A167–77
红外光谱作短链脂肪酸定量代理的标准曲线、检出限与基质效应
框架1186 cm⁻¹ 与 1756 cm⁻¹ 的红外吸收强度，究竟能不能定量粪便基质中的短链脂肪酸？它的线性范围、检出限、以及基质干扰有多大？
你自己的那一点你贡献的是这条代理测量的计量学表征——用市售乙酸/丙酸/丁酸标准品做梯度加标，落在纤维素/菊粉的合成基质里，画出真正的标准曲线，给出 LOD/LOQ 和回收率，并检验羧酸峰是否被基质中的其他羰基化合物干扰。前作没做，因为它是被迫临时换的方法：原计划用弹式量热仪，仪器坏了才改红外。
擦过ANIM030（2026，Grand Award，"Rats on Roughage"）。摘要原文写明"The original plan to measure caloric extraction using bomb calorimetry was modified due to equipment malfunction, and infrared (IR) spectroscopy was used instead"，并报告 R² ≈ 0.37、SD ≤ 0.003，同时自承"moderate R² values suggest minor biological complexity or overlapping absorption peaks"——它自己点出了重叠吸收峰的可能，但没有做任何标准曲线验证。 这是本类目里模板最干净的一条。
约束最可能死在"你没有 FTIR"。最便宜的规避方式：这条课题不需要动物、不需要活体、不需要任何生物制剂（合成基质 + 市售标准品），因此可以拿着一个只需借用两三天 FTIR 的方案去谈学校或大学的仪器共享——远比谈"借实验室养老鼠"容易。若完全借不到 FTIR，这条直接放弃，不要用可见光分光光度计凑。合规： 无脊椎/无活体/无 PHBA，仅 Form 3（危险化学品：有机酸标准品，查 SDS）。
A265–75
犬类偏侧性指标的重测信度：13/45 的一致率意味着什么
框架"狗有惯用爪"这个结论，有多少来自真实的个体特质，多少来自单次测量的随机性？要多少次重复才能得到一个稳定的偏侧性指数？
你自己的那一点你贡献的是把一个被当作性状报告的量转成一个带信度系数的量——计算组内相关系数（ICC）、用 Spearman-Brown 公式反推达到 ICC ≥ 0.7 所需的最少试次数，并把"完全右爪 / 大多右爪"这种离散分类替换成连续偏侧性指数后重新检验。前作没做，因为它的结论落在群体层面（39/60 右爪），而一致性问题它自己发现了却只当成一句限制写在结尾。
擦过ANIM010T（2026，Special Award，"Determining Paw Dominance in Dogs"）。摘要原文：105 只狗、三项任务、"Overall, 13 dogs remained consistent across three days, while the rest of Group 2 were inconsistent"、"The results supported the hypothesis that most dogs prefer their right paw... however, consistency was not supported"。它自己报告了一致性不成立，却仍然把群体偏侧性当结论。 你的课题就是把这个矛盾定量化。
约束最可能死在合规。给狗零食 = 与动物互动，不属于"行为观察豁免"，须走 Form 5A + SRC 事前批准，SRC 须含兽医或有该物种经验的照护者。最便宜的规避方式：改用纯观察任务（起步迈出的第一只脚、卧姿时压在上面的爪、自发跨越门槛的先导爪），全程不接触、不投喂、不布置任何装置，即落入脊椎动物观察豁免，只需 Form 3。牺牲的是取物任务这一项，但重测信度这个问题不需要它。
A361–79
深度学习行为评分器的一致性与退化边界：准确率 92% 到底是什么意思
框架一个 YOLO 行为分类器报告的"92% 准确率"，换成与人工评分者的 Cohen's kappa 后还剩多少？当浊度、光照、个体密度变化时它从哪一点开始失效？
你自己的那一点你贡献的是把"准确率"这个在类别不平衡下几乎无意义的指标，换成 kappa 与 per-class 召回，并画出退化曲线：系统性地改变一个变量（水体浊度或每视野个体数），找出分类器崩掉的阈值。前作报告的是单一条件下的总体准确率，从没问过"它在什么条件下失效"。
