ISEF 白皮书 · 2027 赛季准备版

第二章 22 个学科与选题

选学科之前，先把问题说清楚

一个项目可能同时用到计算机、化学和生物知识。报名类别应对应研究的主要贡献，以及最适合评价这项贡献的专业背景。官方也提醒，附属赛事和 ISEF 总决赛的类别不一定相同，学生可以根据项目内容重新判断。学科选择说明

例如，用神经网络分析基因表达，若重点在于发现可解释的生物学关系，计算生物学与生物信息学可能更合适；若重点是提出一种对多种任务都有效的新计算方法，则需要认真比较软件设计等类别。应用场景只是线索，不能单独决定类别。

本章按 2027 摘要表的 22 个类别排列。每节给出学科的研究重心、需要补足的基础、可以讨论的选题例子和验证难点。这里的例题是教学构想，不是推荐照做的实验方案，也没有经过具体场所的安全审查。涉及人、动物、生物材料或危险装置时，第三章的审批要求应先落实。2027 类别表

从“大方向”缩小到一个问题

“人工智能保护环境”是兴趣方向。“用图像识别河流垃圾”已经有了任务，但还没有说明研究贡献。如果继续追问：“阴影和水面反光会怎样影响识别，某种训练方法能否降低这些误判？”就开始出现可比较的变量和可检查的结果。

选题时，可以先写五句话：我想解释或改善什么；已有方法做到哪里；我准备比较什么；什么结果会推翻我的设想；我能取得哪些数据。最后一句如果还没有着落，就先解决数据与条件问题。

“热门”并不等于“值得追”。本章讨论的是有学习价值的方向，不是按参赛热度排出的榜单。看起来普通的题目，只要研究边界清楚，也可能比追逐新名词更适合学生。

本章按“学科概览—子类别辨析—真实案例”的顺序展开。子类别共有 156 项，包括每类的 Other。每一项都配有研究范围的解释；除 Other 外，还给出一个教学问题和验证时容易忽略的细节。这些问题用来帮助理解，不表示已经完成文献查新，也不表示可以跳过研究审批直接实施。

子类别名称与代码以主办方各学科页面为依据，参考我们在 2026 年 9 月整理的官方资料。官网汇总页仍标示 2026 类别说明，不能把网页上的所有细分名称当作已单独发布的 2027 子类别文件。主类别与 2027 类别表核对；报名时以实际赛季表格和赛事说明为准。行为与社会科学的单独页面明确列出社会心理学，补足了汇总页列表的遗漏。

历史数据中的软件类常记作 SOFT，当前官方代码为 SFTD，本书将两者合并统计。每节的项目数来自 2022—2026 官方档案，表示决赛记录规模，不是报名人数，也不是未来名额。TECA 仅有 2024—2026 三届记录。完整统计口径见第七章。

下面 22 个案例均依据主办方公开摘要。大类登记与项目 ID 来自原记录；它们与具体子类别的联系，是本书的教学解读，不能当作作者当年的子类别报名信息。原摘要里的结论由作者报告，本书的评价问题也不等于评委意见。每个案例都附原始链接，方便继续阅读。

2.1 动物科学 Animal Sciences（ANIM）

动物科学关注动物的行为、生理、生态关系和福利。喜欢观察生物的学生往往容易进入这个领域，但观察的耐心与记录的一致性，比一开始拥有多复杂的设备更重要。需要学习的基础包括行为分类、抽样方法，以及如何分辨个体差异与环境影响。

一个可以讨论的问题是：在不干预动物生活的前提下，校园鸟类在不同人流时段的觅食行为是否变化？研究者需要固定观察区域、时长和行为定义，同时记录天气与时段。若早晨人少、下午人多，行为差异也可能与时间有关，不能直接归因于人流。

另一类方向是分析公开动物影像，比较某种行为识别方法在遮挡条件下的表现。它能把数据分析与动物行为问题结合起来，但需要确认影像的使用许可，并检查标注是否可靠。

动物研究的难点常在“样本究竟是什么”。同一只鸟出现二十次，不等于二十个独立个体。涉及脊椎动物的操作性研究有专门要求；即使计划为自然观察，也应按官方豁免条件核对，不能仅凭“不接触动物”自行决定。脊椎动物规则

2022—2026 年官方档案共收录本类 288 个项目，各年依次为 75、55、51、53、54 个。这个数量帮助判断阅读范围，不表示这一学科容易或难以获奖。

子类别怎样区分

动物行为 · Animal Behavior（BEH）

关注动物怎样行动、交流和作出选择。一个教学问题是：遮蔽物的位置改变后，昆虫在各区域停留的时间是否变化？行为要事先定义，观察者最好不知道处理组，不能把“看起来更活跃”当作测量。

细胞研究 · Cellular Studies（CEL）

把观察尺度缩小到动物细胞的形态与活动。例如比较已有显微图像中两组细胞的形态分布。图像数量不等于动物数量；来自同一只动物的多个视野不能被当作多个独立个体。

发育 · Development（DEV）

研究从胚胎到成体的变化。可以围绕合法、适宜模型生物的发育时间提出问题，区分“发育更快”和“最终体型更大”。不同起始阶段混在一起，会把年龄差异误认为处理效果。

生态学与农业 · Ecology and Agriculture（ECO）

把动物放回它与环境、农业活动的关系中。例如通过规范观察研究绿地结构与访花昆虫组成的关系。地点、季节和观察时长都可能影响结果，不能只比较两个随意拍摄的样点。

遗传学 · Genetics（GEN）

关注遗传差异如何关联动物性状。使用公开序列比较种群间的变异，是一种计算入口；重点在采样代表性、序列质量与群体结构，不能看到某个变异就宣布找到性状的原因。

营养与生长 · Nutrition and Growth（NTR）

研究营养条件与生长的联系。例如在获准的研究条件下比较营养组成，而非只比较食物品牌。摄食量、能量摄入和生长阶段需要区分，否则无法判断起作用的是哪种因素。

生理学 · Physiology（PHY）

研究动物怎样维持身体功能，尺度可以是器官，也可以是整个个体。公开呼吸或活动记录中的昼夜变化可以成为问题；生理解释需要相应指标支持，不能从活动减少直接推出健康恶化。

系统学与演化 · Systematics and Evolution（SYS）

比较物种关系、分类特征与演化历史。例如检验形态特征和公开 DNA 序列得到的分组是否一致。相似外形可能独立演化，序列树也受选用基因和模型影响，两种证据不应被简单等同。

其他 · Other（OTH）

用于本学科内确实不能归入上述子类别的研究。跨越多个子类别时，应先找主要贡献，而不是因为涉及面广就直接选择 Other。对动物科学项目，试着用一句话说明你新增了什么知识或方法，再判断由哪个专业方向的评委来评价最合适。

本学科官方定义与子类别

案例：蜜蜂健康，为什么要同时看细胞与蜂群

2026 年项目 ANIM005 比较二氧化碳处理与几种常规杀螨剂对蜜蜂和蜂群的影响。摘要介绍了工蜂寿命、中肠组织、免疫细胞、雄蜂生殖相关测量，以及覆盖 60 个蜂群、持续十周的田间试验。卷积神经网络用于辅助量化肠组织厚度和螨虫数量。官方项目摘要：27856

这项工作可以帮助读者理解 ANIM 内部的尺度区别：中肠组织连接细胞研究，个体寿命和生殖连接生理学，蜂群产出和螨虫控制则接近生态学与农业。计算机视觉在这里是测量工具，研究的主要问题仍是动物健康。这些联系帮助读者理解研究尺度；作者实际选择了哪个子类别，公开记录没有说明。

作者在摘要中报告，二氧化碳处理在抑制螨虫的同时较好地保持了所测蜜蜂健康指标。这里不能只看“杀螨效果”：一种处理即使减少了害虫，也可能给宿主带来其他损失。把收益和代价放进同一设计，问题才完整。

读者还应追问：60 个蜂群怎样分组？原有螨虫负担和蜂群强弱是否可比？同一蜂群里的许多蜜蜂如何进入统计？图像算法有没有人工核验？摘要没有展开这些信息，所以本书不据此判断其控制已经充分，也不把作者的“安全、可扩展”表述推广到所有使用条件。

学生若没有养蜂场和合适指导，仍能学习这种多尺度思路。例如在许可范围内观察访花昆虫时，同时记录到访次数、停留时间和花朵数量，便能区分“昆虫更多”与“单朵花吸引力更强”。研究规模可以小，但测量要服务于同一个问题。

2.2 行为与社会科学 Behavioral and Social Sciences（BEHA）

这个类别研究人的行为、认知及社会现象。它看似不需要昂贵设备，实际很考验研究设计：问题如何提问，参与者为什么愿意加入，测量结果是否反映了你想研究的现象。

例如，“界面里的信息呈现顺序是否影响人们判断不确定性”，就比“青少年如何看待人工智能”更容易形成明确比较。前者可以围绕具体任务设计不同版本，在获批后安排参与者；后者若只发一份自编问卷，往往只能得到难以解释的态度汇总。

学生应补足基础统计、测量信度、混杂因素和研究伦理知识。研究中尽量减少诱导性措辞，提前决定主要指标。若测量多个结果，再挑一个显著结果报告，就会夸大证据。

学校、社交平台或家长群带来的便利样本，未必代表更广的人群。结论应说清“在本研究参与者中观察到什么”。问卷、访谈、在线任务以及许多用户测试都可能属于人体参与者研究，研究审批不能留到发问卷之后。人体参与者规则

2022—2026 年官方档案共收录本类 318 个项目，各年依次为 72、58、58、73、57 个。这个数量帮助判断阅读范围，不表示这一学科容易或难以获奖。

子类别怎样区分

行为神经科学 · Behavioral Neuroscience（NEU）

寻找神经系统与行为的联系。例如分析公开脑电数据中注意任务的信号差异。若同一人的片段同时出现在训练与测试中，模型可能识别的是人，而非注意状态。

发展 · Development（DEV）

研究行为和心理过程随年龄或生命阶段的变化。例如比较不同年龄组采用某种记忆策略的差异。横断面年龄差异不等于同一个人的成长轨迹，教育经历也可能解释结果。

认知心理学 · Cognitive Psychology（COG）

关注记忆、推理、注意和决策过程。例如信息呈现顺序是否改变判断？应把刺激材料、练习效应和反应时间的处理办法提前写清楚，避免把疲劳或题目难度当作认知机制。

社会心理学 · Social Psychology（PHY）

研究他人、群体和社会情境怎样影响个体判断。例如建议来自同伴还是自动系统，是否改变采纳比例？社会心理学在官方页使用 PHY 代码；它在这里不表示生理学。

社会学与人类学 · Sociology and Anthropology（SOC）

把研究单位扩展到群体、制度和文化。例如利用公开调查研究通勤条件与社区参与的关系。不同地区的收入、人口结构与政策可能同时变化，观察到相关关系不能直接确定因果。

其他 · Other（OTH）

用于本学科内确实不能归入上述子类别的研究。跨越多个子类别时，应先找主要贡献，而不是因为涉及面广就直接选择 Other。对行为与社会科学项目，试着用一句话说明你新增了什么知识或方法，再判断由哪个专业方向的评委来评价最合适。

本学科官方定义与子类别

案例：AI 建议的语气，会改变人的选择吗

2026 年项目 BEHA024 研究 AI 如何表达建议与人类决策之间的关系。第一项研究纳入 1,538 名参与者，在五类道德困境中改变建议的语气、确定程度与论证结构，并设置没有建议的基线；第二项研究纳入 1,025 名参与者，加入与 AI 交谈的情境。官方项目摘要：28211

这里可以看到认知心理学与社会心理学的交界：前者关心人怎样权衡和推理，后者关心外部建议如何改变判断。研究的自变量不是“有没有先进 AI”，而是读者实际接触到的表达方式。相比笼统询问“你信任 AI 吗”，改变一句建议的表达方式，更容易形成条件清楚的比较。

摘要报告，第一项研究中 63% 的参与者遵从 AI 建议，交谈情境中的比例为 72%；较不确定、呈现双方观点的表达，其选择分布更接近无建议基线。这些数字对应各自实验条件，不能被写成“所有人有七成会服从 AI”。此外，更接近基线说明选择受建议影响较小，并不自动证明决定更正确或更符合道德。

