第 1 课：课程导论与 AI 能力边界
🎯 本节核心目标
看清这门课如何带你从「选题」走到「投稿与 Rebuttal」；亲手测出大语言模型在学术任务上的"能力三界"；并产出你的三件随身工具——个人学习路线表、AI 任务分类表、轨道选择结论。
📋 课前准备（5 分钟自检）
账号
- [ ] 豆包（必备，中文友好入口）：doubao.com
- [ ] 至少一个海外主力平台（任选其一）：
- GPT · chatgpt.com（登录后用默认的主力模型）
- Claude · claude.ai（当前主力 Opus / Sonnet 系列）
- Gemini · gemini.google.com（用当前主力 Pro 版）
- [ ] 已能打开本课程网站（你正在看的就是）
💡 模型版本每 3–6 个月就会迭代，本课不把方法绑死在某个版本号上。登录后用各平台当前默认的主力模型即可，操作步骤完全不变；需要查版本基线时见课程大纲第十六条。
工具/环境
- [ ] 一台可上网的电脑（Win / Mac / Linux 均可）
- [ ] 任意现代浏览器（Chrome / Edge / Safari 最新版）
- [ ] 一份记录提示词与产出的本地笔记（Markdown / Word / 飞书文档均可）
数据/素材
- [ ] 准备一个你工作或学习中真实卡住的小问题（一段待翻译的文字、一份要缩写的初稿等），本课用它来实操
应急通道
- 海外平台访问不畅 → 用国产替代：Kimi K2 / DeepSeek（V3 / R1）/ 通义千问
- 拿不准选哪条轨道 → 完成本课末尾的轨道自测
一、问题引入：为什么第一课先讲"边界"，而不是"技巧"
绝大多数论文里的 AI 事故，不是因为不会用，而是因为不知道它在哪儿靠谱、在哪儿绝不能信。最常见的两类翻车——后面你会亲手复现一次：
- 编造的"真文献"：AI 给你一段引言，配上格式完美的 APA 参考文献和 DOI 链接。作者、期刊都真实存在，但那篇论文根本不存在。盲审专家随手一搜，露馅。
- 正确却空洞的"AI 味"：一段读起来很"学术"、其实没有任何观点和证据的综述。内行一眼看出是机器快餐。
这门课的第一件事，就是让你建立对 AI 能力边界的肌肉记忆：把它当"高级加工车间"，而不是"事实采矿点"。把边界搞清楚，后面 54 课的技巧才用得安全。
二、课程导论：这门课会带你产出什么
2.1 一条主线：论文的全生命周期
选题 → 文献 → 研究设计 → 问卷/数据 → 统计分析 → 写作 → 排版 → 投稿 → 审稿应对(Rebuttal) → 归档
└─ 模块二 ─┘ └──── 模块三 ────┘ └─── 模块四 ───┘ └──────── 模块六 ────────┘
模块一打地基（AI 使用基本功）；模块五（技术进阶轨）补 Git/Python/LaTeX 等工具链这门课不止教你"把论文写完"，而是陪你走完到投稿、盲审、修回为止的完整链路。
2.2 学完你会带走的"实物"（不是听个热闹）
- 3 篇贴着投稿水平、经人工核验后可进入投稿流程的完整论文成稿（跟随三条案例主线产出）
- 1 套你自己的提示词模板库
- 1 套科研与写作工作流手册（SOP）
- 1 套批判性使用 AI 的检查清单
- 1 份 AI 使用合规声明模板 + 1 套 Rebuttal Letter 应对模板
- 1 套个人高效科研工具箱
2.3 三条案例主线（你将从中任选其一产出论文）
| 主线 | 学科 | 研究问题（示例） | 配套数据集 |
|---|---|---|---|
| A | 心理 / 教育 / 问卷 | AI 学习焦虑对学业自我效能的影响——学习策略的中介作用 | 模拟问卷 N=540 |
| B | 经济 / 管理 / 实证 | 数字经济发展对区域创新能力的影响 | 省级面板数据 |
| C | 计算机 / AI 实验 | 大模型自动摘要生成的质量评估（技术进阶轨） | 300 篇 × 3 模型评估 |
三套数据集都已配好数据字典、可复现生成脚本与 README，可在本站 数据集下载 一键获取。
