组会记录 2026-11-12

① 结构化抽取仍需要验证

林老师在年报讨论中认为，抽出结构化信息后，否定或只提及未应用的问题便解决了，并说第一类识别问题不需要文献支撑。这一判断需要纠正：抽取方案在逻辑上可行，不代表抽取准确度已经成立。否定范围、主体和时态仍可能识别错误，必须用人工标注检验；方法说明也应交代已有研究与适用边界。Grimmer与Stewart的文本分析方法论文强调面向具体问题的验证。至于是否具有理论贡献，不能由模型名称自动决定。

② 今天先建立一张句段证据表

从不同年份、行业的年报中抽取一批候选段落，保留上下文；分别标记主体是本企业还是行业，行为是已实施、计划、否定还是无法判断。先人工独立标注，再让现有模型抽取相同字段，逐项对照。直接使用表头：公司年度｜原文位置｜原句及上下文｜主体｜行为｜时态｜否定｜实际应用证据｜模型输出｜人工结论。这些标签是建议的起点，最终定义应与研究问题一致。

③ 把工具层与指标层分开比较

BERTopic是可替换嵌入、降维和聚类模块的主题建模流程，不天然固定为某个中文BERT，也不要求通过Ollama调用。官方嵌入文档说明了这种模块化。先记录真实模型标识、版本、池化和文本长度设置，再在同一标注样本上比较。关键词、嵌入分类与结构抽取应使用相同测试集，避免把换了样本的差异当成模型进步。

④ 验收后再聚合企业年度指标

若分类能稳定区分应用、计划与否定，再讨论如何按企业年度聚合；若某类错误集中出现，先修改定义或抽取规则。关注度与应用程度应分别命名，不能只因都来自年报就视为同一概念。借鉴其他技术研究的维度时，要说明跨对象迁移的理由，不能仅替换关键词。

⚠️ 风险预警

• 年报披露充分不等于实际采用程度高。
• 评测榜单与本研究语料任务可能不一致，不设“公认最优”的万能模型。
• 结构化输出看起来完整，也可能包含原文没有的效果描述。

① 最大落差、平均落差与整体破坏不是同一量

李浩铭将最大单步下降用于比较整体表现，信息不足；林老师对这一点的提醒成立。另一个可直接核验的数学事实是：若各方法起点、终点和步数都相同，相邻差值之和必等于起点减终点，平均落差也必相同。改变下降顺序不能改变这个和。李浩铭以“每步不同”反驳时需补上边界条件；但本次种子集合及终点是否相同尚未核验，不能直接认定所有方法的平均落差相等。

② 今天从坐标表重建两张图

先导出每种方法的移除步数、移除比例和原始响应量，核对纵轴究竟是连通规模还是传播数量；随后固定横轴范围和归一化规则，绘制未经拉伸的曲线。强调最大落差时只用标记或线宽。第二张图再呈现积分或达到预设响应水平所需的移除比例。二维坐标应各有研究含义，不能为了让某方法处于最外侧才选择指标。

③ 直接可用的计算记录

表头可用：网络版本｜算法｜种子规则｜步骤k｜移除比例q｜响应y｜y(k−1)−y(k)｜积分区间｜重复编号。面积可以使用Scipy梯形积分，但必须显式传入按顺序排列的横轴。若纵轴表示剩余功能，同一预算下较小面积通常表示破坏更快；若纵轴换成累计损失，解释方向会改变。这不是分类任务中的ROC-AUC。

④ 验收与分支

任一图点应能回查原始坐标；手工抽算几个相邻差值和一个积分区间，应与程序一致。若方法使用不同初始集合，先说明比较是在评价排名还是评价整套方案，必要时分别做固定集合与完整方案两类对照。若曲线交叉，就报告权衡或预算范围，不强行宣布一个全程最优者。

⚠️ 风险预警

• 相同颜色和图例不能保证实验条件相同。
• 改纵轴后，原先的面积与排序必须重新计算。
• 不把局部视觉强调当作额外的数值优势。

① 加控制变量后的显著性没有单调规律

朱丹晨认为“全部控制变量去掉都不显著，加上就更不显著”，这个一般性推断不成立。控制变量会改变关注变量的条件关联、残差波动、共线性和有效样本，系数与标准误都可能变化。林老师的核心纠正是对的，但辛普森悖论是分组与合并关系可能不同的提醒，不能据此证明某一组控制必定合适。ASA声明也强调，结论不能只由是否跨过p值阈值决定。