评价这类研究，要看参与者怎样分组、不同文本是否同时改变了长度或可读性、道德困境是否具有代表性，以及自报责任感是否足以反映实际行为。多种实验条件也意味着多个比较，分析计划应避免只保留最显著的一项。

学生能借鉴的是把抽象兴趣变为可控制的因素。若研究课堂反馈语言，可以先只改变“给出答案”还是“解释理由”，保持题目与其他文本尽量一致。涉及人的实验需先完成适用的审批与同意程序，不能写好问卷便直接发给同学。

2.3 生物化学 Biochemistry（BCHM）

生物化学把问题放在分子和反应层面：一种酶为什么改变活性，分子相互作用如何受到环境影响，某条代谢过程如何被调节。阅读时需要同时理解化学平衡、反应速率和生物背景。

以教学构想为例，某种稳定处理能否减缓一种安全、来源明确的商用酶在特定储存条件下的活性下降？真正需要比较的是处理前后的活性曲线，并排除测量体系本身受到干扰的可能。只比较一次颜色深浅，证据往往不够。

有计算基础的学生也可以从公开结构或反应数据入手，研究某类模型在特定分子范围中的误差。计算预测可以帮助提出解释，但对接分数、模型置信度与实验活性并不是同一个量。论文里应该明确哪些是预测，哪些来自实际测量。

选题时就与导师核实试剂和测量条件。尤其要问清楚：支持主要结论的那一次验证，现有设备究竟能不能做？如果做不了，早些调整问题，会比几个月后面对一堆无法检验的预测从容得多。

2022—2026 年官方档案共收录本类 197 个项目，各年依次为 41、37、38、37、44 个。这个数量帮助判断阅读范围，不表示这一学科容易或难以获奖。

子类别怎样区分

分析生物化学 · Analytical Biochemistry（ANB）

核心是怎样可靠地测量生物分子。例如比较两种蛋白质定量方法在有干扰物时的误差。标准曲线、检测下限与样本基质的影响，比仪器名称更能说明测量是否可信。

普通生物化学 · General Biochemistry（GNR）

研究生物体内的化学反应和分子相互作用。酶反应速率怎样随条件变化，是常见入口。应比较起始速率并控制底物量；一次反应终点的颜色深浅往往不足以解释动力学。

医药生物化学 · Medicinal Biochemistry（MED）

把分子机制与药物作用联系起来。例如用公开资料分析某类分子结构与已测活性的关系。计算结果只能帮助提出候选机制，不能把分子对接分数直接写成疗效，更不能据此推荐用药。

结构生物化学 · Structural Biochemistry（STR）

研究分子的三维结构与功能怎样关联。可比较蛋白变体在已知结构中的位置及相互作用变化。结构预测的置信度、柔性区域与实验条件会影响解释，一张漂亮的三维图不是验证。

其他 · Other（OTH）

用于本学科内确实不能归入上述子类别的研究。跨越多个子类别时，应先找主要贡献，而不是因为涉及面广就直接选择 Other。对生物化学项目，试着用一句话说明你新增了什么知识或方法，再判断由哪个专业方向的评委来评价最合适。

本学科官方定义与子类别

案例：果蝇中的药物响应，哪些结论可以跨越物种

2026 年项目 BCHM031 用果蝇模型比较司美格鲁肽与一种相关化合物的响应。摘要以高糖饮食建立研究条件，观察幼虫翅盘的荧光、面积以及脂肪体脂滴等指标，并报告两种处理在这些指标上的相似与差异。官方项目摘要：28617

原英文标题使用了带引号的 “Fake” 一词。本书不据此把所有复配制剂归为同一类，也不转述摘要背景段中的药品安全结论。读案例时，应先辨认实验中比较的具体物质、浓度与模型，而不是让一个有冲击力的标题代替化学信息。

化合物怎样改变生物过程，是医药生物化学关心的问题；翅盘图像和脂滴测量，则需要可靠的分析方法。对初学者来说，最有用的问题是：为什么选这些指标？它们各自代表什么，又不能代表什么？例如某个荧光信号变化，只有在检测方法与相应通路的关系得到支持时，才能解释为通路活动变化。

作者报告了模型中的处理差异；从这里走到人类疗效或不良反应，还需要跨物种机制、暴露水平以及独立研究等证据。果蝇身体结构中的变化，不能直接等同于人在用药后会出现的疾病。认识这一距离，并不会削弱研究的价值，反而使结论更准确。

如果学生从事公开药理数据分析，可以先比较同一化合物在不同测定体系中的一致性。不要一开始就问“哪种药最好”，先问“在什么模型和指标下，两种结果可以比较”。这样的收缩会让后续分析踏实得多。

2.4 生物医学与健康科学 Biomedical and Health Sciences（BMED）

本类别围绕健康、疾病及相关生物过程展开。中学生常被疾病检测、公共健康差异和风险预测吸引。适合开始的方式，是先理解一个明确的测量或分析问题，而不是把目标写成“治愈某种疾病”。

例如，利用具有合法研究用途的公开健康数据，检查一项风险模型在不同年龄段的校准是否一致。校准关注预测风险与实际发生比例是否相称，与把病例排在前面的能力有所区别。学生应学会解释指标的含义，并考虑缺失值、群体构成和时间差异。

医学预测尤其容易出现数据泄漏。同一患者不同时间的记录如果分到训练集与测试集，模型可能间接见过测试对象。按记录随机划分未必足够，应根据实际任务决定按患者、机构或时间划分。

公开数据上的表现只支持相应的数据研究结论。未经临床验证的模型不能被称为可用的诊断工具，更不能据此向真实患者提供诊断建议。涉及非公开病历、可识别个人信息或新招募参与者时，应先由有关审查机构确认条件。

2022—2026 年官方档案共收录本类 396 个项目，各年依次为 84、65、91、87、69 个。这个数量帮助判断阅读范围，不表示这一学科容易或难以获奖。

子类别怎样区分

细胞、器官与系统生理学 · Cell, Organ, and Systems Physiology（PHY）

关心人体细胞、器官和系统怎样正常运作。例如分析公开运动数据中恢复时间的差异。研究要说清测的是哪个生理过程，以及仪器读数与该过程之间有什么联系。

疾病遗传学与分子生物学 · Genetics and Molecular Biology of Disease（GEN）

研究遗传和分子变化怎样参与疾病。例如比较已有数据中某基因的表达与病程指标。样本来源、治疗情况和批次效应需要检查；疾病组与健康组有差异，并不自动证明该基因导致疾病。

免疫学 · Immunology（IMM）

关注免疫系统在健康和疾病中的作用。例如用公开免疫细胞数据研究某类细胞比例随疾病阶段的变化。比例上升可能来自其他细胞减少，需要考虑绝对数量与组成数据的区别。

营养与天然产物 · Nutrition and Natural Products（NTR）

研究营养及天然来源物质与健康过程的关系。一个可讨论的问题是某种成分与已有代谢指标之间的联系。“天然”不能代替剂量、纯度和安全性证据，不能组织未经批准的自行服用实验。

病理生理学 · Pathophysiology（PAT）

研究正常功能如何变成疾病状态。例如分析某个疾病模型中氧化应激指标与功能损伤的先后关系。应区分伴随现象、可能机制和已验证的致病环节，避免只凭一组相关图作机制结论。

其他 · Other（OTH）

用于本学科内确实不能归入上述子类别的研究。跨越多个子类别时，应先找主要贡献，而不是因为涉及面广就直接选择 Other。对生物医学与健康科学项目，试着用一句话说明你新增了什么知识或方法，再判断由哪个专业方向的评委来评价最合适。

本学科官方定义与子类别

案例：一个微针贴片，为什么还要研究细胞通路

2023 年项目 BMED011（DiaMiR）把 microRNA 递送与微针贴片结合，研究与二型糖尿病相关的过程。摘要介绍了贴片的成像观察，在肝、脂肪和骨骼肌相关细胞模型中的测量，以及糖尿病小鼠试验。作者报告了细胞葡萄糖输出或摄取的变化，并报告单次贴片处理后小鼠血糖下降持续三至四天。官方项目摘要：23368

看到微针贴片，人们很容易先想到器械。可是这个项目花了很大力气研究疾病相关过程。若只关心针的结构、递送效率和机械性能，容易想到 ENBM；如果重点是 microRNA 怎样影响相关信号与代谢过程，就需要 BMED 的知识。本案例的实际大类登记为 BMED，提醒我们不要仅凭作品照片选类别。

读者可以把证据分开读。成像说明贴片及载入状态的一些特征；细胞实验讨论生物响应；动物实验观察整体结果。这几层证据互相补充，却不能互相替代。细胞中出现变化并不保证递送后仍然有效，动物血糖下降也不单独解释是哪一条通路造成的。

摘要还报告在所测小鼠中未观察到毒性或炎症。本书只保留这一范围，不将它改写为对人安全。完整评价还需要样本量、剂量、对照、观察时间和统计处理等细节，摘要并未全部提供。

对缺少实验条件的学生，更可行的学习任务是画清一项转化研究的证据顺序：材料或装置是否可用，作用对象是否受到影响，整体功能是否改变，还有哪些风险未被检验。这样的阅读能力会帮助你判断自己的项目目前能够回答哪一层问题。

2.5 生物医学工程 Biomedical Engineering（ENBM）

生物医学工程重视面向健康需求的装置、材料和系统。一个可操作的入口，是改善某项测量或辅助装置的具体限制，例如噪声、佩戴位置偏差、结构耐久性或维护难度。

假设你希望做低成本康复训练角度测量装置。先回答参考角度从哪里来，再比较装置在不同角度、速度和安装偏差下的误差。早期可以用机械测试台检验传感器与算法；涉及人员佩戴和试用时，再按人体参与者规则判断并审批。

“能够显示一个数字”只是装置开始工作的证据。还需要说明数字的准确度、延迟和失效条件。如果装置在理想位置下很准，但稍微移动就失准，这个限制本身值得研究。

装置为什么要做成这样，要回到使用需求来解释。你也许为了减轻重量牺牲了一点精度，或者为了方便维护换了传感器，这些取舍都值得写出来。测试处于台架、模拟环境还是获批的人体研究阶段，也应交代清楚。

2022—2026 年官方档案共收录本类 426 个项目，各年依次为 81、83、82、82、98 个。这个数量帮助判断阅读范围，不表示这一学科容易或难以获奖。

子类别怎样区分

生物材料与再生医学 · Biomaterials and Regenerative Medicine（BMR）

关注材料与生物组织的相互作用及修复用途。例如比较可用材料的力学性质与吸水变化。仅有强度或细胞存活数据，还不能证明体内长期兼容性和再生效果。

生物力学 · Biomechanics（BIE）

用力学解释生物体运动、受力和功能。例如低成本测量能否重建某种步态参数。关键在与可信参照比较，不能把姿态角度直接等同于疾病诊断或损伤风险。

生物医学器械 · Biomedical Devices（BDV）

设计服务于医疗测量、操作或辅助的器械。例如台架模型上两种机构的定位误差。工程原型可以先验证机械性能，但不得把台架成功写成在患者身上有效。

生物医学传感与成像 · Biomedical Sensors and Imaging（IMG）

研究医疗相关信号的测量与图像形成。例如传感器受运动干扰时能否识别无效读数。图像更清晰或波形更稳定，仍需对应到测量准确度与实际任务。

细胞与组织工程 · Cell and Tissue Engineering（CTE）

研究细胞和组织如何被培养、组织或用于修复。可从公开数据研究支架几何与细胞分布的关系。细胞数增加、组织结构形成和恢复器官功能属于不同证据层级。

合成生物学 · Synthetic Biology（SYN）

把生物元件作为可设计的系统来研究。例如比较编码同一蛋白的不同序列对表达的预测。计算设计与实际生物功能之间还有验证距离，序列优化分数不能替代实验结果。

其他 · Other（OTH）

用于本学科内确实不能归入上述子类别的研究。跨越多个子类别时，应先找主要贡献，而不是因为涉及面广就直接选择 Other。对生物医学工程项目，试着用一句话说明你新增了什么知识或方法，再判断由哪个专业方向的评委来评价最合适。

本学科官方定义与子类别

案例：密码子优化，为什么算法要懂得生物学

2022 年项目 ENBM074（ICOR）研究编码同一蛋白时，怎样选择不同的同义密码子。摘要介绍了用七千多个大肠杆菌基因构建学习数据，以循环神经网络学习序列上下文，并在 1,481 个基因及四十条已有异源表达研究的序列上评价。官方项目摘要：23103

