保研定位预测：分析、建模保研社区投票数据

保研定位社区里，申请者写下自己的背景和目标，其他人投票评价“不行”“刚好”或“OQ”。OQ 是 overqualified 的缩写，表示投票者认为这份背景超过了目标所需的水平。同一份背景可以收到不同评价，这种分歧本身也是数据。

baoyan-vote 项目尝试从这些投稿中学习：给定背景和申请目标，社区会怎样评价？ 本文从 1,737 条投稿出发，介绍数据观察、文本整理和模型实验，最后用一个浏览器内的预测工具展示结果。最值得讨论的是，哪些信息应该保留，以及实验是否支持为它们增加模型复杂度。

这里预测的是社区评价分布。数据没有真实录取结果，因此输出不代表录取概率。

社区投稿中的背景、目标与评价

数据来自保研定位投票网站，使用 2026 年 9 月 18 日保存的投稿快照，共 1,737 条投稿、77,037 张票。每条投稿包含本科层次、成绩排名、英语与科研竞赛经历，以及申请目标和三类投票数。¹

本科背景与申请意向

样本中，211、末九和中九本科合计占 74.0%；申请目标则集中在华五和中九。分组后，目标的差异更清楚：中九、末九本科最常填写华五，211、双非、四非本科最常填写中九。²

这些差异也说明，定位模型需要同时读取背景与目标。同样的成绩和科研经历，搭配不同申请目标，可能得到不同的评价。

投票分布与样本权重

“刚好”占全部投票的约六成。不过，统计投票有两种自然的方式：

• 每张票等权：合并所有票，热门投稿贡献更多。
• 每条投稿等权：先计算每条投稿的三类比例，再对有票投稿取平均。

两种口径在这份数据上比较接近，但对应不同的学习目标：模型应该更重视热门投稿，还是让每份背景拥有相同权重？后面的实验会比较这两种选择。

另一项差异来自票数多少。投稿票数的中位数为 29，最多有 362 票；只有一票时，三类比例必然集中在一个选项上。低票投稿的评价较不稳定，直接删除又会减少可学习的背景。投票多少既影响标签质量，也影响数据覆盖，筛选门槛需要用实验判断。³

自由文本的结构化处理

模型需要的是可比较的背景，原始投稿却混合了事实、补充说明和未来计划。整理这一步，首先要判断一段话究竟描述了什么。

成果、补充与计划的区分

例如，科研栏写“一篇论文在投”，补充栏又写“上面那篇刚录用，预计还会再投一篇”。这是一个虚构例子，其中已有成果只有一项：补充文字更新了进度，未来计划应另外记录。

项目把处理分成两层。规则检查排名与总人数、英语考试与分数范围、票数之和等明确约束；Typesafe Jev 负责离线整理自由文本，识别成果类型、进度、作者位置、数量及条目之间的关系，再把补充属性关联回原成果。⁴

整理时需要保留几种重要区别：

• 没填写与明确没有：科研情况未知，和明确没有科研，应成为不同状态。
• 已有成果与未来计划：在投、录用、计划投稿分别记录，计划不计入当前成果数量。
• 数量明确与数量未知：两篇明确的论文，加上一条数量未知的论文记录，表示“至少三篇”，并保留其中一条数量未知的信息。

这些区别会直接改变模型看到的背景。把空缺全填成零，或者把计划算成已完成成果，都会在训练前引入错误。

样本筛选与特征表示

清洗后，项目保留 1,379 条可监督投稿。零票、目标缺失、背景校验失败、语义处理未完成等记录无法提供完整的训练依据，重复投稿也需要处理。自动语义判断仍可能遗漏成果关系或误排记录，具体质量检查放在补充说明中。⁵

每份背景最终转换为 114 列特征，主要包含三组信息：

1. 基础背景：排名除以同口径总人数，同时保留人数；英语保留考试类型与原始分数。
2. 申请目标与偏好：目标层次按集合编码，学位偏好区分接受、排除和未知。
3. 成果属性与数量：按科研类型、进度、作者位置，以及奖项范围、等级等汇总，保留已知数量和未知数量条目。

此外，模型对 211 → 末九 → 中九 → 华五 → 清北 增加局部顺序编码，让树模型更容易比较本科与目标。其他层次仍保留类别信息。这个顺序是否有帮助，以及成果应当怎样聚合，都会进入后续对照实验。⁶