2.4 怎么用这个网站
- 按左侧 sidebar 顺序学，每课 30–45 分钟，自成一个"学完即能做"的单元
- 每课开头有 📋 课前准备（账号/工具/数据/应急通道），别跳过——它保证你不卡在环境问题上
- 每课结尾有 📦 交付物，照着提交即可纳入作业评估
- 看到
::: code-group代码块里的提示词，可一键复制直接用 - 发现错字或有建议 → 用每页底部的"在 GitHub 上提建议"
2.5 工具版图：你会遇到的三类 AI，本课先用哪一类
后面的课程会用到的 AI 工具，按"它在哪里运行、能动什么"大致分三类——先有个全局，不必现在全懂：
- 对话模型（chat model）：在网页或 App 里一问一答的通用助手，如豆包、GPT、Claude、Gemini、DeepSeek。本模块（模块一）只用这一类，它也是全课的主力。
- OS 级 / 桌面助手：能在你的操作系统里跨应用代你操作（开文件、点按钮、跨软件搬运），如腾讯 Marvis 一类的桌面智能体。后续模块按需介绍。
- AI 编码代理（AI coding agent）：直接读写代码、跑命令、改文件的代理（如各类 IDE 内的编码代理），主要服务于技术进阶轨的 Git/Python/LaTeX 工具链，模块五详述。
三类的"能力三界"判断同样适用：工具越能"代你动手"，越要守住红区——让它动手不等于可以不验。本课聚焦第一类，把判断力打牢，后两类自然水到渠成。
2.6 贯穿全课的一条红线：批判性使用 + 学术诚信
全课红线
AI 是辅助工具，不是作者。 论文的每一句话、每一个结论，责任都在你。 我们教你规范地用 AI 辅助——引用要可查、数据要真实、使用要披露；绝不教代写、伪造数据或规避检测。这既是学术底线，也是你论文能过盲审、不被撤稿的前提。第 8 课会专门讲这条线怎么落地。
三、核心方法：AI 能力"三界碑"——一张你要用一整学期的分类表
3.1 先搞懂底层：它是"语言概率引擎"，不是"事实数据库"
大语言模型（GPT、Claude、Gemini、豆包、DeepSeek 等）的本质，是一个预测"下一个词"的概率引擎：它从海量文本里学会了"在这个语境下，接哪个词最像人会写的"。
这带来一个关键后果：它追求的是"读起来对"，不是"事实上对"。 当你逼它给出它并不"知道"的具体事实（某篇论文的 DOI、某量表的信度数值），它不会说"我不知道"，而会生成一个最像答案的东西——这就是"幻觉（hallucination）"的来源。
为什么会"似真造假"：三条确凿的机制
可以用三个关于大模型行为的、确凿而通俗的事实来理解它为什么"读起来对、事实上错"：
- 它按训练语料的概率续写下一个词。 模型生成时在做"接哪个词最像人类会写"的概率选择，通常并不区分"这是我记牢的事实"还是"这是个像样的填空"。因此一个格式完美的 DOI，对模型而言只是"长得最像 DOI 的字符串"，未必对应真实文献。
- 它没有接入一个可信的真值数据库。 训练把语料里的统计规律压进了参数，但并不等于存了一张可逐条核对的事实表。被问到训练时罕见或根本不存在的具体数值（页码、信度、年鉴数字），它倾向于补全出一个最合理的版本，而不是报错或留白。
- "流畅"与"正确"是两件事。 语言上的通顺由概率续写直接保证，事实上的正确却没有独立的校验环节。所以越是它不确定的地方，输出反而可能越自信、越规整——这正是危险所在。
一句话：幻觉不是模型"偷懒"或"撒谎"，而是"按概率把话说圆"这一机制在缺乏可信事实时的自然产物。理解到这一层，你就不会指望"换个更强的模型"或"把话说重一点"就能根除它。
为什么联网/RAG 能缓解、却不能消除
联网检索、RAG（检索增强生成，Retrieval-Augmented Generation）等做法，是在模型续写之前先去外部来源取回相关材料，再让它"看着材料作答"。这把任务从"凭记忆生成"挪向了"绿区式的文本加工"，因而能大幅缓解幻觉。但它不能消除，原因有三：检索可能没召回到真正相关的来源；召回的来源本身可能不可靠；即便来源正确，模型在概括、拼接时仍可能张冠李戴。所以无论开不开联网，核心动作只有一个字：验。
