第 15 课：研究问题、目标与假设
🎯 核心实操目标
学习目标：建立"研究问题（RQ）→ 研究目标（RO）→ 研究假设（H）"的逻辑推导链。本课结束时，你应能说清三者的对应关系，写出可证伪的方向性假设，并理解假设的合法来源是文献证据与理论推导的双重支撑，而非未加论证的断言。
📋 课前准备（5 分钟自检）
工具/账号
- [ ] 任意主流大模型（推荐 Claude 4.8 Opus 或 GPT-5）
- [ ] Zotero 文献库（应已从第 12 课配好）
数据/素材
- [ ] 你在第 11 课优化好的研究题目
- [ ] 你在第 14 课产出的文献综述框架（含 Research Gap）
- [ ] 5–10 篇与你研究最直接相关的文献（PDF 或文献卡片均可）
应急通道
- 文献不够 → 用知网/WOS 快速补 3 篇近 2 年的同主题实证文章
- 暂时没有 RQ → 回到第 10 课用漏斗聚焦法重做
问题导入：假设的合法性从何而来
开题答辩中，针对研究假设最常见的一类追问是："H1 为什么写成正向？这一方向是文献支撑的，还是研究者的主观推测？" 这个问题指向假设方法论的核心——在实证研究中，研究假设不是研究者凭直觉给出的猜想，而是一个有据可循的待检命题。缺乏理论与文献双重支撑的"假设"，在方法论上等同于未经论证的断言，不能进入正式的学位论文或期刊投稿。
研究问题（RQ）、研究目标（RO）、研究假设（H）三者构成一条前后衔接的逻辑链：RQ 界定研究试图回答的问题，RO 规定为回答该问题需要完成的具体研究动作，H 则是研究者基于文献与理论、对 RQ 预先给出的、可被数据检验的答案。三者一旦断链或相互矛盾，整个研究设计的内在效度就会受损。本课的任务，就是把这条链的每一环及其衔接关系讲清楚。
📐 原理：RQ→RO→H 为什么必须环环相扣
这条推导链之所以是实证研究的骨架，在于它把一个宽泛的好奇心，逐步收敛成一个可操作、可证伪的命题。三步各自承担一种"收窄"：
- RQ 把研究兴趣收窄为一个明确的疑问句。 兴趣（如"我关心 AI 焦虑"）本身无法检验；只有把它写成一个限定了对象、范围、关系的问题（"AI 焦虑如何影响大学生的学业自我效能感"），才谈得上"如何回答"。
- RO 把问题收窄为具体的研究动作。 一个 RQ 通常无法一步答完，需要拆成若干个以可操作动词领起的目标（描述现状、检验关系、评估效应）。RO 是 RQ 与具体方法之间的桥：它决定了你接下来要测量什么、分析什么。
- H 把目标收窄为一个带方向、可被数据推翻的预测。 针对"检验 X 对 Y 的影响"这一目标，假设必须明确到"X 负向预测 Y"这种程度——明确到一旦数据呈现相反或无关的模式，该假设即被否证。这一"可被否证"的属性（可证伪性），正是科学命题区别于一般断言的分界线。
可以这样理解三者的关系：RO 是对 RQ 的分解，H 是对 RO 的承诺。 分解保证"问题答得全"，承诺保证"答案验得了"。链条任一环缺失，后续都会落空——有 RQ 而无对应 RO，问题就停在嘴上；有 RO 而无对应 H，研究就只是"做了点分析"，却没有可被检验的明确主张。
🗺️ RQ → RO → H 推导链总览
📘 关键术语（首次出现，先对齐定义）
- 研究问题（Research Question, RQ）：研究试图回答的核心疑问，以问句形式表述，限定了研究对象、范围与待考察的关系。它确定研究"问什么"，但不规定如何作答。
- 研究目标（Research Objective, RO）：为回答 RQ 而需完成的具体研究任务，以可操作动词（描述、检验、比较、评估等）领起，明确指向要测量或分析的变量。它确定研究"做什么"。一个 RQ 通常对应若干层层递进的 RO。
- 研究假设（Hypothesis, H）：研究者基于理论与文献，对 RQ 预先给出的、可被数据检验的陈述句，通常以"自变量 → 因变量"的形式表述并标明方向。它确定研究"预期的答案是什么"。在量化研究中，待检验的实质性命题称为备择假设（alternative hypothesis, H1），与之对应的是统计检验所设的零假设（null hypothesis, H0）。
