நாள் 49 - விளக்கப்படங்கள் உருவாக்குதல் (Creating Charts and Visualizations using AI)

📊 நாள் 49 · AI-யுடன் விளக்கப்படங்கள் (Data Visualization)

விளக்கப்படங்கள் உருவாக்குதல் (Charts using AI)

Bar Chart, Pie Chart, Scatter Plot, Line Chart, Histogram — செய்யறிவு (AI) மூலம் தரவுகளைக் கவர்ச்சியான வரைபடங்களாக மாற்றும் நுட்பங்கள்.

🖼️ “ஒரு படம் ஆயிரம் சொற்களுக்குச் சமம்” — விளக்கப்படங்கள் தரவுகளைக் காட்சிப்படுத்தி, போக்குகளையும் தொடர்புகளையும் உடனடியாகப் புரிய வைக்கின்றன. “காட்சி” என்பது கற்றலின் முக்கியப் பகுதி.

📘 49.0 அறிமுகம்

தரவுப் பகுப்பாய்வில் எண்களாக இருப்பதை விட, வரைபடங்களாக (Charts) இருக்கும் தரவுகள் மிக எளிதாகப் புரிகின்றன. பட்டை வரைபடம் (Bar Chart), வட்ட விளக்கப்படம் (Pie Chart), சிதறல் வரைபடம் (Scatter Plot) போன்றவை தரவுகளில் மறைந்திருக்கும் போக்குகளையும் தொடர்புகளையும் கண்ணுக்குப் புலப்படுத்துகின்றன. AI இந்த விளக்கப்படங்களுக்கான Python குறியீடுகளை நொடிகளில் உருவாக்கித் தருகிறது.

📊 49.1 விளக்கப்படங்களின் (Charts) வகைகள், பயன்பாடுகள்

விளக்கப்பட வகை	தமிழ்ப் பெயர்	எப்போது பயன்படுத்துவது	எடுத்துக்காட்டு
Bar Chart	பட்டை வரைபடம்	வெவ்வேறு பிரிவுகளுக்கிடையே ஒப்பீடு செய்ய	வெவ்வேறு மாதங்களில் விற்பனை ஒப்பீடு
Pie Chart	வட்ட விளக்கப்படம்	முழுமையின் (Whole) பகுதிகளைக் காட்ட	UG vs PG மாணவர்களின் பரவல்
Histogram	அதிர்வெண் வரைபடம்	ஒரு மாறியின் பரவலைக் காட்ட	மதிப்பெண்களின் பரவல் (50-60, 60-70)
Scatter Plot	சிதறல் வரைபடம்	இரண்டு மாறிகளுக்கும் இடையே உள்ள தொடர்பைக் காட்ட	Study Hours vs Marks
Line Chart	கோடு வரைபடம்	காலப்போக்கில் ஏற்படும் மாற்றங்களைக் காட்ட	பல ஆண்டுகளில் மாணவர் சேர்க்கை

⚙️ 49.2 செய்யறிவு உதவியுடன் விளக்கப்படங்கள் உருவாக்குதல் – 3 படிகள்

🔹 படி 1: தரவுத் தொகுப்பை (CSV/Excel) AI-யிடம் பதிவேற்றுக (ChatGPT Plus / Claude / Google Colab).

🔹 படி 2: தெளிவான விளக்கப்படத் தூண்டலை (Prompt) வழங்குக — விளக்கப்பட வகை, X/Y அச்சுகள், தலைப்பு, நிறம் ஆகியவற்றைக் குறிப்பிடுக.

🔹 படி 3: AI தரும் Python குறியீட்டை Google Colab-இல் ஒட்டி இயக்கி, வரைபடத்தைச் சேமிக்கவும் (Save image as).

📝 தூண்டல் வடிவம் (Prompt Template):
“நான் பதிவேற்றியுள்ள தரவுத் தொகுப்பில், [நெடுவரிசை A], [நெடுவரிசை B] உள்ளன. [Bar Chart / Pie Chart / Scatter Plot] உருவாக்கும் Python குறியீட்டைத் தருக. தலைப்பு: [வரைபடத் தலைப்பு], X-அச்சு: [X-பெயர்], Y-அச்சு: [Y-பெயர்], நிறம்: [blue/green/skyblue]. matplotlib / seaborn பயன்படுத்துக.”

📌 49.3 எடுத்துக்காட்டுகள் – AI-யுடன் விளக்கப்படங்கள்

📊 Bar Chart (பட்டை வரைபடம்)
தூண்டல்: “monthly_sales.csv-ல் Month vs Sales Bar Chart”

✅ தலைப்பு: Monthly Sales Comparison

import pandas as pd
import matplotlib.pyplot as plt
df = pd.read_csv('monthly_sales.csv')
plt.bar(df['Month'], df['Sales'], color='skyblue')
plt.title('Monthly Sales Comparison')
plt.xlabel('Month')
plt.ylabel('Sales (in ₹)')
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

🥧 Pie Chart (வட்ட விளக்கப்படம்)
தூண்டல்: “student_program.csv-ல் Program நெடுவரிசையின் பரவல்”

✅ தலைப்பு: Student Distribution by Program

import pandas as pd
import matplotlib.pyplot as plt
df = pd.read_csv('student_program.csv')
program_counts = df['Program'].value_counts()
plt.pie(program_counts, labels=program_counts.index, autopct='%1.1f%%', startangle=90)
plt.title('Student Distribution by Program')
plt.axis('equal')
plt.show()

🔵 Scatter Plot (சிதறல் வரைபடம்)
தூண்டல்: “study_hours_vs_marks.csv-ல் Study_Hours vs Marks”

✅ தொடர்பு மதிப்பு: 0.85 (Strong Positive Correlation)

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
df = pd.read_csv('study_hours_vs_marks.csv')
sns.scatterplot(x='Study_Hours', y='Marks', data=df, color='green')
plt.title('Correlation between Study Hours and Marks')
plt.xlabel('Study Hours per Day')
plt.ylabel('Marks (out of 100)')
plt.show()

✍️ 49.4 பயிற்சி 29 – மூன்று வெவ்வேறு விளக்கப்படங்களை உருவாக்குதல்

📋 வழிமுறை:

• உங்கள் ஆய்வுத் தரவுகளைக் கொண்ட CSV கோப்பைத் தயார் செய்க.
• Google Colab-ஐத் திறந்து (colab.research.google.com), புதிய Notebook உருவாக்குக.
• உங்கள் CSV கோப்பை Colab-இல் பதிவேற்றுக (Files → Upload).
• கீழ்க்காணும் தூண்டல்களைப் பயன்படுத்தி AI-யிடம் (ChatGPT/Gemini) Python குறியீட்டைக் கேட்கவும்.
• AI தந்த குறியீட்டை Colab-இல் ஒட்டி, ▶ (Play) அழுத்தி இயக்கவும்.
• வரைபடத்தில் வலது கிளிக் → “Save image as” மூலம் சேமிக்கவும்.

🔸 மாதிரித் தூண்டல்கள்:
• Bar Chart: “நான் பதிவேற்றியுள்ள தரவுத் தொகுப்பில், [நெடுவரிசை A], [நெடுவரிசை B] ஆகியவற்றுக்கு இடையே ஒரு Bar Chart உருவாக்கும் Python குறியீட்டைத் தருக.”
• Pie Chart: “நான் பதிவேற்றியுள்ள தரவுத் தொகுப்பில், [நெடுவரிசை A] நெடுவரிசையில் உள்ள மதிப்புகளின் பரவலைக் காட்டும் Pie Chart உருவாக்கும் குறியீட்டைத் தருக.”
• Scatter Plot: “நான் பதிவேற்றியுள்ள தரவுத் தொகுப்பில், [நெடுவரிசை X], [நெடுவரிசை Y] ஆகியவற்றுக்கு இடையே ஒரு Scatter Plot உருவாக்கும் Python குறியீட்டைத் தருக.”

📌 49.5 இறுதியாக

விளக்கப்படங்கள் (Charts) தரவுகளைக் காட்சிப்படுத்தி, புரிந்துகொள்ள மிகவும் எளிதாக்குகின்றன. AI-யின் உதவியுடன், பைத்தான் நிரலாக்கம் தெரியாவிட்டாலும் கவர்ச்சியான, அர்த்தமுள்ள விளக்கப்படங்களை உருவாக்க முடியும். வரைபடங்களின் நிறம், தலைப்பு, அளவு ஆகியவற்றைத் தனிப்பயனாக்கவும் AI உதவுகிறது.

🎯 இப்பாடத்தில் நாம் கற்றுக்கொண்ட முக்கியக் கருத்துகள்

• விளக்கப்பட வகைகள்: Bar Chart, Pie Chart, Scatter Plot, Line Chart, Histogram — ஒவ்வொன்றின் தனித்துவமான பயன்பாடுகள்.
• AI உதவியுடன் குறியீடு உருவாக்கம்: தூண்டலில் (Prompt) விளக்கப்பட வகை, நெடுவரிசைகள், தலைப்புகள், நிறங்களைக் குறிப்பிட்டுப் Python குறியீட்டைப் பெறுதல்.
• Google Colab-இல் இயக்குதல்: AI தந்த குறியீட்டை Colab-இல் இயக்கி, வரைபடங்களைச் சேமித்தல்.
• தனிப்பயனாக்கம் (Customization): AI உதவியுடன் வரைபடங்களின் நிறம், அளவு, தலைப்பு, எழுத்துரு ஆகியவற்றை மாற்றியமைத்தல்.
• இலக்கிய இணைப்பு: “காட்சி” — விளக்கப்படங்கள் தரவுகளைக் காட்சிப்படுத்தும் நவீனக் கலை.

📢 அடுத்த பாடத்தில் (நாள் 50): புள்ளியியல் பகுப்பாய்விற்கு (Statistical Analysis) AI-யுடன் Python குறியீடு எழுதுதல் — t-test, ANOVA, regression.