擦过ANIM021（2025，Grand Award，蟹苗防自相残食） 摘要原文："Aggression levels and survival rates were analyzed using the Deep Learning YOLO algorithm with 3,000+ images, achieving 92% accuracy"——只有一个准确率数字，无混淆矩阵、无人工评分对照、无条件依赖分析。同类问题也出现在 ANIM047T（2026，Grand Award，CrabTech，99.4% accuracy） 与 ANIM013T（2025，Grand Award，AI 辅助性别判别）。三个获奖项目共用同一个未被质疑的指标。
约束最可能死在"你没有那批带标注的视频"。最便宜的规避方式：不要复制蟹苗，改用任何你能拍到的密集无脊椎动物（面包虫、果蝇、水蚤），自己录 2–3 小时视频，请 3 位同学各自独立标注同一批帧算 kappa。退化曲线用后期加噪/降光模拟即可，不必真的改变饲养条件。
A466–76
蜂箱夜间失重里有多少是水分蒸发：把"部分归因"变成一个数
框架蜂箱在日落后重量下降，前作把它"部分归因于花蜜水分蒸发"——这部分到底占多少？剩下的能不能算作蜂群代谢？
你自己的那一点你贡献的是一个可以把蒸发项单独称出来的对照设计：在无蜂对照箱里放入已知质量、已知含水率的糖浆，与实验箱同步记录质量、温度、相对湿度，拟合蒸发速率对饱和水汽压差（VPD）的函数，再用这条函数从实验箱的夜间失重里扣掉蒸发项。前作已经有了无蜂对照箱，但只把它当零点，没有用它做蒸发标定。
擦过ANIM017（2026，Special Award，"Bee Monitoring During Inclement Weather"）。摘要原文："I used two beehives had bees, and a third one that had no bees and served as a control"、"the beehive weight surprisingly decreased (p < 0.01, t-test) after sunset even though the bees stayed in the beehive at night. This can be attributed in part to the evaporation of the water in the nectar"。"in part" 这三个字就是整条课题。
约束最可能死在"你没有蜂箱"。最便宜的规避方式：不要自己养蜂——找一个当地养蜂人，你只提供电子秤 + 温湿度记录仪，条件是数据归你。一台千克级电子秤加两个 DS18B20/SHT4x 就够。若连蜂箱都接触不到，这条课题可以缩成"糖浆蒸发速率对 VPD 的标定曲线"——但那就掉出 ANIM 了，不建议。合规： 蜜蜂是无脊椎动物，无 PHBA，Form 3。
A561–79
亚致死浓度行为效应的盲法重测：效应量能撑过预注册吗
框架在明暗十字迷宫里测到的草甘膦亚致死行为效应，改成盲法评分 + 预先登记分析方案后还剩多少？同一只个体重复测两次，行为指标本身的重测信度是多少？
你自己的那一点你贡献的是盲法 + 预注册 + 个体内重测这三件前作都没有的事：处理组标签由第三人封装，评分者不知分组；分析方案（主指标、剔除标准、统计模型）在开测前写死；每只个体在两个独立日重测以估计行为指标自身的 ICC。结论无论效应是否幸存都是有效的——效应大是验证，效应消失是更重要的发现。
擦过ANIM054（2026，Special Award，"Glyphosate Significantly Impacts Crayfish Behavior"）。摘要原文说明这本身已经是一次跨物种复现（2025 用 Procambarus clarkii，2026 换 Faxonius virilis），报告 0.6 与 6 mg/L 下行为显著改变、且"an even larger effect size was noticed"。两届都做了物种复现，但两届都没有报告盲法评分、也没有报告行为指标的重测信度。 效应量反而变大，这在小样本行为学里恰恰是需要警惕的信号。
约束最可能死在物种获取与合规。小龙虾在很多地区是入侵种，规则明确禁止向环境引入非本地物种，实验后处置必须写清（灭活后按固废处理，绝不放归）。最便宜的规避方式：改用当地合法可购的本地螯虾或直接换成水蚤/丰年虾——迷宫换成趋光性/游动轨迹，效应逻辑不变而合规风险大降。合规： 无脊椎动物毒性研究允许；草甘膦须查 SDS 走 Form 3。
