组会记录 2026-11-12（新模板试用）

先明确要测量的概念，再决定模型要识别什么。 企业年报中提到人工智能，可能是在介绍行业趋势、表达未来计划，也可能在描述已经发生的业务应用。这三类文本回答的研究问题不同。若目标是企业对人工智能的关注，计划与讨论本身有意义；若目标是实际应用，单纯提及就不能作为充分证据。先选定研究问题，才能判断哪些句子应该被纳入，不能先让模型输出一个分数，再给它命名为“人工智能水平”。

林老师认为结构化抽取后，否定或只提及未应用的问题便解决了，这一判断过强。结构化输出有利于把判断过程展示出来，但模型仍可能认错主体、漏掉否定，或把“拟建设”当成“已建设”。例如，“公司关注行业应用进展”与“公司已将该技术用于某项业务”是两个假设性例子：即使模型都输出“人工智能应用”，它们也不具有同样的证据含义。需要回到原句检查，尤其注意跨句指代和子公司、供应商等不同主体。

验证应先于大规模聚合。 可以从实际年报选取一批既有清晰案例、又有模糊边界的片段，先由人说明判断理由，再看模型错在哪里。这里最值得讨论的往往不是总体正确率，而是它是否系统性地把行业背景当成企业实践、把未来规划当成已实现。如果这些边界仍不稳定，增加维度或更换模型可能只会把不稳定的判断放大到企业年度指标。人工判断也可能有分歧，应先澄清概念，不能把一人的第一遍标注直接当作绝对真值。

林老师关于第一类识别问题不需要文献支撑的说法，也需要收窄：具体抽取操作不必每一步都寻找现成论文，但研究中的概念定义、测量合理性和有效性论证仍需依据。文本分析方法论文强调针对研究用途验证测量。借用其他技术研究的维度时，应解释为何适用于人工智能，以及哪些差异使原维度不能直接迁移，不能仅替换关键词。

模型比较应回答本研究的困难。 BERTopic允许替换嵌入模块，并不固定绑定某个中文BERT或Ollama，见官方嵌入文档。但模型可替换，不代表主题发现、主体识别、时态判断是同一任务。可以在同一批已讨论清楚的材料上比较候选方案，看哪个更少犯关键错误，再决定技术组合。排行榜只能帮助筛选候选。若最终使用年报，也要把“企业披露的应用证据”与企业全部真实应用程度区分开：披露多寡本身可能受到写作策略影响，这一限制需要进入指标解释。

图首先要忠实表示实验，再承担方法比较。 本期已经反馈纵轴存在问题，下一步应先从原始输出确认图上每个点究竟表示连通规模、传播数量还是其他响应量。三者可能对应不同的研究目标，不能在解释中相互替代。为了突出最大落差，可以加标记或说明，但不能调整数据坐标，让图形呈现研究者期待的优势。

最大单步下降反映的是局部突变，整个过程表现则取决于下降发生的时机和后续路径。两种方法可能有同样的最大落差，却在前半程相差很大；也可能一种前期更有效、另一种后期才出现剧烈下降。选择指标前，需要先说清现实问题关心的是有限预算下尽快削弱网络，还是识别触发突然瓦解的关键步骤。这两种目标都可以研究，但不能事后挑选最有利的目标来证明某方法全面优越。

平均落差的解释要先过一个简单的数学检查。 若相邻响应值为y₀、y₁，直到yₖ，那么各步下降量之和就是y₀−yₖ，中间项会抵消。因此，在起点、终点和步数都相同时，平均落差也相同，下降先后并不会改变它。李浩铭用“每步不同”解释平均落差差异，这一点不足以成立。但现场各方案的初始种子、终点及步数是否相同尚未核验，不能反过来直接断言实际结果必然相等；发现差异时应先核对这些条件。

曲线面积可以补充过程信息，但不是自动成立的新排名。 在统一横轴、区间和尺度后，面积会把整段路径纳入比较。若纵轴是剩余功能，面积较小通常表示在该区间内保留的功能更少；若纵轴改为累计损失，解释方向就改变。数值计算可以参考梯形积分文档，这里的面积不是分类评价中的ROC-AUC。它仍然依赖所选区间：曲线交叉时，一个总面积会把不同预算下的优劣合并掉，最好同时解释交叉发生在哪里，而不是只留一个数。

若实验包含随机性，还需区别一次运行的曲线与稳定的方法差异。应在可比条件下重复实验，判断优势是否只是某次初始化造成的；如果初始种子本身就是算法设计的一部分，则应明确比较的是完整方案，而非仅节点排序。二维评价图的两条轴也应各自对应一个有意义的问题。先确定要表达的权衡，再画图，比为了把某方法放到“最外侧”临时组合指标更有说服力。