📖 本节关键术语
- 大语言模型（LLM，Large Language Model）：基于海量文本训练、按概率预测下一个词的生成式模型，如 GPT / Claude / Gemini / 豆包 / DeepSeek。
- 幻觉（hallucination）：模型生成看似合理、实则与事实不符的内容（伪造的 DOI、并不存在的论文、编造的统计量）。
- 检索增强生成（RAG，Retrieval-Augmented Generation）：先从外部来源检索材料、再据材料生成答案的做法；缓解幻觉但不能根除。
- 上下文窗口（context window）：模型一次能"读进去并参考"的文本总量（含你的提示、上传材料与本轮对话历史）。承载本轮对话的就是它；窗口之外的内容模型并不"记得"，开新对话即清空。
- 能力三界：本课的核心分类法，按"能不能信"把 AI 任务分为绿区（文本加工）/ 黄区（长逻辑·解读）/ 红区（凭空事实·精密数值）。
3.2 能力三界碑（核心分类表）
把所有 AI 任务，按"能不能信"分进三个区。这张表是本课第一件交付物的底版，请收好。
| 能力区 | 典型学术任务 | 可信度 | 你必须做的验证动作 |
|---|---|---|---|
| 🟢 绿区 文本加工 （你已提供底料） | 把你写的中文方法段译成英文；把啰嗦初稿缩写成 150 词摘要；把杂乱访谈整理成结构化要点；校对语法/格式；把你给的 5 篇文献要点按主题归类成表 | 高 | 核对术语是否准确、有没有漏掉或擅自添加信息 |
| 🟡 黄区 长逻辑 / 解读 （启发，不可照抄） | 读你上传的 PDF 提炼 Research Gap；对比两篇文献的理论分歧；解读你跑出的回归结果；据你的数据提"可能的讨论方向" | 中 | 回原文/原数据按图索骥核对；统计解读自己复算（第 30 课专讲） |
| 🔴 红区 凭空事实 / 精密数值 （禁止直接采信） | 让它"查"文献并给 DOI/页码；报某量表的 Cronbach's α / 信效度；给统计年鉴/政策的具体数字；"计算"你没给原始数据的统计量 | 极低 | 一律不直接用：DOI 到 doi.org 验证、数字回官方源、统计量用你自己的数据算 |
💡 一句话记牢：AI 是材料的"加工车间"，不是事实的"采矿点"。绿区放手用，黄区核对用，红区先验证再说。
四、工具演示 + 学员跟做：亲手测出"红区"造假
理论说一百遍，不如自己被骗一次。下面两个任务，请真的去做，把过程记进你的笔记。
跟做任务一：复现一次"隐性学术幻觉"
打开任意平台（推荐豆包 / 通义千问 / DeepSeek 的常规模式，先不要开联网搜索），新建对话，原样发送：
我在写一篇学位论文，核心立论是："长期使用生成式 AI 会加剧中年知识工作者的存在主义焦虑"。
请写一段 400 字的引言来支撑它，并满足：
1. 引用 3 篇 2022–2024 年发表的真实英文 SSCI 期刊文献；
2. 段末给出这 3 篇文献的标准 APA 参考文献；
3. 每篇附真实可查的 DOI 链接。▶ 它很可能给你一段格式完美的答案。现在做"验证三连"：
- 验 DOI：把它给的每个
https://doi.org/10.xxxx/...链接逐个打开。解析不到、或跳到一篇标题完全不同的论文 → 这条是编的。 - 验标题：把论文标题原样粘到 Google Scholar 或知网搜。搜不到这个标题 → 编的。
- 验组合：作者、期刊、年份可能各自真实，但被错误地拼在了一起——这是最隐蔽的一种。
你会观察到的真相
作者（如某领域常发文的学者）和期刊（如 Computers in Human Behavior）往往真实存在，但标题和 DOI 是拼出来的——DOI 到 doi.org 会显示 "DOI Not Found"。 这就是最坑人的"似真造假（plausible fabrication）"：格式越完美，越危险。直接粘进论文，盲审一搜就露馅。
