① 刚接通：先问候，然后停
Hi Dr [Surname]. It’s very nice to meet you. Thank you for taking the time to speak with me today. Can you hear me clearly?
您好，[姓氏]博士。很高兴见到您。谢谢您今天抽时间和我交流。您能清楚听到我吗？
使用提示：导师回答后再继续。若声音已经很清楚，最后一句可以不说。
正在加载页面
正在加载页面
进入会议先看这里
不要一次把四段全说完。先说第 1 段并停下来；导师问到哪里，再使用对应段落。
这次直接称呼：Dr [Surname]。 邮件或学校页面写 Dr，就说 Dr + 姓氏；写 Professor，就说 Professor + 姓氏。口头见面不用说 Dear。 如果导师主动请你使用她的 first name，再跟着改。
紧张时只记这一句
Hi Dr [Surname]. It’s very nice to meet you. Thank you for meeting with me today.
先播放一句，再跟读三遍；设备语音不会发送到本站。
关键词：问候 · 自我介绍 · 自然转入研究
需要逐句练习时再展开；会议现场优先用上面的30秒整段
Hi Dr [Surname]. It’s very nice to meet you. Thank you for taking the time to speak with me today. Can you hear me clearly?
您好，[姓氏]博士。很高兴见到您。谢谢您今天抽时间和我交流。您能清楚听到我吗？
使用提示：导师回答后再继续。若声音已经很清楚，最后一句可以不说。
I’m doing well, thank you. I’m very glad to have this opportunity to speak with you.
我很好，谢谢您。我很高兴能有这次与您交流的机会。
使用提示：一句就够，不需要解释紧张或英语水平。
Of course. My name is Nathan. I studied Computer Science and Technology, and I now work full-time in Sydney in the online-trading industry. My work has made me interested in how risky trading promotions can be screened more reliably. I’m now hoping to develop this practical question into a focused and feasible MPhil project.
当然。我叫 Nathan。我本科读的是计算机科学与技术，目前在悉尼的在线交易行业全职工作。我的工作经历让我开始关注如何更可靠地筛查高风险交易推广。我希望把这个现实问题发展成一个聚焦、可行的 MPhil 研究项目。
使用提示：正常语速约 25–30 秒。说完停，不要立刻背研究方法。
That’s a brief introduction. I’d be happy to give you a short overview of my proposed project, or I can start with whichever part you would like to discuss.
以上是我的简单介绍。我可以先简要介绍拟议项目，也可以从您希望讨论的部分开始。
使用提示：这句话让导师决定谈话顺序，听起来比直接开始背项目更自然。
Research core · 首页定锚
新不在模型，而在三件事：怎么拆问题、怎么造训练信号、怎么考模型。
把行为、立场和外部证据分开。
两套不同教材，训练同一种模型。
比较会泄题的切分，与真正封存的考试。
关键词：许可门 · 结构化记录 · 两套训练集 · 同配方两模型 · 封存考试
导师追问整体流程或研究边界时再打开
表述校正：这是与v0.1.0公开协议对齐的可防守版：不声称“第一次”或“没人做过”；主比较匹配训练标签数量，规则开发和案例编码工时另行记录。
00 · GATE
伦理/治理、同意或豁免、来源与平台权限、隐私和留存控制；未通过就不读取社群内容、不做消息实验。
01
把行为、立场、外部证据分开
02
人工训练标签 vs 规则弱标签
03
另一批消息＋独立人工答案
每条消息分三个维度记录：消息里出现了什么行为信号，例如保证收益、催促入金；说话的人对该命题是推广背书、讲自身经历、引用转述还是立场不清；外部又有哪些真实、可定位、有范围的投诉、监管警示或裁判材料。推广者、受害者和警示者可能使用相似话语，把立场分开才能减少误伤。
这一步是在定义“什么才算答对”，不是在训练模型。
拟议贡献：这种三层分离在中文交易推广场景中仍显得研究不足；是否属于首次，要等系统综述后判断。
路线1用N条人工标注的训练消息教监督基线；路线2把官方案例启发的判断写成可审计、允许弃权和冲突的规则，再由规则给N条训练消息生成弱标签。两边使用同一个TF-IDF＋逻辑回归架构。除此之外，另有一批完全不同的消息，由人工给出答案，只作为两条路线共同的考卷。
人工出现两次，但不是同一批：一批只教模型1；另一批不给任何模型学习，只负责给模型1和模型2判分。
只匹配训练标签数量，不声称总人工工时相同；共同的开发、校准和最终考卷成本另报，案例编码与规则维护工时也另报。
所有社群数据必须先通过书面伦理、治理、来源和平台权限门。之后才预先指定获许可的开发频道和测试频道。测试频道可以由合规数据保管或标注流程安全持有，但规则、词表、模型和调参过程不能读取它。随机按消息切分会让同一转发模板出现在训练和考试两边；因此还必须先锁定重复家族，跨边界的重复或近重复从主训练和主考试中剔除，并报告覆盖损失。
“未见”是模型开发过程未见，不是未经许可、秘密进入或无人管理。整频道留出测环境变化；重复家族剔除防止背答案。
当前尚无获许可的中文多频道消息流，因此这仍是条件性方案，不是已完成实验。主结果看未见频道排序质量；困难负例误报是安全线。
领域与输出边界：中文高杠杆交易社群的消费者伤害现实重要，而可公开、可许可、可按频道检验的研究资产很少。这套系统只做风险排序，让人工优先复核；它不认定个人、公司或频道违法。
当前导师研究画像
当前第一选择院校的CSE导师（去姓名版）
当前情况：已对选题给出明确正面兴趣，并进入简短面谈准备阶段。这证明值得继续学术筛选，但不等于capacity、Principal Supervisor、录取、学费减免或奖学金已确认。
优势：优势是问题场景、可信AI、错误信息和安全应用的组合，且有团队型项目网络。
缺口：公开履历不足以证明她专做中文NLP、外汇/CFD或弱监督。若线路推进，最值得询问的是方法/NLP共同指导、日常反馈机制和实际capacity。
公开数据地图
可获得 ≠ 可直接做主实验；每个数据只承担它能证明的角色。
P01
已冻结89条（2017–2025）
P02
30,012条；Apache-2.0；固定commit已审计
P04
已冻结100条API快照（截至2026-07-10）
CRYPTO-ANCHOR
公开仓库，固定commit与可复现运行已记录
REF-2026-009-CANDIDATE
Zenodo v1.1约1.9GB，包含代码与数据
证据现实
当前唯一下一动作：把一页外发伦理闸门、内部治理清单和来源审计提交给可承担责任的伦理/研究治理渠道或合格独立顾问，取得书面triage；之后才进入20–30个官方案例的真实双人pilot。
模型给消息风险分；评估程序给模型算成绩；未来人工复核是另一阶段。
START HERE · 面谈主路径
英文寒暄、转中文、完整中文主稿与英文后备稿已经独立整理。
METHOD Q&A · 方法追问
先看第3—5步；完整逐屏稿、术语修正和论文都在下面按关键词折叠。
YOUR UNDERSTANDING, CORRECTED · 按你的理解逐项校正
问题不在你的理解，而在旧图同时用了“打分、判分、人审”三个词，却没有说明谁给谁打分。现在强制拆成：训练出两个模型 → 两个模型参加同一场考试 → 比较两张模型成绩单。未来人工复核是另一个使用阶段，不属于模型考试判分。
KEYWORD EXPLAINER · 点击关键词讲解全部
下面所有长解释默认收起。导师问到哪个词，就只打开哪个词；英文可慢速播放或一键复制。
01 · 定义任务
Conduct · Stance · Evidence
Conduct· 风险行为命题
消息里出现了什么可观察的风险行为。
Conduct不是contact，也不是笼统的‘功能’。它记录消息里出现的具体风险命题，例如保证收益、催促入金或制造名额紧迫感。一条消息可以同时包含多个conduct。
通俗例子：例如：‘这单稳赚’对应保证收益；‘名额快满，现在入金’对应催促入金。
SAY THIS · 可对导师说
Conduct means the observable risk claim in the message, such as a guaranteed return or pressure to deposit now.
