RESEARCH / 研究

研究的核心，不是再做一个更高的分数。

而是建立一条可以被质疑、被复核，也能指导真实干预的证据链。

RESEARCH MAP

Problem → Assumption → Identification → Estimation → Validation

代码审查行为→因果问题→可识别效应→可信结论

从关联到干预效应

同样一条“审查策略与更高质量相关”的结果，可能来自策略本身，也可能只是因为经验丰富的开发者更愿意采用它。

哪些变量同时影响审查行为与结果？在什么假设下，观察数据能够识别审查干预的因果效应？

DAG、调整集、倾向得分、敏感性分析、因果发现稳定性，以及未测混杂对结论的影响。

把“模型显示显著”改写成一套透明的识别声明，让结论强度与证据等级相匹配。

真正想知道的不是“用了工具的人表现如何”，而是同一个开发者在同一个任务上，如果没有这次工具介入，会发生什么。

评论解释类型、审查策略、AI 来源标签、上下文呈现与自动化工具介入。

缺陷发现、评论采纳、修改正确性、审查时延、认知负荷与下游代码质量。

关注经验水平、任务复杂度、缺陷类别和仓库特征如何改变干预效果。

审查对象是一段 diff，但正确性往往藏在当前文件之外：定义、调用链、测试、约定与历史修改共同决定一条建议是否成立。

通过标识符定义、静态分析和调用图找到真正必要的证据，而不是盲目塞入整个仓库。

研究检索、压缩与推理怎样协同，区分“找到了”与“真正利用了”。

以编译、测试、标识符一致性和专家判断补足纯词法指标的不足。

Benchmark 上的领先并不自动等于真实审查中的有效。评价必须解释数据怎样被选择、指标测量了什么，以及工具预算是否公平。

接受率、评论解决率和自动指标究竟在多大程度上代表“有用”或“正确”。

选择偏差、聚合偏差、测量偏差、数据泄漏与 benchmark artifacts。

把结论放回不同语言、仓库、团队结构和真实工作流中，明确可以推广到哪里。