🎥 காணொளி வழிகாட்டி: AI-யுடன் விளக்கப்படங்கள் உருவாக்குதல்

Bar Chart, Pie Chart, Scatter Plot — AI-யுடன் வரைபடங்கள் உருவாக்கும் நேரடி விளக்கம்.

🎨 “காட்சி” — தரவுகளை AI-யின் உதவியுடன் வரைபடங்களாக மாற்றி, ஆய்வின் முடிவுகளை எளிதாகவும் கவர்ச்சியாகவும் வெளிப்படுத்துங்கள். ஒவ்வொரு விளக்கப்படமும் உங்கள் ஆய்வுக் கதையைச் சொல்லும் ஒரு படமாகும்.

© மாதம் - 3 | வாரம் 10 · நாள் 49 — விளக்கப்படங்கள் உருவாக்குதல் (Data Visualization using AI) · தமிழ் AI ஆய்வு முறைமை

நாள் 48 - தரவுகளைப் பகுப்பாய்வு செய்தல் (Analyzing Data using AI)

📊 நாள் 48 · AI-யுடன் தரவுப் பகுப்பாய்வு

தரவுகளைப் பகுப்பாய்வு செய்தல் (Data Analysis using AI)

சராசரி, இடைநிலை, போக்குகள் (Trends), தொடர்புகள் (Correlations) — செய்யறிவு (AI) மூலம் தரவுகளில் மறைந்திருக்கும் உண்மைகளைக் கண்டறியும் நுட்பங்கள்.

📐 “எண்ணித் துணிக கருமம்” (குறள் 467) — தரவுப் பகுப்பாய்வும் “எண்ணுதல்” (கணக்கிடுதல்) மற்றும் “துணிதல்” (முடிவு காணுதல்) ஆகிய இரு படிகளைக் கொண்டது. AI இந்த இரண்டிலும் ஆய்வாளருக்கு வலுசேர்க்கிறது.

📘 48.0 அறிமுகம்

தரவுகளைத் தூய்மை செய்த பிறகு, அடுத்த படிநிலை அவற்றில் மறைந்திருக்கும் உண்மைகளைக் கண்டறிவதாகும். இதுவே தரவுப் பகுப்பாய்வு (Data Analysis). “எந்த மாதம் விற்பனை அதிகம்?”, “இரு மாறிகளுக்கும் தொடர்பு உள்ளதா?” போன்ற கேள்விகளுக்கு விடை காண AI மிக விரைவாகவும் துல்லியமாகவும் உதவுகிறது.

📊 48.1 தரவுப் பகுப்பாய்வின் (Data Analysis) வகைகள்

வகை	தமிழ்ப் பெயர்	விளக்கம்	எடுத்துக்காட்டுக் கேள்விகள்
Descriptive Analysis	விளக்கப் பகுப்பாய்வு	தரவுகளின் மையப் போக்குகளை விளக்குதல்	சராசரி? இடைநிலை? திட்டவிலக்கம்?
Diagnostic Analysis	காரணப் பகுப்பாய்வு	ஏன் ஒரு நிகழ்வு நிகழ்ந்தது என்பதைக் கண்டறிதல்	“ஏன் கடந்த மாதம் விற்பனை குறைந்தது?”
Predictive Analysis	முன்கணிப்புப் பகுப்பாய்வு	எதிர்காலத்தில் என்ன நிகழும் என்பதைக் கணித்தல்	“அடுத்த மாதம் விற்பனை எவ்வளவு?”
Prescriptive Analysis	பரிந்துரைப் பகுப்பாய்வு	என்ன செய்ய வேண்டும் என்பதற்கான பரிந்துரைகள்	“விற்பனையை அதிகரிக்க என்ன நடவடிக்கை?”

💡 ஆய்வாளர்கள் பெரும்பாலும் Descriptive & Diagnostic analysis-ஐ முதற்கட்டமாகப் பயன்படுத்துகின்றனர்.

⚙️ 48.2 செய்யறிவு உதவியுடன் தரவுப் பகுப்பாய்வு செய்தல் – படிநிலைகள்

🔹 படி 1: தரவுத் தொகுப்பை (CSV/Excel) AI-யிடம் பதிவேற்றுக (ChatGPT Plus, Claude, அல்லது Colab + AI).

🔹 படி 2: தெளிவான பகுப்பாய்வுத் தூண்டல்களை (Prompts) வழங்குக.

📝 விளக்கப் பகுப்பாய்வு (Descriptive Analysis) – Prompt Template:
“நான் பதிவேற்றியுள்ள தரவுத் தொகுப்பில் [நெடுவரிசைப் பெயர்] மதிப்புகளின் சராசரி (Mean), இடைநிலை (Median), திட்டவிலக்கம் (Std Dev), குறைந்தபட்சம் (Min), அதிகபட்சம் (Max) ஆகியவற்றை அட்டவணையில் தருக.”

📈 போக்குகள் (Trends) கண்டறிதல் – Prompt Template:
“தரவுத் தொகுப்பில் [நெடுவரிசை A] (காலம்) மற்றும் [நெடுவரிசை B] (மதிப்பு) உள்ளது. எந்தக் காலத்தில் மதிப்பு அதிகம்? போக்குகளை விளக்குக. வரைபடத்திற்கான Python குறியீட்டையும் தருக.”

🔗 தொடர்பு (Correlation) கண்டறிதல் – Prompt Template:
“[X] மற்றும் [Y] நெடுவரிசைகளுக்கிடையேயான தொடர்பைக் கணக்கிட்டு, வலிமை (Strong/Weak) மற்றும் திசை (Positive/Negative) ஆகியவற்றை விளக்குக.”

📌 48.3 எடுத்துக்காட்டுகள் – AI-யுடன் தரவுப் பகுப்பாய்வு

📊 விளக்கப் பகுப்பாய்வு (Descriptive)
தூண்டல்: “students_marks.csv-ல் ‘Marks’ நெடுவரிசையின் புள்ளியியல் அளவீடுகள்?”

அளவீடு	மதிப்பு
சராசரி (Mean)	72.5
இடைநிலை (Median)	74.0
திட்டவிலக்கம்	12.3
குறைந்தபட்சம்	45
அதிகபட்சம்	98

📈 போக்குகள் (Trends)
தூண்டல்: “monthly_sales.csv-ல் எந்த மாதத்தில் விற்பனை அதிகம்?”

✅ அதிக விற்பனை: டிசம்பர் (₹1,50,000)

⚠️ குறைந்த விற்பனை: பிப்ரவரி (₹85,000)

📉 போக்கு: ஆகஸ்ட் முதல் உயர்ந்து டிசம்பரில் உச்சம், பின்னர் குறைகிறது.

plt.plot(df['Month'], df['Sales'])

🔗 தொடர்பு (Correlation)
தூண்டல்: “study_hours vs marks – தொடர்பு என்ன?”

தொடர்பு மதிப்பு: 0.85

✅ வலிமையான (Strong), நேர்மறையான (Positive) தொடர்பு.
➜ படிக்கும் நேரம் அதிகரிக்க, மதிப்பெண்களும் அதிகரிக்கும்.

p-value முக்கியத்துவத்தையும் AI மூலம் கணிக்கலாம்.

✍️ 48.4 பயிற்சி 28 – AI உதவியுடன் தரவுப் பகுப்பாய்வு செய்தல்

📋 வழிமுறை:

• உங்கள் ஆய்வுத் தரவுகளைக் கொண்ட CSV கோப்பைத் தயார் செய்க.
• ChatGPT Plus / Claude / Google Colab + Gemini-யில் தரவுக் கோப்பைப் பதிவேற்றுக (அல்லது Copy-Paste செய்க).
• கீழ்க்காணும் கேள்விகளை AI-யிடம் கேட்டுப் பகுப்பாய்வு முடிவுகளைப் பெறுக:

🔸 மாதிரிக் கேள்விகள்:
• “இந்தத் தரவுகளில் [நெடுவரிசை A] நெடுவரிசையின் சராசரி (Mean) என்ன?”
• “[நெடுவரிசை B] மற்றும் [நெடுவரிசை C] ஆகியவற்றுக்கு இடையே தொடர்பு (Correlation) உள்ளதா? விளக்குக.”
• “இந்தத் தரவுகளில் உள்ள முக்கிய போக்குகள் (Trends) யாவை? விளக்குக.”
• “எந்த மதிப்புகள் வெளிப்புறத் தரவுகளாக (Outliers) இருக்கக்கூடும்? கண்டறிந்து தருக.”

AI வழங்கும் முடிவுகளைப் பதிவு செய்து, அவை உங்கள் ஆய்வுக் கேள்விக்குப் பொருத்தமானவையா எனச் சரிபார்க்கவும்.

📌 48.5 இறுதியாக

தரவுப் பகுப்பாய்வு என்பது ஆய்வின் உயிர்நாடி. AI இந்தப் பணிகளை விரைவாகவும் துல்லியமாகவும் செய்து, ஆய்வாளருக்கு விளக்கங்களை வழங்குகிறது. சராசரி, இடைநிலை, போக்குகள், தொடர்புகள் ஆகியவற்றைக் கண்டறிவதன் மூலம், தரவுகளின் உள்ளார்ந்த செய்திகளைப் புரிந்து கொள்ளலாம்.

