01 提交材料
先交简历；随后补成绩单、课程项目代码和报告。
返回研究计划介绍不只告诉你“有案例”，
RESEARCH PLAN CASEBOOK
不只告诉你“有案例”，
把输入、分流和成稿过程都展开
下面包含一个完整模拟学员案例和三个脱敏项目案例。其中新增案例使用真实计算机学院导师与真实文献，学生身份脱敏，并公开可编辑 Word、同版 PDF 和技术路线图。
模拟案例 · 不对应真实个人
自动化学员：从一份简历到导师定制计划
这名学员、目标团队及所有材料均为演示构造，目的是把业务逻辑讲清楚，不把模拟经历冒充陪跑成果。
02 资产初评
确认能做什么、证据在哪里、哪些能力仍然缺失。
03 路线选择
先形成通用母版；确定导师后再进入定制。
04 导师调研
核验研究主线并形成私有匹配矩阵，最后收敛题目。
STEP 1—2
先把简历变成研究资产表
教育与课程
自动化专业大三；已修自动控制原理、信号与系统、Python 程序设计
证据边界：成绩单与课程项目可核对
已有项目
使用公开轴承数据完成过 CNN 故障分类课程项目
证据边界：有代码与课程报告，但没有跨工况验证
可迁移能力
数据清洗、模型训练、混淆矩阵分析与基础实验记录
证据边界：可以支持诊断基线和复现实验
关键缺口
不了解域偏移、PMSM 机理与边缘部署约束
证据边界：不能直接写成已具备相关研究基础
尚无导师：先做通用型母版
根据现有资产，推荐题目暂定为“面向工况变化的轻量化电机故障诊断稳健性研究”。先写数据划分、跨工况基线、评价与失败处理，不提前绑定某个课题组的项目。
- • 可立即开始：整理代码、固定数据划分、复现基础 CNN。
- • 暂不能声称：掌握 PMSM 机理、域泛化或完成边缘部署。
- • 通用稿用途：相邻智能运维方向交流和后续定制事实底座。
确定导师：补信息后进入调研
学员补充“某高校电气学院智能运维团队（模拟）”及官方主页。公开调研仅提炼三条模拟主线：PMSM 故障诊断、域泛化稳健性、边缘侧部署；学生私有材料不进入公共导师库。
定制前必须回答：为什么是该团队、为什么是这名学生、入组后前 30—90 天能做什么，以及相对团队既有工作推进什么。
STEP 3—4
导师—学生私有匹配矩阵
第一行不是“方向很匹配”，而是把导师问题、学生证据、缺口和起步任务逐格连起来。
| 导师近期问题 | 学生已有证据 | 能力缺口 | 30—90 天起步任务 |
| 变工况下的电机故障诊断 | 公开轴承数据分类代码 | 对象从轴承迁移到 PMSM，工况变化尚未处理 | 复现 2 个跨工况基线，固定数据划分并记录失败结果 |
| 域泛化与模型稳健性 | 会训练 CNN 并分析混淆矩阵 | 缺少域划分、外推验证与敏感性分析 | 建立工况留一验证，比较 ERM、归一化与轻量域泛化基线 |
| 边缘侧部署可行性 | 有 Python 推理经验 | 没有延迟、内存和量化测试 | 在普通 CPU 上记录模型大小、延迟与精度变化，不预设硬件结论 |
最终导师讨论版
面向变工况 PMSM 的域泛化故障诊断与边缘部署可行性研究
题目比通用稿更具体，但没有复制导师论文题目。研究从跨工况外推、轻量模型比较和 CPU 推理约束切入；正式设备、现场数据与工程部署仍保持待核实。
前 30 天
文献矩阵、数据字典、工况留一划分与两个基线。
第 31—90 天
域泛化比较、误差分析、CPU 延迟与模型大小记录。
真实导师与文献 · 学生身份脱敏
数字经济学员 × 浙江大学计算机学院陈华钧教授
导师身份、研究方向和代表工作来自公开一手来源；本页不公开学生姓名、联系方式、私有简历或导师接收意愿。
