Gyanank എന്തിനാണ് ഉള്ളത്
പ്രശ്നം
ഇന്ത്യയിൽ ഓരോ വർഷവും വലിയ തോതിൽ ഗവേഷണം നടക്കുന്നു — Pharm.D, MD, MS, MDS, നഴ്‌സിങ് തീസിസുകൾ, PhD ഗവേഷണം, അധ്യാപകരുടെ പ്രബന്ധങ്ങൾ, NGO സർവേകൾ, tier-2, tier-3 നഗരങ്ങളിലെ ഫീൽഡ് പഠനങ്ങൾ. ഏതാണ്ടെല്ലാം തുടങ്ങുന്നത് ഒരേ രീതിയിലാണ്: ഒരു Google Form, ഒരു Excel ഷീറ്റ്, സ്റ്റാറ്റിസ്റ്റിക്സ് ഒരിക്കലും പഠിപ്പിക്കപ്പെട്ടിട്ടില്ലാത്ത ഒരാൾ.
പിന്നെയാണ് തടസ്സം വരുന്നത്. അവർക്ക് വേണ്ട ടെസ്റ്റ് നടത്താൻ കഴിയുന്നില്ല. SPSS ഉപയോഗിക്കാൻ നിങ്ങൾക്ക് ഇതിനകം വൈദഗ്ധ്യമുണ്ടെന്ന് കരുതുന്നു, അതിനനുസരിച്ചുള്ള നിരക്കും ഈടാക്കുന്നു. Jamovi, JASP എന്നിവ സൗജന്യമാണെങ്കിലും ആദ്യമായി ഗവേഷണം നടത്തുന്ന ഒരാൾക്ക് ശരിയായ ടെസ്റ്റ് തിരഞ്ഞെടുക്കാനോ ഫലം വായിച്ച് മനസ്സിലാക്കാനോ ഇപ്പോഴും ബുദ്ധിമുട്ടാണ്. ChatGPTയും മറ്റ് AI ചാറ്റ്ബോട്ടുകളും സ്റ്റാറ്റിസ്റ്റിക്സിനെക്കുറിച്ച് സംസാരിക്കും, പക്ഷേ രോഗികളുടെയോ സർവേകളുടെയോ ഡാറ്റ അവയിലേക്ക് അപ്‌ലോഡ് ചെയ്യുന്നത് ഡാറ്റ ചോരാനുള്ള സാധ്യതയാണ് — മാത്രമല്ല, AI തയ്യാറാക്കിയ വിശകലനം മിക്ക ഗൈഡുകളും സ്ഥാപനങ്ങളും അംഗീകരിക്കുകയുമില്ല. ഗവേഷകൻ തുടങ്ങുന്നിടത്ത്, അതായത് ഡാറ്റ ശേഖരണത്തിൽ, ഈ ടൂളുകളൊന്നും തുടങ്ങുന്നില്ല.
അതുകൊണ്ട് ആളുകൾ തങ്ങളാൽ കഴിയുന്നത് ചെയ്യുന്നു. അവർ ഒരു സ്റ്റാറ്റിസ്റ്റീഷ്യന് ₹20,000 അല്ലെങ്കിൽ അതിലധികം നൽകുന്നു — ഒരു വിദ്യാർത്ഥിയുടെ കൈവശമില്ലാത്ത തുക — പിന്നെ കാത്തിരിക്കുന്നു. വൈവയിൽ വിശദീകരിക്കാൻ കഴിയാത്ത പട്ടികകളാണ് അവർക്ക് തിരികെ ലഭിക്കുന്നത്. ചിലർ തങ്ങൾക്ക് മനസ്സിലാകാത്ത നിഗമനങ്ങൾ പ്രസിദ്ധീകരിക്കുന്നു. ചിലരുടെ തീസിസ് തിരികെ അയക്കപ്പെടുകയും മാസങ്ങൾ നഷ്ടപ്പെടുകയും ചെയ്യുന്നു. ഗവേഷണം തങ്ങൾക്കുള്ളതല്ലെന്ന് തീരുമാനിച്ച് ചിലർ പിന്നീടൊരിക്കലും ശ്രമിക്കുന്നില്ല.