⚠️ 进阶观察：如果你开了联网搜索再问一遍，模型可能会给出真实文献——但仍需逐条点开验证。"看起来对"永远不等于"真的对"。
跟做任务二：识别"AI 学术塑料味"
新建一个干净窗口，发送：
请写一段 500 字的文献综述，主题："社交媒体依赖与中学生抑郁倾向的影响机制"，
要求结构严密、符合期刊基调。它会在几秒内交卷。请用审稿人的眼光读，对照下面这张"AI 味"识别清单打钩：
- [ ] 套话连接词："近年来""引起学界广泛关注""在日益复杂的环境下""综上所述，未来研究应进一步……"
- [ ] 没有真矛盾：通篇在用不同长句重复"影响很大"这个常识，没有呈现学派分歧（如 A 派认为正相关、B 派指出某条件下负相关）
- [ ] 虚假精确：给出看似具体、实则无出处的"研究表明 73% 的……"
- [ ] 缺具体证据：没有任何一个可追溯的研究、数据或情境
勾中 2 项以上，就是典型"AI 味"。 根因：你没给骨架和限定，它只能输出"标准作文的平均值"。
五、批判性复核：本节高风险点
做完任何一次 AI 任务，养成"复核三问"：
- 事实可查吗？（红区内容一律按"验证三连"核对）
- 逻辑自洽吗？（黄区结论回原文/原数据核对）
- 引用真实吗？（每条引用都要能在数据库找到原文）
"三界碑"的边界与局限：诚实地知道它何时失效
这套方法是个实用的风险分类器，不是物理定律。用它时要清楚它的边界：
- 三区没有硬边界。 同一个任务可能随你给的材料而移区：让 AI 凭空"查"某量表信度是红区；若你先上传了量表手册再让它从中找出信度值，就降成了绿/黄区。判断的不是任务名称，而是"事实由谁提供"。
- 绿区也会出错，只是错得"安全"。 翻译会误译术语、缩写会悄悄漏掉一个限定条件、归类可能合并了你本想区分的两类。绿区可信度高指的是错误可控、易核对，不等于免检。
- 模型会迭代，差异会变。 模型版本每 3–6 个月更新，"哪些任务算红区"会随之漂移——今天编 DOI 的模型，明天可能联网后给出真引文（但仍需逐条验）。不同模型也有差异：同一道题，豆包、GPT、Claude 可能一个老实拒答、一个照编不误。所以本课交付的是判断框架，不是某个模型的固定结论。
- 准确性红线（扣全课红线）：凡进入论文的事实、数字、引用，最终责任永远在你，不在模型，也不在"它说联网查过了"。RAG / 联网只是把核对变容易，没有替你免除核对。
- 伦理红线：用 AI 加工你自己的材料与思路是辅助；让 AI 凭空生成"证据"（伪造文献、编造数据、虚构统计量）是学术不端。本课只教前者；第 8 课专讲如何合规披露 AI 使用。
承上启下
你现在有了"边界意识"。第 3 课会把它升级成一套可复用的系统提示词框架（S-P-O / BROF），把"知道该验"变成"每次开局自动就位"。本课末尾先给你一份精简版对齐指令收藏。
六、成果沉淀：本课三件交付物
交付物 1：个人学习路线表
复制下表到你的笔记，填好——它决定你后面怎么学、产出什么。
| 项目 | 你的填写 |
|---|---|
| 我的研究方向 / 学科 | |
| 目标期刊层次（中文核心 / CSSCI / SSCI / 会议） | |
| 我选的轨道（通识 / 技术进阶，做完第七节自测后填） | |
| 每周可投入学习时间 | |
| 我打算跟哪条案例主线产出论文（A / B / C / 我自己的课题） | |
| 学完最想拿到的 1 个具体成果 | |
| 我当前最大的卡点（选题 / 文献 / 数据 / 写作 / 投稿） |
交付物 2：AI 任务分类表
从第三节的"三界碑"出发，列出你自己 10 个高频任务，逐个分到绿/黄/红区，并写明验证动作。例如：
| 我的高频任务 | 能力区 | 验证动作 |
|---|---|---|
| 把中文摘要译成英文 | 🟢 | 核对专业术语 |
| 让 AI 提炼我上传文献的 Gap | 🟡 | 回原文核对 |
| 让 AI 给某主题的参考文献 | 🔴 | doi.org 逐条验证（基本不用） |
| …（补满到 10 条） |
