汇报顺序：
硕 3： 周书发 → 文柘青 →
硕 2： 李浩铭 → 管明露 → 李山岚 →
硕 1： 王硕 → 朱丹晨 → 马婧怡 →
准硕 S2026： 南迪柯 → 杨瑞豪

注：本期组会记录由 Claude Opus 4.7 基于录音转文字稿与各位同学的历史组会档案归纳整理。文章按每位汇报同学分节，包含「研究历程」「本次要点」「下次预期」「AI 实操建议」四部分。可能存在由音频转换、AI 幻觉造成的错误（特别是 AI 实操建议节中的论文 DOI、工具名、政策文件号），请阅读时甄别，以实际组会过程中的表达为准。

2026-07-16 组会记录

本期讨论 4 位（按汇报顺序）

🎯 李浩铭：关键核心技术论文与结题报告同步修改
🎯 马婧怡：新能源汽车政策题目、概念命名与 DID 分组设计
🎯 王硕：专家意见回应、方法说明与结题报告图表更新
🎯 南迪柯：文本主题可视化实验与后续流程复现

🎯 一、李浩铭：关键核心技术论文与结题报告同步修改

📚 研究历程

李浩铭的小论文主线从 AI 芯片关键核心技术识别起步，已经经历了 BERTopic、技术网络、链路预测、GCN/LSTM、可视化优化和多模态方法补充等多轮迭代。早期工作的重点是“识别出来什么”，后来逐渐转向“这些识别结果如何被证明、如何被解释、如何进入论文叙事”。

7 月以来，他一边补充 CLIP、DINOv2 等图像表征方法，一边参与国社科结题材料和相关报告的整理。本周讨论把注意力重新拉回文本一致性：小论文中的关键核心技术识别逻辑、识别结果、验证方法和结题报告之间，必须保持同一个版本、同一套口径。现在的问题不再是缺少材料，而是要把论文、报告和表格中的证据链重新对齐。

📝 本次（2026-07-16）

你的汇报（论文与报告同步修改）

讨论“创新价值”和“产业应用价值”如何合并为一个过渡性概念，再自然接到关键核心技术识别
询问识别结果表中是否需要加入“影响广泛性”和“不可替代性”两个分数
发现报告中仍保留已不再使用的主题质量评估和超参数设置内容
报告中的识别结果、验证部分与论文最新版不一致，需要同步更新

林老师指导

前文已经分别说明两个价值维度，后文需要用一个概括性概念承接，不能直接跳到“关键核心技术”
两个分数如果放进表格，就会带来阈值和判定标准解释成本；可先放，但必须准备清楚识别逻辑
论文中已经不用的参数设置和主题质量评估，报告中也应删除，保证方法链条能连上
报告应更新到论文最新版，尤其是识别结果和验证部分，可直接复用论文中已经写好的内容

⏭️ 下次预期（下一次组会）

[ ] 重写“创新价值/产业应用价值”到“关键核心技术候选对象”的过渡段
[ ] 决定识别结果表是否展示两项分数；若展示，同步写清象限或阈值规则
[ ] 做一张“论文最新版内容-报告当前位置-需替换内容”对照表
[ ] 删除报告中过时的方法步骤，并把验证部分替换为当前论文口径

🤖 AI 实操建议

① 先给两个价值维度起一个中间层名称

不要从“创新价值 + 产业应用价值”直接跳到“关键核心技术”。可以先把它们合并为一个可解释的候选概念，例如“战略性技术节点”或“高价值技术瓶颈主题”。

一段可直接改写的版本：

综合创新价值与产业应用价值，本文将同时具有高影响广泛性和高不可替代性的技术主题界定为高价值技术瓶颈主题。这类主题既连接多条技术发展路径，又在产业应用中具有较强替代难度，因此构成后续关键核心技术识别的候选集合。

这样写的好处是：前半句承接两个指标，后半句才进入“候选集合”，避免概念跳跃。

② 分数能放，但表头要替你解释规则

如果加入两项分数，建议表格至少包含这些列：

技术主题	影响广泛性	不可替代性	判定区域	是否进入候选集合	备注
主题 A	0.xx	0.xx	双高区	是	需回到原文解释

只有两列原始分数时，读者会追问“大于多少算高”。加上“判定区域”后，表格自己就能说明你是按双指标联合规则识别，而不是单项分数越大越好。

③ 报告同步不要靠记忆，做版本对照表

建议用三列逐段核对：

报告位置	论文最新版对应内容	动作
方法部分：主题质量评估	已删除	删除并检查上下文衔接
结果部分：识别结果	最新论文表格	替换表格和文字描述
验证部分	当前论文验证方案	按最新版重写

BERTopic 相关表述可回到官方文档核对术语：https://maartengr.github.io/BERTopic/ 。如果报告中涉及 IPC 或专利分类，也优先用 WIPO 官方分类入口核对：https://www.wipo.int/classifications/ipc/en/ 。

