PaperFetch 每日前沿 2026-10-13 · 精读 18 篇 · 抓取 200 篇 2026-10-13 2026-10-12 2026-10-11 2026-10-10 AI 前沿 (8) 心理学前沿 (5) 阿尔兹海默症 (5) AI 前沿热门标签: clinical llm×1, benchmark validity×1, real-world usage×1, evaluation×1, llm-as-annotator×1, healthcare ai×1 📌 今日必读
Clinician use of language models diverges from how the models are evaluated
78 arXiv cs.CL
📄 全文 ✅ 官方资源 ⭐2
HF 👍3 clinical LLM benchmark validity real-world usage evaluation LLM-as-annotator healthcare AI safety
分析 NYU Langone 6,342 名临床人员发给内部 LLM 助手的 12.8 万条真实查询后发现，实际使用以文书和知识检索为主、诊断仅占 3.7%，而 58 个公开医疗基准平均只覆盖真实任务分布的 31%。
要点 应用落地 医院或健康系统的 AI 团队可用 RCQ-Map 对自家助手日志做脱敏分类，得到任务构成、高风险集中领域和“缺上下文”比例，用来决定优先建设什么：文书模板、与 EHR/院内规范/药品目录的检索接入、澄清追问。前置条件是能在院内环境跑 LLM 标注，且做好 PHI 处理。文中显示 22.2% 缺患者或本地信息、编码/行政类达 80.4%，说明把助手连上本地知识库比继续刷诊断准确率更重要。
研究跟进 最直接的缺口是：论文只标注了第一条用户输入，没有评估助手实际回答，因此“潜在伤害”不等于真实错误；下一步应在真实分布上做带临床医生评分的回答质量评估。其次，需要按真实分布重新加权的基准，以及能衡量“应该反问/检索/升级”的指标（目前考试类基准几乎全是直接回答）。另外，风险标注上 LLM 与医生分歧很大（24% 对 6%），风险校准与检测的可靠方法是开放问题；单机构、单工具，也需要多机构复现。
可复用方法 可搬走的做法有：(1) 用“与真实分布的总变差距离（1−TVD）”衡量任何领域基准对真实使用的覆盖度，并与均匀分布基线（55%）对照；(2) 同一份指南文本同时给人工标注员和 LLM 作 system prompt，并校验字节一致，再用“留出一名标注员、以另两人一致标签为参考”的方式比较模型与人；(3) 把响应方式设计成按限制程度排序的 answer/retrieve/clarify/escalate/abstain 字段，用于评测拒答/反问行为；(4) 用 k-匿名只输出标签，使日志分析无需暴露原文。这些做法可迁移到法律、金融等领域的日志与基准审计。
背景与方法 背景 医疗 LLM 能否上线主要靠基准分数，但这些基准多来自执业考试题或精选病例，是否像真实使用并未被系统测量。此前的使用日志研究只给出粗略分类，且很少对照基准的任务构成，也很少覆盖护士和 APP。
方法 回顾性观察研究：2025-08-12 至 2026-04-03，取 127,833 个对话的第一条临床医生输入作为 RCQ，涉及 1,664 名主治、157 名 fellow、771 名住院医、946 名 APP、2,804 名注册护士，共 35 个专科。作者设计 RCQ-Map（20 个字段：任务、意图、潜在伤害、可回答性、最安全响应方式、是否缺少患者/本地信息等），用 GPT-5.6 sol（reasoning effort none，指南作 system prompt）标注，并以 7 名临床医生对 100 条查询的盲标（每条 3 人）做验证。随后把同一标注器用于从 13 个评测套件和前沿模型报告中筛出的 58 个公开基准（每个最多 200 条，共 10,659 条，即 Clinical AI Benchmark Atlas），用 1 减总变差距离衡量与真实任务分布的重合度，并对 MedQA、HealthBench Professional、Real-POCQi、NOHARM、SCT 做细看。置信区间按临床医生做聚类 bootstrap。
关键结果 使用以文书和知识检索为主：文书与行政 36.2%、知识检索 28.9%，合计近三分之二；诊断仅 3.7%，治疗与管理 6.2%（p.4, p.6）。 36.1%（95% CI 34.8–37.5%）的查询按原样无法被良好回答，其中 22.2% 缺患者/本地信息；高/极高风险查询中 66.8% 无法按原样回答；84.5% 的高/极高风险查询最安全的响应不是直接回答，主要是反问澄清（60.0%）（p.8–9）。 58 个基准与真实任务分布的重合度中位数为 31%（IQR 21–39%），低于均匀分布的 55%；中位基准不含文书请求，仅 13/58 个基准文书占比达 5%；“模拟临床实践”套件的 29 个基准中位为 35%，与前沿模型报告所用基准的 40% 相比无优势（差 -5.5 个百分点，95% CI -21.2 至 0.3）（p.9, p.12）。 MedQA 中诊断占 48.0%、文书 0.1%，97.6% 的条目直接回答即最安全；真实查询中该比例为 61.2%。NOHARM 中高/极高风险占 54.5%，而真实查询仅 13.2%；与真实任务分布的总变差距离从 HealthBench Professional 的 0.25 到 SCT 的 0.83（p.9, p.13, 扩展数据图8）。 LLM 标注器与保留出的临床医生基准一致率为 84.6% 对 83.0%，但在风险上更保守：把 24% 的验证查询评为高/极高，临床多数意见为 6%。按临床共识校准后，高/极高风险的真实占比估计为 3.7%（95% CI 1.2–5.9%），13.2% 仅是上限；医生之间对风险的一致性也低（Krippendorff α 0.36）（p.21）。 真正的新东西 论文的新意不在方法，而在规模与角度：首次把一个机构内 12.8 万条真实临床查询（含近一半来自护士和 APP）与 58 个公开基准放在同一套标签体系下做定量比较，用任务分布距离而非定性论述来证明基准与真实使用脱节。‘最安全响应（直接答/检索/反问/升级）’和‘按原样可回答性’这两个维度较少见，直接指出考试型基准无法测量“该不该反问”。但 RCQ-Map 本质是 LLM 标注 + 分类法，任务/意图分类体系是综合已有文献拼出来的，结论方向（使用以文书为主）与已有的斯坦福日志研究一致，增量主要在量级和对基准的系统对照。
证据核查 优点：样本量大、按临床医生做聚类 CI、有按临床医生等权/去掉前 1% 用户等稳健性检验、标注器经 7 名临床医生验证、代码与基准标签公开，基准对照在同一标注器和 schema 下进行。主要局限：(1) 仅一个学术医疗系统、一个助手，使用者选择了把哪类问题发给该工具，不代表全部 AI 使用；(2) 所有标签由单个 LLM 打出，验证只有 100 条、7 名医生，且仅在真实查询上验证、未在基准条目上验证；(3) 风险、所需上下文、最安全响应的人际一致性很低（风险 α 0.36，高/极高二分 α 0.13），模型在风险上明显偏高（24% 对 6%），所以文中 13.2% 只能当上限，校准后约 3.7%，“三分之一无法回答”的绝对数也不稳，更可靠的是组间对比；(4) 只分析第一条用户输入（9.0% 无可识别请求），基准条目也被压缩成单请求，可能系统性低估 HealthBench 等多轮基准；(5) 基准和套件由作者选择，“模拟临床实践”套件对比的差异置信区间包含 0，因此“并不更接近真实”的结论统计上并不确定；(6) 未评估助手回答，所以说的是“潜在”而非实际危害；(7) 日期、模型名 GPT-5.6 sol 等细节无法独立核验。整体上，“基准与真实使用任务分布不同”这一核心结论较稳，不过“基准分数几乎不说明性能”属于推论而非直接检验，且一部分基准（如 Real-POCQi）本就刻意排除文书。
资源与复现 ✅ 官方资源 · https://github.com/nyuolab/RCQ-Map
DiffusionART: Efficient, Stable and Scalable Reinforcement of Diffusion Models
78 arXiv
📄 全文 ✅ 官方资源 ⭐78
HF 👍228 diffusion RL reward fine-tuning video generation DiffusionNFT Flow-GRPO post-training
这篇论文发现 DiffusionNFT 的不稳定来自一个隐藏的“前向-反向一致性力”，据此提出用每个提示的奖励协方差作为共享引导方向，再配合第二次更新实现自适应恢复，不用调 EMA，在图像和视频 RL 微调中比 Flow-GRPO、DiffusionNFT 省约 5–20 倍 GPU 时间。
要点 应用落地 适合做图像/视频生成后训练的团队：只有标量或成对偏好的黑盒奖励（如 VideoReward、PickScore）也能用，无需可微奖励模型。K=2 的成对反馈配置将 T2V 训练成本压到约 260 GPU 小时/400 步，预算有限的团队可直接尝试。前提是有 14B 级模型的多卡训练环境和可靠的奖励模型，奖励被过度优化（reward hacking）的风险仍需自己监控。
研究跟进 开放问题包括：作者自承“恢复项参数梯度反而比引导大 4.9×”的原因尚未分析；协方差引导是一阶近似，在奖励分布多峰或 K 很小时是否仍成立；能否在文本到图像之外迁移到离散扩散 LLM 或机器人策略。另需检验是否存在严重的奖励过拟合，以及人评/泛化指标是否同步提升，而非只看训练奖励。
可复用方法 可直接搬走的有：1）每提示用 Cov(R, x0) 经 RMS 归一化得到共享引导方向，免去引导强度系数；2）把 rollout 拆成两个 minibatch 各更新一次，用“自带恢复力”替代 EMA；3）基于 Flow-GRPO 参考 SDE 步的 KL 代理做 ODE 轨迹上的外向漂移掩码；4）成对偏好下先对同一提示池化协方差再归一化（GenEval 0.91 对 pair-local 0.78，p.20）。
背景与方法 背景 在线 RL 微调扩散/流匹配模型可使用黑盒奖励，但 Flow-GRPO 类反向过程方法信用分配差、效率低，DiffusionNFT 类前向过程方法效率高却要靠 EMA 才稳定，且 EMA 衰减需按任务调参。此前对 NFT 为什么必须联合正负分支和 EMA 缺乏理论解释。
方法 先做理论诊断：证明 NFT 的力为 2g+(2q−1)e，其中 g 是奖励改进方向，e 是前向与反向速度场的差距（一致性力），联合正负训练只能跨样本部分抵消；并证明 EMA 起作用靠的是“恢复项”而非 off-policy 数据。方法上，对每个提示的 K 个样本计算奖励-端点协方差，经 RMS 归一化得到共享引导 G(c)，目标为 v_tgt = v_old + G(c)，作用于反向 ODE 轨迹上的所有状态。每批 rollout 拆成两个不相交 minibatch 各做一次 MSE 更新，第二次天然带有与漂移成正比的恢复力，并加基于 KL 代理的 trust-region 掩码（δ=1e-5）。实验使用 LoRA 在 SD3.5-M、FLUX.1-dev 上做 T2I，全参数微调 HunyuanVideo-13B（T2V）和 Wan2.1-I2V-14B（I2V），奖励为 GenEval/OCR/PickScore/VideoReward；并扩展到成对偏好奖励。
关键结果 HunyuanVideo-13B（VQ:MQ=1:1）达到 DiffusionNFT 与 Flow-GRPO-Fast 的后期平均奖励所需 GPU 小时分别少 12.02× 和 11.72×；最后 50 步平均奖励 13.018，对比 10.105 和 8.510，高 28.8% 和 53.0%（p.14） T2V（TA:VQ:MQ=7:2:1）评估 VQ/MQ 为 8.970/4.224，对比最强基线 DiffusionNFT(EMA) 的 6.827/2.683，TA 为 2.111 对 2.096；达到 VQ 5.5 需 63.4 GPU 小时对 1401.4（22.1×）（p.9, p.14） SD3.5-M 上达到 Flow-GRPO 第 500 步的奖励，所需训练步数在 GenEval/OCR/PickScore 上分别少 10.0×/5.2×/9.6×；无需 EMA，不会像 on-policy NFT 那样崩溃（p.8） FLUX.1-dev GenEval 评估：DiffusionART 0.9684，Flow-DPPO 0.9183，DiffusionNFT(EMA) 0.8490，Flow-GRPO-Fast 0.8374（p.14）；I2V 评估 VQ/MQ 为 11.196/10.476，对比最强基线约 5.8/4.7（p.14） 成对反馈下 K=2 的 VQ 为 12.235（260.8 GPU 小时），K=8 为 12.092（883.3 小时），省 3.4×；但标量 K=8 为 13.637（p.10）。消融：单次更新会逐渐劣化，两次更新稳定；去掉掩码在视频上约第 200 步出现回落（p.9） 真正的新东西 最有价值的是理论诊断：把 NFT 的不稳定归因于前向-反向一致性力，并指出 EMA 本质是提供恢复力而非 off-policy。方法上，把奖励协方差引导（受 reward tilting 启发）与 NFT 的监督回归结合，再用两次更新替代 EMA，是对已有思想的巧妙重组，工程简洁。trust-region 掩码借自 Flow-DPPO，属增量。“无需调参”的说法有一定新意，但仍有 δ、ν、timestep 权重等固定超参。
证据核查 理论部分推导清晰，但“一致性力是不稳定主因”的因果证据主要是相关性消融和现象观察（如两次更新慢 15.2×），并非完全严格。实验几乎全以训练奖励曲线和同一奖励模型的评估分数衡量，几乎没有人类评估或独立指标，奖励被刷高不等于画质提升，且 Appendix 中的 VQ/MQ 提升数十个百分点可能含有奖励 hacking 成分。基线数据对比大体公平（DiffusionNFT 使用原版调参），但在 FLUX 上让 NFT 沿用 SD3.5 的超参数，对 NFT 不利，且论文自己的优势恰好建立在“无需调参”上，对比有倾向性。多数结果看起来为单次运行、无种子方差和置信区间。无掩码消融在图像任务上甚至略好（p.16），说明掩码的必要性只在视频上体现。成对设置下 K=4 劣于 K=8 与 K=2（10.883），趋势不单调，未解释。“12×/22×”依赖于选定的奖励阈值和 GPU 小时统计口径。