控制变量不是越多越不显著，也不是越多越可靠。 朱丹晨认为“去掉所有控制都不显著，加上就更不显著”，这一推断不成立。加入控制可能改变系数、残差波动、共线性和有效样本，所以显著性的变化没有固定方向。林老师对这一点的纠正成立；但辛普森悖论只能帮助理解分组与合并关系可能不同，不能代替对本研究控制变量的选择理由。

在当前阶段，更重要的是说明政策影响什么、可能通过什么路径产生作用，以及控制变量与这些过程的关系。若某个量本身可能受到政策影响，把它放入回归后，估计所回答的问题就可能变化；不能仅因为它让结果更显著便保留，也不能因它使结果不显著就删掉。当前缺少完整模型和变量构造材料，还不能判断某个具体控制是否应当进入，需要结合实际设计讨论。

产出口径改变，可能意味着研究对象也变了。 新产品销售收入与GDP类指标并不天然代表同一种经济产出。若把后者用于绿色创新效率，必须说明它为何能与创新活动对应；如果实际用的是人均GDP，还要考虑它与总量投入之间的尺度关系。这里不是先判定替换错误，而是要求概念与计算解释保持一致。若新口径已经转向更广义的经济绿色效率，题目、机制和结论也可能需要随之调整，不能只在变量说明中换一个名称。

若用GDP份额拆分原有产出，分配规则本身就会参与形成地区差异。此时需要讨论结果中的差异有多少来自真实观测、有多少由估算规则带入。它可以是有条件的处理方案，但不能在没有说明时被当成直接观测数据，也不能因为试算更显著就认为这一口径更有效。

为了看清结果为什么变，比较有理论理由的几种规格时，尽量先在相同样本上比较；若缺失值使样本随规格改变，再单独说明这种变化。这样才能区分指标含义、控制设定和样本组成各自造成的影响。ASA关于p值的声明提醒，科学判断不应由是否跨过一个显著性阈值决定。不显著不等于证明没有作用，也不能把筛出显著结果当作开题方案合理的证据。

单政策还是双政策，应由研究问题与识别可行性来决定。增加政策数量未必增加研究贡献，也可能使解释更困难。林老师关于开题框架认可后就不会再有其他问题的说法，不能理解为方法上的保证；开题是阶段性认可，数据质量和识别条件仍需后续核验。

先确认实际投出了哪一稿，再判断还缺什么。 本期最实质的问题是旧备份可能遗漏有效修订。即使投稿系统显示提交成功，也只证明系统接收了某些文件，不能证明接收的是已经合并全部修订的正确版本。应直接打开系统中实际提交的文件，与此前有效修订稿核对，尤其看理论贡献、正文与图表是否仍相互对应，避免只检查文件名或修改时间。

转写中的新刊名与《科技进步与对策》高度吻合，以下按该刊公开要求参照，实际投稿对象仍以回执为准。该刊AIGC声明涉及工具、版本、使用情况及对话记录；“没有直接生成正文”不足以概括代码修改、图表处理和润色等实际使用。应按发生过的用途如实说明，而不是围绕某一句话寻找能否豁免披露的解释。现有材料既不足以认定本稿违规，也不能确认仅附部分聊天就一定满足要求。

早期对话已删除时，合理做法是说明缺口，并向编辑确认可以怎样补充；不应重造一份看似原始的聊天记录。若补写使用过程说明，它应明确是事后说明，与原始对话区分。上传入口异常则需要结合系统实际状态和编辑回复判断，不能把“下一步”按钮的日常含义等同于系统一定不会提交。

此外，公开投稿须知、登录后页面要求和针对本稿的编辑回复，可能处于不同层级或更新时间。口述中的700词、15000字和上传入口数量尚未核验，不宜转写为所有稿件通用的规则。先解决本稿版本和提交状态，再核对适用于本稿的要求，能够避免在未确认的假设上反复改格式。匿名稿的附录及截图也要与正文一并检查，论坛里的审稿速度则只能作个别经历，不能当成本稿的处理承诺。

读论文时，要分清一种类别从哪里来，以及它在样本中多常见。 南迪柯先说持续性创新较少，后来又说最普遍。根据原论文，强化型和持续性战略最常见；一种类型在分类框架中被补充提出，不代表它在实践中罕见。这两件事分别涉及分类建构与经验分布，不能互相替代。

林老师将四象限概括为直接从数据提取也不完整：作者先借助OPSI作演绎编码，再进行归纳扩展，并用STM作事后补充。因此，理解这篇论文的关键不只是记住四类名称，而是理解已有框架约束了哪些观察，材料又促使作者增加或调整了什么。文中的内部导向占比也应放回该文样本范围解释，不能直接推广成所有公共部门的总体比例。