⚠️ 风险预警

过渡概念不能只是好听的词，必须能对应两个指标共同刻画的对象
两个分数一旦公开展示，就必须说明联合判定规则，否则容易被追问阈值依据
报告和论文若保留不同版本结果，后续合稿时很容易出现“图表是新口径、文字是旧口径”的错位

🎯 二、马婧怡：新能源汽车政策题目、概念命名与 DID 分组设计

📚 研究历程

马婧怡的研究一直在政策文本、专利文本和新能源汽车技术演化之间寻找公共管理问题。前期她做过中美政策文本整理、动力电池和固态电池政策梳理，也精读过“政策文本与专利文本贴近度”相关论文。最近几次组会，方向逐渐从“技术演化本身”回到“产业政策如何影响企业技术创新”。

本周进入一个更细但更关键的阶段：题目中的核心概念到底叫“治理效能”“治理效应”“导向效应”还是“激励效应”。这不是文字游戏，而是决定论文要模仿哪类高水平文献、使用什么数据、设置什么识别策略。与此同时，DID 的处理组和对照组怎么划分，也开始从想法进入方法论审查。

📝 本次（2026-07-16）

你的汇报（题目与分组方案）

认为“治理效能”涵盖过宽，准备改为“导向效应”“治理效应”或“激励效应”
希望通过已有论文的概念使用方式，确定题目中的核心表述
初步考虑用企业在政策出台前的政策目标技术专利占比，构造政策暴露度
进一步意识到若按企业分组，专利数据需要匹配到企业主体

林老师指导

题目用词必须来自高水平、时间较近、框架相近的论文，不能只借一个词而不借它的研究逻辑
数据有特殊性，需在“参考成熟论文框架”和“保留现有数据优势”之间找到折中
DID 分组标准必须客观、前置、可复核，不能用政策后变化反过来定义处理组
先把概念、文献框架和分组逻辑想清楚；若方案成立，再进入企业专利匹配和数据计算

⏭️ 下次预期（下一次组会）

[ ] 精读 5-8 篇近五到十年高水平中文论文，整理它们如何使用“政策效应/治理效应/激励效应/导向效应”
[ ] 提供 2-3 个题目版本，并逐一说明对应的数据、变量和识别策略
[ ] 写出政策暴露度分组方案：计算窗口、公式、阈值、是否完全基于政策前信息
[ ] 暂缓大规模企业专利匹配，先判断分组方案是否能在方法上立住

🤖 AI 实操建议

① 题目先按“概念强度”分三档

可以准备三类题目，不要一次押注：

版本	题目示例	适合前提
稳妥版	新能源汽车产业政策对企业技术创新的影响研究：基于专利文本的证据	先做政策效果，概念负担较轻
导向版	新能源汽车产业政策的技术创新导向效应研究：基于政策目标技术暴露度的检验	能把政策目标技术和专利主题对应起来
激励版	新能源汽车产业政策的创新激励效应研究：来自企业专利行为的证据	能解释政策如何改变企业创新投入或产出

“治理效能”不一定不能用，但它要求你说明“治理”是谁对谁治理，“效能”体现在哪个可测结果上。若当前变量主要是企业专利行为，“政策效应”或“导向效应”会更容易落地。

② 暴露度可以做，但必须守住三个条件

如果使用政策出台前的目标技术专利占比，建议把它写成“政策暴露度”而不是简单二分处理组：

检查项	需要写清
计算窗口	只用政策出台前若干年，不能混入政策后结果
分母	企业政策前全部相关专利，还是全部授权/申请专利
分子	与政策目标技术匹配的专利主题或关键词
阈值	中位数、分位数，还是连续暴露度
识别风险	高暴露企业本来就更活跃，需要做平衡性和趋势检查

一句可用表述：

本文依据政策出台前企业专利组合中政策目标技术的占比构造政策暴露度，用以刻画企业在政策冲击前与政策目标方向的关联程度。该指标仅使用政策前信息，避免以政策实施后的创新变化反向定义处理组。

③ 资源入口

DID 如果涉及多期政策或不同企业受影响程度不同，可以先看 Callaway & Sant’Anna 的 DID 方法与 R 包说明：https://bcallaway11.github.io/did/ 。但题目概念和变量命名仍应以你实际精读的中文高水平期刊论文为准，尤其要摘出它们的题目、摘要和模型设定。

⚠️ 风险预警

AI 找到的“最相似论文”必须回到原文核验，不能只看标题或摘要
暴露度如果混入政策后专利增长，就会变成用结果定义处理组
企业专利匹配是重活，先确认设计成立，再投入大规模数据清洗

