# 数据与方法

## 来源与分层

本项目基于用户提供的 `github第一个分享.rar` 中的 `34-tsinghua-sigs-413-lab-moe-topic-selection/`。原始技能、结构化快照、汇总、聚类摘要和引用资料完整保留在仓库根目录。快照日期 2026-10-20，年度 2018—2026，共 29,304 条记录。

原清单声明来源为 56 份 PDF、1,874 页。本仓库没有这些 PDF，也没有原第二版 Word 报告，仅有已整理的参考文本。因此，本次新增核验只覆盖结构化记录与清单的一致性；没有再次逐页提取、重新读取原报告或验证 PDF SHA256。

一般项目共同层为 `source_group <= 4`，合计 27,395 条；其他专项 1,909 条。2020 和 2026 没有其他专项，视为材料缺失。专题图表不拿全库分母与一般项目词表计数混算。

## 记录与溯源

原始快照字段包含：`record_id`、年度、附件组、题名及原题、学科及原值、项目类别、申请人、学校、批准号、来源状态、来源文件、页码、序号、题名质量、主题簇编号和簇名。

浏览器为减少重复传输，使用字段数组加紧凑行数据；重复的来源文件名以清单索引替代。该索引只用于序列化，展示时恢复为文件名。原 JSONL.GZ 保留全部原字段。

记录编号是唯一项目键。本次发现 72 条重复题名超出首条的记录，未据此删除项目。同题名但不同年度、申请人、批准号或来源，仍可能是不同项目。非空批准号无重复；2026 原表未设批准号，不能填造。

## 年度与词表

主趋势使用 `annual_summary.json` 的一般项目计数和同层分母。严格 AI、数字智能广义、心理专题、智能体等均沿用原快照标注。本包不含生成全部原标签的完整代码与词表，因此不得声称本次独立复现了所有词表计数。新增实验公开自己的筛选表达式，避免混淆原标签。

示例：AI 严格题名从 2018 年 35/3,341（1.05%）到 2026 年 477/2,713（17.58%）。这是名单中题名可见度，不是资助成功率、预算份额、研究效果或新颖性。

2026 年学科列表调整，旧交叉学科不做硬映射。学校按原名计数，不自行合并更名、改制或合并学校。

## 题名近邻检索

1. 小写化、去标点与空白，将“自闭症”规范为“孤独症”；不修改展示的原题。
2. 题名和查询分别生成不重复字符二元组。
3. `idf(g) = log((1+N)/(1+df(g)))+1`。
4. 使用二元组是否出现的二值向量乘以 IDF，计算余弦相似度。两边相乘形成交集项 `idf(g)^2`。
5. 查询的库外二元组按 `log(1+N)+1` 进入查询范数。它们不增加相似度分子。
6. 网页使用全库固定 IDF；筛选只限制候选。命中申请人、学校或 ID 的包含匹配优先显示，随后按未舍入相似度排序；同分按原库顺序。无查询时按年度倒序浏览。

原 Python 检索脚本对筛选后的候选集计算 IDF，四位小数舍入后排序，提供关键词命中数优先的额外能力，因此不保证与网页在所有模式下完全一致。

全部词语包含模式要求空格分开的每个词在题名或名称字段中出现，完整题名优先，其余按年度倒序。该模式不用词汇得分。单字查询走包含匹配，不套用空二元组余弦。

网页索引由 Web Worker 在本地建立，查询和 CSV 导出均在浏览器内进行。静态文件访问依然会经过 GitHub Pages 的正常网络服务，但输入的查询文本不作为网络检索请求发送给本站服务器。URL 可保存当前查询和年份；分享 URL 会包含这两项信息。

## 原始主题

原快照全样本：字符 2—4 gram TF-IDF，`min_df=5, max_df=.35, max_features=35000, sublinear_tf=True`；NMF `k=24, init=nndsvda, seed=413, max_iter=250, tol=.0005`。最大载荷决定主簇，16 条全零载荷单列未归类。主题名是人工解释，存在混合簇。

原心理专题 1,002 条，8 子簇。参数来自随包方法说明，没有原全套生成程序，本项目不声称已经独立重建该筛选或原聚类。

主簇载荷/总载荷低于 .35 是解释警示，不是概率或准确率。地图采用大小分档布局，文字给出精确记录数，不宣称色块面积精确编码规模。

新增稳定性实验另选 1,352 条 AI 题名，固定 k=8 和公开的字符特征，详见实验说明。它不替代原 24 簇，也不验证原心理子簇。

## 状态与提取质量

2026 原记录为评审结果公示，按快照状态保留。原资料说明 2018 年部分专项文件名与正文状态不一致，2019 附件 9 有若干题名截断。资料中的原公告链接与日期是来源说明，本次没有独立完成官网版本比对；因此页面不将其作为新核实事实。

## 研究示例

示例中的已有题名与页码来自快照，假设、比较条件和反证属于规划建议。未完成关键文献、其他基金、近邻摘要和资源核实时均保持“条件保留”。不因题名未报告某设计就判断旧项目没有做过。

## 更新

新增材料应先核对文件来源、年度、状态、批准号与页码，再追加记录并重算全部统计。保留数据版本和增量日志；不要把缺失材料填为零，也不要直接覆盖原始题名。