本期组会成员：
博 1： 周书发（返场交流）
硕 3： 李浩铭 → 管明露（请假） → 李山岚
硕 2： 朱丹晨 → 王硕 → 马婧怡（请假）
硕 1： 南迪柯 → 杨瑞豪
大 2： 张恩豪 → 李政杰
本记录由AI根据录音转写和既有研究档案整理。各节区分本次汇报、林老师回应与AI建议；可核验的概念或方法问题另列纠正依据，AI自身仍可能出错，请以原始材料和正式通知为准。
本期讨论 9 位
- 🎯 周书发 — 返场交流：转投时如何核对参考文献
- 🎯 李浩铭 — 学位论文补齐与双政策综述分类
- 🎯 李山岚 — 国社科材料图文修订与中期稿收束
- 🎯 朱丹晨 — 全局效率测度、实现核验与双政策比较
- 🎯 王硕 — 《科研管理》转投适配与匿名投稿核对
- 🎯 南迪柯 — 社区不文明的fsQCA阅读与课程选题
- 🎯 杨瑞豪 — 集成电路新闻筛选与字段说明
- 🎯 张恩豪 — 主题向量、LLM命名与离群点再分配
- 🎯 李政杰 — 面向科学家的数据用途、文献子集与Python训练
一、周书发
返场交流：转投时如何核对参考文献
📚 研究历程
周书发已完成硕士阶段培养，现以博士阶段返场成员参与讨论。此前研究涉及专利文本、主题分析与技术识别，2026年9月和10月24日又交流了企业人工智能与绿色创新的文本测量设想。本期没有展开新的个人研究成果，而是结合王硕的转投稿，指出参考文献来源与目标期刊之间的关系。这个角色是同伴交流与文献核对，不能把此前的年报样本、主题指标或会外讨论重复写成本期汇报。其博士身份只决定前言与报告排序，不意味着本期提出了新的博士论文任务。
📝 本次（2026-10-29）
本次交流：返场交流：转投时如何核对参考文献
- 开场表示近期已与导师另行讨论，本次未重述那次会外内容。
- 针对王硕拟转投《科研管理》，询问参考文献中《科学学研究》占比较多时，是否需要调整。
林老师回应
- 同等相关、能够无损支撑论点时可考虑替换少量文献，不要伤筋动骨；现场又指出目标期刊已有若干引用，不要求机械增加。
⏭️ 下次预期
本期没有新增明确交付任务；既有个人研究事项仍按原记录维护。
🤖 AI 实操建议
① 引用是否合适，先看论点而非刊名比例
周书发的提问是投稿策略讨论，不能据此判定已有引文错误。林老师“同等条件下替换”的限定应保留；如果将“尊重目标期刊”解释为凑引用数量，就偏离了证据选择。期刊占比没有适用于所有稿件的合格线。SAGE 的引文政策明确反对不必要引用和操纵引用活动；这里引用它说明通用边界，不冒充《科研管理》的专门配额。
② 用原句逐项核对，而不是整批换刊名
建议先选引言中最重要的几处论断，回看引文原文是否直接支持；再看目标期刊有没有更贴近对象或方法的新研究。保留奠基文献和必要的反例。把“适合目标读者的研究对话”与“为了刊名而替换”分开，避免删掉关键出处以后论证反而变弱。
③ 直接可用的核对表
可填写：正文论断｜原引文及页码｜支持关系｜候选新文献｜新增信息｜保留或替换理由。建议由王硕维护稿件版本，周书发提供候选文献即可；这属于AI建议的协作方式，本次没有新增正式分工。只有能说明替换带来的实质信息增量，才进入修订稿。
④ 验收与边界
若两篇文献证据不同，就不能称“无损替换”；若没有更合适文献，保留原引用完全合理。本期未取得王硕现场展示的完整引文表，不依据口述数量判断最终稿是否合格，也不推断任何期刊会因引用不足拒稿。
⚠️ 风险预警
- 不用期刊比例替代逐句证据核验。
- 不将同伴建议写成编辑部要求。
- 周书发本期未新增明确交付事项，不把AI核对表记为其导师任务。
二、李浩铭
学位论文补齐与双政策综述分类
📚 研究历程
