研究论文（17%）、数据伦理、GenAI 边界与交付清单
最后一份交付，第 13 周（10 月 30 日），10–20 页单倍行距、11 号字、APA 7。它的要求列了九项 (a) 到 (i)——而这九项和九步几乎一一对应，所以如果你前面三次迭代都按编号写了，这篇论文主要是缝合、补文献、补 Step 9。这一章给出映射表、页数分配、伦理与 GenAI 的写法，以及最后那张清单。
论文的九项 ↔ 九步
| 论文要求 | 对应 | 页数建议 | 注意 |
|---|---|---|---|
| (a) 实际问题 practical problem | Step 1.1 | 0.5–1 | 真实世界的问题：SDG 现状、谁在受影响、现行做法为什么不够 |
| (b) 研究问题 research problem | 1.1 → 1.3 之间 | 0.3 | 这一项最容易漏。研究问题是学术表述：「能否用公开的社会经济指标可靠地识别未达标地区，从而支持资源优先级排序？」 |
| (c) 研究目标 research objectives | Step 1.3 | 0.3 | 编号列出 3–4 条（RO1、RO2……），后面结论要逐条回应 |
| (d) 文献 literature | 新增 | 2–3 | 这是论文相对迭代报告最大的增量。见下 |
| (e) 研究方法论 methodology | 第 2 章那段 | 1–1.5 | CRISP-DM × KDD 的综合＋为什么、迭代结构、四条技术栈的设计 |
| (f) 数据到洞察的过程设计 | Step 2–4 | 3–4 | 数据来源、质量、清洗、构造、变换。压缩表格，别贴大段代码 |
| (g) 实现描述 implementation | Step 5–7 | 3–4 | 方法选择的讨论、算法与参数、测试设计、三条产线的对比 |
| (h) 结果与模式的解释 | Step 8 | 3–4 | 混淆矩阵、ROC、增益表、四句话解释、局限性 |
| (i) 基于发现的行动建议 | Step 9 | 1.5–2 | 部署、监控、维护、增强（第 21 章四段模板） |
加上标题页、摘要、参考文献、附录，正好落在 10–20 页。如果你写超了 20 页，砍的是 (f) 里的截图和 (g) 里的代码——把它们移到附录。
这是论文里唯一需要从零写的部分，也是最容易拿分的部分——因为结构可以固定：
- 问题域文献（3–4 篇）：别人怎么研究这个 SDG 问题？用了什么指标？发现了什么？
找法：Google Scholar 搜「under-five mortality determinants machine learning」，或在 UoA 图书馆搜你的 SDG 主题 + prediction。 - 方法论文献（2–3 篇）：Fayyad et al. (1996)、CRISP-DM (SPSS, 2007)，加一篇讨论数据挖掘流程比较的。
- 技术文献（3–4 篇）：你用的算法与技术。课程教材 Dean (2014) 正好覆盖大数据与机器学习的技术全景，Marr (2016) 的 45 个案例适合引一到两个和你主题相近的。两本都能从 UoA 图书馆免费下载。
每篇写两三句：它做了什么、发现了什么、和你的研究什么关系（相同点／你补上了什么）。最后用一段话收尾：「综上，既有研究多集中于 X，较少讨论 Y；本研究通过 Z 补充这一空白。」——这句「研究空白」的话是论文和作业报告的分界线。
参考写作范式：课程大纲点名了 Decision Support Systems 与 Journal of Big Data 两份期刊作为范文来源。去翻一篇最近的文章看它的结构（尤其是 Introduction 怎么从实际问题过渡到研究问题），二十分钟的投入会改变你整篇论文的气质。
APA 7 的五个必做项
| 项 | 做法 |
|---|---|
| 正文引用 | (Fayyad et al., 1996) 或 Fayyad et al. (1996) 指出……。三位及以上作者一律 et al.（APA 7 的变化） |
| 参考文献表 | 悬挂缩进，按作者姓氏字母序，期刊名与卷号斜体，尽量给 DOI |
| 表与图 | 表在上方标 Table 1 + 斜体标题；图在下方标 Figure 1 + 标题。正文里必须提到每一个表和图（「如表 3 所示」） |
| 数据集引用 | 数据也要进参考文献表：机构 (年). 数据集名 [Data set]. URL |
| 工具引用 | 软件版本写进方法一节（Python 3.x、scikit-learn x.x、Spark x.x、SPSS Modeler 版本）。可复现性评分项 |
UoA 图书馆的 APA 7 指南（auckland.libguides.com/apa7th）是课程指定的参考，Zotero 或 Mendeley 能自动生成大部分格式——花半小时装一个，比手改二十条引用快。
数据伦理：第 12 周那一讲，写进论文的四个维度
课程第 12 周专门讲 Data Ethics，而毕业生能力里有 8. Ethics and Professionalism 与 1.1 责任公民。这意味着论文里有一段伦理讨论是被期待的。四个维度，各两三句：
| 维度 | 问自己 | 本例的写法 |
|---|---|---|
| 隐私与同意 | 数据涉及个人吗？聚合到什么粒度？ | 「本研究使用地区级聚合数据，不含个人可识别信息；若未来细化到设施-月粒度，需评估重识别风险并遵循相应审批流程。」 |