② 先检查改指标究竟改变了什么

用GDP类指标替代新产品销售收入，不只是换一列数，也可能把经济产出的概念从创新成果销售扩展到更广泛经济活动。原先按GDP份额分配的数列，可能把分配公式的信息带入效率测量；改用人均值还涉及与总量投入的尺度对应。今天先并排写出两种定义、原始来源、单位、价格处理、分母与缺失处理，再决定其在绿色创新效率中的角色。未确定实际用的是GDP还是人均GDP前，不作模型优劣结论。

③ 直接可用的设定对照表

版本｜概念定义｜投入/期望产出/非期望产出｜原始字段｜单位与价格口径｜样本范围｜选择理由｜系数与区间｜变更时间。在同一可用样本上比较基本规格与有理论依据的控制规格，再单列因缺失而变化的样本；这样才能区分改指标、改控制和换样本的影响。效率模型的方向、参照集和求解设置也应固定记录。

④ 开题通过与实证成立分别验收

林老师说开题框架被认可后推进便不会有其他问题，这不能作为方法保证；通过开题不能消除测量误差或识别风险。若双政策问题能以制度依据和清晰比较组支撑，就保留协同问题；若只能支持单政策，应说明研究问题为何收束，而不是仅按哪项显著决定。验收重点是概念、数据、设计和大纲对应，所有主要尝试可追溯。

⚠️ 风险预警

• 不按显著性事后挑选产出指标或控制组合。
• 人均量与总量混用需解释尺度含义。
• “尚未找到同题文章”不等于已证明研究空白。

① 先确认期刊，再逐项核对要求

转写中的期刊名称疑为《科技进步与对策》，以下依据该刊官方页面核查，实际对象仍以回执为准。王硕提到AI声明与对话记录有公开依据：该刊AIGC声明要求披露工具及使用情况，并保留提示词和生成内容；对辅助使用与直接生成论文内容有具体限制。因此“没有直接生成正文”不能单独替代完整披露；改代码、图表处理和润色应分别写清。现有证据不足以认定本次稿件违反规定，也不能认定仅附几段聊天便已满足要求。

② 今天先核对三份文件

以最后实际提交稿、此前有效修订稿和本次转投备份做三方对照，按段落及图表检查理论贡献、拆分后的内容、英文摘要和附录是否一致。不要从文件名“最新版”判断。为每次提交保存只读副本、时间、文件哈希及回执；系统状态与编辑口头反馈分别登记。匿名稿中的附录和对话截图也要检查是否泄露作者信息。

③ 可直接使用的提交清单

材料项｜期刊明确要求｜对应文件及位置｜与上一稿差异｜是否已上传｜回执/编辑说明。AI使用说明另列工具名称及版本｜使用环节｜输入类型｜输出用途｜作者核验｜对话留存情况，据事实填写。最早对话已删除就如实说明缺口，并向编辑核实可接受的补充方式，不能重造历史对话。

④ 验收与分支

对照官方投稿须知，把公开要求与登录后页面提示分开保存。若系统无法补传，按编辑确认的渠道与格式办理；若实际期刊名称或要求不同，重新核对而非套用本清单。两份正文应能确认采用相同修订内容，图件在最终PDF中清晰可读，附件用途和匿名状态明确，才算材料核验完成。

⚠️ 风险预警

• TIFF导出解决某次字体问题，不保证任何图片都自动合格。
• 论坛审稿速度经验不是本稿的处理承诺。
• 旧稿仍在系统中与新材料已收到是不同状态，需编辑记录闭合。

① 新提出的战略不等于样本中罕见

南迪柯介绍四象限时先说持续性创新较少，随后又说最普遍，前一种说法与原文不符。原论文指出，强化型与持续性战略最常见；持续性是对原框架的扩展，不代表实践中罕见。林老师将方法概括为从数据直接提取四象限，也需补充：作者先借助OPSI进行演绎编码，再归纳扩展，并以STM作事后补充。论文的内部导向占比来自所分析材料，不能当成所有公共部门的总体比例。

② 阅读先复原证据链

今天从原文方法表选取一个有明确引句的例子，依次写出原话、初始编码、二阶概念及战略类别；对每一步注明依据来自理论还是材料归纳。可直接使用：公开引句位置｜初始概念｜编码规则｜聚合理由｜战略类别｜STM如何补充。如果找不到某一步，应列为阅读疑问，不用AI补出作者未展示的中间结果。