A672–82
三个站点、三个污染水平：内分泌干扰物效应与站点身份能否分开
框架当每一个污染等级只对应一个地理站点时，"高 EDC 水平与攻击性叫声下降 28.62% 相关"这句话里，有多少可能只是站点差异？叫声类型的标注者间一致性又是多少？
你自己的那一点你贡献的是把伪重复问题显式化并给出方差分解：在同一污染等级内取多个站点（或在同一站点内取多个时间窗），用混合效应模型把"站点"作为随机效应，看 EDC 的固定效应还剩多少；同时让 ≥3 位标注者独立对同一批声谱图分类，报告 Fleiss' kappa。前作把三个站点当三个处理水平，n=3 且完全混杂。
擦过ANIM040（2025，Special Award，"The Effect of Chemicals on Otter Social Behaviors"）。摘要原文："Camera trap footage was obtained at three sites across America containing varying EDC levels–Alaska, California, and New York"、"高 EDC 水平 associated with a 28.62% decrease in aggressive calls (p≤0.01)"。阿拉斯加、加州、纽约之间不同的绝不只是 EDC——纬度、猎物组成、人类干扰、录音设备位置全部混杂，而这三个站点同时也就是全部三个处理水平。** 摘要里没有任何标注一致性数据。
约束最可能死在"你拿不到水獭录音"。最便宜的规避方式：这条课题的核心问题（伪重复 + 标注信度）与物种无关，完全可以搬到任何有公开多站点声学/相机陷阱档案的类群——鸟鸣、蝙蝠、蛙鸣的公开数据库都可用。用公开数据 = 零合规（规则明确豁免"仅使用来自同行评审出版物或公共数据库的数据/图像"）、零器材、零时间风险。这是本类目性价比最高的一条。
A776–86
猛禽羽缘流苏：测量误差有多大，"生态胜过系统发育"能撑过系统发育比较检验吗
框架流苏长度的重复测量误差是多少？在扣除这个误差、并用正式的系统发育信号统计量（Pagel's λ / Blomberg's K）检验之后，"生态比亲缘关系更能解释流苏"这个结论还站得住吗？
你自己的那一点你贡献的是误差项与系统发育比较方法这两件前作完全没有的东西：同一根羽毛在同一位点重复测 5 次估计仪器误差，同一翅膀不同羽毛之间估计个体内变异，然后把物种均值挂到一棵已发表的猛禽系统树上，跑 PGLS（系统发育广义最小二乘）而不是简单相关。前作用的是"举一个反例"式论证——鱼鸮的流苏更像鹗——这是逸事，不是统计。
擦过ANIM026（2025，Grand Award，"Silent Flight in Birds of Prey"）。摘要原文："Fringe measurements were taken at five points along several feathers per wing to determine fringe length. The data revealed that fringe length was correlated more with ecology than phylogeny. An example of this is the Buffy Fishing Owl..."。它明确把系统发育与生态对立起来作为核心结论，却既没报告任何测量误差，也没有用任何系统发育比较方法——而"相关性在系统发育上不独立"正是这类比较研究最经典的统计陷阱。
约束最可能死在标本获取。最便宜的规避方式：羽毛属于规则明文豁免的组织（"毛发、蹄、指甲、羽毛"无需 SRC 事前批准），而且大量自然史博物馆、鸟类环志站、猛禽康复中心有换羽脱落的羽毛可赠；已发表的猛禽系统树（Jetz 等的鸟类超树）公开可下。另有一条更省事的路：多个博物馆的标本影像库已开放高分辨率图像，可直接在图像上测量并把"图像测量 vs 实物测量的一致性"本身作为一项结果。合规：羽毛豁免 + 公开数据豁免，几乎零合规成本。
A852–70
锹甲"雌斑"在雄性幼虫中的出现率：从"有一些"到一个带置信区间的比例
框架既然雄性幼虫也可能带有所谓"雌斑"，那么这个结构在两性、各龄期中的出现率各是多少？把它当性别判据用，错判率是多少？