交付物 3：轨道自测表（结论回填交付物 1）
完成第七节的 5 题自测，把判定出的轨道结论填回交付物 1。
📦 本课交付物（提交 AI 初审，按 Module_Rubrics.md 评分）
- [ ] 个人学习路线表（已填）
- [ ] AI 任务分类表（≥10 条，含验证动作）
- [ ] AI 协作日志：任务一的"指令 → AI 输出 → 你的验证结论"完整记录
- [ ] 一条你亲手测出的幻觉记录（哪个 DOI 是假的、怎么验出来的）
- [ ] 轨道自测表结论
⏱️ 时间建议：跟做任务一在课中完成；跟做任务二与三张表可作课后作业，避免单节超时。
七、轨道自测：你该走通识轨还是技术进阶轨？
本课程为双轨制：
- 通识轨（47 课）：聚焦"搞定论点撰写与跑出结果"，用 Jamovi / JASP 等免代码工具 + Word 排版
- 技术进阶轨（55 课）：在通识轨基础上，额外掌握 Git / Python / Jupyter / LaTeX / AI 编码代理等完整工具链
核心提醒：两轨的方法论与论文产出目标完全一致，差异只在工具深度。进阶不代表水平高，通识不等于水平低。选工具只有一个标准——在限定时间内，什么工具能最平滑、最少报错地帮你拿到录用通知。
5 题自测（请如实勾选）
| # | 问题 | 是 | 否 |
|---|---|---|---|
| 1 | 你是否打开并用过电脑的命令行（Windows 的 PowerShell/CMD 或 Mac 的 Terminal）？ | ☐ | ☐ |
| 2 | 你是否亲自安装过 Python 等编程环境？ | ☐ | ☐ |
| 3 | 你是否写过 10 行以上能跑通的任何语言代码？ | ☐ | ☐ |
| 4 | 你的研究方向是否涉及大数据运算、自定义爬虫、算法训练等常规可视化统计软件覆盖不了的领域？ | ☐ | ☐ |
| 5 | 你是否愿意为本课额外多投入 20–30% 精力去磕代码报错、查环境配置？ | ☐ | ☐ |
判定规则
| "是"的数量 | 推荐轨道 | 学习内容 |
|---|---|---|
| ≥ 3 | 🎯 技术进阶轨（55 课） | 系统学 Git、Python、Jupyter、LaTeX 与 AI 编码代理 |
| ≤ 2 | 🎯 通识轨（47 课） | 聚焦 Jamovi、Word、问卷工具完成全部分析与论文（跳过模块五） |
📋 课后任务
- 把自测结果与最终选择记进交付物 1（个人学习路线表）
- 第 18 课"数据分析工具选型"会直接对应你此处的选择安装工具
- 中途可调：如发现选错，在第三模块前都能切换（建议尽早决定，避免重学）
完整自测表与说明也可在
Course_Materials/Templates_and_Checklists/Track_Self_Assessment.md查阅。
🏁 课后自检清单
下线前，对照复盘：
- [ ] 我理解 AI 是"语言概率引擎"，会"似真造假"，绝不再让它凭空给带出处的 DOI 文献当事实用
- [ ] 我能凭"套话连接词 + 没有真矛盾"嗅出文章里的"AI 学术味"
- [ ] 我已用"验证三连"（验 DOI / 验标题 / 验组合）亲手抓出至少一条幻觉
- [ ] 我已填好个人学习路线表，并选定了学习轨道
- [ ] 我已收藏下面这段防幻觉对齐指令，作为今后每次开新对话的"开局首发"（第 3 课会展开成完整框架）
【学术合规预设协议】
在本次对话中，请严格遵守以下四条，同意请只回复"协议已锁定，等待材料"：
1. 事实与引用，由我提供原文或数据来支撑；
2. 当我的问题超出我提供的材料范围时，立即停止推断，并回复"⚠️ 超出已提供材料范围，不臆测"；
3. 若我提供的材料逻辑有漏洞，请直接以学术批判视角指出，不要顺着错误往下推；
4. 输出去除"然而、在这个复杂的时代、带来了深远影响、综上所述"等冗余抒情连接词，保持凝练、客观、可核查。📘 本章小结
把本章凝练成可据以复习的几条，供你日后快速回看：
