguji juga perlu mendokumenkan, mengarkibkan dan berkongsi segala data dan kaedah supaya ia boleh mekaji oleh ahli sains lain, supaya membolehkan penyelidik lain mengesahkan hasil uji kaji dengan melakukan uji kaji semula. Kaedah ini, dipanggil pendedahan penuh, membolehkan kebolehpercayaan data ini diukur secara statistik.

TOPIC 2: BASIC SCIENCE PROCESS SKILLS I

Binary or binomial classification is the task of classifying the members of a given set of objects into two groups on the basis of whether they have some property or not. Some typical binary classification tasks are medical testing to determine if a patient has certain disease or not (the classification property is the presence of the disease) quality control in factories; i.e. deciding if a new product is good enough to be sold, or if it should be discarded (the classification property is being good enough) deciding whether a page or an article should be in the result set of a search or not (the classification property is the relevance of the article, or the usefulness to the user)

multi-label classification and the strongly related problem of multi-output classification are variants of the classification problem where multiple target labels must be assigned to each instance. Multi-label classification should not be confused with multiclass classification, which is the problem of categorizing instances into more than two classes.