你自己的那一点你贡献的是把一个定性观察转成带置信区间的诊断性能指标：以出现率为主结局，按龄期分层，计算把"雌斑"当性别判据时的敏感度、特异度和阳性预测值，并给出样本量下的 Wilson 区间。前作的贡献是推翻了"雌斑 = 卵巢原基"这个解剖学定性结论（这很漂亮），但它对"有些雄虫也有"只给了定性描述。
擦过ANIM023T（2026，Grand Award，"'Female Spot' of Stag Beetle is a Symbiont Organ"）。摘要原文："First, we examined the presence and size of female spot in both sexes and found that some male larvae also possessed these structures."、"widely used for sex identification during larval period"。它推翻了这个结构的功能解释，却没有量化它作为性别判据到底有多不可靠——而后者才是对使用者最有实际后果的那个数。
约束最可能死在时间。锹甲幼虫期长达数月至一年以上，你没有时间从卵养起。 最便宜的规避方式：只做非致死的外部计分，从宠物市场/繁殖者手中获取已成型的各龄幼虫（这在锹甲爱好者社群里是常规交易），当场计分后归还，性别以后续羽化结果或非致死形态学指标确认——但"等羽化"本身又要几个月。坦白说，这条课题的可行性是本文件里最低的之一（F=4），列在这里是因为它的问题本身很好；若你没有现成的幼虫来源，直接跳过。
A970–80
多模态诱捕器的 3.74 倍优势：拆成颜色、形状、边缘对比、面积四项后还剩多少
框架一个"多模态协同"诱捕器相对标准黄板 3.74 倍的捕获优势，有多少来自光谱标定，有多少只是因为它的粘性面积、形状或悬挂位置不同？
你自己的那一点你贡献的是一个全因子拆解设计：把颜色（光谱标定绿 vs 常规黄）、形状（圆 vs 方）、边缘对比（高 vs 低）、有效粘性面积（严格配平）做成 2×2×2 因子实验，位置随机化并每日轮换（拉丁方），用广义线性模型分离主效应与交互。前作把四项改动打包成一个"多模态协同"一起上，因此无法归因。
擦过ANIM046T（2026，Grand Award，"Perception-Driven Multimodal D. melanogaster Trap"）。摘要原文："stimuli calibrated to their spectral sensitivity, especially specific green shades, increased attraction by 1.58-fold"、"Circular traps with high-contrast edges stimulated innate edge-following behavior and enhanced capture efficiency by 2.38-fold"、"Au-Q+... increasing approach rates by 4.5-fold"、"outperformed standard traps by 3.74-fold"。它给了各单项的倍数，但各单项之间没有配平面积，且最终装置与"standard trap"在多个维度同时不同——1.58 × 2.38 = 3.76 与它报告的 4.5/3.74 并不自洽，这本身就是一个可以在展台上被问倒的点。
约束最可能死在样本量与场地。最便宜的规避方式：果蝇培养廉价、世代 10 天左右，一个 60 cm 亚克力箱 + 定量投放即可，无需鹌鹑场。注意：果蝇培养基会长霉，规则要求食品霉菌研究在首次出现霉菌时终止——用标准果蝇培养基并按常规换瓶即可规避。合规： 无脊椎动物，Form 3（乙酸等诱剂查 SDS）。展台：粘板不含液体，可展示。
A1070–80
嗅觉仪偏好实验的两个隐藏假设：臂偏与个体非独立
框架当一群昆虫被同时放进嗅觉仪时，卡方检验假设的"每个观测独立"成立吗？把左右臂对调后，偏好方向还一样吗？这两项修正会把 p < 0.00001 变成什么？
你自己的那一点你贡献的是两个对照 + 一个正确的统计模型：（1）臂对调对照（同一气味在左右臂各测一半）以量化装置侧偏；（2）单只个体逐次投放的独立观测模式，与群体投放对照，检验群体投放下的从众/跟随导致的观测相关性；（3）用广义线性混合模型（试次为随机效应）替代卡方。结论无论方向如何都有效：若偏好幸存，你给了它一个更硬的统计地基；若消失，你发现了一个影响整类昆虫行为学实验的方法论问题。
