分类任务
Classification
学到 会用 就够：能亲手用起来
你可能会说
“我让 AI 给访谈贴标签并解释理由，为什么标签结果和解释文字要分开评价？”
分类任务把输入映射到规定的离散类别，如政策类型或是否包含某种主张。即使用生成模型输出标签，评价仍须围绕类别定义、误报与漏判，而不能只看解释写得好不好。
使用 AI
科研里的例子
把金融支持政策分成信贷、担保、贴息等类别前，先规定一句话可否属于多类，避免把多标签材料强塞单类。
分类需要先确定标签集合、互斥或多选关系，以及无法判断时怎样处理。模型可直接输出类别概率，也可生成类别名称；后一方式增加格式一致与额外文字检查。社科编码中的类别往往来自理论和操作化，概念重叠会造成真实歧义，不能把全部分歧归于模型性能。完整评价应同时核标签规范、人工一致性和独立样本表现，并保留原文定位以便回读。
在你的学科里，直接拿去用
按清楚的方法辅助编码与发展主题
请辅助分析[已去标识逐字稿、行号]，研究问题为[问题]，我选定的方法是[码本式内容分析或反思性主题分析，明确其一]。先确认该方法下编码和主题的角色：若采用码本，按[定义、纳入与排除规则]编码并记录不适配片段；若采用反思性主题分析，提出可讨论的初始编码与候选意义模式，不把固定正确码或一致率强加进去。每项保留原文与行号、简短依据、反例和不确定性。输出编码表与分析备忘录，主题须作为解释建议供研究者复核，不凭词频、人数或 AI 输出宣布饱和。方括号里的内容换成你自己的。来自知识增量《科研中英表达与 Prompt 指南》PS02
判断
亲手检查一次
用十条边界样本让两人独立按同一规范编码，再看模型；把规范不清、人工分歧与模型误判分别记录。
它做不到的
分类正确不保证模型给出的理由忠实；类别集合变化、正类定义变化或多标签口径变化后，指标不可直接比较。
增量，由你来写
读完这张，你的理解变了什么？
留言功能会在后面的版本开放。现在可以先在 X 上 @knowledgedelta 告诉我。
来源
- Google · Supervised Learning2026-11-06 核对
- scikit-learn · confusion_matrix2026-11-06 核对
卡片底稿由 AI 协助整理，经过核对；发现错误请告诉我。