"零误分类"的自闭症筛查模型：标签是不是由输入直接算出来的

1 · 研究问题

一项研究用 Q-CHAT-10 问卷项目（A1–A10）训练随机森林与神经网络预测自闭症特质，报告准确率、精确率、召回率、F1 全部完美，混淆矩阵零误分类，并指出 Q-CHAT-10 总分贡献了超过 75% 的预测。在广泛使用的公开自闭症筛查数据集里，"类别"标签往往就是把 A1–A10 求和后按阈值二值化得到的。 这个恒等关系是否成立？把总分与各项目全部移除后，剩余特征（年龄、性别、族裔、家族史等）还能达到多少准确率？ 在预先固定的样本、对照与统计口径下，主效应的方向、幅度和不确定度分别是多少，结论能否在独立留出数据或独立重复中成立？

2 · 研究背景与空白

背景。 这条课题研究的不是“能不能做出一个结果”，而是一个现有结论在测量误差、样本差异和外推条件改变后还能不能站住。核心逻辑是把观察量、真实目标量与混杂因素分开：先用已知答案校验工具，再固定对照和重复单位，最后用误差棒判断差异。只给一个最高分、一次演示或一条相关关系，不能说明方法在新样本上可靠。

已有工作到哪一步。 BEHA015T（2025 BEHA Special Award）"AI Usage to Optimize Diagnosing for Autism"——摘要原文：使用 Q-CHAT-10 问卷回答与个体行为指标（如 A1、A2、A5、A8）作为行为生物标志物，训练随机森林与神经网络预测 ASD 特质；"Both models had perfect evaluation metrics (accuracy, precision, recall, F1) scores and a confusion matrix that confirms the zero misclassifications."；"The Q-CHAT 10 score was revealed as a significant contributor to model predictions, as it contributed over 75% to model predictions." 摘要把完美指标当作模型有效性的证据呈现。同题密度提示：mine_isef 显示 BEHA023（2024 Fourth Award）"Towards Improved Recognition and Diagnosis of Autism Among Females – A Novel Approach Using Machine Learning" 是标题级同题（无摘要，需手工核查）。

空白在于：你产出恒等性证明 + 残余信号测量。第一步是可以在几行代码内完成的决定性实验：直接检验 sum(A1..A10) >= 阈值 是否与标签完全一致——如果一致，任何模型都必然是 100%。第二步才是真正有价值的：在移除定义性特征后，人口学与病史变量还剩多少判别力，并把这个残余 AUC 与临床筛查工具的实际表现对照。第三产出：把同一检验套用到该数据集家族的多个版本（幼儿/儿童/青少年/成人），给出一张跨版本恒等性表。 五字段原文的研究问句是：一项研究用 Q-CHAT-10 问卷项目（A1–A10）训练随机森林与神经网络预测自闭症特质，报告准确率、精确率、召回率、F1 全部完美，混淆矩阵零误分类，并指出 Q-CHAT-10 总分贡献了超过 75% 的预测。在广泛使用的公开自闭症筛查数据集里，"类别"标签往往就是把 A1–A10 求和后按阈值二值化得到的。 这个恒等关系是否成立？把总分与各项目全部移除后，剩余特征（年龄、性别、族裔、家族史等）还能达到多少准确率？ 这适合一年期学生课题，因为可以把主任务裁成一个对象、一个主指标和一个独立复核；即使预期差异不出现，只要校验与统计功效过关，零结果仍能界定已有结论的适用边界。

3 · 可检验假设

H1 在加入本课题预先规定的控制、校正或独立验证后，主指标将沿五字段框架所述预期方向变化，且相对基线变化 ≥ 10% 或标准化效应绝对值 ≥ 0.5；若 95% 置信区间同时排除这两个门槛，则 H1 被否证。两种尺度只选与主指标有意义的一种，并在预实验前写死。

H2 若 H1 被否证，备择机制是假定原观察主要由测量误差、样本构成、基础率、时间漂移或未控制混杂驱动；比较“仅含原变量”与“加入机制变量”的模型，若主效应方向改变或绝对值下降 ≥ 20%，则支持机制解释，否则报告当前分辨率下未找到证据。

4 · 量化验收标准

1. 方法学校验硬门槛。 用自建管线、装置或代码重跑一个答案已知的合成算例/标准样；主量反算偏差须 ≤ 5%。不过关则停止，且后续全部结论无效。
2. 统计口径预先写死。 独立样本、技术重复和连续观测分开计数；测量类每个关键条件至少 3 次独立重复，技术重复只估计仪器噪声，并用误差传播或方差分量合成不确定度。极不平衡分类主报 PR-AUC、precision、recall，不以 accuracy 为主，因为全猜多数类也会虚高；时间序列按时间划分并把随机划分仅作泄漏对照。
3. 正式采集前固定主指标、排除规则、对照、效应方向与 10%（或标准化效应 0.5）判据；报告全部独立重复、效应量和 95% 置信区间，不只报 p 值或最佳一次。
4. 至少完成一项阴性对照和一项敏感性分析；改变关键阈值、预处理或模型选择时，主结论不得仅由单一任意选择决定。
5. 用独立批次、独立留出段或第二种原理不同的方法复核主量；不一致时优先报告不一致与误差预算，不平均成一个“更好看”的数字。
6. 可复现性。 保存原始数据、清洗记录、参数、环境版本、随机种子、脚本和排除日志；第三方应能重建主表与主图。