资源与复现 ✅ 官方资源 · https://github.com/vanzll/DiffusionART
Stateless Language Agents: Scaling Long-Horizon Automated Research
78 arXiv
📄 全文 ✅ 官方资源 ⭐3
HF 👍15 long-horizon agents AutoResearch stateless agents context engineering kernel optimization multi-agent coordination
让智能体不保留对话、由外部调度框架保存研究状态并为每次调用重建精简上下文，再由一个“顾问”给并行工人分配具体实验，在十亿 token 级长时程自动研究里比现有三种框架更强也更省 token。
要点 应用落地 适合有自动评测器、可量化目标的长时优化场景：GPU/CPU kernel 调优、编译器与代码迁移（如 libexpat→汇编、Git→Zig）、算法设计、系统参数搜索，团队需要能一次烧数亿 token 的预算和沙箱化评测（论文用 Modal）。前置条件是评测器可防作弊、可并行；目标模糊或评测慢的任务论文没测。成本上 Advisor 开销很小，可用便宜 Worker（GPT-5.4 mini 在 Git→Zig 同 $100 下得分 20.88 对 19.68）降低花费，但需按任务试。
研究跟进 开放问题包括：该原则本身（无状态 vs 有状态）并未被直接消融，作者承认消融只改变“看到什么”，需做同框架下“保留对话 vs 不保留”的对照；Advisor 决策质量如何衡量与提升、分裂成多个 Advisor 各看部分状态；15 个 Worker 在 FrontierSWE 不最优是 Advisor 瓶颈还是每路 trial 太少；以及用 Worker trial/Advisor 分配及结果作为短上下文 RL 片段训练模型（p.11）。还需要更多重复运行以检验单次结果。
可复用方法 可直接搬走：1) 每次调用由 harness 重建上下文，Advisor 只看按方向汇总的证据，并把“实测无提升”与“实现/运行/正确性错误”分开记录，避免误判方向枯竭；2) Worker 局部候选即使落后全局最优也保留，被重定向时从全局最优重启，新方向首个成功评测作为新本地基线；3) 以累计 token 为横轴、报告多个预算点，用检查点续跑做组件消融；4) 附录 E 给了完整的 Advisor/Worker 提示词模板（含 diversify/concentrate、最多一条增量 lane、防作弊约束）。
背景与方法 背景 自动化研究（AutoResearch）让编码智能体长时间迭代提出、实现和评测方案，但现有评测预算短、基准早早饱和（26-circle packing 在 5M token 内各方法差距 ≤2.3×10⁻¹⁰），长跑中的失败模式（历史越滚越长、多智能体重复劳动、智能体停止实验却继续烧 token）没被测过。例如 CORAL 一次 GPU kernel 运行在 231M token 后再无提升，最后 1,500 个会话 98% 不调用工具（p.2-3）。
方法 提出“有状态搜索、无状态智能体”原则：harness 保存候选方案和评测结果，每次调用为 Advisor（每个 epoch）和 Worker（每次 trial）重建角色专属的新上下文。Advisor 看按搜索方向汇总的证据，并区分“实测无提升”与“实现/运行错误导致的不确定”，据此给 W 个并行 Worker 分配具体实验；Worker 只看到任务、自己的分配、本地候选与简短反馈，在 Landlock 沙箱中运行，评测器受保护。默认 W=3、每 epoch 3 次 trial，使用 Codex(GPT-5.5) 或 Claude Code(Opus 4.8)，Advisor 与 Worker 同模型。与 EvoX、CORAL、SwarmResearch 在 Anthropic VLIW kernel、4 个 FrontierSWE 任务、3 个 SOL-ExecBench 任务、FrontierCS Structured-LWE 上按累计 token（至 1B）比较，并从 10%/20% 预算的共享检查点续跑 100M token 做消融（p.4-8）。
关键结果 Anthropic kernel（Codex，3 次运行）：SLA 1B token 时 1112.0±8.9 cycles，最强基线均值 SwarmResearch 为 1275.7±133.9；SLA 最差一次(1122)优于所有基线最好一次(1191)；达到基线最终水平仅需 67.9M vs 986.3M token（-93.1%）；Claude Code 下为 1039 vs 1130 cycles，省 84.4%（p.8） FrontierSWE（Codex，单次运行）：SLA 在 175M(25%) 四个任务全部落后最强基线（如 Dart→Haskell -11.27），在 700M 全部领先（libexpat +6.75、Git→Zig +0.86、Dart→Haskell +6.68、Lua +5.49，平均 +4.95）（p.8） 检查点续跑消融：去掉 Advisor 重建、Worker 隔离或 Advisor 分配，在所有比较中平均进展均下降；Anthropic kernel 100M→200M 去掉 Worker 隔离进展少 42.8%，libexpat 去掉分配少 84.2%；但完整 1B 去掉 Worker 隔离的运行终点 1336 vs 1112 cycles，差 224（p.9-10） 协调开销：Advisor 占 0.24–0.51% token、1.20–2.29% 成本，SwarmResearch 的 Shepherd 占 8.39–10.70% token、6.14–7.35% 成本（p.10） Worker 数扩展：1→15 个 Worker 墙钟时间缩短 6.6×（kernel）/ 7.3×（FrontierSWE）；kernel 上 W=7、15 在 25% 预算落后 W=1 337/174 cycles，但终点都在 1107–1113；FrontierSWE 最优宽度因任务而异（p.10-11） 真正的新东西 单个组件并不新：外部状态、上下文重置、顾问/工人分工在多智能体和 Ralph-loop 式做法里都有。真正的贡献是把“智能体完全无状态+harness 持有状态”作为严格原则落地，并强制执行（会话清除、文件系统隔离），再用检查点续跑把组件效应分离出来。另一个有价值的点是用累计 token 作坐标、选有余量的基准，并展示排名随预算反转，指出 25% 预算的评测会得出相反结论。基线适配的公平性是主要疑点（见证据）。
证据核查 优点：按 token 对齐预算、基线用固定上游版本且不改搜索逻辑、有外部 token 计数器；Anthropic kernel 做了 3 次运行，结果间隔大（所有 SLA 优于所有基线）；检查点续跑消融每配置 3 次。问题：1) 其余主结果（FrontierSWE、SOL-ExecBench、FrontierCS、Claude Code）都是单次运行，FrontierSWE 的逆转和 +0.86（Git→Zig）等小差距在随机性内难下结论；SOL #210 只提升 1.8%，SOL #1 反而更慢达标。2) 基线适配可能有利于 SLA：EvoX 被改成每代启动编码智能体，SwarmResearch 原论文用 Opus 4.6 按美元预算，这里改用统一 token 预算；CORAL 默认配置在该设置下表现不一定最佳。3) 论文自己的基线轨迹分析（附录 D）是挑选的个例，且作者指出未量化出现频率。4) 消融差异在 100M 续跑下很小（如 Worker 隔离 1203 vs 1192，约 1 个标准差量级），“复合放大”靠单次 1B 运行（1336 vs 1112）支撑，仅 n=1。5) 没有直接对比“同框架有状态智能体”，因此“无状态”本身的贡献与“有显式 Advisor 分配”混在一起；SwarmResearch 的 Shepherd 被设定为不分配具体想法。6) 任务为自选，未覆盖模糊目标；成本不含评测算力。总体结论方向可信，但幅度需要更多重复来确认。
资源与复现 ✅ 官方资源 · https://github.com/Alex-q-z/stateless-language-agents
🔍 值得一瞥
S-Space: Exploring Spatial Workspace in Multimodal Language Models
68 arXiv
📄 全文 ✅ 官方资源 ⭐247
HF 👍201 mechanistic interpretability spatial reasoning MLLM linear representation viewpoint transformation VLA
作者在多模态大模型中间层找到一个3维线性子空间（左右/上下/远近），物体名token的表示投影到它上面就能读出连续的空间坐标，并用它诊断模型在视角变换推理上的瓶颈。
要点 应用落地 可做成 VLM 的空间推理探针/监控：在中间层挂一个3维线性读出，无需生成就能给出物体相对位置与深度顺序，用于机器人、导航类 agent 的空间幻觉检测或廉价二次校验。更实用的方向是“感知用模型、变换用代码”：读出坐标后用旋转矩阵等确定性模块做视角变换，在 SpinBench 上把约61–73%提升到约95–99%。前置条件是白盒访问隐状态与梯度，且需逐模型选层；闭源 API 无法使用。
研究跟进 开放问题包括：读出在 Qwen3.6-27B 上整体不如直接回答，且距离轴相关性偏低（0.52–0.69）、远近判断在部分模型上很差（如 Qwen3.5-4B SpatialTunnel 远 41%），原因未解释；用读出监督或作为训练信号去修复视角变换“计算瓶颈”（例如微调模型学会旋转坐标）；水平/垂直是图像平面坐标未解耦透视，世界系/真三维如何处理；以及在 SAE/transcoder 视角下 S-Space 是否对应稀疏特征。
可复用方法 梯度角色反对称平均：对“比较类”任务取query与reference隐状态梯度之差，在模板/顺序交换/样本上平均后单位化，即可得到稳健方向，可迁移到大小、时间先后、数量等关系。配套做法：隐状态沿子空间编辑 h'=h+V(V^TV)^{-1}(c'−c) 并保持正交分量不变，用 swap vs 随机等范数噪声 vs 颜色问题做选择性因果对照；以及“已知真值前提的 premise 设定”来分离感知与计算。
背景与方法 背景 MLLM 的空间推理仍明显弱于人类，但只看输出很难判断错误来自“看错位置”还是“算错变换”。此前工作（Kang等、Min等）发现空间信息绑定在物体名token上、存在垂直-深度耦合等偏置，但多为合成场景和二维成对关系，缺少统一的三维、连续坐标读出与干预接口。
方法 用 COCO 构造左右/上下/远近的相对空间问题，对每个轴取答案logit差（如 logit(right)−logit(left)）对query与reference物体名token隐状态的梯度，做角色反对称差分后在模板、物体顺序、样本上平均并单位化，得到三个方向 v_x, v_y, v_z，张成 S-Space（每个模型选一层，层由1800个验证样本选择）。读出就是 c=V^T h，用两物体坐标差的符号回答空间问题（无需生成）。在 Molmo2-ER、Qwen3.5-4B、Qwen3.6-27B（另有 MolmoAct2 系列）上，于 CV-Bench、EmbSpatial、SpatialTunnel 评估泛化；用坐标编辑（平移/交换/随机）做因果干预；再在 SpinBench 上把读出坐标做固定旋转矩阵变换，与模型直接回答/CoT 比较，以分离“感知”与“计算”。
关键结果 坐标与真值的 Spearman 相关：Molmo2-ER L21 上物体绝对坐标水平0.789/垂直0.774/距离0.521，两物体差值水平0.871/垂直0.872/距离0.688 (p.5, Fig.3) S-Space 读出做空间QA与直接回答相当：Molmo2-ER CV-Bench 91.92 vs 94.40；Qwen3.5-4B CV-Bench 89.36 vs 73.60（+15.8），EmbSpatial 86.42 vs 78.50，SpatialTunnel 90.08 vs 86.33；但Qwen3.6-27B全部三个基准均低于直接回答（如 EmbSpatial 89.00 vs 91.33）(p.5, p.17 Table 3) 因果干预（Molmo2-ER L17）：swap 编辑使相对位置答案保持率降至43.9%（α=6），单物体平移使绝对位置问题降至41.0%（β=30），而颜色问题仅降到78.1%，随机噪声编辑保持99.8% (p.5, p.19 Table 7) SpinBench 视角变换（无premise）：直接回答 60.96%，Qwen3.6-27B 推理 83.56%，S-Space+固定旋转 95.21%；Qwen3.5-4B 推理仅62.33% vs 旋转读出 91.10%；有premise时旋转读出达97.92–99.31% (p.8, Table 1) 非空间提示下读出仍可用：Molmo2-ER CV-Bench 相对问句91.92、单物体提问83.68、颜色提问87.28 (p.6, Fig.5)；多视角提示引导的符号一致率水平/垂直 73.5–97.5%，但深度仅57–68% (p.24, Fig.15) 真正的新东西 单个发现（物体token上线性编码空间坐标）与 Kang 等的线性机制工作很接近，新意主要在：用 J-Space 式梯度差分得到跨数据集、跨提示固定的三轴连续坐标；把它做成“读出→显式旋转→规则判定”的感知/计算分解诊断管线，直观地证明模型内部坐标足以回答视角变换题而模型自己答不对。因果与“工作区”的措辞偏强，但诊断思路有实用价值；“政治左右”等案例更像趣味展示。