- 可证伪性（falsifiability）：一个命题能够被某种可能的观测结果所否证的属性。由 Karl Popper 提出，是区分科学命题与非科学断言的判准。一条合格的研究假设必须满足：存在一组可设想的数据，一旦出现就会推翻它。"X 与 Y 有某种关系"因为无论数据如何都难以被推翻，反而是弱假设。
- 自变量 / 因变量（independent / dependent variable）：假设中被认为施加影响的一方为自变量（预测变量），被影响、被预测的一方为因变量（结果变量）。方向性假设须明确二者的角色与影响方向。
🛠️ 第一步：从 RQ 推导 RO
研究目标的写法规范是可操作动词 + 具体对象。动词的选择直接决定了后续要做何种分析，因此不能用"了解""探索"这类无法落地的词。常用动词按研究类型归类如下：
| 类型 | 动词 | 例子 |
|---|---|---|
| 描述型 | 描述、刻画、揭示 | 描述大学生 AI 焦虑的分布特征 |
| 解释型 | 解释、分析、检验 | 检验 AI 焦虑对自我效能的影响 |
| 比较型 | 比较、对比 | 比较不同年级 AI 焦虑水平的差异 |
| 预测型 | 预测、估计 | 预测 AI 焦虑对学业成绩的预测力 |
| 评估型 | 评估、评价 | 评估学习策略训练的干预效果 |
【Role】你是一位严谨的论文方法论审稿人。
【Task】我的研究问题(RQ):"AI 学习焦虑如何通过影响学习策略,进而影响大学生的学业自我效能感?"
请帮我提炼出 3 个对应的研究目标(RO):
- 必须以可操作的动词开头(描述/检验/比较/评估等)
- 必须明确指定测量的具体变量
- 三个 RO 之间是层层递进的关系(先描述,再检验,最后评估)
- 拒绝"探索"、"了解"等空洞动词🛠️ 第二步：从文献推导 H
研究假设的合法来源是理论推导 + 文献证据，两者缺一不可。文献证据提供"前人观察到什么"，理论提供"为什么会这样"；只有两者结合，才能把一条假设的方向论证清楚，而不是把方向当成默认值随手填上。
【Role】你是熟悉发展心理学与教育心理学的资深研究者。
【已有材料】我从文献库中提取了以下 5 篇核心研究的发现:
1. Wang et al. (2024) 发现技术焦虑显著负向预测大学生自我效能感 (β=-0.42, p<.01)
2. Smith (2023) 提出学习策略在焦虑→学业表现路径中起完全中介作用
3. Chen & Liu (2024) 发现 AI 焦虑与传统技术焦虑结构相似但维度更复杂
4. ...(粘贴你的真实文献)
【任务】基于上述文献证据,为我推导出 3-4 条可证伪的研究假设。要求:
1. 每条假设必须明确"自变量 → 因变量"的方向(正向/负向)
2. 每条假设必须标注支撑文献(如:H1 基于 Wang et al., 2024 + Smith, 2023)
3. 提供假设之间的逻辑关联(如 H2 是 H1 的中介机制扩展)
4. 拒绝"无方向"假设(如"AI 焦虑与效能感有关")
【红线】严禁脱离上述文献证据凭空抛假设;严禁推导出与我提供文献矛盾的假设。📝 Worked Example 1：用 Case A 写出一条可证伪假设
为了把"可证伪"这个抽象判准落到具体写法上，我们用本课程的课程数据集 Case A（心理问卷，N=500） 完整走一遍单条假设的推导。该数据集的相关列为 Anxiety_1..12（AI 学习焦虑量表 12 题）、Strategy_1..8（学习策略量表 8 题）、Efficacy_1..7（学业自我效能感量表 7 题）、Anxiety_4_R（第 4 题反向计分）、Age。
我们聚焦最核心的一条主张：AI 学习焦虑负向预测学业自我效能感。下面演示如何把它从一句口语化的猜想，逐级"拧"成一条可写进开题报告的假设。
| 推导环节 | 内容 | 说明 |
|---|---|---|
| ① 口语猜想 | "焦虑高的学生大概效能感低吧" | 起点，但不可检验：没指明变量、没指明方向、没指明对象 |
| ② 锁定变量与测量 | 自变量 = AI 学习焦虑（Anxiety_1..12 均分，含 Anxiety_4_R 反向重编码后）；因变量 = 学业自我效能感（Efficacy_1..7 均分） | 把抽象概念对应到数据集里实际可算出的分数 |