李浩铭的学位论文持续围绕双政策组合与城市创新展开，另一条学术论文线涉及技术网络与预测。9月以来，讨论逐步从政策时点、数据口径和网络指标推进到理论解释与章节写作。10月24日重点要求在具体政策之上找到有依据的分类层次，并让综述、变量与贡献相互对应。本期已报告主体文字形成，问题转向剩余章节与两个综述类别的准确命名。当前变化是写作收束，不等于论文已通过核验；本次没有独立取得现场初稿，旧版本目录也不能替代这一稿。
📝 本次（2026-10-29）
本次汇报：学位论文补齐与双政策综述分类
- 称初稿主体已经写出，仍缺政策建议、各章小结和英文部分；小论文本周未继续推进。英文部分在转写中为“英文作业”，具体是否指英文摘要待看稿。
- 将综述分为城市创新体系建设相关政策与示范园区类政策，询问名称是否合适。
林老师回应
- 能补齐的章节尽量补齐，采用统一论文格式；约定会后整体看稿，录音未记载完成审阅。
- 示范园区类别可以继续使用；另一类别措辞别扭，应回到文献和政策对象重新归纳，最终落到政策层面。
⏭️ 下次预期
- 补齐政策建议、各章小结及英文部分，提交统一格式的完整稿供会后审阅。
- 重新核对两类政策综述的名称与文献依据，给出候选表述及对应段落。
🤖 AI 实操建议
① 名称首先要对应政策对象
本次没有足够证据判定某个候选名称必然错误，明确的问题是表述层次尚不一致。“城市创新体系”可能指研究对象，“示范园区”可能指政策载体，不能仅因两者都能检索到文献就认为它们是并列类别。先把政策的对象、工具、空间范围和实施主体列清，再决定按哪一维度组织综述；类别可以有交叉，但交叉关系必须说明。
② 从现有章节反查缺口
建议先建立目录完成表，而不是再扩一轮宏观概念。每章记录核心问题、已经呈现的证据、需要收束的小结与对策对应位置。政策建议应回应已得到支持的发现及其边界；若机制结果尚无充分支持，就不要在建议中写成已经识别的政策抓手。会后审阅未被记录为已完成，因此当前稿状态仍是待提交核验。
③ 可直接填的写作表
综述类别｜分类维度｜政策原文依据｜代表文献｜与另一类的边界｜本研究沿用理由；另附章节｜缺项｜对应发现｜补写位置。先用同一套标准改两个标题，再检查正文是否仍混用旧名称。参考文献建议继续通过条目管理；Zotero Word 插件说明说明其引文与书目联动机制，修改条目后应刷新并核对，避免只在正文改字造成书目信息不一致。
④ 验收与分支
如果分类依据不足，就用清楚的政策全称组织综述，暂不强造上位概念；如果类别成立，再把分类理由落实到文献之间的比较。完成稿需让读者由目录找到问题、证据和结论，不能只以页数或“写完”判断。英文部分的实际缺项，以当前稿和培养模板确认，不能把转写猜测当作已知。
⚠️ 风险预警
- 综述分类不能替代政策组合效应的识别。
- 不把暂未推进的小论文任务标成完成。
- 没有正式日期，不自动推定中期截止时间。
三、李山岚
国社科材料图文修订与中期稿收束
📚 研究历程
李山岚的学位论文主线已从早期府际协作与GPU融合收束为人工智能政策与城市算力创新，近几期持续处理实证解释、机制指标及中期文字。10月8日明确转向把已有结果写成可审阅章节，并保留未获得支持的机制尝试。本期同时介绍国社科材料的文字、引文和章节图修订，以及学位论文理论框架与研究假设的补写。两项工作需要分别管理版本，不能把国社科图件修订算作学位论文实证完成。本段身份已由导师于2026年10月30日明确确认为李山岚。
📝 本次（2026-10-29）
本次汇报：国社科材料图文修订与中期稿收束
- 修改国社科材料第一、二章的部分表达，标出引文错位和缺引用处；章节图插入后模糊，矢量形式出现线条错位。
- 中期稿补写直接效应、机制与异质性相关文字、理论框架，自述约54页，尚待精调；机制部分仍需结合实际结果说明。
林老师回应