社区评价分布的建模

假设一条投稿收到“不行”2 票、“刚好”7 票、“OQ”1 票，它的监督目标就是

\[ q=(0.2,\;0.7,\;0.1). \]

这类目标称为软标签：保留每一类的比例，让模型学习社区的分歧。模型输出三类概率 \(p\)，通过交叉熵衡量它与投票分布的差异：

\[ L=-\sum_{c=1}^{3}q_c\log p_c. \]

当一个真实有票的类别被赋予很低的概率时，损失会增大。相比只学习最高票类别，这样的目标能区分“大家基本同意刚好”和“主要倾向刚好，但分歧很大”。

CatBoost 与表格特征

项目采用 CatBoost，一种梯度提升决策树算法。它适合这里约千条样本、数值与类别混合、存在缺失值的表格输入，也能学习条件之间的交互：同样的排名比例，在不同本科层次和申请目标下，可能产生不同意义。

长文本的理解已在清洗阶段完成，因此模型输入可以逐项检查。训练与预测还共用一套特征转换，保证表单里的一项成果与训练数据中的同类成果按同样方式处理。

训练时，一条投稿最多展开为三行相同特征，分别标记三个类别，以投票比例作为权重。这些行的加权损失正好得到上面的公式。每条投稿展开后的权重之和为 1，实现了投稿等权；改用原始票数作为权重，就得到每票等权训练。

对照实验中的取舍

比较方案前，需要避免模型在验证时遇到已经见过的背景。项目先把可能相关的匿名投稿归组，同组记录始终放在同一侧，再划分出 1,241 条开发投稿与 138 条留出投稿。

开发实验采用五折分组交叉验证：每次用四折训练、预测剩余一折，合并得到全部投稿的折外预测（OOF）。以下柱状图比较这些预测的票数加权交叉熵（CE），越低越好。每组实验只适合内部比较，不能跨组排成统一榜单。⁷

投稿权重与层次顺序

给每条投稿相同权重，再加入本科与目标的局部顺序特征，取得了较好的结果。顺序特征使该模型的 CE、平均绝对误差等指标在五折中都改善；增加热门投稿的训练权重，并没有带来更好的票数加权 CE。

这支持保留“投稿等权 + 局部层次顺序”的组合：让每份背景参与学习，同时给模型提供与问题相关的比较信息。不同指标仍有取舍，例如每票等权的顺序模型在票数加权平均绝对误差上略好。⁸

低票筛选与模型复杂度

低票投稿看起来噪声更多，但筛选没有带来稳定收益。把训练门槛从至少 1 票提高到 5 票，CE 几乎不变；提高到 10、20 票后，表现反而下降。20 票门槛会移除开发人群中约 36% 的投稿。实验保留了相同的验证人群，因此这种退化不能用“验证集换了”解释。

增加模型复杂度的收益也很有限。树深从 5 提高到 8，训练拟合改善，折外 CE 基本停留在原处；改用两个累计概率模型表达“不行→刚好→OQ”的顺序，也未优于多分类模型。现有结果支持继续使用较浅的多分类树模型。⁹

相似背景检索与树模型

k 近邻（kNN）提供了一种直观方案：找到背景最相似的 \(k\) 条投稿，合并它们的投票，形成预测。

困难在于定义“相似”。学校、排名、英语、科研、竞赛和目标如何折算为同一个距离，需要人为设计。实验比较了普通类别距离与层次排序距离，并尝试不同邻居数量；这些配置的四项票数加权指标都落后于 CatBoost 参考模型。进一步搜索距离权重，改善仍很小。

近邻检索依然适合帮助读者理解样本，但当前测试结果更支持用 CatBoost 产生预测。¹⁰

成果数量与关联特征

成果表示的实验尤其值得关注。早期聚合会把部分计数截断到 3，使四项与十项成果失去区别。修复方法很直接：取消截断，补上已知数量总和与数量未知条目数，特征从 110 列增加到 114 列。

另一条路线是增加关联特征。例如，“一篇高等级论文、另一篇一作论文”与“同一篇论文既是高等级又是一作”应该有所区别。不过，把属性组合展开后，特征数量增至六百多列，大部分新增组合在开发集中从未出现。

“数量 + 关联”的主要 CE 仅比“仅数量”低约 0.000047，而仅数量方案在多项其他指标上更好、维度也低得多。最终采用的就是 114 列数量方案。对这份小数据，修复已经明确的信息损失，比增加大量稀疏组合更有收益。¹¹

