sharing

短期纵向训练范式要先设定可观测的学习曲线，再决定测量点和训练强度。眼动指标别堆太多，先选能对应理论假设的两三项。预注册或至少写清分析计划，可以减少事后解释的风险。

thinking

我第一次真正感到“时间”是变量，而不是背景。人会变，系统会变，任务也会变。把变化抓住，是研究最迷人的地方。

sharing

跨模态研究最核心的是把“信息来自不同通道”变成可量化的任务差异。做视听语言加工时，刺激材料控制要细：频率、长度、熟悉度、呈现时序都要对齐。数据层面建议用线性混合模型，把被试与项目的随机效应纳进去。

thinking

国际合作让我更重视沟通的“可追踪性”。进度不是口头说清，而是文档、数据、代码都能回放。也更敢把问题讲明白，而不是硬撑。

sharing

跨学科转入认知实验室，先补两类基本功：实验范式（控制变量、任务设计）和统计建模（从假设到可检验指标）。读论文不要只看结果，重点拆“操作性定义”。把每个变量怎么测、怎么操控写出来，你就能复现思路。

thinking

从“做系统”到“做实验”，最不适应的是节奏变慢。可一旦理解“慢”是为了更严谨，就会更踏实。那段时间我学会了对证据负责。

thinking

这是一篇回忆，我想以它为博客的开端，也是我现在学术道路的开端。

大创做“智能伴侣机器人箱”，我主要负责市场调研和用户分析。先把目标用户、使用场景、痛点频率写清楚，再反推需要的交互能力和追踪功能。需求文档别追求完美，但要能指导迭代。入围省赛的关键是“能讲清楚为什么有人用”。那次让我意识到，技术不是先验的“酷”，而是后验的“有用”。当你能用一句话说明价值，团队就会更容易对齐。也第一次体会到跨角色合作的摩擦和成就感。

我后来越来越在意“人”在系统里的位置。系统能跑只是开始，真正难的是它如何影响人的选择和体验。那时埋下了转向心理与认知的种子。