- 先界后术。 学 AI 用法之前先学边界——多数论文 AI 事故源于"不知道它在哪儿不能信"，而非"不会用"。
- 它是语言概率引擎，不是事实数据库。 模型按训练语料的概率续写下一个词，没有接入可信真值库，因此追求"读起来对"而非"事实上对"；幻觉（hallucination）是这一机制在缺乏可信事实时的自然产物，而非"撒谎"。
- 联网/RAG 缓解但不消除幻觉。 检索可能没召回、来源可能不可靠、拼接可能出错——所以无论开不开联网，核心动作只有一个字：验。
- 能力三界是本章的随身判据。 🟢 绿区（你已给底料的文本加工，可信度高、仍需核对术语）/ 🟡 黄区（长逻辑与解读，仅作启发、回原文原数据核对）/ 🔴 红区（凭空事实与精密数值，一律先验证）。判断的关键是"事实由谁提供"，任务会随材料移区。
- 三类工具，本模块只用对话模型。 OS 级助手与 AI 编码代理后续模块再讲；工具越能代你动手，越要守红区。
- 边界会漂移，框架不变。 模型每 3–6 个月迭代、不同模型表现有别，本课交付的是判断框架与验证习惯，不绑定某个版本或某个结论。
- 责任永远在你。 进入论文的每个事实、数字、引用都要可查；AI 加工你的材料是辅助，AI 凭空造"证据"是不端。
（上面的课后自检清单用于"我做到了没"，本小结用于"我记住了没"——两者配合复盘。）
🧠 思考与练习
下面 4 题用来检验你能否应用本节概念（区别于三件交付物的"产出"）。建议写进笔记，自评对照"好答案要点"。
练习 1（移区判断） 下列任务各属绿/黄/红区？若可通过"补充材料"把它从红区降到绿/黄区，请说明补什么。
- (a) 让 AI 把你写好的中文研究假设译成英文；
- (b) 让 AI 报告 Case A 心理问卷中
Anxiety_1..12这套量表的 Cronbach's α； - (c) 让 AI 解读你已跑出的 Case B 面板回归里
DigEcon_Index对Innovation_Index的系数含义。
好答案要点：(a) 绿区（你已给底料，核对术语即可）；(b) 红区——量表信度是"精密数值"，AI 凭空给的不可信；补上原始数据，用你自己的统计软件算出 α 后即变为你提供事实、可信；(c) 黄区——解读可作启发，但须回你的回归输出核对系数符号、显著性，不可照抄它的措辞。
练习 2（机制解释） 用本节的"三条机制"向一位没上过这门课的同学解释：为什么 AI 会给出一个格式完美却不存在的 DOI？请避免使用任何你说不清的"内部机制"词。
好答案要点：能说出"按概率续写下一个词→DOI 只是长得最像 DOI 的字符串""没有可信真值库可核对""流畅≠正确"三点中的至少两点；用"通常/往往/倾向于"等措辞而非绝对断言；不杜撰诸如"算力""锚定"之类的伪术语。
练习 3（联网的边界） 有同学说："我开了联网搜索，AI 给的文献就一定是真的了。" 用本节内容指出这句话错在哪、应当怎么做。
好答案要点：指出 RAG/联网只是"先查再答"，仍可能没召回、来源不可靠、拼接出错；正确做法是把联网当成降低核对成本而非免除核对——文献仍要逐条用"验证三连"（验 DOI / 验标题 / 验组合）确认。
练习 4（用 Case C 设计一次验证） Case C 的 LLM 评估数据含 Quality_GPT5、Quality_Claude47、Quality_Gemini25 三列（300×3，1–5 分，3 名标注者）。假设你让 AI 直接"估计"这三个模型评分的均值与标注者一致性，它给了你一组很整齐的数字。请说明：这属于哪个区？你应如何获得可信结果？
好答案要点：红区——AI 在你没给原始数据时"算"出的统计量是凭空生成的精密数值，不可信；正确做法是用真实的 300×3 数据自己计算均值，并用合适的一致性指标（如评分者间信度）核验，AI 至多用于解释结果或检查你的代码（仍属黄区，需回数据核对）。
🎓 本课小结：你已经看清这门课的全貌，建立了 AI 能力的"三界碑"判断力，理解了它"似真造假"的底层机制，并产出了三件随身工具。下一课起，我们正式开练——从最友好的入口"豆包"开始。