这个案例连接合成生物学，也使用了计算生物学方法。研究并非简单改变蛋白质的名字或功能，而是讨论不同编码方式可能怎样影响表达。神经网络的任务由生物学约束定义，因此评价也不能只用一般文本生成指标。

作者比较了密码子适应性、使用分布、GC 含量及若干序列特征，并与五种方法对照。摘要还报告表达改善，但短文没有展开所有实验来源和验证条件。读者不应仅凭这一表述，认定作者对每条新设计序列都进行了独立湿实验。

理解项目时要追问：训练和测试序列之间是否过于相近？对哪些宿主成立？优化一个指标会不会损害其他生物要求？已经发表的表达结果可以提供有用基准，却与在新条件下亲自验证新设计不同。

学生从这里能学到一种研究组织方式：先写明哪些特征必须保持，再定义可以改变的部分，最后用独立数据检验改变是否有价值。即便开展的是纯计算工作，也要对生物意义负责，不能让一个更高的模型分数替代真正的功能问题。

2.6 细胞与分子生物学 Cellular and Molecular Biology（CELL）

这一领域关注细胞的功能、信号传递、基因调控和分子机制。它与生物化学有交叉，但问题常落在细胞怎样作出反应，以及这种变化由什么机制驱动。

学生可以从公开细胞图像或表达数据学习：不同实验批次是否会影响某类细胞状态的判别？如果模型能够预测“来自哪个实验室”，却不能在新批次上识别状态，就要怀疑它学到的是批次特征。

湿实验项目则需要明确的实验条件和合格监督。细胞来源、培养条件、重复设计及图像定量都可能影响解释。看到某个指标同时变化，通常只能提出相关性；若要支持机制，还需要能区分不同解释的实验。

第一次做这一方向，先把一项测量做可靠。至于机制，如果目前只有线索，就保留为待检验的解释。图画得再完整，也不能补上缺少的实验。

2022—2026 年官方档案共收录本类 238 个项目，各年依次为 41、57、47、50、43 个。这个数量帮助判断阅读范围，不表示这一学科容易或难以获奖。

子类别怎样区分

细胞生理学 · Cell Physiology（PHY）

研究细胞如何生长、代谢、应对环境与维持状态。例如利用已有时间序列比较应激前后的形态变化。细胞密度、培养批次和图像曝光都可能造成表面差异，需要逐项排除。

细胞免疫学 · Cellular Immunology（IMM）

关注免疫反应在细胞层面怎样发生。例如分析免疫细胞接触目标后的形态与信号变化。观察到细胞被激活，不等于证明它能改善疾病；功能性证据需要另行建立。

遗传学 · Genetics（GEN）

研究基因、遗传信息与细胞性状之间的联系。例如比较公开突变株与对照的表型。遗传背景、脱靶变化及互补实验会影响归因，单个突变株不能承担所有机制解释。

分子生物学 · Molecular Biology（MOL）

研究 DNA、RNA、蛋白质及其调控关系。例如分析某调控因子变化后哪些基因共同响应。共同变化可能来自更上游的原因，相关网络中的一条边不等于直接结合或调控。

神经生物学 · Neurobiology（NEU）

研究神经细胞的结构、发育和分子功能。例如比较公开显微图像中的神经突起分支。图像分割阈值、细胞成熟度与批次应纳入分析，算法产生的分支变化不一定是真实生物差异。

其他 · Other（OTH）

用于本学科内确实不能归入上述子类别的研究。跨越多个子类别时，应先找主要贡献，而不是因为涉及面广就直接选择 Other。对细胞与分子生物学项目，试着用一句话说明你新增了什么知识或方法，再判断由哪个专业方向的评委来评价最合适。

本学科官方定义与子类别

案例：珊瑚热应激，先看见什么，再解释什么

2026 年项目 CELL025 研究夏威夷珊瑚 Montipora capitata 的热应激与端粒相关变化。摘要介绍了五天的热应激过程，比较处理前后的成像、组织 DNA 和 RNA 测量，并把白化、叶绿素荧光与端粒长度联系起来。官方项目摘要：27889

作者报告，明显白化的样本中端粒长度增加，叶绿素荧光与端粒长度呈负向关系；端粒酶相关亚基在不同条件下的关联也出现变化。项目由环境问题进入细胞与分子层面，因而可以用来理解 CELL 的细胞生理学和分子生物学子类别。

原题中的“immortality”很醒目，但读者不应把标题理解成“珊瑚不会死亡”或“找到了永生机制”。本项目所测的是特定条件下的细胞相关指标。白化、端粒变化和某种维护机制之间，还需要多层证据来连接。

解读这一类案例，最好把句子拆成三种：观察到了什么，哪些现象相互关联，作者用什么机制解释。前两种可以由对应测量支持，第三种往往还需要额外实验。某两项 RNA 测量失去相关，也不能仅凭这一点完全排除一个机制。

学生若分析公开细胞图像，可以先从更小的问题开始：同一结论是否依赖某个阈值或图像筛选办法？当处理方式稍微改变时，结果还在吗？检查结论的稳健性，是理解细胞研究的重要一步，不需要靠扩大生物学宣称来增加分量。

2.7 化学 Chemistry（CHEM）

化学研究组成、结构、反应与性质之间的关系。选题可以围绕检测方法、反应条件、分离过程或材料中的化学变化，但需要提出具体的比较。

以颜色检测为例，手机拍摄能否在不同照明条件下可靠估计某种安全标准溶液的浓度？这项研究需要校准曲线、空白样本、未知样本验证，以及不同手机或光源带来的误差分析。只展示颜色从浅到深的照片，还不足以证明检测能力。

如果研究吸附，不能把颜色变浅直接等同于污染物被彻底去除。还要考虑容器吸附、光照分解、过滤损失和检测干扰。对照设计能帮助区分这些解释。

化学项目的难度经常取决于表征条件。测不到结构，就谨慎讨论结构；测不到副产物，就不声称过程没有副作用。实验前应阅读安全数据表并落实指导、通风和废物处理条件。危险化学品、活动与装置规则

2022—2026 年官方档案共收录本类 321 个项目，各年依次为 73、65、70、46、67 个。这个数量帮助判断阅读范围，不表示这一学科容易或难以获奖。

子类别怎样区分

分析化学 · Analytical Chemistry（ANC）

关心样品里有什么、有多少，以及怎样测准。例如比较低浓度分析中两种背景扣除方法。需要空白、标准和回收率，不能把仪器给出的每一个小数位都当作真实精度。

计算化学 · Computational Chemistry（COM）

用计算研究分子、反应与化学性质。例如比较不同计算方法对同一组分子能量排序的影响。要说明模型近似及适用范围，并尽量与可获得的实验值比较。

环境化学 · Environmental Chemistry（ENV）

研究化学物质在环境中的来源、转化和归宿。例如某污染物在不同水质条件下如何改变形态。浓度下降可能是吸附、转化或挥发，必须辨别过程，不能一概称为无害降解。

无机化学 · Inorganic Chemistry（INO）

关注无机化合物的组成、结构和反应。例如讨论金属配位环境与可测性质的关系。对照样品需要保持其他条件相近；改变多种组分之后，很难确定哪项变化起主要作用。

材料化学 · Materials Chemistry（MAT）

以化学组成、合成与反应机制为中心研究材料。例如交联方式如何改变水凝胶的结构。与 MATS 的边界在于主问题：解释化学反应更靠近这里，系统评价材料服役性能则可能更靠近材料科学。

有机化学 · Organic Chemistry（ORG）

研究含碳分子的结构、合成和反应。可从文献与公开反应数据分析选择性问题。真正的实验合成需要相应场所与监督，不能把复杂路线当成可以在家照做的步骤。

物理化学 · Physical Chemistry（PHC）

用热力学、动力学和量子等概念解释化学变化。例如比较两种模型对反应速率曲线的解释。拟合优度之外，还要看参数意义、残差和测量误差，避免用复杂模型掩盖错误假设。

其他 · Other（OTH）

用于本学科内确实不能归入上述子类别的研究。跨越多个子类别时，应先找主要贡献，而不是因为涉及面广就直接选择 Other。对化学项目，试着用一句话说明你新增了什么知识或方法，再判断由哪个专业方向的评委来评价最合适。

本学科官方定义与子类别

案例：吸附轮胎相关污染物，去除率之外要读什么

2026 年项目 CHEM047 研究交联纳米纤维素水凝胶海绵对 6PPD 及其醌类转化产物的处理。摘要介绍了不同交联方式、批次吸附和柱试验，并使用质谱及多种表征方法分析浓度变化与材料结构。官方项目摘要：28609

项目报告，在摘要列出的 1 ppm 条件下，两种海绵都获得超过 60% 的去除率，其中柠檬酸交联海绵在十五分钟内超过 75%。这些数字需要连同浓度、接触时间和测试介质一起阅读；单独摘出“去除 75%”无法判断它在什么条件下成立。

作者把材料结构证据与吸附表现联系起来，因此可以从材料化学、分析化学和环境化学三个角度理解。与 ENEV 的区别取决于主问题：若研究转向长期运行、处理流量、再生与排放标准，工程系统的权重就会增加。

这个摘要也提供了一次很好的批判性阅读练习。作者强调环境相关浓度，但读者仍要核对具体环境中的浓度范围以及各项试验对应的单位。去除率不说明最终水体已经安全，吸附也不等于彻底销毁污染物。处理后的材料怎样处置，同样影响环境价值。

摘要中的成本与能耗降幅还需结合比较边界和规模假设来理解，短摘要没有展开这些细节。学生学习这类研究时，应把“材料有效”“机制可能是什么”“工程应用是否划算”分别写清。一组吸附数据还回答不了后面的所有问题。

2.8 计算生物学与生物信息学 Computational Biology and Bioinformatics（CBIO）

这一类别使用计算方法回答生物学问题。数据通常比设备更容易获得，但理解数据的生成过程并不容易。表达量、序列或图像背后都有实验条件，不能把它们当作没有来源的数字表格。

一个值得讨论的题目是：某种基因表达分类方法在不同研究队列之间是否稳定？学生可以先复现简单基线，再比较批次处理方式，最后在未参与调参的数据中检查结果。研究价值可能来自解释模型为什么失效，而不一定来自刷新某个准确率。

需要补足的知识包括基础分子生物学、数据预处理和统计建模。特征筛选必须放在训练过程内部，不能先用全部数据挑选相关基因，再报告测试效果。否则测试集的信息已经进入模型选择。

解释性图表也需要谨慎。模型认为某个基因有用，不意味着这个基因导致疾病。若只有统计关联，应据实报告，再提出可验证的生物学假设。

2022—2026 年官方档案共收录本类 368 个项目，各年依次为 75、67、57、77、92 个。这个数量帮助判断阅读范围，不表示这一学科容易或难以获奖。

子类别怎样区分

计算生物建模 · Computational Biomodeling（MOD）

用数学或计算模型表示生物系统。可研究一个反馈模型怎样产生稳定、振荡或失稳。先检查参数是否可识别、不同参数是否给出相同曲线，再讨论模型对真实生物过程的解释力。

计算流行病学 · Computational Epidemiology（EPD）

研究疾病在人群中的传播或分布。例如比较不同接触网络假设对预测的影响。历史数据拟合良好不意味着未来预测可靠，漏报和检测政策变化也会改变数据曲线。

计算演化生物学 · Computational Evolutionary Biology（EVO）

用计算方法研究演化过程。可检验不同基因集合是否支持相同的物种关系。序列比对、模型选择和重采样的不确定性都应进入讨论，不能只展示一棵树便结束分析。

计算神经科学 · Computational Neuroscience（NEU）

用模型理解神经活动和信息处理。例如比较简化神经网络在不同连接方式下的响应。生物机制模型和工程分类器解决的问题不同，分类准确率提高未必说明更接近真实大脑。

计算药理学 · Computational Pharmacology（PHA）

计算药物与生物系统的相互作用。可研究候选分子排序在不同评分方法下是否稳定。筛选结果需要独立证据，模型不确定性大时应缩小结论，而非扩大到临床应用。

基因组学 · Genomics（GEN）

分析基因组及相关大规模分子数据。例如比较不同数据批次中某表达特征是否重复出现。特征选择必须在训练数据内进行；先用全体样本挑基因再划分测试集会产生泄漏。

其他 · Other（OTH）

用于本学科内确实不能归入上述子类别的研究。跨越多个子类别时，应先找主要贡献，而不是因为涉及面广就直接选择 Other。对计算生物学与生物信息学项目，试着用一句话说明你新增了什么知识或方法，再判断由哪个专业方向的评委来评价最合适。