擦过ANIM024（2026，Special Award，"Microbial Volatile-Based Insect Attraction"）。摘要原文："with an olfactometer, six distinct combinations of the four bacterial scents were tested for both substrate types on Tenebrio molitor beetles and fruit flies"、"Chi-square and preference index analysis were used to validate the findings"、"Chi-square analysis confirmed the statistical significance of the results (p < 0.00001)"。卡方检验用在群体投放的昆虫计数上，是行为生态学里被反复批评的经典误用——个体之间不独立，p 值会被严重高估。摘要里没有任何臂对调对照的记录。
约束最可能死在"你需要培养四种细菌"。最便宜的规避方式：完全不要用活菌。 前作要研究的是微生物挥发物，而这些化合物大多是可直接购买的纯品（2,3-丁二醇、乙偶姻、土臭素、异戊醇等）。改用合成标准品直接绕开整个 PHBA 体系——不需要实验室、不需要 Form 6A，只需 Form 3。而且这样做还额外解决了前作的一个问题：活菌培养物的气味成分不可控且批次间变化，合成标准品可以精确定量。
A1164–82
步态分类模型的泄漏检验：换一只没见过的狗，准确率掉多少
框架一个报告"每个品种准确率均超 90%"的步态疾病分类器，在按个体分组的留一交叉验证（leave-one-dog-out）下准确率是多少？随机划分与按个体划分之间的差距，就是数据泄漏的规模。
你自己的那一点你贡献的是分组交叉验证与随机交叉验证的对照实验：同一份数据、同一个模型，只改验证方式，报告两条学习曲线的差距，并进一步做按品种留一（leave-one-breed-out）以检验跨品种外推。这是时间序列 + 每个个体贡献大量窗口时最常见的泄漏形式：同一只狗的相邻步态窗口出现在训练集和测试集两边，模型只要认出"这是哪只狗"就能猜中标签。
擦过ANIM005（2025，Grand Award，"Gait Detection and Disease Screening in Canines"，PawPath）。摘要原文："Over several months, gait data was collected from canines, with veterinarians helping to label the data"、"using stratified data and demographic covariates"、"disease detection models were trained for Belgian Malinois, German Shepherd, Golden Retriever, Indian Pariah and Labrador Retriever dogs. All models achieved accuracies of over 90%"。"stratified data" 指的是分层抽样，不是按个体分组；每个品种一个模型且准确率都 >90%，恰恰是个体内窗口泄漏最典型的表现。摘要中没有提到任何按个体划分的验证。
约束最可能死在"你没有狗的 IMU 数据"。最便宜的规避方式：用公开的四足/人体可穿戴步态数据集（多个公开数据集带有个体 ID 与病理标签），泄漏检验的逻辑与物种无关。用公开数据 = 零脊椎动物合规、零器材。若坚持自采，则须走 Form 5A（佩戴传感器 = 与动物互动）。
A1257–75
行为学脱壳预警指标能否外推：把"负趋触性"搬到面包虫身上
框架"即将蜕皮的个体会远离群体（负趋触性）"这条行为判据，是田蟹特有的，还是节肢动物的普遍规律？在真实的蜕皮基础发生率下，这条判据的精确率（precision）是多少？
你自己的那一点你贡献的是两件事：（1）跨物种外推检验——在黄粉虫（Tenebrio molitor）上重复"隔离行为 → 即将蜕皮"的预测；（2）基础发生率修正——前作报告的是准确率，但在蜕皮个体只占群体百分之几的真实场景下，决定实用价值的是精确率而非准确率；同一个混淆矩阵，基础率从 50% 降到 5%，精确率会崩塌。你给出精确率随基础率变化的曲线。