| ③ 给出方向与文献依据 | 取"负向"。依据：技术焦虑负向预测自我效能感的实证发现（如本课示例中 Wang et al., 2024 的 β=-0.42）+ 自我效能理论中"情绪唤起削弱效能信念"的机制 | 方向不是默认值，而是文献证据 + 理论推导共同给出的 |
| ④ 写成规范假设 | H1：在大学生样本中，AI 学习焦虑（Anxiety 均分）负向预测学业自我效能感（Efficacy 均分）。 | 对象、自变量、因变量、方向四要素齐全 |
| ⑤ 标注证伪条件 | 若数据显示 Anxiety 与 Efficacy 的回归系数为正、或不显著（如 95% 置信区间跨 0），则 H1 被否证。 | 这一步是"可证伪"的兑现：写得出否证条件，假设才合格 |
🔍 可证伪性自检（5 分钟自检）
回看你刚写的每一条假设，逐条问一句："什么样的数据会推翻它？"
- 答得出一个明确的数据模式（如"系数为正"或"组间无差异"）→ 该假设可证伪，合格。
- 答不出、或发现"任何数据都能算它对"→ 多半写成了非方向性的弱命题（如"X 与 Y 有关"），需要补上方向或具体的差异预期。
📝 Worked Example 2：从 RQ 到 H 走通一条经管研究链（Case B）
第一个 worked example 聚焦"单条假设怎么写"。这一个换学科、并把链条拉长，演示 RQ → RO → H 三环如何完整衔接，用的是本课程的另一配套教学数据集 Case B（经管面板，教学用模拟数据，30 省 × 10 年，2014–2023），相关列为 DigEcon_Index（数字经济指数）、HumanCap_per10k（每万人专科以上人力资本存量）、Innovation_Index（区域创新指数）。
第一环 · RQ（问什么）
RQ：数字经济发展水平如何影响区域创新能力？其中人力资本是否承担了中介传导作用？
这是一个限定了对象（区域/省级）、关系（影响 + 中介）的问句，但它本身没说"怎么答"。
第二环 · RO（做什么）——把 RQ 分解为三个递进目标
| RO 编号 | 研究目标 | 对应动词类型 | 落到数据 |
|---|---|---|---|
| RO1 | 描述 2014–2023 年间各省 DigEcon_Index 与 Innovation_Index 的分布与变化趋势 | 描述型 | 现状刻画，为后续分析提供背景 |
| RO2 | 检验 DigEcon_Index 对 Innovation_Index 的影响及其方向 | 解释/检验型 | 主效应，对应 H1 |
| RO3 | 检验 HumanCap_per10k 在上述路径中的中介作用 | 解释/检验型 | 机制，对应 H2 |
第三环 · H（预期答案）——为可检验的 RO 各承诺一条假设
- H1：
DigEcon_Index正向预测Innovation_Index（对应 RO2）。方向依据：数字基础设施降低创新要素流动与协作成本的理论逻辑。证伪条件：若面板回归系数不显著或为负，H1 被否证。 - H2：
HumanCap_per10k在DigEcon_Index → Innovation_Index路径中起部分中介作用（对应 RO3）。方向依据：数字经济提升人力资本积累与配置效率，后者再驱动创新产出。证伪条件：若中介效应的 Bootstrap 置信区间跨 0，则中介不成立。
注意 RO1 是描述性目标，不必对应假设——这正是常见的对应关系：并非每个 RO 都要配一条 H，描述型目标通常没有方向性预测可言。需要避免的是反向的断裂：写了一条带方向的 H，却找不到任何 RO 去检验它，那条 H 就是悬空的。
🔁 两个 worked example 的分工
Worked Example 1 回答"一条假设内部怎么写到可证伪"，Worked Example 2 回答"多条目标与假设之间怎么对齐成链"。前者管深度（单条够不够硬），后者管结构（整体接不接得上）。两者都验收通过，RQ-RO-H 才算搭好。
🗂️ 三条案例主线的假设体系一览