本学科官方定义与子类别

案例：BIO-PLEX 怎样把结构预测变成生物学问题

2023 年项目 CBIO068（BIO-PLEX）围绕猴痘病毒复制复合体展开计算研究，结合深度学习、同源建模和突变分析，尝试理解暴发相关序列变化的结构意义。摘要报告在所研究复合体的五个组成部分中观察到十个突变，并重点讨论 DNA 聚合酶中的两个位置。官方项目摘要：23910

它可以连接计算生物建模、基因组学和计算药理学：序列比较负责指出差异，结构模型负责提出影响的解释，药物相关分析进一步提出可能的后果。把这几步排清楚，比只说“AI 分析病毒”更能体现研究内容。

在阅读时，要特别留意从预测到因果的跳跃。模型提示结合关系可能变化，可以形成待验证的假设；它并不能单独证明真实人群中的传播性为什么增强。流行过程还受到接触模式、检测和宿主等因素影响。即使原摘要用了更强的措辞，白皮书也不会把计算推测改写成已经证实的传播机制。

学生应追问模型对未知结构部分有多确定，不同建模方案是否给出相同解释，以及突变差异是否受采样地区和时间影响。若对照序列来源不匹配，得到的“暴发特征”可能只是数据集之间的差异。

一个适合学习的缩小版本，是选定一个公开蛋白结构问题，比较若干方法在已有实验结构上的误差，再讨论未知结构部分。这样做看起来没有“预测下次疫情”宏大，却能明确检验计算工具在哪些条件下可靠。

2.9 地球与环境科学 Earth and Environmental Sciences（EAEV）

地球与环境科学研究自然系统怎样变化，包括水文、气候、地质及生态环境过程。环境工程则更偏向设计解决方案；区分类别时，看项目主要解释现象还是评价干预装置。

城市热环境是一个容易理解的入口。比起“绿地能否降温”，可以进一步问：在相近建筑密度下，不同地表覆盖与特定时段温度的关系是否一致？学生应区分卫星测得的地表温度与人们呼吸高度附近的空气温度，它们不能直接互换。

现场测量需要统一传感器放置方式，并记录阴影、风和测量时间。遥感研究则要处理云、空间分辨率以及地面验证不足等问题。相邻像素的相似性，也会使随机拆分的模型测试看起来过于乐观。

一个地点连续一周的结果很难代表全年或整座城市。把空间和时间边界讲清楚，能够让小规模研究仍然有解释价值。

2022—2026 年官方档案共收录本类 409 个项目，各年依次为 90、82、99、69、69 个。这个数量帮助判断阅读范围，不表示这一学科容易或难以获奖。

子类别怎样区分

大气科学 · Atmospheric Science（AIR）

研究大气中的物理、化学过程及天气相关现象。例如传感器记录的日变化如何关联风速与边界层条件。附近排放、测站高度与仪器漂移都可能混入结果。

气候科学 · Climate Science（CLI）

研究较长时间尺度的气候及其变化。可以用公开长期记录检验趋势对起止年份的敏感程度。几天的异常天气不能单独支持气候趋势，缺测与站点迁移也需要处理。

环境对生态系统的影响 · Environmental Effects on Ecosystems（ECS）

研究环境变化如何影响生态系统。例如干旱年份与植被群落变化是否同步。应区分相关、时滞和可能的共同驱动因素；遥感变绿也不必然代表生物多样性提高。

地球科学 · Geosciences（GES）

研究地球材料、地貌及相关过程。例如不同坡面特征与侵蚀痕迹的关系。空间样点通常相关，不能把一片坡面上密集取样得到的点都当作互相独立的地区。

水科学 · Water Science（WAT）

关注河流、湖泊、地下水或海洋中的自然过程。例如一次降雨后水体浑浊变化怎样传播。取样位置、流量与时间需要配合；研究水的变化和设计净水设备是不同问题。

其他 · Other（OTH）

用于本学科内确实不能归入上述子类别的研究。跨越多个子类别时，应先找主要贡献，而不是因为涉及面广就直接选择 Other。对地球与环境科学项目，试着用一句话说明你新增了什么知识或方法，再判断由哪个专业方向的评委来评价最合适。

本学科官方定义与子类别

案例：从七个农场的土壤走向卫星估计

2024 年项目 EAEV019（ANOMaLY）尝试用遥感与模型识别农业氧化亚氮排放热点。摘要介绍了六个月内在北卡罗来纳州七个农场采集的 1,200 多份土壤样本，结合 Sentinel-2 影像构造土壤铵态氮、硝态氮相关光谱指标，再把微生物氮过程的方程与神经网络结合。官方项目摘要：24808

这不是卫星直接“看见”每一处氧化亚氮排放。研究先建立可观察量与土壤性质的关系，再通过模型连接到目标过程。作者报告两种土壤光谱指标的 R² 分别约为 0.53 和 0.46，并报告后续区域模型解释了约 80% 的变化。不同数字属于不同环节，不能混成一个准确率。

它适合连接大气科学、气候科学与生态系统影响。真正需要理解的是测量链条中的每一步，而非模型中用了多少先进名词。如果第一步对某类土壤不适用，后续预测也会受影响。

一个关键问题是外部适用性：七个农场的数据能否代表不同土壤、作物和气候？怎样划分训练与测试，才能避免同一农场相邻时段过于相似？摘要中的全球应用展望，不等于全球各区域都经过现场验证。

学生可以把这一案例缩小为本地研究：选一个能找到参照记录的区域，检验某个遥感指标在不同季节是否稳定。研究“何时失效”并不比报告平均误差低一分逊色，因为它直接决定一个方法能不能被别人可靠使用。

2.10 嵌入式系统 Embedded Systems（EBED）

嵌入式系统关注软硬件结合的专用计算与控制。传感器节点、实时信号处理、边缘计算和低功耗系统都可能进入这一类别。研究贡献应落在系统性能或设计判断上，而不只是把现成模块连接起来。

例如，在校园环境监测中，能否根据变化速度调整采样频率，同时减少耗电并保留重要事件？需要比较固定采样与自适应采样，在相同硬件、相同输入下测量能耗、漏报和延迟。

平均延迟有时会掩盖偶发卡顿。对需要及时响应的系统，还应观察较慢的一部分情况，以及断网、低电量或传感器漂移时怎样表现。测试条件越接近真实限制，工程判断越有说服力。

学习这类系统时，试着追踪一次测量的全过程：信号从哪里进入，程序何时处理，通信在哪一步等待，电量又消耗在哪里。读懂这条过程，才容易找到真正值得改进的地方。如果主要计算都在服务器上完成，还应检查项目的贡献是否更适合软件类别。

2022—2026 年官方档案共收录本类 217 个项目，各年依次为 41、43、41、43、49 个。这个数量帮助判断阅读范围，不表示这一学科容易或难以获奖。

子类别怎样区分

电路 · Circuits（CIR）

研究电路怎样实现特定功能。例如两种滤波电路在同样噪声输入下的精度与功耗。测量仪器的带宽和自身噪声会限制结论，仿真与实测也应分开报告。

物联网 · Internet of Things（IOT）

关注联网设备的协作、数据获取和远程使用。例如校园传感节点在断网后能否保留完整记录。网络连接成功只是起点，丢包、延迟、能耗和故障恢复才构成可比较的研究指标。

微控制器 · Microcontrollers（MIC）

把微控制器的资源约束作为研究问题。例如在内存和功耗受限时怎样完成实时识别。比较应包含处理时间分布与最坏情形，不能只报告一次顺利运行的平均速度。

网络与数据通信 · Networking and Data Communications（NET）

研究设备之间怎样传递数据。例如干扰或节点增多时通信协议的可靠性如何改变。应记录丢包和重传，并控制距离、功率与数据量，避免比较条件不一致。

光学 · Optics（OPT）

研究嵌入式设备中的光学元件和光电方法。例如低成本成像系统怎样校正镜头畸变。照明和几何条件必须可重复；算法补偿不能替代对光学误差来源的理解。

传感器 · Sensors（SEN）

研究把物理或化学量转换为信号的传感过程。例如同型号湿度传感器之间的偏差有多大。校准、迟滞、温度影响和长期漂移往往比屏幕上能否显示读数更有研究价值。

信号处理 · Signal Processing（SIG）

从采集信号中提取有意义的信息。例如滤波怎样同时影响噪声与短暂事件的保留。降噪后的曲线更平滑，不代表信号更准确；应检验是否抹去了真正需要识别的变化。

其他 · Other（OTH）

用于本学科内确实不能归入上述子类别的研究。跨越多个子类别时，应先找主要贡献，而不是因为涉及面广就直接选择 Other。对嵌入式系统项目，试着用一句话说明你新增了什么知识或方法，再判断由哪个专业方向的评委来评价最合适。

本学科官方定义与子类别

案例：四个模块机器人，研究重点可以在嵌入式系统

2023 年项目 EBED004 构建了一个自动组装的模块化机器人系统。摘要介绍，每个模块有四个自由度、轮式移动、蓝牙与 Wi-Fi 通信以及电磁连接结构；系统结合 AprilTags、视觉处理与 PID 控制完成定位和运动。作者制作了四个模块，并测试不同组合下的速度、负载速度和连接强度。官方项目摘要：23358

虽然成品是机器人，它实际登记在 EBED。这个例子说明，机器人外形并不必然意味着应报 ROBO。通信、执行、电路和实时协调可以构成嵌入式系统的核心；若贡献主要在自主决策或新运动方法，分类判断又可能不同。

摘要提供了具体的工程比较对象：模块怎样连接，组合后能做什么，负载会怎样改变表现。这比单独展示“四台机器一起动起来”多走了一步。一个可自组装的系统还要证明连接足够可靠，感知误差不会让组装过程频繁失败。

继续阅读时应追问：组装成功率是多少，失败后能否恢复？视觉标记在遮挡或照明变化时怎样表现？连接强度的测试是否覆盖不同受力方向？这些是从系统功能引出的评价问题，本书没有把它们写成原作者已经完成的测试。

如果你也在做机器人，可以先列出每个部件必须完成的动作，再想办法测量它们组合后的表现。即使只做一个连接机构，也可以研究对准误差、承载能力和反复连接后的磨损。项目大小并不决定证据是否完整。

2.11 能源：可持续材料与设计 Energy: Sustainable Materials and Design（EGSD）

能源项目常围绕能量转换、储存和使用效率展开。太阳能、储能和热管理都是值得学习的方向，但“绿色”“高效”必须落到明确的测量范围。

例如，研究一种被动散热结构能否降低小型光伏模块在特定条件下的温升，并改善实际输出。公平比较需要尽量一致的光照、朝向与环境温度，还要考虑结构本身增加的材料和体积。

应同时理解功率与能量：某一时刻输出更高，不必然意味着一天总发电量更多。若讨论节能，还要说明是否计入辅助风扇、控制器或制备过程的消耗。

高温、高电流、电池拆装和化学储能可能带来风险。学生可以选择条件可控的小尺度研究，不必通过提高能量或危险程度来增加“项目分量”。结论应对应实际测试条件，不把实验室效率直接写成完整生命周期的环保优势。

