论文里的每个数字，都要能被 Ctrl+F 搜到

精确的幻觉

模型写出的数字常常看起来无可挑剔：样本量 N=337，内部一致性系数 α=0.821，R²=0.594，显著性 p<0.01。格式正确，小数位讲究，统计术语用得也地道，整段文字像是从一篇已发表的实证研究里抄下来的。

然后你的导师问一句："这个 0.594 出自哪一篇？"

事情从这里分成两条路。要么你从头翻原文，翻两个小时在某个 PDF 里找到那一行；要么你根本找不到出处——而这第二种情况不是笔误，是一次凭空生成。

论文里的数字不是修辞。每个数字都是一条关于外部世界的断言，而断言只有两种：能被复核的，和只是长得像数据的。

方法一：白名单门禁

检索的第一道关卡不是关键词，而是来源本身。

只有目标国的精英高校、核心期刊和权威机构能进入检索流程；不在名单上的域名，在检索阶段就丢弃，连摘要都不去解析。

这么做不是为了显得严谨。来源一旦混装，证据池就会被污染：靠一篇不入流的文章撑起来的数字，会把结论表面上的置信度拖到一个没人能解释的高度。门禁把"来源可信"从作者的自觉变成了系统的默认设置。

方法二：逐句锚点

数字一旦脱离它的句子，就失去了含义。

WriterOne 把每个数字连同它的锚点原句一起入库——锚点原句就是它在原文中的那一句原话——然后逐字比对：原句必须能在归档的全文里被搜到，句中的数字必须与卡片上的数字一致。找不到原句，或者句中的数字对不上，这条证据直接作废——不是降级为"待确认"，而是整条丢弃。

这条规则很硬，但它是整条证据链的地基。

方法三：缺失即「未报告」

原文没报的统计量，一律写「未报告」，绝不补造。

很多作者觉得留白显得单薄，于是让模型把缺口抹平：Cronbach's α、RMSEA、CFI 依次补齐。这些被造出来的数字会一路走进图表、走进结论、走进答辩现场，而原文里从来没有哪一句托得住它们。

同样的规则适用于图表。当一张卡片能核验的数据点少于两个时，图表不会照画——它降级为一张明确标注的质量审计图，写清楚哪些指标缺失、为什么缺失，而不是画一张像数据的图。

工程细节：指纹与台账

可核验需要落在实处。归档的原文是 Markdown，带 SHA-256 指纹：文件动一个字节，指纹就变，你和导师都能确认正在复核的正是当初抓取的那一份。

每张论据卡背后是一张 22 列的数据台账：指标定义、单位、时间、地域、来源、样本量、抽样方法、信度、效度、置信区间、拟合指标、显著性、口径可比性、局限性等。每列要么是有出处的值，要么明确标注「未报告」。缺失不是空白单元格，它本身就是一项结论。

结论：可核验性比完整性更重要

一篇文献综述有 30 张卡片，其中 12 张的数字能逐字追溯回原文，胜过 50 张卡片、20 个数字查无出处的综述。

导师真正检查的恰恰是后者。可核验性比完整性更重要——因为一个核验不了的数字，写下的不是结论，是风险。