严谨边界：它只说明某种话术出现了，不能单独说明当前说话者正在推广。
Stance· 说话者立场
当前说话者是在背书、报告受损，还是引述后警示。
Stance记录当前说话者与风险命题的关系。相同话术既可能由推广者直接背书，也可能被受害者引用来讲述损失，或被警示者引用后反驳。把立场分开，是减少误伤的关键。
通俗例子：例如：‘稳赚，现在入金’是背书；‘他当时说稳赚，我照做后亏了’是受损报告。
SAY THIS · 可对导师说
Stance tells us whether the current speaker supports the claim, reports harm, or quotes it to warn other people.
严谨边界：立场必须按冻结的标注手册判断，不能只靠一个否定词猜测。
Outside evidence· 外部证据
消息之外可追溯的投诉、监管警示或裁判资料。
外部证据与消息文本分开记录。它可以帮助研究者理解背景或核验来源，但不会自动把某条消息变成推广正例，也不会替代conduct和stance标注。
通俗例子：例如：某平台被监管机构公开警示，这条材料单独记为evidence，不直接改写群消息的标签。
SAY THIS · 可对导师说
Outside evidence is recorded separately. It may include a traceable complaint, regulator warning, or court material.
严谨边界：只使用获许可、可追溯且符合伦理与治理要求的来源。
02–03 · 造信号与训练
两条路线 · TF-IDF · 逻辑回归 · 风险分
Two label routes· 两种训练标签来源
一套由人工标训练消息；一套由明文规则产生弱标签。
路线1让受训标注者给N条训练消息制作人工标签。路线2把公开案例启发的判断写成可审计规则，让规则对消息投票、冲突或弃权，再形成N条弱训练标签。两边只匹配训练标签数量；规则设计与维护工时另报。
通俗例子：类比：两名学生使用不同教材学习；一套教材由老师逐题写答案，另一套教材由公开案例总结出的规则生成提示。
SAY THIS · 可对导师说
Route one uses human labels for the training messages. Route two uses auditable rules to create weak training labels. I match the number of training labels, not the total human effort.
严谨边界：公开案例只帮助写规则，不会直接给研究消息作事实或法律认定。
Weak labels· 弱标签
由多条规则的投票、冲突与弃权汇总出的训练标签。
每条规则只表达一个明文判断，可以投正、投负或弃权。只有规则覆盖、重叠、冲突和开发集表现通过预先检查时，才尝试条件式标签模型；否则使用冻结规则或多数票，并如实报告。
通俗例子：例如：‘保证收益’规则投高风险，‘第一人称受损叙述’规则要求降权或弃权；汇总器再处理这些票。
SAY THIS · 可对导师说
A weak label comes from auditable rules that may vote, disagree, or abstain. The aggregation method is chosen before the final test.
严谨边界：弱标签不是gold truth，也不保证比人工标签更好；这正是实验要检验的问题。
Training labels vs test gold· 训练标签与考试答案
训练标签负责教模型；test gold只负责考试判分。
人工标签会出现两次，但对象和职责完全不同。路线1中的人工训练标签只教模型1；封存考试消息上的人工gold标签不教任何模型，也不参与调参，只形成两个模型共用的一份答案册。
通俗例子：类比：课本后的练习答案用来学习；期末试卷的标准答案只在交卷后用于批卷。两批消息不能重叠。
SAY THIS · 可对导师说
Human labels have two separate jobs. Training labels teach route one. Test gold labels teach neither model; they form the shared answer key.
严谨边界：Test gold也需要冻结手册、独立复标、质量控制和分歧裁决，不是随手标一下就算gold。
TF-IDF· 文字数字化特征
把字、词或短语变成有权重的数字特征。
计算机不能直接把一句中文交给逻辑回归。TF-IDF先为消息中的字、词或短语计算权重：在这条消息里出现、但在所有消息里不那么常见的表达通常更有信息量。它只处理文字，不转换标签，也不自己作判断。
通俗例子：纯示意：一条消息可被表示为‘稳赚=0.72、现在入金=0.64、名额快满=0.51’。这些数字不是实验结果。
SAY THIS · 可对导师说
TF-IDF turns the text into weighted numeric features. It does not make the decision and it does not transform the labels.
严谨边界：真实特征会在训练数据上拟合；最终考试文本不能反过来帮助选择词表或参数。
Logistic regression· 逻辑回归分类器
从数字特征与训练标签的关系中学习权重并给消息打分。
逻辑回归虽然名字里有‘回归’，在这里是分类和排序模型。训练时，它观察TF-IDF特征与训练标签的关系并学习权重；遇到新消息时，把特征乘以这些权重并合成一个风险分。
通俗例子：纯示意：‘稳赚’可能学到正权重，‘不要相信’或‘我照做后亏了’可能学到负权重；实际权重必须由训练数据学出。
SAY THIS · 可对导师说
Logistic regression learns weights from the TF-IDF features and the training labels. It then gives each new message a risk score.
严谨边界：模型分数用于相对排序，不是违法概率，也不能替代人的事实判断。
Same model recipe· 同一种模型配方
两个模型用相同架构训练，主要差别只保留在标签来源。
路线1和路线2都使用同一类TF-IDF与逻辑回归训练流程，并遵守同一套开发和调参规则。最后得到两个独立模型副本：模型1只学人工训练标签，模型2只学弱训练标签。
通俗例子：类比：两名学生的大脑结构、学习时间和考试条件尽量相同，主要改变的是教材来源。
SAY THIS · 可对导师说
I use the same TF-IDF and logistic-regression recipe twice, so the main experimental difference is the source of the training labels.
