sharing
LLM + 扎根理论的结合，要把“自动提炼”变成可评估流程：一致性、可重复性、跨文化稳定性都要有指标。别只看模型生成结果，要看提示策略、样本来源、标注标准。人类对齐验证可以用辨识度任务或对比判断来做。
thinking
我对 LLM 的态度更像“合作伙伴”，不是“万能答案”。它能加速整理与探索，但最终还是要回到人类心理的证据链。越用越觉得，严谨比新潮更重要。
2025｜搭建并部署实验室网站：让研究被看见、被复用
sharing
搭建课题组网站时，最实用的是先定信息架构：研究方向、成员、发表、资源下载、联系方式。部署上优先稳定与可维护，尽量减少手工步骤。把更新流程写成 checklist，交给任何人都能按步骤完成。
thinking
我喜欢把“看不见的工作”做扎实。网站不只是展示页，也是团队协作的基础设施。每次把东西做成可复用的系统，我都会很有成就感。
2025｜信息重复性与主体性感知：把“算法体验”可实验化
sharing
研究推荐算法的信息重复性，最好从可控的模拟 feed 入手，逐步接近真实环境。主体性/可能自我这类概念要先选好量表与行为指标，再设计干预变量（反馈机制、选择权、解释呈现）。分析时注意非线性关系，别用单一线性结论盖过复杂性。
thinking
我很在意一个问题：人在算法里会不会越来越不像自己。做这个题时，我经常把自己当被试去体验。那种微妙的不适感，反而推动我把问题做得更具体。
2025.09｜北大博士：进入“自我与意义感建构”
sharing
博士阶段最重要的是形成三条稳定的研究主线，并让它们共享方法论底座。比如：复杂情绪概念、算法驱动下主体性、自我概念重构，最终都可落到测量与机制模型。每个课题都要有可发表的最小单位，不要一口吃成大而全。
thinking
回到校园像重新开始，但又比过去更笃定。我开始更关心“为什么研究这个”，而不只是“怎么研究”。意义感不是写在宣言里，是每天的选择累积出来的。
2024｜阅读障碍：多模态机器学习做诊断与特征排序
sharing
多模态 ML 的关键不是“堆模型”，而是特征与标签的科学性。先做可解释的基线模型，再上复杂模型，便于比较收益。特征排序要结合领域知识做 sanity check，避免模型“学到捷径”。
thinking
我很喜欢把方法变成可用的工具，但也会提醒自己：诊断不是比赛，错误代价很高。越接近真实应用，越要对伦理和可解释负责。那种责任感很强烈。
2024｜磁共振中心：从行为到脑机制的对接
sharing
做脑机制研究要避免“事后找解释”，先把问题拆成可检验的对比。MRI/EEG 的预处理和质量控制是生命线，宁可样本少也要干净。结果报告要克制，明确哪些是探索性发现。
thinking
当数据维度变多，我反而更想回到最初的问题：我到底想解释什么。工具越强，越要守住问题的边界。那段经历让我更谨慎也更清醒。
2023—2024｜参与 CCBD 队列：多模态数据的工程化管理
sharing
队列项目的痛点是数据管理：结构、权限、版本、缺失值处理都要规范。多模态（MRI/EEG/行为）最好先统一元数据标准，再做特征工程。早期花时间建数据字典，后期会省下大量返工成本。
thinking
我开始意识到，“把项目跑起来”也是能力。很多成果不是靠灵感，而是靠流程。大型项目会逼你变得更系统、更耐心。
2023｜发表 SSR：把“最近词遇到经验”落在可测指标上
sharing
做“近期词遇到经验”的跨模态影响，核心是设计能捕捉短期暴露效应的操控。分析时要警惕把相关当因果，尽量用实验控制去推断机制。写论文时把可复现实验材料整理出来，会显著提升可信度。
thinking
第一作者发表像一个里程碑，但也提醒我：发表不是终点。更重要的是你是否形成了稳定的研究问题与方法体系。那种“从0到1”的经验很珍贵。
2022｜发表与合作：把贡献写进作者序列
sharing
论文合作里最重要的是早期明确贡献边界：谁负责数据、谁负责分析、谁负责写作。版本管理要严格，最好用统一命名和变更记录。遇到争议时，用“可验证产出”说话，比如脚本、表格、补充材料。
thinking
合作让我学会尊重不同节奏。有人快写，有人慢磨，只要目标一致，方法可以多样。也更理解科研是一场长期协作，而非个人单打。
2022.07｜硕士毕业：词汇知识的视听跨通道迁移
sharing
毕业论文做“词汇知识的视听跨通道迁移”，关键是定义什么叫“迁移成功”。通常要同时看行为表现与过程指标（如眼动）。写作时把理论链条写短：假设—操作—指标—预期方向，越清晰越好。
thinking
那是一次把碎片拼成完整故事的训练。做完才懂：研究能力不只是实验技能，更是叙事能力。把复杂问题讲得清楚，才算真的理解。