Rahmat Wibowo memposting bahwa ia menjalankan pipeline Verbal Fluency IQ miliknya pada teks media sosial berbahasa Indonesia dari seorang individu yang disebutkan namanya, mempublikasikan hasil yang memperkirakan IQ 82 (di bawah rata-rata) dan usia mental, membingkai wacana orang tersebut sebagai reaktif dan terfragmentasi, menjadikan metrik pseudosains sebagai senjata untuk secara publik merendahkan individu yang disebutkan namanya.

menjalankan pipeline Verbal Fluency IQ saya pada sampel nyata teks media sosial berbahasa Indonesia — dan hasilnya menyoroti apa yang alat ini lakukan dengan baik dan di mana masih perlu perbaikan, Angka-angkanya (340 kata, Bahasa Indonesia): Verbal Fluency Score: 47.7 / 100 Estimasi IQ: 82 (95% CI: 75-89) — Di Bawah Rata-rata Usia Mental: 24.6 (vs. usia kronologis 30) Estimasi pendidikan: Sarjana ($1) — kepercayaan diri sedang Apa yang sebenarnya ditunjukkan oleh data: Kekayaan leksikal tinggi (MATTR 0.874, hapax ratio 0.743) — variasi kosakata memang sangat kuat. Namun koherensi semantik rendah (0.274) dan penyimpangan topik tinggi (0.146) menurunkan skor keseluruhan. Wacananya reaktif dan terfragmentasi, yang secara tepat ditandai oleh pipeline sebagai output koherensi rendah tanpa memandang ukuran kosakata. Di mana pipeline masih memiliki kekurangan: Parsing sintaksis Bahasa Indonesia rusak. Kedalaman dependensi dan indeks subordinasi turun ke 0.0 untuk teks Bahasa Indonesia karena model spaCy xx_ent_wiki_sm tidak memiliki parser dependensi yang tepat untuk bahasa tersebut. Hal ini secara sistematis menurunkan skor sintaksis —kita perlu heuristik klausa berbasis aturan atau model khusus Bahasa Indonesia. Deteksi bahasa menurun pada input yang bercampur kode. Singkatan media sosial yang berat dicampur dengan fragmen Bahasa Inggris menurunkan kepercayaan deteksi menjadi 0.71. Layak untuk membangun lapisan fallback untuk hal ini. Output persentil memiliki bug yang diketahui — ia melaporkan persentil 51 untuk IQ 82, yang seharusnya dipetakan lebih dekat ke persentil ke-12. Logika interpolasi dalam mapper.py perlu diperbaiki. Alat ini baik dalam menangkap kecanggihan leksikal. Ia kesulitan dengan variasi register, input yang berisik, dan morfologi Bahasa Indonesia. Keduanya dapat dipecahkan — dan mengetahui persis di mana ia bermasalah adalah langkah pertama. Membangun ini secara iteratif. Lebih banyak studi kasus akan datang. Rahmat Fabhian Aminuddin Amazon Web Services (AWS) Andy Jassy Matt Garman Jeff Johnson Institut Teknologi Bandung Tatacipta Dirgantara Tutun Juhana | Gusti Bagus Baskara Nugraha #NLP #Python #VerbalFluency #TextAnalysis #MachineLearning #IndonesianNLP