5 · 数据与工具

用途	来源 / 工具
研究对象与主问题	一项研究用 Q-CHAT-10 问卷项目（A1–A10）训练随机森林与神经网络预测自闭症特质，报告准确率、精确率、召回率、F1 全部完美，混淆矩阵零误分类，并指出 Q-CHAT-10 总分贡献了超过 75% 的预测。在广泛使用的公开自闭症筛查数据集里，"类别"标签往往就是把 A1–A10 求和后按阈值二值化得到的。 这个恒等关系是否成立？把总分与各项目全部移除后，剩余特征（年龄、性别、族裔、家族史等）还能达到多少准确率？
原创切口	你产出恒等性证明 + 残余信号测量。第一步是可以在几行代码内完成的决定性实验：直接检验 sum(A1..A10) >= 阈值 是否与标签完全一致——如果一致，任何模型都必然是 100%。第二步才是真正有价值的：在移除定义性特征后，人口学与病史变量还剩多少判别力，并把这个残余 AUC 与临床筛查工具的实际表现对照。第三产出：把同一检验套用到该数据集家族的多个版本（幼儿/儿童/青少年/成人），给出一张跨版本恒等性表。
前作与对照基准	BEHA015T（2025 BEHA Special Award）"AI Usage to Optimize Diagnosing for Autism"——摘要原文：使用 Q-CHAT-10 问卷回答与个体行为指标（如 A1、A2、A5、A8）作为行为生物标志物，训练随机森林与神经网络预测 ASD 特质；"Both models had perfect evaluation metrics (accuracy, precision, recall, F1) scores and a confusion matrix that confirms the zero misclassifications."；"The Q-CHAT 10 score was revealed as a significant contributor to model predictions, as it contributed over 75% to model predictions." 摘要把完美指标当作模型有效性的证据呈现。同题密度提示：mine_isef 显示 BEHA023（2024 Fourth Award）"Towards Improved Recognition and Diagnosis of Autism Among Females – A Novel Approach Using Machine Learning" 是标题级同题（无摘要，需手工核查）。；仅用于校验与对比，不计入本项目的数据贡献
数据/样本	需核实：可取得数量、独立单位、标签/测量定义、许可与缺失情况；未确认内容不得写成已具备
分析工具	纯 CPU、16 GB 笔记本可运行的开源工具优先；需核实版本、许可、输入格式、分组/时序划分和不确定度输出能力
校验材料	已知答案的合成数据、标准样或公开基准；仅用于校验与对比，不计入本项目的数据贡献
风险边界	最可能死在被读成"批斗一个学生项目"。规避方式：题目与摘要必须完全指向数据集——"广泛使用的自闭症筛查数据集中的标签构造与其对机器学习评估的影响"——前作只作为动机在一处出现，并明确承认它诚实报告了"Q-CHAT 总分贡献 75%"这个关键线索（这句话本身就是问题的证据，必须原样引用）。主体是你对数据集家族的系统检验。 人类受试者：不触发。 使用的是公开发布的去标识化筛查数据集。

6 · 方法路径

1. 装环境或搭装置，跑通已知答案算例并完成校验。 锁定版本、单位、坐标/标签定义和误差计算；反算偏差 >5% 时只修方法，不进入正式样本。
2. 核实工具能力边界并逐条排查静默失败点。 五字段原约束为：最可能死在被读成"批斗一个学生项目"。规避方式：题目与摘要必须完全指向数据集——"广泛使用的自闭症筛查数据集中的标签构造与其对机器学习评估的影响"——前作只作为动机在一处出现，并明确承认它诚实报告了"Q-CHAT 总分贡献 75%"这个关键线索（这句话本身就是问题的证据，必须原样引用）。主体是你对数据集家族的系统检验。 人类受试者：不触发。 使用的是公开发布的去标识化筛查数据集。 此外检查单位或标签错位、全数据预处理泄漏、相关观测冒充独立 n、缺失值静默填 0、默认参数改变口径、输出正常但物理量方向或尺度错误；每项用最小反例测试，不能以“软件未报错”作为通过。
3. 预注册最小设计。 把主问题收敛为一个对象、一个主指标、一个主要对照；写死样本单位、重复数、阈值、排除规则和降级触发条件。
4. 采集或整理正式数据。 保留原始输入与时间戳/批次，盲化能盲化的标签；协议偏离当天登记，不覆盖原记录。
5. 估计主效应与不确定度。 同时报原口径与校正口径，给出误差棒、效应量、失败样本和敏感性曲线；分类、时序或测量问题按 §4 执行。
6. 检验 H2 与边界条件。 H1 不成立时不临时换题，而是量化测量误差、样本构成、基础率、时间漂移或混杂能解释多少。
7. 独立交叉校验。 使用独立批次、留出时间段或第二种原理不同的方法复算主量；失败时以“不一致”为主结果，不选择性保留支持预期的路径。

