① 本次发言纠错：DINO 不是通过“旋转、模糊、切成很多图”来恢复被遮挡图块

DINO 的核心是无标签自蒸馏：教师网络和学生网络接收同一图像的不同视图，使其输出保持一致；多裁剪是训练策略，但“遮住 patch 后重建原像素”是 MAE 的任务。原始方法分别见 DINO 与 MAE。因此方案图要把两种损失分开：DINO 类损失负责跨视图一致性，MAE 类损失负责遮挡重建，不能把二者写成同一原理。

② 本次发言纠错：完成局部重建，不等于已经获得“图像相对文本的独有信息”

MAE 重建成功只能说明表征保留了足以预测缺失像素的信息；这些信息可能与文本语义重合，也可能只是低层纹理，不能自动证明其对专利任务有增量。真正的检验应是条件增量：先用文本完成一个下游任务，再加入视觉表征，观察在时间外或专利族外测试集上是否稳定提高；同时用打乱图文配对、遮蔽标注文字、只保留结构线稿等消融判断增量来自哪里。

③ 先做“可证伪的最小实验”，再讨论共享—独有分解网络

直接可用的实验矩阵是四行：Text only、Image only、CLIP/简单拼接、DINO + Text；三列任务可选分类、相似专利检索和技术关系预测。每个模型统一训练/测试划分并报告增量及置信区间。若 DINO + Text 不稳定优于 Text only，就应先修正“图像提供任务相关新增信息”的前提，而不是继续增加正交损失和残差分支。

④ 图中的“联合关系信息”必须落到可标注对象

例如说明书写“图 3 为驾驶室俯视图”，图像展示部件形状；这一信息确实依赖文本指代和图像内容共同解释。可先人工标注 100—200 个“图号—部件—视角—功能”关系，建立一个小型验证集。如果没有可观察标签，“联合信息”容易只停留在概念图里。

⚠️ 风险预警

• 专利附图中的编号、箭头和文字本身也是文本信号，必须区分 OCR 增量与纯视觉结构增量
• 随机拆分可能让同族专利或高度相似附图同时进入训练集和测试集，造成信息泄漏
• 投稿前继续增加方法会挤压收尾时间，多模态新线与当前小论文应分开管理

① 本次发言纠错：线性插值不天然优于前后填充

二者都在用不可观察年份两侧的信息构造数值，哪一种更合理取决于变量的生成过程。资产、员工数、补贴等企业变量可能发生跳变，线性插值会制造本来不存在的平滑路径；更关键的是，如果插值使用了政策实施后的值，就可能把处理后的信息带回政策前。主结果优先使用观测值完整的样本，插值版作为敏感性分析，并逐项报告插值比例和最长连续缺口。

② “结果仍然显著”不是缺失值方法、排除政策或稳健性检验通过的统一标准

稳健性应判断估计对象和数据处理在合理替代下是否保持方向、量级和不确定性，而不是只看星号。排除其他政策也不能只靠年报关键词：小巨人、高新技术企业等资格应尽量连接官方名单、认定批次与年份，避免把“年报提到政策”误作“当年首次受政策处理”。

③ 分组中“一组显著、另一组不显著”不等于两组效应显著不同

这是常见统计误读。必须直接检验两组系数差异，或在统一样本中加入处理变量与组别的交互项；同时报告差值及置信区间，而不是比较两边星号。可参考 Gelman 与 Stern 关于“显著与不显著之差本身未必显著”的方法说明。

④ 不能根据新兴技术专利重跑后“结果好不好”决定题目

如果理论问题是新兴技术，主结果就应使用事先定义的新兴技术识别规则，不论结果是否显著；如果理论问题已经转为总体创新，就应据此改题。建议先写一句不含方法和结果的研究问题，再检查每个核心变量是否回答它。探索过的两种版本都可保留，但主版本的选择理由必须来自理论、测量效度与开题承诺，而不是 p 值。