严谨边界：‘相同配方’不表示两个模型学到相同权重，也不表示总人工成本完全相同。
Message risk score· 消息风险分
每个模型给每条消息一个分数，用来从高到低排序。
训练后，每个模型都能给新消息一个数值分数。分数越高，只表示该消息在这个模型下越应该优先被人工查看。模型在第3步会打分，但还没有做封存考试，因此此时不知道哪个模型更好。
通俗例子：纯示意：模型给消息A 0.82、消息B 0.31，所以A排在B前面；0.82不代表82%的法律确定性。
SAY THIS · 可对导师说
Each trained model gives every message a risk score. The score orders messages for review; it is not the model's exam grade.
严谨边界：消息风险分与模型整体考试成绩是两层不同的分数。
04 · 封存考试
冻结 · 留出频道 · 转发家族 · Gold set · 后来时间
Freeze· 冻结模型与方案
开考前停止改变模型、阈值、切分和评价规则。
在打开最终考试数据前，要锁定模型、TF-IDF处理、超参数、频道与时间切分、转发家族规则、主要指标和安全判断。这样看到考试结果后就不能为了让分数更好而改题或改规则。
通俗例子：类比：学生进考场后不能换教材，老师看到答卷后也不能临时改及格线。
SAY THIS · 可对导师说
Before opening the final test, I freeze the models, the data split, the main metric, and the safety rule.
严谨边界：当前仍是研究方案阶段，真实阈值和安全上限尚未冻结，不能把示意数字说成既定值。
Held-out channel· 整频道留出考试
预先封存一个获许可频道，训练和调参过程完全不使用它。
两个冻结模型对同一批获许可、预先留出的频道消息打分。这样测试的是模型换到另一个社群后还能不能排序，而不是在老社群里记住话术。‘未见’只表示模型开发未见，不表示秘密抓取或未经许可。
通俗例子：类比：两名学生做同一张从未见过的试卷；频道在研究开始前选定并封存，而不是看完结果再挑。
SAY THIS · 可对导师说
A held-out channel is a permitted channel that model development never sees. Both frozen models take the same messages as their final exam.
严谨边界：考试频道也必须通过书面许可、伦理、隐私、安全与留存要求。当前尚无获许可的中文多频道消息流。
Repost family· 转发家族
相同或近似模板只能留在训练或考试的一边。
社群里同一套话术可能被复制或小幅改写。如果同一家族同时出现在训练和考试，模型可能只是认出模板，成绩就会虚高。研究会按预先规则识别完全重复、近重复或同模板消息，并处理跨边界家族。
通俗例子：例如：训练侧是‘老师带单，稳赚’，考试侧只把‘导师带单，稳稳盈利’改了几个字，仍可能属于同一家族。
SAY THIS · 可对导师说
A repost family is a set of copied or near-copied messages. I keep each family on one side of the train-test boundary to reduce leakage.
严谨边界：跨界家族从主比较剔除并报告覆盖损失；只存在于考试侧的自然重复不必一概删除。
Gold set· 独立人工答案册
人工给考试消息标参考标签，评估程序据此批两个模型。
两个模型先对考试消息给出两组风险分。人工标注者只为同一批考试消息制作一份参考答案。评估程序再把每个模型的排序与这份答案比较，分别生成两张成绩单。人标消息，程序给模型算成绩。
通俗例子：类比：老师只做一份标准答案，用它批两名学生的同一张试卷；不是给模型凭印象打分。
SAY THIS · 可对导师说
The gold set is one independent human-labelled answer key. Humans label the test messages, and the evaluation program grades both models.
严谨边界：Gold set不参与训练、调参或规则开发，而且与路线1的人工训练消息完全分开。
Later-time test· 后来时间离线复测
预设截止日之后到达的另一批获许可消息，离线标注和评分。
主测试完成后，可以用预先设定日期之后到达的获许可批次做次要复测。模型保持冻结，新批次同样执行转发家族控制，再由人工离线标gold并由程序计算成绩。它检验随时间变化后的稳定性。
通俗例子：例如：训练和主考截止到三月；四月至五月形成另一个获许可批次，模型不更新，直接离线复测。
SAY THIS · 可对导师说
The later-time test is another permitted batch collected after a pre-set date. It is labelled and scored offline, not monitored live.
严谨边界：它不是正在进行的实时监控，也不授权持续抓取；每个数据窗口仍需事先获批。
05 · 比较成绩单
AP · Delta AP · 复核预算 · 有害误报
Average Precision (AP)· 平均精确率
检查真实目标是否持续排在完整列表的前面。
AP不是只看第一条，也不是普通准确率。它从高到低查看完整排序：每遇到一个gold正例，就计算截至该位置的precision，最后对这些precision取平均。正例越早、越持续地出现在前面，AP越高。目标稀少时，AP比accuracy更适合排序任务。
通俗例子：纯示意：排序的gold答案为[1,0,1,0,1]，正例位置的precision是1/1、2/3、3/5，AP约为0.76。
SAY THIS · 可对导师说
Average Precision asks whether true target messages stay near the top of the full ranking. A higher AP means a better review order.
严谨边界：AP是整个模型的考试成绩，不是单条消息的风险分；示意数字不是研究结果。
Delta AP· 两张排序成绩单之差
弱监督模型AP减去人工标签模型AP。
两个模型做完同一张封存考卷后，各自得到一个AP。主比较是Delta AP = AP弱监督 − AP人工基线。正数表示弱监督路线在这张考试上的排序更好，负数表示更差；还要结合不确定性与频道数量判断，不能只看一个点估计。
通俗例子：纯示意：人工基线AP=0.42，弱监督AP=0.50，则Delta AP=+0.08；这不是当前项目结果。
SAY THIS · 可对导师说
Delta AP is the weak-supervision model's AP minus the human-label baseline's AP. It compares the two report cards on the same sealed test.
严谨边界：若独立频道或正例数量不足，只能报告可行性结果，不能包装成强确认性结论。
Review budget· 固定人工复核量
在相同可复核数量下比较两个模型的队列。
实际人工每天只能看有限消息，所以开考前要固定一个复核预算，例如每个频道取前K条或前若干比例。两个模型必须使用同一预算，才能公平比较排在高优先区的真实目标和误报。
通俗例子：纯示意：若每天只能看前50条，就比较两个模型各自前50条，而不是一个看50条、另一个看200条。
SAY THIS · 可对导师说
The review budget is the fixed number of top-ranked messages a human team can inspect. Both models are compared at the same budget.