🎯 இப்பாடத்தில் நாம் கற்றுக்கொண்ட முக்கியக் கருத்துகள்

• தரவுப் பகுப்பாய்வின் 4 வகைகள்: Descriptive (விளக்கம்), Diagnostic (காரணம்), Predictive (முன்கணிப்பு), Prescriptive (பரிந்துரை).
• AI உதவியுடன் பகுப்பாய்வு: தரவுத் தொகுப்பைப் பதிவேற்றிச் சராசரி, இடைநிலை, திட்டவிலக்கம், போக்குகள், தொடர்புகளைக் கணக்கிடுதல்.
• தூண்டல் நுட்பம் (Prompt Engineering): தெளிவான பகுப்பாய்வுக் கேள்விகளை முன்வைத்து, AI-யிடமிருந்து அர்த்தமுள்ள முடிவுகளைப் பெறுதல்.
• போக்குகள் (Trends) & தொடர்புகள் (Correlations): காலப்போக்கில் மாற்றங்கள் மற்றும் இரு மாறிகளுக்கிடையேயான உறவைக் கண்டறிதல்.
• இலக்கிய இணைப்பு: “எண்ணித் துணிக” — தரவுகளைச் சரியாக எண்ணி (பகுப்பாய்வு செய்து) சரியான முடிவைத் துணிதல்.

📢 அடுத்த பாடத்தில் (நாள் 49): AI-யுடன் தரவுகளைக் கவரும் வரைபடங்களாகக் காட்சிப்படுத்துதல் (Data Visualization) — matplotlib, seaborn, தானியங்கு விளக்கப்படங்கள்.

🎥 காணொளி வழிகாட்டி: AI-யுடன் தரவுப் பகுப்பாய்வு

நேரடி எடுத்துக்காட்டுகள்: சராசரி, இடைநிலை, தொடர்பு, போக்குகள் — AI-யுடன் பகுப்பாய்வு செய்வது எப்படி.

🧠 “எண்ணித் துணிக கருமம்” — தரவுகளை AI-யின் உதவியுடன் பகுப்பாய்வு செய்து, உங்கள் ஆய்வுக்கான உறுதியான முடிவுகளை எடுங்கள். தரவுப் பகுப்பாய்வு இன்றி ஆய்வு முழுமை அடையாது. AI உங்கள் பகுப்பாய்வு பயணத்தை எளிதாக்குகிறது.

© மாதம் - 3 | வாரம் 10 · நாள் 48 — தரவுகளைப் பகுப்பாய்வு செய்தல் (Data Analysis using AI) · தமிழ் AI ஆய்வு முறைமை

நாள் 47 - பைத்தான் குறியீட்டைச் செய்யறிவு மூலம் உருவாக்குதல் (Generating Python Code for Data Analysis using AI)

🐍 நாள் 47 · AI + Python for Data Analysis

பைத்தான் குறியீட்டைச் செய்யறிவு மூலம் உருவாக்குதல்

Google Colab, pandas, numpy — நிரலாக்கம் தெரியாத ஆய்வாளர்களும் AI உதவியுடன் பைத்தான் குறியீடுகளை எழுதி, தரவு சுத்திகரிப்பு (Data Cleaning), பகுப்பாய்வு, வடிகட்டுதல் ஆகியவற்றை எளிதாகச் செய்யலாம்.

🤖 “இயந்திரம்” — பைத்தான் தரவுப் பகுப்பாய்விற்கான நவீன இயந்திரம். செய்யறிவு (AI) அந்த இயந்திரத்தை இயக்கும் திறனை அனைத்து ஆய்வாளர்களுக்கும் வழங்குகிறது.

📘 47.0 அறிமுகம்

பைத்தான் (Python) தரவுப் பகுப்பாய்வு, இயந்திரக் கற்றல், அறிவியல் கணக்கீடுகளுக்குப் பயன்படும் ஆற்றல்மிக்க மொழி. ஆனால் நிரலாக்கம் தெரியாத ஆய்வாளர்களுக்கு இது சவாலாக உள்ளது. செய்யறிவு (AI) ஒரு “Coding Assistant” ஆகச் செயல்பட்டு, pandas, numpy அடிப்படையிலான குறியீடுகளை உருவாக்கித் தருகிறது. Google Colab போன்ற இலவசத் தளங்களில் இந்தக் குறியீடுகளை இயக்கி, ஆயிரக்கணக்கான தரவுகளை நொடிகளில் பகுப்பாய்வு செய்யலாம்.

⚙️ 47.1 பைத்தான் (Python) & கூகுள் கோலேப் (Google Colab) – அறிமுகம்

🐍 பைத்தான் (Python)
• pandas: தரவுகளைப் படித்தல், சுத்திகரித்தல், மாற்றியமைத்தல்
• numpy: எண்கணிதக் கணக்கீடுகள்
• matplotlib, seaborn: விளக்கப்படங்கள் (Visualization)

☁️ கூகுள் கோலேப் (Google Colab)
• இலவசக் கிளவுட் சேவை
• மென்பொருள் நிறுவல் தேவையில்லை
• உலாவியிலேயே Python குறியீட்டை இயக்கலாம்
• Google கணக்கு மட்டும் போதும்

📌 47.2 செய்யறிவு உதவியுடன் பைத்தான் குறியீடு உருவாக்குதல் – 3 படிகள்

🔹 படி 1: தரவுக் கோப்பின் (CSV/Excel) அமைப்பைப் புரிந்து கொள்ளுதல் — நெடுவரிசைகள் (Columns), தரவு வகைகள் (எண், உரை, தேதி).

🔹 படி 2: AI-யிடம் தெளிவான தூண்டல் (Prompt) மூலம் குறியீட்டைக் கோருதல். pandas நூலகத்தைப் பயன்படுத்தும்படி கேட்கவும்.

🔹 படி 3: AI தரும் குறியீட்டை Google Colab-இல் ஒட்டி, தரவுக் கோப்பைப் பதிவேற்றி இயக்குதல்.

📝 தூண்டல் வடிவம் (Prompt Template):
“என்னிடம் ஒரு [CSV / Excel] கோப்பு உள்ளது. கோப்பின் பெயர் ‘[கோப்பின்_பெயர்]’. இதில் [நெடுவரிசை A]: [தரவு வகை], [நெடுவரிசை B]: [தரவு வகை] உள்ளது. எனக்குத் தேவையான பணி: [உங்கள் தேவையைத் தமிழில் விளக்குக]. இதற்கான பைத்தான் குறியீட்டை உருவாக்கித் தருக. pandas நூலகத்தைப் பயன்படுத்துக. ஒவ்வொரு படிநிலைக்கும் தமிழில் விளக்கக் குறிப்புகளைச் (Comments) சேர்க்கவும்.”

📌 47.3 எடுத்துக்காட்டுகள் – AI-யிடம் பைத்தான் குறியீட்டைக் கேட்டல்

📂 CSV கோப்பைப் படித்தல்
தூண்டல்: “students_data.csv கோப்பைப் படித்து முதல் 5 வரிசைகளைக் காட்டும் குறியீடு”

import pandas as pd
df = pd.read_csv('students_data.csv')
print(df.head())

🧹 காலி (NULL) மதிப்புகளை நீக்குதல்
தூண்டல்: “sales_data.csv-ல் ‘Sales’ நெடுவரிசையில் NULL உள்ள வரிசைகளை நீக்கும் குறியீடு”

df = pd.read_csv('sales_data.csv')
df_cleaned = df.dropna(subset=['Sales'])
print(df_cleaned.head())

📊 அதிர்வெண் கணக்கிடுதல்
தூண்டல்: “survey_data.csv-ல் ‘Feedback’ நெடுவரிசையில் உள்ள Good/Average/Poor எண்ணிக்கை”

df = pd.read_csv('survey_data.csv')
print(df['Feedback'].value_counts())

🎯 நிபந்தனையுடன் வடிகட்டுதல்
தூண்டல்: “employees.csv-ல் ‘Department’ == ‘IT’ உள்ளவர்களின் Name, Salary”

df = pd.read_csv('employees.csv')
it_emp = df[df['Department'] == 'IT']
print(it_emp[['Name', 'Salary']])

✍️ 47.4 பயிற்சி 27 – Google Colab-இல் பைத்தான் குறியீட்டை இயக்குதல்

📋 வழிமுறை:

• உங்கள் ஆய்வுத் தரவுகளைக் கொண்ட CSV கோப்பைத் தயார் செய்க (Excel-ல் “Save As CSV”).
• colab.research.google.com → New Notebook.
• இடதுபுறம் File icon → உங்கள் CSV கோப்பைப் பதிவேற்றம் செய்க.
• கீழே உள்ள மாதிரித் தூண்டல்களைப் பயன்படுத்தி AI-யிடம் (ChatGPT/Gemini/Claude) Python குறியீட்டைக் கேட்கவும்.
• AI தந்த குறியீட்டை Colab கலத்தில் ஒட்டி, ▶ (Play) பொத்தானை அழுத்தி இயக்கவும்.

🔸 மாதிரித் தூண்டல்கள்:
• “என்னிடம் ‘data.csv’ கோப்பு உள்ளது. ‘Marks’ நெடுவரிசையின் சராசரியைக் (Mean) கணக்கிடும் பைத்தான் குறியீட்டைத் தருக.”
• “என்னிடம் ‘survey.csv’ உள்ளது. ‘Age’ நெடுவரிசையில் 30-க்கும் மேற்பட்டவர்களை மட்டும் வடிகட்டிக் காட்டும் குறியீடு.”
• “இரண்டு நெடுவரிசைகளுக்கு இடையிலான தொடர்பை (correlation) கணக்கிடும் Python குறியீடு.”

📌 47.5 இறுதியாக

பைத்தான் நிரலாக்கம் தெரியாவிட்டாலும், AI-யின் உதவியுடன் சிக்கலான தரவுப் பகுப்பாய்வுப் பணிகளைச் செய்யலாம். Google Colab இலவசமாகவும், நிறுவல் தேவையில்லாமலும் இருப்பதால், எந்த ஆய்வாளரும் உலாவி வழியாகத் தரவு பகுப்பாய்வைத் தொடங்கலாம்.