⑤ PSM 后要报告平衡，不是只报告 DID 又显著了

至少提供匹配前后标准化差异、共同支持、被删除样本和倾向得分分布。标准化差异比协变量 t 检验更适合诊断平衡，可参考 Austin（2009）。PSM 仍不能解决未观测的企业选择，宜作为稳健性而非因果识别的补丁。

⚠️ 风险预警

• 同一份结果经过多种填补、样本删除、分组和口径筛选后，研究者自由度会迅速扩大
• 政策资格、年报披露与实际享受年份若未对齐，会直接污染处理时点
• 新兴技术识别若事后按显著性调整阈值，会形成第二层规格搜索

① 本次发言纠错：安慰剂估计不要求“服从正态分布”，两条线也没有必须重合的通用标准

随机置换处理组或政策年份后，核心是观察真实估计在置换分布中是否异常、随机估计是否大多围绕零，以及伪处理得到同样大效应的比例。分布形状由样本与置换方案决定，不必强行正态。真实系数对应的竖线是否“穿过某条曲线”也不是统一的通过规则；请明确图中的每条线究竟表示真实估计、核密度、p 值还是零点。

② 本次发言纠错：平行趋势不能按“政策前过零、政策后不过零”机械判定

政策前系数接近零且置信区间覆盖零，是与无明显预趋势相容的证据；政策后系数是否显著描述动态效应，不是平行趋势条件本身。还应报告政策前系数的联合检验，并注意“未显著”可能只是检验力不足。错时处理下，建议并行使用适配多期处理的估计方法，例如 Callaway 与 Sant’Anna（2021），而不是只依赖传统 TWFE 事件图。

③ 本次发言纠错：PSM 散点更靠近零，不足以证明“PSM 通过”

如果展示的是标准化偏差图，应逐变量报告匹配前后绝对标准化差异，并说明共同支持与丢弃样本；如果展示的是倾向得分分布，则要看处理组和对照组重叠，而不是“点都靠近一条线”。可使用 Austin（2009）的平衡诊断框架制作一张规范表。

④ 一组显著、一组不显著不能直接写“存在异质性”

请在全样本中估计 Treat × Post × LargeCity，或对两组处理效应差异进行 Wald 检验。只有差值本身具有统计证据，才能说规模组之间存在差异；同时要解释为什么人口中位数是理论阈值，并用连续规模交互或替代阈值检验稳健性。

⑤ 不要把中介、调节和空间计量当成待补齐的标准套餐

空间模型需要先说明可能的跨城溢出机制、权重矩阵与识别含义；中介变量要有明确的政策后传导顺序；调节变量要来自理论。中期版本可先完成“主效应—识别诊断—稳健性—一项有理论依据的扩展”，这比多个解释不清的模型更完整。

⚠️ 风险预警

• 反复改变事件窗和尾期合并方式可能改变样本构成，应并列展示并说明选择规则
• PSM 与 DID 叠加不会自动消除未观测混杂或政策选择性
• 空间权重矩阵若依据结果调试，容易把扩展分析变成规格搜索

① 对 AI 预审最好的回应不是“接受/不接受”，而是建立证据化决策表

建议使用四列：意见、原文问题、决定与依据、修改后位置。对于“无法实现”的意见，再加一列说明数据、方法或篇幅约束。这样既能避免 AI 重复提出已经修改的问题，也能让导师快速判断不采纳是否合理。

② 本次方向修正是对的：fsQCA 的组态关系不能写成通常意义上的净效应因果

fsQCA关注条件组合、等效路径与因果非对称，和回归中“其他条件不变时某变量的平均净效应”不是同一种表述。把“替代关系”降为“组态差异所提示的潜在关系”更稳妥；还应检查校准锚点、必要性、充分性、一致性、覆盖度、稳健性和预测效度。实践规范可参考 Pappas 与 Woodside（2021）。

③ 本次发言纠错：学位论文目录不能“大部分直接照抄”后只做局部调整

目录结构也承载研究逻辑。即使不构成逐字复制正文，沿用他人章节设计会把对方的概念层级、变量顺序和识别策略一起带入你的研究。可以借鉴模板，但应先独立写出一页研究问题、理论机制、处理事件、结果变量和数据接口，再由这些内容反推目录；同时保留借鉴来源，避免结构性模仿变成学术规范风险。

