第 10 课：什么是研究问题(漏斗聚焦法)
🎯 核心实操目标
学习目标：把一个宽泛的研究兴趣，转化为一个可在硕士/博士周期内用数据检验的研究问题。具体而言，本节课训练你借助大语言模型的发散与归纳能力，对“人工智能与教育”“新媒体对社会的影响”这类主题级表述执行逐层收窄，最终落到一对（或一组）可观测变量之间的关系——即明确自变量 X、因变量 Y，并在需要时引入中介 M 或调节 W。这正是开题阶段从“有想法”过渡到“有课题”的关键一步。
📋 课前准备（5 分钟自检）
账号
- [ ] Claude 4.8 Opus 或 GPT-5（学术语言主控引擎）
- [ ] Kimi K2（长 PDF 批量喂入）
- [ ] Zotero：本课暂不需要（第 12 课会首次配置文献管理）
工具/环境
- [ ] 知网 / Web of Science 高级检索访问通道（校园网或代理）
- [ ] Google Scholar / Semantic Scholar（免费替代）
- [ ] Word / Markdown 编辑器（用于记录产出）
数据/素材
- [ ] 你感兴趣的 1-2 个研究方向 / 话题（本课是模块二起点，无需前置课内素材）
- [ ] 与你研究方向相关的 5-10 篇近年文献 PDF（如已下载）
应急通道
- WOS 不可用 → 用 CNKI 或 Semantic Scholar 替代
- 文献不够 → 先用 Google Scholar 搜补足
- AI 提示词没思路 → 参考课程模板包
Course_QA_Checklists.md
场景导入：“有个想法”不等于“有个能做的课题”
在开题论证环节，常见的一类情况是：学生带着《生成式 AI 对劳动力市场的影响》这样体量的题目来与导师讨论，得到的反馈往往是“范围过大、难以在学位周期内完成，建议收窄”。
问题不在于热点本身，而在于表述停留在主题层面：它指出了一个值得关注的现象，却没有界定要在谁身上、用什么变量、检验哪一条关系。学术研究要求把宽泛现象可操作化为可测量、可检验的具体关系。本节课的方法，就是借助大模型把“现象”逐层分解为“边界明确的人群/场景”，再凝练为“X 与 Y 之间的一条可验证关系”。
原理：为什么“可操作化、收窄到变量关系”是研究问题的核心
在套用任何流程之前，先理解一个判断标准：一个好的研究问题，必须可操作化（operationalization），并最终落到变量与变量之间的关系上。 这不是形式上的讲究，而是由研究的内在要求决定的。
可以从三个角度理解“为什么必须收窄”：
- 可测量性决定了能否回答。 “AI 焦虑会影响学习”这句话里，“AI 焦虑”“学习”都是构念（construct）——抽象、无法直接观测。只有把构念可操作化为具体指标（如用
Anxiety_1..12量表测“AI 焦虑”、用Efficacy_1..7测“学习自我效能”），问题才从“无法验证的断言”变成“可用数据回答的问题”。研究问题若停在构念层，等于没有给出检验的入口。 - 变量关系决定了能否设计与分析。 统计方法处理的对象是变量之间的关系：相关、回归、中介、调节、组间差异。一旦把问题写成“X 经 M 影响 Y”，研究设计（测什么、控制什么）与分析方法（用哪种模型）几乎是自然确定的；反之，主题级表述无法对应任何一种具体分析。
- 边界决定了可行性。 收窄人群与场景（“下沉县城的独居老年人”而非“所有人”）不是降低野心，而是把无法穷尽的总体替换为可抽样、可观测的对象。边界越清晰，效度威胁越少，结论越站得住。
📐 大模型在这一步“帮得上”与“替不了”的边界
大模型为什么适合做收窄这一步，可理解为：它在海量学术文本上训练，倾向于把一个宽泛概念联想到与之高频共现的细分维度、人群、变量与理论标签，因此能在几十秒内给出你独自枯坐难以穷举的发散结果。这是它的发散与归纳优势。
但要同时记住它的边界：模型给出的变量关系是基于语料的合理联想，不是经过验证的事实。哪条路径在你的领域真正成立、HumanCap_per10k 究竟是中介还是调节、某个机制是否有文献支撑——这些判断权在研究者，模型只负责把候选摆到台面上，替你拍板属于越权（详见本课【边界与局限】）。
📘 关键术语（首次出现，先对齐定义）