7 · 新颖性边界

本课题不声称什么： 不声称首次进入该主题，不声称重新发现或推翻前作，也不把前作的项目编号、年份、奖级、引文和数字据为本项目结果；具体已有工作是：BEHA015T（2025 BEHA Special Award）"AI Usage to Optimize Diagnosing for Autism"——摘要原文：使用 Q-CHAT-10 问卷回答与个体行为指标（如 A1、A2、A5、A8）作为行为生物标志物，训练随机森林与神经网络预测 ASD 特质；"Both models had perfect evaluation metrics (accuracy, precision, recall, F1) scores and a confusion matrix that confirms the zero misclassifications."；"The Q-CHAT 10 score was revealed as a significant contributor to model predictions, as it contributed over 75% to model predictions." 摘要把完美指标当作模型有效性的证据呈现。同题密度提示：mine_isef 显示 BEHA023（2024 Fourth Award）"Towards Improved Recognition and Diagnosis of Autism Among Females – A Novel Approach Using Machine Learning" 是标题级同题（无摘要，需手工核查）。

已有工作做到哪一步： 五字段证据表明前作已完成其原始对象、方法或性能演示；本项目完整保留这条事实，不把摘要未写出的信息推断为“没有做”。数据集、器材规格、价格、货期或外部文献的任何补充均标为“需核实”。

本项目贡献（属「评价维度转换」；若使用全新独立对象则同时属「新样本独立检验」，若核心是校准与脚本则同时属「方法可复现性贡献」）： 你产出恒等性证明 + 残余信号测量。第一步是可以在几行代码内完成的决定性实验：直接检验 sum(A1..A10) >= 阈值 是否与标签完全一致——如果一致，任何模型都必然是 100%。第二步才是真正有价值的：在移除定义性特征后，人口学与病史变量还剩多少判别力，并把这个残余 AUC 与临床筛查工具的实际表现对照。第三产出：把同一检验套用到该数据集家族的多个版本（幼儿/儿童/青少年/成人），给出一张跨版本恒等性表。 主结论是原结论在预注册控制与独立复核下的效应幅度及适用边界，不是附带造一个更复杂模型或装置。

为何有价值： 它把“看起来有效”转换为“在多大误差、何种样本和什么阈值下仍有效”。差异不显著同样是有效结论，但必须给出误差棒证明有能力分辨预注册的 10% 相对变化或标准化效应 0.5；置信区间过宽只能写“测不出来”。

8 · 决策门槛（go / no-go）

第 5 周末必须同时满足：校验偏差 ≤ 5%、至少取得计划独立样本的 20%、主指标能从原始输入稳定重算。任一不满足，立即启动具名降级路径 “单对象能力边界标定”：砍掉多对象/多模型比较，只保留最可得的一种对象、一个主指标和一个独立复核，转而报告误差、敏感性与最小可分辨效应；主结论仍是“原结论在什么条件下站得住”。

与“附属赛后不得修改”的冲突点：主指标、阈值、样本排除、对照、预处理和降级触发条件必须赛前定死。须提前核实： 最可能死在被读成"批斗一个学生项目"。规避方式：题目与摘要必须完全指向数据集——"广泛使用的自闭症筛查数据集中的标签构造与其对机器学习评估的影响"——前作只作为动机在一处出现，并明确承认它诚实报告了"Q-CHAT 总分贡献 75%"这个关键线索（这句话本身就是问题的证据，必须原样引用）。主体是你对数据集家族的系统检验。 人类受试者：不触发。 使用的是公开发布的去标识化筛查数据集。 同时核实许可、设备/软件真实能力、场地、表格和采购可得性。已知困难及其定位：这些限制就是能力边界，不用未经核实的规格填补。选择前提：学生愿意做重复、校验和零结果解释。预算裁剪顺序：先砍多模型/多材料，再砍次要指标，再砍展示性装置；不得砍校验、主要对照、独立重复和交叉验证。

净实验窗口按 2026-08 至 12 月约 3–4 个月规划。按实际对象核实合规：附属赛后项目不得更改；展台禁液体（含水）、土壤、玻璃、锐器、化学品、干燥粉末、>100 Wh 电池和通电无人机，禁网址与二维码；家中不得培养任何潜在危险生物制剂；涉及脊椎动物、人类受试者、激光、高真空或 SDS 标注的致癌致畸化学品时，须在相应动作前确认审批。AI 不得用于撰写研究计划、摘要、展板或引文。

评分： O=9, W=9, F=9, S=8, Fit=9 → base=88.6，h=5 → [84, 94]，置信度：高

---