严谨边界：真实K值要根据复核能力和开发数据预先冻结，当前没有既定数字。
Harmful false alerts· 困难负例有害误报
检查更好的排序是否以误伤受害者、警示或正常讨论为代价。
在相同复核预算下，单独统计普通讨论、非目标交易信号、第一人称受损、非推广自述，以及引述式警示/批评被错误推入高优先队列的比例。弱路线即使AP更高，如果相对基线增加过多这类误报，也不能通过安全约束。
通俗例子：纯示意：若预先只允许弱路线比基线多2条有害误报，但实际多3条，那么即使AP提高，也没有通过安全线。
SAY THIS · 可对导师说
The safety check asks whether better ranking comes at the cost of more false alerts on victims, warnings, or legitimate discussion.
严谨边界：允许增加多少必须在看最终结果前冻结；当前示意上限不是已决定的阈值。
FULL ANALOGY · 完整类比
STEP 03
输入：两套训练集＋同一种TF-IDF和逻辑回归配方
产物：模型1＋模型2
TF-IDF把文字变成数字特征；逻辑回归从特征和训练标签中学权重。训练结束后，每个模型都能给一条消息一个风险分，但此时还不知道谁更好。
类比：像两名学生用不同教材学完课程：他们已经会答题，但还没有参加期末考试。
STEP 04
输入：两个冻结模型＋同一批未见考试消息＋一份人工gold答案
产物：模型1成绩单＋模型2成绩单
两个模型先给每条考试消息风险分并形成各自排序；人工只给考试消息标参考答案。评估程序把每个排序与同一答案比较，分别算出AP和困难负例误报。
类比：老师先做一份标准答案，再用它批两名学生的同一张卷子；不是人工凭感觉给模型打印象分。
STEP 05
输入：模型1成绩单＋模型2成绩单
产物：哪种训练标签来源更有效、是否通过安全约束
比较两边的排序成绩，并检查弱路线相对人工基线是否增加了过多困难负例误报。这里才形成研究结论。
类比：比较两名学生的考试成绩，判断哪套教材教得更好；不是再批一次卷。
WORKED EXAMPLE · 纯示意，不是研究结果
人工gold答案标出其中10条属于目标推广，另外90条不属于目标。两个模型都不知道这些答案。 模型1排在最前面的10条里有8条目标；模型2前10条里有5条目标。直观上模型1排序更好；正式Average Precision会检查完整排序，而不只看前10条。
同一人工复核预算下，再数普通讨论、交易信号、受害叙述和警示中有多少被错误推入高优先队列。安全线是在开考前冻结的“弱路线相对基线最多允许增加多少误报”。 纯示意：若基线误推4条，预先允许最多增加2条，而弱路线误推7条，即增加3条；即使排序成绩更高，也没有通过安全约束。真实上限目前尚未冻结，必须在看最终考试结果前根据验证数据与复核容量预先声明。
关键词：00—05完整产物链
需要从原始消息一路讲到研究结论时打开
获许可的原始消息
→ 研究输入
原始文字和允许使用的上下文；此时还没有模型判断。
定义conduct、stance与独立evidence
→ 任务定义＋结构化标注记录
先规定什么算风险命题、谁在支持它，以及外部材料如何另存。
人工标注，或规则投票/弃权
→ 两套带训练标签的数据
路线1得到人工训练标签；路线2得到规则聚合后的弱标签。公开案例只帮助写规则，不直接给消息定性。
同一种TF-IDF＋逻辑回归配方
→ 两个分别训练好的消息打分模型
模型1只学人工训练集；模型2只学弱标签训练集。它们已能给消息风险分，但尚未经过封存考试，所以“训练好”不等于“证明有效”。
两个冻结模型＋获许可留出消息＋共同gold答案
→ 两组消息风险分＋两张模型成绩单
模型给消息风险分；人工给消息标gold答案；评估程序用风险分排序对照gold，分别算出两个模型的AP和困难负例误报。
模型1成绩单＋模型2成绩单
→ 两种训练标签来源的比较结论
这一步比较成绩单并回答研究问题。未来若另行批准使用，模型才会输出人工复核队列；那不是再次给模型判分。
SIX CORRECTIONS · 六个必须改口的地方
点开以后逐条看；括号里的例子可以在导师追问时说
Conduct在这里指消息中可观察的风险行为命题，例如保证收益或催促入金。
（例如：“稳赚”是一个保证收益命题；“现在入金”是一个催促入金命题。一条消息可以同时有多个conduct实例。）
我们是为每个风险命题建立conduct＋stance结构，并把外部evidence作为另一类来源记录。它们是相互关联但不能互相替代的字段或记录。
（例如：受害者引用“稳赚”时，conduct仍然出现，但stance是报告受损；监管警示若存在，只另存为evidence，不会把这条消息自动改成推广正例。）
它计算哪些字、词或短语在一条消息中较有信息量。标签仍然是模型要学习的参考答案，不会被TF-IDF转换。
（例如：“稳赚”“现在入金”会变成若干数字特征；人工标签或弱标签则告诉模型这些特征通常对应什么风险目标。）
可以由研究者、受训标注者或合格服务方完成，但必须使用冻结手册、质量控制、独立复标与分歧裁决；否则只是付费标签，不自动是可靠标准。
（例如：两位标注者独立判断同一批消息，分歧按预定流程裁决并报告一致性；不能只找人点完按钮就称为gold。）
中文叫逻辑回归，但在这里用于分类和打分。它从特征与标签的关系中学习权重，再给新消息一个风险分数。
（例如：模型给某条消息0.82，只代表它在当前模型下排得更靠前，不代表有82%的法律确定性。）
把它叫“答案册”只是帮助理解。它是一批被封存的人工参考标签，不参与训练和调参，只用于给两个模型共同判分。
（Gold也不是宇宙中的绝对真相；它应由冻结的标注手册、独立标注和分歧裁决形成，并报告不一致。）
关键词：规则聚合 · 转发家族 · 未来人审
只在导师追问实现细节或部署边界时打开
CORE MAP SCRIPT · 核心路线口语
SAY THIS · 英文
After defining the task, I build two training sets: one with human labels and one with weak labels. I use the same TF-IDF and logistic-regression recipe to train two models. Training teaches each model to give a risk score; it does not prove which model is better. I then freeze both models and give them the same permitted, unseen test messages. Humans label those messages once as a shared answer key. The evaluation produces two model report cards. I compare those report cards to answer the research question. Any later use would only rank messages for human review.
UNDERSTAND · 中文
任务定义清楚后，我制作两套训练集：一套是人工训练标签，另一套是弱标签。我用同一种TF-IDF＋逻辑回归配方分别训练两个模型。训练只让模型学会给每条消息一个风险分，并不能证明哪个模型更好。然后我冻结两个模型，让它们处理同一批获许可、从未见过的考试消息；人工只给这些考试消息制作一份共同答案。评估程序据此生成两张模型成绩单，我再比较两张成绩单来回答研究问题。未来若另行批准使用，也只把消息排序后交给人工复核。
严谨边界：“N对N”只表示训练标签数量相同；规则开发与维护工时单独报告。未来时间是截止日后的离线批次，不是实时监控。
The question
开题
(Say hello first. Then show this page and speak slowly.)