2022—2026 年官方档案共收录本类 261 个项目，各年依次为 52、60、50、48、51 个。这个数量帮助判断阅读范围，不表示这一学科容易或难以获奖。

子类别怎样区分

生物过程与设计 · Biological Process and Design（BIO）

研究与生物过程有关的能源转化或设计。例如用公开数据比较某生物能源路线的投入与产出。计算边界应包括原料处理与副产物，不能仅凭“来源可再生”判断整体能源收益。

太阳能过程、材料与设计 · Solar Process, Materials, and Design（SOL）

研究太阳能转换的材料、结构和系统。例如不同遮挡方式下输出如何改变。比较要控制辐照度、温度和面积；某一时刻峰值高，不等于一天发电量高。

储能 · Energy Storage（EST）

研究能量如何储存与释放。例如用公开电池循环记录比较容量预测的跨电池误差。单次容量、长期衰减和功率能力是不同指标，不能用一个“效率”包办所有性能。

风能与水流发电 · Wind and Water Movement Power Generation（FLD）

研究风或水流中的能量获取。例如不同叶片设计在多个流速下的输出。输入流场与装置尺度必须说明，小风扇试验的排序未必能直接推广到真实风场。

制氢与储氢 · Hydrogen Generation and Storage（HYD）

研究制氢、储氢及相关材料。可比较文献中催化剂性能随测试条件的变化。电流密度、有效面积、过电位和稳定性需要一起读，单个漂亮数字不足以比较不同实验室结果。

热能发电与设计 · Thermal Generation and Design（THR）

研究热能怎样转换、利用或管理。例如温差发电装置在不同散热条件下的净输出。维持温差消耗的能量也要计入，不能只计算输出而漏掉驱动系统。

摩擦起电与电解 · Triboelectricity and Electrolysis（ELC）

包括摩擦起电、电解等相关能源过程。例如评价一个能量采集器在相同机械输入下的可用输出。开路电压高不意味着能持续带动负载，应看负载匹配和实际输出能量。

其他 · Other（OTH）

用于本学科内确实不能归入上述子类别的研究。跨越多个子类别时，应先找主要贡献，而不是因为涉及面广就直接选择 Other。对能源：可持续材料与设计项目，试着用一句话说明你新增了什么知识或方法，再判断由哪个专业方向的评委来评价最合适。

本学科官方定义与子类别

案例：同一材料既制氢又储氢，怎样比较才公平

2022 年项目 EGSD018 对一种金属有机框架材料进行改性，研究其制氢相关电催化与储氢表现。摘要介绍了活性炭引入、镍掺杂和结构表征，并分别开展电化学与吸附相关评价。官方项目摘要：21893

作者报告，相对所比较的原材料，比表面积和储氢表现有所改善，并给出了与另一催化材料的电化学比较。这里的“两个用途”很吸引人，但学生需要先看两项用途是否在相同材料状态、各自合适的条件下得到验证。

这个案例主要连接制氢与储氢子类别，也与 MATS 的材料结构和 CHEM 的反应研究相邻。若想判断能源价值，不能停留在表征图上：结构为何有助于目标过程，输出改善付出了什么成本，材料能否在多次使用后保持表现，都需要讨论。

对电催化数字，读者应核对电位参照、电解液、面积口径与测试时间。对储氢数字，需要知道温度、压力以及按质量还是体积报告。摘要并未给出足以独立重建全部比较的细节，本书因此不把其中成本倍数改写成规模化系统优势。

如果学生只有计算和文献条件，可以做一份条件明确的对照综述：仅比较同类测试体系的数据，把无法换算的结果单列。能发现文献中两个醒目的数字其实不具可比性，本身就是开始理解一个领域的标志。

2.12 工程技术：静力学与动力学 Engineering Technology: Statics and Dynamics（ETSD）

这个类别适合对机械、结构、运动和制造感兴趣的学生。研究往往从限制出发：材料有限、重量受限、载荷变化，怎样设计更合适？

一个具体问题是：在相同材料用量下，不同连接方式如何影响轻型结构的反复加载寿命？只测第一次压坏时的最大载荷，会漏掉长期使用中的变化。根据目标，研究可能更需要记录变形、连接松动和破坏过程。

仿真能帮助筛选方案，但要说明材料参数、边界条件和简化假设。若仿真与实验不一致，先检查夹具、接触和制造误差，不要只保留吻合的一组图。

先只改一个有理由改变的结构细节，再看结果。若同时换了材料、厚度和连接方式，即使性能更好，也难以判断哪一次改变起了作用。制作缩小模型时，还要想清楚哪些关系会随尺寸改变。

2022—2026 年官方档案共收录本类 337 个项目，各年依次为 82、69、75、56、55 个。这个数量帮助判断阅读范围，不表示这一学科容易或难以获奖。

子类别怎样区分

航空航天工程 · Aerospace and Aeronautical Engineering（AER）

研究航空航天系统的结构、运动或性能。例如小尺度翼型在不同迎角下的升阻变化。雷诺数、支撑干扰与测量误差会影响结论，模型实验需要说明与实际飞行的距离。

土木工程 · Civil Engineering（CIV）

研究建筑、桥梁、道路等结构与设施。例如不同连接方式在重复载荷下的变形。承载峰值只是一个方面，还应记录失效模式和变形，不能把模型结果直接当作工程安全认证。

计算力学 · Computational Mechanics（COM）

用数值方法分析结构、流体等力学问题。例如网格加密后应力或流量结果是否收敛。彩色云图很容易生成，边界条件和与实验的对应关系才决定它是否有意义。

控制理论 · Control Theory（CON）

研究系统怎样保持目标状态或跟踪指令。例如控制器面对负载变化时的响应。上升快、振荡小、能耗低未必同时成立，评价应包含扰动和异常条件。

地面车辆系统 · Ground Vehicle Systems（VEH）

关注陆地车辆的部件与系统。例如不同轮胎或悬架参数对台架响应的影响。道路、速度、载荷变化需区分，安全条件不允许时应采用模型或公开数据。

工业工程与工艺 · Industrial Engineering-Processing（IND）

研究生产流程、制造和资源组织。例如回收线材设备的产量、合格率和单位能耗如何平衡。设备能运转还不够，应说明输出是否达到用途要求。

机械工程 · Mechanical Engineering（MEC）

研究机构、机器部件及其运动和受力。例如不同连接结构的刚度与耐久性。一次成功动作难以说明可靠性，需要重复运行、负载变化与失效记录。

船舶系统 · Naval Systems（NAV）

研究船舶与水上系统。例如模型船体在不同载荷下的阻力。水槽尺度、波浪和边界效应需要说明，不能把静水模型结果直接外推到海况。

其他 · Other（OTH）

用于本学科内确实不能归入上述子类别的研究。跨越多个子类别时，应先找主要贡献，而不是因为涉及面广就直接选择 Other。对工程技术：静力学与动力学项目，试着用一句话说明你新增了什么知识或方法，再判断由哪个专业方向的评委来评价最合适。

本学科官方定义与子类别

案例：把废塑料做成打印线材，设备运行以后还要测什么

2025 年项目 ETSD057 将挤出与拉挤思路结合，尝试把塑料瓶、打印废料等转为新的打印线材。摘要介绍自制设备、冷却与收卷单元，测试了三十多组温区组合，并经历五十多次部件迭代。官方项目摘要：27348

这个项目连接工业工程与工艺、机械工程，也与 ENEV 的回收主题相邻。若核心贡献是设备和加工过程，ETSD 很容易解释；若重点改为整个回收体系的环境收益，就需要补充另一类证据。

摘要给出能耗、线材公差和效率估计，也明确指出还需要进一步优化。阅读这些结果时，最重要的是找到分母：一批加工的用电量对应多少合格线材？设备产出的线材能否稳定打印？把原料变成线状物，与得到符合用途的材料是两回事。

作者报告的约 45% 效率改善属于摘要中的估计。它与完整的能耗审计仍有区别。温区、原料含水量、混合程度和废品比例都可能改变比较结果，尤其需要避免只比较顺利加工的一小段时间。

工程初学者容易在设备第一次成功运行时松一口气。这项线材研究提醒我们，后面还有尺寸、质量、能耗和连续运行等问题。做出第一个版本后，研究才进入真正需要取舍的阶段。若你只有一个小型机构，也可以用“单位合格产出的能耗”“连续运行失败次数”这样的指标，代替只展示成品照片。

2.13 环境工程 Environmental Engineering（ENEV）

环境工程关注污染治理、资源回收和环境监测等解决方案。一个方案是否值得采用，通常同时取决于效果、能耗、维护与产生的新废物。

例如，研究某种滤材对安全替代颗粒的截留能力，先在受控测试中比较颗粒大小、流量和压差。截留率很高却几乎不出水的滤材，未必适合实际使用。再生和重复使用后的表现，也可能比初次实验更重要。

如果使用替代物，应解释它与目标污染物在哪些性质上相近、在哪些方面不同。用易测的染料代表复杂污染物时，结论必须保留这种限制。

环境工程很容易把愿景写得过大。一台小装置在实验室表现良好，可以支持进一步验证；要推断它能处理城市污水，还需要远超中学生项目的流量、成分和运行证据。把当前阶段写准确，会更有说服力。

2022—2026 年官方档案共收录本类 431 个项目，各年依次为 98、86、81、78、88 个。这个数量帮助判断阅读范围，不表示这一学科容易或难以获奖。

子类别怎样区分

生物修复 · Bioremediation（BIR）

研究利用生物过程修复污染。例如比较已有资料中不同条件下污染物转化的表现。污染物消失不代表产物无害，过程稳定性和处理后的风险同样需要评价。

土地复垦 · Land Reclamation（ENG）

关注受损土地和相关环境系统的恢复。例如怎样监测湿地修复后的水文变化。植被恢复、地表抬升和碳储量增加不是同一个指标，监测方法应与修复目标对应。

污染控制 · Pollution Control（PLL）

设计减少污染产生、释放或暴露的方法。例如过滤装置的捕集率与压降如何取舍。只在清洁介质中测效率不够，还要考虑真实污染物组成和运行后的性能衰减。

回收与废弃物管理 · Recycling and Waste Management（REC）

研究废物减量、回收和再利用。例如回收塑料多次加工后的性能还能否满足用途。新的回收过程也消耗水和能源，不能只凭原料来自废弃物就宣布总体更环保。

水资源管理 · Water Resources Management（WAT）

研究水资源利用、处理和管理方案。例如比较供水系统不同调度策略的可靠性。技术效果、运行成本与水质要求应分别验证，演示“水变清”不能证明可以饮用。

其他 · Other（OTH）

用于本学科内确实不能归入上述子类别的研究。跨越多个子类别时，应先找主要贡献，而不是因为涉及面广就直接选择 Other。对环境工程项目，试着用一句话说明你新增了什么知识或方法，再判断由哪个专业方向的评委来评价最合适。

本学科官方定义与子类别

案例：泥炭地修复，怎样知道环境正在恢复

2024 年项目 ENEV016 使用多光谱、合成孔径雷达和干涉雷达观测，研究爱尔兰泥炭地修复的监测方法。摘要介绍六个不同退化或保存状态的地点，分别观察植被、湿度与地表运动等变化。官方项目摘要：24920

多光谱分析能提供植被和湿度相关信息，但受到云影响；雷达提供了另一类观测，干涉分析则帮助考察沉降或地表高程变化。作者报告，多传感器信息可支持修复进展评价。它与土地复垦、水资源管理相连，也说明环境工程不一定要求学生亲自建造大型处理装置。

云挡住光学观测时，另一种传感方式可能提供帮助；地表运动又回答不同的问题。各类数据因此有了放在一起的理由。把它们放在一起，应当是为了补足观察能力，而不是为了在标题里列更多技术。若多种方法给出相反结果，差异本身也需要解释。

同时，湿度增加、沉降减少和碳储量增加不能直接画等号。摘要讨论碳汇应用前景，但要定量证明净碳收益，还需相应碳收支证据。遥感中的恢复信号，应先按它实际测到的内容报告。

对学生，一个可行的缩小问题是比较两种观测方法在某类天气或季节的缺测与误差。若缺少现场碳通量测量，就把结论写成“监测植被或水文变化的可行性”，而不是“证明修复抵消了多少排放”。清楚知道自己没有测什么，是好研究的一部分。

2.14 材料科学 Materials Science（MATS）

材料科学关心制备、结构、性能之间的联系。新配方只是起点。研究应说明它为什么改变性能，以及获得某种优势时是否牺牲了另一种性质。

例如，用安全可获得的材料制成可降解薄膜，比较添加比例如何影响强度、吸水和湿度稳定性。若某一配方更结实，却在潮湿环境迅速失效，研究需要把这两项结果一起解释。

不同批次的样品尤其重要。从同一张薄膜剪下许多小片，可以观察片内差异，却不能充分代表独立制备的稳定性。学生应说明多少次独立制备、每次测了多少试样。

没有结构表征时，可以提出合理机制，但要把推测与实测分开。“可降解”也有条件：在某一温度和介质中质量减少，未必说明在自然环境中会完全降解。研究标题不应超过测量能支持的范围。