🎯 三、王硕：专家意见回应、方法说明与结题报告图表更新

📚 研究历程

王硕的存算一体研究已经从选题和案例筛选进入投稿前修改阶段。前期他围绕典型企业、BERTopic 主题识别、TOE 框架和 fsQCA 组态路径构建了论文主体；近期重点则转向专家意见回应、方法边界说明、AIGC 痕迹控制和国社科结题材料转换。

上周讨论中，专家意见主要集中在“为什么关注存算一体”“典型企业如何筛选”“BERTopic 为什么适配专利文本”“探索性研究能说到哪里”。本周他已经据此完成一轮正文修改，并同步处理结题报告图表和格式问题。现在最重要的是让论文、报告和答复意见形成同一套证据口径。

📝 本次（2026-07-16）

你的汇报（论文修改与报告图表）

根据会议专家意见，在引言中补充为什么关注存算一体企业，以及为什么使用组态研究和 fsQCA
将技术突破的体现写得更透明：结合专利主题占比和企业总专利数量等口径
补充 BERTopic 使用依据和模型适配性说明，包括聚类过程、离群值和最小主题规模等
结题报告文本基本稳定，本周主要更新图表、字体和与最新版结果不一致的表格

林老师指导

专利字段只写实际使用和实际支撑分析的字段，没用到的下载字段不必解释
小论文中的最新数据、结果和表述，应同步替换回研究报告
必要性条件分析若没有形成结论，可以不作为报告中的结果重点
合稿和排版可以提前做一部分，也可等师兄内容合并后统一处理，关键是避免重复返工

⏭️ 下次预期（下一次组会）

[ ] 完成“专家意见-论文修改位置-回应方式”对照表
[ ] 核对专利字段表述，只保留题名、摘要等实际用于主题建模和判断的字段
[ ] 将小论文最新版结果同步到结题报告图表和文字说明
[ ] 决定结题报告先排版还是合稿后排版，并记录版本命名规则

🤖 AI 实操建议

① 专家意见要变成“回应矩阵”

建议立刻整理四列：

专家意见	论文位置	修改动作	是否影响报告
为什么关注存算一体	引言	补行业背景和技术意义	是
技术突破如何体现	变量/方法	写清专利主题占比和专利数量口径	是
BERTopic 是否适配	方法	补输入字段、聚类结果和边界	可能
用了哪些专利字段	数据来源	只写题名、摘要等实际字段	否

这张表可以同时服务改稿、答复专家和结题报告更新。

② 专利字段说明要“少而准”

直接可用的写法：

本文主要使用专利题名与摘要作为文本分析语料。题名通常概括专利技术对象，摘要则提供技术问题、技术方案和预期效果的压缩描述，二者能够支持专利主题识别与技术方向归纳。其他下载字段主要用于样本管理和去重，不进入主题建模过程。

这样写不会暴露“下载很多字段但只用了两个”的尴尬，也不会夸大字段能支持的判断。

③ 报告图表建立一个“版本戳”

每张表或图旁边先在工作文档中写一个小注记：来源论文版本、数据日期、是否影响结论、是否已替换到报告。正式发布时可删除注记，但内部合稿时非常有用。

BERTopic 说明可查官方文档：https://maartengr.github.io/BERTopic/ 。fsQCA 的一致性、覆盖率等术语优先回到软件与手册入口核对：https://sites.socsci.uci.edu/~cragin/fsQCA/software.shtml 。

⚠️ 风险预警

“探索性研究”不能替代方法说明，样本筛选、字段选择和模型适配仍要写清楚
必要性分析没有结论时，不必硬放进报告占据显眼位置
论文、结题报告和合稿版本要分开命名，否则后续很容易把旧图表粘回新稿

🎯 四、南迪柯：文本主题可视化实验与后续流程复现

📚 研究历程

南迪柯在本科毕业论文结束后，开始为硕士阶段补文本分析方法基础。从 LDA、困惑度曲线，到 Sentence Transformers、BERTopic 和主题可视化，她的学习路径已经从“跟着教程看概念”进入“自己跑代码、保存结果、解释输出”的阶段。

7 月初，她已经解决模型环境和调用问题，能够生成向量、完成聚类和主题模型训练。上周的重点是稳定环境与跑通流程，本周则开始进入可视化：条形图、主题相似结构图、散点分布和异常点等输出陆续出现。下一步不是急着换真实数据，而是把教程中关键实验继续跑完，并记录每个图到底来自什么输入、说明什么问题。

📝 本次（2026-07-16）

你的汇报（可视化实验）

已在前期文本处理基础上完成若干主题可视化
展示了按主题呈现的条形图、类似 LDA 主题结构的圆形图，以及点状分布图
观察到部分灰色点可能是偏离样本，同色点代表相近主题或聚类
后续教程中还包括层次聚类等实验，准备继续推进