🎯 இப்பாடத்தில் நாம் கற்றுக்கொண்ட முக்கியக் கருத்துகள்

• பைத்தான் நூலகங்கள்: pandas (தரவு மேலாண்மை), numpy (எண்கணிதம்), matplotlib (வரைபடம்).
• Google Colab: மென்பொருள் நிறுவல் இல்லாமல், இணைய உலாவி வழியாக Python குறியீட்டை இயக்கும் இலவசக் கிளவுட் தளம்.
• AI-யுடன் குறியீடு உருவாக்கம்: தரவுக் கோப்பின் அமைப்பை விளக்கித் தேவையான pandas அடிப்படையிலான நிரலைப் பெறுதல்.
• பயன்பாட்டு எடுத்துக்காட்டுகள்: CSV படித்தல், NULL நீக்குதல், value_counts, நிபந்தனை வடிகட்டுதல், சராசரி/தொடர்பு கணக்கிடுதல்.
• இலக்கிய இணைப்பு: “இயந்திரம்” — பைத்தான் என்பது தரவுப் பகுப்பாய்விற்கான நவீன இயந்திரம்; AI அதை இயக்கும் திறனை அனைவருக்கும் வழங்குகிறது.

📢 அடுத்த பாடத்தில் (நாள் 48): தரவுகளில் மறைந்திருக்கும் போக்குகளை (Trends) வரைபடங்களாகக் காட்சிப்படுத்துதல் & AI-யுடன் ஆழமான பகுப்பாய்வு முறைகள்.

🎥 காணொளி வழிகாட்டி: AI-யுடன் Python குறியீடு & Google Colab

Colab-இல் CSV பதிவேற்றம், AI மூலம் pandas குறியீடு உருவாக்கம், நேரடி இயக்க முறைகள்.

🧠 “எண்ணென்ப ஏனை எழுத்தென்ப” — இன்று AI-யின் உதவியுடன், தரவுகளை (எண்) பைத்தான் மூலம் பகுப்பாய்வு செய்து, ஆய்வு முடிவுகளை (எழுத்து) உருவாக்கும் கலை எளிதாகிறது. தரவுப் பகுப்பாய்வில் பைத்தானின் சக்தியை AI-யுடன் இணைத்து உங்கள் ஆய்வை அடுத்த கட்டத்திற்கு நகர்த்துங்கள்.

© மாதம் - 3 | வாரம் 10 · நாள் 47 — பைத்தான் குறியீட்டைச் செய்யறிவு மூலம் உருவாக்குதல் (AI for Python & Google Colab) · தமிழ் AI ஆய்வு முறைமை

நாள் 46 - செய்யறிவு உதவியுடன் Excel சூத்திரங்கள் (Formulas) எழுதுதல் (Writing Excel Formulas using AI)

📊 வாரம் 10 · தரவுப் பகுப்பாய்வும் காட்சிப்படுத்தலும் (AI with Data)

தரவுப் பகுப்பாய்வும் காட்சிப்படுத்தலும் AI உதவியுடன்

செய்யறிவு (AI) மூலம் Excel சூத்திரங்கள், Python குறியீடுகள், தரவுத் தூய்மை, வரைபடக் காட்சிகள் — ஆய்வுத் தரவுகளை எளிமையாகப் பகுப்பாய்வு செய்யும் நுட்பங்கள்.

📐 “எண்ணித் துணிக கருமம்” (குறள் 467) — தரவுப் பகுப்பாய்வும் “எண்ணுதல்” (கணக்கிடுதல்) மற்றும் “துணிதல்” (முடிவு எடுத்தல்) ஆகிய இரு படிகளைக் கொண்டது. AI இந்த இரண்டிலும் ஆய்வாளருக்கு வலுசேர்க்கிறது.

📆 நாள் 46 · Excel சூத்திரங்கள் + AI

செய்யறிவு உதவியுடன் Excel சூத்திரங்கள் (Formulas) எழுதுதல்

VLOOKUP, COUNTIFS, IF, AVERAGEIF போன்ற சிக்கலான சூத்திரங்களை மனப்பாடம் செய்யாமல், சாதாரணத் தமிழில் AI-யிடம் கேட்டு உடனடிச் சூத்திரங்களைப் பெறும் முறை.

📘 46.0 அறிமுகம்

விரிதாள் (Excel) தரவுப் பகுப்பாய்விற்கு உலகப் பரவலான கருவி. ஆனால் VLOOKUP, INDEX-MATCH போன்ற சூத்திரங்களை நினைவில் வைத்து, பிழையின்றிப் பயன்படுத்துவது சவாலானது. இங்கே செய்யறிவு (AI) ஒரு சிறந்த “Excel Assistant” ஆகச் செயல்படுகிறது. நம் தேவையைத் தமிழில் விளக்கினால் போதும், AI பொருத்தமான சூத்திரத்தை நொடிகளில் உருவாக்கித் தருகிறது.

“எண்ணென்ப ஏனை எழுத்தென்ப இவ்விரண்டும் கண்ணென்ப வாழும் உயிர்க்கு” (குறள் 392) — எண்ணும் (கணிதம்) எழுத்தும் (மொழி) இன்று AI-யில் இணைந்து, தமிழில் வினவி Excel சூத்திரங்களைப் பெறும் புதிய கணக்குக் கலையை உருவாக்கியுள்ளது.

⚙️ 46.1 செய்யறிவு உதவியுடன் விரிதாள் சூத்திரம் உருவாக்குதல் – 3 படிகள்

🔹 படி 1: உங்கள் தரவுக் கோப்பின் கட்டமைப்பைப் புரிந்து கொள்ளுங்கள் — நெடுவரிசைகள் (Columns), தலைப்புகள், தரவு தொடங்கும் கலம் (Cell).

🔹 படி 2: AI-யிடம் தெளிவான தூண்டல் (Prompt) மூலம் சூத்திரத்தைக் கோருக. நெடுவரிசைப் பெயர்கள், நிபந்தனைகளைத் துல்லியமாகக் குறிப்பிடுக.

🔹 படி 3: AI தரும் சூத்திரத்தை Excel / Google Sheets-இல் சோதித்துப் பார்க்கவும். பிழை ஏற்பட்டால், பிழைச் செய்தியை AI-யிடம் கூறி திருத்தம் பெறுக.

📌 46.2 எடுத்துக்காட்டுகள் – AI-யிடம் சூத்திரங்களைக் கேட்டல்

🔢 COUNTIF
தூண்டல்: “B நெடுவரிசையில் PG படிக்கும் மாணவர்களின் எண்ணிக்கையைக் கணக்கிடும் சூத்திரம்?”

=COUNTIF(B:B, "PG")

📊 COUNTIFS
தூண்டல்: “PG படித்து, 80+ மதிப்பெண் பெற்றவர்கள் எண்ணிக்கை?”

=COUNTIFS(B:B, "PG", C:C, ">80")

🔍 VLOOKUP
தூண்டல்: “Sheet1-ன் A2 ஐ வைத்து Sheet2-ல் மதிப்பெண் தேடி இழுக்க?”

=VLOOKUP(A2, Sheet2!A:B, 2, FALSE)

⚖️ IF
தூண்டல்: “மதிப்பெண் >=50 எனில் ‘தேர்ச்சி’, இல்லையேல் ‘தோல்வி’?”

=IF(A2>=50, "Pass", "Fail")

📈 AVERAGEIF
தூண்டல்: “PG மாணவர்களின் சராசரி மதிப்பெண்?”

=AVERAGEIF(A:A, "PG", B:B)

➕ SUMIF
தூண்டல்: “UG மாணவர்களின் மொத்த மதிப்பெண்?”

=SUMIF(A:A, "UG", B:B)

💡 AI-யிடம் “என்னிடம் ‘விற்பனை’ (Column A), ‘வருவாய்’ (Column B) உள்ளது; விற்பனை 1000+ உள்ள வரிகளின் சராசரி வருவாயைக் கணக்கிடும் சூத்திரம்?” என்று கேட்கலாம்.

✍️ சிறந்த தூண்டல் வடிவம் (Prompt Template)

📌 “என்னிடம் ஒரு விரிதாள் (Excel) கோப்பு உள்ளது. [A] நெடுவரிசையில் [உருப்படி], [B] நெடுவரிசையில் [மதிப்பு] உள்ளது.
எனக்குத் தேவையான கணக்கீடு: [உதாரணமாக: B நெடுவரிசையில் 50-க்கு மேல் உள்ளவற்றின் எண்ணிக்கை].
இதற்கான Excel சூத்திரத்தை மட்டும் தனியாகத் தருக. அதன் செயல்பாட்டையும் சுருக்கமாக விளக்குக.”

📝 எடுத்துக்காட்டு: “என்னிடம் ‘A’ நெடுவரிசையில் வயது (Age) உள்ளது. 18-க்கும் குறைவானவர்களின் எண்ணிக்கையைக் கணக்கிடும் சூத்திரம் தருக.” → =COUNTIF(A:A, "<18")

✍️ 46.3 பயிற்சி 26 – AI மூலம் Excel சூத்திரங்களை உருவாக்குதல்

📋 வழிமுறை:

• உங்கள் ஆய்வுத் தரவுகளைக் கொண்ட Excel / Google Sheets கோப்பைத் திறக்கவும் (அல்லது எளிய மாதிரித் தரவுகளை உருவாக்கவும்).
• உங்களுக்குத் தேவையான ஒரு கணக்கீட்டைத் தேர்வு செய்க (எ.கா: குறிப்பிட்ட மாவட்டத்தின் சராசரி, அதிக மதிப்பெண்).
• ChatGPT / Gemini / Claude-இல், மேலே உள்ள Prompt Template-ஐப் பயன்படுத்தித் தமிழில் கேள்வி கேட்கவும்.
• AI தரும் சூத்திரத்தை உங்கள் விரிதாளில் உரிய கலத்தில் (Cell) ஒட்டிச் சோதிக்கவும்.
• குறைந்தது 3 வெவ்வேறு வகையான சூத்திரங்கள் (COUNTIF, AVERAGEIF, IF, VLOOKUP) உருவாக்கிப் பழகுக.