把三条贯穿全课程的案例主线放在一起，便于横向对照不同学科里"同一套 RQ-RO-H 逻辑"的具体形态。下表中的假设均为方向性写法，可作为你自己撰写时的句式参照。
案例 A（心理学，Case A，N=500）：
- H1：AI 学习焦虑负向预测学业自我效能感
- H2：学习策略在 AI 学习焦虑 → 自我效能感路径中起部分中介作用
- H3：性别在 H1 路径中起调节作用（预期女生路径更强）
案例 B（经管，Case B，30 省 × 10 年）：
- H1：数字经济发展水平正向预测区域创新能力
- H2：人力资本水平在 H1 路径中起部分中介作用
- H3：东部地区 H1 强度显著大于中西部地区
案例 C（LLM 评估，Case C，300 × 3，1–5 分、3 名标注者）：
- H1：三种 LLM（
Quality_GPT5/Quality_Claude47/Quality_Gemini25，基准模型为 Claude 4.7）在生成质量评分上存在显著差异 - H2：在流畅性维度上，三者评分存在显著差异（具体高低待数据检验）
- H3：在准确性维度上，三者评分存在显著差异（具体高低待数据检验）
说明：Case C 的研究对象是模型间评分差异，在缺乏强方向性前置文献时，H2/H3 采用"存在差异"的可检验写法比强行指定"某模型更优"更稳妥——具体哪一方更高，交由 300 条样本、3 名标注者的实际评分来回答。这与下一节"何时写非方向性假设"相呼应。
⚖️ 假设的分类：方向性 vs 非方向性 vs 零假设
研究假设按是否预设方向，可分为三类。三者并非优劣关系，而是适用条件不同——选错类型会削弱研究的说服力或与统计方法脱节。
| 类型 | 写法示例 | 适用条件 |
|---|---|---|
| 方向性假设（directional） | "H1：X 正向预测 Y" / "X 负向预测 Y" | 文献证据与理论一致支持某一方向时。优先采用：它对数据提出了更强、更易被否证的约束 |
| 非方向性假设（non-directional） | "H1：X 与 Y 存在显著关联" / "A、B 两组存在显著差异" | 前置文献相互矛盾、或研究对象较新、方向尚无理论依据时 |
| 零假设（null hypothesis, H0） | "H0：X 与 Y 不存在关联" | 统计显著性检验的技术前提，与备择假设配对使用；通常不单独写进论文正文的假设清单 |
📐 为什么优先写方向性假设
从可证伪性角度看，方向性假设对数据的约束更强：它排除了"无关"和"反向"两种结果，只有一种方向能支持它，因此更容易被数据推翻——而越容易被推翻却仍未被推翻的命题，信息量越大。非方向性假设只排除了"无关"，留下两个方向都算"支持"，约束更松。因此方法论上的取舍标准很明确：当文献能支撑一个方向时就写方向性，无从判断方向时才退回非方向性——后者不是缺点，而是在证据不足时对方向保持诚实。Case C 的 H2/H3 采用"存在差异"的非方向性写法，正是这种情形。
写砸 vs 写好：逐要素对照
假设写得合不合格，差距集中在几个具体要素上。下表针对学员最常见的几种写法，给出同一条主张"拧紧"前后的对照。
| 要素 | 写砸 ❌ | 写好 ✅ | 为什么 |
|---|---|---|---|
| 方向 | AI 焦虑与自我效能感有关 | AI 焦虑负向预测自我效能感 | "有关"无法被任何数据推翻，不可证伪；标明方向才构成可检验的命题 |
| 变量可测 | 焦虑影响学习状态 | Anxiety 均分负向预测 Efficacy 均分 | "学习状态"无对应测量；落到数据集实际列名才能算、能验 |
| 对象限定 | 焦虑降低效能感 | 在大学生样本中，AI 焦虑负向预测效能感 | 不限定总体，结论的适用范围不清，外推时易被质疑 |
| 文献支撑 | 我觉得应该是负向的 | 基于技术焦虑负向预测效能的实证 + 自我效能理论，预期负向 | 方向须由证据与理论给出，不能是主观默认 |
| 与 RO 对应 | （H 凭空出现，无对应目标） | H1 对应 RO2"检验 X 对 Y 的影响" | 悬空的假设没有研究动作去检验，等于无法兑现 |
常见误区与纠正