2022—2026 年官方档案共收录本类 314 个项目，各年依次为 55、56、54、67、82 个。这个数量帮助判断阅读范围，不表示这一学科容易或难以获奖。

子类别怎样区分

生物材料 · Biomaterials（BIM）

研究用于生物相关环境的材料性质。例如材料浸润前后强度如何变化。与 ENBM 的联系很近；若核心是材料组成、结构和性能，MATS 可能更适合表达贡献。

陶瓷与玻璃 · Ceramic and Glasses（CER）

研究陶瓷、玻璃的结构和性质。例如不同烧结条件对应的孔隙与强度变化。加工历史会显著影响结果，比较样品时需要记录尺寸和制备批次。

复合材料 · Composite Materials（CMP）

研究多种组分结合后产生的性能。例如纤维含量增加时，强度与吸水性怎样共同变化。不能只选一个最好的样品，分散性、界面与批次差异都需要解释。

计算与理论 · Computation and Theory（COM）

用计算和理论研究材料行为。例如模拟缺陷怎样改变应力分布。模型尺度和假设会限制结论；分子尺度的变化不能未经衔接就解释宏观寿命。

电子、光学与磁性材料 · Electronic, Optical and Magnetic Materials（ELE）

研究电子、光学和磁性功能材料。例如处理条件如何影响导电性与稳定性。性能需要在同样温度、湿度和测量条件下比较，也要报告器件间离散程度。

纳米材料 · Nanomaterials（NAN）

研究纳米尺度结构及其性质。例如粒径分布与某种可测性能的关系。平均粒径会隐藏很宽的分布，“纳米”本身不是创新点，更不自动意味着安全。

高分子 · Polymers（POL）

研究高分子的结构、加工与性能。例如交联程度怎样影响吸水和弹性恢复。分子结构、样品厚度与含水量会共同影响结果，应避免一次改变太多变量。

其他 · Other（OTH）

用于本学科内确实不能归入上述子类别的研究。跨越多个子类别时，应先找主要贡献，而不是因为涉及面广就直接选择 Other。对材料科学项目，试着用一句话说明你新增了什么知识或方法，再判断由哪个专业方向的评委来评价最合适。

本学科官方定义与子类别

案例：更结实的再生纸，为什么可能吸水更慢

2026 年项目 MATS040 用食物废弃物来源的纤维素与果胶制成吸水片材，研究钙离子交联对性能的影响。摘要介绍材料制备、吸水过程建模，以及用响应面和多目标比较选择配方。官方项目摘要：28166

作者报告，某些配方以吸水速率下降约 20%—40% 为代价，换取两至三倍的强度提升；也报告交联与未交联样品之间的湿态强度差异。这里最值得读的正是这种取舍。材料并不总能在所有指标上一起变好。

这个项目连接复合材料和高分子：纤维提供一种结构，果胶及交联网络改变浸水后的表现。与一般“废物做成新产品”的展示相比，研究问题具体落在组成、结构与性能的关系上。

需要继续检查的细节包括：试样厚度和单位面积质量是否一致，拉力是否按截面积规范化，吸水总量与吸水速度怎样分别测量。不同大小的样品吸水量不同，不一定说明材料本身更好。摘要中的规模化成本也依赖假设，不能与零售价格不加说明地直接比较。

学生可以借这个案例练习画一张两指标图：横轴放湿态强度，纵轴放吸水速度，标出每个配方。某个点不在所有方向最好，却可能最适合具体用途。解释这种选择，比宣布“我们找到了最佳材料”更有说服力。

2.15 数学 Mathematics（MATH）

数学项目的主要成果可能是定理、证明、反例、算法性质或新的表达方式。它不一定需要实验室，却需要较长时间理解定义、已有结果和论证细节。

适合起步的问题通常有明确边界。例如，在某类受限图上研究一个组合量的上下界，先计算小规模情况，形成猜想，再寻找证明或反例。数值结果可以提示方向，但不能代替对所有情况成立的证明。

读文献时，应特别注意条件。去掉一个假设、推广到一个新对象，听起来只改了一句话，实际可能使问题难度大幅增加。学生可以先证明特殊情况，解释为什么一般情况还没有解决。

展示数学项目时，最难的往往是让专业背景不同的评委理解问题。可以准备一个小例子说明对象，再讲主要结论和证明思路。把长证明压成满墙公式，通常不如清楚解释关键转折。

2022—2026 年官方档案共收录本类 198 个项目，各年依次为 39、42、37、41、39 个。这个数量帮助判断阅读范围，不表示这一学科容易或难以获奖。

子类别怎样区分

代数 · Algebra（ALB）

研究代数结构及其性质。例如从小规模对象中发现某种结构规律，再尝试给出一般证明。计算穷举能帮助找反例，但不能自动覆盖无限多情形。

分析 · Analysis（ANL）

研究极限、函数、方程与连续变化。例如证明某类方程解的存在性或某数值方法的误差界。要写清假设和适用域，不能只用有限条曲线支持普遍命题。

组合数学、图论与博弈论 · Combinatorics, Graph Theory, and Game Theory（CGG）

研究离散结构、网络、计数与策略互动。例如图上的某个配置能否达到最优界。先弄清问题规模、目标和可行条件，再区分构造例子、算法和最优性证明。

几何与拓扑 · Geometry and Topology（GEO）

研究空间形状以及在变换下保持的性质。例如某种连接结构怎样影响可变形范围。直观图形能引导猜想，证明仍须处理图中看不到的边界和退化情形。

数论 · Number Theory（NUM）

研究整数、整除、素数等对象。例如某类数列的整除性质是否总成立。检验很多项仍可能漏掉很晚出现的反例，应寻找规律成立的原因。

概率与统计 · Probability and Statistics（PRO）

研究随机现象、推断与估计。例如在样本有限时比较估计方法的偏差与区间覆盖率。模拟需要明确数据生成机制，结论不能越过所设定的分布条件。

其他 · Other（OTH）

用于本学科内确实不能归入上述子类别的研究。跨越多个子类别时，应先找主要贡献，而不是因为涉及面广就直接选择 Other。对数学项目，试着用一句话说明你新增了什么知识或方法，再判断由哪个专业方向的评委来评价最合适。

本学科官方定义与子类别

案例：证明一种方程不能这样求解，也是一项成果

2026 年项目 MATH006 研究某些亚纯函数方程的解能否用初等函数表示。摘要先指出已有工作处理过的方程与函数范围，再提出更一般的条件，并说明证明结合了置换群相关定理与拓扑伽罗瓦理论中的方法。官方项目摘要：27611

对尚未学过这些理论的读者，可以先抓住问题结构：已知某些方程没有某种形式的解，能否说明一大类方程都如此？“不能用规定的表达方式写出解”是明确的数学结论，不是计算机暂时算不出来。

它连接分析与代数，也借助拓扑观点。数学子类别之间会互相借用工具，报名不应根据论文里出现最多的术语机械计数。更好的判断是主定理在回答什么问题，以及谁最能评价证明。

阅读这类作品，首先要区分引用的定理、作者提出的新命题，以及把前者用于后者的关键步骤。摘要本身不足以检验证明是否完整，本书也不据短文替作者补出证明。真正评价需要查看全文，检查假设、例外与推理细节。

学生不必一开始追求同样高级的题目。可以从一个可理解的猜想出发，先验证小规模情形，尝试寻找反例，再判断需要什么结构性理由。计算帮助探索，证明解释为什么成立；两者都重要，但承担的任务不同。

2.16 微生物学 Microbiology（MCRO）

微生物学研究微生物及其活动，与生态、医学和工业过程都有联系。对中学生而言，最先需要确定的是安全条件和材料来源，之后才是实验的方便程度。

有明确来源的教学菌株或公开微生物组数据，可以成为讨论起点；具体是否允许、需要何种实验条件，应按项目判断。不要把“来自厨房”“环境里到处都有”视为安全依据。官方对居家培养微生物等活动设有明确限制。潜在危险生物因子规则

数据研究中，一个可讨论的问题是：微生物组分类结果对测序深度或分析流程有多敏感？这需要理解相对丰度、批次效应与污染，不只是把数据送入分类器。

湿实验中，生长抑制不等于杀灭，某一测量值变化也不必然代表微生物数量改变。若实验没有直接测量某个过程，就不要用更强的词描述它。研究的安全边界与结论边界，都需要学生讲得清楚。

2022—2026 年官方档案共收录本类 271 个项目，各年依次为 63、65、41、58、44 个。这个数量帮助判断阅读范围，不表示这一学科容易或难以获奖。

子类别怎样区分

抗微生物剂与抗生素 · Antimicrobials and Antibiotics（ANT）

研究抗微生物作用、药物响应及耐药机制。例如从公开实验数据比较联用药物是否产生额外效果。抑制生长不等于杀灭，也不等于对人体安全；实验实施必须符合相应生物安全要求。

应用微生物学 · Applied Microbiology（APL）

研究微生物在生产、环境或其他任务中的用途。例如在获准条件下比较一个发酵过程的产量与稳定性。应区分菌体增长和目标产物增加，不能仅凭气泡多少判断工艺优劣。

细菌学 · Bacteriology（BAC）

以细菌的结构、功能和行为为中心。例如分析公开显微图像中的细胞形态变化。菌株身份和培养条件会影响解释，未知环境菌不能当作无风险的教学材料。

环境微生物学 · Environmental Microbiology（ENV）

研究微生物与环境之间的联系。例如公开群落数据中哪些变化与水文条件相伴。测序读数是相对数量，不能直接等同于环境中的绝对生物量。

微生物遗传学 · Microbial Genetics（GEN）

研究微生物的遗传变异及其功能。例如比较公开菌株基因组中的耐药相关变异。拥有某个基因不保证在实际条件下表达出对应性状，需要保留基因型与表型的区别。

病毒学 · Virology（VIR）

研究病毒的组成、演化与宿主关系。公开序列和已有结构数据可以支持计算比较。计算预测的结合变化不能单独证明感染力变化，也不构成开展病毒实验的理由。

其他 · Other（OTH）

用于本学科内确实不能归入上述子类别的研究。跨越多个子类别时，应先找主要贡献，而不是因为涉及面广就直接选择 Other。对微生物学项目，试着用一句话说明你新增了什么知识或方法，再判断由哪个专业方向的评委来评价最合适。

本学科官方定义与子类别

案例：增强抗真菌作用，怎样判断是通过什么机制

2026 年项目 MCRO017 从已有化合物资源中寻找外排抑制剂，希望恢复耐药白色念珠菌对氟康唑的响应。摘要介绍候选物筛选、最低抑菌浓度、外排相关测量，以及人肝细胞毒性和不同真菌形态下的活性评价。官方项目摘要：28328

这里的主要问题与抗微生物剂和抗生素子类别相连。研究并不只是寻找“让生长变慢”的物质，而是尝试解释联用效果是否与细胞将药物排出的过程有关。这个机制问题决定了除了抑菌指标，还应测什么。

作者报告两个候选化合物具有外排抑制相关作用，其中一个在所测有效浓度下表现出较低的肝细胞毒性。这仍是特定模型和条件中的结果。本书不会从中给出临床用药建议，也不会把“低毒”解释为所有组织、剂量与使用时间都安全。

评价时可以追问：候选物单用和与氟康唑联用分别怎样？观察到的外排变化能否由细胞整体受损解释？不同菌株是否重复了结果？机制与功能应有相互支持的测量，不能用同一个终点反复证明所有主张。

这个方向对实验场所和监督的要求较高，不能把真实案例视为家庭实验教程。没有条件的学生可以从公开耐药数据入手，比较同一结论在不同菌株、测定条件中的稳健性。先学会读懂“有效”的限定条件，比贸然复制实验更有价值。

2.17 物理与天文学 Physics and Astronomy（PHYS）

物理项目重视模型、测量和可检验的预测。天文学则为学生提供了使用公开观测数据的机会。两者都需要区分真实信号、仪器效应和数据处理带来的痕迹。

例如，研究在不规则采样与不同噪声水平下，周期信号检测方法何时可靠。学生可以将已知信号加入模拟数据，检查恢复情况，再在合法取得的真实观测中验证。这样能够知道方法对什么样的信号敏感，也知道它容易产生哪些误报。