ഇന്ത്യയിൽ കഴിവുള്ളവർ എല്ലായിടത്തുമുണ്ട്. വേണ്ട ടൂളുകളാണ് ഇല്ലാത്തത്. ആ കുറവ് നികത്താനാണ് Gyanank ഉണ്ടാക്കിയത്.
ഞങ്ങളുടെ ലക്ഷ്യം
സ്വന്തം ഡാറ്റ മനസ്സിലാക്കാൻ മാത്രം ഇന്ത്യയിലെ ഒരു വിദ്യാർത്ഥിക്കോ ഡോക്ടർക്കോ അധ്യാപകർക്കോ ഫീൽഡ് വർക്കർക്കോ ₹20,000 നൽകി ആഴ്ചകളോളം കാത്തിരിക്കേണ്ടി വരരുത് എന്നതിനാണ് Gyanank ഉള്ളത്.
നിങ്ങൾക്ക് ഫോം തയ്യാറാക്കാനും ഉത്തരങ്ങൾ ശേഖരിക്കാനും ശരിയായ സ്റ്റാറ്റിസ്റ്റിക്കൽ ടെസ്റ്റ് നടത്താനും നിങ്ങൾക്ക് തന്നെ വിശദീകരിച്ച് ന്യായീകരിക്കാവുന്ന റിപ്പോർട്ട് നേടാനും കഴിയുന്ന ഒരൊറ്റ ലളിതമായ ഇടമാണ് ഞങ്ങൾ ഒരുക്കുന്നത് — ഓരോ ഘട്ടവും ലളിതമായ വാക്കുകളിൽ വിശദീകരിച്ചുകൊണ്ട്. ഇന്ത്യക്കാർക്ക് താങ്ങാവുന്ന നിരക്ക്. ഇന്ത്യൻ ഭാഷകൾ. DPDPA പ്രകാരം നിങ്ങളുടെ ഡാറ്റയ്ക്ക് സംരക്ഷണം.
രണ്ട് കാര്യങ്ങളാണ് ഞങ്ങൾ ചെയ്യുന്നതിന്റെ കാതൽ: എല്ലാവർക്കും ഉപയോഗിക്കാനാകുക, ഉപയോഗിക്കാൻ എളുപ്പമായിരിക്കുക.
R-മായി ഒത്തുനോക്കി പരിശോധിച്ചത്
Gyanank-ന്റെ സ്ഥിതിവിവര വിശകലനം Python-ൽ, SciPy, statsmodels എന്നിവയിലാണ് പ്രവർത്തിക്കുന്നത് — ലോകമെമ്പാടുമുള്ള പ്രസിദ്ധീകൃത ഗവേഷണങ്ങളിൽ ഉപയോഗിക്കുന്ന തുറന്ന ലൈബ്രറികളാണ് ഇവ. അതിന്റെ ഉത്തരങ്ങൾ ഒരു സ്ഥിതിവിവരശാസ്ത്രജ്ഞന് ലഭിക്കുന്നവ തന്നെയാണെന്ന് കാണിക്കാൻ, ഒരേ ഡേറ്റ ഞങ്ങൾ Gyanank-ലും R-ലും വിശകലനം ചെയ്യുന്നു — പല സർവകലാശാലകളും ജേണലുകളും ഉപയോഗിക്കുന്ന സ്ഥിതിവിവര സോഫ്റ്റ്‌വെയറാണ് R — എന്നിട്ട് ഓരോ കണക്കും താരതമ്യം ചെയ്യുന്നു.
