召回率
Recall
学到 会用 就够：能亲手用起来
你可能会说
“我担心检索助手漏掉关键研究，真正相关的文献究竟找回了多少？”
召回率关注实际目标样本中，被模型找出的比例，二分类为 TP/(TP+FN)。它衡量漏判情况，必须知道或估计完整目标集合，不能只检查模型已经挑出的结果。
使用 AI
科研里的例子
人工确认有二十段提及担保，模型只找出十五段，召回率为 75%；即使十五段全都正确，也仍漏掉四分之一。
召回的分母包括模型没报出的真目标，因此仅复核正例无法得到它。降低门槛通常可找到更多目标，也可能带来更多误报。文献和政策筛选往往特别在意漏掉关键证据，但盲目追求满召回会增加审阅负担。评价应准备具有代表性的人工标注样本，并检验不同类型的遗漏，尤其是隐含表达、否定结构和地方用语，避免平均值掩盖系统缺口。
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
在一批完整人工标注的资料上，把漏掉的段落集中读一遍，按原因分组，再核算修改前后召回与误报。
它做不到的
召回率不代表结果纯度；没有完整标签或合理抽查设计时，应说明只能估计，不能声称已证明全量找齐。
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。