证据核查 优点：跨3个模型（附录5个）、3个外部基准、有层扫描和随机噪声/颜色对照，Table 2 的选层在独立验证集上进行。弱点：(1) 与“直接回答”的比较并不能证明模型“使用”该工作区——读出在 Qwen3.6-27B 上全面输给直接回答，且远近维度读出很差，“accuracy comparable”说法偏乐观；(2) 因果干预只在 Molmo2-ER 一个模型、800样本、少量层上做，层扫描每层仅80样本，且干预幅度很大（β最高30、α最高6），颜色问题也有明显退化（78%），“选择性”是相对的；(3) SpinBench 的95–99%来自手写旋转规则+n≈146的小基准，是上界式诊断而非可部署方法，且无置信区间；(4) 案例研究（unseen ball、you、socialist）为个别挑选的示例，缺统计；(5) 理论部分的假设（非空间梯度为零、上下文差异期望为零）是强假设且未检验；(6) CoT 追踪仅在手工模板和单模型上。整体：现象可信，机制性强断言（“工作区”“强于人脑类比”）证据偏弱。
资源与复现 ✅ 官方资源 · https://github.com/mirros-lab/s-space
Can AI Agents Learn Their Way to the Top? Evaluating Heuristic Learning in a Long-Running Game Agent Competition
66 arXiv cs.AI
📄 全文 ✅ 官方资源 ⭐39
HF 👍33 heuristic learning coding agents game AI benchmark self-improving agents LLM agents Claude Code
让大模型编程 Agent 在固定模型权重下，通过读回放、挑对手、改代码来迭代游戏 AI，在 12 个清华 Agent 竞赛游戏中最强配置（Opus5.5 + Claude Code）有 6 个游戏打到人类历史榜单第 1，但规则复杂的游戏仍没人登顶。
要点 应用落地 适合做“让编码 Agent 为有明确对战/仿真环境的任务自动迭代策略代码”的流水线，例如编程竞赛 Bot、游戏 AI 调优、规则型交易/调度策略的仿真对抗。前置条件是：有可批量运行的裁判/仿真器、可读的回放/日志格式、一个冻结的对手池或天梯，以及能承受数百 M token 的预算（单游戏 7–285M token）。产出是可解释、可编辑的代码而非黑箱权重，便于人工审查和回滚。
研究跟进 开放问题：①规则复杂的游戏（LOTA、Generals、Miracle）为何停滞，是规则理解、实现能力还是长程规划瓶颈，论文只给相关性（5/6 vs 1/6）而无因果检验；②3 倍预算几乎无效，说明需要更好的跨轮记忆/假设管理，而不是更多交互；③off-policy 回放有时更好（Miracle）有时更差（AntWar），可研究何时混合两类回放；④HL 与 RL 在同等反馈预算下的对比，以及对未见对手的泛化（本文全池评测同时用于优化和打分，存在过拟合风险）。
可复用方法 可直接搬走的做法：①两级反馈预算（便宜的定向小比赛返回完整回放 + 昂贵的全池评测返回 Elo），②保留历史最佳快照并在退化时回滚（Dorado 中多次发生），③让 Agent 自己写笔记应对上下文压缩，④小比赛每次选 2–4 个对手而非 1 或 8，⑤提供逐步变强的对手天梯或让模型自选对手，避免只打最强的 top-4，⑥回放要给状态-动作-后果的稠密信息而非只给输赢。
背景与方法 背景 对抗游戏里对手会改变学习目标，如何在有限交互下快速调整策略很难。近来编码 Agent 能读写代码仓库，Weng(2026) 提出“启发式学习”（HL）：权重不动，由 Agent 通过修改可执行代码和配套软件来积累经验。此前的代码竞赛类基准（CodeClash、CATArena 等）多为预设轮次、对手为 AI 程序，缺少“Agent 自主调度评测预算 + 真实人类程序池”的设置。
方法 作者把清华 Agent 竞赛历年 12 个游戏做成 AAArena，共 1,920 个归档人类程序（每游戏 44–323 个）作为冻结对手池，并用规则 AST 节点数（1,127–6,368）衡量规则复杂度。AI Agent 在持久会话、可写工作区中读规则/SDK/回放文档，自主决定何时改代码、本地验证、发起小比赛（Bs=128，每个对手一个单位，返回详细回放）或全池评测（Bℓ=16，返回 Elo/排名/逐对手结果）；禁止联网和读对手代码。成绩取运行中官方评测到的最高 Elo（retained champion），用固定池 Bradley–Terry 估计 Elo，排名第 1 记一枚金牌。评测 7 个模型-harness 组合（Opus5.5 用 Claude Code，其余用 Codex），每设置跑 3 次取中位数，并用 GLM-5.3 在 Pacman/AntWar/Miracle 上做对手选择、稠密/二元反馈、批大小、on/off-policy 回放等消融，以及 3 倍预算续跑。
关键结果 Opus5.5+Claude Code 拿 6 枚金牌，GPT6-sol 4、GLM-5.3 4、Qwen 3.8 3、Kimi K3 2、DeepSeek V4 Pro 2、LongCat 2.0 1；6 个游戏无任何配置登顶（Table 2, p.5） 规则小的 6 个游戏中 5 个有人拿到第 1，规则大的 6 个中仅 1 个（AquaWar 2,531 节点）；LOTA/Generals/Miracle 最好排名分别为 15/10/6，AntWar2 最好第 5（p.6） Dorado 案例：GLM-5.3 从排名 41 升到 2；修正矿点分配后到 14，集中升级两个核心英雄后跳到第 3（+147.7 Elo），之后“无条件使用 Sacrifice”等改动退化到 46/43 名并回滚（p.7, Table 3） 预算扩到 3 倍（384/48）后 4 个停滞游戏中 Generals、LOTA 毫无提升，Miracle 26→19 名（+50 Elo），AntWar2 9→6 名（+139.8 Elo），无一登顶（Table 4, p.8） 稠密回放 vs 仅输赢反馈：Pacman 2236（#1）vs 1710（#11），AntWar 1119（#9）vs 881（#22），Miracle 1528（#15）vs 1461（#23）（Fig.7, p.10） off-policy 回放（他人对局）：Miracle 26→15 名，Pacman 同样到 1，但 AntWar 5→19 名更差；批大小 4 在 Pacman 达 2704/#1，批大小 1 仅 2041/#5（Fig.8/10, p.11–13） token 消耗差异巨大：GPT6-sol 总计 260M，Qwen 3.8 1,454M，Opus5.5 737M；最终策略平均 79% 是规则+启发式打分，lookahead 搜索仅 7/84 个冠军超过 10%（Table 9–10, p.24–25） 真正的新东西 核心新意不在方法（HL 概念来自 Weng 博客，循环本身就是常规的编码 Agent 迭代），而在评测设计：真实长期运行的人类竞赛程序池、Agent 自主调度小比赛/全池评测两种预算、以及用历史人类榜单排名而非 AI 互打来衡量。消融（反馈稠密度、对手选择、批大小、on/off-policy 回放）提供了有用的经验证据，但样本小。AST 规则复杂度度量有意思，但仅是相关性。整体是一篇扎实的基准+经验研究，而非方法创新。
证据核查 优点：对手池是真实人类程序，有 3 次重复取中位数、多项消融，并诚实说明了金牌不等于击败人类顶尖选手、全池反馈会导致不衡量泛化。局限：①最强的 Opus5.5 用 Claude Code，其他用 Codex，模型与 harness 混杂，无法分离；②3 次重复的中位数、无方差/置信区间，许多差距（如 Table 2 中 Elo 相同的并列、Fig.6 中 Model vs Ladder 数十 Elo）可能在噪声内；③消融全部用 GLM-5.3，仅 3 个游戏、每条件很可能只跑一次，结论如“批大小 2–4 最好”“off-policy 更好”都是单样本（AntWar 上 off-policy 反而更差）；④“规则复杂度导致更弱”仅基于 5/6 vs 1/6 的相关性，且 AST 节点数与对手池规模、博弈类型、人类选手强度混杂（池更大的游戏更难登顶）；⑤用最大 Elo 取最佳快照，同一个全池反馈既用于优化又用于打分，存在对冻结池的过拟合，实际排名可能偏乐观；⑥规则化度量和 Elo 都是游戏内标度，无法跨游戏比较，只能数金牌；⑦作者受 Z.ai 资助且使用 GLM-5.3 做分析，利益冲突需留意。整体：定性结论（稠密反馈有用、规则复杂时更难）可信度中等，定量细节不宜过度解读。
资源与复现 ✅ 官方资源 · https://github.com/THU-CST-SAST/AAArena
Work2Skill: Capturing Human GUI Experience for Reusable Agent Skill Induction
66 arXiv
📄 全文 ✅ 官方资源 ⭐18
HF 👍39 GUI agent skill induction human demonstration computer-use agent OSWorld Agent Skills
录下人类在电脑上做任务的屏幕视频、鼠标键盘事件和界面无障碍树，让一个会按需翻看证据的大模型 agent 把它写成 SKILL.md，再喂给电脑操作 agent，能稳定提升任务得分。
要点 应用落地 可做成“录一遍工作流 → 生成企业/个人专属 SKILL.md → 交给 Claude/GPT 类电脑操作 agent 执行”的功能，适合报销、订票、报税这类有隐性流程（先查哪个门户、哪些检查点）的重复办公任务。前置条件是能录制环境（macOS 录屏，Linux 需 AT-SPI，AX 覆盖率受应用无障碍支持限制）、有强模型做归纳（GPT-5.5 级），单任务归纳约 20–33 万 token。生成的技能是纯文本，可直接塞进现有 agent 的系统提示，无需改执行框架。
研究跟进 开放问题：(1) 归纳时不执行、不用下游反馈修订，下一步显然是执行-验证-回写的闭环；(2) 所有技能都是“一条演示对应一个任务”，没测多演示合并、技能库检索和冲突；(3) 效果在 GPT-5.5 上步数增加、弱模型执行仍差距很大，需要弄清技能何时有害；(4) Jitter 仅限同应用内变化，跨应用/跨界面版本漂移的鲁棒性未知；(5) 缺少对技能中具体语句是否忠于演示的细粒度审计（论文自己也说校验只管结构不管正确性）。
可复用方法 可直接搬走的东西：skill-creator 写作策略（保留选择规则、公式、依赖顺序、完成检查，把实例值参数化，不写坐标/时间戳，不确定处写成可观察的条件检查）；归纳工具集与 finalize 校验（强制先读 task、先看 metadata 再采样视频、写后回读）；简洁提示优于规定流程的结论；以及“事件对齐关键帧 + AX 目标语义”的证据包格式和统一的 <task_skills> 注入包装器，用于公平比较不同技能来源。
背景与方法 背景 电脑操作 agent 在陌生软件和需要组织/个人领域知识的流程上仍然吃力，人类演示是天然的流程知识来源。已有工作（ShowUI-Aloha、Demo2Tutorial 等）用固定流水线把演示转成动作语义或教程，证据检查顺序被预设，缺少无障碍树（AX）语义，且各家演示数据与评测条件不统一。
方法 三部分：(1) WorkRecorder：macOS 录屏加输入事件，远程 Linux 通过 AT-SPI 采集 AX 元素名称/角色，并在统一时间轴上对齐，导出 task.json/actions.jsonl/keylog/video/证据图片的 episode 目录。(2) WorkDemo-350：人工演示 350 条（MyPCBench Bounded Action 64 条 + OSWorld-Verified 子集 286 条），筛除不完整或未成功的演示。(3) 基于 NexAU 的工具调用 agent 做技能归纳：配 list/glob/read_file/read_visual_evidence/get_video_metadata/watch_video/extract_video_frames/write_file/finalize_extraction 等工具，在同一对话里边查证据边写 SKILL.md，由 skill-creator 策略要求语义化目标、保留公式/依赖/完成检查。下游把技能文本追加到执行器系统提示词里，在 GPT-5.5、Opus-4.8、Qwen3.5-35B-A3B、Qwen3.5-9B 上与 No Skill、文本化的 ShowUI-Aloha、Demo2Tutorial 对比，用官方评测器。
关键结果 MyPCBench（N=64）：相比 No Skill，Score 提升 4.67–10.54 分、SR 提升 6.25–25.00 个百分点；GPT-5.5 从 74.73/23.44% 提升到 85.27/48.44%（Aloha、D2T 的 SR 均为 37.50%）(p.7) OSWorld-Verified 286 任务子集：Score 提升 3.11–7.50 分，SR 提升 1.40–7.69 个百分点；GPT-5.5 为 74.47→81.97，Qwen3.5-9B 为 27.48→33.41（D2T 为 26.45）(p.7) 相对两个基线中更强者，Score 提升 MyPCBench 3.95–7.79、OSWorld 1.65–6.96 分；但效率不稳定：GPT-5.5 步数反而增多（MyPCBench 40.89→47.38，OSWorld 19.05→25.78），诱导 token 也不一定更低 (p.7) MyPCBench Jitter（改实体/参数/约束的 64 个变体，直接复用原技能）：相比 No Skill 提升 3.93–8.64 分，SR 提升 6.25–9.38 个百分点，步数减少 2.49–5.44 (p.7) 跨模型迁移：GPT-5.5 归纳的技能在 Qwen3.5-9B 执行时 Score 34.11→36.66（+12.39），弱模型归纳的技能给 GPT-5.5 仅 +1.08 分 (p.8) 消融（GPT-5.5，MyPCBench）：全证据 85.27，去掉索引图像 74.64，去 UI 标注 80.25，去 KeyLogs 78.03，纯视频 75.81，纯 UI 语义动作文本 79.09 (p.8)；简洁提示优于规定流程的 Pipeline Prompt：85.27 vs 81.30，SR 48.44% vs 42.19%，诱导 token 多 12.7% (p.9) 真正的新东西 单看技能归纳本身并不新（已有 Trace2Skill、MMSkills、ShowUI-Aloha 等）。真正有价值的是：(1) 把 AX 树元素语义与视频/关键帧按时间对齐的采集工具；(2) 一个共享的桌面演示数据集和统一的下游评测协议，使不同归纳方法可在同一演示上比较；(3) 用“让 agent 按需看证据并自行修订”代替固定阶段流水线，并给出对应的证据与提示消融。方法层面更像工程化整合加严谨对比，而非算法突破。