- 研究问题（research question）：一个聚焦、可经验检验的疑问句，明确指出要在何种人群/场景下，考察哪些变量之间的何种关系。它区别于研究主题（topic）（如“短视频与老年人”，只圈定领域）与研究假设（hypothesis）（对关系方向的具体陈述，如“X 正向预测 Y”）。
- 可操作化（operationalization）：把抽象构念转化为可测量、可观测的具体指标或操作的过程。例如把“AI 焦虑”操作化为一份 12 题的李克特量表得分。
- 构念（construct）：理论中抽象、不可直接观测的概念（如焦虑、自我效能、创新能力），需经可操作化才能进入数据。
- 变量（variable）：可操作化后取值会变化的可测量属性。按角色分为——自变量 X（independent variable）：被认为是原因或前因；因变量 Y（dependent variable）：被观察的结果；中介变量 M（mediator）：X 通过它再影响 Y，刻画“为什么/如何”；调节变量 W（moderator）：改变 X→Y 关系的强弱或方向，刻画“何时/对谁更强”。
漏斗聚焦法：从主题逐层收窄到变量关系
研究问题不是凭空想出来的，而是通过一个漏斗（funnel）逐层筛选、收敛出来的。漏斗的每一层都在剔除当前无法掌控或无法测量的成分，把范围向“可检验的变量关系”逼近：
Worked Example 一：用漏斗法把“短视频影响”收敛为变量关系
📋 示例场景：你计划以“短视频应用对人类的影响”作为社科或管理学硕士论文方向。此刻你手里只有这一句主题级表述，缺少人群、场景与变量，无法直接进入研究设计。下面演示如何用一段提示词，让大模型把它沿漏斗逐层收窄。
步骤一：用提示词施加漏斗框架
打开一个能力较强的通用大模型（推荐 Claude 4.8 或 GPT-5，二者在概念分解与抽象具象化上表现较好）。把下面这段提示词复制发送——它的内核是把上文“原理”里的三层收窄，翻译成模型可执行的指令：
【Role 角色】
你是一位长期指导硕博开题、对“宽泛主题与宏大叙事”要求严格的社会学/商科导师，
习惯把模糊选题逼到可操作化、可检验的程度。
【Background 背景】
我正处于毕业论文选题初期，目前只有一个主题级表述：
“我想研究短视频应用对人类的影响”。它范围过大，尚未界定人群、场景与变量。
【Objective 目标】
请帮我把这个主题沿“漏斗”逐层收窄：
1. 【界定边界】：拆分为 3 个互不重叠的细分人群/场景（例如：县城独居老年人的媒介使用、
中等收入群体的消费行为），每个都给出清晰边界。
2. 【凝练为变量关系】：在每个细分场景下，各给出 2 个可操作化、可用问卷法检验的
“变量关系陈述句”。
【变量标注要求】：每句必须标明自变量 X、因变量 Y；若存在可观测的中介变量记为 M，
若存在改变 X→Y 强弱的调节变量记为 W。变量应尽量对应可测量的指标。
【Format 格式】
分层列出 3 个场景及其下的变量关系陈述句，语言保持核心期刊文献综述的严谨度。步骤二：阅读并审视模型的收窄结果
模型通常会在几十秒内，把宽泛主题分解为带边界的细分场景，并给出已标注 X/Y/M/W 的变量关系陈述句。下面是一段典型输出（节选）：
💡 【输出样例预览】
(模型输出节选)
细分场景 1：县城独居老年人的短视频使用与心理状态
- 关系陈述 A：短视频“推荐算法”的推送强度（自变量 X），是否通过降低家庭代际沟通频次（中介变量 M），进而正向预测县城独居老年群体的孤独感（因变量 Y）？
- 关系陈述 B：老年人对短视频养生类伪科普内容的接触程度（X），是否显著降低其对正规医疗系统的信任度（Y）？家族微信群的群体认同是否起到强化作用（调节变量 W）？
细分场景 2：中等收入群体的直播带货与消费行为
- 关系陈述 A：带货主播的“陪伴式话术”强度（X），是否通过提升即时情感唤起（中介变量 M），进而增加冲动性消费支出（因变量 Y）？
可以看到，输出已经具备进入研究设计的雏形：每条陈述都点明了变量角色与方向，研究者据此即可判断该测哪些指标、用哪种分析模型。但请注意：这些关系目前只是“合理的候选”，哪一条真正成立、是否有文献与理论支撑，仍需你在后续文献检索（第 12 课）与设计阶段逐一核验，不能因为表述专业就直接采信。