③ 抽样流程要能重新开始

Parquet是存储格式，本身不决定能否聚类；后续程序要读取正确文本列，并清楚地区分原文与切词结果。把输入路径、抽样比例、随机种子和输出路径作为配置，保存抽中的稳定ID。若数据可在内存中处理，可参考pandas抽样接口的frac与random_state；大文件则应使用适合既有环境的分块或数据库方案，不能仅因示例短就把全量读入内存。

④ 验收与下一步

相同数据版本和种子应得到相同样本ID；调整比例后，程序仍从原始数据抽取。切词前后逐条对应，缺失、空文本和重复记录另有统计。若某年份或类别没有抽到，记录覆盖限制，再决定是否分层抽样；若只是文件后缀相同而字段不同，先以字段检查判断，不靠文件大小猜处理是否成功。

⚠️ 风险预警

• 不在已经抽出的1%上反复抽样而误以为覆盖全量。
• 编码比例、受访者比例和总体比例的分母不同。
• 文献框架与自身实验分别留档，不能混为已验证方法。

① 门槛模型可以检验是否存在门槛效应

杨瑞豪认为面板门槛模型只能先假设有转折再寻找位置，这个概括不准确。Hansen的原始论文包含无门槛效应的假设检验及非标准推断。不过，统计上的分段关系不等于已经识别出技术路径分叉事件；若缺少概念对应，换成平滑转换模型也不会自动解决。杨瑞豪指出指标机械同源和证据层级错位，是值得核查的疑点，但当前尚无原式与数据，不能直接判定整套研究无效。

② 先审构造，再审领先

今天把TPBI与各信号展开到最底层数据，列出共用的距离、漂移、分母、归一化基准及时间窗口。直接使用：量的名称｜研究角色｜公式成分｜原始数据｜使用到的最晚时点｜与其他量共用部分｜可独立验证的证据。共用成分可能制造机械关联，但解释变量与结果变量并非必须统计独立；要辨别关联来自定义重叠、共同原因还是有意义的预测信息。

③ 用真正可获得的信息检验领先

若要声称实时预警，时点t的输入不能包含t之后的信息。事后居中平滑可以用于描述，但不能直接作为提前预测的证据。相关系数很高只说明两种数列变化相近，不能证明断点年份准确。应保存每次训练截止时间、信号形成时间、事件判定时间和领先量，使用时间顺序留出检验；以独立外部事件作补充时，也要说明事件选择规则与时间精度。

④ 不确定性收缩不是放弃检验的理由

杨瑞豪担心加入区间后可判定领先的样本更少，这说明证据可能不够精确，不能据此认定更严格检验没有意义。林老师提出根据现有数据调整框架可以作为探索，但应标记探索过程，不能把事后形成的新解释再写成预先假设。若公式确有共享成分，先设计替代测量或独立验证；若只是区间宽，应报告不确定性，不以筛出更多领先样本作为目标。

⚠️ 风险预警

• 不显著不等于已证明结果由运气造成。
• 微域数乘年份数不等于相互独立的信息量。
• 在同一批数据中反复改指标、找事件再验收，会高估证据强度。

① 把准备状态写准确即可

本次没有需要强行纠正的技术断言。已经安装、能够启动、能够运行示例、理解处理逻辑，是四种不同进度；当前只确认到本人报告的安装准备。先不追求完整成果，也无需同时学习多套工具。与本科导师团队的论文任务和本组方法训练分别列出，就能减少重复安排。

② 今天可以做一次最小检查

从已收到的学习资料中选择一个明确入口，记录所需软件的实际名称与版本，确认能打开示例及输入文件，再尝试运行最小步骤。若资料没有给出入口，先把文件列表和不清楚的位置整理出来向对接同学询问；不必一口气重装全部软件。若示例确实使用Python，再核对解释器和依赖环境，Python官方环境说明可用于理解版本隔离，但不能据此推断本次所装软件就是Python。

③ 直接可用的问题记录

日期｜工具及版本｜资料入口｜输入文件｜尝试的操作｜预期输出｜实际输出或完整报错｜已经排查什么｜需要协助的问题。求助时先描述一个可复现问题；截图可辅助说明，但保留报错文本更便于定位。若涉及本科论文材料，先说明与本组训练的关系，避免把两条研究线混成同一次实验。

④ 用小产物验收，不用学习时长验收

建议下一次带来一份运行记录或明确的问题单；这是AI对导师“按节奏推进”的操作化建议，并非本次另定的硬性考核。如果示例已跑通，能指出输入和输出在哪里，就继续理解一个关键步骤；如果环境仍有问题，先解决同一个最小例子，不急于切换工具。已安装的软件也无需为了形式统一重新安装。

