Case Studies
辅导案例
沟通节选
我想做员工满意度方向的研究，但感觉太宽泛了，不知道怎么下手……
这个方向确实研究很多，关键是要找"为什么之前没人研究过的角度"。你的行业背景是什么？我们从现实问题出发倒推研究问题。
我在互联网公司实习过，发现远程办公后员工情绪变化很明显……
很好！"远程办公×情感劳动×工作满意度"这个交叉点，文献几乎是空白。我们可以从这里切入，用情感调节理论作为框架。
沟通节选
老师说我的理论框架和研究问题"两张皮"，但我不知道哪里出了问题……
我来问你几个问题：你用的理论能直接解释你的因变量吗？还是需要绕几个弯？
好像……需要绕很多弯。我用了社会学习理论，但研究的是学生认知负荷……
这就是问题所在。认知负荷理论才是直接框架，社会学习可以作为补充视角。我们把主框架换掉，整个逻辑会立刻清晰很多。
沟通节选
我数据都收好了，500份问卷，但我完全不会用SPSS，还有三周就要交了……
不用慌，三周够用。我们先做描述统计+信效度检验，再做相关和回归，每步我都给你截图对照讲。今天先把数据发我看看。
（发来数据后）这是我整理的，但有些题目方向不一样，要反向计分？
对，你标了"R"的那几题要反向。我帮你在SPSS里做重新编码，你跟着操作，以后遇到这种情况自己就会处理了。
机械工程 · 轴承寿命预测
基于信号特征的轴承剩余寿命预测
利用振动信号数据进行特征提取与分析，构建轴承剩余使用寿命（RUL）预测模型。通过3D特征可视化和多轴承对比，验证模型的预测效果与泛化能力。
方法：振动信号特征提取 + 预测建模
数据集：PHM2012 与 XJTU-SY 轴承退化数据
成果：多轴承 RUL 预测误差小，泛化性好
模型对比总结：下图展示了不同模型在各轴承上的预测表现对比。可以看到模型在多个轴承上的误差分布和整体表现，便于选择最优方案。
训练集 3D 特征可视化：通过对训练集的振动信号进行时域和频域特征提取，将高维特征映射到三维空间进行可视化。可以观察到轴承在退化过程中特征分布的变化趋势。
测试集 3D 特征可视化：测试集的特征分布与训练集呈现类似的退化趋势，说明特征提取方法具有良好的一致性和可迁移性，支持模型在新数据上的泛化预测。
各轴承剩余寿命预测曲线：以下展示了 5 个测试轴承的 RUL 预测结果。蓝色曲线为实际剩余寿命，红色曲线为模型预测值。预测曲线与实际值的吻合度较高，验证了模型的有效性。
Bearing 1_3 RUL 预测
Bearing 1_4 RUL 预测
Bearing 1_5 RUL 预测
Bearing 1_6 RUL 预测
Bearing 1_7 RUL 预测
计算机科学 · 推荐系统
基于 LLM 与 Transformer 的推荐系统
采用 DeepCoNN、D_Attn、NARRE 等基于 Transformer 注意力机制的初排模型，结合 QWEN-max、GLM-4、DeepSeek-V2 等大语言模型进行重排，构建两阶段推荐系统。通过用户评论与物品评论的深度语义理解，显著提升推荐列表质量。
方法：Transformer 初排 + LLM 重排 两阶段推荐
模型：DeepCoNN / D_Attn / NARRE × QWEN-max / GLM-4 / DeepSeek-V2
成果：DeepSeek-V2 重排后 NDCG 达 0.881，MRR 达 0.915
NARRE 模型架构与训练曲线：系统采用 NARRE（Neural Attentional Rating Regression with Review-level Explanations）作为核心初排模型。用户评论和物品评论分别经过卷积神经网络提取特征，再通过注意力机制加权融合，最终通过点积计算评分预测。下图展示了 DeepCoNN、D_Attn、NARRE 三个模型在 100 个 epoch 训练后的损失收敛曲线，训练集与验证集均已收敛。
九种组合重排推荐列表质量（表 3.2）：将三种初排模型（DeepCoNN、D_ATTN、NARRE）与三种大语言模型（QWEN-max、GLM-4、DeepSeek-V2）进行组合，评估重排后的推荐列表质量。指标包括覆盖率、召回率、NDCG 和 MRR。其中 D_ATTN+DeepSeek-V2 组合取得了最高的 NDCG（0.881）和 MRR（0.915）。
| 组合方式 | 覆盖率 | 召回率 | NDCG | MRR |
|---|---|---|---|---|
| DeepCoNN + QWEN-max | 503 | 0.739 | 0.855 | 0.877 |
| DeepCoNN + GLM-4 | 502 | 0.732 | 0.870 | 0.892 |
| DeepCoNN + DeepSeek-V2 | 503 | 0.745 | 0.879 | 0.933 |
| D_ATTN + QWEN-max | 499 | 0.743 | 0.858 | 0.857 |
| D_ATTN + GLM-4 | 501 | 0.727 | 0.872 | 0.896 |
| D_ATTN + DeepSeek-V2 | 506 | 0.752 | 0.881 | 0.915 |
| NARRE + QWEN-max | 505 | 0.735 | 0.859 | 0.865 |
| NARRE + GLM-4 | 500 | 0.737 | 0.877 | 0.907 |
| NARRE + DeepSeek-V2 | 502 | 0.737 | 0.873 | 0.907 |
DeepSeek-V2 重排效果与初排效果对比（表 3.4）：对比三种初排模型单独使用与结合 DeepSeek-V2 重排后的效果差异。结果表明，虽然 LLM 重排在覆盖率上有所提升，但在召回率和 NDCG 方面表现略有不同，说明 LLM 重排更擅长提升排序质量（MRR），而初排模型在召回方面保持优势。
| 初排模型或重排组合方式 | 覆盖率 | 召回率 | NDCG | MRR |
|---|---|---|---|---|
| DeepCoNN | 495 | 0.770 | 0.889 | 0.918 |