- 调整章节图的导出清晰度和两侧留白，让主体内容更易读；修改后重新发送。
- 尽量写成完整稿，同时按标准格式整理。中期月份以高老师通知为准，现场未取得正式通知或具体日期。
⏭️ 下次预期
- 调整国社科章节图清晰度与布局，完成后重新提交该版本。
- 继续补齐中期正文并规范格式，理清假设、机制结果和理论框架之间的对应。
🤖 AI 实操建议
① 区分理论假设与看结果后补出的解释
李山岚说机制文字还要根据产出调整，这可以是如实修订解释，也可能变成只保留显著路径。现有转写不足以判定发生了选择性报告，但应保留先前提出的机制及尝试记录，不把事后推导写成事前假设。ASA 的统计显著性声明强调结论不能只依赖阈值；本稿应同时交代方向、量级、不确定性及识别限制。
② 图不清楚，要分开检查布局与导出
先保存可编辑源图，再查看线条错位发生在源文件、导出还是插入文档阶段。压缩两侧留白有助于让主体在同样版心宽度下变大，但单纯提高分辨率不能修复连接线位置错误。建议保留一份高分辨率位图对照，在正文实际尺寸下检查文字、箭头和线条；不要把源图缩略预览看清当作最终文档已经清楚。
③ 两份材料各自留一张修订清单
国社科用位置｜原问题｜改动｜引文来源｜图件版本｜待核对；学位论文用假设｜提出依据｜变量及模型｜实际结果｜是否支持｜保留的局限。本期已有“旁注问题但未全部标出语言改动”的情况，后续提交可附修订说明，避免导师只看到页数变化，不知道哪些问题已处理。表格是AI建议，不额外设定现场没有布置的检查数量。
④ 验收应围绕证据，而非54页
引文必须能从论断回到原文；图中文字须在最终页面比例下可读；每项机制都能对应真实运行结果。缺少支持时，可以保留为未支持假设或探索性分析，不必删除才能交稿。12月目前是对高老师口头信息的转述，不能据此生成具体截止日。
⚠️ 风险预警
- “去AI化”不等于观点和引文已核实。
- 不把国社科材料误挂到某篇学术论文当前稿。
- 页数、图清晰和方法成立是三个独立验收对象。
四、朱丹晨
全局效率测度、实现核验与双政策比较
📚 研究历程
朱丹晨的学位论文从双政策与绿色创新问题出发，近期重点落在城市投入产出指标、污染数据缺口和绿色专利口径。10月24日汇报过来源差异与零值处理，本次继续推进到效率得分计算及双重差分试算。她开始区分静态效率水平和动态生产率变化，这是本次方法讨论的核心；但模型名称、参照技术集与实现代码仍未对齐。旧档案没有明确指定本次展示的数据和程序，因此“已经跑出结果”只作为口头进展，不能据此认定上期零值、指标方向等问题已解决。
📝 本次（2026-10-29）
本次汇报：全局效率测度、实现核验与双政策比较
- 报告使用Python与AI完成所谓全局超效率SBM测算，考虑将GML作为另一路检验；对全局前沿与2008年基准的解释仍混杂。
- 尝试比较双试点与未试点、单试点的关系，拟再用Stata核对；显著性与模型名称的转写含混，本次未提供结果表。
林老师回应
- 核查代码是自行编写还是调用已有DEA工具，必要时使用成熟实现或其他软件对照。
- 先复核效率测度，再查看计量设定；现场提到控制变量可能调整，但未确认最终模型、删改规则或已证明不存在协同。
⏭️ 下次预期
- 提交效率模型、参照集、投入产出方向与实际实现说明，使用独立实现或软件对照计算。
- 带来双政策比较的设定与结果核对，明确各组、估计目标及效率调整后的变化。
🤖 AI 实操建议
① 直接纠正：全局前沿不是“只和2008年比”
朱丹晨把全局解释为以某一年作基准，林老师随后认可为固定和2008年比较，这两个概念不能直接等同。通常全局技术集用跨期观察共同构造，固定基期技术集只使用指定期的参照信息；把某年指数归一为1又是另一操作。可参照研究论文对GML全期参照集的说明。这不证明她代码一定错，但要求用参照矩阵而非模型名字核对。SBM效率水平与GML变化指数含义不同，替换因变量时需说明研究问题是否随之改变。