⚠️ 风险预警

• 安装完成不等于依赖、路径和输入文件全部可用。
• 不把尚未进行的实验写进完成清单。
• 不上传带个人信息或未经许可的研究材料作为求助附件。

① BERTopic不固定等于十二层加CLS池化

张恩豪用本人所述模型的十二层注意力、提取CLS、L2归一化再降维解释句向量，这条具体配置尚未取得代码验证；不能把这套描述泛化成所有BERTopic的固定过程，也不能在缺少配置时反过来判定本人模型一定不如此。嵌入由具体模型决定，池化可以是均值、CLS等方式；Sentence Transformers模块文档列出多种池化。当前代码是否确实如此，需要配置或实际输出证明。向量范数确实是数学长度，但归一化并不等于自动消除句长对语义表示的一切影响。

② 离群再分配不是把多余词删掉

林老师把降噪解释为降低额外词汇的影响，让文本回到原类别，张恩豪认可了这一解释；对所讨论的BERTopic再分配而言，这不准确。官方文档说明，相关策略按软聚类概率、c-TF-IDF或嵌入等信息把离群文本匹配到既有主题，不等于识别并删除噪声词。二次聚类又是不同操作，应分别记录原标签、策略、阈值、新标签和未分配原因。

③ 今天做三组可回查抽检

先导出真实模型标识、池化方式及参数键名，避免继续用“层数”等口语代替设置；再从原已分配、再分配成功、仍离群三组各抽取文本，连同主题代表文本进行人工核对。记录表可用：文档ID｜原标签｜处理策略｜匹配值｜新标签｜代表文本｜人工是否接受｜拒绝原因。错误集中出现时，应调整阈值或保留离群，不以比例越低越好验收。

④ 全量应用先检查样本未覆盖的主题

张恩豪认为抽样没有舍弃其他类别，因此剩余数据只会增加已有类别的数量，这一保证不成立。简单随机抽样可能漏掉稀有主题；林老师据此认为可以覆盖全量，也应改为待验证的可行方案。对新增年份、罕见专利及低匹配文本单独抽检，保留拒绝分配通道。若覆盖与语义质量可接受，再扩大运行；若出现新主题，考虑补样或重新拟合。

⚠️ 风险预警

• 训练后修改标签不保证新文档预测时自动复用同样策略。
• 原始聚类参数调整与二次聚类不能混为一步。
• 离群比例下降可能来自强制归类，须同时报告误分与保留情况。

① 先把两种语言的分工分清

SQL负责向数据库描述需要筛选、连接、分组或汇总哪些数据，Python常用于组织调用及后续处理；不熟悉SQL并不表示此前Python基础无效。本次没有需要强行纠正的技术断言。运行变快是一项现象，正确性仍需另查；当前尚未查看结果，不宜直接报告整个数据处理任务已经完成。

② 今天用小样本逐步跟一遍

选择现有代码中的一个只读查询，找到输入表、关键字段和执行入口。先运行不带复杂连接的基础查询，再逐步加筛选、连接和聚合，每一步记录行数与几条样例。可参考PostgreSQL官方SQL教程理解基本概念；实际使用何种数据库尚不清楚，具体函数和语法应以项目实际引擎为准，不为教程更换环境。

③ 可以直接交给AI的阅读要求

“请解释这段代码读取哪些表、按什么键连接、每个中间结果一行代表什么、哪些记录可能被排除；给出一个最小示例，并指出无法仅凭代码判断的业务假设。先解释，不改写。”随后由本人对照真实数据核对。记录表可用：代码位置｜输入表｜关键字段｜筛选/连接/聚合｜输出粒度｜行数变化｜待核对问题。AI给出的解释若与实际输出冲突，应回到查询与数据，而不是只换一个解释。

④ 验收时同时看含义与结果

能够独立说清一条专利如何从原表进入最终结果，以及在哪一步去重、丢失或展开成多行，就比复述SQL关键字更有价值。若加速前后应实现同一逻辑，应比较记录集合、唯一键及关键汇总；输出一致再讨论性能。若速度来自减少数据或跳过步骤，应另记为条件变化。后续技术路线由导师再讨论，本次不提前代选。

⚠️ 风险预警

• 连接键不唯一可能让行数膨胀，运行成功并不代表连接正确。
• 限制行数的测试输出不能当作全量成果。
• 学习阶段先用只读查询，不让AI解释任务顺带修改原表。