证据核查 提升方向在四个模型、两个基准上一致，并有 Jitter、跨模型迁移和证据/提示消融支撑，整体可信度中上。但需注意：(1) MyPCBench 仅 64 任务，SR 每增减一个任务变动 1.56pp，且看起来是单次运行（temperature 0），没有多次种子、置信区间或显著性检验，很多差距（如 Opus-4.8 上 Aloha/D2T 与 No Skill 的差）在噪声范围内；(2) 基线是被改造成纯文本的 ShowUI-Aloha（只保留动作文本）和 D2T（去掉图片），原方法本来依赖图像，这种“文本适配”可能削弱了基线；(3) 技能和测试任务相同（演示的就是被评测的任务本身），OSWorld 的 286 个任务是人工演示过的子集，本质接近“看过答案”，对真实新任务的泛化主要靠 Jitter（仅 64 个、同应用、由 GPT-5.6 辅助生成并人工验证）；(4) OSWorld 上 No Skill 的 GPT-5.5 已达 74.5，提升空间有限，Aloha 在多个模型上低于 No Skill，说明坏技能会伤害性能；(5) 作者多是商业公司，新的 Opus-4.8/GPT-5.5 结果无法独立核验；证据消融仅用 GPT-5.5，且 w/o KeyLogs 同时去掉了图像叠加，不能干净归因；(6) 效率结论混杂（GPT-5.5 步数上升）。
资源与复现 ✅ 官方资源 · https://github.com/china-qijizhifeng/Work2Skill
Contextual Correction of Parallel Draftsfor Speculative Decoding
62 arXiv
📄 全文 ✅ 官方资源 ⭐21
HF 👍21 speculative decoding DFlash diffusion drafter inference acceleration vLLM parallel drafting
DCOCO 是挂在 DFlash 并行扩散草稿器上的一个小型打分器：它一次性给相邻位置的 top-16 候选两两打分，再从左到右贪心重选，既找回块内依赖，又不引入逐位置的串行网络，实测比 Domino、DSpark 更快，高并发下优势更明显。
要点 应用落地 如果你已用 vLLM 部署 Qwen3 / Llama-3.1-8B 并使用或打算使用 DFlash 草稿器，DCOCO 是一个仅约 2.2M 参数的附加件，可直接换取 10–25% 的额外吞吐，尤其适合 4–32 并发的在线服务。前提是需要为自己的 verifier 重新训练（约 800K 条 verifier 自生成续写，先训 DFlash 再联合训练 6 epoch），不能直接套用到别的模型上。开放式对话类负载收益有限（约 1.7–1.9×），主要价值在数学和代码场景。
研究跟进 开放问题包括：训练和评测都在 T=0 生成的数据与 128 条子集上，与真实流量分布的差距未知；更长块、更大 K、更大 verifier（30B 以上稠密模型）下是否仍有效；贪心规则在 DCOCO 评分上最优，但换用其他评分器是否依然成立。下一步可以做真正的接受概率估计来取代固定的 ρ=4 降权，或把候选重选与树状验证结合；也值得查一下 DCOCO 相对 EAGLE-3 这类自回归草稿器的表现，本文完全没比。
可复用方法 可搬走的有：（1）先用 top-k 覆盖率（论文中 Qwen3-8B 末槽 top-1 仅 0.154，top-16 达 0.608）量化“草稿器已猜对但没选中”的空间，再决定要不要做重选；（2）零初始化输出层的残差式修正器，初始等价于原模型，便于在已训练草稿器上做增量训练；（3）按位置指数降权的损失，以及“推理时贪心、训练时联合 softmax”这种让训练目标比解码规则更强的做法；（4）评估校正类方法时必须扫并发度，只看并发 1 的结果会高估串行校正器。
背景与方法 背景 推测解码里，DFlash 这类扩散草稿器一次前向就并行预测整块 token，延迟低，但各位置看不到前面位置实际选了什么，块内依赖缺失，导致后段接受率低。DSpark、Domino 用轻量串行/因果模块补回依赖，但这个模块在每个草稿周期的关键路径上，高并发时开销会吃掉收益。本文要问：能否不引入串行模块，也恢复块内依赖？
方法 基于 DFlash 单次前向得到的各槽位隐藏状态、top-K(K=16)候选 id 和 logit，用一个共享的两层 MLP 给相邻槽位的 K² 个候选转移打分：S_p(a,b)=ℓ_{p+1}(b)+Δθ(…)。输入包含候选表示（冻结词嵌入+槽位隐藏状态融合）和相邻槽位的 pair state，全部 (B−1)K²=3584 个转移在一个 batch 里并行算完，输出层零初始化，初始时退化为原 DFlash。解码用前缀优先贪心：第一槽取草稿 top-1，之后每槽在已选前驱的行里取最高分后继，复杂度 O(BK)。训练时以 verifier 在 teacher-forced 上下文下的 argmax 对作为标签，对 K² 个转移做联合 softmax 交叉熵，并按 e^{-(p-1)/4} 对靠后位置降权，与 DFlash 原损失联合训练；从 6 epoch 的 DFlash 检查点再联合训练 6 epoch。在 vLLM 上，用 Qwen3-4B/8B/Coder-30B-A3B 和 Llama-3.1-8B 作 verifier，单张 B200，在 10 个基准、T=0/T=1、有无 thinking 下比较吞吐。
关键结果 Qwen3-8B 关闭 thinking、并发 1：平均加速 T=0 为 3.62×（DFlash 2.95×、Domino 3.16×、DSpark 2.88×），T=1 为 2.87×（对应 2.45×/2.53×/2.37×）(p.8 表1) 四个 verifier、有/无 thinking 共 12 个配置的平均加速全部最高，比最强基线高 8–19%；例如 Llama-3.1-8B T=0 3.75× vs Domino 3.24×，但 T=1 仅 1.93× vs 1.79× (p.8 表2) Qwen3-8B 平均接受长度 τ：T=0 为 4.985 vs Domino 4.613、DFlash 3.913；相对 DFlash 每周期多花 3–4% 时间，换来 18–27% 更长的接受前缀 (p.7, p.17) 并发 4–32 时 DCOCO 保持最高吞吐，Qwen3-8B 比最强基线高 T=0 下 16.6–23.0%、T=1 下 12.4–18.2%；32 并发时 Domino（9013.9）和 DSpark（9490.3）均低于 DFlash（9655.0 tok/s）(p.26 表19) 消融：去掉 pair state 使 τ 降 7.3%/5.6%，去掉候选表示降 4.8%/3.7%；冻结草稿器只训练修正器仍使吞吐 +4.4%（783.1→817.7），联合训练再多约 15%；基线多训 6 epoch 仅提升 ≤1.9% (p.13-14) 选择规则对比：前缀优先贪心的 τ（5.254）与几何折扣全局选择（5.258）几乎一样，但吞吐高约 2.8%（1011.6 vs 983.2），且 Global-Sum 在九个数据集上全部更差 (p.9 表3) 真正的新东西 核心想法并非全新模型：在并行草稿器输出的 top-K 候选网格上，用一个并行 MLP 对相邻转移打分，再用贪心左到右选取，等于用“并行打分+廉价串行游走”替代 Domino/DSpark 的串行神经网络。真正有价值的是工程层面的洞察：高并发下校正器的每周期开销才是关键，而非接受长度。前缀优先选择、对靠后位置降权的训练目标是顺着“验证遇首个拒绝即停”的结构做的合理设计，但增量属于对 DFlash 的改进，不是范式变化。
证据核查 证据整体较扎实：消融完整（两条输入通路、冻结草稿器、基线多训 6 epoch 以排除训练预算因素），T=1 报三个种子的均值±标准差，并发扫描覆盖四个 verifier，结论方向一致。需要打折扣的地方：(1) 所有基线（DFlash/Domino/DSpark）都是作者自己用同一语料重训 6 epoch，而 DCOCO 总共训了 12 epoch；虽有基线延长到 12 epoch 的对照，但基线未做超参调优，且 DSpark/Domino 并非用各自官方权重；(2) 每个数据集只抽 128 条（AIME 30、MT-Bench 80），T=0 为单次运行，LiveCodeBench 在 Llama T=1 的结果等波动很大（标准差高达数十 tok/s），个别单元格如 Llama MBPP T=0 不及 DFlash 说明提升并非处处成立；(3) 训练只做一次、一个种子，训练方差未知；(4) 完全没有与 EAGLE-3 等自回归草稿器比较，“SOTA”只限 DFlash 类并行草稿器；(5) 作者来自创业公司，未见声明利益冲突；(6) 虽然声称 lossless，但仅有附录 G 的推导，没有做分布层面的实测验证；Llama T=1 时优势缩小到约 8%，提示收益依赖于 verifier 和温度。
资源与复现 ✅ 官方资源 · https://github.com/two-delta/DCOCO
From Given to Gathered Evidence: Agentic Learning for Longitudinal Medical Reasoning
62 arXiv
📄 全文 ✅ 官方资源 ⭐2
HF 👍12 medical agent agentic RL self-distillation multimodal MRI UK Biobank tool use
作者在 UK Biobank 的纵向 MRI 和临床记录上构建了需要智能体自己调用工具找证据的医学问答基准，并用「教师轨迹 SFT + 带自蒸馏惩罚和评审打分的 RL」训练出 8B 模型，在自建测试集上超过 GPT-5.4 和 Claude Opus 4.8。
要点 应用落地 可作为影像+记录的辅助阅片/随访复核原型：让小模型自主调用分割、对比、报告检索工具，并输出带证据链的结论，8B 即可单节点部署、延迟低于闭源 API。适合有纵向多模态数据和私有化部署需求的医院或科研机构，但前置条件是已有 Vista3D/MedGemma 等预处理管线；标签来自 ICD 编码而非影像金标准，目前不能直接用于临床决策。
研究跟进 首先要补外部验证：只在 UK Biobank 单一队列上训练和测试，需要跨队列、跨设备和有放射科医生标注的验证。其次，ICD 诊断标签未必能从 MRI 观测到（作者承认），Table 16 中仅凭问题和上下文就有 38.6%/52.7%，需要检验有多少提升来自人口学先验而非影像。此外还缺多 seed 方差、对 OPSD 独立效应的受控对照（如 SDPO 式梯度蒸馏、中性提示对照），以及 insight 与影像真实对应关系的专家评审。
可复用方法 1) 用评审 LLM 按「证据具体性/逻辑/答案支持/完整性」四项给推理打分，并仅对 top-2 评分高且答案正确的 rollout 给 +0.5，对评分高但答案错的给 −0.3，抑制「流畅但无依据」的解释。2) 把特权视图（带答案）与普通视图的 top-128 + 残差桶 KL 当作 detach 的惩罚放入奖励，再做组归一化，可低成本防止纯 rubric RL 后期的复述崩溃。3) 预计算工具输出并按 (参与者, 工具, 参数) 缓存回放，让多轮多模态 RL 不依赖在线 GPU 工具调用。4) 用 RSFT 的评分阈值筛选教师轨迹做冷启动。
背景与方法 背景 传统医学 QA 基准给定预选证据，评估的是在固定上下文里推理，而真实临床需要自己决定查哪次就诊、哪个器官、哪个序列。已有交互式基准（MedChain、VivaBench、MTBBench 等）涉及信息获取，但很少针对大规模纵向影像，也很少研究小模型如何通过 RL 超越教师轨迹模仿。
方法 基于 UK Biobank 构建 50,401 道 ICD-10 诊断衍生题（4,739 名参与者，测试集 4,850 题/455 人，参与者不相交），每题配有基线与随访 MRI（中位间隔 2.26 年）。工具包括 MRI 视图、Vista3D 器官体积/叠加图、MedGemma-27B 报告、技能记忆，分三个角色（Anatomist/Radiologist/Consultant，共用一个策略，仅提示词和工具集不同）。训练分两阶段：先用 Qwen3.8-Max 录制的 147,434 条轨迹经 Kimi K2.6 评分筛选（≥0.4）做 RSFT，初始化 Qwen3-VL-8B-Instruct；再做 agentic GRPO（每题 8 条 rollout），奖励由精确答案匹配、Kimi K2.6 对 P4 insight 的评分、top-2 答案-insight 关联奖励，以及「普通视图 vs 带答案特权视图」的 top-128 反向 KL（OPSD）作为减项惩罚组成，工具观测用预计算缓存回放。全模型端到端训练，约 2,000 H100 GPU 小时。