模型效果与结果解释

最终模型与一个简单基准比较：基准始终输出训练投稿的平均投票分布。超过它，才说明具体背景和目标提供了额外信息。

下面展示同一组 138 条留出投稿上的结果。图中同时比较 CE、平均绝对误差（MAE）、平方误差（Brier）和累计概率误差（RPS）相对基准的降低比例。这四项误差本身越低越好，图中的降低比例越高，改善越大。¹²

在投稿等权口径下，模型的 CE 比平均分布基准降低约 2.85%，MAE 降低约 10.69%。MAE 约为 0.12，表示对投稿和类别平均后，概率的绝对误差约为 12 个百分点。模型确实学到了一些信息，但改善幅度有限。

分布改善与类别区分

如果只显示最高概率类别，模型几乎总会给出“刚好”：

在有唯一最高票类别的 135 条留出记录上，模型判断正确 104 条，始终猜“刚好”则正确 103 条。完整概率分布的拟合有所改善，少数类别的识别仍然很弱。 这也是预测工具展示三类概率，而不只给一个结论的原因。

数量方案也没有让所有留出指标变好：相较旧版，它的 CE 和 MAE 略有退化。开发实验中的收益值得保留，面向新投稿的效果仍需要新的数据检验。¹³

模型使用的背景信息

SHAP 是一种把模型输出拆分为各特征贡献的方法。对训练样本的贡献取绝对值、平均后归一化，可以观察模型主要使用了哪些信息：

科研与经历、成绩排名、竞赛奖项占据较大份额，申请目标同样重要。模型学习的是“背景与目标是否匹配”，因此目标本身参与预测是合理的。这里的份额描述模型如何使用输入，不表示某类经历对真实录取的影响比例。¹⁴

浏览器中的预测工具

下面的表单使用同一套特征转换与已有模型。quarto-marimo 通过 Pyodide/WASM 在浏览器里运行 Python，Cloudflare Pages 只提供静态文件，填写的背景不需要发送到计算后端。¹⁵

本科与成绩留空表示未知；申请目标至少选择一项。科研和奖项可逐条添加，也可明确选择没有。可以固定其他条件，只修改目标层次、排名或论文进度，观察模型评价分布的变化。

总结

这项工作的关键在于让数据表示、学习目标与评估方式保持一致：用结构化背景保留文本中的事实和状态，用软标签保留投票分歧，再通过固定分组实验判断哪些设计值得采用。缺少这种一致性时，改进往往来自信息损失被修复，而看起来更复杂的方案并没有优势。

接下来更值得投入的是补充证据：用人工标注检查数量与成果关联的提取质量，收集未参与开发的新投稿，再检查不同背景下的误差和概率校准。这样才能判断，当前限制主要来自数据整理、样本覆盖，还是预测算法。

Note补充：数据与实验记录

本文依据截至 2026 年 9 月 21 日的已有产物，清洗版本为 MVP-8，模型版本为 mvp-10-quantities-only。没有重新清洗、训练或调用语义 API。

可下载聚合统计与评估数据、本科—目标汇总表及模型导出校验记录。公开资源不含逐条投稿、投稿 ID 或认证信息。

项目内的主要依据包括：data/summary.json 的快照统计、docs/mvp8-quality-review.md 的清洗抽查、experiments/ 下各主题的 results.md、artifacts/model/evaluation.json 的最终指标，以及 docs/model-interpretability/ 的归因报告。聚合文件记录了来源哈希。

补充实验细节：

• 当前 CatBoost 固定为 350 轮、树深 5、学习率 0.045、叶子 L2 正则系数 6，损失函数为 MultiClass。
• 深度从 5 增至 8，训练 CE 从 0.879245 降至 0.874719，票数加权 OOF CE 从 0.900135 变为 0.900387。深度 7 的最低值为 0.900105，折间方向不一致。
• 两个累计概率模型的票数加权 OOF CE 为 0.900365，略差于多分类参考的 0.900135，RPS 也未改善。
• 数量方案上增加固定成果槽位后，特征扩至 171 列，票数加权 CE 从 0.890675 上升至 0.897005，两种权重下的四项指标在五折中均退化，未采用。

