Evilom
86 lines
5.6 KiB
Markdown
86 lines
5.6 KiB
Markdown
# VTaRwgxaOiugwykJAxJcxlsxngf
|
||
|
||
Source: https://fcnlycv6dd0w.feishu.cn/wiki/VTaRwgxaOiugwykJAxJcxlsxngf
|
||
|
||
|
||
## 今日内容
|
||
**①整理答辩总主线核心问题**
|
||
**②飞书云文档接入 Obsidian 主题知识库**
|
||
## 一、整理答辩总主线核心问题
|
||
**详细版文件**：
|
||
**详细版适合逐题准备，展示版适合答辩前快速浏览。**
|
||
- **展示版：看结构、看重点、快速复习；**
|
||
- **详细版：逐题准备、补充口径、应对追问。**
|
||
#### （一）研究定位相关
|
||
|
||
> :black_small_square:
|
||
**这一组问题要回答“研究为什么值得做”。**
|
||
**核心是把游戏活动上升为平台治理、激励设计和组织协作问题。**
|
||
#### （二）研究对象相关
|
||
- 团体赛季制竞赛周期更长、协作更强，规则影响能在持续投入中显现。
|
||
- 个体产生投入，团体组织协作，赛局呈现竞争结构，竞赛形成整体周期。
|
||
- 不只用赛局层做机器学习，赛局层分析主要作为补充诊断和治理解释。
|
||
#### （三）综合投入相关
|
||
- 综合投入 = 竞赛相关金钱投入 K + 竞赛相关有效行为投入 L。
|
||
- 付费金额无法反映行为参与、协作贡献和组织执行。
|
||
- 在线时长不能区分有效参与和无效在线。
|
||
- 是基准口径，不是唯一正确权重，后续通过调整权重做稳健性检验。
|
||
#### **（四）七机制框架相关**
|
||
- 复杂规则太分散，需要中间机制层连接规则条款和经验识别。
|
||
- 不会平均用力，实证上分重点识别、辅助解释和探索分析。
|
||
- 公平性、互补性、私有性。
|
||
- 公平性看进入赛局时是否可竞争，补偿性看投入差距如何转化为结果，激励性看继续投入是否值得。
|
||
- 互补性看不同投入能否协同，私有性看个人贡献能否回到个人收益。
|
||
|
||
> :black_small_square:
|
||
**七机制是理论框架，不是七个机制平均做同等强度检验。答辩时要主动说分主次。**
|
||
#### **（五）机制变量相关**
|
||
- 理论机制 → 业务规则 → 后台字段 → 机制变量 → 入模特征。
|
||
- 同一规则落到不同赛局、团体和玩家身上，会形成不同处境。
|
||
- 尽量用上一阶段或赛前机制状态解释下一阶段综合投入。
|
||
|
||
> :black_small_square:
|
||
这一组是方法落地的关键。要强调“机制变量不是规则条文本身，也不是行为结果本身，而是规则形成的可观测处境”。
|
||
#### **（六）**机器学习相关
|
||
- 适合处理高维变量、非线性、阈值效应和复杂交互。
|
||
- 这里用于关键机制变量识别和规则优化优先级判断，不替代理论解释。
|
||
- **SHAP 解释什么？**
|
||
- 解释变量重要性、影响方向、阈值区间和关系形态。
|
||
- 不能直接证明严格因果，本文定位为经验识别、关系解释和治理诊断。
|
||
|
||
> :black_small_square:
|
||
不要说机器学习证明因果影响，要说识别重要关联和关系形态，为规则诊断提供依据。
|
||
#### **（七）**聚类与治理相关
|
||
- 识别不同投入结构和行为模式的群体，为分层治理提供依据。
|
||
- 先聚类识别群体，再分组分析不同群体对机制变量的响应差异。
|
||
- 不同群体对应不同治理重点，例如弱势团体关注追赶空间，头部团体关注竞争张力。
|
||
- 如果只画像会偏描述，本文要把聚类和机制响应差异结合起来。
|
||
#### **（八）**贡献与边界相关
|
||
- 构建“规则机制—机制变量—综合投入”的分析框架。
|
||
- 形成“博弈论机制抽象—可解释机器学习识别—治理转化”的路径。
|
||
- 服务规则诊断、过程治理、分层治理和长期生态优化。
|
||
- 当前机器学习结果主要说明重要关联和关系形态，不直接证明严格因果。
|
||
### 二、飞书云文档接入 Obsidian 知识库
|
||
#### （一）推进思路
|
||
- **结合 Codex + 飞书 CLI，直接读取飞书云文档中的日报内容，再整理进 Obsidian 的主题知识库。**
|
||
- **把日报从****时间归档转成主题标签化化归档****，逐步形成「大主题 → 小主题 → 具体日报」的层级结构。**
|
||
- **通过Smart Context发给大模型agent做分析、总结或续写**
|
||
#### （二）当前进展
|
||
**目前已初步跑通以下链路：**
|
||
- **飞书云文档内容读取**
|
||
- **日报摘要、标签、原文链接抽取**
|
||
- **按主题接入 Obsidian 主题树**
|
||
- **Obsidian 跳回飞书原文**
|
||
|
||
#### （三）为什么接入 Obsidian
|
||
当前飞书日报是线性时间流，每篇相对独立。接入 Obsidian 后，每篇日报都可以成为知识图谱中的一个节点——打开任意一篇，**都能看到与它语义相关的其他日报或主题笔记，形成可跳转、可延伸的上下文网络。**
|
||
- **可以直接组装成 AI 可读的上下文包，再发给大模型agent做分析、总结或续写。**
|
||
- **这样日报内容不只是静态档案，而是可以随时被调取、组合、输入进 AI 工作流的动态素材。**
|
||
|
||
> :black_small_square:
|
||
具体路径：在 Obsidian 中暂停锚定某篇日报 → 发送相关笔记到 Smart Context → 去除噪声、调整顺序 → 复制进 AI 对话，得到基于自己笔记的结论而非泛化回答。
|
||
#### （五）后续优化方向
|
||
- **进一步打磨摘要和标签准确度**
|
||
- **优化小主题划分颗粒度**
|
||
- **按主题聚合多篇日报，持续往专题化沉淀推进**
|
||
- **探索知识库与 AI 工作流的结合，让日报内容真正可被调用** |