（先正常问候，再打开这一页，慢一点说。）
SAY THIS · 英文讲稿
Thank you for meeting with me. My research question is simple. Can we find risky trading promotion in a new Chinese-language channel without wrongly flagging victims or warnings? The system would only rank messages for human review. It would not decide who has broken the law.
UNDERSTAND · 中文理解
谢谢您愿意和我见面。我的研究问题很简单：能否在一个新的中文频道里找到高风险交易推广，同时避免误伤受害者叙述和警示信息？系统只把消息排序给人工复核，不判断谁违法。
可选通俗例子：（如果导师想听例子：系统可以把100条消息按风险分数排出优先级，让人工先看最靠前的10条；它不能说这10条已经违法。）
KEY TERMS · 专业词中英标识
自然过渡 · TRANSITION
I break this question into three simple steps.
我把这个问题拆成三个简单步骤。
追问/动作边界：这里不要讲弱监督、LLM或复杂模型。先让导师听懂你在解决什么。
Split the problem
拆问题
(Point to the three messages from left to right.)
（从左到右指三个例句，不要逐字念卡片。）
SAY THIS · 英文讲稿
First, I do not treat a whole message as one flat label. For each risky proposition, I record what conduct appears and how the current speaker relates to it. I keep outside evidence in a separate record. In these three examples, the risky words stay the same. The speaker may support them, quote them while reporting harm, or quote and reject them in a warning. So the words alone are not enough.
UNDERSTAND · 中文理解
第一，我不会给整条消息粗暴贴一个平面标签。对每个风险命题，我分别记录出现了什么行为，以及当前说话者与这个命题是什么关系；外部证据放在另一类记录里。三个例子中的风险话术相同，但说话者可能在直接支持、引述后报告受损，或引述后明确警示。所以只看关键词是不够的。
可选通俗例子：（可以这样举例：“稳赚，现在入金”由推广者直接说时，conduct＋stance共同形成推广目标；受害者说“他当时这么说，我后来亏了”时，相同conduct被引用，但stance变成报告受损。若另有监管警示，它只作为evidence单独记录，不会自动改写消息标签。）
KEY TERMS · 专业词中英标识
自然过渡 · TRANSITION
After the problem is clear, I need training labels.
问题拆清楚之后，下一步是造训练标签。
追问/动作边界：正式单位不是“一条消息固定三个格子”，而是每个U_CONDUCT_INSTANCE配一个stance；一条消息可有多个行为命题。外部evidence属于另一类来源记录。例子是展示用改写，不是候选语料原文。
Make training signals
造训练信号
(Point to the two textbooks first. Then point to the sealed exam.)
（先指两套教材，再指封存考卷。）
SAY THIS · 英文讲稿
Second, in the planned experiment, I would build two labelled training sets. In route one, trained annotators would read permitted messages and assign human labels under one guide. In route two, public cases would inform clear rules. The rules could vote, disagree, or abstain, and a frozen method would combine their outputs into weak training labels. TF-IDF would turn the text into numeric features, and logistic regression would learn a risk score from the features and labels. I would use this same recipe twice, producing two separate trained models, not one model using both label sets.
UNDERSTAND · 中文理解
第二，我制作两套带标签的训练集。路线一由合格标注者按照同一手册阅读获许可的训练消息并给出人工标签；路线二用公开案例帮助写出明文标注规则，规则可以投票、冲突或弃权，再按冻结的聚合方法形成弱训练标签。接着，TF-IDF把文字变成数字特征，逻辑回归从特征和标签的关系中学习风险分数。同一配方分别运行两次，因此得到两个独立训练好的模型，而不是一个模型同时吃两套标签。
可选通俗例子：（可以这样举例：路线1的一条训练消息由人标成“推广高风险=1”；路线2中，规则A看到保证收益投正票，规则B发现是警示语境就投反票或弃权，聚合后形成弱标签。公开案例只告诉我们规则为什么这样写，不会直接把某条社群消息判成gold。）
KEY TERMS · 专业词中英标识
自然过渡 · TRANSITION
Both models can now score messages, but neither has been tested. Next, they sit the same sealed exam.
两个模型现在都会给消息打风险分，但还没有被检验。下一步，它们做同一张封存考卷。
追问/动作边界：弱标签聚合不保证一定使用复杂label model：只有覆盖、重叠、冲突与开发集表现通过预设检查才尝试；否则停在冻结规则或多数票。人工训练标签可以由研究者或合格标注者产生，但不是“付钱买到就自动变gold”，仍需手册、质量控制、独立编码与裁决。只匹配训练标签数量，规则开发工时另记。
Test the model
考模型
(Point to Gate 0, then compare the red and green boxes.)
（先指第0关，再对比红色和绿色框。）
SAY THIS · 英文讲稿
Third, I separate training, testing and later review. After training, each model can give every message a risk score. That is not the model's exam grade. I freeze both models and give them the same permitted, unseen test messages. Humans label those test messages once to make a shared answer key. Evaluation software compares each model's full ranking with that key and makes two report cards: ranking quality and hard-negative false alerts. I then compare the report cards to answer the research question. Human review is different: only in a later approved use would a reviewer inspect high-ranked messages. This is an offline test, not live monitoring.
UNDERSTAND · 中文理解
第三，我把训练、考试和未来人审严格分开。训练后，每个模型都能给每条消息一个风险分，但这不是模型的考试成绩。我冻结两个模型，让它们处理同一批获许可、从未见过的考试消息。人工只给这些考试消息标一次答案，形成共同gold答案册。评估程序把两个模型的完整排序分别与答案册比较，生成两张成绩单：一项看排序质量，一项看困难负例误报。然后我比较两张成绩单来回答研究问题。人工复核是另一个阶段：只有未来另行批准使用时，人才能查看排在前面的消息。
可选通俗例子：（可以这样举例：考试有100条消息，人工答案确认10条是目标。模型1把其中8条排进前10，模型2只排进5条，直观上模型1排序更好；正式AP会看完整排序。再在相同人审预算下检查两边误推了多少普通讨论、交易信号、受害叙述和警示。）
KEY TERMS · 专业词中英标识
自然过渡 · TRANSITION
That is the basic design. I would be very happy to hear your thoughts.