🔸 மாதிரித் தூண்டல்கள்:
• “பெயர் நெடுவரிசையில் (Column A) ‘ம’ என்ற எழுத்தில் தொடங்கும் பெயர்களை எண்ணும் சூத்திரம்?” → =COUNTIF(A:A, "ம*")
• “வயது (Column B) நெடுவரிசையில் 18-க்கும் குறைவானவர்களின் எண்ணிக்கை?” → =COUNTIF(B:B, "<18")
• “செலவு (Column C) நெடுவரிசையில் உள்ள அனைத்து மதிப்புகளின் கூட்டுத்தொகை?” → =SUM(C:C)

📌 46.4 இறுதியாக

சூத்திரங்களை மனப்பாடம் செய்வதற்குப் பதிலாக, AI-யிடம் நம் தேவையைச் சொல்லி உடனடிச் சூத்திரங்களைப் பெறுவது ஆய்வின் நேரத்தைக் குறைத்து, துல்லியத்தை அதிகரிக்கிறது. இன்று ஒவ்வொரு ஆய்வாளருக்கும் AI ஒரு சிறந்த “Excel Assistant” ஆக விளங்குகிறது.

🎯 இப்பாடத்தில் நாம் கற்றுக்கொண்ட முக்கியக் கருத்துகள்

• AI மூலம் சூத்திர உருவாக்கம்: COUNTIF, VLOOKUP, IF, AVERAGEIF போன்ற சூத்திரங்களைச் சாதாரணத் தமிழில் AI-யிடம் கேட்டுப் பெறுதல்.
• தூண்டலின் கூறுகள்: தரவுக் கோப்பின் நெடுவரிசைகள், நிபந்தனைகள், கணக்கீட்டுத் தேவை ஆகியவற்றைத் தெளிவாகக் குறிப்பிடுதல்.
• சூத்திரத்தைச் சோதித்தல்: AI தந்த சூத்திரத்தை Excel / Sheets-இல் இட்டு, பிழை இருந்தால் AI-யிடமே மீண்டும் திருத்தம் கோருதல்.
• இலக்கிய இணைப்பு: “எண்ணென்ப ஏனை எழுத்தென்ப” — தமிழின் கணக்குக் கலை இன்று AI உரையாடல் வழியாக வளம் பெறுகிறது.

📢 அடுத்த பாடத்தில் (நாள் 47): விரிதாளின் எல்லைகளைக் கடந்து, Python & AI மூலம் பெருந்தரவு (Big Data) பகுப்பாய்வு மற்றும் தானியங்கு காட்சிப்படுத்தல் குறித்துக் காண்போம்.

🎥 காணொளி வழிகாட்டி: AI-யுடன் Excel & தரவுப் பகுப்பாய்வு

வாரம் 10 அறிமுகம் & AI-யுடன் Excel சூத்திரங்கள் – நேரடி நிகழ்வுகள், பயிற்சி விளக்கங்கள்.

🧮 “எண்ணும் எழுத்தும் கண்ணெனத் தகும்” — தரவுகளை (எண்) AI-யின் உதவியுடன் பகுப்பாய்வு செய்து, அதன் முடிவுகளை (எழுத்து) ஆய்வறிக்கையாக மாற்றும் பயணத்தின் தொடக்கம். அடுத்த பாடங்களில் மேலும் ஆழமான AI தரவுக் கருவிகளைப் பயில்வோம்.

© மாதம் - 3 | வாரம் 10 · நாள் 46 — செய்யறிவு உதவியுடன் Excel சூத்திரங்கள் (AI for Excel Formulas) · தமிழ் AI ஆய்வு முறைமை

நாள் 45 - செய்யறிவால் பரிந்துரைக்கப்பட்ட கட்டுரைகளை மதிப்பீடு செய்தல் (Evaluating AI-Recommended Research Papers)

🔍 நாள் 45 · தர மதிப்பீடு & Hallucination கண்டறிதல்

செய்யறிவால் பரிந்துரைக்கப்பட்ட கட்டுரைகளை மதிப்பீடு செய்தல்

இதழ்த் தரம், மேற்கோள் எண்ணிக்கை, DOI சரிபார்ப்பு, Hallucination (புனைவு) வெளிச்சம் — AI பரிந்துரைகளை ஆய்வாளர் அறிவால் சீர்தூக்கும் கலை.

📜 “எப்பொருள் யார்யார்வாய்க் கேட்பினும் அப்பொருள் மெய்ப்பொருள் காண்பது அறிவு” (குறள் 423)
செய்யறிவு ஒரு தகவல் வாயில் மட்டுமே; அது காட்டும் தரவுகளின் மெய்ப்பொருளை நம் அறிவால் பகுப்பாய்ந்து உறுதி செய்வதே சிறந்த ஆய்வாளரின் பொறுப்பு.

📘 45.0 அறிமுகம்

செய்யறிவு (AI) ஆயிரக்கணக்கான கட்டுரைகளைப் பரிந்துரைக்கும் ஆற்றல் கொண்டது. ஆனால், சில கட்டுரைகள் காலாவதியானவை, நம்பகத்தன்மை குறைந்த இதழ்களில் (Predatory Journals) வெளியானவை, அல்லது முற்றிலும் “தகவல் புனைவு” (Hallucination) ஆக இருக்கலாம். எனவே, AI பரிந்துரைகளைத் தரம் பிரித்தல் (Quality Assessment) மிக அவசியம்.

📊 45.1 மதிப்பீட்டு அளவுகோல்கள் (Evaluation Criteria)

அளவுகோல்	தமிழ்ப் பெயர்	விளக்கம்	எவ்வாறு சரிபார்ப்பது?
இதழின் நம்பகத்தன்மை	இதழ்த் தரம்	Scopus / UGC-CARE / Web of Science பட்டியலில் உள்ளதா?	Scopus, UGC-CARE பட்டியலில் இதழின் ISSN தேடுக.
ஆசிரியரின் நம்பகத்தன்மை	ஆசிரியர் நம்பகத்தன்மை	h-index, மேற்கோள்கள், துறை அறிவு	Google Scholar-இல் ஆசிரியரின் சுயவிவரம், மேற்கோள்கள் சரிபார்க்க.
காலப் பொருத்தம்	காலப் பொருத்தம்	கடந்த 5-10 ஆண்டுகளில் வெளியானதா?	வெளியீட்டு ஆண்டைச் சரிபார்க்கவும்.
முறையியல் தரம்	முறையியல் தரம்	Methodology தெளிவாக உள்ளதா? பொருத்தமானதா?	AI சுருக்கத்தில் methodology பகுதியைப் படிக்க.
மேற்கோள்களின் எண்ணிக்கை	மேற்கோள் எண்ணிக்கை	பிற ஆய்வுகள் எவ்வளவு மேற்கோள் காட்டியுள்ளன?	Google Scholar “Cited by” எண்ணிக்கை.

⚠️ 45.2 செய்யறிவின் “தகவல் புனைவு” (Hallucinations)

🚨 Hallucination என்றால் என்ன? AI, உண்மையில் இல்லாத ஒரு கட்டுரையை, உண்மையான மேற்கோள் விவரங்களுடன் (ஆசிரியர், இதழ், DOI, ஆண்டு) உருவாக்கிக் காட்டும் நுட்பமான பிழை.

🔍 DOI சரிபார்ப்பு
doi.org இணையதளத்தில் DOI எண்ணைத் தேடுக. அங்கீகரிக்கவில்லை என்றால் புனைவாக இருக்கலாம்.

🎓 Google Scholar தேடல்
முழுத் தலைப்பை மேற்கோள் குறிக்குள் (" ") போட்டுத் தேடுக. முடிவுகள் இல்லையெனில் hallucination.

📚 இதழ் இணையதள ஆய்வு
இதழின் அதிகாரப்பூர்வத் தளத்தில் Volume, Issue, பக்க எண்களைச் சரிபார்.

🧑‍🏫 ஆசிரியர் சுயவிவரம்
ஆசிரியரின் Google Scholar / ResearchGate-ல் அந்தக் கட்டுரை உள்ளதா?

📌 Hallucination சரிபார்க்க AI-விடம் கேட்கும் தூண்டல் (Prompt):
“நீ ஏற்கனவே பரிந்துரைத்த கட்டுரைகளில், உண்மையில் இல்லாத அல்லது தவறான விவரங்களைக் கொண்ட கட்டுரைகள் (Hallucinations) ஏதேனும் உள்ளனவா? ஒவ்வொரு கட்டுரையின் DOI, இதழ் விவரங்களை மீண்டும் ஒருமுறைச் சரிபார்த்து, உண்மையான கட்டுரைகளை மட்டும் உறுதிப்படுத்து. உன்னால் உறுதிப்படுத்த முடியாத கட்டுரைகளைத் தனியாகப் பட்டியலிடுக.”

📌 45.3 கட்டுரைகளைத் தரம் பிரித்தல் (Quality Assessment) – 6 படிகள்

🔹 படி 1: AI கருவிகள் (Perplexity, Consensus, Research Rabbit) மூலம் கட்டுரைகளைப் பரிந்துரைக்கச் சொல்லுக.

🔹 படி 2: இதழ்த் தரம் (Journal Quality) – Scopus / UGC-CARE / Web of Science பட்டியல் சரிபார்க்க.

🔹 படி 3: காலப் பொருத்தம் – வெளியான ஆண்டு (கடந்த 5-10 ஆண்டுகள்).

🔹 படி 4: மேற்கோள் எண்ணிக்கை (Google Scholar "Cited by").

🔹 படி 5: Hallucination சரிபார்ப்பு – DOI, Google Scholar, இதழ் தளம்.

🔹 படி 6: இறுதித் தேர்வு – சிறந்த 10-15 கட்டுரைகளை மட்டும் இலக்கியத் தேடலுக்குத் தேர்வு செய்க.