② 直接纠正：调用成熟包也不等于“没问题”
林老师第130段的保证过强。工具能减少重复编码，仍可能因输入方向、非期望产出、规模报酬、零值或超效率设定不一致而出错。先从少量城市年份入手，记录参照单位、目标函数、约束、求解状态和异常值，再用同设定的另一实现交叉检查；包名相同或得分相近都不能代替配置核验。
③ 协同需要明确的比较式
双试点相对未试点的效果，与双试点相对单试点的增量，不是同一估计目标；某个比较不显著也不能证明协同为零。若理论指向加法协同，可先写出与四种政策状态对应的对比，例如在识别成立时考察 Y11−Y10−Y01+Y00，并给出不确定性。分期实施时还需明确进入时点、比较组及政策叠加路径。此式是AI用于澄清估计对象的建议，不是直接指定估计器。ASA声明也不支持仅以显著与否替代效应解释。
④ 今天可交的核验包
模型版本｜参照集年份｜DMU单位｜投入/产出方向｜零值规则｜规模报酬｜求解状态｜效率值，另附四类政策状态清单、回归设定及对比项。若测度不一致，先停在效率环节；若测度一致再核对样本与估计。控制变量依据理论和时序选择，不能以得到显著结果为调整目标。
⚠️ 风险预警
- 转写中的SDM不直接当作空间杜宾模型；本段语境为SBM，最终以代码确认。
- 跨期可比不自动保证因果可识别。
- 不把口述试算记为已核验完成。
五、王硕
《科研管理》转投适配与匿名投稿核对
📚 研究历程
王硕的小论文围绕TOE框架与模糊集定性比较分析展开，近阶段工作主要是结构修订、组态解释与投稿适配。10月24日讨论过另一候选期刊及极端案例剔除，本期明确转向《科研管理》，因此不能继续沿用上期候选期刊的格式要求。学位论文的供应链韧性方向本期没有实质推进汇报，也不追加进度。现有版本目录列有历史稿与修改方案，但未指定本次演示稿；导师现场看过所发版本是会议事实，与本次整理者独立审阅稿件应分开。
📝 本次（2026-10-29）
本次汇报：《科研管理》转投适配与匿名投稿核对
- 按《科研管理》模板调整标题层级、组态命名、中英文参考文献、摘要位置和匿名内容，保留旧投稿版本。
- 发现网络首发文献已正式刊出，更新书目信息；英文摘要中部分红线词与组态英文名待复核。
林老师回应
- 已改稿可尝试投稿，先再向吴老师询问意见；检查英文摘要中的可疑词。
- 保留旧版本，注意参考文献刷新覆盖手工改动；匿名去除的基金信息要留存。引文替换以不损害论证为前提，不机械增引。
⏭️ 下次预期
- 核对英文组态名与摘要可疑词，向吴老师再次确认意见后按目标期刊要求准备提交。
- 保存转投版本与引文改动，检查匿名稿、系统登记和基金信息的对应。
🤖 AI 实操建议
① 直接纠正：匿名隐去不等于提交后随时补基金
王硕说匿名稿去掉基金标注，林老师说之后填回来，需要补上关键限定。截至2026年10月30日查阅的《科研管理》官方投稿指南同时要求匿名Word稿、注明相关基金，并规定系统提交后不得添加或更换作者及项目基金。应按系统字段和编辑部要求完整登记，匿名版本不展示不等于元数据不填。不能等录用后才把本应首次提交的基金补进去。
② 范文和通用指南各自能证明什么
官网确认了三级标题及中文参考文献配套英文等要求，但不能仅凭已发表范文断言所有投稿规则。对“引言不能写边际贡献”、英文摘要摆放等细节，要核对下载模板的版本与原句，本次未拿到现场模板，暂不宣布哪一方错。审稿速度、是否必给专家意见、录用通知能否用于奖项，都不能由师兄经验或导师多年前经历保证。
③ 直接可用的提交核对表