| 常见误区 | 症状 | 纠正方法 |
|---|---|---|
| 把 RQ 当 H | 假设写成问句"X 是否影响 Y？" | H 必须是陈述句加方向，问句是 RQ 的活儿 |
| 假设不可证伪 | 写"X 与 Y 存在某种联系"，怎么都推不翻 | 补上方向或具体差异预期，并写得出"什么数据会否证它" |
| 方向无依据 | 凭直觉填正/负向，问起来答"感觉如此" | 每条方向标注 2–3 篇支撑文献 + 一句理论逻辑 |
| H 与 RO 不对应 | 提了 RQ/RO，却找不到对应假设；或假设无 RO 检验 | 用三联表逐行对齐，确保每条带方向的 H 都有 RO 去验 |
| 描述型目标硬配假设 | 给"描述分布"这类 RO 也强安一条方向性 H | 描述型 RO 通常无方向预测，不必配 H，别为凑数硬写 |
| 变量停在概念层 | 假设里是"焦虑""创新"等概念，未对应可算的测量 | 写假设时即对应到数据集实际列名（如 Innovation_Index） |
🧭 边界与局限：RQ-RO-H 框架管得了什么、管不了什么
这套推导链是组织研究设计的工具，它能保证研究问题清晰、逻辑自洽、命题可检验，但它不替你解决以下问题，使用时需对其边界保持清醒。
| 边界 / 局限 | 说明 | 应对 |
|---|---|---|
| 逻辑自洽 ≠ 假设为真 | 链条搭得再严，也只保证假设"值得检验"，不保证它会被数据支持。被否证是正常且有价值的研究结果。 | 不要为了"假设成立"而事后修改假设或挑数据；如实报告否证结果。 |
| 方向由文献给，文献可能有偏 | 方向性假设的依据是已发表文献，而文献存在发表偏倚（阳性结果更易发表）。据此定的方向未必反映真实总体。 | 兼顾理论逻辑而非只数文献票数；对方向不一致的证据如实讨论。 |
| 框架不替你判断中介还是调节 | H2 写中介还是调节，取决于你的理论模型，框架本身不给答案。设定错误会导致整条机制假设失效。 | 中介/调节的选择须有理论依据（参见上一课关于变量角色的讨论），不能让工具或模型替你拍板。 |
| 假设数量不是越多越好 | 假设过多会分散统计检验力、抬高多重比较带来的假阳性风险。 | 假设应服务于 RQ，聚焦核心机制；外围好奇心可留作探索性分析而非正式假设。 |
| 可证伪 ≠ 一定能被现有数据证伪 | 一条假设逻辑上可证伪，但若样本量不足、测量不可靠，实际数据也可能无力否证它。 | 在研究设计阶段就考虑检验力与测量信效度（与量表、样本量相关课程衔接）。 |
🚧 用 AI 推导假设时的额外提醒
让大模型协助从文献推导假设很高效，但要守住两条：
- 模型可能"补"出并不存在的方向依据或文献。 大模型倾向于顺着你的需求给出看起来完整的推导，包括自信地编造支撑文献或夸大某条证据的方向性，即幻觉（hallucination）。凡是模型给出的支撑文献、统计量（如 β 值）、引用，一律回到数据库逐条核验，不可直接采信。
- 方向与机制的最终判断责任在研究者。 模型能罗列候选假设、指出逻辑漏洞，但"这条方向是否站得住、中介是否合理、能否下因果结论"始终由你本人对照理论与文献来定，不能外包给模型。
📦 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：
- [ ] RQ-RO-H 三联表：填好你的研究问题、3 个研究目标、3–4 个研究假设，三者逐行对应
- [ ] 假设文献支撑表：每条假设标注 2–3 篇支撑文献（作者 + 年份 + 发现）及一句理论逻辑
- [ ] AI 协作日志：记录用 AI 推导假设的对话，特别标注哪些 AI 给出的方向依据或文献被你打回（如外推超出文献、疑似编造的引用）
- [ ] 假设逻辑图：把各条假设的相互关系画成路径图（直接 / 中介 / 调节路径）
🏁 本章小结
把本课凝练成可据以复习的几条要点：
- 核心逻辑链：实证研究由 RQ（问什么）→ RO（做什么）→ H（预期答案） 三环构成。RO 是对 RQ 的分解，H 是对 RO 的承诺；分解保证问题答得全，承诺保证答案验得了。
- 三者各自的收窄作用：RQ 把研究兴趣收窄为明确疑问，RO 把疑问收窄为可操作动词领起的具体任务，H 把任务收窄为带方向、可被数据推翻的预测。