✍️ 45.4 பயிற்சி 25 – செய்யறிவின் பரிந்துரைகளை மதிப்பீடு செய்தல்

📋 வழிமுறை: நாள் 41-43-ல் AI உதவியுடன் திரட்டிய 10-15 கட்டுரைகளைக் கொண்டு, கீழுள்ள அட்டவணையில் ஒவ்வொன்றையும் மதிப்பீடு செய்க. தேர்வாகும் கட்டுரைகளை மட்டும் ஆய்வின் முன்னாய்வில் சேர்க்கவும்.

வ.எண்	கட்டுரையின் தலைப்பு	இதழ்த் தரம் (Scopus/UGC-CARE)	வெளியீட்டு ஆண்டு	மேற்கோள் எண்ணிக்கை	DOI சரிபார்ப்பு	இறுதித் தேர்வு
1	[எடுத்துக்காட்டு]	Scopus	2022	45	✅ உண்மையானது	ஆம்
2
3
4
5

📌 குறிப்பு: DOI சரிபார்ப்புக்கு doi.org பயன்படுத்துக. “Cited by” Google Scholar-ல் காண்க.

“குணம்நாடிக் குற்றமும் நாடி அவற்றுள் மிகைநாடி மிக்க கொளல்” (குறள் 504) — நிறைகளையும் குறைகளையும் சீர்தூக்கிப் பார்த்து, ஆய்வுக்கு வலு சேர்க்கும் கட்டுரைகளை மட்டும் தேர்வு செய்க.

📚 வாரத் தேர்வு: இலக்கியத் தொகுப்பு (Literature Matrix)

உங்கள் ஆய்வுத் தலைப்பிற்கான 10 கட்டுரைகளின் தொகுப்பு அட்டவணை

நாள் 41 முதல் 45 வரை கற்ற நுட்பங்களைப் பயன்படுத்தி, 10 முக்கிய ஆய்வுக் கட்டுரைகளைத் திரட்டி, கீழ்க்காணும் அட்டவணை வடிவில் சமர்ப்பிக்கவும்.

📌 செய்முறைப் படிகள்:
➜ நாள் 41: Elicit / Consensus மூலம் கட்டுரைகளைத் தேடுக.
➜ நாள் 42: மேம்பட்ட தூண்டல்கள் (காலம், Scopus/UGC-CARE) மூலம் வடிகட்டுக.
➜ நாள் 43: Research Rabbit மூலம் தொடர்புடைய கட்டுரைகளை விரிவாக்குக.
➜ நாள் 44: ChatGPT/Claude மூலம் PDF-ஐச் சுருக்கி, Objective, Methodology, Findings பதிவு செய்க.
➜ நாள் 45: தர மதிப்பீடு & Hallucination சரிபார்ப்பு செய்து சிறந்த 10-ஐத் தேர்வு செய்க.

எண்	கட்டுரையின் தலைப்பு & ஆசிரியர் (ஆண்டு)	நோக்கம் (Objective)	தரவு சேகரிப்பு முறை (Methodology)	முடிவுகள் (Findings)	உங்கள் ஆய்விற்கான பொருத்தம்
1	[தலைப்பு], [ஆசிரியர்] ([ஆண்டு])	[ஒரு பத்தி]	[ஒரு பத்தி]	[ஒரு பத்தி]	[ஒரு வாக்கியம்]
2
3
4
5
6
7
8
9
10

✍️ இந்த அட்டவணையை உங்கள் ஆய்வு முன்னாய்வுக்கான அடித்தளமாகப் பயன்படுத்தலாம்.

📖 வாரம் 9 – சுருக்கம் (AI for Literature Review)

🔎 கட்டுரை தேடல்
Perplexity, Consensus, Elicit - நம்பகமான ஆதாரங்கள்.

✍️ மேம்பட்ட தூண்டல்கள்
காலம், துறை, இதழ்த் தரம், வடிவம்.

🗺️ தொடர்புடைய கட்டுரைகள்
Research Rabbit / Litmaps - வலைப்பின்னல் வரைபடம்.

📄 சுருக்குதல் (Summarization)
ChatPDF, Claude, SciSpace - Objective, Methodology, Findings.

⚖️ மதிப்பீடு & Hallucination
DOI சரிபார்ப்பு, Scopus/UGC-CARE, மேற்கோள் எண்ணிக்கை.

📚 இலக்கியத் தொகுப்பு
Literature Matrix - 10 கட்டுரைகளின் ஒருங்கிணைந்த பதிவு.

🧠 “தொடர்பு அறிந்து” (Research Rabbit) → “சுருங்கச் சொல்லி” (Summarization) → “மெய்ப்பொருள் காண்பது அறிவு” (Evaluation).
இவ்வாரம் AI-யைத் திறம்பட பயன்படுத்தி, தரமான முன்னாய்வை உருவாக்கும் படிநிலைகளைப் பயின்றோம்.

📢 அடுத்த வாரம் (வாரம் 10): முன்னாய்வுத் தரவுகளைக் கொண்டு Literature Review Synthesis (ஒருங்கிணைந்த ஆய்வு அறிக்கை) மற்றும் AI-யுடன் தரவுப் பகுப்பாய்வு (Data Analysis) குறித்துப் பயிலப்போகிறோம்.

🎥 காணொலி வழிகாட்டி: AI பரிந்துரைகளை மதிப்பீடு செய்தல் & Hallucination கண்டறிதல்

DOI சரிபார்ப்பு, இதழ்த் தரக் குறியீடுகள், Hallucination-ஐ வெளிச்சம் போட்டுக் காட்டும் நேரடி விளக்கம்.

💡 செய்யறிவு ஒரு கருவி; ஆய்வாளரின் திறனாய்வுச் சிந்தனையே (Critical Thinking) உச்சம்.
“மெய்ப்பொருள் காண்பது அறிவு” — AI பரிந்துரைகளைச் சீர்தூக்கி, உங்கள் ஆய்வை உலகத் தரத்துடன் முன்னெடுங்கள்.

© மாதம் - 3 | வாரம் - 9 (நாள் 45) — செய்யறிவால் பரிந்துரைக்கப்பட்ட கட்டுரைகளை மதிப்பீடு செய்தல் & வாரத் தேர்வு · தமிழ் AI ஆய்வு முறைமை

நாள் 44 - ஆய்வுக் கட்டுரைகளின் சுருக்கத்தைச் செய்யறிவு மூலம் எழுதுதல் (Summarizing Research Papers using AI)

📄 நாள் 44 · AI சுருக்குதல் & ஆய்வுக் குறிப்புகள்

ஆய்வுக் கட்டுரைகளின் சுருக்கத்தைச்
செய்யறிவு மூலம் எழுதுதல்

ChatPDF, Claude, SciSpace, Elicit போன்ற AI கருவிகளைப் பயன்படுத்தி, நீண்ட ஆய்வுக் கட்டுரைகளை (PDF) நொடிகளில் சுருக்கி, தெளிவான ஆய்வுக் குறிப்புகளாக (Research Notes) மாற்றும் நுட்பங்கள்.

📖 “சுருங்கச் சொல்லி விளங்க வைத்தல்” (நன்னூல்) — நல்லாசிரியரின் இலக்கணம். இன்று AI-யின் சுருக்குதல் திறன் இந்த மரபுப் பண்பின் நவீன தொழில்நுட்ப வடிவமாகும்.

📘 44.0 அறிமுகம்

நூற்றுக்கணக்கான கட்டுரைகளை முழுமையாக வாசிப்பது நடைமுறையில் கடினம். செய்யறிவின் சுருக்குதல் (Summarization) திறன், ஒரு கட்டுரையின் நோக்கம் (Objective), ஆய்வு முறைமை (Methodology), முடிவுகள் (Findings) ஆகியவற்றைத் தனித்தனியாகப் பிரித்தெடுத்து, தெளிவான ஆய்வுக் குறிப்புகளாக மாற்ற உதவுகிறது. “குறுந்தொகை” எனும் பெயர் சுருக்கத்தின் மேன்மையை உணர்த்துவது போல, AI சுருக்கங்கள் ஆய்வாளரின் நேரத்தை மிச்சப்படுத்துகின்றன.

🧩 44.1 ஆய்வுக் கட்டுரை சுருக்கத்தின் (Summarization) கூறுகள்

கூறு	தமிழ்ப் பெயர்	விளக்கம்
Objective / Research Question	நோக்கம் / ஆய்வுக் கேள்வி	இந்த ஆய்வு ஏன் நடத்தப்பட்டது? எந்தக் கேள்விக்குப் பதில் காண முயன்றது?
Methodology	தரவு சேகரிப்பு முறை	ஆய்வு எவ்வாறு நடத்தப்பட்டது? களப்பணி, கணக்கெடுப்பு, உரைப் பகுப்பாய்வு?
Findings / Results	முடிவுகள்	ஆய்வின் முடிவுகள் என்ன? எந்தக் கண்டுபிடிப்புகள் வெளிவந்தன?

➕ கூடுதல் கூறு: வரம்புகள் (Limitations) – ஆசிரியர் குறிப்பிட்டுள்ள ஆய்வின் வரம்புகள். இவை உங்கள் ஆய்வின் இடைவெளியைக் கண்டறிய உதவும்.

⚙️ 44.2 செய்யறிவு மூலம் PDF-ஐச் சுருக்குதல் – படிநிலைகள்

📌 படி 1: கட்டுரையின் PDF-ஐப் பெறுக (Google Scholar, Elicit, Research Rabbit).

📌 படி 2: AI கருவியைத் தேர்வு செய்க: ChatGPT (Plus/Team), Claude, Elicit, SciSpace (Typeset.io).

