混淆矩阵
Confusion Matrix
学到 会用 就够：能亲手用起来
你可能会说
“我评估教育文本分类结果时，怎样看清模型把哪一类误认成了哪一类？”
混淆矩阵把真实类别与预测类别交叉计数，展示各类被正确识别、误报与漏判的分布。它比单个总分更适合定位错误，但必须标清行列、类别顺序及是否归一化。
使用 AI
科研里的例子
政策工具中的补贴与贴息常被混淆，矩阵揭示这一对错误集中；回读后才能判断是概念规范还是模型的问题。
二分类矩阵通常包含 TP、FP、FN、TN 四种计数，多类别则有更多方向。不同软件的行列约定可能不同，归一化又可能按行、列或全部总数进行，使视觉上相同的百分比含义不同。读取时先确认分母，再找系统性混淆的类别对。对社会研究，它可帮助发现概念重叠、标签定义不足或模型依赖错误线索，但不能只凭矩阵定位全部成因，仍需回读原文。
在你的学科里，直接拿去用
把论点与证据逐条对齐
请审核下列论证的证据对应关系。 论证：[粘贴] 允许使用的材料：[清单与原文] 拆成可独立检查的主张，按“主张—来源位置—研究对象与设计—能支持什么—不能支持什么—所需补证”输出。区分相关、机制解释、因果识别和价值判断。找不到依据的格子保留未支持，不补假文献。若需联网补证，先说明搜索范围和访问状态，再把新找到的证据与原材料分列。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》PG07
判断
亲手检查一次
用十条人工标签和预测手填矩阵，核对行列总数，再分别按行、列归一化，解释每种比例对应什么问题。
它做不到的
归一化比例不能代替样本数量；小类别一条错例就可能造成很大的百分比变化，也不宜将矩阵直接解释为因果关系。
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。