建议填写要求｜官网或模板版本｜稿件位置｜系统字段｜完成证据，将匿名文件与系统信息分别核对。组态名按核心条件和理论机制命名，回到中文含义核查英文，不能只消除拼写红线。引文先更新原条目，再刷新；Zotero插件说明明确手工改书目可能被刷新覆盖。保留可编辑版与最终提交副本，避免把唯一原件解除链接。
④ 验收与分支
提交前先确认吴老师反馈、目标模板、匿名与基金登记三项。若出现模板和系统提示冲突，向编辑部核实并记录答复；不是靠删掉某个短语绕过要求。引文只在实质相关时补充目标期刊研究。当前属于准备投稿，尚无提交回执，不标记“已投稿”。
⚠️ 风险预警
- 匿名稿不应漏掉系统要求的作者或基金元数据。
- 官网页面的数据共享要求也需纳入后续准备，不能只检查排版。
- 期刊接受与培养、奖励认定分别核实，不凭级别称谓推断。
六、南迪柯
社区不文明的fsQCA阅读与课程选题
📚 研究历程
南迪柯此前从分词、LDA、文本嵌入和BERTopic的运行训练逐步转向方法解释。10月24日与杨瑞豪共同讨论城市管理课程阅读，尝试把数字经济文献中的指标与分析迁移到新兴技术问题。本期一方面为课程讲解准备fsQCA论文，另一方面规划绿色专利与城市技术扩散方向的文献综述。这里的进展是阅读与问题组织，不能写成已经完成自己的组态分析或确定正式学位论文题目。其汇报归属已由导师确认；论文具体数值仍需回查原文和表格。
📝 本次（2026-10-29）
本次汇报：社区不文明的fsQCA阅读与课程选题
- 讲解Reddit社区不文明研究的测量、校准、必要性与充分性分析、路径符号及覆盖度，口述包含约430万帖子和100个社区。
- 提出绿色专利与城市技术扩散的课程综述方向，计划按若干板块组织中英文文献；现场所说70篇是阅读计划，不是已完成数量。
林老师回应
- 追问社区如何抽取、案例指什么、路径之间是否互斥的判断依据及总体覆盖度的解释。
- 课程选题先比较研究价值与趣味，写出后再讨论；未确定正式论文题目。
⏭️ 下次预期
- 完善课程阅读与汇报，明确研究方法、数据分析及组态表的解释。
- 围绕绿色专利与城市技术扩散整理课程综述板块，比较可行选题后形成文字稿。
🤖 AI 实操建议
① 直接纠正：帖子数量不是本研究的QCA案例数
根据主题和数据规模，已定位高度吻合的Meurer等人的原论文机构页面，其摘要明确区分100个社区与约430万帖子。若汇报的正是该研究，帖子用于测量社区特征，QCA比较单位是社区。南迪柯据帖子多而认为突破中小案例限制，以及林老师第197段把案例问作帖子后得到肯定，都混淆了层级。全文下载受限，本文不据摘要核验其具体校准数值与所有表格。
② 校准锚点和频数阈值要分别解释
南迪柯把0.95、0.5、0.05称作三个锚点，容易把隶属度目标与原始量纲上的阈值混在一起；林老师“定0.95的数”的追问也应落到究竟确定哪个原始取值。校准方法说明强调理论和案例知识，而非机械变换。三位作者复核可以提高判断透明度，不等于机器学习意义的交叉验证。频数门槛通常作用于真值表配置行，不应直接说每条最终简化路径都恰好至少三个帖子，参见真值表定义。
③ 直接纠正：总体覆盖较大不能证明路径相互促进
南迪柯第202、206、208段及林老师第207段的回应，把联合覆盖高于单条覆盖解释为不竞争或不冲突，证据不足。总体覆盖来自路径并集；是否重叠要比较原始与唯一覆盖、案例隶属关系，不能从“变成两三倍”推出互动机制。模糊集覆盖也不是简单的社区人数百分比，参见覆盖度定义。本次0.603、0.63、0.8几存在口述混杂，不能拼成一张确定结果表。
④ 把课程汇报改成可核对的讲解
建议用原文页/表｜分析单位｜指标原值｜校准阈值｜隶属度｜真值表行｜简化路径｜原始/唯一覆盖重新走一条路径；另核对“未发现单一必要条件”不能外推为不存在任何单因素作用。没找到统一覆盖度硬阈值，也不等于解释范围再小都无须讨论。课程综述先列问题、证据缺口与可得数据，再定阅读规模。
