无监督学习
Unsupervised Learning
学到 认得 就够：听到能明白
你可能会说
“我让程序把田野访谈自动聚成几组，这些组就能当作真实的社会分类吗？”
无监督学习在没有逐条任务标签的资料中寻找结构，例如聚类或低维表示。得到的分组反映方法、特征和距离定义，不能直接当作自然存在的社会类别。
使用 AI
科研里的例子
对乡村振兴报告聚类后，先抽读每组原文，检查组别反映发展路径还是各省公文模板，不能直接给组别下结论。
算法仍有目标，例如让组内距离较小或压缩后保留主要变化。“无监督”并不是没有约束和假设：分组数、标准化、表示方式都会改变结果。面对文本，聚类可能按题材分，也可能按作者或写作模板分。它适合探索和提出问题，之后还要人工解释、稳定性分析与外部验证。若用分组继续做回归，必须说明分组生成过程及其不确定性，避免把探索结果当预设事实。
判断
亲手检查一次
换一个分组数或去掉来源地名，比较聚类成员变化；抽读变化最大的样本，记录解释是否仍然成立。
它做不到的
无监督结果不是理论分类的自动证明；不同运行、尺度与样本构成可能改变分组，名称通常由研究者事后赋予。
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。