擦过ANIM047T（2026，Grand Award，"Smart Crab Pre-Molt Detection & Monitoring System"，CrabTech）。摘要原文："pre-molt crabs exhibited negative thigmotaxis, tending to isolate themselves from the group"、"This innovation achieved 99.4% accuracy, with 100% of the separated crabs successfully molting"。"99.4% accuracy" 没有给出基础率，也没有给出假阴性（漏掉的将蜕皮个体）的代价——而对农户来说漏检才是真正的损失。
约束最可能死在物种差异导致"没有效应"。但这恰恰是模板保护你的地方：若面包虫不表现负趋触性，那就是一条明确的外推边界结论，不是失败。 最便宜的规避方式：黄粉虫廉价、蜕皮频繁（幼虫期多次蜕皮）、可在 3–4 个月内取得足够事件数；用连续录像 + 自动位置追踪（开源的 Trackpy/DeepLabCut 均可）计算个体到群体质心的距离。合规： 无脊椎动物，Form 3。
A1372–82
浸出液毒性里有多少是渗透压和 pH：涡虫致死实验的剂量-反应重建
框架卫生用品浸出液导致涡虫死亡，这个效应有多少来自渗透压、离子强度和 pH，而非任何特定化学物？重建一条真正的剂量-反应曲线后，LC50 及其置信区间是多少？
你自己的那一点你贡献的是理化配平对照 + 剂量-反应建模：测每一份浸出液的电导率、渗透压、pH，然后配制只匹配这三项理化性质、不含任何产品成分的合成对照液；再把浸出液做系列稀释以拟合 log-logistic 剂量-反应模型，报告带置信区间的 LC50。若合成对照液造成同等死亡，则"产品毒性"这一结论被推翻；若不能，你就把化学效应从理化效应里干净地分离出来了。
擦过ANIM021（2026，Grand Award，"Menstrual Product Exposure on Planaria"）。摘要原文："An artificial vaginal fluid (AVF) was prepared, and menstrual product leachates were generated by submerging four commercially available products in it"、"four more leachates were created by soaking the products in spring water in order to compare survival between exposure media"、"This experiment resulted in significant survival differences between planaria based on product and exposure medium"、"One pad-based product resulted in complete mortality under all conditions"。它自己发现了暴露介质会改变结果——这正是渗透压/离子强度在起作用的第一手信号——但它没有把这一项分离出来，也没有做任何剂量稀释，因此没有 LC50。
约束最可能死在"复现一个卫生用品课题会不会尴尬"。最便宜的规避方式：换掉待测物，保留方法。 这条课题的科学内核是"浸出液毒性实验必须做理化配平对照"，用任何日用浸出物（纸质包装、可降解餐具、织物、宠物垫）都成立，而且更容易讲清楚。涡虫（Dugesia）廉价、可购买、无脊椎、无需 PHBA 审批。展台：涡虫和液体都不能上台，只能用照片和曲线图。合规： Form 3。
A1465–83
20 年遭遇率上升 7.4%/年，其中有多少是观察努力的上升
框架"工业设施区的北极熊遭遇次数每年上升约 7.4%"这个趋势，在把观察努力（在岗人数、巡视频次、上报制度变更、摄像设备升级）作为偏移量（offset）纳入模型后还剩多少？
你自己的那一点你贡献的是努力校正后的趋势重估：把遭遇计数模型从"计数 ~ 年份 + 海冰"改成"计数 ~ 年份 + 海冰 + offset(log 努力)"，努力用可获取的代理变量（该设施的雇员数、作业天数、上报政策文件的时间点）构建；再用断点回归检验上报制度变更年份是否造成阶跃。同时给出敏感性分析：努力若以每年 x% 增长，趋势系数在 x 为多少时归零。 这条"临界努力增速"是最有说服力的产物。