关键结果 角色平均 Micro/Macro 准确率：CASE-8B 76.1/75.1，Claude Opus 4.8 68.6/65.8，GPT-5.4 65.3/65.7，Kimi K3 70.2/69.5，基座 Qwen3-VL-8B 46.0/47.1 (表1, p.9) 消融（角色平均 Micro）：RSFT 65.7 → GRPO 69.3 → +RLAIF 70.6 → +OPSD 73.8 → 两者都加 76.1；无 OPSD 的 GRPO+RLAIF 在训练后期出现重复复述导致正确率崩溃 (表2, 图3, p.10) 相对教师 Qwen3.8-Max 的 Micro 增益：Anatomist +11.7pp、Radiologist +34.6pp、Consultant +2.9pp（95% 置信区间 ±1.5），对 GPT-5.4 为 +13.9/+9.4/+9.1pp，对 Claude Opus 4.8 为 +10.1/+6.5/+5.9pp (表14, p.37) 证据依赖：仅看问题 38.6%，仅初始临床上下文 52.7%，固定证据包 66.0%，自适应获取 76.1%；去掉 MRI 视图降到 65.9，仅早期就诊降到 64.6，去掉报告降到 71.7 (表16, p.38) 交互成本：CASE-8B 平均 5.1 次调用、8.4 张图，失败率 2.6%，中位延迟 34.2s，低于 GPT-5.4（46.1s）和 Claude Opus 4.8（44.3s）；基座失败率 21.4% (表17, p.40) 真正的新东西 把纵向影像医学问答改造成需要自主取证的交互环境本身有价值，但思路与 MTBBench、ClinEnv 等相近，基准规模大是亮点。方法上，把「答案特权视图与普通视图的反向 KL」做成 detach 的轨迹级奖励惩罚、在组归一化前重排整条轨迹，是对 OPSD/自蒸馏的有意义变体，并配有一个清晰的崩溃—修复消融故事。整体偏工程组合（SFT + GRPO + LLM 评审 + 自蒸馏惩罚），单个组件创新有限；作者自己也承认「是可检验的设计差异，而非已证明的优势」。
证据核查 主要问题：①基准、训练和测试均为同一团队自建，数据同源（同一 UK Biobank、同一问题生成器），对比对象并未针对该基准训练，8B 模型的领域内收益不等于泛化能力。②标签来自 ICD 编码和问卷，不一定可由 MRI 观测；Table 16 显示问题+上下文就有 52.7%，说明相当一部分准确率来自先验。③大幅领先主要来自 Radiologist 角色与教师/基线的特定失败（Qwen3.8-Max 在 Radiologist 仅 40.2%，且有 21.4% 基座失败率），Consultant 对教师只高 2.9pp；基线表现依赖共同的工具框架和提示，闭源模型未针对该框架调优。④RL 奖励与 Kimi K2.6 评分、训练和教师轨迹筛选耦合；评测用另一个 judge，但 insight 分数不等于影像落地。⑤消融单次运行，未报多 seed 方差（论文自述「以三个种子为目标」）；置信区间只反映测试采样不确定性。⑥摘要的「16%/10% 相对提升」对应的是 Micro 76.1 对 65.3/68.6 的角色平均，数字自洽。⑦论文含多处 'TBD' 式说明：历史试点无法独立验证，筛选产物未随附。总体上内部消融有说服力，外部结论偏强。
资源与复现 ✅ 官方资源 · https://github.com/VinyehShaw/CASE
心理学前沿热门标签: adhd×2, llm psychometrics×1, cross-cultural measurement×1, response bias×1, reverse-keyed items×1, measurement invariance×1 🔍 值得一瞥
Trait or Bias? Why item keying is indispensable when comparing language model responses across languages
62 PsyArXiv preprint
📄 全文 ✅ 官方资源
LLM psychometrics cross-cultural measurement response bias reverse-keyed items measurement invariance AI and psychology
同一个大模型用中文和英文回答「集体主义」问卷时得分不同，但这个差异其实混着两股方向相反的东西（真实倾向的变化和「爱说同意」的习惯变化），只有问卷里含有反向计分题时才能把它们分开。
要点 为什么有意思 我们常以为「AI 用中文回答更集体主义」说明它学到了中国文化。这篇提醒：问卷得分变化可能只是模型「爱不爱说同意」的习惯随语言改变。有趣的例子是，英文下模型对「我坚持与团队共渡难关」和与之矛盾的「我不为团队牺牲个人利益」都打了同意（5.54 与 5.33），这样的答案更像按格式作答而非表达立场。对日常使用者而言，用哪种语言提问可能悄悄改变答案倾向，而你并不知道。
属于哪个分支与学科脉络 属于「AI 与心理学交叉」中的 AI 心理测量学（用人类量表测模型）以及研究方法与测量学。这个方向近两年从「给模型做大五人格」转向质疑「这些测量到底有没有效」（Sühr、Meyer、Peereboom 等）。本篇是延续并推进：把 Meyer 等的单语言分析扩展到跨语言，同时回头审视 Lu 等 2025 的结论，属于补充与限定，而非推翻（作者明确说复合分数差异是真实可复现的）。
对想学心理学的人 这篇展示了心理测量学的基本功：反向计分题、默认同意偏差、测量等价性、构念效度，这些在人类研究里是标准概念，学心理学统计和量表编制的人在 AI 研究中同样用得上。论文本身只用到了均值和简单的代数分解，需要的技能是写 API 调用脚本、数据整理和清晰的因果逻辑，而非高深统计。同时它也是一个反面教材：研究未预注册、重复次数不等于样本量、p 值与 d 值（最高 8.09）没有意义，这些都是可重复性讨论中的典型坑。这类「心理学+AI」的交叉工作近年在学界和产业界评测团队中都有需求。
背景与方法 背景 最近有研究（Lu 等 2025, Nature Human Behaviour）发现大模型用中文回答时比用英文更「集体主义」，并解读为训练语料中的文化差异。但这类比较默认两个语言版本的问卷测的是同一件事，而在人类跨文化研究里，这个前提必须先用「测量等价性检验」来证明，大模型研究里却很少做。
方法 作者用 Lu 等公开的中英文题目原文，给 4 个模型（GPT-5.6、Claude、DeepSeek-V4-Pro、Qwen-max）施测 3 个集体主义量表（Yamaguchi 10 题含 5 道反向题；Yoo 6 题全正向；Chen 5 题含 3 道反向），设两种温度（控制随机性的参数），每个条件重复 100 次、逐题单独提问。用 Meyer 等 2026 的测量模型，把作答拆成「潜在特质」和「不论题意都倾向同意/不同意的偏差」，比较中英文下两者的变化。另做两个探索性实验：把 5 道反向题改写成正向表述（GPT-5.6 与 Qwen-max），以及隔四周重新施测同一模型名称。研究未预注册，是边看数据边调整的探索性分析。
关键结果 复现：23 个模型×量表×温度比较中 20 个显示中文下得分更高；在 4 个模型都有的两个量表上 16/16 为正，温度影响很小（平均绝对变化 0.064 分）(p.9) 效应集中在少数题：Yamaguchi 上反向题平均差 +1.18、正向题 −0.05；Q6「当团队犯错时我不支持团队」差 +3.01，Q2 +1.92，Q9 +1.15 (p.11) 分解后8个估计全部是中文下特质 Δθ 更高（均值 +0.565）、偏差 Δb 更低（均值 −0.618），且 5/8 条件偏差变化大于特质变化；Qwen 接近两倍（−0.91 vs +0.49）(p.12) 两者抵消：Yamaguchi 只取 5 道正向题时中英差仅 −0.05；全正向的 Yoo 量表差 0.228，不到平衡量表 0.565 的一半 (p.14) 改写实验：5 道改写题的平均差在 GPT-5.6 从 +1.454 降到 +0.352，Qwen 从 +0.600 到 −0.093，未改动的控制题仅变 0.024/0.010；但 Q6 在两个模型中方向相反，说明「否定句」不是原因 (p.16-17) 四周稳定性：GPT-5.6 同一模型名下平均绝对变化 0.11 分，Qwen-max 为 0.97 分，Q6 降了 2.39，Q10 反号 (p.18-19) 真正的新东西 核心洞见是把心理测量里的老问题（默认同意倾向、反向题）搬到「大模型跨语言比较」这个新场景，并指出在全正向量表上特质与偏差无法识别、且两者在跨语言中方向相反会相互抵消，这一点此前跨语言研究没做。分解方法本身来自 Meyer 等 2026，并非新发明；作者自己也承认模型假设（偏差与题目内容无关）在数据中并不成立，所以 Δθ、Δb 更像两个汇总指标而非干净的潜变量。改写实验和四周漂移实验的方向有价值，但样本很小（2 个模型、1 个量表）。
证据核查 主要问题：(1) 研究是探索性的、未预注册，分解方法是看到数据后才采用；(2) 每个条件的 100 次重复不是 100 个独立样本，作者自己承认推断统计无意义，主要靠均值差，这是诚实的；(3) 只有 4 个模型、2 种语言、3 个量表，其中真正能分解的只有 Yamaguchi（Chen 仅 5 题，偏差符号不一致，作者以噪声解释，属于未检验的辩解）；(4) 分解模型的前提（偏差与题目无关）被作者自己的数据否定（反向题差异 −0.20 到 +3.01），所以「偏差」更多是操作性定义；(5) 效应主要由 3 道题驱动，结论容易受题目选择影响；(6) 改写实验仅 2 个模型，且 Q6、Q9 在两个模型中行为相反，改写还可能引入语义变化，「用词导致差异」只能说是被支持而非被证明；(7) 模型漂移结论只基于 2 个模型 2 个时间点，且 Claude 的温度设置因 SDK 问题失效、Chen 数据只有 52 次。(8) 模型名（如 GPT-5.6）为作者所用版本，读者无法独立确认。总体：核心逻辑（全正向量表无法识别、需要反向题）是代数上成立的，实证部分是示范性的而非决定性的；作者的限制说明写得相当坦诚，无利益冲突声明。
资源与复现 ✅ 官方资源 · https://doi.org/10.17605/OSF.IO/Z8T9B
Teacher Help and the Development of Socioeconomic Ability Stereotypes: Longitudinal Evidence From Real Classrooms
62 PsyArXiv preprint
📝 仅摘要 ✅ 官方资源
stereotypes socioeconomic status developmental psychology classroom preregistration longitudinal
荷兰小学生觉得老师更常帮助家境较差的同学，而那些在学年初就这样感知的孩子，到学年中期更倾向于认为低家境群体“能力差”。
要点 为什么有意思 我们通常认为“多帮助困难的孩子”纯粹是好事，这项研究提示：帮助的分布本身会被孩子看在眼里，并可能悄悄传递“某类家庭的孩子不太行”的信息。这和日常很像——班里总是被老师“特别关照”的那几个人，同学会怎么看他们？不过这并不意味着不该帮助，而是提醒帮助的方式值得留意。
属于哪个分支与学科脉络 属于发展心理学与社会心理学的交叉，涉及教育心理学：研究儿童如何习得社会群体的刻板印象。近年趋势是从实验室走向真实课堂，从单次横断面走向纵向追踪，并使用预注册。这篇是对实验室发现的“现实场景延续与检验”，而不是开创新理论。
对想学心理学的人 它展示了发展与教育心理学的典型做法：进入学校、以班级为单位收集数据（孩子嵌套在班级里，通常需要多层次模型处理）、在一个学年内重复测量，并先预注册假设。想做这个方向需要学会问卷与儿童友好的测量设计、纵向与多层次数据分析，以及与学校合作的耐心与伦理意识。这类研究多在大学教育学院、发展心理学系和教育政策机构中开展，就业可通向学术、教育研究和教育咨询。
背景与方法 背景 老师帮助学生本是好意，但被帮助也可能暗示“你自己做不好”。实验室研究显示，帮助分配不均会强化对被帮助群体的负面能力刻板印象（对某一群体能力的固定看法）。现实中老师常给低社会经济地位（SES，指家庭收入、教育、职业等综合背景）的孩子更多帮助，但这是否在真实课堂里塑造刻板印象，此前缺乏纵向证据。
方法 这是一项预注册的纵向研究：荷兰7–13岁儿童565人，来自65个班级，一个学年内测三次。每次让孩子指出班里哪些同学最常得到老师帮助，并测量他们对不同SES群体能力刻板印象的认同程度。研究区分了两种类型的帮助（摘要未说明具体是哪两种），并分析感知到的“按SES划分的帮助差异”是否随时间预测之后刻板印象的变化，同时考察孩子自身SES和年龄的调节作用。具体统计模型、控制变量和SES的测量方式摘要未交代。
关键结果 所有三个时间点，孩子都认为老师更多帮助低SES同学而非高SES同学（摘要） 这一模式在两种帮助类型上都出现；低SES背景的孩子和年龄较大的孩子感知更明显（摘要） 学年初感知到的“按SES分化的帮助”能预测学年中期更强的SES能力刻板印象（摘要） 上述预测关系只在其中一种帮助类型上成立，说明结果并不稳健一致（摘要） 样本：565名儿童、65个班级，约65.2%为荷兰本土背景，性别约各占一半（摘要）；摘要未给出效应量或具体统计数值 真正的新东西 新意主要在于把实验室里“不均等帮助→刻板印象”的机制搬到真实课堂，并用三次测量的纵向设计与预注册来检验，这比单次实验更接近现实。但摘要显示核心的纵向结论只在一种帮助类型上成立，所以它更像是“有初步支持”，而不是确凿证明。从“孩子的感知”出发而非客观记录老师行为，是一个有趣但也有局限的选择。
证据核查 优点：样本较大（565人，65个班级）、纵向三次测量、预注册，这是积极信号。局限：（1）只有摘要，效应量、置信区间和统计模型都未知；（2）“帮助”是孩子的主观感知，而非老师实际行为的观察，可能与真实情况有偏差；（3）核心的纵向预测只在一种帮助类型上成立，且摘要中未说明是否做了多重比较校正，需要谨慎；（4）观察性设计，不能证明是帮助差异“导致”了刻板印象，可能有未控制的第三因素，如孩子的家庭环境、同伴文化或已有的偏见；（5）样本只来自荷兰，约三分之二为本土背景，结论能否推广到其他教育体系和文化尚不清楚；（6）这是预印本，尚未同行评审，未见独立重复验证。
资源与复现 ✅ 官方资源 · https://osf.io/vu2zt/overview?view_only=afb50973a0c04fa1be90d86bd3beacec
The World Federation of ADHD International Consensus Statement: 2026 Update
55 PsyArXiv preprint
📝 仅摘要 ❌ 无公开资源
ADHD consensus statement meta-analysis neurodevelopmental disorders clinical psychology stigma
一个来自29个国家、118位作者的专家团队，把2021年到2025年中的大型研究和荟萃分析重新梳理了一遍，给出250条有证据支持的ADHD（注意缺陷多动障碍）结论，用来澄清误解、减少污名。