学生已有基础
A 股面板数据研修、稳健性与异质性分析、LightGBM／SHAP 入门。
导师公开主线
知识图谱、自然语言处理、动态 schema 与专业领域知识增强。
明确能力缺口
学生尚无系统 NLP、文档级事件抽取和知识图谱训练。
可执行切口
先复现公开金融事件数据，再构建带时间与原文证据的最小图谱。
冻结题目
面向上市公司公告风险识别的金融事件知识图谱构建与证据增强推理研究
研究按“公告语料治理—文档级事件抽取—时序事件知识图谱—证据增强风险识别”推进，最终形成风险概率、关键证据路径、跨场景性能比较与误差归因。
- 14 页
- 学术版 Word／PDF
- 7 阶段
- 四层研究主线
- 24 模块
- 任务与评价映射
- 2 回路
- 误差驱动研究迭代
前 90 天不是“学大模型”，而是三个可验收闭环
第 1—30 天
核心文献矩阵、DocFEE 数据字典、一个透明事件抽取基线。
第 31—60 天
文档级模型复现、按文档长度与事件类型分层的误差分析。
第 61—90 天
带公告 ID、原文跨度、时间状态和版本信息的最小事件图谱。
脱敏真实结构 · 导师讨论版
低碳出行 MaaS：怎样从学生经历走到四个研究问题
原案例来自数字经济背景学员：已有计量经济学、面板数据和机器学习／SHAP 项目经验；目标导师公开主线涉及低碳出行、MaaS 方案选择与交通方式识别。公开页只保留这一适配逻辑。
学生资产
计量与 ML 经历可迁移到异质性、稳健性和可解释建模。
导师主线
行为理论、离散选择模型和数据驱动交通分析。
交集缺口
不是缺一个新模型，而是政策结论在样本与模型扰动下是否稳定。
起步边界
先做文献矩阵、数据字典和公开数据复现；真实个体数据需另行许可。
正文中的四个问题
- 1
样本结构、缺失机制与观测误差会怎样改变低碳激励和套餐属性的估计结果？
- 2
不同收入、家庭生命周期、既有习惯与低碳态度群体的选择偏好有何差异？
- 3
离散选择模型与 LightGBM／SHAP 对关键因素的方向、重要度和交互能否相互印证？
- 4
价格、碳积分与公共交通权益变化时，哪些建议对数据扰动和模型设定最不敏感？
长篇重构案例 · 脱敏展示
城市更新 × 低空基础设施布局优化
这个案例的价值不是“写了 27 页”，而是把原先按技术名词堆叠的小论文式设想，重构为立项依据、问题分解、数据证据阶梯、验证和研究基础连续闭环。
- 27 页
- 导师讨论版
- 9 图
- 论证与数据
- 15 表
- 证据矩阵
- 29 条
- 参考文献
立项依据
说明城市更新、低空交通需求与设施布局之间的现实矛盾，不把政策热词当作科学问题。
问题分解
把需求识别、候选点生成、约束建模、布局优化和多情景评估拆成可验证内容。
数据阶梯
区分公开代理数据、规划数据、运营数据和现场数据；不同层级只支持对应强度的结论。
先导实验
公开数据只验证 GIS 处理、候选点筛选和优化流程可运行，不冒充工程选址结论。
验证与失败
比较基线、权重敏感性、约束变化和跨情景稳定性；数据不足时收窄到方法演示。
交付结构
形成研究内容、技术路线、证据矩阵、图表、参考文献与阶段计划的基金式长版。
不能越过的边界：公开 POI、路网或人口栅格只能支持方法链和候选情景演示；没有正式空域、运营、审批与现场约束时，不能声称完成真实城市设施选址或工程规划。
看完案例后
真正启动时，第一步仍然是一份真实简历
只有简历也可以开始。先完成资产初评，再决定通用型或导师定制型；不会要求学员在不了解研究方向时先编题目。