逐要素对照：研究问题“写砸 vs 写好”
漏斗收窄的成败，集中体现在最终那句研究问题的措辞上。下面把构成研究问题的关键要素逐一拆开，并排对照“仍停在主题层的写法”与“已可操作化的写法”，帮助你判断自己的问题收窄到了哪一步。
| 要素 | 写砸 ❌ | 写好 ✅ | 为什么 |
|---|---|---|---|
| 范围 / 边界 | 研究 AI 对学习的影响 | 考察大学生在备考场景下，AI 使用焦虑与学习自我效能的关系 | 左侧未界定人群与场景，无法抽样；右侧框定了对象与情境，效度威胁更可控 |
| 变量可测量性 | 研究“AI 焦虑”是否影响“学习” | 用 12 题量表测 AI 焦虑、用 7 题量表测自我效能，考察前者对后者的预测 | “焦虑”“学习”是构念，不可直接观测；右侧已可操作化为可计分的指标 |
| 关系方向 | AI 焦虑和学习有关系 | AI 焦虑（X）负向预测学习自我效能（Y） | “有关系”不可检验也不可证伪；指明 X、Y 与方向，才对应具体分析 |
| 机制 / 中介 | AI 焦虑会让人学不好 | AI 焦虑（X）通过削弱学习策略使用（M）间接降低自我效能（Y） | 引入中介把“为什么”显式化，研究从“是否相关”升级为“如何起作用” |
| 句式 | 关于 AI 与学习的研究 | 一个可经验检验的疑问句，含 X、Y（及 M/W） | 名词短语不是研究问题；研究问题应是一个能用数据回答的“问句” |
💡 一句话判据
检验一句研究问题是否“写好”，只需问三件事：变量能不能测？关系有没有方向？范围能不能抽样？ 三者齐备，才算从“主题”落到了“研究问题”。
Worked Example 二：用 Case A 把“AI 焦虑影响学习”收敛为中介模型
第一个例子从一句口语化主题出发。第二个例子换一种更常见的起点：你已经有了一份数据集，但还没想清要问什么。 这恰是许多同学的真实处境，也是漏斗法的另一种用法——反向地从手头变量出发，收敛出一个站得住的研究问题。
这里采用 Case A 心理问卷数据集：N=500，列含 Anxiety_1..12（AI 焦虑，12 题）、Strategy_1..8（学习策略，8 题）、Efficacy_1..7（学习自我效能，7 题）、反向计分题 Anxiety_4_R、以及 Age。初始的宽泛兴趣是一句典型的主题级表述：“AI 焦虑会影响学习”。
按漏斗三层走一遍：
- 第一层（主题）：“AI 焦虑影响学习”——“学习”指什么、怎么影响，都未界定。
- 第二层（对应到已测构念）：手头数据把“AI 焦虑”操作化为
Anxiety_1..12，“学习”可对应Efficacy_1..7（自我效能）。范围随之收窄为“AI 焦虑与学习自我效能的关系”。 - 第三层（凝练为变量关系，并解释机制）：数据里还有
Strategy_1..8（学习策略），它在理论上位于焦虑与效能之间——焦虑可能先削弱策略使用，再由策略影响效能。于是问题收敛为一个中介模型。
下面这段提示词演示如何让模型协助完成第二、三层，并显式利用变量名与反向题信息：
【Role 角色】
你是一位心理测量学与教育心理学方向的导师，对量表的信效度、反向计分、
中介模型的成立条件有审稿人级别的敏感度，遇到不严谨的因果表述会直接指出。
【Background 背景】
我有一份心理问卷数据（N=500），变量为：
AI 焦虑 Anxiety_1..12（含反向计分题 Anxiety_4_R）、学习策略 Strategy_1..8、
学习自我效能 Efficacy_1..7、年龄 Age。
我的初始兴趣只是一句宽泛表述“AI 焦虑会影响学习”，尚未形成研究问题。
【Objective 目标】
请帮我把它收敛为 1 个可操作化、可用现有变量检验的研究问题，并满足：
1. 用一句规范的研究问题陈述，标明自变量 X、因变量 Y，以及中介变量 M（如适用）；
2. 说明每个构念对应哪些题项（如 X=Anxiety_1..12），并提醒 Anxiety_4_R 需反向重编码后再计分；
3. 给出该中介关系成立所需的前提假设（理论支撑 + 可检验条件）。