这就是项目的基本设计。我很希望听听您认为这个范围是否适合MPhil。
追问/动作边界：“未见”不是秘密进入社群，而是模型开发未见。Gold由冻结手册、独立标注和分歧裁决形成；人工标消息，评估程序算模型成绩。安全线比较相同复核预算下，弱路线相对人工基线增加了多少困难负例误报，允许增量须在查看最终考卷结果前冻结。未来人工复核不是再次给模型评分，而是另行批准的应用流程。后来批次仍是获许可的离线复测。
SUPERVISOR PAPER BRIDGE · 导师核心论文衔接
导师问你读过什么或为什么与她匹配时再打开。
PAPER IN PLAIN LANGUAGE · 先把这篇论文讲明白
这篇论文问的是：看起来很真的大模型生成网络威胁情报，能不能与真实报告区分开？
Generate · 生成
Use verified cyber-threat reports to adapt GPT-2 and create domain-specific fake CTI.
用经过核验的网络威胁资料训练GPT-2，让它生成这个专业领域里的假CTI。
Validate · 核验
Use people and quantitative checks to see whether the generated reports look like authentic CTI.
同时用人的判断和量化指标，检查这些生成报告是否真的像真实CTI。
Detect · 检测
Compare human judgement with several machine-learning and transformer detectors.
再比较人工判断，以及多种机器学习和Transformer检测方法。
Average human accuracy
只代表这项研究中“真实CTI vs 生成CTI”的判断任务。
RoBERTa accuracy in this setting
它针对GPT-2生成文本，不是任何场景都有效的通用检测器。
真正能连接 · REAL OVERLAP
必须分开 · IMPORTANT DIFFERENCE
面谈60秒 · SAY THIS
I have been studying the team's paper about LLM-generated cyber-threat intelligence. My understanding is simple. First, the team used real cyber reports to generate realistic fake CTI. Next, they checked whether it looked real, using both people and statistics. Finally, they compared human judgement with several detectors. People were only a little better than guessing overall, while a RoBERTa detector built for GPT-2 text did much better in this study. For me, the key lesson is that a good result still depends on how the data and the test are built.
我一直在学习团队关于大模型生成网络威胁情报的论文。我的理解很简单：团队先用真实网络安全报告生成看起来很真的假CTI；再用人的判断和统计指标检查它是否像真的；最后比较人工与多种检测器。参与者总体只比猜测稍好，而一个针对GPT-2文本的RoBERTa检测器在这项研究中明显更好。对我最重要的启发是：即使数字很好，结论仍取决于数据和考试怎么设计。
CLOSEST CURRENT BRIDGE · 与本次项目最接近的近期桥梁
Huang, Sun, Tani Bertuol, Zhang, Jiang & Jha · Future Generation Computer Systems · 2025
面谈可说 · MEETING LINE
I was interested in the team's fake-CTI paper because it connects domain evidence, human judgement and model detection. My project uses a different domain, but it faces a similar need to control harmful mistakes.
我关注团队关于假CTI的论文，因为它把领域证据、人工判断和模型检测联系起来。我的领域不同，但同样需要控制有害错误。
Read: abstract → framework figure → conclusion and limits阅读：摘要 → 框架图 → 结论与局限
出版记录 ↗SIGNATURE RESEARCH FOUNDATION · 理解导师研究根基的代表作
Jiang, Wen, Yu, Xiang & Zhou · IEEE Communications Surveys & Tutorials · 2017
面谈可说 · MEETING LINE
I also noticed your work on propagation-source identification. My current study does not locate sources, but your network perspective made me think more carefully about what changes when a model moves to a new channel.
我也注意到您关于传播源识别的研究。我的当前研究不定位源头，但这种网络视角让我更认真地考虑模型换到新频道时会发生什么变化。
Read: abstract → comparison taxonomy → conclusion阅读：摘要 → 方法比较框架 → 结论
出版记录 ↗需要投屏、逐页说英文或查看追问边界时打开。
4屏演示速记卡
每页只讲一句英文，然后停下来观察导师反应。中文帮助你理解，不需要在会议里逐字翻译。
4页演示只负责展示；这里负责你每一页怎么讲。
展开逐屏讲解、中文理解和追问边界
先练第2–4屏；完整讲解约3分钟，说完自然把话题交给导师。
The whole study
先讲完整主线 · 第一页先用这一段把研究逻辑讲完整，再按页面展开。
你说这一句
After defining the task, I build two training sets: one with human labels and one with weak labels. I use the same TF-IDF and logistic-regression recipe to train two models. Training teaches each model to give a risk score; it does not prove which model is better. I then freeze both models and give them the same permitted, unseen test messages. Humans label those messages once as a shared answer key. The evaluation produces two model report cards. I compare those report cards to answer the research question. Any later use would only rank messages for human review.
任务定义清楚后，我制作两套训练集：一套是人工训练标签，另一套是弱标签。我用同一种TF-IDF＋逻辑回归配方分别训练两个模型。训练只让模型学会给每条消息一个风险分，并不能证明哪个模型更好。然后我冻结两个模型，让它们处理同一批获许可、从未见过的考试消息；人工只给这些考试消息制作一份共同答案。评估程序据此生成两张模型成绩单，我再比较两张成绩单来回答研究问题。未来若另行批准使用，也只把消息排序后交给人工复核。
如果被追问：N对N只匹配训练标签数量；规则工时另报。未来时间是冻结后的离线批次，不是实时监控。
The question
开题 · 先说问题和边界，不先解释技术。
你说这一句
My question is simple: can we find risky trading promotion in a new channel without wrongly flagging victims and warnings?
我的问题很简单：能否在新频道找到高风险交易推广，同时避免误伤受害者叙述和警示信息？
如果被追问：系统只排序供人工复核，不认定任何人或公司违法。
Split the problem
拆问题 · 用一个受控对照说明：同一风险命题不等于同一立场。
你说这一句
I do not treat one message as one flat label. I record the risky conduct proposition, the current speaker's stance, and any outside evidence separately. The same risky words can appear in a promotion, a harm report, or a warning.
我不是给整条消息粗暴贴一个标签。我分别记录风险行为命题、当前说话者的立场，以及独立的外部证据。同一套风险词可以出现在推广、受损报告或警示中。
如果被追问：conduct不是contact；也不是把整条消息物理切成三段。正式单位是命题级conduct instance＋该命题的stance；一条消息可以有多个命题，外部证据另表保存且不反推消息标签。
Make training signals
造训练信号 · 说明人工为什么出现两次：一批是教材，另一批只是答案册。
你说这一句
In the planned experiment, I would build two labelled training sets. Route one would use human training labels. Route two would use weak labels from auditable rules. I would use the same TF-IDF and logistic-regression recipe to train two separate models. A different human-labelled set would teach neither model and only grade both.