| DeepCoNN + DeepSeek-V2 | 503 | 0.745 | 0.879 | 0.933 |
| D_ATTN | 493 | 0.775 | 0.889 | 0.925 |
| D_ATTN + DeepSeek-V2 | 506 | 0.752 | 0.881 | 0.915 |
| NARRE | 494 | 0.771 | 0.887 | 0.904 |
| NARRE + DeepSeek-V2 | 502 | 0.737 | 0.873 | 0.907 |
不同评论长度下 DeepSeek-V2 重排效果（表 3.6）：分析用户评论和音乐评论在不同截断长度下对 DeepSeek-V2 重排效果的影响。当用户评论限制为 400、音乐评论限制为 200 时，覆盖率和 NDCG 达到最优平衡（覆盖率 506，NDCG 0.881，MRR 0.915）。过长的评论（1600/800）反而导致性能下降。
| 用户评论限制长度 | 音乐评论限制长度 | 覆盖率 | 召回率 | NDCG | MRR |
|---|---|---|---|---|---|
| 100 | 50 | 499 | 0.750 | 0.870 | 0.917 |
| 400 | 200 | 506 | 0.752 | 0.881 | 0.915 |
| 1600 | 800 | 507 | 0.741 | 0.865 | 0.904 |
计算机视觉 · 手写签字识别
基于深度学习的手写签字真伪识别
针对 AI 伪造签名的检测问题，采用 DeiT、ViT、VGG16、ResNet、CNN 及 XGBoost 六种模型，在华为 AI、百度 AI、手机 AI 三种伪造签名与真实手写签名之间进行多组二分类实验。DeiT（Data-efficient Image Transformer）在全部六项任务中均达到 AUC = 1.0，展现出卓越的签名真伪判别能力。
方向：计算机视觉（CV） · 图像二分类
数据集：华为 AI / 百度 AI / 手机 AI 伪造签名 + 真实签名，共 960 训练 / 120 验证 / 120 测试
成果：DeiT 在 6 项分类任务中 AUC 均达 1.0，显著优于传统 CNN 和 XGBoost
数据集构成：实验使用四类签名样本——华为 AI 伪造签名、百度 AI 伪造签名、手机 AI 伪造签名和真实手写签名。每类各 300 张图片，按 240/30/30 划分为训练集/验证集/测试集。下图展示了数据集划分详情及签名样本示例（"花木兰"）。
| 类别 (Class) | 训练集 (Train) | 验证集 (Validation) | 测试集 (Test) |
|---|---|---|---|
| Huawei AI-forged signatures | 240 | 30 | 30 |
| Baidu AI-forged signatures | 240 | 30 | 30 |
| Shouji AI-forged signatures | 240 | 30 | 30 |
| Genuine signatures | 240 | 30 | 30 |
六项二分类任务：为了全面评估模型的鉴别能力，设计了六项二分类任务，分别对比不同来源的伪造签名与真实签名、以及不同 AI 平台伪造签名之间的差异。每项任务使用相同的六种模型进行对比实验。
| 任务编号 | 分类任务 | 正类 | 负类 |
|---|---|---|---|
| Task 1 | Huawei AI & Handwriting | 华为 AI 伪造签名 | 真实手写签名 |
| Task 2 | Baidu AI & Shouji | 百度 AI 伪造签名 | 手机 AI 伪造签名 |
| Task 3 | AI & Handwriting | AI 伪造签名（混合） | 真实手写签名 |
| Task 4 | Baidu AI & Huawei AI | 百度 AI 伪造签名 | 华为 AI 伪造签名 |
| Task 5 | Baidu AI & Handwriting | 百度 AI 伪造签名 | 真实手写签名 |
| Task 6 | Huawei AI & Handwriting | 华为 AI 伪造签名 | 真实手写签名 |
六项任务 ROC 曲线：下图展示了六种模型在六项二分类任务上的 ROC 曲线。DeiT（Data-efficient Image Transformer）在所有任务中均取得了 AUC = 1.0 的完美表现，ViT 和 VGG16 紧随其后，而传统 CNN 和 XGBoost 在复杂任务（如 Task 2）上表现相对较弱。
各模型 AUC 汇总：下表汇总了六种模型在六项分类任务中的 AUC 值。DeiT 在全部任务中达到 1.0000，表现最为稳定；ViT 和 VGG16 在大多数任务中 AUC 超过 0.98；ResNet 表现稳定但略逊于 Transformer 系列；传统 CNN 和 XGBoost 在区分不同 AI 伪造来源（Task 2）时面临较大挑战。
| 模型 | Task 1 | Task 2 | Task 3 | Task 4 | Task 5 | Task 6 |
|---|---|---|---|---|---|---|
| DeiT | 1.0000 | 1.0000 | 1.0000 | 1.0000 | 1.0000 | 1.0000 |
| ViT | 0.9870 | 0.9321 | 0.9888 | 0.9882 | 0.9900 | 0.9868 |
| VGG16 | 0.9886 | 0.9430 | 0.9931 | 0.9917 | 0.9933 | 0.9897 |
| ResNet | 0.9587 | 0.8640 | 0.9677 | 0.9620 | 0.9606 | 0.9646 |
| CNN | 0.8942 | 0.8075 | 0.8870 | 0.9043 | 0.8965 | 0.9109 |
| XGBoost | 0.8935 | 0.7840 | 0.9065 | 0.8908 | 0.9110 | 0.8877 |