【红线】不得使用“证明了因果”“必然导致”等措辞；问卷横断数据只能支持有条件的中介推断，请如实说明其局限。
【Format 格式】
先给出一句研究问题陈述，再用 Markdown 三线表列出：构念 | 对应题项 | 在模型中的角色（X/M/Y）| 须注意的前提。💡 【输出样例预览】
研究问题（节选）：在大学生群体中，AI 使用焦虑（X）是否通过降低学习策略的使用（M），进而负向预测学习自我效能（Y）？
| 构念 | 对应题项 | 角色 | 须注意的前提 |
|---|---|---|---|
| AI 使用焦虑 | Anxiety_1..12（Anxiety_4_R 须先反向重编码） | 自变量 X | 先做信度检验；反向题未重编码会拉低 α 并扭曲方向 |
| 学习策略使用 | Strategy_1..8 | 中介 M | 中介路径需理论支撑；横断数据下中介只能作有条件解释 |
| 学习自我效能 | Efficacy_1..7 | 因变量 Y | 与 X 同期测量，存在反向因果可能，结论须留有余地 |
🔁 两个例子的共同点
对比两个 worked example：起点不同（一个从口语主题、一个从已有数据），但走的是同一个漏斗——界定边界 → 把构念对应到可测量指标 → 凝练为带方向的变量关系。漏斗法既能“自上而下”收窄宽泛兴趣，也能“自下而上”从手头变量倒推出研究问题。把“角色”换成你学科的评判者、把“背景”换成你的真实数据结构，理工、经管、教育、医学都能照搬。
系统梳理：研究问题的类型，与“漏斗终点”落在哪里
“收窄到变量关系”并不意味着所有研究问题都长一个样。按其追问的内容，常见研究问题大致可分为几类；漏斗的终点落在哪一类，取决于你的目的与数据。
| 类型 | 追问什么 | 典型句式 | 适合的数据/方法 |
|---|---|---|---|
| 描述性（descriptive） | 现象的分布、水平、构成是什么 | “某群体的 X 处于什么水平、如何分布？” | 横断调查、描述统计 |
| 相关 / 关系性（relational） | 变量之间是否相关、关系强弱 | “X 与 Y 是否相关？方向如何？” | 相关、回归 |
| 解释 / 因果性（explanatory/causal） | X 是否（如何、何时）影响 Y | “X 是否经 M 影响 Y / W 是否调节 X→Y？” | 实验、面板、含中介/调节的模型 |
| 比较性（comparative） | 不同群体/条件下是否有差异 | “A 组与 B 组在 Y 上是否不同？” | 组间比较、方差分析 |
📘 怎么选：把目的对应到类型
- 只想摸清现状（如“大学生 AI 焦虑普遍到什么程度”）→ 描述性，漏斗终点是一个被界定清楚的指标。
- 想知道两件事是否相伴变化→ 相关性，终点是“X—Y 是否相关”。
- 想解释为什么/如何/对谁更强→ 因果或解释性，终点须含 M（机制）或 W（边界条件），如本课两个 worked example。
- 想知道谁更高/差异何在→ 比较性，终点是“组别 × Y 的差异”。
本课重点训练的是后两类——因为它们最需要“可操作化 + 变量关系”的功夫，也最容易在开题时写得过宽。但同一个主题往往可同时派生多类问题，收窄到哪一类没有高下之分，只有与你的数据和目的是否匹配之分。
常见误区与纠正
漏斗收窄阶段，学员的问题高度集中在“收得不到位”或“收歪了”。下表是最高频的几种，照着对号入座即可：
| 常见误区 | 症状 | 纠正方法 |
|---|---|---|
| 只换了说法，没真收窄 | 把“AI 与教育”改成“AI 与教学”，范围照旧 | 检查是否落到了具体人群/场景 + 可测量变量，而非换近义词 |
| 变量仍是构念，无法测量 | 研究问题里写“幸福感”“能力”，却没说怎么测 | 为每个构念指定操作化指标（量表/题项/客观数据） |
| 关系没有方向 | 停在“X 与 Y 有关系”，不分自变量因变量 | 明确谁是 X、谁是 Y，写出预期方向（正向/负向预测） |
| 一次塞进太多变量 | 一个问题里挂了四五个 X、两个 M | 主回归只留一条核心关系；其余降级为稳健性或后续研究 |