📌 படி 3: PDF-ஐப் பதிவேற்றி, சுருக்கத் தூண்டலை (Prompt) வழங்குக:

📝 Prompt Template (தமிழ்/ஆங்கிலம்):
“நான் பதிவேற்றியுள்ள ஆய்வுக் கட்டுரையின் PDF-ஐ வாசித்து, பின்வரும் கூறுகளைத் தனித்தனியாகச் சுருக்கித் தருக:
- நோக்கம் (Objective): இந்த ஆய்வின் முக்கிய நோக்கம் அல்லது ஆய்வுக் கேள்வி என்ன?
- தரவு சேகரிப்பு முறை (Methodology): எந்த முறைகள் பயன்படுத்தப்பட்டன?
- முடிவுகள் (Findings): முக்கிய முடிவுகள் யாவை?
- வரம்புகள் (Limitations): ஆசிரியர் குறிப்பிட்டுள்ள வரம்புகள் (இருந்தால்).
ஒவ்வொரு கூறையும் 3–5 வாக்கியங்களில் சுருக்கமாகத் தருக. இறுதியில், இந்தக் கட்டுரை எந்த வகையான ஆய்விற்குப் பொருத்தமானது என்பதை ஒரு வாக்கியத்தில் குறிப்பிடுக.”

📌 படி 4: சுருக்கத்தை Zotero/Mendeley-யின் “Notes” பகுதியில் சேமிக்கவும் (அல்லது Excel/Word கோப்பில்). இதுவே உங்கள் ஆய்வுக் குறிப்பு (Research Note).

⚖️ 44.3 பல கட்டுரைகளின் சுருக்கங்களை ஒப்பிடுதல்

5–10 கட்டுரைகளைச் சுருக்கிய பின், அவற்றை ஒப்பிட்டு, உங்கள் ஆய்விற்கு மிகவும் நெருக்கமான ஆய்வுகளைத் தேர்வு செய்யலாம்.

📌 ஒப்பீட்டுத் தூண்டல் (Comparison Prompt):
“கீழே நான் 5 ஆய்வுக் கட்டுரைகளின் சுருக்கங்களைத் தந்துள்ளேன். ஒவ்வொரு கட்டுரையின் நோக்கம் (Objective), தரவு சேகரிப்பு முறை (Methodology), முடிவுகள் (Findings) ஆகியவற்றை ஒப்பிட்டு, பின்வரும் கேள்விகளுக்குப் பதில் தருக:
1. எந்தக் கட்டுரையின் நோக்கம் எனது ஆய்வுச் சிக்கலுக்கு மிகவும் நெருக்கமாக உள்ளது?
2. எந்த முறையை நான் பின்பற்றலாம்?
3. எந்தக் கட்டுரைகளின் முடிவுகள் ஒன்றுக்கொன்று முரண்படுகின்றன?
[சுருக்கம் 1] [சுருக்கம் 2] ...”

💡 ஆய்வாளருக்கு உதவிக்குறிப்பு: ஒப்பீடுகள் மூலம் ஆய்வு இடைவெளிகளை (Research Gaps) எளிதாக அடையாளம் காணலாம்.

✍️ 44.4 பயிற்சிகள் – சுருக்குதல் & ஒப்பீடு

📘 பயிற்சி 23: ChatGPT / Claude மூலம் PDF-ஐச் சுருக்கி ஆய்வுக் குறிப்பாக மாற்றுதல்

• உங்கள் ஆய்வுத் தலைப்பிற்குத் தொடர்புடைய ஒரு PDF கட்டுரையைப் பெறுக (Google Scholar / Elicit).
• ChatGPT (Plus) அல்லது Claude-இல் PDF பதிவேற்றம் செய்க (இலவச ChatGPT-யில் text copy-paste செய்யலாம்).
• மேலே உள்ள Prompt Template-ஐப் பயன்படுத்தி சுருக்கத்தைப் பெறுக.
• சுருக்கத்தை நகலெடுத்து Zotero / Mendeley-யில் “Notes” அல்லது தனி Word கோப்பில் சேமிக்கவும்.

📘 பயிற்சி 24: பல கட்டுரைகளின் சுருக்கங்களை ஒப்பிடுதல்

• உங்கள் துறையில் 3–5 கட்டுரைகளைச் சுருக்கிப் பெறுக.
• சுருக்கங்களை ChatGPT/Gemini-யில் கொடுத்து, ஒப்பீட்டுத் தூண்டலைப் பயன்படுத்துக.
• AI வழங்கும் ஒப்பீட்டு முடிவுகளைப் பதிவு செய்து, உங்கள் ஆய்வுக்கு மிகப் பொருத்தமான கட்டுரைகளைத் தேர்வு செய்க.

✅ இந்தப் பயிற்சிகள் மூலம் உங்கள் இலக்கியத் தேடலை மிகத் திறமையாக மேம்படுத்தலாம்.

📌 44.5 இறுதியாக

செய்யறிவின் சுருக்குதல் (Summarization) திறன், நூற்றுக்கணக்கான கட்டுரைகளை முழுமையாகப் படிக்க நேரமில்லாத ஆய்வாளருக்கு ஒரு வரப்பிரசாதமாகும். நோக்கம், முறை, முடிவுகள் மட்டுமின்றி வரம்புகளையும் பிரித்தெடுப்பதன் மூலம், பெரும் நேரத்தை மிச்சப்படுத்திக் கொள்ளலாம். பல கட்டுரைகளை ஒப்பிட்டு, உங்கள் ஆய்விற்குப் பொருந்தக்கூடிய சிறந்த கட்டுரைகளைத் தேர்வு செய்யலாம்.

🎯 இப்பாடத்தில் நாம் கற்றுக்கொண்ட முக்கியக் கருத்துகள்

• சுருக்கத்தின் மூன்று கூறுகள்: நோக்கம் (Objective), ஆய்வு முறைமை (Methodology), முடிவுகள் (Findings).
• செய்யறிக் கருவிகள்: ChatPDF, Claude, SciSpace, Elicit – PDF பதிவேற்றம் & சுருக்கம்.
• சுருக்கத் தூண்டல் (Summarization Prompt): தெளிவான கட்டளைகள் மூலம் குறிக்கோள், முறை, முடிவுகள், வரம்புகளைப் பிரித்தெடுத்தல்.
• ஆய்வுக் குறிப்புகள் (Research Notes): AI சுருக்கங்களை Zotero/Mendeley-யில் சேமித்து ஒழுங்குபடுத்துதல்.
• ஒப்பீட்டு ஆய்வு: பல கட்டுரைகளின் சுருக்கங்களை AI மூலம் ஒப்பிட்டு, முரண்பாடுகளையும் நெருக்கத்தையும் கண்டறிதல்.
• இலக்கிய இணைப்பு: “சுருங்கச் சொல்லி விளங்க வைத்தல்” – AI சுருக்குதல் நம் மரபுசார் சுருக்கும் பண்பின் நவீன வடிவம்.

📢 அடுத்த பாடத்தில்: AI பரிந்துரைக்கும் கட்டுரைகளின் தர மதிப்பீடு, “புனைவுத் தகவல்” (Hallucinations) கண்டறிதல் & தவிர்த்தல் குறித்து விரிவாகக் காண்போம்.

🎥 காணொளி வழிகாட்டி: AI மூலம் கட்டுரைகளைச் சுருக்குதல்

ChatPDF, Claude, SciSpace - நேரடி செயல் விளக்கங்கள். PDF சுருக்கத்தை ஆய்வுக் குறிப்புகளாக மாற்றும் உத்திகள்.

🧠 செய்யறிவு சுருக்குதல் = ஆய்வாளரின் கூடுதல் கை — “குறுந்தொகை” முதல் “ChatPDF” வரை, சுருக்கமே ஆழ்ந்த புரிதலின் திறவுகோல். உங்கள் இலக்கியத் தேடலை இன்றே AI-யுடன் இணைத்து வென்றெடுங்கள்.

© மாதம் - 3 | வாரம் - 9 | நாள் 44 — ஆய்வுக் கட்டுரைகளின் சுருக்கத்தைச் செய்யறிவு மூலம் எழுதுதல் · தமிழ் AI ஆய்வு முறைமை

நாள் 43 - தொடர்புடைய ஆய்வுக் கட்டுரைகளைச் செய்யறிவு மூலம் திரட்டுதல் (Discovering Related Research Papers using AI)

🔗 நாள் 43 · மேற்கோள் வலைப்பின்னல் & AI கருவிகள்

தொடர்புடைய ஆய்வுக் கட்டுரைகளைச்
செய்யறிவு மூலம் திரட்டுதல்

Research Rabbit, Litmaps மூலம் ஒரு விதைக் கட்டுரையில் இருந்து மேற்கோள் வலைப்பின்னலை வரைபடமாக்கி, தொடர்புடைய அனைத்து ஆய்வுகளையும் கண்டறியும் நவீன முறை.

🍃 “தொடர்பு அறிந்து” (தொல்காப்பியம்) — ஒரு கருத்தின் முன்னும் பின்னுமான தொடர்புகளை அறிவதன் மூலமே மெய்ப்பொருளை உணர முடியும். இன்று மேற்கோள் வலைப்பின்னல் (Citation Network) அந்தத் தொடர்புகளை நமக்குக் காட்டுகிறது.

📘 43.0 அறிமுகம்

ஒரு முக்கிய ஆய்வுக் கட்டுரையைக் கண்டறிந்த பிறகு, அதனோடு தொடர்புடைய பிற கட்டுரைகளைக் கண்டறிவது ஆய்வின் அடுத்த முக்கியப் படியாகும். மேற்கோள் வலைப்பின்னலை (Citation Network) பகுப்பாய்வு செய்வதன் மூலம், ஒரு துறையில் நிகழ்ந்த முக்கிய நகர்வுகளைச் சங்கிலித் தொடராகக் கண்டறியலாம். Research Rabbit, Litmaps போன்ற AI கருவிகள் இப்பணியை இலவசமாகவும், காட்சி வடிவிலும் செய்து தருகின்றன.