④ “产业链安全”必须先固定分析层级

企业层的供应链集中度、断供风险或恢复能力，行业层的进口依赖、关键环节缺口与网络韧性，以及国家层的战略自主可控不是同一个结果变量。直接可用的筛选表是：定义对象—风险来源—可观察结果—政策可影响机制—数据频率—是否能形成反事实。只有同一行能够全部填实，才适合作为大论文主结果。

⑤ 参考文献“本地能下载”只证明文献存在，不证明引用合适

还要核对作者、题名、期刊、年份、卷期页码或 DOI，以及正文引用是否准确支持当前句子。AI 检索不到中文数据库文献很常见，但这不能替代语义匹配检查。建议把该条文献的元数据和引用页码一并写入核验表。

⚠️ 风险预警

• 组态语言若在摘要和结论中又被改回“促进、导致、替代”，前文的克制表述会失效
• 产业链安全概念过大，而数据只落在企业财务层，会形成题目与测量层级错配
• AI 改写后的文字仍需逐句核对含义、来源和期刊格式，不能以查重率代替学术质量

① 本次讨论纠错：没有“一模一样的协同论文”，不等于该研究在方法上不能成立

既有研究可以分别支持 A→C、B→C、政策协同机制或相似制度组合；新研究本来就可能填补尚未直接检验的组合。真正必需的是：说明 A 与 B 为什么在制度或机制上互补，并设计能区分“两个单独效应相加”与“额外协同效应”的估计。答辩策略上找到相近先例很有帮助，但不应把“必须找到完全同题文献”写成方法规则。

② 两项政策同时生效，不自动等于协同

如果模型只放 PolicyA 和 PolicyB，估计的是各自条件平均效应；若要讨论额外协同，至少需要明确 PolicyA × PolicyB 的含义及比较对象。错时实施时还要区分从未处理、仅 A、仅 B 和 A+B 四类状态，并防止已经受一项政策影响的城市被当作另一项政策的干净对照。可参考多期 DID 的组别—时期框架 Callaway 与 Sant’Anna（2021），但具体双政策估计仍需按状态转换重新推导。

③ 波特假说不能只作为“环境规制有利于绿色创新”的背景句

需要说明你采用的是哪一种命题：规制引致创新、创新补偿，还是更严格规制下的效率改善；然后把它连接到政策变量、机制和可检验假设。如果后文既没有规制强度、创新补偿，也没有企业行为机制，波特假说应删去，避免理论陈列。

④ 人才与研发投入若已经进入效率测算，再作为中介会产生定义重叠

结果变量由投入与产出共同构成，再用同一投入项解释该效率的变化，可能得到机械关系，也可能控制掉政策影响效率的组成部分。建议先画出 DEA/SBM 生产过程，再选模型外部的机制变量，例如政务数据开放、监管执行协调或绿色金融可得性；任何中介都要说明时间顺序与数据来源。

⑤ Super-SBM 使用年限不是换模型的理由

方法是否适合取决于研究对象、非期望产出、规模报酬假设和跨期可比性，而不是“已经用了十多年”。可以检索网络 DEA、动态 SBM、全局参比或三阶段 DEA 等扩展，但只有在它们修复了本研究的明确问题且数据能够支撑时才升级。直接可用的比较表为：方法新增假设—需要新增数据—解决当前哪一项偏差—结果如何解释。

⚠️ 风险预警

• 两项政策选择城市的机制可能相似，协同系数会混入共同选择和同期治理能力
• 效率指标、政策处理与机制变量若都依赖同一批政府投入数据，可能形成机械相关
• 为开题临时换政策虽可降低答辩风险，但必须重新检查时点、样本与理论，不能只替换变量名