| 把相关说成因果 | 用横断/观测数据却下“导致/证明”的结论 | 按数据能支持的强度措辞；因果声明需对应实验或可信识别策略 |
| 让模型替你拍板 | 直接采信模型给的“X 是中介”而不查文献 | 模型只提供候选，中介/调节的设定由研究者凭理论判断并核验 |
输出仍不满意？如何迭代
模型第一次给出的收窄结果，未必正好可用——这很正常，研究问题是逐步逼近出来的，不必推倒重来。按下面顺序做小步纠偏：
- 先判断“收过头”还是“没收到位”。问题仍然宽泛、像主题 → 在原对话里追加一句“请进一步界定人群与场景，并把每个构念落到可测量指标”；问题过窄、已无研究价值（如只剩两道题项相关）→ 让模型“适当上抬一层，给出有理论意义的中介或调节版本”。
- 针对单一要素纠偏，而非重发整段。哪个要素不达标就只改哪个：缺方向就补“请标明 X、Y 与预期方向”，变量不可测就补“请为每个构念指定操作化指标”。这与“题目优化”阶段（第 11 课）的迭代思路一致。
- 用你的领域知识做最后裁定。模型给的关系再漂亮，是否成立仍要回到文献与理论（第 12 课文献检索）。把模型当“发散与排版的助手”，把“这条关系值不值得做”的判断权留在自己手里。
- 沉淀可复用的那一版。一旦调出满意的研究问题，连同它的提示词一并存入个人工具箱，下次换数据集时只改背景与变量名即可。
一句话
首版不理想不是漏斗失灵，而是“收窄的颗粒度”还没对上。判断收过头还是没到位 → 针对单一要素纠偏 → 用领域知识裁定 → 回填模板。
边界与局限：漏斗法与大模型在这一步的能与不能
漏斗法是一套把宽泛兴趣收窄为可检验关系的思维工具，大模型在其中承担发散与归纳。但要清楚它们各自的边界，避免把“收窄得漂亮”误当成“研究就成立”。
| 边界 / 失效场景 | 为什么会这样 | 你应该怎么做 |
|---|---|---|
| 模型给的变量关系 ≠ 已验证的事实 | 模型基于语料联想出“看起来合理”的路径，并未核对文献；它可能自信地给出并不存在的机制或关系，即幻觉（hallucination）。 | 每条候选关系都回到文献与理论核验（第 12 课），不因措辞专业就采信。 |
| 收窄解决“可研究”，不解决“值得研究” | 漏斗能把问题变得可操作，但创新性、理论贡献、是否已被做过，它判断不了。 | 用文献综述确认“尚未被充分回答”，避免做成重复劳动。 |
| 数据能支持的关系类型有上限 | 横断问卷数据通常只支持相关与有条件的中介推断，给不出干净的因果结论。 | 让结论强度匹配数据：观测数据慎用因果措辞，因果声明需实验或可信识别策略。 |
| 过度收窄会做成“伪命题” | 一味追求细，可能把问题缩到没有理论意义、样本也凑不齐的程度。 | 收窄到“可测量 + 可抽样 + 有理论价值”三者交集即可，不是越窄越好。 |
| 中介/调节的设定不能外包给模型 | “X 是中介还是调节”取决于理论机制，模型给的是猜测而非定论。 | 由研究者凭理论判断并在文献中找依据，模型只负责把候选摆出来。 |
🚧 一句话守住底线
大模型让你更快得到一批候选研究问题，但“这条关系是否真实、是否值得做、数据能否支持”——这三项判断的责任始终在研究者本人，不在被你赋予人设的模型。漏斗收窄是研究的起点，不是终点。
📦 本课交付物
按本节实操任务完成并提交以下内容，提交 AI 初审，按 Module_Rubrics.md 对应维度评分：
- [ ] 研究问题卡片：含 X(自变量) / Y(因变量) / M(中介,如有) / W(调节,如有) / 研究边界(人群·场景) / 可行性 六栏
- [ ] 2 个变量关系陈述句：明确标出 X→Y（及 M/W）的方向性，并为每个构念注明可操作化指标
- [ ] AI 协作日志：漏斗收窄提示词的“指令 → AI 输出 → 你的修正”记录
- [ ] 沉淀模板：把研究问题卡片与对应提示词存入个人工具箱
🏁 本章小结
把本课凝练成可据以复习的几条要点：
- 核心区分：研究主题（topic）只圈定领域，研究问题（research question）是一个可经验检验、含明确变量关系的疑问句。开题的关键一步，是把前者收窄为后者。
- 核心方法：漏斗聚焦法——界定人群/场景的边界 → 把抽象构念可操作化为可测量指标 → 凝练为带方向的变量关系（X、Y，必要时 M / W）。它既能自上而下收窄宽泛兴趣，也能自下而上从已有数据倒推问题。