下一次阅读可以围绕一个实际案例说明作者如何分类，而不必再做一张庞大的编码表。若原文给出了引句，尝试解释为什么它支持某种类别、有没有另一种可能解释；若作者没有展示从引句到概念的中间过程，就把这一点作为阅读疑问。AI可以帮助梳理作者已经写出的关系，但不能替作者补出不存在的原始证据。能解释一个边界案例，往往比复述完整框架更能体现理解。

代码练习的重点，是知道下一次如何从同一份原始数据重新开始。 本次已自述完成抽样和切词，但这还不能证明后续任意比例都能按原方案重做。调整比例应回到原始数据；若在已有1%样本上继续抽样，得到的是进一步缩小的子样本，不能当作从全量直接抽取所需比例。

Parquet只是存储格式，本身不决定能否聚类。应确认后续程序实际使用的是原文还是切词后的文本，以及两份产物是否仍对应同一批记录。设置随机种子有助于复现，但输入内容、顺序、抽样逻辑和运行环境也需保持可比，不能只凭种子相同就认定任何条件下都会得到同一样本。pandas抽样接口可帮助理解参数；学习时更有用的检验是重新运行一次，并解释这次为什么应与前一次相同或不同。文献阅读与代码训练可以并行，但一项跑通不代表另一项理解已经完成。

先回到被审查论文的论证，确定疑点影响哪项结论。 这次讨论首先是对既有研究的审查，不应把提出疑点直接变成要求杨瑞豪重建整套变量数据库。对TPBI及其相关量，优先核对原文公式和定义：它们是否共享计算成分，所谓技术分叉究竟怎样被判定，微域层面的变化又怎样支持国别层面的结论。目前缺少原式和数据，能够提出核查方向，但还不足以宣布整套研究无效。

“机械同源”需要具体说明，而不是当作总括性否定。 假设两个指标都含有同一项增长量，它们的关联可能部分来自这项共同成分，而非两个独立测量相互印证。这只是说明疑点的假设性例子，并非已经证实该文公式如此。核查时要看共同成分是否在理论上合理、是否使验证接近循环论证，以及作者有没有提供不依赖同一构造的信息。解释变量与结果变量也并非必须统计独立；否则研究它们的关联就失去意义。真正要分清的是定义重叠、共同原因与能支持研究主张的独立证据。

微域与国别的范围不同，同样不能仅凭名称就判错。一个微域可能涉及多个国家，一个国家也可能覆盖多个微域；若作者有清楚的归属、聚合与比较依据，跨层次分析可以成立。反之，若某个微域的变化未经说明就被解释成某国整体技术路径转折，论证便可能跳过了关键一步。应指出到底是哪一步缺少支持，避免把“层次不同”本身当成无法研究的理由。

门槛模型不是只能预设存在转折再寻找位置。 杨瑞豪的这一概括不准确。Hansen原论文提供了对门槛效应的检验及相关推断。与此同时，统计上的关系分段仍不自动等同于技术上的分叉事件。即使检验支持门槛，也要说明它在研究对象中意味着什么。换成平滑转换模型只能改变关系变化的表达方式；换成生存分析也仍需要先定义事件与观察起点。若事件含义没有理清，换模型不会替代这项工作。

判断“领先”，必须先明确是在事后描述还是在模拟实时预警。 事后借助完整历史识别拐点，可以研究历史对应关系；若声称当时就能提前发出信号，输入只能使用当时能够获得的信息。比如居中平滑可能用到后来的观测，完整样本确定的标准化参数也可能引入未来信息。这些都是要查的条件，不是已经发现该文存在的错误。即使两个数列总体相关，也不意味着断点定位准确；预测年份偏差、误报和漏报仍可能很大。

杨瑞豪担心加入区间后领先样本减少，这可能说明领先判断本来就不够精确，不能据此认为严格检验没有意义。不显著既不能证明没有领先，也不能证明原结果只是运气；更稳妥的表述是现有证据能支持多强的判断。若存在时间定位不确定性，应把它带入解释，而不是以筛出更多“领先”案例作为成功标准。

林老师提出结合数据重组研究框架，可以作为探索工作的方向，但要保留探索与确认的区别。等实际取得数据后，再判断主要障碍在概念、测量、层次对应还是验证方式；不要在这些问题未区分时同时换指标、换事件定义、换模型，最后无法说明改善来自哪里。这并不要求一次解决所有问题，而是先解决足以影响核心结论的那一处，再决定是否值得继续扩展。

目前最合适的是把已经完成的软件准备接到一次小范围尝试，而不是立即要求完整实验。可以从师兄师姐已有的一个示例开始，弄清它要解决什么问题，尝试运行，并解释结果大致表示什么。若遇到错误，保留原始报错并说明在哪一步发生，会比重新换一套工具更容易得到帮助。

