监督学习
Supervised Learning
学到 认得 就够：听到能明白
你可能会说
“我想按政策主题训练分类模型，是不是给出正确标签就足够了？”
监督学习使用输入与目标答案配对的样本，学习预测二者之间的关系。目标可以是类别、数值或文本；标签的定义和质量直接影响模型学到什么。
使用 AI
科研里的例子
两位研究者按统一规范给政策段落标融资工具类别，解决分歧后训练分类器，并留出独立文件评估。
训练把预测与目标的差异变成损失，再据此调参。人工编码常提供监督，但标签也可能来自行政记录、规则或其他系统，不能一概当成事实真值。模型可能借助与标签相关的背景线索成功，例如来源地区、文件格式而不是政策内容。研究者应先明确构念与标注规范，再检查一致性和新样本表现；把标签交给算法并没有消除测量选择与误差。
判断
亲手检查一次
从一个小标注集随机抽二十条，独立重标并记录分歧，再判断模型错误来自算法还是标签定义不清。
它做不到的
监督学习的标签是学习目标，不必然等于真实机制；标注者一致也可能共同误解概念，仍需内容效度判断。
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。