- 为什么必须收窄：可测量性决定能否回答、变量关系决定能否设计与分析、边界决定可行性。三者缺一，问题就停在“无法验证的断言”。
- 大模型的角色：它擅长把宽泛概念联想到细分维度与候选变量关系，几十秒给出难以独自穷举的发散结果；但它给的是合理候选而非已验证事实，拍板权在研究者。
- 变量四角色：自变量 X（前因）、因变量 Y（结果）、中介 M（解释“为什么/如何”）、调节 W（刻画“何时/对谁更强”）。用中介还是调节由理论判断决定。
- 边界要诚实：收窄解决“可研究”不解决“值得研究”；数据能支持的关系类型有上限；过度收窄会做成伪命题。最终判断责任在研究者本人。
自测清单（可保留逐项打勾）
- [ ] 我能说清研究主题、研究问题、研究假设三者的区别。
- [ ] 我能把一个宽泛兴趣按漏斗三层收窄，并最终写成含 X / Y（及 M/W）的变量关系陈述句。
- [ ] 我能为研究问题里的每个构念指出可操作化指标（如用哪些题项/数据测量）。
- [ ] 我用
[一键复制]提示词在模型端跑通了至少一个收窄流程，并对模型给的关系做了“需文献核验”的标注。 - [ ] 我能指出漏斗法与大模型在这一步的至少三条边界（幻觉 / 可研究≠值得研究 / 数据支持的关系类型有上限）。
✍️ 思考与练习
下列练习用于把本节概念用起来（区别于“本课交付物”里的任务），建议写在你的本地笔记中。
练习 1（概念辨析）。 用自己的话说明“研究主题”“研究问题”“研究假设”三者的区别，并各举一个关于“短视频与老年人”的例子。再判断下面这句属于哪一类、缺了什么：“研究短视频对老年人的影响”。
好答案要点：主题只圈领域、问题是可检验的问句含变量关系、假设是对关系方向的具体陈述；指出该句是主题，缺人群/场景边界、缺可测量变量、缺关系方向。
练习 2（漏斗收窄实操，紧扣 Case A）。 取 Case A 心理问卷数据集（N=500，列含 Anxiety_1..12、Strategy_1..8、Efficacy_1..7、反向计分题 Anxiety_4_R、Age）。把宽泛兴趣“AI 焦虑影响学习”按漏斗三层收窄，写出一句含 X / M / Y 的研究问题陈述，并为每个构念注明对应题项。说明你在第二层做了哪一步“可操作化”，以及 Anxiety_4_R 为何需要先处理。
好答案要点：能把“学习”操作化为
Efficacy_1..7、把Strategy_1..8设为中介，写出“Anxiety→Strategy→Efficacy”的带方向陈述；指出Anxiety_4_R是反向计分题，须重编码后才能与同维度题项一起计分，否则拉低信度、扭曲方向。
练习 3（关系类型选择，紧扣 Case B）。 取 Case B 经管面板数据（30 省 × 10 年，2014—2023，列含 DigEcon_Index、HumanCap_per10k(每万人专科以上人力资本)、Innovation_Index）。围绕“数字经济与区域创新”，分别写出一个相关性问题和一个解释/因果性问题，并说明后者为何需要引入 HumanCap_per10k 作中介或调节，以及该数据类型在因果结论上的局限。
好答案要点：相关性问题止于“DigEcon_Index 与 Innovation_Index 是否相关”；因果/解释性问题写成“DigEcon_Index 经 HumanCap_per10k 影响 Innovation_Index”并交代中介/调节的理论理由；指出面板数据虽优于横断，但仍需识别策略（如内生性处理）才能逼近因果，不能直接断言“导致”。
练习 4（边界识别）。 你把一份横断问卷数据交给模型，它返回一句措辞专业的研究问题：“本研究证明 AI 焦虑导致学习自我效能下降。”请指出这句话同时踩中了本课哪两条问题（提示：一处是措辞与数据类型不匹配，一处涉及该由谁负责判断），并给出你会怎么改。
好答案要点：识别①横断/观测数据不支持“证明/导致”这类因果措辞，应改为“是否负向预测/是否相关”；②因果是否成立的判断不能外包给模型，须由研究者依据数据与理论裁定；改写后应降低结论强度并标注“待文献与设计核验”。