要点 为什么有意思 很多人直觉上觉得ADHD是“现代人注意力差”“家长教育问题”或“被诊断出来的潮流”。这类共识声明的目的就是逐条用大样本证据检验这些说法，并且明确说要减少污名。它和日常生活直接相关：无论你自己、孩子还是同事被贴上这个标签，知道哪些说法有证据、哪些没有，会影响你怎么看待诊断、药物和支持方式。摘要还透露，有些结论在五年里发生了变化，这本身就很能说明科学是怎么自我修正的。
属于哪个分支与学科脉络 属于临床心理学与精神病学的交叉领域，具体是神经发育障碍（ADHD、自闭症这类从儿童期起病、与大脑发育有关的状况）。近几年这个领域的走向是：大规模队列和遗传学研究增多，关注成人ADHD和共病，同时公众对过度诊断和用药的争论升温。这篇属于“延续并修订”2021年首版的位置，不是开创性研究，而是给整个领域做一次证据盘点。
对想学心理学的人 它展示了临床研究中一种常见的工作方式：不靠单个实验，而是用荟萃分析和大型队列来判断哪些结论可信，并且特别要求检查发表偏倚。如果你想走这个方向，需要学会读懂样本量、效应量、置信区间和荟萃分析的基本逻辑，也需要了解遗传学和流行病学的基础。ADHD相关工作有临床心理、精神科、教育和研究等去处，但要做临床诊治通常需要研究生以上训练和执业资质。读这类声明也是练习批判性阅读的好材料：留意谁写的、纳入标准是什么、哪些内容被排除。
背景与方法 背景 2021年发布的首版ADHD国际共识声明，目的是回应公众和媒体中关于ADHD是否真实存在、是否被过度诊断等争议。此后五年新证据大量涌现，包括更大的队列研究、遗传研究和治疗研究，因此需要更新，看看哪些结论站得住、哪些需要修正。
方法 这是一篇综述式的共识声明，不是新实验。作者设定了纳入标准：2021年1月1日至2025年7月1日发表，且满足两类之一：参与者不少于2000人的大型队列研究，或至少纳入5项研究或2000名参与者、并且考虑了发表偏倚（即阳性结果更容易被发表而造成的偏差）的荟萃分析（把多项研究合并计算的方法）。符合条件的研究按主题汇总，涵盖患病率、遗传与环境因素、精神与躯体共病、认知与神经差异、功能结局和治疗。全文由来自29个国家、6大洲的118位作者审阅并认可。（仅依据摘要，具体检索流程、证据分级方式和一致意见如何达成，摘要未说明。）
关键结果 共生成250条有实证支持的声明，覆盖患病率、基因与环境、共病、认知与神经差异、功能结局和治疗六大领域（摘要） 纳入范围：2021年1月1日至2025年7月1日发表的、≥2000人的大型队列研究，或≥5项研究/≥2000人且评估了发表偏倚的荟萃分析（摘要） 由118位作者、29个国家、6大洲的专家审阅并批准内容（摘要） 结论层面：2021版的许多结论得到支持，部分发现增加了细微差别，少数领域的证据平衡在过去五年发生了转移（摘要；具体是哪些领域摘要未说明） 真正的新东西 这篇不产生新数据，价值在于整合与筛选。相比普通综述，它用了明确的纳入门槛（大样本、考虑发表偏倚），这是对可重复性危机的方法学回应，也是它的亮点。但它并不是严格意义上的系统评价，门槛偏向大型研究，可能漏掉小而新的发现；由学会性质的专家小组撰写，也可能带有倾向于维护诊断合法性的立场。新意主要在于“更新”和“承认有些结论已经改变”，具体改变了什么要看全文。
证据核查 只有摘要，无法核验250条声明各自的证据强度。几点需要留意：(1) 纳入标准偏向大样本和荟萃分析，这提高了可靠性，但大型队列多来自高收入、西方国家的登记数据，对其他文化的代表性存疑；(2) 荟萃分析要求“考虑了发表偏倚”，但考虑不等于解决，且荟萃分析的质量取决于被合并的原始研究；(3) 作者团队多为ADHD领域的知名专家，可能有行业资助或药企关系等利益冲突，摘要未披露，需要看全文的声明；(4) 共识声明是专家意见的整合，不等于新的独立证据，也不是预注册的系统评价；(5) 观察性队列研究难以支持因果结论，如果全文对“风险因素”的表述较强，要留意是相关还是因果。摘要中未给出任何效应量。
资源与复现 ❌ 无公开资源 · https://osf.io/preprints/psyarxiv/w5n9t_v1/
MBB-AVR: a mind-brain-body dataset with dynamic affective states in immersive virtual reality
50 PsyArXiv preprint
📄 全文 ✅ 官方资源
affective neuroscience virtual reality open dataset EEG psychophysiology continuous emotion rating
研究者让47个人戴着VR头盔看23分钟的360°动画，一边实时用手柄报告自己的情绪，一边记录脑电、心电、呼吸、皮肤电和瞳孔，并把这套数据免费公开给其他研究者使用。
要点 为什么有意思 日常直觉是“情绪是一个个事件”，但真实情绪像天气一样连续变化。这个数据集让研究者可以问：你感觉变糟的那一刻，心跳、出汗、瞳孔、脑波在怎么变，谁先动？图4里恐怖场景中皮肤电和瞳孔明显上升而心率几乎不动，提示“身体反应”并不是整齐划一的，这也提醒人们用手环心率判断情绪可能并不可靠（仅为目测的描述性现象）。
属于哪个分支与学科脉络 属于情感神经科学与心理生理学，同时连着情感计算（让机器识别情绪）。近年趋势是从“短片段+事后一次打分”转向自然、连续、沉浸的刺激，并强调大脑与身体的相互作用（网络生理学）以及开放数据和BIDS标准化。这篇是对这条线的延续和基础设施建设，属于“数据论文”，本身不检验假设，而是为后续研究提供原料。
对想学心理学的人 它展示了现代实验心理学实际有多“工程化”：要懂实验设计（用重复基线控制变量）、信号处理（脑电去伪迹、心电R波检测）、Python、数据标准（BIDS）和同步技术（LSL）。样本量仅47人、且主要是德国年轻人，说明这类多模态实验成本高、人数有限，因此才需要共享数据。想走这个方向要练编程、统计和信号处理，就业出口包括学术界、可穿戴设备与VR/AI情感计算公司、数字心理健康；但该方向偏技术，临床应用要较长链条。
背景与方法 背景 传统情绪研究多让人看一段短视频后打一个分，而真实生活中的情绪是连续起伏的。已有的情绪生理数据集（如DEAP、MAHNOB-HCI、CASE、CEAP-360VR）要么只给每段视频打一次分，要么没有脑电，要么不是沉浸式VR。作者认为还没有一个数据集同时具备连续自评、脑电、多种外周生理信号和沉浸式VR（Table 1，p.3–4）。
方法 47名健康成年人（24女、22男、1非二元，平均27.1岁，范围19–39岁，来自柏林马普所被试库）在旋转椅上戴HTC Vive Pro Eye头显，观看23.3分钟的连续360°立体CG视频：一段平静的“飞船”基线场景穿插三段情绪场景（Invasion、Asteroids、恐怖风的Underwood）。被试用手柄触摸板持续报告自己当下的效价（愉快—不愉快）和唤醒度（平静—激动），屏幕下方有会“变尖变快”的Flubber形状作实时反馈。同时用LSL同步记录64通道脑电（实际60个EEG+4个眼电）、心电、PPG（指尖脉搏）、呼吸、皮肤电、眼动与瞳孔、头动，还收集了内感受敏感性（MAIA）、述情障碍（TAS）、晕动症（SSQ）等问卷。数据按BIDS标准整理，附带视频的音频和画面低层特征，并做了延迟测试、信号质量评估和描述性时间序列。
关键结果 刺激—记录时间延迟用光电二极管实测：平均10 ms（SD=0.8 ms），已在转换中校正（p.18） 情绪效价评分的波动在每一对视频之间都显著不同（FDR校正后p均≤.005）；唤醒度波动中，基线Spaceship显著低于其他三段（p≤.005），而另三段之间无差异（p≥.381）（p.19–20） 质量评估中，心电几乎全部良好（多数被试坏数据<1%），但PPG和呼吸坏数据比例很高，不少人超过30%，个别达50%以上；脑电坏数据多在5–20%，个别达23.5%（Figure 3, p.23） 1名被试有3名脑电阻抗放宽到20 kΩ（sub-006、021、044），低于厂商25 kΩ阈值（p.18）；部分被试连续评分缺失（技术问题），唤醒度靠Flubber频率线性反推恢复（p.12–13） 群体平均曲线显示：皮肤电、瞳孔直径、唤醒度评分在恐怖场景Underwood明显升高，而心率、呼吸率变化很小（Figure 4, p.27，仅目测，无统计） 真正的新东西 创新主要在资源整合而非科学发现：第一个把连续情绪自评、60通道脑电、多种外周生理信号、眼动瞳孔和立体沉浸式VR放在同一范式里的公开数据集，且遵循BIDS并附带刺激特征。23分钟的连续长刺激、重复的基线穿插设计也比以往的短片段更适合研究情绪的时间动态。但被试数量（47）与DEAP（32）等相当，没有提出新理论或新方法，评分工具AffectTracker来自同组先前工作。
证据核查 这是数据描述论文，没有检验科学假设，所以“证据是否支持结论”主要指数据质量。优点：延迟实测、多项质量指标、代码和数据开放、作者坦诚质量阈值源自静止非VR场景、各模态可靠性不均。局限：（1）样本仅47人，年轻、受教育程度较高、德国柏林被试库，排除了精神/神经疾病，不具代表性，难以用于临床推断；（2）仅一个刺激序列、固定顺序（所有人同一顺序，无平衡），情绪效应与时间顺序、疲劳、适应混在一起，生理变化无法单独归因于场景；（3）唯一的统计检验（Table 3）只是证明基线场景波动较小，近乎设计的自检，效应量未报告；（4）PPG和呼吸的坏数据比例很高（不少被试>30%），实际可用样本会比47少；脑电去伪迹质量也未验证；（5）部分评分缺失，唤醒度靠线性反推，可能引入误差；（6）主观评分是被试自选时机的连续滑动，存在反应延迟和评分本身对体验的干扰，仅靠先前工作证明；（7）图4只是目测的平均曲线，没有显示与评分的统计关系。无利益冲突声明，资助来自公共机构。
资源与复现 ✅ 官方资源 · https://gin.g-node.org/fourcade_a/mbb-avr
From the Inside Out: School Stressors Identified by Autistic and ADHD (AuDHD) Students Experiencing School Non-Attendance
50 PsyArXiv preprint
📄 全文 ❌ 无公开资源
autism ADHD AuDHD school non-attendance card sorting participatory research neurodiversity
研究者让31名同时被诊断为孤独症和ADHD的孩子用卡片分类的方式说出学校里最让他们难受的事，发现吵闹或安静的教室、没兴趣的任务、不可预测和被催促最常见，但每个孩子最想改变的事差异很大。
要点 为什么有意思 人们常把“不爱上学”当成态度或动机问题，这篇里孩子自己的话指向另一种解释：吵闹、被催促、不知道下一节课学什么、做没兴趣的事“大脑就空白”，这些都是环境与大脑工作方式不匹配。有个孩子说“看起来没事，但我其实不好”，提醒我们表面平静的孩子可能在硬撑，家长和老师靠观察很可能看不出来。
属于哪个分支与学科脉络 属于发展与教育心理学，也涉及神经多样性研究。近几年这个方向有两个趋势：一是“学校拒绝”被重新理解为“school can't”（不是不愿意而是做不到）；二是研究强调“关于我们的研究要有我们参与”，尽量让孤独症、ADHD当事人直接发声。这篇处于延续和细化的位置：延续已有的“学校环境是主要障碍”的结论，细化到孤独症与ADHD共病人群，但还不是检验机制的研究。
对想学心理学的人 这篇展示了一种很常见但不“高大上”的研究：小样本、方便抽样、描述统计加访谈引语，没有显著性检验，也没有对照组。它说明做这类研究的核心技能是与特殊儿童建立信任、设计无障碍的数据收集方式（视觉流程、社会故事、可自选节奏）以及基础质性分析，而不是复杂统计。这个方向在教育心理、学校心理学、临床儿童心理领域需求明显，但研究样本小、经费依赖项目基金，就业更多在学校、诊所和公共服务一线。
背景与方法 背景 近十年澳大利亚学生出勤率持续下降，神经多样（neurodivergent，指大脑处理信息方式与多数人不同，如孤独症、ADHD）学生在长期不上学的人群中占比极高（Connolly 等研究中92.1%）。以往研究多依赖家长、老师或临床医生报告，少有直接听孩子自己说，且同时有孤独症和ADHD（社群称AuDHD）的孩子在样本中占比很小（Fielding 等仅6.7%）。
方法 探索性的描述性研究。招募31名9–18岁、同时有孤独症和ADHD诊断的澳大利亚儿童青少年（28人通过广告方便抽样，3人来自作者临床诊所已做过的数据），2025年2–7月收集。孩子完成含96张卡片的Student Stress Investigation（SSI）卡片分类任务：第一步分“相关/不相关”，第二步把相关卡片按压力大小分4档（1–4分），第三步选出5张“用魔法棒消除”的卡片；过程录音，并鼓励边分边说。家长填写背景问卷和School Non-Attendance ChecKlist（SNACK，家长报告缺勤原因的清单）。分析只用SPSS做频数、均值等描述统计，定性部分仅挑选代表性引语说明。
关键结果 孩子平均把41.35张（范围5–92）卡片选为相关压力源；最常选的是“教室太吵/太安静”（24人，77.4%）、“容易被看到或听到的东西分心”（74.2%）、“小组合作很难”“别人的强烈情绪让我压力大”“不喜欢被催促”（各71%）(p.13, 表2 p.17) 在“最大压力”一档，平均每人放进约11张卡；最多的是“教室太吵/太安静”（n=11）和“做不感兴趣的事很困难”（n=10）；“做不感兴趣的事”和“累得无法专心”平均压力评分最高（3.20）(p.15, 表2) 魔法棒优先改变的卡片高度分散：共有66种不同卡片被选中，最多的6张各只有4人选，没有任何一张被5人及以上选中 (p.23, 表3) 6张最常被选为优先改变的卡片包括“看起来没事但我其实不好”（4人）、“我在学校不能做自己”（4人）、“学校太不可预测”（4人）、“上学时间太长”（4人）(p.23) 样本平均过去4周缺勤3.46天（0–15）；61.3%合并焦虑，男孩72.4%，白人澳大利亚人77.4%，城市93.3% (p.12, 表1 p.14) 真正的新东西 真正新的是把对象限定为AuDHD孩子，并让孩子自己用可视化卡片分级表达，而不是靠家长或老师转述。但结论本身（感官环境、不可预测、社交压力是难点）与以往对孤独症学生的研究基本一致，作者声称的“AuDHD特有的”注意力、兴趣驱动类压力源并没有与单纯孤独症或单纯ADHD组做过对比，因此新意主要在样本人群和方法的可行性展示，而非机制发现。