⚠️ 风险预警
- 不把低不文明直接当成高不文明路径的逻辑反转。
- 随机抽样与分层抽样口述不一致，需核对原文。
- 没有全文表格前，不用转写小数判断论文统计结论。
七、杨瑞豪
集成电路新闻筛选与字段说明
📚 研究历程
杨瑞豪在前期研究训练中接触文本主题、技术路径与计量复现，9月底至10月转向新闻语料准备及字段清洗。10月24日讨论了代理运行Python、与Stata比较输出，以及日期处理和保留来源的重要性。本期已经把工作推进到集成电路领域提取，说明强证据词、组合词、企业主体与排除规则如何参与判断，并报告恢复URL字段。这个进展是检索规则与数据文档化，不能仅因筛出一些记录就认定新闻库的召回或跨期代表性已达到研究要求。
📝 本次（2026-10-29）
本次汇报：集成电路新闻筛选与字段说明
- 回退流程重做数据，恢复此前删除的URL；按强证据词、短语组合、企业主体及歧义排除筛选集成电路新闻。
- 口述全量约1600多万，宽口径约1.2万、严格口径约9000；讨论年代分布、标题与摘要覆盖、子领域划分和抽样展示。现场另有2000万、19%及80%等不同口径，未统一核验。
林老师回应
- 先按产业环节和子领域扩展强关键词，再检查筛选结果；本轮不急于扩充原始库。
- 准备Markdown说明数据来源、每列含义及定义或计算方法；现场未设置必须达到的筛选数量。
⏭️ 下次预期
- 按集成电路产业环节、子领域扩充强证据词，重新筛选并检查结果变化，暂不扩大原始库。
- 整理数据集Markdown说明，说明来源、字段含义、派生规则与URL恢复方式。
🤖 AI 实操建议
① 命中少说明需要检查，但不能直接定位原因
林老师认为低命中主要来自关键词不足，是值得测试的判断，不是已验证结论。杨瑞豪的年代异常还可能涉及语料来源构成、重复、语言、标题摘要缺失及词义变化。第272段“2020现在还没过完”只有在指2020年代时才可能合理；若指2020年则不成立。原图横轴未提供，本文保留为分箱含义待核对，不强行指责年份错误，也不以这句话解释全部数量下降。
② 直接纠正：企业出现不必然等于技术内容
现场把英伟达等主体出现直接认定为领域相关，只有在“领域企业的一切相关新闻”这一口径下才能作为宽筛规则；若目标是集成电路技术活动，财务、人事或其他业务报道可能不相关。应分别记录企业关联、技术内容和边界不明三类，不能合成一个含糊标签。chip与silicon组合、poker排除也需要检查词距和上下文，不能默认共现就一定消歧。
③ 建立小而明确的验收集
AI建议从命中与未命中记录都抽取样本，并按年代、子领域、摘要有无分层人工判断；只看命中项无法发现漏检。记录记录ID｜原文｜规则版本｜命中词｜语境｜人工类别｜误报/漏报原因，比较扩词前后新增记录是否真有价值。scikit-learn的指标说明可帮助区分精确率和召回率；不能把命中比例当作二者。具体验收规模和容差需按用途事前确定，不是本次导师设定。
④ 数据说明要能支持别人重跑
每列写明原始还是派生、单位、缺失码和规则来源，URL缺失与摘要缺失分别统计；恢复字段优先从保留的原始批次追溯，不用标题匹配冒充可靠唯一键。若扩词提升覆盖但误报上升，保留宽筛和严格标签两层；若年代差异主要来自源库变化，先报告覆盖边界，再谈趋势。
⚠️ 风险预警
- 系统不展示原始数量，不代表研究可以忽略分母。
- 抽取首尾年代的样本不是全库随机代表。
- 本期多组数量和缺失率口径不清，不作为已核验统计写入正文结论。
八、张恩豪
主题向量、LLM命名与离群点再分配
📚 研究历程