① 本次讨论纠错：LDA 主题数不能只取困惑度最低点，也没有最低点时也不能只凭“拐点”定稿

困惑度衡量模型对留出文本的预测能力，不等同于人能否解释主题。已有研究发现，预测指标更好的主题模型可能反而更难被人理解，见 Chang 等（2009）。训练阶段可用困惑度缩小范围，但正式选择还要结合主题一致性、主题间差异、代表文档和人工判断。

② 二维图“分成三坨”只是可视化结果，不证明三主题最合理

二维降维会扭曲高维距离，主题点云是否分开受投影方法和参数影响。不要为了让图好看而把主题数从八调到三；更稳妥的流程是先在原模型输出上比较指标与文本，再把二维图作为解释辅助。此次仅为跑通流程，可以清楚标记为 demo，不要把它当研究结论。

③ 一份可直接复用的主题解释表

每个主题记录：Top 15 词、5 篇最高概率文档、人工标签、与相邻主题的区别、明显错分文档、是否保留/合并。如果无法用一句话区分两个主题，应回查停用词、词组和主题数，而不是只改图的颜色或布局。

④ 演化博弈论文要区分“算出了稳定点”和“解释了现实稳定性”

三方都参与可能成为模型中的演化稳定策略，往往依赖收益、成本、激励和违约损失满足特定不等式；仿真参数若只是为了展示预期轨迹而设定，不能独立验证现实结论。下次重点讲清楚：哪些参数来自数据，哪些来自假设，结论在哪些参数区间会反转。

⚠️ 风险预警

• 教程小语料上的漂亮主题不能外推到真实大语料
• 每次改预处理和主题数却不保存实验记录，会无法解释结果变化来自哪里
• 摘要字数和结构应服从课程或期刊要求，不能把“300—400 字”当所有场景的统一标准

① 本次发言纠错：BERTopic 的二维主题点重叠，不足以判定模型效果差

BERTopic通常先用预训练模型生成文档嵌入，再降维、聚类，并以 c-TF-IDF 表示主题；二维可视化只是对高维结构的再次投影，可能出现视觉重叠。原始方法见 Grootendorst（2022）。判断质量应回到代表文档、主题一致性、离群点、重复主题和下游任务，而不是只看图是否“散开”。

② 166 个主题也不一定是错误，38 个也不一定更好

主题数量应匹配研究问题的粒度。若目标是识别细分技术路径，过度合并可能把真正的技术分叉抹平；若目标是描述宏观版图，166 个主题又难以解释。建议先为研究输出规定粒度，例如“能否对应可命名的技术组件或路径”，再制定合并规则。层次聚类只能提供候选合并，最终仍要审计代表专利。

③ 把随机调参改成小型、可比较的实验设计

固定嵌入后，一次只改变一个关键参数：UMAP 的邻居数/维度、HDBSCAN 的最小簇大小、主题缩减阈值。每次记录主题数、离群值比例、主题一致性、重复关键词比例和抽样人工评分。这样三到六组实验就能回答“哪个环节导致碎片化”，比大量无记录组合更有效。

④ 技术路径分叉要防止“先做出主题，再事后找拐点”

先导信号、断点与主题合并都含有阈值。应预先定义分叉事件、时间窗口和验证对象，并用已知技术转折作为外部校验；否则主题模型噪声、专利申请量变化或参数调整都可能制造假分叉。先选一个子领域做完整案例，再扩到六个领域。

⑤ 计量经验可以成为优势，但本科模型也值得复盘

双向固定效应不因加入个体和年份固定效应就自动获得因果解释；中介和调节也需要时间顺序与识别假设。下一次分享可主动回答：处理变量为何外生、标准误如何聚类、缺失年份如何处理、结果能否解释为因果。这个复盘会把“会跑模型”升级为“会审计模型”。

⚠️ 风险预警

• 23 万条专利的清洗、语言模型和硬件成本都高，正式调参前应缓存嵌入并保存数据哈希
• 层次合并若只依据主题向量距离，可能合并术语相近但技术路径不同的主题
• 同时铺开六个子领域、动态主题、断点和计量设计，容易在研究问题未定时过早扩张