证据核查 证据只能支持“这31个孩子说了什么”，不能支持更大的结论。样本小（n=31）、主要通过社交媒体和自闭症组织方便抽样，77%是白人澳大利亚人、93%在城市，家庭经济偏好；有诊断、愿意参加2–3小时任务的孩子本身就是被筛选过的。所有数字都是描述性频数，没有置信区间或检验；“最重要”的卡片差异（如24人对22人）在n=31下几乎没有统计意义。没有孤独症单独组、ADHD单独组或无神经多样组做对照，因此“AuDHD特有”无法成立。核心工具SSI由作者团队成员开发，在利益冲突中有声明，但其效度、信度尚未验证，卡片内容基于临床和个人经验，且某些卡片是复合条目（如“太吵/太安静”），解释含糊。第三阶段选5张卡的设计导致必然分散，作者自己也承认。定性部分只是挑选引语，没有系统编码，容易有挑选偏倚。未预注册，缺勤数据来自家长报告，没有做缺勤与压力源的关联分析。另外这是预印本，未经同行评审。
资源与复现 ❌ 无公开资源
阿尔兹海默症热门标签: mci×2, alzheimer's disease×1, atrial fibrillation×1, anticoagulation×1, doac vs warfarin×1, retrospective cohort×1 🔍 值得一瞥
Efficacy of anticoagulation therapy in elderly patients with clinically diagnosed Alzheimer’s disease and atrial fibrillation: a clinical outcomes study
50 Frontiers in cellular neuroscience
📄 全文 ❌ 无公开资源
Alzheimer's disease atrial fibrillation anticoagulation DOAC vs warfarin retrospective cohort bleeding risk
一家中国医院回顾了342位合并房颤的阿尔茨海默病老人，发现吃抗凝药的人中风和死亡更少，但大出血也更多；因为不是随机试验，数字不能直接当作结论，是否用药仍需医生结合个体情况判断。
要点 对患者家庭意味着什么 如果您家老人确实同时有房颤，这篇文章提示：仅凭“已患AD”和年龄偏大，不一定是不用抗凝药的理由，≥85岁亚组的结果方向也与总体一致。但它不能证明“抗凝对每个人都有益”，研究中抗凝组大出血明显更多（年发生率6.1% vs 0.9%）。如果老人没有房颤，这篇文章与您无关。
证据等级与距离落地 这是单中心回顾性观察研究，不是随机对照试验，证据等级较低。总共342人，匹配后每组仅95人，事件数很少，随访中位1.9年，患者来自住院的老年科，较可能是病情更适合治疗的人群。抗凝药本身（DOAC、华法林）早已上市，不存在“距离上市”的问题；真正缺的是针对这类人群的随机试验，目前没有看到这类试验的信息。
照护上可借鉴的做法 可以带着以下问题与主治医生（心内科/老年科）讨论：①老人的卒中风险（CHA₂DS₂-VASc）与出血风险（HAS-BLED）各是多少；②是否正在同时服用阿司匹林等抗血小板药，文中提示联用会使出血风险增加（HR 1.53）；③如果用药，DOAC是否比华法林更适合，因为不需要频繁验INR；④谁来保证每天按时服药（药盒、家属分发），文中DOAC组平均服药覆盖率仅78%；⑤跌倒风险如何降低（防滑、夜间照明、起身慢）。任何开始、停用或换药都必须与主治医生讨论，不要自行决定；出现黑便、呕血、血尿、头部外伤后头痛或意识变差，应尽快就医。
背景与方法 背景 房颤会让血液在心脏里形成血栓，随血流到脑部引起中风；抗凝药能降低这个风险，但会增加出血风险。阿尔茨海默病患者常有步态不稳、跌倒、记不住吃药等问题，医生往往不敢用抗凝药。大型随机试验大多把明显认知障碍的人排除在外，所以这类老人用抗凝药到底是利大于弊，证据一直很少。
方法 单中心（河南省人民医院老年科）回顾性队列研究，纳入2022年1月至2025年12月住院、≥65岁、临床诊断为AD（NIA-AA 2011标准，无生物标志物确认）且合并非瓣膜性房颤的患者，共342人。247人用抗凝药（143人用DOAC，104人用华法林），95人未用。作者用倾向评分匹配平衡两组基线（匹配后各95对；DOAC对华法林为104对），主要结局为缺血性卒中/体循环栓塞，次要结局为全因死亡，安全结局为ISTH定义的大出血和颅内出血。随访中位1.9年（IQR 1.2–2.4），用Fine-Gray竞争风险模型分析，并做了IPTW、MMSE≤20亚组、时间依赖暴露等敏感性分析，两名不知分组的医生判定结局。
关键结果 入组342人，平均年龄78.5岁，58.3%为女性；GDS分期：轻度24.6%、中度41.5%、重度33.9%；抗凝247人、未抗凝95人（结果—研究人群） 抗凝 vs 未抗凝：缺血性卒中/体循环栓塞年发生率2.9% vs 7.1%，subdistribution HR 0.35（95% CI 0.17–0.73，p=0.005），作者估算每年绝对风险降低4.2%、NNT约24（结果—临床结局） 全因死亡年发生率6.3% vs 15.1%，HR 0.32（95% CI 0.19–0.54，p<0.001）（结果—临床结局） 大出血年发生率6.1% vs 0.9%，HR 4.31（95% CI 1.02–18.19，p=0.047），但FDR校正后q=0.058，未达显著；颅内出血1.6% vs 1.0%，HR 0.46（95% CI 0.11–1.98，p=0.30）（结果—安全结局） DOAC vs 华法林：卒中/栓塞HR 0.36（95% CI 0.15–0.87），大出血HR 0.24（95% CI 0.06–0.89），死亡无差异（HR 0.85，95% CI 0.52–1.38）；≥85岁亚组抗凝对卒中/栓塞HR 0.38（95% CI 0.18–0.80）（结果—DOAC对华法林、亚组分析） 真正的新东西 新意主要在人群：专门针对已确诊AD合并房颤的老人，而不是泛泛的“痴呆合并房颤”，并给出了按年龄（含≥85岁）和认知严重度分层的结果。但方法上并无创新，结论与既往“DOAC优于华法林”的真实世界研究方向一致。就“抗凝对AD患者是否利大于弊”这个问题，本文数字过于漂亮（死亡风险降低近70%），更像是选择偏倚的体现，增量证据价值有限。
证据核查 证据较弱，不宜当作定论。①非随机：抗凝与否由医生决定，PSM只能平衡已测变量，未纳入跌倒史、衰弱、照护者支持、血红蛋白、AD病程；未抗凝者可能是更衰弱或家属选择不积极治疗的人，所以死亡风险降低68%极可能夹杂“健康使用者偏倚”，作者自己也承认可能有更好的整体管理。②样本小、事件少：匹配后每组95人，大出血和颅内出血的置信区间极宽（如HR 4.31，1.02–18.19），“颅内出血无增加”不能解读为“安全”。③大出血FDR校正后q=0.058，却仍称“净获益强烈有利”；而按文中数字，每年大出血增加约5.2个百分点（相当于约每19人多1例），比卒中减少的4.2个百分点（NNT约24）还大，作者并未正式计算净临床获益，该结论缺乏支持。④内部不一致：DOAC与华法林卒中年发生率2.9% vs 3.8%却对应HR 0.36；颅内出血年发生率抗凝组更高（1.6% vs 1.0%）却HR 0.46；匹配后HAS-BLED p=0.09；表1匹配前年龄差0.9岁p=0.002不太合理，需谨慎。⑤华法林组缺TTR数据，DOAC组平均服药覆盖率78%。⑥排除了既往颅内出血、近期大出血、预期寿命<6个月者，对最衰弱的晚期患者不适用。⑦无生物标志物确认，可能混入混合性痴呆；单中心；资助来自省级科研项目，声明无利益冲突。全文还有大量重复段落，写作质量一般。
资源与复现 ❌ 无公开资源 · https://europepmc.org/article/PMC/PMC13642182
Increasing daily step count in mild cognitive impairment: a 12-month randomised controlled trial
35 Frontiers in aging neuroscience
📄 全文 ❌ 无公开资源
MCI walking physical activity randomised controlled trial step count non-pharmacological intervention
波兰一项试验让50-70岁的轻度认知障碍者一年内多走约1700步/天，认知测验分数略有改善（中位数多约1分），但脑体积和血液指标没有变化，且结果是否有实际意义还不确定。
要点 对患者家庭意味着什么 这项研究纳入的是50-70岁、尚未确诊痴呆的MCI人群，并明确排除了阿尔茨海默病和痴呆患者，所以对一位86岁、已确诊的老人，结果几乎不能直接套用。它至多说明‘多走一点路是安全的、可能对认知有微小帮助’，不能期待它改变病程。对已确诊的高龄患者，走路更现实的意义是维持体力、情绪和睡眠，减少卧床。
证据等级与距离落地 这是随机对照试验（单中心、单盲，198人，完成者188人），证据等级高于观察性研究，但主要结局只差约1分，次要结局未做多重校正，作者自己称为探索性结果。参与者年龄50-70岁，排除了有明显慢性病、服用认知药物者及痴呆患者，高龄多病人群完全没有被纳入。这不是药物试验，不存在‘上市’问题；走路本身人人可做，但‘对已确诊高龄患者有益’仍缺少直接证据。
照护上可借鉴的做法 可以在医生评估跌倒风险和心肺情况后，为老人设定温和、循序渐进的日常步行目标，而不是照搬10,000步；本研究中不分基线、直接要求10,000步，只有约六成人平均达标，且中途依从性下降。试验中有效的支持方式值得借鉴：用手环或手机记录步数、每周反馈、对没完成的人电话提醒。老人如果自己不能坚持，家属陪同、固定时间散步更实际。若老人有骨关节问题、头晕或在服用影响血压/心率的药物，运动量需与主治医生讨论。
背景与方法 背景 轻度认知障碍（MCI）是正常衰老与痴呆之间的阶段，目前没有改变疾病进程的药物，所以运动等生活方式干预受到关注。观察性研究提示步数多与认知下降较慢有关，但缺少长期、持续监测步数的随机对照试验。
方法 单中心、单盲（评估者和数据分析者不知分组）的随机对照试验，在波兰波兹南医科大学进行，已在德国临床试验注册中心注册（DRKS00020943）。198名50-70岁、MoCA 19-26分的社区居住者随机分为干预组（98人）和对照组（100人）。干预组通过手环（Fitbit Inspire HR）、手机App以及研究人员和心理师的电话/短信提醒，被鼓励每天走到至少10,000步；对照组保持日常活动。主要结局是12个月时MoCA分数的变化，次要结局包括CANTAB认知测验、MRI脑体积、血液指标和体成分。采用非参数检验，只分析完成者，次要结局未做多重比较校正。
关键结果 步数：干预组一年内每天平均多走约1,474步，对照组略减少，组间差异中位数1,728步/天（95%CI 1,207-2,271，p<0.0001）；60.2%的干预组和31.6%的对照组平均达到≥10,000步/天（结果部分）。 主要结局：MoCA分数组间差异中位数1分（95%CI 0-2，p=0.0043）；干预组变化中位数+1分（四分位0-2），对照组0分（-2到2）（表5）。 CANTAB只有一项指标有组间差异：空间工作记忆（6个盒子）重复错误少1次（95%CI -2到0，p=0.0049），其余绝大多数项目无差异；作者自己说临床意义不确定（表5）。 脑MRI：组间在皮层、灰质、侧脑室、海马体积变化上均无显著差异（海马差异19 mm³，95%CI -2到39，p=0.086）；两组海马体积均略有变化（表6）。 身体与血液指标：腰围多减少约1 cm（p=0.025），臀围多减少约1 cm（p=0.047）；体重、体脂、血压、血糖、血脂、炎症指标、BDNF、tau、β淀粉样蛋白均无组间差异（表7、表8）。 安全性：不良事件干预组14人、对照组15人（骨科问题各6人），未报告与干预相关的严重不良事件；干预组5人、对照组4人退出（结果部分）。 真正的新东西 以步数为目标、用手环连续监测整整12个月的RCT在MCI人群中确实少见，这是它的价值所在。但新意有限：基线步数已接近9,000步/天（对照组一年后仍约9,000步），干预只是多走约1,700步，更像是对本来就活跃人群的小幅推动。唯一的主要结局阳性结果幅度很小（约1分），且存在练习效应的可能，难以说明‘多走路能延缓认知下降’。
证据核查 优点：随机、分层、结局评估者盲法、前瞻性注册、持续12个月客观监测步数、样本量达到预设（188人完成）。问题：①参与者50-70岁、平均59岁，且排除痴呆和多种慢病，与86岁已确诊患者差距很大；②MCI仅靠单次MoCA判定，没有神经科或功能评估；③基线步数已近9,000步/天，对照组也在高位，干预差异仅约1,700步，且只有约60%干预组达到目标；④MoCA差1分处于测量误差范围，重复测试的练习效应无法排除，也没有预先界定的最小临床意义差值；⑤次要结局未做多重校正，SWM的p=0.0049等可能是偶然；作者自己用组内前后比较（如‘干预组10项改善，对照组5项’）渲染，这种比较不可靠；⑥仅分析完成者，未做插补，睡眠数据缺失，未控制新冠感染、用药和情绪变化；⑦Fitbit的活动强度估计有局限。总体上证据支持‘增加步数安全、认知可能有小幅获益’，不支持‘改变脑结构或生物标志物’，也不能外推到高龄痴呆患者。
资源与复现 ❌ 无公开资源 · https://europepmc.org/article/PMC/PMC13642802
Physicians’ perspectives of palliative care quality in nursing homes: a cross-sectional study
32 Scandinavian journal of primary health care
📄 全文 ❌ 无公开资源
palliative care nursing home dementia care quality of care cross-sectional study symptom management
挪威77位养老院医生填写问卷，认为养老院的姑息照护在症状缓解（尤其是抑郁、焦虑）、精神与存在需求、个体化照护和照护连续性上做得不够，但这只是医生的主观看法，样本小、回复率低。