我制作两套带标签的训练集：路线一使用人工训练标签；路线二使用可审计规则产生的弱标签。然后用同一种TF-IDF＋逻辑回归配方分别训练两个模型。另一批人工标签不教任何模型，只给两边共同判分。
如果被追问：公开案例只帮助形成定义和规则依据，不直接给社群消息判案。规则可以投票、冲突或弃权；是否使用label model取决于预设诊断。TF-IDF只把文字变成特征，逻辑回归才根据特征与标签学习打分。
Test the model
考模型 · 先讲书面许可，再用“随机切分泄题 vs 频道＋转发家族封存”说明考试。
你说这一句
Before testing, I would freeze both models and all design choices. The test channel would be permitted and chosen in advance, but hidden from model development. I would keep each repost family on only one side of the boundary. The separate human gold labels would be the shared answer key, and the output would be a ranked review queue, not a verdict.
考试前，我冻结两个模型和全部设计选择。测试频道必须获许可并提前选定，但不能被模型开发过程看到。同一转发家族只能留在边界一侧。独立人工gold labels是共同答案册，最终输出是复核排序，不是认定。
如果被追问：Gold set仍然是人工标签，只是封存为参考答案。测试频道可以由获授权的数据保管/标注流程安全持有；模型、词表、规则和调参过程不能读取。later-time是预设日期后的获许可离线批次，不是实时监控。
导师问你读过什么、为什么找她时打开。
TODAY · 面谈前必看
不用读完全部文献。先记住每篇研究什么、与你的课题怎样相连，再各看15分钟。
Can LLM-generated misinformation be detected: A study on Cyber Threat Intelligence
Huang, Sun, Tani Bertuol, Zhang, Jiang & Jha (2025)
它直接体现了导师研究集群对可信AI、领域型错误信息以及人机核验的兴趣，是与你项目最接近的概念桥梁。
Cyber Threat Intelligence Mining for Proactive Cybersecurity Defense: A Survey and New Perspectives
Sun, Ding, Jiang, Xu, Mo, Tai & Zhang (2023)
它帮助你用导师熟悉的“管线语言”交流：采集、表示、挖掘、验证与实际使用，而不只谈模型准确率。
Analysis and Insights for Myths Circulating on Twitter during the COVID-19 Pandemic
Yang, Jiang, Pal, Yu, Chen & Yu (2020)
它展示导师研究集群如何把有害信息视作社会—技术现象，可启发你的立场感知消息分析，但不能取代它。
导师要你walk through仓库或追问目前完成了什么时打开。
IF ASKED ABOUT GITHUB · 仓库讲解
不要主动逐个展示代码。先说明它是协议阶段仓库，再按 README → paper → protocol → governance → reproducibility 走一遍。
老师只简单问一句 · 20 SECONDS
It is a public, protocol-stage repository. It contains the working paper, the annotation and evaluation plan, the data-governance boundary, and a separate public-data reproducibility audit. It does not contain Chinese messages or Chinese model results yet.
这是一个公开的协议阶段仓库，包含工作论文、标注与评价计划、数据治理边界，以及一套独立的公开数据复现审计。目前不包含中文消息，也没有中文模型结果。
老师说 Walk me through it · 60–90 SECONDS
Of course. This is the public, protocol-stage repository for the project. I can give you a short walkthrough.
当然。这是项目公开的协议阶段仓库。我可以做一个简短介绍。
五步点击路线与逐句讲稿
路径是真实仓库目录；英文可单独播放和复制。
README.mdStart with the map · 先讲总览I would start with the README. It gives the research question, current status, and a simple map. The key point is that there are no Chinese model results yet.
先打开README：它说明研究问题、当前状态和仓库地图。必须主动说清楚目前没有中文模型结果。
paper/Working paper · 工作论文The paper folder has the working paper in both Markdown and PDF.
paper文件夹放工作论文的Markdown源文件和可以直接阅读的PDF。
protocol/Frozen study logic · 研究规则The protocol folder defines the labels, stance roles, sampling plan, and held-out-channel test before results are seen.
protocol文件夹提前定义标签、立场角色、抽样方式和整频道留出测试，避免看到结果后随意改规则。
governance/Data boundary · 数据边界The governance folder records what data cannot be used and which written ethics and permission decisions are still needed.
governance文件夹说明什么数据现在不能用，以及还缺哪些书面伦理和许可决定。
reproducibility/Separate engineering audit · 独立工程审计The reproducibility folder is a separate audit using public cryptocurrency data. It shows that the evaluation pipeline can be run and checked, but it does not validate the Chinese task.
reproducibility使用公开加密货币数据验证运行、切分和指标检查流程；它只证明工程纪律，不证明中文任务有效。
自然结束 · CLOSE
So at this stage, the repository is a transparent, versioned research plan. The next step is written governance triage, followed by a small double-coded pilot with allowed official sources.
因此目前仓库主要是一份透明、可追踪版本的研究计划。下一步是取得书面治理判断，再用获准的官方来源做小规模双人编码试验。
What has actually been completed?
到底完成了什么？
The public protocol, ontology, annotation manual, sampling and split plan, governance summary, and public-data audit are complete. The Chinese empirical study has not started.
公开协议、本体、标注手册、抽样与切分计划、治理摘要和公开数据审计已经完成；中文实证研究尚未开始。
Why publish a repository before the results?
为什么还没结果就公开？
It makes the planned design and its limits visible before the main study, and it gives other researchers something concrete to review. It is not formal preregistration or peer review.
这样能在主实验前公开设计和边界，也方便研究者提出具体意见；但它不是正式预注册，也不是同行评审。
Why is there a cryptocurrency audit?
为什么有加密货币审计？
It is an engineering anchor for data versions, leakage-safe splits, saved predictions, and metric checks. Its labels and results are different from the Chinese message task, so I keep the claims separate.
它用于展示数据版本、防泄漏切分、预测保存和指标重算等工程能力；它与中文消息任务的标签和结果不同，所以两边结论严格分开。
Where are the Chinese data and results?
中文数据和结果在哪里？
They are not in the public repository, and no Chinese modelling result is claimed. Message-level work will begin only after the required written governance and permission decisions.
公开仓库没有中文消息，也不声称任何中文建模结果。消息级工作只能在取得所需的书面治理和许可决定后开始。
Did you use AI tools?
是否使用了AI工具？
Yes. I used AI tools to support drafting and coding. I set the research direction, checked the public artifacts and limitations, and I would follow the university's disclosure rules for future academic work.
是的，我使用AI工具协助写作和代码。我确定研究方向，并检查公开产物和限制；后续学术工作会遵守学校的披露规则。
Can the design still change?
设计还能修改吗？
Yes. This is a starting protocol, not a finished thesis. I expect to refine the scope and methods with supervision before the main empirical study.