| 偏差与公平 | 谁在数据里缺席？模型会系统性亏待谁？ | 这里直接回收第 9 章的发现：「literacy 的缺失为非随机（低识字率地区更易缺失），若采用整行删除会系统性排除最贫困地区，使模型低估其风险。本研究因此采用分组填补，并在 8.4 报告该偏差的方向。」 |
| 透明与可解释 | 决策对象能理解为什么自己被这样排序吗？ | 「模型输出附带贡献最大的三个特征；同时提供决策树的规则集（8.3），使非技术人员可审阅判定逻辑。」 |
| 责任与人在环内 | 出错了谁负责？模型能自动执行决策吗？ | 「模型仅提供排序建议，最终名单由人工复核确定（9.1）；阈值作为可调参数交由决策者，而非固定在代码中。」 |
毕业生能力 1.2 明确提到应用 kaupapa Māori、Te Tiriti o Waitangi 与 mātauranga Māori。如果你的数据涉及新西兰（尤其涉及 Māori 人口的健康、教育、住房数据），这里有一段实打实可写的内容：
Māori data sovereignty（Māori 数据主权）主张：关于 Māori 的数据应由 Māori 参与治理，遵循 Te Mana Raraunga 提出的原则。写法示例：「本研究若使用涉及 Māori 人口的细分数据，应遵循 Māori 数据主权原则，与相关 iwi／hapū 建立治理安排，并确保分析目的与受影响社群的优先事项一致；本研究目前仅使用国家级聚合公开数据，故不涉及该层面的授权，但在 9.4 提出的粒度细化中必须先行处理。」
不要硬套。如果你的数据完全与新西兰无关（比如某非洲国家的 WHO 数据），就写对应语境下的社群同意与本地治理问题——重点是展示你知道「数据关于谁，谁就该有发言权」这个原则。
生成式 AI：边界在哪
课程第 10 周有一讲 GenAI，同时学术诚信条款明确要求「提交的作业必须是学生自己的作品，反映其学习」，并且会用检测工具审查。这两件事不矛盾，但你需要知道界线在哪。
| 用途 | 一般可接受 | 风险 |
|---|---|---|
| 让它解释一个概念（「什么是 PSI」） | ✓ 相当于查资料 | 可能给出错误或过时的内容，要用课程材料或文献核对 |
| 让它改英文语法 | ✓ 多数机构接受，但要按要求申报 | 过度润色会让文风与你平时差异明显 |
| 让它帮你 debug 一段代码 | ✓ 与查 Stack Overflow 类似 | 你必须能解释那段代码在做什么 |
| 让它替你写报告的分析与解释 | ✗ | 这是学术不端。而且 Step 8 恰恰考的是你的判断——代写的解释在被追问时会立刻崩 |
| 让它编造数字、引用或结果 | ✗✗ | 模型会生成看起来合理的假引用。每一条引用都要自己在图书馆能查到 |
三条可操作的规矩：① 以课程与 Canvas 上的最新要求为准（GenAI 政策在各校各课都在变，且大纲会明确说明本课的规定）；② 不确定就申报——写一句「本文的语言润色部分使用了生成式 AI 工具，分析、代码与结论由作者完成」比事后被问强得多；③ 所有数字必须来自你自己跑出来的输出。这门课的每个数字都能追回一次执行，这既是防线也是习惯。
最后：交付自检
下面这张清单按九步逐格勾。它会算出你还有多少分处在风险里——按权重排序，告诉你先补哪一格：
- □ 报告的小标题用九步编号，每个编号下都有内容（含「不适用 + 理由」）
- □ 模型真的能跑：SPSS 流重新打开无报错 / Notebook 从头到尾 Run All 通过
- □ 每张图表都有编号，且正文里被引用过
- □ 所有指标标明是测试集上的，并写了划分方式与随机种子
- □ 有基线对比（全猜多数类 / 现行做法）
- □ 泄漏两句：3.1 的排除声明、7.1 的「统计量仅从训练集估计」
- □ Step 8 有阈值或代价的讨论，不只是默认 0.5
- □ Step 8.5 有迭代记录（至少一次回溯，含指标前后对比）
- □ 局限性单独成段，且不只是客套（指出方向：会低估谁、外推到哪里不行）
- □ APA 引用格式一致；数据集与软件版本都在参考文献或方法一节
- □ 文件名含姓名与迭代号；提交物齐全（报告 PDF + 流／Notebook + 数据说明或链接）
- □ 提交时间：上午 11:59，不是晚上——这门课六个 deadline 全部是 11:59 AM
最后一条每年都有人踩。把日历提醒设在前一天晚上。
这本书的一句话
你交的不是模型，是一条按九个编号排好的证据链。
The deliverable is not a model. It is a traceable chain of evidence, numbered 1 to 9.
把这本书压成能带走的六句话：
- 分不在模型里。建模三步占 40%，而「解释」一步占 20%、「数据准备」占 15%。按权重分配力气，比把力气全押在算法上高 10 分（第 1 章）。
- 1.1 的主语是人，1.3 的主语是一行数据。SDG 到数据挖掘目标之间必须经过「决策」这一层（第 5 章）。
- 先问「为什么缺」再问「怎么填」。非随机缺失下，整行删除会把你要找的那些地区删掉（第 9 章）。
- 指标好得反常时，先怀疑泄漏。98.6% 的准确率意味着答案躺在特征里（第 13 章）。
- 阈值 0.5 只是默认值。把它挪到 0.15，总代价从 99 降到 48——比换算法划算得多（第 18 章）。
- 四份数据可以有完全相同的统计量却长得完全不同。所以画图不是配图，是检验；而回归系数会因为共线性翻转符号，所以别把相关说成因果（第 20 章）。
九个工位走完了。现在回去把那份提案写完——它 0 分，但它决定后面 100 分怎么走。