桌面物理实验同样可以有深度。研究振动阻尼时，应检查传感器采样、边界固定和拟合区间是否影响参数估计。一条漂亮拟合曲线并不能自动证明模型正确。

如果做模拟，必须说明方程、初始条件和数值误差。计算结果与某种理论一致，只说明在测试条件下没有发现冲突；不要把有限模拟写成对理论的普遍证明。

2022—2026 年官方档案共收录本类 365 个项目，各年依次为 74、66、69、75、81 个。这个数量帮助判断阅读范围，不表示这一学科容易或难以获奖。

子类别怎样区分

原子、分子与光物理 · Atomic, Molecular, and Optical Physics（AMO）

研究原子、分子、光与物质的相互作用。例如用合适的教学装置测量光学系统的分辨能力。仪器响应、背景和几何校准需要先解释，不能把所有峰值都认作物理信号。

天文学与宇宙学 · Astronomy and Cosmology（AST）

研究恒星、行星、星系及宇宙尺度的问题。例如在公开光变数据中寻找周期。观测窗口、仪器系统误差与多重搜索都可能制造假信号，应有独立核验方法。

生物物理 · Biological Physics（BIP）

用物理原理研究生命系统。例如细胞或组织的形变怎样对应简化力学模型。模型参数可能只是有效描述，不能在没有证据时赋予它具体分子机制。

凝聚态与材料 · Condensed Matter and Materials（MAT）

研究凝聚态及材料中的物理现象。例如结构变化如何影响电输运。与 MATS 相比，这里往往更强调解释物理机制，而不只评价材料是否适合某项用途。

力学 · Mechanics（MEC）

研究运动、力、流体等经典问题。例如薄片折叠的几何约束怎样改变运动范围。需要区分理想模型与摩擦、厚度等现实因素；模型失效的位置也值得研究。

核物理与粒子物理 · Nuclear and Particle Physics（NUC）

研究核与粒子相关现象。公开探测数据可以用来讨论背景剔除和信号识别。原始计数、探测效率与物理发生率不是同一概念，器材与辐射相关研究另有严格要求。

理论、计算与量子物理 · Theoretical, Computational, and Quantum Physics（THE）

发展理论、计算模型或量子相关方法。例如在简单模型上比较数值算法的误差与代价。软件跑通并不等于理论成立，需检查守恒量、已知解和收敛行为。

其他 · Other（OTH）

用于本学科内确实不能归入上述子类别的研究。跨越多个子类别时，应先找主要贡献，而不是因为涉及面广就直接选择 Other。对物理与天文学项目，试着用一句话说明你新增了什么知识或方法，再判断由哪个专业方向的评委来评价最合适。

本学科官方定义与子类别

案例：太阳风数据怎样帮助思考聚变加热

2026 年项目 PHYS030T 把 Parker Solar Probe 的太阳风观测与托卡马克加热模拟联系起来。摘要介绍波动诊断、无量纲参数映射和多种计算模型，并在一百个候选配置中比较离子加热相关结果。官方项目摘要：28377

作者报告，受太阳探测数据启发的一个配置，在模拟中的离子吸收功率优于所比较的参考配置，并报告计算效率改进。这里的结果属于模型研究，不能写成真实聚变装置已经按该方法实现对应性能，更不能外推为整套电站能效。

这个案例跨越天文观测与理论计算。两种系统的尺寸和环境相差很大，联系它们的关键是相应物理关系及适用条件，不是把两个数据集送进同一个模型就足够。无量纲比较的意义，在于讨论哪些关系可能跨尺度保留。

学生应关注参考方案怎样选择，候选参数是否使用同等的搜索预算，模型对哪些参数敏感，以及计算是否满足已知物理约束。若一个方案经过更充分的调优，另一个只用默认值，优势就可能来自比较不公平。

可迁移的学习方法是先做一个小模型，找出有已知解或守恒规律的情况，再逐步加入复杂性。不要一开始就追逐多种软件联用。能解释一次模型失效，比列出一长串模拟工具更能说明你理解了物理问题。

2.18 植物科学 Plant Sciences（PLNT）

植物科学研究植物的生长、生理、繁殖以及环境适应。它适合持续观察，但生长周期、季节和场地条件需要提前计入计划。

例如，比较不同浇水节奏对一种常见植物恢复能力的影响。即使总用水量相同，分配方式也可能影响生长；要把这点研究清楚，需要统一起始条件、随机安排位置，并记录温度和光照。

一盆里的多株植物共享土壤和浇水条件，不能轻易当成完全独立的样本。研究者应先决定实验单位是植株、花盆还是生长箱。独立重复不足时，多拍照片不会自动增加证据强度。

生长更快也不一定意味着整体更好。根据问题，可能需要比较生物量、叶片状态、用水量或恢复时间。提前选定主要指标，有助于避免结束后只挑最有利的结果。

2022—2026 年官方档案共收录本类 282 个项目，各年依次为 54、57、66、55、50 个。这个数量帮助判断阅读范围，不表示这一学科容易或难以获奖。

子类别怎样区分

农业与农艺学 · Agriculture and Agronomy（AGR）

研究作物及农业管理。例如在合规条件下比较不同灌溉策略的用水与生长表现。产量、品质和投入需要一起看，盆栽结果不能直接代表田间规模。

生态学 · Ecology（ECO）

研究植物与环境、其他生物的相互作用。例如城市遮阴条件与植物群落的关系。土壤、维护方式和季节可能同时变化，不能仅凭一项环境变量解释全部差异。

遗传与育种 · Genetics and Breeding（GEN）

研究植物遗传与育种。例如公开品种数据中的抗逆性差异能否在不同环境下重复。单地点优势可能来自特定环境，需考虑基因与环境之间的交互。

生长与发育 · Growth and Development（DEV）

关注萌发、生长、开花等阶段如何受到调控。例如根系对水分分布的响应。记录整个过程往往比只测最后高度更有帮助；更高不一定意味着更健康或生物量更多。

病理学 · Pathology（PAT）

研究植物疾病及其发生过程。例如用公开图像研究早期症状的可辨识性。图像标签、品种与拍摄环境都可能混淆分类，病斑识别不能自动替代病原诊断。

植物生理学 · Plant Physiology（PHY）

研究光合、运输、代谢等功能。例如叶片状态如何随水分条件变化。叶色只能提供间接线索，不能不经验证就把图像亮度当作光合作用速率。

系统学与演化 · Systematics and Evolution（SYS）

研究植物分类与演化关系。例如形态鉴定与公开分子序列结果是否一致。杂交、近缘种和参考库误标都可能造成差异，需要讨论证据冲突。

其他 · Other（OTH）

用于本学科内确实不能归入上述子类别的研究。跨越多个子类别时，应先找主要贡献，而不是因为涉及面广就直接选择 Other。对植物科学项目，试着用一句话说明你新增了什么知识或方法，再判断由哪个专业方向的评委来评价最合适。

本学科官方定义与子类别

案例：植物长高了，就代表生长得更好吗

2025 年项目 PLNT026 使用三维回转装置，并结合水分分布与磁场条件，研究葱的形态响应。摘要报告了茎和根的长度、数量、生物量及叶绿素等多个指标，讨论不同方向性刺激之间的联系。官方项目摘要：26569

这个案例主要连接生长与发育、植物生理学。作者报告，某些条件下茎伸长，但生物量可能下降。这能纠正一个常见的入门误解：只测株高，很容易把某种应激反应误写成促进生长。

回转装置的“模拟微重力”也需要谨慎理解。它改变植物感受到的重力方向条件，不等同于真正消除地球重力；转动还可能带来其他机械与环境影响。读者应查看装置参数和适当对照，而非只沿用标题里的太空农业背景。

摘要讨论了激素、离子或信号等可能机制，但并没有为每一种机制列出直接测量。本书将这些保留为作者的解释性假设。形态变化、统计差异与分子机制应分开表达。

如果学生尝试类似的生长问题，先用少量因素建立能稳定记录的系统通常更合理。记录起始大小、连续变化、终点生物量，并事先决定主要指标。因素一多，每个组合所需的独立样本也随之增加，复杂装置可能反而挤占了必要的重复。

2.19 机器人与智能机器 Robotics and Intelligent Machines（ROBO）

机器人项目研究机器如何感知、决策并行动。机械平台可以购买或借用，但学生应清楚说明自己的贡献在哪个环节，以及这一环节怎样改变系统表现。

例如，在光照变化和部分遮挡下，移动机器人能否用更少的计算稳定避障？需要设置可重复的场景，比较基线方案，记录碰撞、任务完成率、路径长度和耗时。不要只用一段成功视频代表系统能力。

仿真测试可以扩大场景范围，实物测试则会暴露摩擦、传感器误差和电机响应等问题。如果只能完成仿真，应如实限定结论，讨论距离真实部署还缺哪些验证。

有些学生会不断加摄像头、机械臂和语音功能，最后难以解释哪部分是研究。较好的做法是先明确一个性能问题，把其他功能控制在支持测试所需的范围内。

2022—2026 年官方档案共收录本类 373 个项目，各年依次为 85、76、82、69、61 个。这个数量帮助判断阅读范围，不表示这一学科容易或难以获奖。

子类别怎样区分

生物力学 · Biomechanics（BIE）

研究模仿或理解生物运动的智能机器。例如柔性夹爪怎样适应不同形状。仿生名称不是证据，应比较变形、抓取稳定性和失效条件。

认知系统 · Cognitive Systems（COG）

关注机器怎样感知、推理和作出行动选择。例如传感信息不完整时怎样选择下一步动作。成功率、决策时间和错误代价都重要，不能只展示理想环境下的演示。

控制理论 · Control Theory（CON）

研究机器人在变化环境中如何稳定运动。可比较控制器面对扰动和延迟时的表现。测试应覆盖调参时没有见过的条件，否则很难判断是否具有适应能力。

机器学习 · Machine Learning（MAC）

研究从数据中学习感知或决策的方法。例如模型在新物体和新场景中的表现。应按物体、场景或个体划分测试数据，避免近乎相同的画面落在训练与测试两侧。

机器人运动学 · Robot Kinematics（KIN）

研究机器人的几何关系、位置与运动。可比较不同机构的可达范围和定位误差。理论可达不代表能承受负载，运动学与动力学结论需要区分。

其他 · Other（OTH）

用于本学科内确实不能归入上述子类别的研究。跨越多个子类别时，应先找主要贡献，而不是因为涉及面广就直接选择 Other。对机器人与智能机器项目，试着用一句话说明你新增了什么知识或方法，再判断由哪个专业方向的评委来评价最合适。

本学科官方定义与子类别

案例：柔性折纸夹爪，怎样证明它更适合抓取

2022 年项目 ROBO002T 研究可整体打印的柔性折纸结构夹爪，并结合视觉与软体运动设计。摘要介绍不同夹爪、机械臂速度、物体质量和形状条件下的抓取测试，以及与硬质夹爪的比较。官方项目摘要：21680

它能够连接仿生相关力学、机器学习和机器人运动学。柔性结构提供顺应性，视觉帮助感知，机构决定怎样运动。三个部分组合起来以后，仍要分别检查作用：改善来自夹爪结构，还是来自更准确的定位？去掉其中一项，系统会怎样？

摘要同时报告抓取相关模型的表现和视觉分类指标。分类准确率不是整个抓取系统的成功率；知道物体是什么，也不保证能够稳妥夹起它。不同数字必须对应到具体任务，否则很容易被一个接近满分的指标掩盖系统失败。

作者还把夹爪思路延伸到柔性腿部结构。要评价迁移是否成功，应分别看耐久、运动能力与任务表现。原摘要提到跌落测试等观察，具体次数和成功比例还需查阅更完整的材料。

学生可借鉴一个直接的方法：把整体系统拆成“看见、决定、行动”几个可测环节，再增加去掉某部分的比较。例如固定感知方式，只比较夹爪结构，便更容易判断机械改进是否真的有用。失败案例应保留：滑落、压坏物体、卡住或定位偏差，可能对应完全不同的改进方向。

2.20 软件设计 Software Design（SFTD）

旧资料常使用 Systems Software 或 SOFT。当前官方类别名称为 Software Design，本书据此更新。软件项目可以涉及算法、计算系统、软件工程及其他符合官方定义的计算问题；具体子类应在报名时核对。类别定义入口

一个软件能运行，并不代表已经形成研究。若开发学习工具，可以研究特定交互或检索方法怎样影响可测量的任务表现；若提出算法，则应比较准确性、速度、内存占用或可证明的性质。

例如，在相同硬件和数据条件下，一种轻量检索方法能否在降低延迟的同时维持结果质量？需要报告数据划分、基线版本、参数选择和重复测试。只挑对自己有利的数据集，会使比较失去意义。