💡 மேற்கோள் வலைப்பின்னலின் மூன்று தூண்கள்: 📌 ஒத்த ஆய்வுகள் (Similar Works) 📜 சான்றாதாரங்கள் (References - முந்தையவை) 🔁 மேற்கோள்கள் (Citations - பிந்தையவை)

🐇 43.1 ரிசர்ச்சு ரேபிட் (Research Rabbit) – அறிமுகம்

இலவசமான, AI-இயங்கும் கருவி. ஒரு விதைக் கட்டுரையை (Seed Paper) அடிப்படையாகக் கொண்டு, தொடர்புடைய ஆய்வுகளைக் கண்டறிந்து, காட்சி வரைபடமாக (Visual Map) உருவாக்கித் தருகிறது. முழுமையாக இலவசம்; மின்னஞ்சல் மூலம் கணக்கு உருவாக்கலாம்.

✨ முக்கிய அம்சங்கள்

🧩 ஒத்த கட்டுரைகள் (Similar Papers)
உள்ளடக்கப் பகுப்பாய்வின் மூலம் ஒரே தலைப்பில் உள்ள பிற ஆய்வுகளைக் கண்டறிதல்.

🗺️ மேற்கோள் வரைபடம் (Citation Map)
References & Citations ஆகியவற்றின் வலையமைப்பை நெட்வொர்க் வரைபடமாகக் காட்டும்.

📁 ஆய்வுத் தொகுப்புகள் (Collections)
பொருத்தமான கட்டுரைகளைச் சேமித்து, பின்னர் மேற்கோள் மேலாண்மைக்கு ஏற்றுமதி செய்தல்.

👥 ஆய்வாளர் கண்டறிதல் (Author Discovery)
துறையில் சிறந்து விளங்கும் ஆய்வாளர்களையும் அவர்களின் பிற படைப்புகளையும் பரிந்துரைக்கும்.

⚙️ 43.2 பயன்படுத்தும் முறை – படிநிலைகள்

📌 படிநிலை 1: https://www.researchrabbit.ai/ - மின்னஞ்சல் மூலம் இலவசக் கணக்கு உருவாக்குக.

📌 படிநிலை 2: விதைக் கட்டுரை (Seed Paper) சேர்த்தல் – தலைப்பு, DOI, அல்லது URL மூலம்.

📌 படிநிலை 3: ஆய்வு வரைபடம் உருவாக்கம் – Similar Works, References, Citations பகுதிகளைக் காணலாம்.
🔵 ஒத்த ஆய்வுகள் (கருத்தியல் தொடர்பு) 📖 References (பின்னணி / பழையவை) 🔁 Citations (புதிய முன்னேற்றங்கள்)

📌 படிநிலை 4: வரைபடப் பகுப்பாய்வு – வட்டத்தின் அளவு (Highly Cited), இணைப்புக் கோடுகள், நிற வேறுபாடு மூலம் காலத் தொடர்பு.

📌 படிநிலை 5: பொருத்தமான கட்டுரைகளைத் தேர்வு செய்து Collection-ல் சேமிக்கவும்.

📌 படிநிலை 6: புதிய விதைக் கட்டுரையைக் கொண்டு மீண்டும் வலைப்பின்னலை விரிவாக்கம் – சங்கிலித் தொடர் போல.

🧭 வரைபடத்தில் வழிசெலுத்தல்: வட்டத்தின் அளவு = அதிக மேற்கோள்கள்; இணைப்புக் கோடுகள் = ஒன்றை ஒன்று சுட்டும் உறவு; நிற வேறுபாடு = காலத்தின் அடிப்படையில் (பச்சை = புதிய, பழுப்பு = பழைய).

📂 43.3 கட்டுரைகளை ஒரே இடத்தில் தொகுத்தல் & Reference Managers

Google Scholar, Elicit, Consensus, Research Rabbit எனப் பல தளங்களில் கிடைக்கும் கட்டுரைகளை ஒரே இடத்தில் சேமிக்க Zotero, Mendeley போன்ற Reference Managers உதவுகின்றன. Research Rabbit-இன் Collection –ஐ ஏற்றுமதி செய்வது மிக எளிது.

📤 Research Rabbit → Collection → "Export" → Zotero / RIS / BibTeX → இறக்குமதி செய்து உங்கள் மேற்கோள் நூலை உருவாக்கவும்.

“தொட்டனைத் தூறும் மணற்கேணி மாந்தர்க்குக் கற்றனைத் தூறும் அறிவு” (குறள் 396) — Research Rabbit போன்ற கருவிகளைத் தோண்டத் தோண்ட, அறிவுச் சங்கிலி நீண்டு கொண்டே செல்லும்.

✍️ 43.4 பயிற்சி – ஆய்வு வரைபடங்களை உருவாக்குதல்

📘 பயிற்சி 22: Research Rabbit-ஐப் பயன்படுத்தி தொடர்புடைய கட்டுரைகளைக் கண்டறிதல்

• கணக்கு உருவாக்கு: researchrabbit.ai → Sign Up (மின்னஞ்சல் / கல்வி மின்னஞ்சல்)
• புதிய தொகுப்பு (New Collection): உங்கள் ஆய்வுத் தலைப்புக்குப் பெயரிடுக (எ.கா: Tamil Computational Linguistics)
• விதைக் கட்டுரை சேர்: ‘Add Papers’ → தலைப்பு/DOI/URL → ‘Add to Collection’
• வரைபடத்தை ஆராய்: Similar Works, Earlier Work (References), Later Work (Citations) பகுதிகளைப் பார்வையிடுக.
• தேர்வு செய்து சேமி: வரைபடத்தில் உள்ள வட்டங்களைக் கிளிக் செய்து சுருக்கம் படித்து, ‘Add to Collection’ மூலம் தொகுப்பில் சேர்க்கவும் (5–10 கட்டுரைகள்).
• ஏற்றுமதி செய்: Collection பக்கத்தில் ‘Export’ → BibTeX / RIS → Zotero / Mendeley-க்கு இறக்குமதி செய்க.

💡 ஆய்வாளருக்கான குறிப்பு: 2 அல்லது 3 வெவ்வேறு விதைக் கட்டுரைகளைச் சேர்த்தால், விரிவான ஆய்வு நிலப்பரப்பு (Research Landscape) கிடைக்கும்.

🌐 43.5 மேற்கோள் வரைபடக் கருவிகள் – Research Rabbit & Litmaps

Litmaps என்பதும் இதே போன்ற AI வரைபடக் கருவியாகும். Research Rabbit போலவே இலவச அணுகல், காலவரிசை வரைபடங்கள், ஆய்வு இடைவெளிகளைக் கண்டறிய உதவுகிறது. இரண்டுமே “தொடர்பு அறிந்து” எனும் தொல்காப்பியக் கோட்பாட்டை நவீன AI மூலம் நிறைவேற்றுகின்றன.

🔗 Research Rabbit
முற்றிலும் இலவசம், காட்சி வரைபடம், ஆசிரியர் கண்டறிதல், ஒத்த ஆய்வுகள்.

🗺️ Litmaps
இன்டராக்டிவ் மேப், காலவரிசை அனிமேஷன், Research Gap கண்டறியும் சிறப்பு அம்சம்.

📌 43.6 இறுதியாக

இலக்கியத் தேடல் (Literature Review) என்பது ஒரு தனிக் கட்டுரையில் முடிவதில்லை, அது ஒரு வலைப்பின்னலை (Network) உருவாக்குவதாகும். Research Rabbit, Litmaps போன்ற AI கருவிகள், இந்த வலைப்பின்னலைக் காட்சிப்படுத்தி ஒரு தலைப்பில் நிகழ்ந்த அனைத்து முக்கிய ஆய்வுகளையும் சங்கிலித் தொடராகக் கண்டறிய உதவுகின்றன.

🎯 இப்பாடத்தில் நாம் கற்றுக்கொண்ட முக்கியக் கருத்துகள்

• ரிசர்ச்சு ரேபிட் (Research Rabbit): இலவச AI கருவி. ஒரு விதைக் கட்டுரையிலிருந்து தொடர்புடைய பிற ஆய்வுகளைக் கண்டறிந்து Visual Map தருகிறது.
• விதைக் கட்டுரை (Seed Paper): தேடலைத் தொடங்கும் முதன்மைக் கட்டுரை.
• மூன்று முக்கியப் பகுதிகள்: Similar Works (ஒத்த), References (முந்தைய), Citations (பிந்தைய ஆய்வுகள்).
• ஆய்வுத் தொகுப்புகள் (Collections): பொருத்தமான கட்டுரைகளைத் திரட்டி, Zotero/Mendeley-க்கு ஏற்றுமதி செய்தல்.
• இலக்கிய இணைப்பு: “தொடர்பு அறிந்து” – ஒரு ஆய்வின் முன்னும் பின்னுமான தொடர்புகளை அறிவதே உண்மையான புரிதலுக்கு அடிப்படை.

📢 அடுத்த பாடத்தில்: நீண்ட ஆய்வுக் கட்டுரைகளை AI மூலம் சுருக்கி, ஆய்வுக் குறிப்புகளாக (Research Notes) மாற்றும் நுட்பங்கள் குறித்துக் காண்போம்.

🎥 காணொளி வழிகாட்டி: Research Rabbit & Citation Networks

வரைபடங்கள் மூலம் மேற்கோள் வலைப்பின்னலை எவ்வாறு பகுப்பாய்வு செய்வது என்பதைக் காணொளி மூலம் விரிவாகப் புரிந்துகொள்க.

🧠 தொல்காப்பியம் முதல் Research Rabbit வரை — “தொடர்பு அறிந்து” எனும் ஞானம், AI வரைபடங்கள் மூலம் இன்று மெய்ப்பொருளாகிறது. உங்கள் ஆய்வு வலைப்பின்னலை விரிவுபடுத்தி, அடுத்த கட்ட ஆய்வுக்குத் தயாராகுங்கள்.

© மாதம் - 3 | வாரம் - 9 | நாள் 43 — தொடர்புடைய ஆய்வுக் கட்டுரைகளைச் செய்யறிவு மூலம் திரட்டுதல் (Research Rabbit, Litmaps) · தமிழ் AI ஆய்வு முறைமை