[내신 영어] EBS 수능특강 라이트[light] 6강 4번 지문 분석 및 변형

[내신 영어] EBS 수능특강 라이트[light] 6강 4번 지문 분석 및 변형입니다.

 

6강 4번. 다음 글의 제목으로 가장 적절한 것은?

To check a given hypothesis, we need data relevant to the hypothesis.

In a laboratory setting, experiments are carefully designed to generate the needed data.

In fact, many times experiments are designed to falsify the hypothesis torder to see if the hypothesis survives the confrontation with reality.

Generating such experiments is possible because we have the hypothesis in advance.

But if we rely on data to generate hypotheses, we cannot make sure that the data gathered (usually in an opportunistic manner) is the data needed to prove or disprove the hypothesis.

Having more data creates a dilemma: it provides more chances to have the right data, but it also provides many more potential hypotheses.

Since the number of hypotheses grows faster than the data, we have no hope of catching up simply by collecting more and more measurements.

* falsify: 틀림을 입증하다 ** opportunistic: 편의주의적인

 

① More Data Improves Accuracy in Science

② Which Comes First, Data or a Hypothesis?

③ How to Exclude Poor Data for Better Analysis

④ Hypotheses: Stepping Stones to Proving a Theory

⑤ Are More Data Always Better for Hypothesis Testing?

 

[주제]

데이터의 양과 가설 검증

 

 

[해석]

주어진 가설을 확인하기 위해 우리는 그 가설과 관련된 데이터가 필요하다. 실험실 환경에서는 그 필요한 데이터를 생성하려고 실험이 세심하게 설계된다. 사실, 많은 경우에 실험은 가설이 현실과의 대 면에서 살아남는지 보기 위해 가설의 틀림을 입증하려고 설계된다. 그런 실험을 만들어 내는 것이 가 능한 것은 우리가 사전에 가설을 가지고 있기 때문이다. 그러나 가설을 생성하기 위해 데이터에 의존 한다면 (대개 편의주의적인 방식으로) 수집된 데이터가 가설을 증명하거나 반증하는 데 필요한 데이터 인지 확인할 수 없다. 더 많은 데이터를 가지는 것은 딜레마를 초래하는데, 그것은 알맞은 데이터를 확 보할 더 많은 기회를 제공하지만, 그것은 또한 훨씬 더 많은 잠재적 가설도 제공한다. 가설의 수가 데 이터보다 더 빠르게 늘어나기 때문에, 단순히 점점 더 많은 측정값을 수집하는 것으로는 따라잡을 가 망이 없다.

 

 

[정답] ⑤

To check a (give) given hypothesis, we need data [irrelevant/relevant] to the hypothesis.

주어진 가설을 확인하기 위해 우리는 그 가설과 관련된 데이터가 필요하다. 

 

In a laboratory setting, experiments are carefully designed to generate the (need) needed data.

실험실 환경에서는 그 필요한 데이터를 생성하려고 실험이 세심하게 설계된다. 

 

In fact, many times experiments (design) are designed to falsify the hypothesis torder to see if the hypothesis survives the confrontation with reality.

사실, 많은 경우에 실험은 가설이 현실과의 대 면에서 살아남는지 보기 위해 가설의 틀림을 입증하려고 설계된다. 

 

(Generate) Generating such experiments is possible because we have the hypothesis in advance.

그런 실험을 만들어 내는 것이 가 능한 것은 우리가 사전에 가설을 가지고 있기 때문이다. 

 

But if we rely on data to generate hypotheses, we cannot make sure that the data [gathering/gathered] (usually in an opportunistic manner) is the data needed to prove or disprove the hypothesis.

그러나 가설을 생성하기 위해 데이터에 의존 한다면 (대개 편의주의적인 방식으로) 수집된 데이터가 가설을 증명하거나 반증하는 데 필요한 데이터 인지 확인할 수 없다.

 

[서술형 대비] Having more data creates a dilemma: it provides more chances to have the right data, but it also provides many more potential hypotheses.

 더 많은 데이터를 가지는 것은 딜레마를 초래하는데, 그것은 알맞은 데이터를 확 보할 더 많은 기회를 제공하지만, 그것은 또한 훨씬 더 많은 잠재적 가설도 제공한다. 

 

Since=Because the number of hypotheses  (grow) grows faster than the data, we have no hope of catching up simply by collecting more and more measurements.

가설의 수가 데 이터보다 더 빠르게 늘어나기 때문에, 단순히 점점 더 많은 측정값을 수집하는 것으로는 따라잡을 가망이 없다.

 

* falsify: 틀림을 입증하다 ** opportunistic: 편의주의적인

 

 

[단어]

hypothesis 가설 

relevant 관련된 

laboratory 실험실 

experiment 실험 

generate 만들어 내다, 생성하다 

confrontation 대면, 대결 

in advance 사전에, 미리 

rely on ~에 의존하다

disprove 반증하다

potential 잠재적인 

catch up 따라잡다 

measurement 측정(값)