描述性图表来自公开汇总数据，实验图使用已有报告中的指标。原始数据与冻结划分仍保存在受控项目中，公开汇总文件不包含完整训练材料。

Footnotes

1. 快照来源记录为浏览器导出，保存于 2026-09-18 10:56:19 UTC。采集程序检查重复 ID、非负整数票数及分项合计。统计单位为投稿，同一人可能多次提交；社区投稿和投票均存在自选择，不能代表全部保研学生。

2. 图表沿用网站原始标签，不重新推断学校。C9、华五等分类可能交叠，不能将所有标签当作互斥的客观排名。原始目标缺失的 3 条投稿单列，描述统计使用全部原始记录，和后续训练样本的口径不同。

3. 票数分布使用同一原始快照重新聚合：零票单列，有票投稿按 1–10、11–20……191–200 分组，严格大于 200 票的投稿合并。评价比例先按投稿计算，再在组内取平均；零票和空组比例未定义。公开数据只保存区间计数及平均比例，不包含逐条票数。

4. 语义判断低于 0.8 的接受阈值，或所选答案与最高概率选项不一致时，降为未知；关联冲突保留审计记录。该阈值不能解释为标签准确率。Jev 仅参与历史清洗，已有执行的估算实际费用约 1.86 美元。

5. 1,736 条完成语义处理，1 条失败。排除原因可以重叠；“虚构或真实性不确定”的 288 条包含保守误排，不能视为已确认虚假。训练前固定的 20 条定性抽查发现数量、条目关联和目标偏好仍会遗漏或误判，没有据此计算语义准确率。

6. 局部顺序编码为 0–4，并记录已映射目标的最小值、最大值及已映射和未映射数量；C9、双非、四非的顺序位置缺失，原类别保留。模型没有单调约束。清洗后的目标可以是集合，与描述图的原始目标字段不同。投稿 ID、票数、点赞、评论及时间戳不进入预测特征。

7. 背景分组依据学校、排名、英语、成果名称和文本相似度等线索，无法确认真实身份。先分组划分，再展开软标签训练行。五折指标合并折外预测计算；点图采用局部横轴。开发折和原始留出快照均参与过历史研究，因此本文报告回顾性结果，不作为新的独立盲测。

8. 加入顺序特征后，投稿等权模型在两种评价权重下的 CE、MAE、Brier、RPS 均为 5/5 折改善。与每票等权顺序模型相比，其票数加权 MAE 约高 0.000140；训练权重和评估权重是两个独立选择。

9. 筛票、深度及累计概率实验采用当时的原始特征与每票等权训练，分别改变一项设计，并非对当前数量模型重新调参。筛票只作用于训练折；背景覆盖减少可能影响结果，实验未单独确认这一因果机制。

10. 两类距离均尝试 k=10,30,50,100，各自主要 CE 最优为 k=30。CatBoost 参考采用每票等权训练。后续嵌套分组验证搜索六块距离权重，使排序 kNN 的 CE 从 0.910665 降至 0.910469，RPS 反而变差；它只隔离此次权重搜索，无法消除此前方案选择的偏差。

11. 成果实验均采用投稿等权和相同层次顺序特征。552 个新增关联特征中，426 个在开发集全为零。仅数量方案的投稿等权四项指标及票数加权 MAE、Brier 均优于数量加关联；相对基线，其主要 CE 在 4/5 折改善，其中一折贡献较大。

12. MAE 为三类概率绝对误差的平均；Brier 为三类概率平方误差之和；RPS 为按“不行→刚好→OQ”排序后两个累计概率误差平方的平均。概率误差不能换算为分类准确率。真实投票有分歧时，即使完美还原，CE 也可以大于零。

13. 旧版 110 列模型的投稿等权留出 CE 为 0.897711，数量版为 0.898398；MAE 约从 0.11943 变为 0.11991，Brier 略降。项目没有依据这次留出审计继续调整候选或参数。

14. 对训练侧 1,241 条投稿及三个类别的 SHAP 绝对贡献取平均，再归一化并按特征组加总。解释对象是模型原始分数（logit）；相关特征及各组特征数量会影响份额。科研组含实习等经历信号。图中报告值舍入后合计 100.1%，未重新归一化，也未验证新样本稳定性。

15. 预测使用 CatBoost 导出的纯 Python 模型，并保留共享特征处理；导出时对全部 1,379 条合格样本和合成背景检查与原生模型的概率一致性，容限为 1e-12。浏览器下载模型参数、运行时与依赖，首次需联网。改变输入得到的是模型响应，不能推导出对真实录取的因果影响。