可以。这是起始协议，不是已经完成的论文。我预计会在主实验前根据导师指导调整范围和方法。
导师问个人背景、能力、边界或计划时打开。
现在优先准备
研究学位导师面谈 · 可重复练习 · 首页常驻学习区 · 可播放·可复制
这是长期保留的第一次导师面谈学习稿；会议日期、导师姓名与私人状态仅在本机完整版显示。
这次目标：让导师看见你能把问题讲清、诚实区分已完成与未完成，并请她帮助把项目收窄成可行的 MPhil；这不是论文答辩，也不需要装成 NLP 专家。
回答规则：每次先给结论，最多一个例子，20–30 秒后停下来。听不懂就请她慢一点；她打断时立即停。
点击播放后会使用设备合成语音；语速已放慢，内容不会传给本站。 语音为设备生成的合成语音。
I want to study how to screen Chinese online trading promotions for risky claims and practices.
我想研究如何筛查中文在线交易推广中的高风险主张与做法。
The system would help human reviewers; it would not decide whether a person or company has broken the law.
系统只帮助人工审核，不判断个人或公司是否违法。
I separate what the message says, the speaker's stance, and any outside evidence.
我把消息表达的内容、说话者立场和外部证据分开。
I want to test whether the weak-supervision pipeline works on channels the model has not seen before, while keeping false alerts low.
我想检验弱监督管线在模型从未见过的频道上是否仍有效，同时保持较低误报。
The Chinese study is still at the planning stage, so I would really value your advice on making it focused and realistic for an MPhil.
中文研究仍在规划阶段，所以我很希望听取您的意见，把它收窄成聚焦且现实可行的 MPhil 项目。
关键词：推广／受害者／警示可能使用相似话语
Similar wording can appear in a promotion, a victim report, or a warning. If a model ignores who is saying what, it may flag the wrong person.
推广内容、受害者叙述和警示内容可能出现相似话语。如果模型忽略谁在以什么立场说什么，就可能标错对象。
关键词：相同模型架构／匹配训练标签数／未见频道／误报上限
I will compare a gold-only supervised baseline with a stance-aware weak-supervision pipeline. Both use the same TF-IDF and logistic-regression model and a matched number of training labels. The main test is on completely unseen channels, with a predeclared limit on false-alert increases.
比较纯人工金标签监督基线和立场感知弱监督管线；两边使用同样的 TF-IDF 加逻辑回归、匹配训练标签数，在完全未见频道上测试，并预先限制误报增量。
关键词：conduct／stance／outside evidence 互不替代
I use three separate parts: the conduct described, the speaker's stance, and outside evidence. The evidence gives context, but it does not change the message label or make a legal judgement.
我分别记录行为内容、说话者立场和外部证据。证据提供背景，但不会改变消息标签，也不会形成法律判断。
关键词：透明规则／噪声训练信号／独立人工 gold／LLM 不在核心对照
Transparent rules can provide extra, imperfect training signals when human labels are limited. The confirmatory core does not use an LLM: both arms use the same simple classifier, and only the source of the training labels changes. If data and compute permit, I may add one gold-only Chinese pre-trained language-model baseline.
人工标签有限时，透明规则可以提供额外但不完美的训练信号。确认性核心不使用 LLM；两组用同一个简单分类器，只改变训练标签来源。条件允许时可增加一个只用金标签的中文预训练模型基线。
关键词：目前是 protocol／中文实证未开始／先书面治理
The Chinese study is still a protocol. I have not collected, labelled or modelled the Chinese messages. I want written ethics and governance advice before using any candidate source, and I will not use employer or client data.
中文研究目前仍是协议。我还没有收集、标注或建模中文消息；使用任何候选来源前要先取得书面伦理和治理意见，也不会使用雇主或客户数据。
关键词：possible contribution／不说 first／结果仍待实验
The possible contribution is the combination of evidence separation, testing on unseen channels, and explicit checks for harmful false alerts. Whether it works is the empirical question.
可能的贡献是把证据分离、未见频道测试和有害误报检查结合起来。它是否真的有效，本身就是要靠实验回答的问题。
关键词：trustworthy AI／misinformation／changing language and channels
Your work on trustworthy AI, misinformation and threat intelligence is closely related to reliability under changing language and channels. I would value your advice on what I should narrow first.
您在可信 AI、错误信息和威胁情报方面的研究，与语言和频道变化下的可靠性直接相关。我很希望听取您关于首先应当收窄什么的建议。
关键词：入学前调整工作／AI 辅助／本人判断并核验
I currently work full-time. If I enrol full-time, I will make the arrangements needed to give the degree enough time. I use AI for drafting, code support and checking, but the research decisions are mine and I verify each part.
我目前全职工作；如果全日制入学，我会作出必要安排，给学位足够时间。AI 只用于起草、代码支持和检查，研究判断由我负责，而且每一部分都会由我核验。
I have not finalised that part yet. This is my current plan.
那一部分我还没有最终确定；这是我目前的计划。
Sorry, could you please say that again a little more slowly?
不好意思，您可以稍微慢一点再说一遍吗？
That is my current thinking, but I would be happy to revise it.
这是我目前的想法，但我很愿意修改。
Do you think this is focused enough for an MPhil, and what would you change first?
您觉得这个项目对 MPhil 来说足够聚焦吗？您首先会修改什么？
If you see a possible fit, what would be the next step?
如果您认为存在匹配，下一步应该是什么？
Before enrolment, I am considering preparing the literature, protocol and code structure for a small English public-data study on channel shift and leakage-safe evaluation. I would leave the substantive experiments and conclusions until candidature. Would that be useful preparation, or should I focus on the Chinese protocol and admission requirements first?
入学前我考虑为一个英文公开数据小研究准备文献、协议和代码结构，主题是频道变化和防泄漏评价；实质实验与结论留到 candidature 期间。这样的准备有价值吗，还是我应该先专注中文协议与入学要求？
I would like to keep a PhD as a future option, but my first goal is to build a rigorous and feasible MPhil project.
我希望保留未来读博的选项，但第一个目标是建立一个严谨、可行的 MPhil 项目。
本模块是面谈辅助而非新的事实源；本机优先读取 `.private` 完整稿，公开 synthetic demo 只显示去姓名、时间和私人状态的常驻学习版。
这是会后管理区，不在导师面谈中主动展示。
REF-2090-001 演示论文一
30 天唯一里程碑：完成演示里程碑甲。
下一关口：完成演示下一步
以REF-2090-001演示课题为第一优先级。
下载虚构文件
预约虚构诊断
提交虚构材料
▲ 7月21日 · 周二已过 1 天
○ 7月24日 · 周五2 天后
○ 7月25日 · 周六3 天后
窗口基于最近一次索引时刻的 Sydney 日历日。
REF-2090-001 演示论文一
公开协议；未同行评审
» 演示研究问题：虚构方法A相比虚构基线B，能否在留出组上提高演示指标？
indexer v0.1.0 · schema v1 · 来源与同步健康 →