അവസാനം പരിശോധിച്ചത് 04-10-2026-ന്, R 4.6.1 ഉപയോഗിച്ച്: 22-ൽ 22 ഫലങ്ങളും ഒന്നുതന്നെ.
എല്ലാ ഫലങ്ങളും കാണുക
| ടെസ്റ്റ് | Gyanank | R |
|---|---|---|
| Student's t-test | t(78) = -2.01, p = .048, d = 0.448 | t(78) = -2.01, p = .048, d = 0.448 |
| Welch's t-test | t(45.0) = -3.19, p = .003, d = 0.713 | t(45.0) = -3.19, p = .003, d = 0.713 |
| Paired t-test | t(79) = 2.55, p = .013, d = 0.285 | t(79) = 2.55, p = .013, d = 0.285 |
| One-way ANOVA | F(2, 77) = 7.84, p = .001, η² = 0.169 | F(2, 77) = 7.84, p = .001, η² = 0.169 |
| Mann–Whitney U | U = 591.0, p = .043, r = 0.261 | U = 591.0, p = .043, r = 0.261 |
| Kruskal–Wallis | H(2) = 11.52, p = .003, ε² = 0.124 | H(2) = 11.52, p = .003, ε² = 0.124 |
| Wilcoxon signed-rank | W = 736.5, p = .011, r = 0.284 | W = 736.5, p = .011, r = 0.284 |
| Chi-square, 3 × 3 | χ²(4) = 6.51, p = .164, V = 0.202 | χ²(4) = 6.51, p = .164, V = 0.202 |
| Chi-square, 2 × 2 (Yates) | χ²(1) = 0.11, p = .740, V = 0.037 | χ²(1) = 0.11, p = .740, V = 0.037 |
| Fisher's exact test | p = .432, OR = 2.71 | p = .432, OR = 2.71 |
| Pearson correlation | r = -0.258, p = .021 | r = -0.258, p = .021 |
| Spearman correlation | ρ = 0.245, p = .029 | ρ = 0.245, p = .029 |
| McNemar, chi-square form | p = .001, OR of change = 4.333 | p = .001, OR of change = 4.333 |
| McNemar, exact form | p = .146, OR of change = 3.000 | p = .146, OR of change = 3.000 |
| Linear regression, model | F(2, 77) = 10.86, p < .001, R² = 0.220, adjusted R² = 0.200 | F(2, 77) = 10.86, p < .001, R² = 0.220, adjusted R² = 0.200 |
| Linear regression, hours | β = 0.980, SE = 0.214, p < .001 | β = 0.980, SE = 0.214, p < .001 |
| Linear regression, sleep | β = 0.137, SE = 0.385, p = .723 | β = 0.137, SE = 0.385, p = .723 |
| Logistic regression, hours | OR = 1.80 [1.19, 2.70], p = .005 | OR = 1.80 [1.19, 2.70], p = .005 |
| Logistic regression, sleep | OR = 1.90 [0.93, 3.90], p = .079 | OR = 1.90 [0.93, 3.90], p = .079 |
| Cronbach's alpha | α = 0.835 | α = 0.835 |
| Shapiro–Wilk normality check | p = .382 | p = .382 |
| Levene equal-variance check | p = .164 | p = .164 |
പരിശോധനാ ഡേറ്റ 80 പേർ മറുപടി നൽകിയ ഒരു സാങ്കൽപ്പിക പഠനമാണ്; രണ്ടും വായിക്കുന്നത് അതുതന്നെ. R-ന്റെ ഡിഫോൾട്ട് സെറ്റിങ്ങുകൾ നിർവചനപരമായിത്തന്നെ Gyanank-ൽ നിന്ന് വ്യത്യസ്തമായ ഇടങ്ങളിൽ — ഉദാഹരണത്തിന് Fisher's exact test ഏത് odds ratio കാണിക്കുന്നു എന്നത് — R-നെ Gyanank-ന്റെ രീതിയിലേക്ക് ക്രമീകരിച്ചു.