浏览器实验室
四组学生实验，沿着“提出研究问题 → 先预测 → 动手操作 → 留下证据 → 迁移到研究”展开。无需账号、无需安装 Python 或 R；核心资源随本站提供，不依赖外部 CDN。
第一次来，选哪条路？
- 零代码路径：按第 1–4 课顺序，先读每课导学的“选择你的入口”。用滑块、选项和文字记录完成核心任务，不要求先学编程。
- Python / R 进阶路径：先理解网页的受控比较，再到代码与学习资料运行基线、单因素实验与计算练习。代码包与网页使用不同示例，不能直接比较数值。
- 只想解决一个研究问题：切分不清楚看第 1 组；指标难解释看第 2 组；训练与验证分道扬镳看第 3 组；文本分数含义不清楚看第 4 组。
导学中的加练时间供自学安排参考，可按需要选择。
01 · 研究任务与数据切分
要回答：在 t₀ 预测未来离职，谁应进入样本，哪些特征当时可得，测试集代表谁？
先移动同一员工的时点，再对固定面板切换按行、按人和按时间切分。记录特征、风险集和共有员工数；补做拟合与数据职责，解释训练成绩为什么不能代替泛化证据。
完成标准：一张六字段设计卡，让同伴仅凭文字就能重做样本筛选和切分。不能只写“避免泄漏”。
02 · 损失、基线与评估
要回答：概率、排序和名单各需要什么指标，什么时候高准确率会误导？
先选预测再解锁操作。固定样本，只改变概率、阈值、成本或容量中的一项；比较交叉熵、混淆矩阵、AUC 与 Precision@k，并核对空名单的分母。
完成标准：一张评价卡，包含朴素基线、主指标、阈值/容量、错误含义与数据职责。不能只保留最高分。
03 · 神经网络与训练
要回答：改权重、学习率、容量或 L2，分别改变了什么？怎样公平地比较早停模型？
从一个神经元到梯度检查，再比较固定初值下的学习率轨迹、相同轮次与各自早停的结果。打开教学测试前，先写评价标准和方案。
完成标准：一组有固定条件的对照记录，以及一张研究迁移卡。报告差异的方向、大小与不确定性；不能把隐藏单元当作理论构念。
04 · 文本测量与研究设计
要回答：文本数字测到了什么，哪些证据支持标签复现、构念解释、预测或因果主张？
固定句子换编码规则，比较一致率与 κ，检查相同比例不同分母的汇总，再修复研究提案。每个任务都留下一个可复核的判断。
完成标准：一条编码规则、一条汇总规则和约 100 字的结论边界。不能用八条例句宣称现实准确率，也不能用预测增益代替干预效应。
每次操作都留五项证据
- 预测：改变设置前，你预计什么方向？
- 条件：本次只改变什么？哪些数据、参数和职责保持不变？
- 观察：记录设置、数值、分母或具体例句，避免只写“更好”。
- 解释：结果支持原判断吗？若不支持，在哪个环节修正解释？
- 边界：这一组演示还不能说明什么？要迁移到真实研究，还缺什么证据？
先写自己的答案，再查看参考解释。用页面反馈检查自己的思路，再与同伴或教师讨论开放题。
保存与隐私
第 1、3、4 组原有文字输入在刷新或离开后清空；第 4 组提供记录导出。第 2 组使用当前浏览器的本地存储，并提供导出；本地存储不是跨设备同步。请按页面提示及时复制或导出自己的记录。
全部数据为教学合成或虚构。不要输入真实员工姓名、身份信息、保密材料或未公开研究数据。练习题和参考解释均为公开学习材料。