张恩豪从代码运行和数据获取训练进入专利主题分析。10月24日的专利族去重、抽样训练及其余文本归类已由导师确认归属，下一步要求解释主题向量的构造依据。本期延续同一条方法链，汇报主题表示、根据关键词与代表文本调用语言模型命名，以及是否对离群文本再分配。工程步骤增加后，需要把原始嵌入、降维聚类、主题表示和命名分别说明，不能用“大家默认”替代原理。本次主题数与调用数的口述仍有不同口径，尚未独立检查运行记录。
📝 本次（2026-10-29）
本次汇报：主题向量、LLM命名与离群点再分配
- 报告用质心或均值思路形成主题向量，并讨论UMAP降维后与文本向量的维度关系；“执行法”等转写依据上下文暂释为质心方法，最终以代码确认。
- 用主题关键词及三篇代表文本调用LLM命名并存入CSV；考虑按余弦相似度将噪声归入已有主题，阈值和适用理由未定。
- 在数据用途讨论中补充“先看使用者需要，再看数据能够提供什么”的思路。
林老师回应
- 方法选择不能只以计算方便解释，要说明表示为什么适合用途。
- 对离群点再分配给出能解释前后步骤关系的理由，或比较其他方案；未决定一律禁用或强制使用。规模扩大时可比较更精简的命名输入。
⏭️ 下次预期
- 写清主题向量的构造空间、方法依据及适用用途，结合代码比较表示方案。
- 说明离群点再分配的原理、阈值依据和验证结果，决定保留、调整或更换方案；整理命名输入与输出。
🤖 AI 实操建议
① 直接纠正：密度噪声不等于语义无关
林老师把第一次未归类与后续再分配理解为相互冲突，张恩豪也以“参数设置不对”回应，这都不能直接成立。HDBSCAN按密度结构形成簇，噪声标签不等于对所有主题语义上都无关；不同规则可以作为明确说明的后处理。参见HDBSCAN软聚类原理。因此应解释两步各解决什么问题，而不是先认定二次归类必错。
② 工具支持后处理，但不替你证明正确
BERTopic官方API提供多种reduce_outliers策略，包含嵌入相似度；threshold的含义取决于策略。现场提及0.1—0.25不能当作普适最佳区间。应保留原始-1标签及后处理新标签，让读者区分密度归属和额外分配；不能只为降低噪声比例把所有记录塞回已有主题。
③ “同维度”还要“同空间”
对原始文本嵌入求均值可保留其坐标空间；对UMAP低维结果求均值不会自动返回原始空间。维度数相同也不足以证明不同模型的坐标可直接比较。建议列对象｜模型版本｜原始/降维空间｜维度｜归一化｜均值/加权方式｜用途。主题数326与后面140次调用等口述需分开核查运行批次，不能混成一次输出。代表文本选择规则也要记录，不默认是关键词匹配最高三篇。
④ 做可保留拒绝项的比较
固定基础模型，比较不再分配、不同阈值与不同策略；抽查新增归属、相邻主题混淆和边界案例，保留无法判断项。可用文档ID｜原主题｜候选主题｜相似度｜规则｜人工意见｜最终状态。名称输出再回查输入文本，遇到无依据的技术细节重命名。官方最佳实践还提示更新表示后再合并或缩减主题需注意映射问题，后处理顺序必须记录。
⚠️ 风险预警
- LLM给出流畅名称不等于主题已经有效。
- 降噪比例、语义质量与泛化能力分别检查。
- 本期没有统一阈值或最终方法决定，不提前替导师拍板。
九、李政杰
面向科学家的数据用途、文献子集与Python训练
📚 研究历程
李政杰自9月参加组会以来持续学习Python环境、函数和文献数据获取。10月24日追溯OpenAlex由大候选库到小子集的筛选过程，并在会后讨论Luanti教学互动。本期重点转向数据能够为科学家提供何种帮助、筛选后文献的覆盖及如何写清字段说明，同时询问Python学习的范围。教学游戏本期未汇报新增进展。此前数据库的可用性与使用方案仍处于探索，演示想法不代表已经实现完整服务。
📝 本次（2026-10-29）