要点 对患者家庭意味着什么 这项研究不涉及新疗法，也不能直接改变您家老人当前的照护，但它提示：即使在照护体系较完善的挪威，养老院医生自己也觉得抑郁、焦虑、睡眠、食欲、乏力等“不那么显眼”的症状处理不够，精神与存在层面的需求、同一位医生护士的连续照护也是短板。对于86岁的晚期阶段患者，这些恰恰是日常舒适度的关键。研究是挪威的情况，不能直接套用到您所在的机构。
证据等级与距离落地 证据等级较低：单次横断面问卷调查，77位养老院医生（回复率43.5%，可能存在选择偏倚），属于医生主观评价，不是对照试验，也未测量患者实际结局。量表是患者版改编，没有在医生版中做完整验证，其中“物理技术条件”维度一致性偏低（α=0.55/0.64）。没有任何药物或干预被检验，因此谈不上“落地时间”，只能作为发现问题的参考。作者自己也说结果需要更大样本验证。
照护上可借鉴的做法 家属可以主动和养老院/主治医生、护士沟通这几点：1）定期询问老人的情绪、焦虑、睡眠、食欲和乏力情况，不要只关注疼痛，发现变化及时反映；2）询问是否有固定的负责医生和护士，以及个人照护计划是否纳入老人的喜好、作息和精神寄托（如信仰、熟悉的音乐、家人陪伴）；3）主动提出预先照护计划和临终意愿的讨论；4）任何药物调整（如抗焦虑、抗抑郁、助眠药物）都需与主治医生讨论，高龄患者用药风险需权衡。研究显示医生认为沟通中“诚实”和“尊重”做得较好，家属可利用这一点坦率提问。
背景与方法 背景 挪威一半以上的人在养老院去世，住户多为高龄、合并痴呆和多种疾病，常无法自己表达感受。以往研究多访谈患者或家属，或做质性研究，很少有人定量了解养老院医生如何评价姑息照护质量。本研究想用医生的视角，替无法发声的住户评估照护质量并找出改进点。
方法 2022年11月至2023年12月，横断面问卷调查，通过市政卫生负责人和东挪威医生网络，用目的性抽样邀请177位养老院医生，77位回复（回复率43.5%）。使用QPP-PC简版量表（24项，另加7个症状条目），每项分别评分“实际照护情况（PR）”和“对患者的重要程度（SI）”，均为1-4分。用Wilcoxon符号秩检验比较PR与SI，SI显著高于PR即视为“需要改进的领域”。PR≥3.50视为高，<3.00视为低。量表由医生代替患者作答，只经3位医生预试，未做正式的医生版效度验证。
关键结果 回复率43.5%（177人中77人）；多数在无姑息照护病房的养老院工作（68.9%），多数没有姑息专科培训（正文“结果”） PR量表上4个维度均未达到“高”分；医疗技术能力2.95、物理技术条件2.90、以人为本取向2.96、社会文化氛围3.04（表2） 24项中14项PR为低分，其中症状管理里乏力2.52、食欲下降2.71、抑郁2.51、焦虑2.91、睡眠差2.86；精神与存在需求2.62、关于自我照顾的信息2.47（表2） PR高分仅有：诚实回答患者问题3.51、尊重患者3.59、尊重家属3.55（表2） SI显著高于PR的项目包括：疼痛（SI 3.70 vs PR 3.38，p<0.001）、呼吸困难（3.55 vs 3.26）、抑郁（3.05 vs 2.51）、焦虑（3.39 vs 2.91）、精神与存在需求（3.05 vs 2.62）、个体化照护（3.22 vs 2.76）、同一医生和护士持续照护（2.92 vs 2.65，p=0.013）（表2） 约80%的医生认为患者被告知了负责医生（79.7%）和负责护士（80.6%），并有机会参与个人照护计划（80.8%）（结果） 真正的新东西 新意有限但填补了一个空白：用定量量表呈现养老院医生对姑息照护质量的评价，并用“实际 vs 重要性”的差距来定位改进点。但这只是医生替患者作答的代理评价，并非患者或家属的真实体验，方法本身也没有新突破，结论更像对已知问题（症状管理、连续性、个体化照护不足）的再次印证。
证据核查 主要问题：样本小（n=77）、回复率43.5%，且为目的性抽样，代表性有限；医生代替患者评分，可能高估或低估真实体验，作者承认医生自己对“重要性”的判断可能掺入主观（如对信息类条目的低估）；量表未经医生版的完整验证，一个维度的内部一致性偏低；SI与PR配对比较的“差距=需改进”是一种解释性假设，没有患者结局支撑；多重检验未做校正；表2中有一项数据（3.01 (2.76)）疑似印刷错误。结果只代表挪威，且仅为医生视角，未纳入家属、护士或患者声音，资助方和利益冲突在所给文本中未说明。对结论“需要改进”可以谨慎接受，但对具体数字不宜过度解读。
资源与复现 ❌ 无公开资源 · https://europepmc.org/article/PMC/PMC13644425
🗑 可以跳过
Forecasting Alzheimer's disease progression using non-imaging clinical features and XGBoost
12 preprint
📝 仅摘要 ❌ 无公开资源
机器学习 XGBoost 早期预测 NACC MCI 预印本
研究者用一个大型美国研究队列的随访数据训练机器学习模型，提前预测谁会从认知正常发展为轻度认知障碍、或从轻度认知障碍发展为阿尔兹海默症，但这主要对早期风险筛查有用，对已确诊的高龄患者几乎没有直接帮助。
要点 对患者家庭意味着什么 对一位 86 岁、已确诊的患者，这项研究现在没有实际意义：它针对的是“尚未确诊的人何时会进展”，属于早期风险筛查。它不能指导已确诊老人的用药、照护或预后判断。若家中还有较年轻的亲属担心自己的风险，这类工具未来可能有用，但目前不能自行使用。
证据等级与距离落地 这是基于 NACC 观察性队列数据的回顾性机器学习建模研究，样本 15,727 人，属于预印本，未经同行评审。不是随机对照试验，也没有证明用了这个模型会改善患者结局。摘要未说明是否做了外部验证、高龄和多病人群占比，因此推广性不明。距离常规临床使用还很远，需要前瞻性验证和实际工作流程研究。
照护上可借鉴的做法 目前没有可直接借鉴的照护做法。可借鉴的只是一个思路：长期、规律地记录老人的认知和日常功能变化（如记忆、做事、情绪、睡眠），复诊时带给医生，这类连续记录是此类模型所依赖的信息类型，也有助于医生判断病情走向。任何治疗调整都需与主治医生讨论。
背景与方法 背景 在痴呆的早期（前驱期）发现会继续恶化的人很重要，但传统的临床评估往往不够敏感。机器学习已被用于建模神经退行性疾病的病程，但作者认为这些模型的“预测未来”能力缺乏充分验证。本研究想在大样本纵向队列上检验这一点。
方法 数据来自美国国家阿尔兹海默症协调中心（NACC）的纵向队列，共 15,727 人，基线时为认知正常（CN）或轻度认知障碍（MCI）。利用最多 10 次随访中收集的认知状态和临床观察数据（不含影像），训练多种机器学习分类器，主要采用梯度提升树方法 XGBoost，并配有自定义的特征工程流程。分别做两个任务：CN 到 MCI、MCI 到 AD。除了常规的区分能力指标（AUC-ROC、PR-AUC），还做了“提前期”分析，看模型能否在正式诊断之前发出预警，以及对未进展者的误报率。结果基于未做缺失值填补的数据。
关键结果 CN 到 MCI 任务：AUC-ROC 0.9447 [0.9417-0.9476]，PR-AUC 0.8554 [0.8497-0.8611]（摘要） MCI 到 AD 任务：AUC-ROC 0.9059 [0.8983-0.9134]，PR-AUC 0.9214 [0.9156-0.9272]（摘要） 平均随访 56.1 个月（范围 9.1-214.1）的 CN 到 MCI 分析中，模型在诊断前识别出 29.58% 的进展者，平均提前 33.04 个月（摘要） 平均随访 42.7 个月（范围 9.1-126.1）的 MCI 到 AD 分析中，模型在诊断前识别出 22.41% 的进展者，平均提前 17.95 个月（摘要） 对未进展者的误报率：CN 到 MCI 为 12.6%，MCI 到 AD 为 20.0%（摘要） 真正的新东西 XGBoost 加临床特征预测 AD 进展并不新鲜，已有大量类似工作。相对有价值的是样本量大（约 1.6 万人）、不依赖影像、并且报告了“提前多久预警”和误报率，而不只是 AUC。但摘要显示真正在诊断前提前识别的比例只有约 22%-30%，说明高 AUC 并不等于临床上好用；预印本也尚未经同行评审，摘要中看不出是否做了外部验证。
证据核查 只有摘要，无法核查细节。优点是样本大、置信区间窄。疑点：（1）AUC 很高，但实际提前识别比例只有 22%-30%，MCI 到 AD 的误报率高达 20%，临床价值有限；（2）NACC 队列受教育程度较高、来自专业记忆门诊，代表性有限；（3）纳入基线认知状态和既往诊断相关特征，可能存在信息泄露或循环论证，摘要未说明；（4）未提及外部验证、校准度和对高龄多病人群的表现；（5）预印本，未同行评审，资助和利益冲突不详。结局为诊断时间点，而非患者真正关心的生活质量或功能。
资源与复现 ❌ 无公开资源
Long-term dental care utilization trajectories as behavioral markers of cognitive aging: a 14-year national cohort study
12 Frontiers in public health
📄 全文 ✅ 第三方资源
dental care cognitive decline cohort study Health and Retirement Study oral health activities of daily living
美国一项14年的大型随访发现，长期很少看牙医、或原本常看后来逐渐不看牙医的老年人，记忆等认知功能下降略快，但差距很小，且并不能说明看牙医能防止痴呆，对已确诊的高龄患者基本没有直接用处。
要点 对患者家庭意味着什么 对一位86岁、已确诊的患者，这项研究几乎没有直接的实际意义：研究对象是社区中有自理能力、多数尚未确诊的人，关注的是预测，而不是治疗。它也不能说明"多看牙医就能减缓病情"。可以放心的一点是：认知下降只是略快（14年多约0.6–0.75分，满分27），而且很可能反映的是整体功能和健康状况变差，而不是牙科就诊本身的作用。家属不必因为老人近年不看牙医而自责。
证据等级与距离落地 属于观察性队列研究（美国HRS，n=14,599，随访14年），不是随机对照试验，不能证明因果；没有牙周病、掉牙、咀嚼等临床口腔数据；看牙医只用一个自报的"是/否"问题；高龄、已患病者因死亡和失访被较多排除（18.9%因数据不足被排除，且这些人更老、认知更差）。作者本人称其为"假设生成"，认为最多可能在人群层面（如医保数据）作为筛查线索。离临床应用还很远，也没有对应的干预方案。
照护上可借鉴的做法 本研究不提供治疗建议，但有两点可参考：（1）老人原本规律看牙医后来中断，常意味着出行、费用、体力或认知上遇到了困难，可作为观察信号，必要时与医生讨论是否需要做功能评估；（2）口腔问题在晚期会影响进食、咀嚼和吞咽，且疼痛可能表现为激越或拒食，因此仍值得定期做口腔检查和日常清洁，可咨询牙科是否有上门或床旁服务。这些做法的依据来自一般照护常识，而非本研究；任何用药或治疗调整需与主治医生讨论。
背景与方法 背景 已有研究提示牙周病、掉牙和咀嚼能力差与认知下降、痴呆风险增加有关，但大多只在单一时间点测量口腔状况。本研究想知道：看牙医这一行为长期如何变化（而不只是一次的口腔状况），是否与认知下降速度有关，以及日常生活能力、自评健康是否是中间环节。
方法 使用美国健康与退休研究（HRS）2006–2020年共8轮（每2年一轮）数据，纳入14,599名50岁以上、至少3轮有牙科就诊记录的社区居住者。以"过去2年是否看过牙医"（是/否）做群体轨迹建模，分为三类轨迹。认知用27分的综合评分（单词回忆、连续减7、倒数）。用线性混合效应模型比较各组认知下降速度，并用串联中介分析检验日常生活能力（ADL）和自评健康的作用。另做11项敏感性分析（含排除基线已有认知障碍者、滞后分析）。调整年龄、性别、教育、种族。
关键结果 识别出三条轨迹：持续高（n=7,784，53.3%，约93%每2年看牙医）、逐渐下降（n=2,112，14.5%，从约86%降至约10%）、持续低（n=4,703，32.2%，约12%升至23%）（结果3.1） 持续高组认知每2年下降0.3272分，14年约2.29分；下降组每2年多降0.0853分（14年多降约0.60分），持续低组多降0.1070分（约0.75分），均p<0.0001；两组间无显著差异（p=0.241）（表2） 中介分析：日常生活能力（ADL）恶化是主要中间环节，但仅解释关联的约9.3%（下降组）和11.6%（持续低组），大部分关联无法由已测变量解释（表4） 滞后分析（用2006–2016年划分轨迹，2016–2020年测认知）中，直接关联仍显著但减弱（下降组β=−0.0318，持续低组β=−0.0397）；ADL→认知路径仍显著（β=−0.0943），自评健康→认知路径消失（β=0.0126，p=0.723）（结果3.5） 基线差异明显：持续低组教育年限10.93年、基线认知13.80、黑人比例21.6%，对比持续高组13.60年、16.73、8.2%（表1）；作者自己承认差异在个体层面太小，不足以用来给个人分类风险（讨论4.5） 真正的新东西 新意主要在方法层面：把"看牙医的长期变化轨迹"当作行为信号，而非单次口腔检查，并发现"原本常看、后来逐渐不看"的人与"一直很少看"的人认知下降速度相近。但本质仍是观察性关联，没有牙齿或牙周的临床指标，效应量很小，对机制和干预几乎没有新信息。与已有的牙周病/掉牙—痴呆研究相比，增量有限。
证据核查 证据较弱，仅支持"小幅关联"。优点：样本大、随访14年、做了11项敏感性分析和滞后分析、对中介模型的局限坦诚。不足：观察性设计，无法排除反向因果（认知下降先导致不看牙医）与混杂（牙科保险、收入、健康素养等）；暴露只是一个自报的是/否，未区分预防与治疗性就诊，也无口腔临床指标；认知用27分的粗略综合评分，不是诊断；差异仅0.6–0.75分，临床意义很小；中介估计用了经收缩的个体斜率，作者承认标准误偏小；复杂抽样设计未完全处理；因死亡和失访产生的选择偏倚明显，且高龄、病重者被低估。第一作者是牙科诊所的拥有者，已声明利益冲突，无外部资助。三条轨迹中"持续低"组其实略有上升，命名需谨慎。
资源与复现 ✅ 第三方资源 · https://hrs.isr.umich.edu/data-products
PaperFetch · arXiv · Hugging Face · PsyArXiv · Europe PMC · Claude 精读 · 内容由 AI 生成，医疗相关请与医生讨论