使用大模型时，调用现成接口本身通常不足以说明原创贡献。模型版本、提示变化和运行波动都可能影响结果。若引入真实用户测试，还要单独考虑人体参与者审批。

2022—2026 年官方档案共收录本类 279 个项目，各年依次为 59、47、54、58、61 个。这个数量帮助判断阅读范围，不表示这一学科容易或难以获奖。

子类别怎样区分

算法 · Algorithms（ALG）

研究完成计算任务的方法及其效率。例如同一问题在数据规模增大时怎样控制时间和内存。比较需使用相同硬件和问题实例，复杂度证明与运行实验各自回答不同问题。

网络安全 · Cybersecurity（CYB）

研究系统如何抵御未经授权的访问或破坏。例如在许可的隔离环境中比较异常检测方法。威胁模型应具体，不能以未获授权的真实系统作为试验对象。

数据库 · Databases（DAT）

研究数据怎样存储、组织、查询与更新。例如不同索引在读写比例变化时的表现。数据分布、缓存和并发负载会改变结果，只测一个小文件难以支持普遍优势。

人机界面 · Human/Machine Interface（HMC）

研究人怎样理解和控制软件系统。例如两种界面怎样影响任务完成与操作错误。功能数量不是可用性，参与者经验、任务顺序与学习效应都要处理。

编程语言与操作系统 · Languages and Operating Systems（LNG）

研究编程语言及操作系统层面的设计。例如某种调度策略面对混合负载时的响应。吞吐量、延迟、公平性和资源占用可能冲突，需要说明目标与取舍。

移动应用 · Mobile Apps（APP）

研究面向移动设备的软件及其限制。例如弱网条件下应用能否可靠完成任务。做出安装包只是实现的一步，研究还需提出可比较的问题和真实使用条件。

在线学习 · Online Learning（LRN）

这里的 Online Learning 指借助电子技术开展教育与学习，不是机器学习中的在线更新算法。例如反馈方式是否影响知识保持。使用时长和满意度不能替代实际学习结果。

其他 · Other（OTH）

用于本学科内确实不能归入上述子类别的研究。跨越多个子类别时，应先找主要贡献，而不是因为涉及面广就直接选择 Other。对软件设计项目，试着用一句话说明你新增了什么知识或方法，再判断由哪个专业方向的评委来评价最合适。

本学科官方定义与子类别

案例：冷却预测更准确，为何并没有节能

2026 年项目 SFTD047（CoolSmart AI）在 Python 仿真中比较预测式冷却和达到温度阈值后才启动的反应式冷却。作者用随机森林预测近期温度，再以规则控制冷却水平，在相同负载条件下比较两套系统。官方项目摘要：28551

摘要报告，预测式方案降低了最高温度，并将超过 80°C 的时间从 1,193 秒降到 188 秒；与此同时，总冷却用量从 958 增至 1,080 个仿真单位。原题包含“节能”方向，但结果并不支持冷却用量已经减少。结果没有完全符合最初的期待。把增加的冷却用量写出来，让读者看到了研究实际走到哪里。

它可以联系算法设计，也与控制理论和能源系统交叉。研究价值来自同负载下的对照与明确的性能取舍。冷却量增加换来过热时间减少，是否值得，要由应用目标和完整成本来判断，不能只看其中一个指标。

还需要注意，两组数字来自仿真；“单位”没有直接对应到现实中的千瓦时。若要主张真实数据中心节能，就需要校准热模型、比较总功耗并开展适当实测。当前摘要能够支持的是模型条件下的温度与冷却使用变化。

学生可以进一步学习多目标比较：改变控制参数，画出过热时间与冷却用量之间的关系，再选出符合约束的方案。这比只寻找一个比基线好看的指标更诚实，也更接近真实软件工程中的决策。

2.21 技术增强艺术 Technology Enhances the Arts（TECA）

这一类别关注技术如何帮助艺术创作、表达、理解或保存。它要求技术与艺术问题之间有实质联系。作品看起来好看，与技术是否解决了某个问题，是两个需要分别说明的层面。

例如，研究一种交互映射能否帮助演奏者更准确地控制数字乐器的表达。设备延迟和信号稳定性可以通过台架测量；实际使用体验则可能需要获批的用户研究，并认真定义“更准确”或“更容易表达”的含义。

另一个方向是对历史图像修复方法进行比较。可以用已知原图人为构造损坏来评估恢复误差，但不能因此断言真实历史图像被恢复成了原貌。技术生成的细节与历史证据应分开呈现。

做这一方向，值得请熟悉相应艺术实践的人看一看：这项技术究竟帮助了哪一步？对演奏者有用的改进，未必恰好体现在模型分数上。把使用情境说清楚，再选择与之对应的评价方式。

档案中 2024、2025、2026 年分别有 21、20、20 个项目，共 61 个。此前没有该独立类别，不能据此写成研究方向不存在。

子类别怎样区分

显示技术 · Display Technology（DSP）

研究支持艺术表达或体验的显示方法。例如显示方式如何影响细节辨识和观看舒适度。除技术性能外，还要考虑内容和观看情境，不能只比亮度或分辨率。

人际信息交流 · Human Information Exchange（HIE）

研究技术怎样帮助人表达、交流和感受信息。例如触觉编码能否传达某类视觉结构。准确率、学习负担与表达范围需要分别测量，技术成功不等于使用者容易理解。

音乐与图像处理 · Music and Image Manipulation（MIM）

研究音乐或图像的分析、生成与处理。例如修复算法怎样平衡去噪和细节保留。自动评分与人的感受可能不同，应说明主观评价的设计和参与者构成。

游戏 · Games（GAM）

研究游戏相关的技术与体验。例如某种交互机制怎样影响空间任务表现。游戏更受欢迎不必然说明学习更有效，需要把娱乐体验和目标能力分别评价。

三维建模 · 3D Modeling（MOD）

研究支持创作的三维表示、生成与编辑。例如文字生成模型是否能输出可继续修改的几何结构。渲染图好看不等于网格完整、可编辑或可制造。

工程特效 · Engineering Effects（ENG）

研究工程方法支持的舞台、影视或艺术特效。例如低成本装置能否稳定复现某种光影效果。可控性、重复性与创作自由度都值得比较，而不只展示一次成功画面。

其他 · Other（OTH）

用于本学科内确实不能归入上述子类别的研究。跨越多个子类别时，应先找主要贡献，而不是因为涉及面广就直接选择 Other。对技术增强艺术项目，试着用一句话说明你新增了什么知识或方法，再判断由哪个专业方向的评委来评价最合适。

本学科官方定义与子类别

案例：文字生成三维作品，好看之外还要能修改

2024 年项目 TECA019T（CloudGen）构建了从文字到三维形状的生成与编辑流程。摘要介绍点云编码、文本表示、扩散生成、平滑处理，以及让用户通过反馈修改结果的机制，并提供网页和虚拟现实查看界面。官方项目摘要：25944

这个项目直接连接三维建模，也涉及人际信息交流和图像处理。与一般生成算法研究相比，艺术创作情境带来不同问题：用户能否表达意图，生成后能否修改，设计是否仍受创作者控制。

摘要说进行了定量与定性实验，但没有展开具体人数、指标或完整结果。仅凭这些信息，还不能判断创作效率提高了多少，或者不同艺术家是否容易上手。

阅读时可以追问，形状与提示词相符到什么程度，网格有没有破损，平滑是否抹掉用户想保留的细节，修改一次是否会意外改变其他部位。可打印性也不能仅凭渲染图判断，还涉及封闭性、壁厚和具体制造条件。

对于学生，TECA 的优势在于可以把技术测试与真实创作任务连接起来。一个小而清楚的题目，例如比较两种编辑方式完成同一造型任务的时间、返工次数与控制感，可能比再搭一个通用生成网站更有研究内容。涉及使用者测试时，同样要提前处理适用的人体参与者审批。

2.22 转化医学科学 Translational Medical Science（TMED）

转化医学关注基础研究如何向诊断、治疗或预防应用推进。它与其他生物医学类别有交叉，通常更强调研究结果走向应用时需要跨过的验证步骤。

对中学生来说，一个合适的问题可能是：某项候选标志物在独立队列中能否保持区分能力，或者某种测量方案是否满足进一步验证所需的稳定性。题目必须对应实际能够完成的研究层级。

细胞结果、动物结果、回顾性人群数据和前瞻性临床证据，各自回答的问题不同。把这些层次混在一起，会让一个本来扎实的小研究变成过度承诺。公开数据上有用的指标，距离临床决策仍可能很远。

这一方向尤其需要合格导师帮助理解证据和伦理要求。学生应能讲清自己完成的是哪一步，距离真实应用还欠缺什么，而不是把“有潜力”写成“已经可以使用”。

2022—2026 年官方档案共收录本类 405 个项目，各年依次为 66、80、81、86、92 个。这个数量帮助判断阅读范围，不表示这一学科容易或难以获奖。

子类别怎样区分

疾病检测与诊断 · Disease Detection and Diagnosis（DIS）

把检测或诊断工具与明确的疾病问题相连。例如已有影像上的筛查方法能否识别独立患者。必须说明参考标准、灵敏度和特异度，不能只报总体准确率。

疾病预防 · Disease Prevention（PRE）

研究降低疾病发生或发展风险的方法。例如用公开纵向数据评价早期风险指标。风险标记、改变行为和减少疾病发生是不同结果，不能在没有随访证据时相互替代。

疾病治疗与疗法 · Disease Treatment and Therapies（TRE）

研究治疗方案怎样产生效果。可分析已有研究中疗效与剂量或人群的关系。模型结果与患者获益之间还有距离，不能把预实验写成临床治疗建议。

药物筛选与测试 · Drug Identification and Testing（DRU）

筛选与比较候选药物的活性和适用性。例如分析候选分子在多个测定体系中是否一致。只对一个靶点有效还不够，选择性、毒性和可达浓度会影响后续价值。

临床前研究 · Pre-Clinical Studies（PCS）

在进入临床之前评价机制、效果与安全相关证据。例如比较细胞或模型系统中的多个终点。没有观察到毒性，只能说明在所测条件与时间内未观察到，不能推出普遍安全。

其他 · Other（OTH）

用于本学科内确实不能归入上述子类别的研究。跨越多个子类别时，应先找主要贡献，而不是因为涉及面广就直接选择 Other。对转化医学项目，试着用一句话说明你新增了什么知识或方法，再判断由哪个专业方向的评委来评价最合适。

本学科官方定义与子类别

案例：从显微图像识别虫卵，到实际筛查还有几步

2022 年项目 TMED010T（BiDEx）把显微图像中的肝吸虫卵检测与风险资料分析结合，服务于筛查流程。摘要介绍以 1,800 张显微图像建立初步检测模型，再利用虫卵形态相关处理改进识别，并建立患者风险排序相关模型和网页应用。官方项目摘要：21821

它与疾病检测与诊断相连，也涉及疾病预防的应用背景。这里不能把三个结果混为一谈：图像中找到虫卵、判断一位患者是否感染，以及筛查后减少疾病负担，分别需要不同层级的证据。

作者报告图像识别准确率从初步模型的 95% 提高到后续的 98%，并给出风险资料模型的另一组结果。读者应检查图像怎样划分，来自同一份标本的图像是否跨越训练和测试，以及困难阴性样本是否足够。1,800 张图像不一定代表 1,800 位独立患者。

对于筛查，漏掉真实感染者和让无感染者接受进一步检查的代价不同。因此灵敏度、特异度和实际人群中的预测值，通常比单个准确率更能帮助判断用途。摘要提到减少延误和预防疾病的前景，但这些还需要长期临床结局等证据来验证。

学生可以用这个案例练习从模型指标回到使用流程：谁提供样本，谁复核结果，算法不确定时怎么办？模型离临床使用还有多远，应由这些实际环节来判断。报告中写清已经验证的部分，读者才知道结果可以怎样使用。

2.23 怎样在几个题目之间作选择

如果手里有三个候选题目，先不要急着评分。分别写出最关键的一次验证：要取得什么数据，用什么对照，什么结果能回答问题。然后逐项核实条件。

若几个题目的条件相近，可以问自己：连续两周没有好结果时，我还想研究哪一个？它未必是标题最漂亮的那个，却更可能让你愿意留下来找原因。