本次汇报：面向科学家的数据用途、文献子集与Python训练
- 在面向科学家的数据用途方案中加入前沿议题挖掘，并讨论从既有数据出发和从用户需求出发两种组织方式。
- 口述OpenAlex原始数据较大、最终使用八千多条，另有知网四万九千多条；称已筛出中文，具体规则仍需文字说明。
- 询问Python是否需要全部学透；导师建议先学到函数及参数调用，能看懂代码框架。
林老师回应
- 把关键用途的输入数据、算法和预期输出说清，当前可先头脑风暴，不要求每一项立即实现。
- 生成Markdown描述数据集，特别是各字段的概念、定义和计算方式；继续学习函数与参数传递。
⏭️ 下次预期
- 完善面向科学家的用途说明，选关键用途写清数据、算法、输出和可行性，区分设想与已实现。
- 整理OpenAlex及相关文献数据的来源、筛选、语言和字段说明Markdown。
- 学习Python基础至函数及参数调用，能够解释现有代码的主要结构。
🤖 AI 实操建议
① 直接纠正：语言字段不是作者来源国
林老师第348段提到OpenAlex中文可能指作者来源国家，这与OpenAlex works字段说明不一致。language指标题、摘要等元数据的自动识别语言，不是作者国籍或机构国家，也不必等同全文语言。李政杰说看过汉字记录是人工线索，仍应说明筛选依据；中文作者发表英文论文和中文元数据是两回事。
② 大库变小并不自动说明数据浪费
数据是否有用取决于用途与规则。前沿议题挖掘、主题综述与定向检索所需样本可能不同，不必追求把所有记录用完，也不能因只保留少量记录就宣布检索合理。上期已讨论短摘要、语言和主题过滤的影响，本期应把这些环节写清。原件口述14GB、八千多和知网四万九千多仅是规模线索，不是跨库去重后的总量。
③ 把用户需求变成可交接的设计卡
建议使用用户问题｜所需字段｜已有覆盖｜算法步骤｜输出形式｜验证方式｜缺项｜状态。例如“识别候选前沿议题”应说明是主题变化、文献网络还是新词增长，给出需要哪些时间字段和比较基准；不要只列方法名。此处仍是方案，不生成已部署功能承诺。本次导师明确允许先说明可行性而不真做，AI也不把全部设想转成任务清单。
④ 函数学习与数据字典一起练
选已有脚本的一段，解释输入参数、返回值、依赖字段和失败情况，再用小样本验证理解。数据字典可写字段名｜业务定义｜类型｜示例｜缺失含义｜原始或派生｜生成规则。先能定位每步筛选和函数调用，后续按实际需要学习异常处理与模块；“学到函数”是当前训练范围，不是能够忽略运行结果验收的保证。
⚠️ 风险预警
- 不把目录下载、规则筛选、调用分类器与训练新模型混称同一件事。
- 合并OpenAlex与知网前保留唯一标识与来源关系。
- 本期未汇报Luanti新进展，相关历史任务保留原状态。
散会
本期各项工作共同进入“把过程说清、把依据对齐”的阶段：稿件写完仍要核对章节，模型跑完仍要核对参照与分析单位，数据筛完仍要保留规则与来源。中期月份以负责教师后续正式通知为准，不据口述生成具体截止日期。
🎭 本周彩蛋
🧠 本周新词
- 全局参照前沿：把多个时期的参照观察放到同一把尺子上；不同于只拿某一年的尺子比较。
- 分析单位：真正进入比较表的一行是谁；几百万帖子可以测量一百个社区，但不会自动变成几百万个社区案例。
- 离群点再分配：在保留原来噪声标签的基础上，再用另一条有解释的规则判断能否归入已有主题。
- 数据字典：给每一列配一份说明书，交代定义、缺失和计算过程。
本周研究工具开了一次说明书大会：SBM反复核对尺子，QCA提醒大家别拿帖子来数社区，噪声点申请重新排队，参考文献担心自己一刷新就失忆。最后，所有人都领到同一张小纸条：“先把你是谁、从哪来、怎么算的写清楚。”
林超然 · 整理于 2026-10-30