- 假设的合法来源：研究假设不是主观猜想，而是文献证据 + 理论推导双重支撑下的待检命题；方向不是默认值，必须有据。
- 可证伪性是底线：一条合格假设必须答得出"什么样的数据会推翻它"。"X 与 Y 有关"因无法被否证，反而是弱假设。
- 分类与取舍：方向性 > 非方向性是约束强弱之分而非优劣之分——文献支持方向时写方向性，方向无依据时退回非方向性（如 Case C 的"存在差异"）；零假设服务于统计检验，一般不入正文假设清单。
- 对应关系：每条带方向的 H 都应有 RO 去检验；描述型 RO 通常不必配 H；要警惕"有 H 却无 RO 检验"的悬空假设。
- 边界要诚实：框架保证逻辑自洽，但不保证假设为真；中介/调节、假设取舍仍需研究者的理论判断；用 AI 推导时，方向依据与文献一律人工核验。
自测清单（可保留逐项打勾）
- [ ] 我能不看讲义说清 RQ → RO → H 三者的关系（分解与承诺），并各举一例。
- [ ] 我的每条研究假设都标明了方向，且每个方向都有具体的文献证据 + 理论逻辑支撑。
- [ ] 我能为自己的每条假设写出明确的证伪条件（"出现 Z 数据则该假设被推翻"）。
- [ ] 我已用三联表把 RQ、RO、H 逐行对应，无"提了 RQ 却无对应 H"或"H 找不到 RO 检验"的断链。
- [ ] 我知道何时该写方向性、何时退回非方向性，并能说出方向性假设为何约束更强。
- [ ] 对于 AI 给出的假设方向依据与支撑文献，我会逐条回到数据库核验，不直接采信。
✍️ 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（可证伪性辨析）。 下面三条"假设"中，哪些是可证伪的、哪些不是？对不可证伪的，改写成一条可证伪的方向性假设。 （a）AI 学习焦虑与学业自我效能感之间存在某种心理学联系；（b）AI 学习焦虑负向预测学业自我效能感；（c）AI 焦虑高的学生往往效能感也不太一样。
好答案要点：(b) 可证伪（方向明确，系数为正或不显著即否证）；(a)(c) 不可证伪（"某种联系""不太一样"任何数据都能算它对）。改写示例：把 (a) 改为"AI 学习焦虑负向预测学业自我效能感"，并能说出其证伪条件。
练习 2（推导链对齐，Case A）。 用 Case A（N=500，列含 Anxiety_1..12、Strategy_1..8、Efficacy_1..7、Anxiety_4_R、Age），写出一个 RQ、两到三个递进的 RO、以及与可检验 RO 对应的 H。要求至少包含一条中介假设（提示：学习策略 Strategy 可作为中介），并标出哪个 RO 是描述型、因而不配 H。
好答案要点：RQ 限定对象与关系；RO 含描述型（如描述焦虑分布）+ 检验型；H 与检验型 RO 一一对应；中介假设写成"
Strategy在Anxiety → Efficacy路径中起中介作用"，并能指出描述型 RO 无方向预测、故不配 H。
练习 3（方向性取舍，Case C）。 针对 Case C（300 × 3，Quality_GPT5 / Quality_Claude47 / Quality_Gemini25，基准为 Claude 4.7，1–5 分、3 名标注者），讨论：在没有强方向性前置文献的情况下，H"GPT-5 的生成质量显著高于其他两者"与 H"三者生成质量存在显著差异"哪一条更稳妥？为什么？什么情况下你才有理由改写成前者那种带方向的假设？
好答案要点：缺乏方向依据时"存在差异"更稳妥（不预设无据的方向）；只有当有可靠的前置证据或明确理论支持某模型更优时，才改写成方向性假设；呼应"文献支持方向才写方向性"。
练习 4（识别 AI 推导的风险）。 你让 AI"基于文献为 Case B 的 H1 推导支撑依据"，它回了三条格式规整、作者年份俱全、还附了 β 系数的文献。请指出此处最该警惕本课哪条边界，以及你会做哪一步核验。
好答案要点：识别为幻觉风险——文献与统计量可能是模型编造，格式完整不等于真实存在；正确动作是逐条到数据库 / 检索系统核实文献真伪与数值，核验通过后才可作为方向依据。