林老师指导

继续把后续关键实验往下跑，优先完成与文本分析和专利分析相关的部分
如果某些实验明显与后续研究无关，可以先问师兄或老师，再决定是否跳过
当前代码和环境都不要随意改动，避免已经跑通的流程失效
等教程流程完整跑通后，再尝试替换成自己的数据，看能否产生可解释结果

⏭️ 下次预期（下一次组会）

[ ] 完成层次聚类等后续关键可视化实验，并保存图件和代码
[ ] 为每张图补一行说明：输入数据、核心函数、图中元素含义、是否适合专利文本
[ ] 保持当前 Python 环境和模型文件不变，避免升级核心包
[ ] 准备一份小样本文本，尝试从向量、聚类、主题到可视化完整跑一遍

🤖 AI 实操建议

① 给每张图做一张“图件身份证”

建议建一个表：

图件文件	生成函数	输入	图中元素	能回答的问题	是否保留
topic_barchart.html	visualize_barchart	主题词	每个主题的代表词	每个主题在讲什么	保留
topic_map.html	visualize_topics	主题向量	距离近的主题更相似	主题之间是否接近	保留
hierarchy.html	visualize_hierarchy	主题相似度	合并层级	哪些主题可归并	待判断

这样下次汇报时，你不是只说“我跑出来了图”，而是能说“这张图帮我判断主题是否重复”。

② 可视化前先保存中间结果

至少保存这些文件：embeddings.npy、topics.csv、documents_with_topic.csv、topic_info.csv。图是最后一步，中间结果才是排错依据。图打不开时，只要中间文件还在，就能判断问题出在模型、聚类还是可视化。

③ 资源入口

BERTopic 可视化官方文档：https://maartengr.github.io/BERTopic/getting_started/visualization/visualization.html 。Sentence Transformers 文档：https://www.sbert.net/ 。层次聚类如果用 scikit-learn，可对照官方说明：https://scikit-learn.org/stable/modules/clustering.html#hierarchical-clustering 。

⚠️ 风险预警

图像好看不等于主题合理，必须回到原文样本检查每个主题是否能解释
灰色点或离群点不要急着删除，先弄清楚它们代表噪声、少数主题还是预处理错误
环境已跑通时不要随意升级包；可视化失败时优先保存报错和当前版本

散会

本周的共同主题，是不要让“输出结果”倒过来决定“研究设计”。李浩铭要让概念过渡和识别分数服务关键核心技术识别，而不是让表格自己说话；马婧怡要让题目概念和分组标准先站稳，再进入企业专利匹配；王硕要让专家意见、论文结果和结题报告使用同一套证据；南迪柯则要先把每个可视化输出解释清楚，再把教程换成自己的数据。

下一次组会最值得期待的，不是更多文件，而是更硬的接口：一段顺畅的概念过渡，一个前置的暴露度方案，一张专家回应矩阵，一份可视化图件说明表。

🎭 本周彩蛋

📢 本周金句

“处理组和对照组的标准，不能又拿政策有没有效来定义。”

这句话讲的是 DID，但也击中了本周所有问题：研究设计要走在结果前面。无论是关键核心技术的分数、政策暴露度、专家意见回应，还是主题可视化，都不能先看到结果好看，再倒推一个解释。

🧠 本周新词，一句生活化类比

过渡概念：像两个房间之间的走廊，前一间叫价值维度，后一间叫关键核心技术，中间不能凭空瞬移。
政策暴露度：像政策到来前企业已经站在目标技术方向上的距离，越近不等于已经被政策改变。
必要性条件分析：像检查进门是否一定需要某张卡；如果每个人都不是靠这张卡进门，它就不该被写成核心结论。
图件身份证：像给每张可视化配一张说明卡，写清它从哪里来、能说明什么、不能说明什么。

🔮 下周占卜

基于本周轨迹，纯属虚构；如有雷同，纯属命中注定。

李浩铭会进入一座由表格组成的星际档案馆。影响广泛性坐在左侧控制台，不可替代性守着右侧闸门；他必须先写出“高价值技术瓶颈主题”的通行句，关键核心技术的大门才会亮起。
马婧怡会站在三条论文题目的分岔路口：导向效应、治理效应、激励效应分别亮着不同颜色的灯。她手里不是通行证，而是一叠高水平论文摘要，只有找到和自己数据最匹配的那条路，DID 的路线图才会展开。
王硕会把专家意见排成一张任务矩阵。BERTopic 在方法栏里要求写清输入字段，fsQCA 在结果栏里核对一致性和覆盖率，结题报告则在旁边提醒：请把最新版表格带上。
南迪柯会继续点亮文本模型教程的可视化面板。条形图、主题地图和层次聚类依次开机，但她先给每张图贴上说明卡，因为真正可靠的图，不只要能显示，还要能解释。

林超然 · 整理于 2026-07-16