跑通示例也不等于已经理解全部原理。可以先选其中一个自己能解释的关键步骤，逐步扩大理解范围，不必为了组会汇报把刚安装的软件包装成已经掌握的方法。本次没有说明软件名称，也没有展示实验结果，因此记录只确认准备进展，不补写未发生的成果。

这些是AI对逐步参与团队实验的学习建议，不是新增考核要求。仍应结合本科课程与毕业安排推进，本科论文也继续由原指导团队负责。

先把对模型的解释对应到自己实际运行的模型。 张恩豪用十二层注意力、CLS池化和L2归一化解释文本向量，这可能对应某种具体配置，但目前没有代码足以确认；它不能泛化成所有BERTopic都遵循的固定流程。Sentence Transformers文档提供多种池化模块。阅读实际模型配置比记住一条统一的流水线更重要，否则后面对距离和聚类的解释可能建立在并未使用的步骤上。

数学上的向量长度是范数，文本长度则是词元或字符数量，两者不是一回事。把向量归一化到同一范数，不等于句子长短对语义表示的影响全部消失。词序、截断和模型如何整合上下文仍可能影响表示。因此，“已经归一化”不能单独证明不同长短文本已经完全可比；遇到异常时仍需回到实际文本与模型输入判断。

离群再分配改变的是归属判断，不是自动删除噪声词。 林老师以降低额外词汇影响、让文本回到原类别解释降噪，张恩豪认可这一说法。对于本次讨论的再分配策略，这个解释不准确。BERTopic官方文档介绍按概率、主题分布、c-TF-IDF或嵌入等方式匹配已有主题。二次聚类则是在一批文本中重新寻找结构，两者不能仅因为都降低离群比例就视为同一操作。

离群比例下降本身没有证明主题质量提高。一段原本与所有主题都不接近的文本，如果被强制放入最接近的主题，覆盖率提高了，含义却可能变差。判断是否值得再分配，需要看重新归入的文本与该主题的代表文本能否共同支撑清楚的主题解释；若主要是为了数字好看，就应保留“暂不能可靠归类”的可能。阈值的选择应服务于这个判断，而非预先规定离群率必须降到某个程度。

把样本模型用于剩余数据，是待验证的方案。 张恩豪认为抽样后剩余数据只会增加已有主题数量，这个保证不成立。即使抽样规则合理，稀有主题也可能没有进入样本；后续年份还可能出现样本时期不存在的议题。林老师认可全量应用，应理解为可以进一步尝试的方向，不能代替对主题覆盖的验证。

因此，扩展时可以特别看哪些文本始终匹配较弱、哪些新年份的材料集中在少数不合适的主题中，以及是否存在能形成共同含义的新内容。若发现遗漏主题，再考虑补样、重新拟合或单独分析；若已有主题已经足够而只是个别文本模糊，则未必需要推翻整个模型。这里的重点是用实际错分与漏分情况决定处理方式，而不是一律追求全量归类。

还要区分已处理文本的标签与后续新文档的预测过程。对训练结果做一次标签调整，并不意味着之后调用预测接口就自动重复相同的调整；需结合实际代码确认。当前没有看到完整调用链，不能断言已经出错。较有用的下一次讨论，是带着少量有代表性的成功与失败案例，说明自己的策略在哪些情况下可靠、在哪些情况下需要保留判断。

先读懂数据怎样变化，再评价代码为什么更快。 专利处理链包含大量SQL并不奇怪：筛选、连接、去重和汇总往往在数据库一侧完成，Python可能负责组织调用与后续分析。因此，阅读代码时若只解释Python函数名，可能仍不知道真正的数据处理发生在哪里。可以从一条自己熟悉的专利记录入手，追踪它为什么被保留、与哪些信息连接、最终变成什么结果。

尤其要注意“一行代表什么”是否发生改变。假设一项专利对应多位申请人，连接后出现多行未必是错误；但如果后续把这些行直接当作专利数量相加，就可能改变统计口径。这是解释连接风险的假设性例子，并不意味着现有项目已发生重复计算。SQL连接教程可以帮助理解匹配与未匹配记录的处理；项目实际引擎尚未确认，具体语法仍须看现有代码。

向AI提问可以先让它解释一小段查询的作用，再用实际样例核对解释。若说明听起来合理、却无法预测哪条记录会留下或消失，就还没有真正理解。初学阶段不必边读边大幅改代码，先把一次筛选或连接弄清楚，再逐步扩展，能够减少“修改后跑通了，但不知道改了什么”的情况。

本期自述运行加快，但输出尚未检查，所以目前只能记录速度方面的观察。若要把它称为性能改善，至少要确认比较的是同一范围、同一处理目标，且结果保持一致；样本缩小、跳过步骤或缓存条件改变都可能造成时间差。先确认正确性，再研究加速原因，会比只比较运行时间更有价值，也更容易向他人解释这条处理链。