擦过ANIM050（2026，Grand Award + Special Award，"Modeling Sea Ice & Polar Bear Trends: Prudhoe Bay"）。摘要原文："Using 20 years (2000–2019) of sea-ice concentration data and industrial observation records"、"polar bear encounters... have increased significantly over time (P < 0.001), rising by approximately 7.4% per year"、"a negative binomial regression model was selected based on AIC"。它用了负二项模型处理过离散，这一步做得很对；但"industrial observation records" 本质上是机会性数据，20 年间油田人员规模、监控设备、上报要求都在变——摘要里没有任何努力校正项。这是生态学计数数据分析中最经典的一个陷阱。
约束最可能死在"努力数据拿不到"。最便宜的规避方式：如果特定设施的努力数据不可得，把课题改成跨数据源一致性检验——同区域的机会性遭遇记录 vs 有标准化努力的系统性调查（如空中调查、GBIF/公民科学数据带 checklist 的部分），看两者的趋势方向是否一致。整条课题纯计算、纯公开数据，零脊椎动物合规（规则明文豁免公共数据库数据）。
A1574–84
糖震法螨虫计数的测量精度：它分辨得了 96.2% 与 95.7% 吗
框架用于比较杀螨处理效果的糖震（sugar-shake）计数法，本身的测量误差有多大？一个精度只有 ±X% 的方法，能不能支撑"CO₂ 96.2% vs Apivar 95.7%"这样 0.5 个百分点的比较？
你自己的那一点你贡献的是一次正规的方法比对研究（method comparison study）：从同一批蜂中分取配对样本，一份糖震、一份酒精洗（业内公认的参考方法），做 Bland-Altman 分析给出偏倚与一致性界限；再用同一份蜂重复糖震估计重复性（CV）。最后把这个 CV 代入前作的样本量，计算它的最小可检出差异（MDD）——如果 MDD 是 8 个百分点，那么 96.2% 与 95.7% 之间的排序就没有任何信息量。
擦过ANIM002（2025，Grand Award + Special Award）与其延续项目 ANIM005（2026，Grand Award + Top Award），"Capturable Carbon Dioxide to Save Our Bees!"。2025 摘要原文："Mite populations were monitored using sugar-shake tests. Each hive was sugar-shaken 3 times"、"The data showed that CO2 had a 96.2% Varroa Mites elimination, followed by Apivar with 95.7%, and Comaphous with 87.3%"。2026 版扩到 60 群、十周，并改用 CNN 自动计数，结论表述也谨慎了（"as effective as tau-fluvalinate"）。但两届都没有报告糖震法自身的测量误差——而 96.2% 与 95.7% 的排序恰恰依赖于它。注意 2026 版引入了 CNN 计数，这给你一个额外的问句：CNN 计数与人工计数的一致性是多少？
你的定位要说清楚： 这不是"证明它错了"，恰恰相反——这是一个 Top Award 项目最需要、但最不可能自己去做的支撑性工作，做出来对整个养蜂业的螨害监测都有用。评委会喜欢这个姿态。
约束最可能死在"你没有蜂群"。最便宜的规避方式：与 A4 相同——找养蜂人合作，你只出方法与人力。注意糖震法本身不伤蜂（蜜蜂是无脊椎动物，无合规问题），酒精洗会杀死取样的那几百只工蜂，这在养蜂业是标准操作、也不受脊椎动物规则约束，但必须在研究计划里写明并说明用量最小化。若完全接触不到蜂群，可以退而做模拟研究：用已知数量的人工螨（同尺寸颗粒）加入已知数量的蜂尸中，测回收率——这条退路成本极低且依然回答核心问题。