方法与证据边界
研究的可信度来自一连串可说明、可复核的选择。从问题到数据，再从模型回到结论，每一步都需要保留理由。
先确定研究主张
“我想解释员工为什么离职”“我想提前识别高风险员工”“我想检验一项管理干预是否有效”，需要不同证据。先确定目标，再选择工具，不要让现成算法替你决定问题。
把可得性写进设计
一个字段的时间戳、发布滞后、纳入资格和标签成熟时间，可能比算法名称更影响可信度。在拟合前记录这些边界；结果出来后再修改边界，会改变原本的研究问题。
简单基线是一种研究纪律
常数预测、简单线性模型、理论指定的平方项或交互项，都可能成为有意义的对照。复杂模型的价值需要通过同一评估流程下的增量证据说明。
让实验可复核
保留数据版本、样本定义、切分方式、随机种子、预处理、候选方案、选择标准和最终测试的开放时点。浏览器中的合成实验帮助理解机制，真实研究还需要数据治理与独立验证。
把不确定性写完整
模型初始化波动、抽样误差、测量误差和分布变化不是同一种不确定性。选择分析单位时，要考虑同一员工、同一企业或同一时期内的依赖关系。
把结论停在证据边界
可以报告特定样本和定义下的关联；可以报告对特定目标群体的样本外预测提升；也可以在可辩护的识别设计下讨论某项干预的效果。不要从一个证据层级直接跳到另一个。